Bruit blanc (White noise)

Dans le traitement du signal, le bruit blanc est un signal aléatoire ayant une intensité égale à différentes fréquences, ce qui lui confère une densité spectrale de puissance constante. Le terme est…

Dans le traitement du signal, le bruit blanc est caractérisé comme un signal aléatoire présentant une intensité uniforme sur différentes fréquences, ce qui entraîne une densité spectrale de puissance constante. Cette terminologie, ou des interprétations similaires, trouve des applications dans de nombreux domaines scientifiques et techniques, tels que la physique, l'ingénierie acoustique, les télécommunications et les prévisions statistiques. Il est important de noter que le bruit blanc représente un modèle statistique pour les signaux et leurs sources, plutôt que de désigner un signal particulier. La désignation « bruit blanc » provient de la lumière blanche ; cependant, la lumière perçue comme blanche n'a généralement pas une densité spectrale de puissance plate sur tout le spectre visible.

Dans un cadre de temps discret, le bruit blanc se manifeste comme un signal discret dans lequel les échantillons individuels sont considérés comme une séquence de variables aléatoires non corrélées en série, possédant une moyenne nulle et une variance finie ; un cas unique de bruit blanc est appelé un choc aléatoire. Certains contextes stipulent en outre que ces échantillons doivent être indépendants et présenter une distribution de probabilité identique, ce qui fait des variables aléatoires indépendantes et distribuées de manière identique la représentation la plus simple du bruit blanc. Plus précisément, lorsque chaque échantillon suit une distribution normale avec une moyenne nulle, le signal est alors classé comme bruit gaussien blanc additif.

Les échantillons comprenant un signal de bruit blanc peuvent être ordonnés séquentiellement dans le temps ou distribués sur une ou plusieurs dimensions spatiales. Dans le domaine du traitement d'images numériques, les pixels d'une image de bruit blanc sont généralement organisés dans une grille rectangulaire et sont présumés être des variables aléatoires indépendantes avec une distribution de probabilité uniforme sur un intervalle spécifié. Ce concept s'étend aux signaux diffusés sur des domaines plus complexes, y compris les géométries sphériques ou toroïdales.

Un signal de bruit blanc à bande passante infinie représente une construction entièrement théorique. Dans les applications pratiques, la bande passante du bruit blanc est limitée par le mécanisme de génération de bruit, le support de transmission et les limitations inhérentes aux capacités d'observation. Par conséquent, les signaux aléatoires sont classés comme bruit blanc si leur spectre apparaît plat sur la gamme de fréquences pertinente pour un contexte donné. Pour un signal audio, le spectre pertinent englobe les fréquences sonores audibles, allant généralement de 20 à 20 000 Hz. Un tel signal est perçu par l'oreille humaine comme un sifflement distinct, semblable au phonème /h/ produit lors d'une aspiration soutenue. À l'inverse, le son sh /ʃ/, tel qu'entendu dans le mot ash, constitue un bruit coloré en raison de sa structure formant formante caractéristique. Dans les disciplines de la musique et de l'acoustique, la désignation bruit blanc peut être appliquée à tout signal produisant un effet auditif sifflant comparable.

Dans le cadre de méthodologies statistiques basées sur la phylogénétique, le terme bruit blanc peut désigner une absence de structure phylogénétique dans les ensembles de données comparatifs. Dans le discours non technique, ce terme signifie parfois « communication aléatoire dépourvue de contenu substantiel ».

Propriétés statistiques

Toute distribution de valeurs est autorisée, à condition qu'elle possède une composante continue nulle. Même un signal binaire, limité aux valeurs de 1 ou -1, peut présenter des caractéristiques de bruit blanc si sa séquence n'est pas statistiquement corrélée. Naturellement, le bruit caractérisé par une distribution continue, telle qu'une distribution normale, peut également être classé comme blanc.

Une idée fausse courante est que le bruit gaussien, défini comme un bruit avec une distribution d'amplitude gaussienne (faisant référence à la distribution normale), implique intrinsèquement un bruit blanc ; cependant, aucune des deux propriétés ne nécessite l’autre. La gaussianité concerne la distribution de probabilité des valeurs du signal, en particulier la probabilité que l'amplitude du signal se situe dans une plage donnée. À l'inverse, le descripteur « blanc » caractérise la manière dont la puissance du signal est distribuée, de manière spécifiquement indépendante, dans le temps ou dans les fréquences.

Une manifestation spécifique du bruit blanc est la dérivée quadratique moyenne généralisée du processus de Wiener ou du mouvement brownien.

La mesure du bruit blanc représente une généralisation applicable aux éléments aléatoires dans des espaces de dimension infinie, y compris les champs aléatoires.

Applications pratiques

Musique

Le bruit blanc trouve une application fréquente dans la production de musique électronique, soit utilisé directement, soit comme entrée dans un filtre pour générer des types de signaux de bruit alternatifs. Son utilisation est répandue en synthèse audio, en particulier pour émuler des instruments à percussion comme les cymbales ou les caisses claires, qui possèdent intrinsèquement un contenu de bruit important dans leur domaine fréquentiel. Une illustration simple du bruit blanc est l'électricité statique rencontrée par une station de radio inexistante.

Ingénierie électronique

Le bruit blanc est également utilisé pour déterminer la réponse impulsionnelle des circuits électriques, en particulier pour les amplificateurs et autres appareils audio. Cependant, il ne convient pas aux tests de haut-parleurs en raison de son contenu spectral excessif dans les hautes fréquences. À l'inverse, le bruit rose, caractérisé par sa distribution d'énergie égale sur chaque octave, est utilisé pour évaluer les transducteurs tels que les haut-parleurs et les microphones.

Informatique

Le bruit blanc constitue un élément fondamental pour certains générateurs de nombres aléatoires. Par exemple, Random.org utilise un réseau d'antennes atmosphériques pour produire des séquences de chiffres aléatoires dérivées de sources représentables avec précision sous forme de bruit blanc.

Traitement des acouphènes

Le bruit blanc est une source de bruit synthétique fréquemment utilisée pour le masquage sonore dans le traitement des acouphènes. Les générateurs commerciaux de bruit blanc sont commercialisés comme des dispositifs destinés à améliorer l’intimité, à faciliter le sommeil et à atténuer les symptômes des acouphènes. Le Marpac Sleep-Mate, développé en 1962 par le vendeur Jim Buckwalter, représente la première machine domestique à bruit blanc. Une alternative plus simple et plus économique consiste à régler une radio AM sur une fréquence inutilisée, générant ainsi des « parasites » qui fonctionnent comme un bruit blanc. Néanmoins, le bruit blanc produit par un récepteur radio commercial standard réglé sur une fréquence inoccupée est très susceptible d'être contaminé par des signaux parasites, notamment des stations de radio adjacentes, des harmoniques provenant de stations éloignées, des interférences provenant d'équipements électriques à proximité ou des phénomènes atmosphériques comme les éruptions solaires et les éclairs.

Environnement de travail

L'impact du bruit blanc sur la fonction cognitive présente des résultats contradictoires. Une étude limitée de 2007 a rapporté que la stimulation par le bruit blanc ambiant améliorait les performances cognitives des élèves du secondaire diagnostiqués avec un trouble déficitaire de l'attention avec hyperactivité (TDAH), tout en diminuant simultanément les performances des élèves sans TDAH. Des recherches plus approfondies suggèrent son efficacité pour améliorer l'humeur et la productivité des travailleurs en masquant le bruit ambiant du bureau, bien qu'il ait été observé qu'il altère les performances cognitives lors d'exercices complexes de tri de cartes.

Dans une enquête connexe, une expérience impliquant soixante-six participants en bonne santé a exploré les avantages de l'incorporation du bruit blanc dans un environnement d'apprentissage. Les participants devaient identifier diverses images parmi divers stimuli auditifs de fond. Les résultats cumulés ont indiqué que le bruit blanc confère effectivement des avantages pertinents à l’apprentissage. Plus précisément, les études ont démontré une légère amélioration des capacités d'apprentissage et de la mémoire de reconnaissance des participants attribuable au bruit blanc.

Définitions mathématiques

Vecteur de bruit blanc

Un vecteur aléatoire, défini comme une variable aléatoire mappée à Rⁿ, est classé comme vecteur de bruit blanc ou vecteur aléatoire blanc si chacun de ses composants constitutifs présente une distribution de probabilité caractérisée par une moyenne nulle et une variance finie. Bien que les définitions conventionnelles du traitement du signal imposent des variances identiques pour garantir un spectre de puissance parfaitement plat, les cadres statistiques plus étendus ne stipulent parfois que des variances finies et une indépendance statistique entre les composants, ce qui signifie que leur distribution de probabilité conjointe doit être le produit de leurs distributions individuelles.

Une condition préalable, bien que généralement non suffisante, pour l'indépendance statistique de deux variables est leur non-corrélation statistique, impliquant une covariance nulle. Par conséquent, la matrice de covariance R pour les n composantes d'un vecteur de bruit blanc w doit être une matrice diagonale n par n, où chaque entrée diagonale R_ii correspond à la variance de la composante w_i. De plus, la matrice de corrélation doit être la matrice d'identité n par n. Si les variances sont identiques, la matrice de covariance se simplifie en un multiple scalaire de la matrice d'identité, exprimé comme $R=\sigma ^{2}I$ 38§ Je {\displaystyle R=\sigma ^{2}I} .

Un vecteur w est défini comme un vecteur de bruit blanc gaussien si, au-delà de l'indépendance de ses variables constitutives, chaque variable adhère à une distribution normale avec une moyenne nulle et une variance uniforme de $\sigma ^{2}$ 14§ {\displaystyle \sigma ^{2}} . Dans ce scénario, la distribution conjointe de w est une distribution normale multivariée, où l'indépendance entre les variables confère une symétrie sphérique à la distribution dans un espace ndimensionnel. Par conséquent, toute transformation orthogonale appliquée à ce vecteur produira également un vecteur aléatoire blanc gaussien. Notamment, dans la plupart des méthodologies de transformée de Fourier discrètes, telles que les transformées FFT et Hartley, la transformée W de w sera également un vecteur de bruit blanc gaussien. Cela signifie que les n coefficients de Fourier de w seront des variables gaussiennes indépendantes, chacune caractérisée par une moyenne nulle et une variance identique de $\sigma ^{2}$ 51§ {\displaystyle \sigma ^{2}> .

Le spectre de puissance P d'un vecteur aléatoire w est formellement défini comme la valeur attendue du module au carré de chaque coefficient de sa transformée de Fourier W, représentée par l'équation P_i = E(|W_i|§1415§). Sur la base de cette définition, un vecteur de bruit blanc gaussien présente un spectre de puissance parfaitement plat, avec P_i = σ§2223§ pour tout i.

Si w est caractérisé comme un vecteur aléatoire blanc mais n'a pas la propriété gaussienne, ses coefficients de Fourier W_i ne sera pas entièrement indépendant. Néanmoins, pour de grandes valeurs de n et sous des distributions de probabilité courantes, ces dépendances sont généralement très subtiles, ce qui permet de supposer que leurs corrélations par paires sont nulles.

La définition du bruit blanc intègre fréquemment la condition la plus faible de non-corrélation statistique, par opposition à l'indépendance statistique. Cependant, plusieurs propriétés généralement attendues pour le bruit blanc, comme un spectre de puissance plat, peuvent ne pas être applicables selon ce critère moins strict. Lorsqu’elle fonctionne sous cette hypothèse plus faible, la variante la plus rigoureuse peut être explicitement qualifiée de vecteur de bruit blanc indépendant. Certains auteurs emploient alternativement les appellations « fortement blanc » et « faiblement blanc ».

Un exemple illustratif d'un vecteur aléatoire qui constitue un bruit blanc gaussien au sens faible mais pas au sens fort est $x=[x_{1},x_{2}]$ 17§ , x §26 $x=[x_{1},x_{2}]$ ] {\displaystyle x=[x_{1},x_{2}]} . Dans cette construction, $x_{1}$ 51§ {\displaystyle x_{1}} est une variable aléatoire normale avec une moyenne nulle, et ${\displaystyle x_{2}>$ est soit $+x_{1}$ 97§ {\displaystyle +x_{1}} ou $-x_{1}$ 122§ {\displaystyle -x_{1}> , chacun se produisant avec une probabilité égale. Ces variables ne sont pas corrélées et individuellement distribuées normalement ; cependant, ils ne sont ni normalement distribués conjointement, ni indépendants. Si $x$ subit une rotation de 45 degrés, ses deux composantes resteront décorrélées, mais leur distribution ne sera plus normale.

Dans certains contextes, la définition peut être élargie pour autoriser chaque composante d'un vecteur aléatoire blanc $w$ pour posséder une valeur attendue non nulle $\mu$ . Particulièrement dans le traitement d'images, où les échantillons sont généralement contraints à des valeurs positives, $\mu$ est fréquemment défini sur la moitié de la valeur maximale de l'échantillon. Par conséquent, le coefficient de Fourier $W_{0}$ 61§ {\displaystyle W_{0}} , qui représente la composante de fréquence nulle (en fait, la moyenne de la $w_{i}$ ), présentera de la même manière une valeur attendue non nulle de $\mu {\sqrt {n}}$ . Dans ce scénario, le spectre de puissance $P$ maintiendra la planéité exclusivement sur les fréquences non nulles.

Bruit blanc en temps discret

Un processus stochastique en temps discret, noté ${\displaystyle W(n)>$ , représente une extension d'un vecteur aléatoire d'un nombre fini à un nombre infini de composants. Ce type de processus stochastique à temps discret, en particulier ${\displaystyle W(n)>$ , est caractérisé comme un bruit blanc à faible sens (souvent appelé "bruit blanc" dans le traitement du signal contextes) si deux conditions sont remplies : premièrement, sa moyenne est nulle pour tous $n$ , exprimé sous la forme $\operatorname {E} [W(n)]=0$ 88§ {\displaystyle \operatorname {E} [W(n)]=0} ; et deuxièmement, sa fonction d'autocorrélation, ${\displaystyle R_{W}(n)=\operatorname {E} [W(k+n)W(k)]>$ , présente une valeur non nulle exclusivement lorsque $n=0$ 167§ {\displaystyle n=0} .Cette dernière condition est formellement exprimée comme ${\displaystyle R_{W}(n)=\sigma ^{2}\delta (n)>$ , où $\sigma ^{2}$ désigne la variance et $\delta (n)$ représente la fonction delta de Kronecker.

Pour ${\displaystyle W(n)>$ , les variables doivent simplement être non corrélées, pas nécessairement statistiquement indépendantes. Cette distinction est cruciale car la densité spectrale de puissance plate du bruit blanc est uniquement déterminée par les moments de second ordre du processus, en particulier par sa fonction d'autocorrélation. En revanche, un processus exigeant que ses échantillons soient indépendants et distribués de manière identique (i.i.d.) est désigné comme bruit blanc au sens strict. Il est important de noter que si ces variables aléatoires non corrélées présentent également une distribution gaussienne conjointe, leur indépendance statistique est intrinsèquement assurée.

Bruit blanc en temps continu

Pour établir le concept de bruit blanc dans le cadre de la théorie du signal en temps continu, le vecteur aléatoire traditionnel doit être remplacé par un signal aléatoire en temps continu. Cela implique un processus aléatoire capable de générer une fonction $w$ , qui dépend d'un paramètre à valeur réelle $t$ .

Un processus est classé comme bruit blanc dans sa définition la plus stricte si la valeur ${\displaystyle w(t)>$ à tout moment $t$ constitue une variable aléatoire qui maintient une indépendance statistique par rapport à tout son historique antérieur à $t$ . Une définition moins restrictive impose l'indépendance uniquement entre les valeurs $w(t_{1})$ 69§ ) {\displaystyle w(t_{1})> et ${\displaystyle w(t_{2})>$ pour chaque paire de points temporels distincts $t_{1}$ 121§ {\displaystyle t_{1}} et $t_{2}$ . Une définition encore plus souple stipule simplement que de telles paires, en particulier $w(t_{1})$ 169§ ) {\displaystyle w(t_{1})} et ${\displaystyle w(t_{2})>$ , doit être non corrélé. Conformément au cas discret, certains chercheurs emploient la définition la plus faible du bruit blanc, réservant le terme « indépendant » pour désigner l'une ou l'autre des définitions les plus rigoureuses.À l'inverse, d'autres chercheurs différencient ces définitions en utilisant les descripteurs « faiblement blanc » et « fortement blanc ».

Établir une définition précise de ces concepts présente des défis importants, principalement parce que les quantités représentées comme des sommes finies dans des systèmes discrets doivent être remplacées par des intégrales qui ne convergent pas toujours. Par conséquent, l'ensemble de toutes les réalisations potentielles pour un signal $w$ transitions à partir d'un espace de dimension finie $\mathbb {R} ^{n}$ vers un espace de fonctions de dimension infinie. De plus, quelle que soit la définition spécifique utilisée, un signal de bruit blanc $w$ présente intrinsèquement une discontinuité essentielle à chaque point. Cette caractéristique nécessite l'application de cadres mathématiques avancés même pour les opérations fondamentales sur $w$ , comme l'intégration sur un intervalle fini.

Certains textes d'introduction à l'ingénierie conceptualisent cela comme une heuristique plutôt que comme une définition mathématique rigoureuse, stipulant que chaque valeur ${\displaystyle w(t)>$ doit être une variable aléatoire à valeur réelle possédant une attente $\mu$ et une variance finie ${\displaystyle \sigma ^{2}>$ . Par conséquent, la covariance $\mathrm {E} (w(t_{1})\cdot w(t_{2}))$ 83§ ) ) ⋅ w ( t §99 $w(t)$ ) ) ) {\displaystyle \mathrm {E} (w(t_{1})\cdot w(t_{2}))} entre des valeurs à deux moments distincts, $t_{1}$ 126§ {\displaystyle t_{1}> et ${\displaystyle t_{2}>$ , est défini avec précision : il est évalué à zéro lorsque les temps diffèrent, et à $\sigma ^{2}$ lorsqu'ils sont identiques. Néanmoins, selon cette définition spécifique, l'intégrale

W_{[a,a+r]}=\int _{a}^{a+r}w(t)\,dt

Par conséquent, cette intégrale, lorsqu'elle est évaluée sur n'importe quel intervalle possédant une largeur positive $r$ , équivaudrait simplement au produit de la largeur et de l'attente : $r\mu$ . Bien qu’une attente nulle ne soit pas intrinsèquement problématique, une variance ponctuelle finie entraînerait une variance nulle pour cette intégrale, indiquant ainsi que le signal manque de toute énergie mesurable. Cette caractéristique disqualifie fondamentalement le concept en tant que modèle approprié pour les signaux de bruit blanc, qu'ils soient considérés d'un point de vue physique ou mathématique. Un véritable processus de bruit blanc nécessite une densité spectrale de puissance plate, qui exige intrinsèquement une variance ponctuelle infinie plutôt que finie.

Par conséquent, la majorité des chercheurs caractérisent le signal $w$ via une méthode indirecte, qui consiste à attribuer des valeurs aléatoires aux intégrales de ${\displaystyle w(t)>$ et ${\displaystyle |w(t)|^{2}>$ sur chaque intervalle $[a,a+r]$ .

Dans ce cadre, l'intégrale $W_{I}$ de ${\displaystyle w(t)>$ sur un intervalle spécifié $I=[a,b]$ est généralement défini comme une variable aléatoire réelle caractérisée par une distribution normale, une moyenne nulle et une variance de $(b-a)\sigma ^{2}$ .De plus, la covariance $\mathrm {E} (W_{I}\cdot W_{J})$ entre les intégrales $W_{I}$ et $W_{J}$ est donné par $r\sigma ^{2}$ , où $r$ représente la longueur de l'intersection $I\cap J$ des deux intervalles $I,J$ . Cette configuration est appelée signal ou processus de bruit blanc gaussien.

Dans la discipline mathématique de l'analyse du bruit blanc, un bruit blanc gaussien, noté $w$ , est formellement caractérisée comme une distribution tempérée stochastique. Cela implique qu'il s'agit d'une variable aléatoire dont les valeurs résident dans l'espace ${\mathcal {S}}'(\mathbb {R} )$ de distributions tempérées. Semblable à la méthodologie utilisée pour les vecteurs aléatoires de dimension finie, une loi de probabilité sur l'espace de dimension infinie ${\mathcal {S}}'(\mathbb {R} )$ peut être établi grâce à sa fonction caractéristique. L'existence et le caractère unique de cette définition sont assurés par une extension du théorème de Bochner-Minlos, spécifiquement connu sous le nom de théorème de Bochner-Minlos-Sazanov.

De manière analogue à la distribution normale multivariée, représentée par $X\sim {\mathcal {N}}_{n}(\mu ,\Sigma )$ , la fonction caractéristique est définie comme suit :

\forall k\in \mathbb {R} ^{n}:\quad \mathrm {E} (\mathrm {e} ^{\mathrm {i} \langle k,X\rangle })=\mathrm {e} ^{\mathrm {i} \langle k,\mu \rangle -{\frac {1}{2}}\langle k,\Sigma k\rangle },

91§ §92

\forall k\in \mathbb {R} ^{n} :\quad \mathrm {E} (\mathrm {e} ^{\mathrm {i} \langle k,X\rangle })=\mathrm {e} ^{\mathrm {i} \langle k,\mu \rangle -{\frac {1}{2}}\langle k,\Sigma k\rangle },

⟨ k , Σ k ⟩ , {\displaystyle \forall k\in \mathbb {R} ^{n}:\quad \mathrm {E} (\mathrm {e} ^{\mathrm {i} \langle k,X\rangle })=\mathrm {e} ^{\mathrm {i} \langle k,\mu \rangle -{\frac {1}{2}}\langle k,\Sigma k\rangle },}

Le bruit blanc, noté $w:\Omega \to {\mathcal {S}}'(\mathbb {R} )$ , doit remplir la condition suivante :

\forall \varphi \in {\mathcal {S}}(\mathbb {R} ):\quad \mathrm {E} (\mathrm {e} ^{\mathrm {i} \langle w,\varphi \rangle })=\mathrm {e} ^{-{\frac {1}{2}}\|\varphi \|_{2}^{2}},

80§ §81

\forall \varphi \in {\mathcal {S}}(\mathbb {R} ):\quad \mathrm {E} (\mathrm {e} ^{\mathrm {i} \langle w,\varphi \rangle })=\mathrm {e} ^{-{\frac {1}{2}}\|\varphi \|_{2}^{2}},

‖ φ ‖ §96

\forall \varphi \in {\mathcal {S}}(\mathbb {R} ):\quad \mathrm {E} (\mathrm {e} ^{\mathrm {i} \langle w,\varphi \rangle })=\mathrm {e} ^{-{\frac {1}{2}}\|\varphi \|_{2}^{2}},

§100

\forall \varphi \in {\mathcal {S}}(\mathbb {R} ):\quad \mathrm {E} (\mathrm {e} ^{\mathrm {i} \langle w,\varphi \rangle })=\mathrm {e} ^{-{\frac {1}{2}}\|\varphi \|_{2}^{2}},

, {\displaystyle \forall \varphi \in {\mathcal {S}}(\mathbb {R} ):\quad \mathrm {E} (\mathrm {e} ^{\mathrm {i} \langle w,\varphi \rangle })=\mathrm {e} ^{-{\frac {1}{2}}\|\varphi \|_{2}^{2}},}

L'expression $\langle w,\varphi \rangle$ représente l'appariement canonique entre la distribution tempérée ${\displaystyle w(\omega)>$ et la fonction Schwartz $\varphi$ .Dans ce contexte, $\varphi$ est traité comme une fonctionnelle linéaire constante sur ${\mathcal {S}}'(\mathbb {R} )$ , analogue à $k$ discuté précédemment.
De plus, l'expression $\|\varphi \|_{2}^{2}=\int _{\mathbb {R} }\vert \varphi (x)\vert ^{2}\,\mathrm {d} x$ est défini.

Applications mathématiques

Analyse et régression de séries chronologiques

En statistique et en économétrie, il est fréquemment postulé qu'une série de données observées résulte de la sommation de valeurs produites par un processus linéaire déterministe, qui dépend de variables indépendantes (explicatives) spécifiques et d'une séquence de valeurs de bruit aléatoires. Par la suite, une analyse de régression est utilisée pour déduire les paramètres du processus du modèle à partir des données empiriques, par exemple au moyen des moindres carrés ordinaires. Cela implique également de tester l’hypothèse nulle selon laquelle chaque paramètre est nul par rapport à l’hypothèse alternative d’un paramètre non nul. En règle générale, les tests d'hypothèse postulent que les valeurs de bruit ne sont pas corrélées entre elles, possèdent une moyenne nulle et adhèrent à une distribution de probabilité gaussienne identique, ce qui implique que le bruit est blanc gaussien plutôt que simplement blanc. S'il existe une corrélation non nulle entre les valeurs de bruit sous-tendant des observations distinctes, les paramètres estimés du modèle restent impartiaux ; cependant, leurs estimations d’incertitude, telles que les intervalles de confiance, présenteront un biais (c’est-à-dire qu’elles ne seront pas précises en moyenne). Ce phénomène se produit également si le bruit est hétéroscédastique, ce qui signifie qu'il affiche des variances variables entre différents points de données.

À l'inverse, dans le domaine de l'analyse des séries chronologiques, un domaine spécialisé de l'analyse de régression, les variables explicatives sont souvent limitées aux valeurs historiques de la variable dépendante modélisée. Dans ces circonstances, le processus de bruit est généralement conceptualisé comme un processus de moyenne mobile, dans lequel la valeur actuelle de la variable dépendante est déterminée à la fois par les valeurs présentes et précédentes d'un processus de bruit blanc séquentiel.

Transformations vectorielles aléatoires

Grâce à une transformation linéaire appropriée, appelée transformation de coloration, un vecteur aléatoire blanc peut être utilisé pour générer un vecteur aléatoire non blanc (c'est-à-dire une collection de variables aléatoires) caractérisé par des éléments possédant une matrice de covariance prédéfinie. À l'inverse, un vecteur aléatoire avec une matrice de covariance établie peut être converti en un vecteur aléatoire blanc via une transformation de blanchiment appropriée.

Ces deux principes sont fondamentaux dans diverses applications, notamment l'estimation et l'égalisation des canaux au sein des systèmes de communication et audio. De plus, ces concepts trouvent leur utilité dans les méthodologies de compression de données.

Génération

La génération numérique de bruit blanc peut être réalisée à l'aide d'un processeur de signal numérique, d'un microprocesseur ou d'un microcontrôleur. Ce processus implique généralement de fournir une séquence appropriée de nombres aléatoires à un convertisseur numérique-analogique. La fidélité du bruit blanc qui en résulte dépend directement de l'efficacité de l'algorithme sous-jacent.

Applications familières

Le terme « bruit blanc » est parfois utilisé familièrement pour caractériser un paysage sonore ambiant qui produit un environnement auditif indistinct ou continu. Les exemples illustratifs incluent :

Les vocalisations collectives issues de nombreuses conversations se déroulant dans les limites acoustiques d'un espace clos.
Entrée auditive persistante et non intrusive utilisée pour masquer les perturbations extérieures et faciliter les états de relaxation ou de sommeil.
Rhétorique redondante et obscurcissante fréquemment utilisée par les personnalités politiques pour dissimuler des points spécifiques qu'ils souhaitent garder ignorés.
Compositions musicales caractérisées par des qualités désagréables, dures, dissonantes ou discordantes, dépourvues de structure mélodique perceptible.

En outre, le terme trouve une application métaphorique, illustrée par le roman de Don DeLillo de 1985, White Noise. Cette œuvre littéraire étudie les manifestations convergentes de la culture contemporaine qui entravent la capacité d'un individu à actualiser ses idées et son identité personnelles.

Bruit blanc (White noise)