Processus stochastiques et traitement statistique de signaux aléatoires

Dimension: px
Commencer à balayer dès la page:

Download "Processus stochastiques et traitement statistique de signaux aléatoires"

Transcription

1 GEI 756 Processus stochastiques et traitement statistique de signau aléatoires Bloc : Notions de base Semaine 3: Introduction au processus stochastiques Denis Gingras Janvier 03 Plan du cours Définition d un processus stochastique Moments statistiques d un processus stochastique Corrélation et covariance: cas gaussien simple Propriétés Indépendance Orthogonalité Corrélation Stationnarité Ergodisme Processus stochastiques - cas discret héorème de Einstein-Wiener-Khinchin Densité spectrale de puissance et décomposition de Wold Échantillonnage d un processus stochastique Bruit «blanc» et processus à bande passante ransformée de Karhunen-Loève Processus composé ou processus stochastique double Processus périodiques et quasi-périodiques

2 Définition d un processus stochastique Préambule: Dans le cours précédent, nous avons étudié les notions de probabilité, de variables aléatoires et de vecteurs aléatoires, ainsi que leurs propriétés statistiques. Aujourd hui nous allons aborder le concept de processus stochastiques et de signau aléatoires. Grossièrement, on peut considérer un processus aléatoire comme étant une suite infinie de variables aléatoires qui évolue dans le temps ou dans l espace. On passe donc de la variable aléatoire (un seul élément) à un vecteur aléatoire (nombre fini de variables aléatoires) à un processus aléatoire (nombre infini de variables aléatoires) 3 Définition d un processus stochastique Soit le résultat d une epérience aléatoire. Supposons que pour chaque résultat de l epérience nous assignons un signal Xt (, ). La collection de tels signau constitue un processus stochastique. L ensemble des epériences iet la variable t peuvent être continus ou discrets. X ( t, ) Xt (, ) Pour une epérience fiée { k }, le signal correspondant X k X ( t, k) est une fonction du temps, i.e. une réalisation du processus. Lorsque c est le temps qui est fié, X ( to) X ( to, ),nous avons alors une variable aléatoire. L ensemble de toutes les réalisations des epériences au cours du temps forme le processus stochastique Xt (). n X ( t, ) k X ( t, ) X ( t, ) 0 X ( t, ) t t t 4

3 Définition d un processus stochastique Un signal aléatoire temporel est une fonction de deu variables. L'une des variables prend ses valeurs dans l espace réel ou complee (e. le temps), l'autre étant la réalisation d'une variable aléatoire. Variable indépendante, e. : temps Xt (, ) Résultat d une epérience aléatoire À t fié, Xt (, ) est une v.a. À fié, Xt (, ) est un signal temporel (une «trajectoire» du processus) Si t est à temps discret on parle alors de suite ou de séquence aléatoire 5 Définition d un processus stochastique Soit ( n); n Z une suite de variables aléatoires Pour chaque n ; f n ( ) densité de probabilité de ( n) moments E n E n [ ( )], [ ( )], si n est le temps : série temporelle, ie, signal aléatoire Le modèle mathématique du processus physique sous - jacent générant le signal aléatoire est appelé processus aléatoire ou processus stochastique. Remarque : pour une variable aléatoire réalisation pour un signal aléatoire ensemble de réalisations réparties dans le temps appelé " trajectoires". 6 3

4 Définition d un processus stochastique rajectoires d'un signal aléatoire. Variable aléatoire = nombre réel dont la valeur est imprévisible avant de l'observer lors d'une epérience. Réalisation de = valeur prise par lors d'une epérience. Signal aléatoire (t) = signal dont tel que pour tout t, (t) est une variable aléatoire. Réalisation d'un signal aléatoire (t) = ensemble des valeurs prises par les v.a. (t) quand t varie. Appelé aussi trajectoire. 7 Définition d un processus stochastique Fonction aléatoire = processus stochastique continu: t prend un continuum de valeurs sur un interval Suite aléatoire = processus stochastique discret {...,,0,,,...} On associe à chaque instant t une variable (ou un vecteur) aléatoire Modélisation de grandeurs pour lesquelles impossible de prédire une valeur eacte à un instant futur. 8 4

5 Signau aléatoires Eemples (n) bruit n (n) séquence binaire codée n.75v V (n) tension de batterie n 9 Signal aléatoire : un eemple avec trajectoires (-3) (n) Bruit: trajectoire n X (-3) (n) Bruit: trajectoire n E[(-3)] E((n)) Bruit: moyenne d ensemble de trajectoires n 0 5

6 Signal aléatoire : un eemple avec trajectoires (-3) (n) Bruit: trajectoire moyenne temporelle n X(-3) (n) Bruit: trajectoire moyenne temporelle n E[(-3)] E((n)) Bruit: moyenne d ensemble des trajectoires moyenne temporelle n Processus stochastiques Soit X(t) un signal aléatoire. Lorsque t est fiée, alors X(t) représente une v.a. Sa distribution est donnée par, F X (, t) F X (, t) P{ X ( t) } Notez que dépend de t, puisque pour différentes valeurs de t, nous obtenons différentes v.a. car elles n ont pas nécessairement des propriétés statistiques identiques. De plus, f (, t) X df (, t) X d représente la PDF (ordre ) du processus X(t). 6

7 Processus stochastiques Eemple: Soit La fonction X ( t) cos( 0t ), où est une v.a. distribuée uniformément entre -π et π, avec α et ω o constants. X(t) est un processus aléatoire (p.a.) et dépend de t, puisque pour différentes valeurs de t, nous obtenons différentes v.a. Pour t fie, montrez que la PDF du er ordre de la v.a. correspondante est donnée par, 3 Processus stochastiques Éléments de solution La fonction ( t) cos( 0t ), f, g( ) cos 0t dcos d f f ( ) d d 0t cos 0t d d f f ( ),0 d d 4 f,0, 7

8 Processus stochastiques Pour t = t et t = t, X(t) représente deu v.a. différentes X = X(t ) et X = X(t ). Leur distribution jointe est,, t, t ) P{ X ( t ), X ( t ) } Et la fonction F X ( f (,, t, t ) X F (,, t, t ) X Représente la densité de e ordre du processus X(t). De manière similaire la fonction f X (,, n, t, t, tn) représente la densité du n ième ordre du processus X(t). La détermination complète du processus requiert la connaissance de la PDF (ordre n) f X (,, n, t, t, tn) t i, i,,, n pour tout t et pour tout n (impossible en pratique) 5 Processus stochastiques Fonction de distribution et densité de probabilité générales Distribution ou fonction de répartition (Cumulative distribution function) d un processus aléatoire F (, t,...,, t ) P( ( t ),..., ( t ) ) n n n n t t t,..., t ou i j n Fonction de densité de probabilité d ordre n F (, t,..., n, tn) f(, t,..., n, tn)... n 6 8

9 Moments d un processus stochastique Espérance mathématique m ( t ) f (, t ) d E ( ( t )) Fonction d autocorrélation Covariance (moment d ordre ) R ( t, t ) E( ( t ) ( t ) ) f (, t,, t ) d d La covariance "mesure" une dépendance linéaire entre les différentes valeurs d'un signal aléatoire. C ( t, t) E(( ( t) m( t))( ( t) m( t) ) Covariance croisée (mutuelle) entre deu processus C ( t, t ) E(( ( t ) m ( t ))( y( t ) m ( t ) ) y y NB: Ce sont des moyennes d ensemble, pas des moyennes temporelles! Hypothèse : une infinité d'epériences dans des conditions identiques 7 Moments d un processus stochastique Coefficient de corrélation du processus est défini par r ( t, t ) C ( t, t ) C ( t, t ) C ( t, t ) Variance ( t) C ( t, t) E(( ( t) m )( ( t) m ) ) 8 Lien entre covariance et corrélation croisées C ( t, t ) R ( t, t ) m ( t ) m ( t ) y y y NB: Les deu processus sont orthogonau si Ry ( t, t ) 0, t, t Les processus sont non-corrélés si Cy ( t, t) 0, t, t Cas scalaire et application à la variance ( t) R ( t) m ( t) 9

10 Moments d un processus stochastique Eemple La fonction X ( t) acos( 0t ), où est une v.a. distribuée uniformément entre 0 et π, a est également une v.a., indépendante de. rouvons la fonction d auto-corrélation R 9 R ( t, t) E a cos( ot ) a cos( ot ) E cos( ( )) cos( ) a o t t E ot ot or Ecos( ot ot ) cos( ot ot ) d 0 donc, R ( t, t) E a cos( o( t t)) NB: Constante positive Cas d un processus stochastique gaussien Un processus (t) est normal (gaussien) si les v.a. ( t), ( t),... ( t n ) sont conjointement normales. Cas scalaire Cas vectoriel ( m( t)) pn (, t) ep( ) ( t) ( t) pn (, t) ep n ( ) det C ( t) ( m ( t)) C ( t)( m ( t)) 0 0

11 Processus stationnaire Le comportement statistique d'une processus aléatoire n'est pas nécessairement identique à un temps t et t quelconque. Pour s'affranchir de cette difficulté, on définit la notion de stationnarité d'un signal Définition Au sens strict les densités de probabilité jointe de tout les v.a. sont invariantes dans le temps. f (, t,...,, t ) f (, t,...,, t ) n n n n pour tout réel et pour tout entier n Les caractéristiques statistiques sont indépendantes du temps. Cette hypothèse est difficile à vérifier dans le cas pratique Processus stationnaire Définition Au sens large, processus faiblement stationnaire (ordre ) E((t)) indépendante de t, variance indépendante de t. Dans le cas stationnaire, la fonction de covariance ne dépend plus que de l'intervalle entre les deu variables de temps considérées C ( t, t ) C ( t t ) C ( ), C ( ) C C, ij, ii, jj Stationnaire au sens strict Faiblement stationnaire Inverse n est pas vérifié sauf pour un processus gaussien Dans un contete applicatif, on se limite, généralement au cas de stationnarité d'ordre (au sens large). Invariance temporelle des corrélations et des covariances Pour un processus stochastique scalaire C ( )

12 Processus stationnaire Eemple: où a et b sont v. a. réelles. Vérifions si ce processus est stationnaire. a) Au sens large (SSL) ordre E ( t) E a cos( t) E b sin( t) 3 Soit la fonction ( t) a cos( t) bsin( t), o E a et E b sont des constantes 0 0 ( t) est stationnaire ( SSL) uniquement si E a 0 et E b 0. Au sens large (SSL) ordre E( t) ( t ) E ( a b )cos( o ) ( a b )cos( ot o ) absin( ot o ) donc R est indépendante de t ssi Eab 0, et E a E b, constante R ( ) cos( o ) Autrement dit, (t) est SSL seulement si a et b sont v. a. à moyenne nulle, non-corrélées et de même variance. o Processus stationnaire Eemple: b) Au sens stricte (SSS) Posons, 4 Vérifions si le processus est stationnaire. ( t ) a cos( t ) bsin( t ), 0 0 si t / 4, alors ( t ) ( t ) asin( t ) bcos( t ), f (, t,...,, t ) f (, t,...,, t ) peut s ' écrire, n n n n f (, ; t, t ) f (, ;0, ) 0 0 Le membre de droite est la PDF conjointe f ab (a,b) car (0)=a et (Π/ω o )=b. Le membre de gauche est indépendant de t si la fonction 0 f (, ; t, t ) g g a b Il revient à dire que si (t) est stationnaire (SSS), alors f ab (a,b) est circulairement symétrique. Montrez que l inverse est aussi vrai.

13 Processus stationnaire Stationnarité : définition cas discret les propriètés statistiques sont indépendantes du temps ( n) ie, E[ ( n) ( n k ) ( n k )... ( n k )] est indépendant de n l0 l l lm autocorrelation E n n k R k (n) [ ( ) ( )] ( ) M n f f f ( ) ( 4) (7) () () ( 4) ( ) (3) (6) 5 Ergodisme Dans la pratique, on ne dispose souvent que d'une réalisation du phénomène aléatoire. Il devient donc difficile de caractériser statistiquement le signal aléatoire. L'hypothèse d'ergodisme consiste à admettre que l'évolution d'un signal aléatoire au cours du temps apporte la même information qu'un ensemble de réalisations du processus à un temps fie t o. Si un signal est stationnaire et ergodique d ordre, alors, 6 E( t) lim ( t) dt E( t) ( t ) lim ( t) ( t ) dt, ; converge avec probabilité Attention: En pratique, pour un temps à durée finie, ces quantités sont elle-mêmes des v.a.! 3

14 Ergodisme Processus faiblement stationnaire ergodique Moyennes d ensemble = Moyennes temporelles m E( ( t)) lim ( t) dt N mˆ () i N i NB: On peut étendre la notion d ergodisme pour d autres types de moyennes arithmétiques, comme pour la corrélation et la covariance (convergence au moindres-carrés, i.e. erreur quadratique tend vers 0). 7 C ( ) E( ( t ) ( t) ) lim ( ( t ) m)( ( t) m) dt ˆ C ( ) ( ( i k) m )( ( i) m ) cas discret fini Nk N i Ergodisme Eemples Cas ergodique Fonction du résultat d'un jet de dé toutes les minutes. Le processus est stationnaire et ergodique Cas non-ergodique f( t, ) i i où l'epérience suit une loi uniforme entre 0 et. Le processus est stationnaire mais non ergodique i 8 4

15 Ergodisme Un signal aléatoire stationnaire discret est ergodique si les moments calculées à partir d une trajectoire (moyennes temporelles) et ceu calculés à partir de moyennes d ensemble pour un temps fie sont égau. 9 si seulement m( ) alors ergodicité d ' ordre si de plus E[ ( n) ( n k] R( k) lim ( n) ( n k) N n alors ergodicité d ' ordre En général, on se limite au moments d ordre deu (cas gaussien). Selon plusieurs auteurs, pour être ergodique, un signal aléatoire doit être stationnaire au sens large. Certains auteurs récemment ont démontré qu un signal aléatoire dans certains casparticuliers peut être ergodique sans être stationnaire. Il n y a pas de consensus dans la littérature sur cette question. Ici nous considérons qu en pratique un signal aléatoire ergodique est stationnaire au sens large. Stationnarité vs Ergodisme Attention: Stationnarité n'implique pas nécessairement ergodisme Ergodisme implique habituellement la stationnarité au sens faible L'ergodisme simplifie grandement l'analyse de signau aléatoires Ergodisme => Histogramme est une estimation de la PDF s.a. stationnaire Signal aléatoire s.a. ergodique 30 5

16 Processus stochastiques discrets Un processus stochastique discret X n = X(n) est une suite ou une séquence de v.a. La moyenne et la fonction d autocorrélation sont données par, Et la covariance par E{ X ( n)} n R ( n, n ) E{ X ( n) X ( n )} * C ( n, n ) R ( n, n ) * n n Comme auparavant, les notions de stationnarité et d ergodisme s applique ici aussi. Par eemple, X(n) est stationnaire (SSL) si, E { X ( n)}, a constant E X n k X n R k R R * * [ {( ) } {( ) }] ( ) k k i.e., R(n, n ) = R(n n ) = R*(n n )= R(k). 3 Processus stochastiques discrets La propriété semi-positive définie de la séquence d autocorrélation permet de l eprimer sous forme de matrice oeplitz Hermitienne comme suit: 3 R0 R R R R R R R R R R R R * 0 k * * * * k k 0 k R k 0,,,,. Dans le cas d un processus discret (SSL) X(n ) ayant une séquence d autocorrélation { R } k, provenant d un processus continu X(t ) échantillonné, on a les relations suivantes: X ( n) X ( n ) X ( t) ( t n ) R k R k E n n k R k XX * ( ) ( ) ( ) ( ) ( ) ( ) 6

17 Moments d un processus stochastique discret Ensemble fini de points n=[-n/,n/]: on doit se contenter d une estimation. N / Estimateur de la moyenne mˆ ( ) ( n) N nn/ Estimateurs de la Variance n n n m N N / var( ) ( ) [ ( ) ( ) ˆ ( )] nn/ Estimateurs de la fonction d ' autocorrélation N/k ˆ RSB( k) ( n k) ( n) sans biais N nn/ N/k ˆ RASB( k) ( n k) ( n) asymptotiquement sans biais N k nn/ 33 Moments d un processus stochastique discret Quelques propriétés de la fonction d autocorrélation R k R k symétrie * ( ) ( ), n 0 * a n R n n n0 a n0 a n ( ) ( ) ( ) 0, ( ), définie semi positive ( ou non négative) R (0) R ( k), k

18 Moments d un processus stochastique discret Pour le cas vectoriel, les matrices de corrélation et de covariance sont définies respectivement par, * R E - * - C E m m où ( n ), ( n ), ( n ),... ( n ) N m m ( n0 ), m ( n0 ), m ( n0 ),... m ( n0 N ) 35 Moments d un processus stochastique discret Cas vectoriel Lorsque le processus est stationnaire, la matrice de corrélation est de la forme, R R(0) R ( ) R ( ) R( N ) R () R (0) R ( ) R ( N ) R ( N ) R( N ) R( N 3) R(0) Pour un processus stationnaire, elle est donc de forme oeplitz. Pour le cas complee, elle est hermitienne, i.e., R R * 36 8

19 Moments d un processus stochastique discret Eemple Soit l estimé de la moyenne d un processus discret stationnaire. On s aperçoit que Et sa variance est, M m -M i m M -M M k mˆ M mˆ ( i), N M N i M est une v.a. dont la moyenne est donné par, E mˆ E, donc un estimé non biaisé M M * * ˆ ˆ m E m ( ( ) ) ( ( ) ) E i k N im km M M * * mˆ E ( ( ) )( ( ) ) i k N im km m C ( i k) C ( m)( ), 0 ssi, C ( m) 0. N N M M M M M M mˆ.. MS im k M m M m0 37 Moments d un processus stochastique discret Cas vectoriel Soit a un vecteur quelconque de N éléments, la version matricielle de, n 0 * a n R n n n0 a n0 a n ( ) ( ) ( ) 0, ( ), devient * a R a 0 Ce qui implique que la matrice inverse R - eiste presque toujours. Si nous appliquons l opération de renversement au vecteur, i.e., alors ( n ), ( n ),..., ( n ), ( n ) 0N 0N 0 0 R R R 38 9

20 Moments d un processus stochastique discret Cas vectoriel La matrice R de dimension N N peut être répartie de deu façons possibles, devient avec * * r(0) r RN r R RN ou r R N r r(0) r(0) R (0), r R (),..., R ( N ) r R ( N ),..., R () Ces équations sont très utiles pour déterminer la structure en treillis de filtres adaptatifs. 39 Moments d un processus stochastique Cas vectoriel De façon similaire, les matrices de corrélation et de covariance croisées (conjointes) sont données par, * R E y y et C E m m * y - y - y avec y y( n ), y( n ), y( n ),... y( n ) N my my( n0), my( n0 ), my( n0),... my( n0 N ) Pour le cas de processus stationnaire, ces matrices ont habituellement une structure oeplitz (tous les éléments de chacune des diagonales sont égau). Si les matrices sont carrés, elles seront oeplitz mais pas nécessairement la symétrie hermitienne (éléments sous la diagonale principale n égalent pas les éléments complees conjugués au dessus de la diagonale principale). Important: Ces deu matrices ne sont pas nécessairement carrés ni hermitienne! Cependant la matrice de corrélation conjointe a la structure oeplitz. 40 0

21 Moments d un processus stochastique discret Quelques propriétés de la fonction de corrélation croisée: Les fonctions de corrélation et de covariance croisées n ont pas de propriétés spéciales de symétrie, sauf si on inverse et y dans le cas complee. 4 R k R k R k R k * * y ( ) y ( ), mais y ( ) y ( ) C k C k C k C k * * y ( ) y ( ), mais y ( ) y( ) Par ailleurs, la magnitude de la fonction de corrélation croisée est bornée par la moyenne géométrique et la moyenne arithmétique des fonctions d autocorrélations. / R ( k) R (0) R (0) y yy Ry ( k) R (0) Ryy (0) Signal aléatoire :eemple de corrélation Réalisation de deu séquences aléatoires a) [n]; b) [n] versus [n+5]; c) la fonction d'autocovariance. 4

22 Moments d un processus stochastique Moyenne, variance, écart type, histogramme d un processus stochastique stationnaire ergodique: une seule trajectoire suffit Écart type Moyenne X X X X 43 Densité Spectrale de Puissance Comment définir la densité spectrale de puissance du procesus (t)? A priori on serait tenter de prendre la forme suivante: ft () t e dt Cependant, c est incorrect car cette quantité est elle-même aléatoire et dépend de la trajectoire du processus aléatoire. De plus, cette quantité n a pas de sens mathématique car (t) ne tend pas vers 0 si t tend vers. En fait, un signal aléatoire ne possède pas de transformée de Fourier. La F d une trajectoire (réalisation) du signal aléatoire est elle-même une quantité aléatoire. Cependant, on peut associer au processus stochastique une notion de densité spectrale de puissance (DSP). Pour ce faire, on doit définir une «transformée de Fourier moyenne» et donc de bande passante moyenne du processus. 44

23 Densité Spectrale de Puissance Une manière de faire est d utiliser la forme suivant. Notez que l opérateur d espérance mathématique est nécessaire. A j ft S( f ) lim E ( t) e dt A A A Le terme /A évite la divergence de l intégrale. L opérateur E reflète le caractère moyen de cette définition. Important: Mauvais, car l écart-type est de l ordre de S (f) si A est grand. hèoreme de Einstein-Wiener-Kintchine La densité spectrale de puissance S XX (ω) d'un processus aléatoire stationnaire s'obtient comme la transformée de Fourier de sa fonction d'auto-corrélation. j d d j k S( ) R( ) e d, S( ) R ( k) e k 45 Densité Spectrale de Puissance Si le signal est ergodique, l estimé de la fonction d'auto-corrélation peut être obtenu à partir d'une seule réalisation du signal. De plus, la variance d un processus centré peut s eprimer par, R (0) S ( ) d, d d d R (0) S ( ) d NB: L intégrale de la densité spectrale de puissance (DSP) correspond à de la puissance (watt). Décomposition de Wold De façon générale, une DSP peut s eprimer par composants, S S P ' ( ) ( ) i ( i ) i Une partie régulière (continue) et une partie singulière (impulsions périodiques) 46 3

24 Densité Spectrale de Puissance Quelques propriétés: En effet, Par ailleurs, jk * jk jk ( ) (0) ( ) ( ) (0) Re ( ) k k k S R R k e R k e R R k e S ( ) est non négatif, i. e. S ( ) 0 S ( ), est réel Cette propriété vient du fait que, Et S ( ) lim E X ( ), où X ( ) ( n) e N N N n0 jn k E X ( ) R ( n k) e R ( k) e N N N ( ) N N N j nk jk n0 k0 kn La quantité E X N se nomme le périodogramme. On verra plus en détails ses propriétés à la 3 e semaine. 47 Densité Spectrale de Puissance Processus ayant une fonction de corrélation de type eponentielle Un grand nombre de processus aléatoires réguliers possèdent une fonction de corrélation de type eponentielle. Les processus ayant cette fonction de corrélation peuvent s eprimer sous une forme récursive (équations de différences ou différentielles). Ils sont des processus dénommés tout-pôles et nous verrons plus tard qu ils correspondent à des modèles dits auto-régressifs (AR). Leur fonction de corrélation est donnée par, k, k 0 j R( k), où e, * k ( ), k 0 Pour cette famille de processus, la DSP s eprime par, S ( ) ( ) cos( ) 48 4

25 Densité Spectrale de Puissance Processus ayant une fonction de corrélation de type eponentielle Pour le cas où le processus est réel, nous avons, R k R k k ( ) ( ), et la DSP devient, S ( ) ( ) cos( ) Notez que la fonction de corrélation est strictement positive lorsque, 49 Densité Spectrale de Puissance Eemple: reprenons le processus stochastique avec R k k ( ), n n n n n n S () z z z z n n0 n Le premier terme de droite correspond à une série géométrique. On sait que n k aq k n a q, q q Par substitution (attention au domaines de validité!) on obtient pour n positif ou = 0 z z, z ou z n n n n0 n0 z 50 5

26 Densité Spectrale de Puissance Pour n négatif, le deuième terme s écrit, n n 0 n z z z z, z / n n n Pour ce domaine de validité, ceci est équivalent à, n 0 n n z z z zz, z / z n n0 La DSP complee devient alors, ( ) S ( z), z z z NB: La transformée en z de R eiste seulement si 5 Densité Spectrale de Puissance Pour un processus réel, la DSP est aussi une fonction paire en ω, i.e., La DSP croisée entre (n) et y(n) s eprime par, Où Quelques propriétés: 5 ( ) S ( ) Et une fonction périodique si le processus est discret. S S jk Ry ( k) Sy ( ) e d j k Sy ( ) Ry ( k) e k Le spectre croisé mesure la corrélation entre les processus à une fréquence donnée ω o ( ) S ( ) S S et S S si les processus sont réels * * y ( ) y ( ), y ( ) y ( ). 6

27 Densité Spectrale de Puissance La fonction de cohérence est définie par le spectre normalisé y ( ) S S y ( ) ( ) S ( ) yy y Sy ( ) ( ) S ( ) S ( ) yy Elle possède la propriété suivante, 0 ( ) y 53 Densité Spectrale de Puissance La densité spectrale complee dans le domaine de la transformée en z est également très importante. k S ( z) R ( k) z La DSP est 54 S () z Son inverse est donnée par, k évalué sur le cercle unitaire. j k R ( k) S( z) z dz C Où le contour d intégration C se prend dans le sens antihoraire et dans la région de convergence. Utilisant la symétrie complee conjuguée de la fonction de corrélation, on peut montrer que S z S z et S z S z pour le cas réel * * ( ) (/ ), ( ) ( ) NB: En présence de singularité, ni la transformée en z, ni son cas particulier, la transformée de Fourier, n eistent à strictement parler. 7

28 Densité Spectrale de Puissance En présence de singularité, il faut alors faire appel à la décomposition de Wold et considérer la partie régulière (continue) du spectre. Cette partie peut se mettre pour la plupart du temps sous la forme d un polynôme rationnel, Ce qui implique, que pour chaque pôle ou zéro qui se trouve à se trouve aussi un pôle ou un zéro correspondant à En d autres termes, les pôles et les zéros se produisent à des locations complees conjuguées dans le plan du cercle unitaire complee. De plus, pour un polynôme réel, les racines se trouvent en paires. Donc pour la DSP complee d un processus réel, nous avons 4 possibilités: 55 S S P ' ( ) ( ) i ( i ) i * zoz zoz / z * o j o zo e z / z z / z * * o o o o z o j o z e o Densité Spectrale de Puissance Voici graphiquement, les 4 cas possibles de positions des racines d une DSP complee (les sont des pôles, les ronds=zéros) /r /r r r Processus complee Processus réel Utilisant la définition de la DSP complee et sachant que R (n) est non-causal, on peut montrer que la région de convergence de S (z) est un anneau limité par, rr z, où rr r 56 R 8

29 Densité Spectrale de Puissance La densité spectrale croisée complee est définie de façon similaire La DSP est Sy () z Son inverse est donnée par, On peut montrer que S ( z) R ( k) z y k y évalué sur le cercle unitaire. j k k Ry ( k) Sy ( z) z dz C S z S z et S z S z pour le cas réel * * y ( ) y(/ ), y( ) y( ) 57 Densité Spectrale de Puissance Eemples Réalisation de deu signau aléatoires a) le signal; b) la fonction d'autocovariance; et c) la densité spectrale de puissance 58 9

30 Échantillonnage de signau aléatoires Soit un processus aléatoire continu (t) que nous allons échantillonner pour obtenir le processus (n) où est la période d échantillonnage. Si la bande passante de la DSP du processus (t) est limitée [-B, B], et si < /B, alors le théorème de Nyquist-Shannon est vérifié, ( t n ) sin ( t n ) ( t) lim n n sinc M. S. k n ( t n ) La fonction de corrélation du processus échantillonné est, 59 R k E n n k R k * ( ) ( ) ( ) ( ) La fonction de corrélation du processus continu peut être reconstruite selon le théorème de Nyquist, k R ( ) lim R ( k )sinc M. S. k k Échantillonnage de signau aléatoires La transformée de Fourier de la séquence des coefficients de corrélation du processus discret est donnée par et définit la densité spectrale de puissance du processus stochastique discret X(n). Puisqu il s agit d un signal continu échantillonné, ayant une bande passante de B à +B avec Alors, SXX ( ) S XX j ( ) R e 0, k B. est une fonction périodique, k S ( ) S ( / ) XX XX 60 30

31 Échantillonnage de signau aléatoires Processus continu à DSP borné Processus continu échantillonné Processus discret 6 Bruit blanc Définition cas continu: On appelle "bruit blanc" un processus aléatoire (t) centré (à moyenne nulle), stationnaire d'ordre, dont la DSP est constante en fréquence. Dans le cas continu, cela veut dire que le processus n est pas limité en fréquence et donc que sa puissance moyenne tend vers l infinie! Il s agit donc d une construction mathématique qui n a pas d eistence propre en pratique. Sa fonction de covariance est donnée par: C ( ) E(( ( t ) m )( ( t) m )) R ( ) N ( ) NB: R(0) n est pas vraiment une variance proprement dit à cause de la singularité. Sa DSP est donnée par: ( ) S N0 Interprétation : toutes les valeurs entre instants sont indépendantes, peu importe la distance entre eu. Un bruit blanc n a aucune mémoire! Application : modèle par ecellence d un bruit sans mémoire. La sortie d un système ecité par un bruit blanc donne habituellement un bruit coloré à la sortie. Attention: Un bruit blanc n est pas nécessairement gaussien! 0 6 3

32 Bruit blanc Définition cas discret: On considère d abord un bruit blanc continu, avec une DSP constante = N 0, mais limitée en fréquence entre B et +B. La fonction de covariance devient donc, C (τ)= E(((t+τ)- m )((t)- m ))= R (τ)= BN sinc Bτ 63 Et pour la DSP, on a, S ( ) N, B 0 0, ailleurs Donc, une suite (ou séquence) blanche aléatoire est un processus stochastique discret correspondant au cas échantillonné et limité en fréquence avec =/B, stationnaire SSL, tel que, BN0 pour k 0 R ( k) C( k) 0 pour k,,... d S ( ) o Processus à bande passante étroite Soit un processus réel à bande passante qui s eprime par la forme canonique ( t) cos( t) sin( t), B P 0 Q 0 Où P et Q sont des processus à bande limitée [-B,B] et la fréquence centrale f o est supposée >> B. Associé à ce processus à bande passante, on peut associer le processus complee (enveloppe) et sa fréquence porteuse f 0 w( t) P( t) jq( t) i Donc, f0t i 0 0 f t * i ( ) Re ( ) ( ) ( ) f t B t w t e w t e w t e On peut calculer sa fonction d autocorrélation, qui donne, R ( ) E ( t) ( t ) B B B 64 i f0 i f0 t Rww e E w t w t e Re ( ) Re ( ) ( ) 3

33 Processus à bande passante étroite Pour que B (t) soit stationnaire au sens large, il est nécessaire et suffisant que le e terme à droite =0, car il est le seul qui dépend de t, donc il faut que, E w( t) w( t ) 0 Satisfaire cette condition permet d eprimer la fonction de corrélation du signal à bande étroite réel en fonction des parties réelles et imaginaires de la fonction d autocorrélation complee de l enveloppe. On peut alors trouver que, * Rww ( ) E w( t) w ( t ) R ( ) j R ( ) P P Q Donc, R ( ) R ( ) Re R ( ) P Q ww et R ( ) R ( ) Im R ( ) P Q Q P ww Et la fonction de corrélation du processus réel à bande passante devient, R ( ) R ( )cos( ) R ( )sin( ) Re R ( ) cos( ) Im R ( ) sin( ) B P o P Q o ww o ww o 65 ransformée de Karhunen-Loève Représentation en série orthonormée d un processus stochastique Étant donné un processus stochastique quelconque. Est-ce que l information qu il contient peut être représentée en terme d un ensemble de v.a. dont l importance décroit selon un arrangement quelconque? Autrement dit, pouvons-nous décomposer le processus en une combinaison de fonctions de bases orthonormales? Il est souvent utile en traitement du signal d avoir une base de fonctions pour laquelle les composantes du signal sont également orthogonales. Lorsque le processus est stationnaire et que le temps d observation du signal est long par rapport à la durée non-négligeable de la fonction de corrélation, alors les eponentielles complees de la DF fournissent une telle base. Mais il est possible de trouver une telle epansion en série pour un temps d observation court et pour des signau non-stationnaires. (Karhunen-Loève) D autres formes de décompositions eistent, telles celles de Haar, Hadamar, etc

34 ransformée de Karhunene-Loève Représentation en série orthonormée d un processus stochastique Ici nous allons étudier une transformation qui permet de décomposer un processus aléatoire en composant ortho-normau et avec des coefficients non-corrélés or statistiquement orthogonal. Soit une séquence aléatoire, représentée par une combinaison linéaire de fonctions orthonormées, N N * ( ) ii ( ), i ( ) i ( ), i n0 n c n où c n n L epansion est orthonormée si, N n0 *, i ( n) j( n) 0 i j i j 67 ransformée de Karhunene-Loève Représentation en série orthonormée d un processus stochastique On désire trouver les fonctions de base tel que, E c c * i j j ij i.e., si (n) est centré, les variables aléatoires c i sont non-corrélées. Sous forme matricielle, nous aurons la transformée de Karhunene-Loève et son inverse * = c, c = = * E c c diag I * i j ii 68 34

35 ransformée de Karhunene-Loève Représentation en série orthonormée d un processus stochastique La matrice de corrélation des coefficients aléatoires c i s eprime par, i.e., si (n) est centré, les variables aléatoires c i sont non-corrélées. Sous forme matricielle, nous aurons, * R diag ii 69 * * * * E cc E R On voit que nous avons la même forme que la décomposition en vecteur propres et en valeurs propres de la matrice de corrélation. La transformée de KL est unique et l ensemble des fonctions orthonormées correspond au vecteurs propres de la matrice de corrélation. E et ii R i i i ou N R ( n k) ( k) ( n) i i i k0 ransformée de Karhunene-Loève Epansion d un processus aléatoire discret en un ensemble de fonctions orthonormales. AENION: ce n est pas la décomposition d une seule trajectoire, mais bien celle du processus stochastique! 70 35

36 ransformée de Karhunene-Loève Les quatre premiers vecteurs propres du processus stochastique ayant pour fonction d auto-corrélation R ( ) 0.5 l l 7 ransformée de Karhunene-Loève Représentation en série orthonormée d un processus stochastique Une utilisation importante de la KL est lorsque nous voulons trouver une représentation optimale tronquée utilisant moins de N fonctions orthonormales. Une raison courante arrive lorsque nous avons un signal entaché de bruit additif et que vous voulons séparer le signal du bruit. En utilisant une version tronquée du signal, une partie importante du bruit est éliminée tout en conservant intact l essentiel du signal. Cette approche est utilisée dans de nombreuses situations, également en analyse spectrale pour la séparation de signau. Si les valeurs propres sont classées dans l ordre décroissant, i.e., N Alors l erreur de l approimation de (n) par une somme partielle de M fonctions ortho-normales, sera minimisée en moyenne quadratique M ˆ( n) c ( n), où M N i i i 36

37 ransformée de Karhunene-Loève Représentation en série orthonormée d un processus stochastique L erreur quadratique moyenne est, N N ( ) ( ) ˆ( ) n0 n0 E e n E n n i En effet, puisque, M ( n) c ( n) c ( n) ˆ ( n) i i i i i i M N N N Et * * * E e e E ci i c jj im jm N im N N N * * i i i i im im im E e e E c R 73 ransformée de Karhunene-Loève Représentation en série orthonormée d un processus stochastique Pour minimiser l erreur quadratique moyenne, on peut montrer, utilisant les multiplicateurs de Lagrange, que nous devons trouver le zéro du gradient de l équation suivante, Ce qui donne, 74 N N * * i R i i i i im im L ( ) L R 0, i M, M,..., N i i i i Ainsi, l ensemble optimal de fonctions de base pour une représentation tronquée d un signal aléatoire est constitué des vecteurs propres de R correspondant au M plus larges valeurs propres les plus grandes. L utilisation des vecteurs propres de R pour caractériser et séparer les portions signal/bruit constitue l une des pierres angulaires du traitement statistique des signau. 37

38 Processus stochastique double On appelle un processus stochastique double ou processus composé un processus dont la densité de probabilité est-elle-même aléatoire. Par eemple, un processus où la moyenne ou la variance est une variable aléatoire. Quelques eemples: ) Un processus de Poisson où λ (intensité) est une v.a. ) Un processus de Markov caché 3) Un processus ponctuel aléatoire du type, ( t) A ( t t ) i Où les t i et les A i suivent deu distributions différentes. Ce type de processus décrit par eemple la sortie d un photomultiplicateur. i i 75 Processus périodiques et quasi-périodiques Un processus aléatoire est dit périodique de période P si la PDF vérifie f (,,, t, t, t ) f (,,, t k P, t k P,, t k P) X n n X n n n Ceci implique que les moments statistiques sont également périodiques E{ X ( n)} E{ X ( n kp)} R( n, n ) E{ X ( n ) X ( n )} E{ X ( n k P) X ( n k P)} * * R( n, n ) R( n k P, n k P) Ces epressions montrent que la matrice de corrélation d un processus périodique est circulaire dont les éléments d une ligne correspondent à la rotation de la ligne précédente. Or toute matrice circulaire accepte comme vecteurs propres, les vecteurs de la DF. Si le processus est stationnaire SSL et périodique, alors R( l) R( l k P), C( l) C( l k P) 76 38

39 Processus périodiques et quasi-périodiques Un processus est dit périodique si /,ensemble des nombres rationels 0 Dans le cas contraire, le processus ne répète jamais eactement la même période. Pourtant sa forme semble périodique. On donne le nom quasi-périodique à ce type de signau. Important: On peut montrer que: La transformée de Karhunen-Loève discrète pour la DSP d un processus stationnaire périodique est identique à la transformée de Fourier discrète (DF) de la fonction de corrélation. Si la DF de la fonction de corrélation d un processus stochastique quelconque est calculée pour un intervalle de temps suffisamment long, le résultat est quasi-identique en pratique à la KL discrète. (En effet lorsque le délai est suffisamment grand, la valeur des coefficients de corrélation tend vers 0 (ou les coefficients de Fourier deviennent non-corrélés)

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Continuité et dérivabilité d une fonction

Continuité et dérivabilité d une fonction DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité

Plus en détail

Exo7. Limites de fonctions. 1 Théorie. 2 Calculs

Exo7. Limites de fonctions. 1 Théorie. 2 Calculs Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication

Plus en détail

TD1 Signaux, énergie et puissance, signaux aléatoires

TD1 Signaux, énergie et puissance, signaux aléatoires TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Planche n o 22. Fonctions de plusieurs variables. Corrigé

Planche n o 22. Fonctions de plusieurs variables. Corrigé Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Développements limités, équivalents et calculs de limites

Développements limités, équivalents et calculs de limites Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Communications numériques

Communications numériques Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Chapitre 6. Fonction réelle d une variable réelle

Chapitre 6. Fonction réelle d une variable réelle Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette

Plus en détail

DÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation )

DÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation ) DÉRIVÉES I Nombre dérivé - Tangente Eercice 0 ( voir animation ) On considère la fonction f définie par f() = - 2 + 6 pour [-4 ; 4]. ) Tracer la représentation graphique (C) de f dans un repère d'unité

Plus en détail

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2. Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3

Plus en détail

Chapitre I La fonction transmission

Chapitre I La fonction transmission Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés

Plus en détail

Cours d analyse numérique SMI-S4

Cours d analyse numérique SMI-S4 ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,

Plus en détail

Dérivation : cours. Dérivation dans R

Dérivation : cours. Dérivation dans R TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****

Plus en détail

aux différences est appelé équation aux différences d ordre n en forme normale.

aux différences est appelé équation aux différences d ordre n en forme normale. MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire

Plus en détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en détail

Comparaison de fonctions Développements limités. Chapitre 10

Comparaison de fonctions Développements limités. Chapitre 10 PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)

Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre

Plus en détail

Problème 1 : applications du plan affine

Problème 1 : applications du plan affine Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées

Plus en détail

Chapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme

Chapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

Plus en détail

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,

Plus en détail

Chapitre 2 Les ondes progressives périodiques

Chapitre 2 Les ondes progressives périodiques DERNIÈRE IMPRESSION LE er août 203 à 7:04 Chapitre 2 Les ondes progressives périodiques Table des matières Onde périodique 2 2 Les ondes sinusoïdales 3 3 Les ondes acoustiques 4 3. Les sons audibles.............................

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

Plus en détail

Cours de Mécanique du point matériel

Cours de Mécanique du point matériel Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m

= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m 1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.

Plus en détail

Suites numériques 4. 1 Autres recettes pour calculer les limites

Suites numériques 4. 1 Autres recettes pour calculer les limites Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est

Plus en détail

I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES

I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Représentation géométrique d un nombre complexe

Représentation géométrique d un nombre complexe CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres

Plus en détail

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE

INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique

Plus en détail

Mesures gaussiennes et espaces de Fock

Mesures gaussiennes et espaces de Fock Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

10 leçon 2. Leçon n 2 : Contact entre deux solides. Frottement de glissement. Exemples. (PC ou 1 er CU)

10 leçon 2. Leçon n 2 : Contact entre deux solides. Frottement de glissement. Exemples. (PC ou 1 er CU) 0 leçon 2 Leçon n 2 : Contact entre deu solides Frottement de glissement Eemples (PC ou er CU) Introduction Contact entre deu solides Liaisons de contact 2 Contact ponctuel 2 Frottement de glissement 2

Plus en détail

F411 - Courbes Paramétrées, Polaires

F411 - Courbes Paramétrées, Polaires 1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013

Plus en détail

Systèmes de transmission

Systèmes de transmission Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un

Plus en détail

Echantillonnage Non uniforme

Echantillonnage Non uniforme Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas

Plus en détail

Analyse en Composantes Principales

Analyse en Composantes Principales Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées

Plus en détail

Équations non linéaires

Équations non linéaires Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et

Plus en détail

STATIQUE GRAPHIQUE ET STATIQUE ANALYTIQUE

STATIQUE GRAPHIQUE ET STATIQUE ANALYTIQUE ÉCOLE D'INGÉNIEURS DE FRIBOURG (E.I.F.) SECTION DE MÉCANIQUE G.R. Nicolet, revu en 2006 STATIQUE GRAPHIQUE ET STATIQUE ANALYTIQUE Eléments de calcul vectoriel Opérations avec les forces Equilibre du point

Plus en détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin. Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

Systèmes de communications numériques 2

Systèmes de communications numériques 2 Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université

Plus en détail

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul fonctionnel holomorphe dans les algèbres de Banach Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte

Plus en détail

Équation de Langevin avec petites perturbations browniennes ou

Équation de Langevin avec petites perturbations browniennes ou Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,

Plus en détail

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique : Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de

Plus en détail

Fonctions de deux variables. Mai 2011

Fonctions de deux variables. Mai 2011 Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Exercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument

Exercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

FONCTION EXPONENTIELLE ( ) 2 = 0.

FONCTION EXPONENTIELLE ( ) 2 = 0. FONCTION EXPONENTIELLE I. Définition Théorème : Il eiste une unique fonction f dérivable sur R telle que f ' = f et f (0) =. Démonstration de l'unicité (eigible BAC) : L'eistence est admise - Démontrons

Plus en détail

Oscillations libres des systèmes à deux degrés de liberté

Oscillations libres des systèmes à deux degrés de liberté Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

O, i, ) ln x. (ln x)2

O, i, ) ln x. (ln x)2 EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On

Plus en détail

Représentation des Nombres

Représentation des Nombres Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...

Plus en détail

Exercice : la frontière des portefeuilles optimaux sans actif certain

Exercice : la frontière des portefeuilles optimaux sans actif certain Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué

Plus en détail

J AUVRAY Systèmes Electroniques TRANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE

J AUVRAY Systèmes Electroniques TRANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE RANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE Un message numérique est une suite de nombres que l on considérera dans un premier temps comme indépendants.ils sont codés le plus souvent

Plus en détail

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples 45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et

Plus en détail

Module 7: Chaînes de Markov à temps continu

Module 7: Chaînes de Markov à temps continu Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R

Plus en détail

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

Plus en détail

Modèles et Méthodes de Réservation

Modèles et Méthodes de Réservation Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E

Plus en détail

Exprimer ce coefficient de proportionnalité sous forme de pourcentage : 3,5 %

Exprimer ce coefficient de proportionnalité sous forme de pourcentage : 3,5 % 23 CALCUL DE L INTÉRÊT Tau d intérêt Paul et Rémi ont reçu pour Noël, respectivement, 20 et 80. Ils placent cet argent dans une banque, au même tau. Au bout d une année, ce placement leur rapportera une

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

4 Distributions particulières de probabilités

4 Distributions particulières de probabilités 4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Erratum de MÉCANIQUE, 6ème édition. Introduction Page xxi (milieu de page) G = 6, 672 59 10 11 m 3 kg 1 s 2

Erratum de MÉCANIQUE, 6ème édition. Introduction Page xxi (milieu de page) G = 6, 672 59 10 11 m 3 kg 1 s 2 Introduction Page xxi (milieu de page) G = 6, 672 59 1 11 m 3 kg 1 s 2 Erratum de MÉCANIQUE, 6ème édition Page xxv (dernier tiers de page) le terme de Coriolis est supérieur à 1% du poids) Chapitre 1 Page

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Expérience 3 Formats de signalisation binaire

Expérience 3 Formats de signalisation binaire Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx

Plus en détail

Commun à tous les candidats

Commun à tous les candidats EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle

Plus en détail