Processus Aléatoires
|
|
- Justin Desmarais
- il y a 8 ans
- Total affichages :
Transcription
1 Processus Aléatoires Luc Deneire Iannis Aliferis École Polytechnique de l Université de Nice Sophia Antipolis Polytech Nice Sophia,, deneire@unice.fr
2 Ce document contient une grande partie des informations données au cours et aux TDs. Cela signifie qu il n est en aucun cas complet (auto-suffisant) ; une grande quantité d information (commentaires, explications, diagrammes, démonstrations etc.) est donnée pendant les séances, oralement ou à l aide du tableau, en plus de documents projetés en cours. Les statistiques, c est comme le bikini : ça donne des idées mais ça cache l essentiel Coluche Processus Aléatoires 2
3 Table des matières 1 Introduction De la variable aléatoire vers le processus aléatoire Bibliographie Processus Stochastiques Définition Grandeurs statistiques Stationnarité Stationnarité (au sens large) bm=propriétés de R_X(tau) Cyclo-stationnarité Mesurer l espérance (un peu de Statistique) Ergodicité Interpétation de l espérance et de la variance Densité spectrale de puissance Densité spectrale de puissance (ssl) Densité spectrale de puissance (csl) Densité spectrale de puissance : propriétés Deux processus stochastiques Filtrage d un processus stochastique Processus gaussien : définition Processus gaussien : propriétés Signal binaire aléatoire Exercices Bruit Définition Bruit thermique : definition Bruit thermique : dsp disponible Bruit blanc Bruit coloré
4 4 Signaux passe-bande (rappels) definition Bruit coloré passe-bande Autocorrélation de p.s. complexes Bruit utile Analyseur dynamique Processus aléatoires à temps discret Processus et modèles aléatoires discrets Moyenne, autocorrélation et stationarité La matrice de corrélation Les innovations Modèles stochastiques (AR, MA, ARMA) Les équations de Yule-Walker Prédiction linéaire avant Estimateur MMSE et principe d orthogonalité Filtre de Wiener Filtre de Wiener non-causal Filtre de Wiener causal Filtre de Wiener FIR Prédiction linéaire Prédiction linéaire avant Prédiction linéaire arrière Relation entre prédiction avant et arrière L algorithme de Levinson-Durbin Interprétations des paramètres K m et m Filtres en treillis La méthode des moindres carrés (LS : Least Squares) Introduction Fenêtrage Principe d orthogonalité pour les moindres carrés Equations normales Interprétation géométrique Propriétés de l estimation des moindres carrés Exercices Une ménagerie de Processus Processus de Bernoulli Définition v.a. binomiale, géométrique v.a. Bernoulli v.a. binomiale v.a. Géométrique Indépendance Temps d attente Temps d arrivée Processus Aléatoires 4
5 6.1.9 Exemple de réalisation Séparation de processus Combinaison de processus bm=binomiale -> Poisson bm=binomiale -> Poisson Processus de Poisson Définition bm=nombre d arrivées en tau Première arrivée Indépendance Temps d attente Temps d arrivée Processus de Bernoulli / Poisson «Incidence aléatoire» Exemples de réalisation Exercices Chaînes de Markov Définition Matrice de transition Trajectoires Classification des états Périodicité Comportement à long terme Chaînes ergodiques Processus de naissance et de mort Exercices Syllabus Ce polycopié couvre le cours de Processus Aléatoires, donné en ELEC3, comprenant la partie cours magistral ainsi que les exercices donnés en travaux dirigés. Outre qu il convient (malheureusement ) de rappeler que la présence aux cours et travaux dirigés est obligatoire, il est utile d indiquer que les matières enseignées dans ces cours demandent un travail régulier qui ne peut pas être compensé par un travail, même sérieux, sur un temps court avant les DS (devoirs surveillés). De manière à aider les étudiants motivés que vous êtes à fournir ce travail régulier, les travaux dirigés devront être impérativement préparés chaque semaine, et cette préparation sera sanctionnée par une note de contrôle continu. D autre part, deux devoirs surveillés seront organisés pour chaque cours. Le contrôle des connaissances sera donc organisé de la manière suivante : Processus Aléatoires 5
6 Processus Aléatoires Contrôle continu D.S. 1 (1 ème cours) Pondération 4 % 6 % Le devoir surveillé consistera en une courte question théorique et trois exercices, il sera à livre ouvert (c est-à-dire une copie de ce polycopié, avec annotations possibles, mais sans les solutions des TDs). Le contrôle continu consistera en la préparation d exercices des travaux dirigés. En début de séance, un exercice sera posé en mini DS, sans documents. Il sera noté immédiatement. Processus Aléatoires 6
7 Chapitre 1 Introduction Un processus aléatoire (ou processus stochastique) peut être vu comme un processus qui est le résultat d un événement aléatoire. Il peut également être vu comme étant une collection de variables aléatoires. 1.1 De la variable aléatoire vers le processus aléatoire Signal déterministe : x(t) = A cos(ωt) Signal stochastique (aléatoire) : n(t) =...? Bruit Bour$e (et produit$ dérivé$... ) Systèmes de communication Information Incertitude Physique classique : Nature déterministe Systèmes complexes : impossible de tout calculer (x i, x i ) Description statistique (p.ex., théorie des gaz) Physique quantique : Nature indéterministe Impossible de mesurer (x, ẋ). Approche probabiliste du monde «Si l on sait exactement ce que l on va faire, à quoi bon le faire?» (Pablo Picasso) Bibliographie Probabilités, Processus de Bernoulli, Poisson, Markov : D. Bertsekas, J. Tsitsiklis, Introduction to Probability, Athena Scientific, Belmont, 22 Signaux aléatoires, bruit, filtrage : S. Haykin, Communication Systems, 3rd edition, John Wiley & Sons, New York, 1994, Ch. 4 7
8 S. Haykin Adaptive Filtering R. Gray Statistical Signal Processing J. Proakis, M. Salehi, Communication Systems Engineering, Prentice Hall, 21, Ch. 3. Processus Aléatoires 8
9 Chapitre 2 Processus Stochastiques e Polytechnique de l UNS tech Nice-Sophia 3e année 2.1 Définition ocessus Stochastiques 6 Associer une fonction à chaque issue d une expérience aléatoire éfinition Associer une fonction à chaque issue d une expérience aléatoire x1 (t) X(ω, t) t ω1 Ω xi (t) = X(ωi, t) une réalisation de X(ω, t) ω2 x2 (t) ωn t xn (t) X(ω, t) " X(t) : P.S. t X(ω, tm ) " X(tm ) : V.A. tm Grandeurs statistiques Observer X(t) aux instants t1, t2,..., tk Obtenir k V.A. : X(t1 ), X(t2 ),..., X(tk ) Densité de probabilité conjointe : px(t1 )X(t2 )...X(tk ) (x1, x2,..., xk ) 9
10 Espérance (statistique du premier ordre) : m X (t 1 ) E {X(t 1 )} = + x p X(t1)(x) dx Autocorrélation (statistique du second ordre) : R X (t 1, t 2 ) R X(t1)X(t 2) = E {X(t 1 )X(t 2 )} = + x 1 x 2 p X(t1)X(t 2)(x 1, x 2 ) dx 1 dx 2 Autocovariance (statistique du second ordre) : C X (t 1, t 2 ) cov[x(t 1 ), X(t 2 )] = E {{X(t 1 ) E {X(t 1 )}}{X(t 2 ) E {X(t 2 )}}} = R X (t 1, t 2 ) m X (t 1 )m X (t 2 ) = + [x 1 m X (t 1 )][x 2 m X (t 2 )] p X(t1)X(t 2)(x 1, x 2 ) dx 1 dx Stationnarité «Est-ce que les propriétés statistiques changent avec le temps?» Observer X(t) aux instants t 1, t 2,..., t k Obtenir k V.A. : X(t 1 ), X(t 2 ),..., X(t k ) Observer X(t) aux instants t 1 + T, t 2 + T,..., t k + T Obtenir k V.A. : X(t 1 + T ), X(t 2 + T ),..., X(t k + T ) X(t) stationnaire au sens strict (sss) : p X(t1)X(t 2)...X(t k )(x 1, x 2,..., x k ) = p X(t1+ T )X(t 2+ T )...X(t k + T )(x 1, x 2,..., x k ) k, T, (t 1, t 2,..., t k ) X(t) stationnaire au sens large (ssl) : k = 1 (sss : p X(t1)(x) = p X(t1+ T )(x) p X (x), T, t 1 ) ssl : m X (t 1 ) = m X k = 2 (sss : p X(t1)X(t 2)(x 1, x 2 ) = p X(t1+ T )X(t 2+ T )(x 1, x 2 ), T, t 1, t 2 ) ssl : R X (t 1, t 2 ) = R X (τ), τ = t 2 t 1 Processus Aléatoires 1
11 École Polytechnique de l UNS 3e année École Polytechnique dede l UNS École Polytechnique l UNSA 3e année 3e année Stationnarité (au sens large) x1 (t) τ τ Stationnarité (au sens large) Stationnarité (au sens large) x1 (t) x2 (t) t τ τ mx (t) = mx t RX (t1, t2 ) = RX (τ ) t x2 (t) mx (t) = mx xn (t) RX (t1, t2 ) = RX (τ ) t t1 t xn (t) t2 t1 + T t2 + T t t1 t2 1 t1 + T t2 + T Propriétés de RX (τ ) X(t) : stationnaire (au sens large) Propriétés de RX (τ1.) RX (τ ) = E {X(t + τ )X(t)} RXsens ( τ )large) = E {X(t τ )X(t)} = RX (τ ) : fonction paire X(t) : stationnaire2.(au RXτ() = E {X(t)X(t)} = E X (t) = σx(t) + mx (t) RX (τ ) = E[X(t )X(t)] Propriétés de R X (τ )= R (τ ) : fonction paire RX ( τ ) = E[X(t τ )X(t)] X X () " 4. RX (τ ) R 2 2 (t) = σ 2 RX () = X(t) E[X(t)X(t)] = E X : stationnaire (au sens large) X(t) + mx (t) RX (τ ) 1.RXR()(τ ) = E[X(t + τ )X(t)] X 2. RX ( τ ) = E[X(t τ )X(t)] =)RX" (τ ) : fonction paire RX (τ fluctuations lentes 2 + mx (t)2 3. RX () = E[X(t)X(t)] = E X 2 (t) = σx(t) fluctuations rapides 4. RX (τ ) RX () τ RX (τ ) fluctuations lentes Temps de décorrélation fluctuations rapides Temps :de décorrélation : τ : RX (τ ) = αrx (), p.ex. : α =.1 τ τ : RX (τ ) = αrx (), p.ex. : α =.1 Temps de décorrélation : Processus Aléatoires τ : RX (τ ) = αrx (), p.ex. : α =
12 École Polytechnique de l UNSA École Polytechnique de l UNS École Polytechnique de l UNS Signal sinusoïdal ; fréquence aléatoire 3e année 3e année 3e année 1. Signal sinusoïdal ; fréquence aléatoire Signal sinusoïdal ; fréquence aléatoire X(t) = a cos(2πf t) ; F v.a. uniforme sur [, W ] (W = 1) mx (t) = a sinc(2w t) a2 {sinc[2w +uniforme τ[, )] )]}W ] X(t) RX (t = τa = t2= at1t) )= cos(2πf t) ; F (2t v.a. 1sur 1 ;X(t) cos(2πf ; F2 v.a. uniforme W sinc[2w ] (W sur = (τ 1)[, Signal non stationnaire m (t) = a sinc(2w t) X m (t) = a sinc(2w t) X 5 1 (W = 1) 2 ; τt1= t1 ) = a2(2t{sinc[2w (2t1 + τ(τ)])]} sinc[2w (τ )]} RX (t 1 ; R τx = (t t21 ) =t2a2 {sinc[2w 1 + τ )] sinc[2w Signal stationnaire non Signal non stationnaire Signal sinusoïdal ; amplitude aléatoire Signal sinusoïdal ; amplitude aléatoire Signal sinusoïdal ; amplitude aléatoire X(t) = A cos(2πf t) ; A v.a. uniforme sur [, 1] (f = 1) mx (t) = 12 cos(2πf t) RX (t1 ; τ = t2 t1 ) = 16 {cos[2πf (2t1 + τ )] + cos(2πf τ )} X(t) t) ; et AR v.a. uniforme sur [, 1] (f = 1) mx (t=+atcos(2πf ) = mx (t) X (t + T ; τ ) = RX (t; τ ) m = 12 cos(2πf t) (au sens large) X (t) cyclo-stationnaire Signal t) ; A sur RX (t 1 ; X(t) τ = t2= A t1 )cos(2πf = 16 {cos[2πf (2tv.a. )] + cos(2πf τ )}[, 1] (f = 1) 1 + τuniforme 1 cos(2πf t) mx (t +mtx) (t) = m= et R (t + T ; τ ) = R (t; τ ) X (t) X X 2 1 Signal {cos[2πf (2t1 + τ )] + cos(2πf τ )} cyclo-stationnaire RX (t1 ; τ = t2 (au t1 )sens = large) mx (t + T ) = mx (t) et RX (t + T ; τ ) = RX (t; τ ) Signal cyclo-stationnaire (au sens large) Processus Aléatoires Processus Stochastiques 9 Processus Stochastiques
13 École École Polytechnique de l UNS de l UNSA Polytechnique Département d Électronique Département d Électronique 3e année 3e année Signal sinusoïdal ; phase aléatoire Signal sinusoïdal ; phase aléatoire = atcos(2πf + Θ) ; Θ v.a. X(t) =X(t) a cos(2πf + Θ) ; Θt v.a. uniforme sur uniforme [, 2π] (a =sur 1, f[, = 2π] 1) (a = 1, f = 1) mx (t) =X (t) = m 2 2 RX (t 1 ;R τx =(t t21 ) =t2a2 cos(2πf ; τt1= t1 ) = τa2) cos(2πf τ ) Signal stationnaire (au sens large) Signal stationnaire (au sens large) Cyclo-stationnarité «Est-ce que les propriétés statistiques changent périodiquement avec le temps?» Observer X(t) aux instants t1, t2,..., tk Obtenir k V.A. : X(t1 ), X(t2 ),..., X(tk ) Cyclo-stationnarité Observer X(t) aux instants t1 + T, t2 + T,..., tk + T que Obtenir k V.A.statistiques : X(t1 +changent T ), X(tpériodiquement T )?» 2 + T ),..., X(t «Est-ce les propriétés aveckle+temps X(t) Observer X(t)cyclo-stationnaire aux instants t1, t2,.. au., tksens strict (css) T : px(t1k)x(t (x1, x),2,.....,. X(t, xk )) = px(t1 +T )X(t2 +T )...X(tk +T ) (x1, x2,..., xk ) 2 )...X(t " Obtenir V.A. : X(tk1)), X(t 2 k k, (t1, t2,..., tk ) Observer X(t) aux instants t1 + T, t2 + T,..., tk + T X(t) cyclo-stationnaire au sens large (csl) T : " Obtenir V.A. :: X(t T ),= X(t., X(t +1T) ) T+T ),.).(x) k = 1k (css px(t (x) px(t, k t 1) 1 csl : mx (t1 au +T mx(css) (t1 ) T : sens strict X(t) cyclo-stationnaire ) = px(t1 )X(t (x1,: xp2x(t,...1,)x(t xk ) 2= px(t (x1, )x(x, 2x)k ), t1, t2 ) k 2= 2 (css = p2x(t 2,.1.,.x )...X(t +T )...X(t 1, x 2 ) )X(t ) (x 1 +T k) k +T ) 1 +T )X(t 2 +T k, (t1,csl t2,.:..r, txk )(t1 + T ; τ ) = RX (t1 ; τ ) X(t) cyclo-stationnaire au sens large (csl) T : k = 1 (css : px(t1 ) (x) = px(t1 +T ) (x), t1 ) Mesurer l espérance (un peu de Statistique) csl : mx (t1 + T ) = mx (t1 ) k = 2 (css : px(tx(t) (x1, x2 ) = px(t (x1x(t, x2 ),) t1, t2 ) 1 )X(t2 )à l instant )X(t2 +Tv.a. ) Figer t 1; +T obtenir csl : RX (t1 + T ; τ ) = RX (t1 ; τ ) Comment mesurer E {X(t )}? Observer n réalisations à t : échantillon de taille n La population génère de v.a. Xi (t ) : indépendantes, même distribution, µx(t ), σx(t ) n X Moyenne de l échantillon : X (t ) = n1 Xi (t ) i=1 E X (t ) = µx(t ) Processus Aléatoires Processus Stochastiques
14 σ 2 X(t) = 1 n σ2 X(t ) X(t ) : estimateur convergent de E {X(t )} Moyenne d ensemble (n ) = Espérance 2.4 Ergodicité «Est-ce que les moyennes statistiques sont égales aux moyennes temporelles?» Équiv. : «Est-ce qu une seule réalisation x(t) caractérise complètement le processus stochastique X(t)?» Ergodicité au sens strict : Condition nécessaire : X(t) stationnaire au sens strict <...> lim T 1 T +T/2 T/2... dt ess = E {...} Ergodicité au sens large : Condition nécessaire : X(t) stationnaire au sens large 1. <x(t)> = lim T 1 T +T/2 T/2 esl = E {X(t)} = m X x(t) dt 2. Γ X (τ) = <x(t + τ)x(t)> = lim T 1 T esl = E {X(t + τ)x(t)} = R X (τ) X(t) : p.s. stationnaire au sens large +T/2 +T/2 T/2 x(t + τ)x(t) dt +T/2 Définir : µ x (T ) = 1 T x(t) dt, γ x (T ; τ) = 1 x(t + τ)x(t) dt T/2 T T/2 variables aléatoires { (dépendent de T et de la réalisation choisie) } +T/2 + +T/2 E {µ x (T )} = 1 T E x(t) dt x(t)p X(t) (x) dt dx = 1 T T/2 +T/2 T/2 E {γ x (T ; τ)} =... = R X (τ) Ergodicité au sens large : <x(t)> = lim T 1 T Γ X (τ) = lim T 1 T = 1 T E {X(t)} dt = 1 T +T/2 T/2 +T/2 T/2 T/2 +T/2 T/2 m X dt = m X x(t) dt = lim µ x(t ) esl = m X T x(t + τ)x(t) dt = lim γ x(t ; τ) esl = R X (τ) T Égalité au sens : lim T E {µ x (T )} = m X et lim T var[µ x (T )] = Interpétation de l espérance et de la variance Signal x(t) ergodique au sens large Processus Aléatoires 14
15 E {X(t)} ssl esl = m X = <x(t)> = composante continue (DC) E {X(t)} 2 = P dc E { X(t) 2} = R X () esl = Γ x () = <x(t) 2 > = P tot (DC+AC) σx(t) 2 = var[x(t)] = E { (X(t) E {X(t)}) 2} = E { X(t) 2} E {X(t)} 2 esl = <x(t) 2 > <x(t)> 2 = <(x(t) <x(t)>) 2 > = P ac (AC) σ X(t) = Pac : valeur efficace (rms) E { X(t) 2} = E {X(t)} 2 + σ 2 X(t) P tot = P dc + P ac 2.5 Densité spectrale de puissance Densité spectrale de puissance (ssl) X(t) stationnaire au sens large Définir : Puissance de X(t) : S X (f) = F [R X (τ)] = R X (τ) = F 1 [S X (f)] = + + E { X(t) 2} = R X (t, t) = R X () = R X (τ) e j 2πfτ dτ S X (f)e + j 2πfτ df + S X (f) : densité spectrale de puissance (en Watt/Hz) Densité spectrale de puissance (csl) S X (f) df X(t) cyclo-stationnaire au sens large m X (t + T ) = m X (t) R X (t + T ; τ) = R X (t; τ) : périodique en t, série de Fourier : R X (t; τ) = + n= RX(τ) n } {{ } c n e + j 2π(n/T)t c n = RX(τ) n = 1 +T/2 R X (t; τ) e j 2π(n/T)t dt T T /2 +T/2 «Composante continue» c = RX (τ) = 1 T R X (t; τ) dt R X (τ) T /2 S X (f) = F [ RX (τ) ] : d.s.p. moyenne sur une période Processus Aléatoires 15
16 Utiliser S X (f) à la place de S X (f, t) = F [R X (t; τ)] Si T v.a.c. uniforme [, T ] : X(t + T ) stationnaire au sens large Attention : csl ssl seulement si on ajoute une phase aléatoire (absence de synchronisation ; voir An Introduction to Cyclostationary Noise) Densité spectrale de puissance : propriétés S X (f), f S X () = + R X (τ) dτ S X ( f) = S X (f), si X(t) réel On note X (f, T ) la T.F. d une réalisation tronquée : X (f, T ) = T/2 T/2 x(t) exp( j 2πft) dt Signal tronqué : X (f, T ) 2 densité spectrale d énergie 1 T X (f, T ) 2 : périodogramme (dimensions de d.s.p.) estimation spectrale X (f, T ) : v.a. (dépend de la réalisation choisie) Si X(t) ergodique au sens large, 1 S X (f) = lim T T E { X (f, T ) 2} 1 = lim T T E T/2 T/2 En pratique : E {...} = moyennage Deux processus stochastiques 2 x(t) exp( j 2πft) dt X(t), Y (t) stationnaires conjointement, au sens large : 1. X(t) et Y (t) stationnaires au sens large 2. R XY (t, t + τ) = E {X(t)Y (t + τ)} = R XY (τ) Propriétés : R XY (τ) = R Y X ( τ) Densité spectrale croisée de puissance («spectre croisé») S XY (f) = F [R XY (τ)] = R XY (τ) = F 1 [S XY (f)] = S XY (f) = S Y X ( f) = S Y X (f) + + R XY (τ) e j 2πfτ dτ S XY (f)e + j 2πfτ df Processus Aléatoires 16
17 2.6 Filtrage d un processus stochastique Filtre linéaire, invariable dans le temps Réponse impulsionnelle h(t), fonction de transfert H(f) Entrée x(t), sortie y(t) (réalisations) y(t) = + h(λ)x(t λ) dλ X(t) stationnaire au sens large { + } m Y (t) = E {Y (t)} = E h(λ)x(t λ) dλ = + = m X h(λ) dλ = H()m X = m Y R Y (t, t + τ) =... = R Y (τ) Y (t) stationnaire au sens large S Y (f) = H(f) 2 S X (f) + h(λ)e {X(t λ)} dλ S Y X (f) = H(f)S X (f) 2.7 Processus gaussien : définition Observer X(t) aux instants t 1, t 2,..., t k Obtenir k v.a. : X(t 1 ), X(t 2 ),..., X(t k ) X(t) p.s. gaussien si les v.a. X(t 1 ), X(t 2 ),..., X(t k ) sont conjointement gaussiennes, k Densité de probabilité conjointe : p X(t1)X(t 2)...X(t k )(x 1, x 2,..., x k ) 1 = exp { [ 1 (2π) k/2 det(c) 1/2 2 (x mx ) T C 1 (x m X ) ]} x = (x 1 x 2... x k ) T m X = (m X(t1) m X(t2)... m X(tk )) T = (m X (t 1 ) m X (t 2 )... m X (t k )) T C i,j = cov[x(t i ), X(t j )] = E { (X(t i ) m X(ti))(X(t j ) m } X(tj)) = E {X(t i )X(t j )} m X(ti)m X(tj) = R X (t i, t j ) m X (t i )m X (t j ) Processus gaussien : propriétés X(t) est caractérisé uniquement par m X (t) et R X (t, t + τ) Stationnarité au sens large stationnarité au sens strict X(t i ), X(t j ) : Non-corrélation indépendance (Rappel : X, Y non corrélées si cov[x, Y ] = E {XY } E {X} E {Y } = ; si E {X} = ou E {Y } =, décorrélation : E {XY } = R XY = ) Filtrage linéaire de X(t) nouveau processus gaussien Processus Aléatoires 17
18 École Polytechnique de l UNSA École Polytechnique de l UNS 3ee année 3 année Signal binaire aléatoire Signal binaire aléatoire x(t) +A t A td Tb + X(t) = k= Ak p(t ktb Td ) + à temps discret, p (a = +A) = p (a = A) =.5 Ak : p.s. discret X Ak k Ak k E[A ] = X(t) = Ak p(t ktb Td ) k v.a. Am, Ank= indépendantes RA (m, n) = E[Am An ] = A2 δ(m n) p(t) = 1, t Tb Ak : p.s. discret à temps discret, pak (ak = +A) = pak (ak Tb : constante E = [, Tb ] k } uniforme Td :{A v.a.c., = A) =.5 v.a. Am, An indépendantes RA (m, n) = E {Am An } = A2 δ(m n) 27 p(t) = 1, t Tb Tb : constante Td : v.a.c., uniforme [, Tb ] ( τ 2, τ < Tb A 1 Tb RX (τ ) =, ailleurs SX (f ) = A2 Tb sinc2 (Tb f ) P (f ) 2 où P (f ) = F[p(t)] SX (f ) = Tb 2.8 Exercices Exercice 2.1 Fréquence aléatoire On définit le processus stochastique X(t) = a cos(2πf t) où F est une variable aléatoire, uniformément répartie sur [, W ], et a une constante réelle. 1. Tracer plusieurs réalisations x(t). 2. Calculer la moyenne statistique mx (t). 3. Calculer la fonction d autocorrélation statistique RX (t1, t2 ). 4. Examiner la stationnarité de X(t). Exercice 2.2 Amplitude aléatoire On définit le processus stochastique X(t) = A cos(2πf t) où A est une variable aléatoire, uniformément répartie sur [, 1], et f une constante réelle. Processus Stochastiques Mêmes questions que pour l exercice Déterminer la densité de probabilité du premier ordre px (x; t), px(t) (x). Processus Aléatoires 18
19 Exercice 2.3 Phase aléatoire On définit le processus stochastique X(t) = a cos(2πft+θ) où Θ est une variable aléatoire, uniformément répartie sur [, 2π[, et a, f sont des constantes réelles. Mêmes questions que pour l exercic 2. Exercice 2.4 Exponentielles aléatoires On définit le processus stochastique X(t) = e At, constitué d une famille d exponentielles dépendant de la variable aléatoire A, de densité de probabilité p A(a) uniforme sur [, 1]. Mêmes questions que pour l exercice 2. Exercice 2.5 Deux gaussiennes On définit le processus stochastique X(t) = A + Bt, formé à partir de deux v.a. A et B gaussiennes, centrées et indépendantes. Mêmes questions que pour l exercice 2. Exercice 2.6 Estimation Soit A(t) un processus stochastique stationnaire au second ordre et centré. On se propose de prédire, à partir d une observation jusqu au temps t, la valeur du processus stochastique à un instant ultérieur t + T. On appelle Â(t + T ) cet estimateur ] et on définit l erreur de prédiction : ɛ = E [[A(t + T ) Â(t + T )]2. 1. Pour Â(t + T ) = λa(t), trouver la valeur λ qui minimise l erreur de prédiction. 2. Calculer alors cette erreur. 3. On appelle ρ le coefficient de corrélation entre les v.a. A(t ) et A(t + T ). Exprimer ɛ en fonction de la variance et de ρ. 4. Dans quel cas l erreur est-elle la plus grande? Exercice 2.7 Temps discret On considère un processus stochastique à temps discret X(k). Pour k fixé, X(k) est une variable aléatoire de moyenne m et de variance σ 2. Pour k 1 différent de k 2 les v.a. X(k 1) et X(k 2) sont indépendantes (et donc décorrélées). Calculer la fonction d autocorrélation de X(k) et sa DSP. Exercice 2.8 Séquence binaire aléatoire Processus Aléatoires 19
20 On considère le processus stochastique X(t) dont une réalisation est présentée à la Figure 1. Il s agit d une séquence aléatoire de symboles binaires : Le 1 et le sont représentés par une impulsion d amplitude +A et A, respectivement, de durée T (une constante). Les impulsions ne sont pas synchronisées : le délai T d du début de la première impulsion après l instant t = est une variable aléatoire, uniformément répartie entre et T. Les symboles et 1 sont équiprobables et indépendants. Calculer : 1. La fonction de probabilité p X(t) (x). 2. La moyenne statistique E {X(t)}. 3. La fonction d autocorrélation de X(t). 4. La densité spectrale de puissance S X(f) de X(t). 5. La densité spectrale d énergie d une impulsion d amplitude A et de durée égale à T. x a t b 1 2 Fig. 1 Exercice 2.9 Délai aléatoire Processus Aléatoires 2
21 On considère le processus stochastique X(t) dont une réalisation est présentée à la Figure 2. Il s agit d un signal numérique périodique non synchronisé : le délai t d de la première période après l instant t = est une variable aléatoire, uniformément répartie entre et T. Calculer : 1. La fonction de probabilité p X(t) (x). 2. La moyenne et l autocorrélation statistiques. 3. La moyenne et l autocorrélation temporelles. 4. La densité spectrale de puissance de X(t). Conclusion sur la stationnarité et l ergodicité du processus X(t). x a 1 2 t Fig. 2 Processus Aléatoires 21
22 Processus Aléatoires 22
23 École Polytechnique de l UNS 3e année Signal binaire aléatoire x(t) +A t A RX (τ ) = A2 " 1 τ Tb # Chapitre 3 td Tb, τ < Tb, ailleurs SX (f ) = A2 Tb sinc2 (Tb f ) SX (f ) = P (f ) 2 Tb où P (f ) = F[p(t)] Bruit Bruit Définition Définition Signal indésirable Signal indésirable Contrôle incomplet Contrôle incomplet Externe ou interne au système Externe ou interne au système Additif multiplicatif Additifouou multiplicatif Y (t) Y (t)= = s(t)+n s(t)+n (t)(t) Bruit thermique : definition Inhérent à tout composant électronique Dû au mouvement aléatoire des électrons libres dans les conducteurs 18 R : Processus Stochastiques Tension aux bornes d une résistance Moyenne nulle Variance σv2 = 2(πKT )2 R/3h (V 2 ) K : constante de Boltzmann, J/K h : constante de Planck, J s T : température, K dsp SV (f ) = 2Rh f / [exp(h f /KT ) 1] (V2 /Hz) h f Approximation pour f << KT /h : SV (f ) 2RKT 1 2KT (V2 /Hz) 23
24 École Polytechnique de l UNSA 3e année Température standard : T = 29K, KT /h = 1 THz Bruit thermique : dsp disponible Modèle équivalent (Thévenin) d une résistance R : Rth = R, considérée sans bruit «Source de tension» : dsp SV (f ) 2RKT (V2 /Hz) Densité spectrale de puissance disponible (charge adaptée) : Sa (f ) = SV (f ) KT = 4R 2 (W/Hz) dsp disponible : ne dépend pas de R École Polytechnique de l UNS Bruit blanc 3e année Processus stochastique avec dsp constante : Bruit blanc SX (f ) Processus stochastique avec dsp constante : = η 2 η : dsp des fréquences positives SX (f ) = η Température équivalente : Te = η/k 2 η : dsp des fréquences positives Fonction d autocorrélation : Température équivalente : Te = η/k Fonction d autocorrélation : Z + η 2πf τ η η RX (τr)x=(τ ) = + ηee jj2πf τ dfdf = = δ(τ )2 δ(τ ) RX (τ ) SX (f ) η 2 η 2 f τ Bruit blanc gaussien centré : rien de plus aléatoire Bruit blanc gaussien centré : rien de plus aléatoire le bruit blanc est irréalisable (puissance moyenne infinie ) si on l observe à l oscillo, il est toujours différent (RX = ) mais pour chaque base de temps il a la même allure (contient toutes les frequences) 2. Blanc se réfère à la dsp Gaussien à la densité de probabilité 3. Si un bruit blanc est gaussien à moyenne nulle, alors les v.a. qu on obtient à τ 6= sont décorrélées, c.a.d. indépendantes. Le bruit blanc gaussien centre est la «chose» la plus aléatoire qui existe... Commentaires 1. le bruit blanc est irréalisable (puissance moyenne infinie ) si on l observe à l oscillo, il est toujours différent (RX = ) mais pour chaque base de temps il a la même allure (contient toutes les frequences) 2. Blanc se réfère à la dsp Bruit blanc filtré (fonction de transfert H(f )) Gaussien à la densité de probabilité 2 2 S3.Y (f ) H(f H(f ) η/2 Si un = bruit blanc) estsgaussien nulle, alors les v.a. qu on obtient à τ = sont décorrélées, X (f ) à=moyenne c.a.d. indépendantes. Le bruit blanc gaussien centre est la «chose» la plus aléatoire qui existe Bruit coloré Processus Aléatoires note 1 of slide 33 24
25 R Y (τ) = η 2 F 1 H(f) 2 Bande passante équivalente bruit, B N : E { Y 2} = R Y () = η 2 + H(f) 2 df = η + H(f) 2 df ηb N H(f) 2 max Exemple : bruit blanc à l entrée d un filtre passe-bas idéal H(f) = 1, B f +B S Y (f) = η/2, B f +B R Y (τ) = η 2 2Bsinc(2Bτ) E { Y 2} = + H(f) max = 1 B N = E{Y 2 } η H(f) = B 2 max S Y (f) df = ηb Processus Aléatoires 25
26 Processus Aléatoires 26
27 Chapitre 4 Signaux passe-bande (rappels) 4.1 definition y(t) Y (f) : signal réel, déterministe (passe-bande) Y (f), f [f c B, f c + B] (autour de ±f c ) y + (t) Y + (f) : signal analytique (passe-bande, f > ) f < Y + (f) = Y (f) f = Y + (f), f [f c B, f c + B] 2Y (f) f > y(t) = Re{y + (t)} ỹ(t) Ỹ (f) : enveloppe complexe (bande de base) Ỹ (f) = Y + (f + f c ), f [ B, +B] y(t) = Re{y + (t)} = Re{ỹ(t) exp( j 2πf c t)} ỹ(t) = y I (t) + j y Q (t) y(t) = y I (t) cos(2πf c t) y Q (t) sin(2πf c t) ỹ(t) = a(t) exp( j φ(t)) y(t) = a(t) cos(2πf c t + φ(t)) y I (t), y Q (t), a(t), φ(t) : signaux réels, en bande de base [ B, +B] Bruit coloré passe-bande Bruit blanc à l entrée d un filtre sélectif Obtenir une expression N(t) =... pour le p.s. à la sortie S N (f) = η 2 H(f) 2, f [f c B, f c + B] (autour de ±f c ) Représentation canonique : N(t) = Re{Ñ(t) exp( j 2πf ct)} = N I (t) cos(2πf c t) N Q (t) sin(2πf c t) Propriétés : N I (t), N Q (t) conjointement stationnaires au sens large N I (t), N Q (t) de moyenne nulle et de même variance que N(t) 27
28 { S N (f f c ) + S N (f + f c ) B f B S NI (f) = S NQ (f) = ailleurs Si N(t) gaussien : N I (t), N Q (t) conjointement gaussiens Si N(t) gaussien centré et S N (f) symétrique autour de ±f c : N I (t), N Q (t) indépendants Bruit blanc gaussien centré à l entrée d un filtre sélectif Représentation canonique : N(t) = N I (t) cos(2πf c t) N Q (t) sin(2πf c t) Transformation en amplitude / phase (Statistiques Appliquees, TD 4.3) N I (t), N Q (t) indépendants : N(t) = R(t) cos[2πf c t + Φ(t)] R(t) = NI 2(t) + N Q 2 (t) Φ(t) = arctan[n Q (t)/n I (t)] N I (t) = R(t) cos(φ(t)), N Q (t) = R(t) sin(φ(t)) Φ(t) : uniformément répartie entre [, 2π[ R(t) : distribution de Rayleigh { ( ) r σ exp r2 p R (r) = 2 2σ r 2 r < 4.2 Autocorrélation de p.s. complexes X(t) : p.s. passe-bande, X(t) enveloppe complexe X(t) = Re{ X(t) [ exp( j 2πf c )} = 1 2 X(t) exp( j 2πfc t) + X (t) exp( j 2πf c )] R X (t 1, t 2 ) = E {X(t { 1 )X(t 2 )} = 1 4 E X(t1 ) X(t } 2 ) exp( j 2πf c (t 1 + t 2 )) { E X (t 1 ) X } (t 2 ) exp( j 2πf c (t 1 + t 2 )) { E X(t1 ) X } (t 2 ) exp( j 2πf c (t 1 t 2 )) { E X (t 1 ) X(t } 2 ) exp( j 2πf c (t 1 t 2 )) { R X (t 1, t 2 ) = 1 2 {E Re X(t1 ) X(t } } 2 ) exp( j 2πf c (t 1 + t 2 )) { {E Re X(t1 ) X } } (t 2 ) exp( j 2πf c (t 1 t 2 )) { E X(t1 ) X(t } 2 ) = (sans démonstration) { R X (t 1, t 2 ) = 1 2 {E Re X(t1 ) X } } (t 2 ) exp( j 2πf c (t 1 t 2 )) { R X(t 1, t 2 ) E X(t1 ) X } (t 2 ) R X (t 1, t 2 ) = 1 2 Re {R X(t 1, t 2 ) exp( j 2πf c (t 1 t 2 ))} Si X(t) ssl, R X(t 1, t 2 ) = R X(τ) Processus Aléatoires 28
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 détailQuantification 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 détailIntérêt 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 détail3 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 détailProjet 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 détailProgrammes 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 détailCommunications 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 détailTempérature 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 détailChapitre 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 détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailINTRODUCTION 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 détailLABO 5-6 - 7 PROJET : IMPLEMENTATION D UN MODEM ADSL SOUS MATLAB
LABO 5-6 - 7 PROJET : IMPLEMENTATION D UN MODEM ADSL SOUS MATLAB 5.1 Introduction Au cours de séances précédentes, nous avons appris à utiliser un certain nombre d'outils fondamentaux en traitement du
Plus en détailI. 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 détailCours 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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailSimulation 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 détailOscillations 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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détail3. 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 détailExercices - 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 détailChapitre 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 détailLES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION
LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION ) Caractéristiques techniques des supports. L infrastructure d un réseau, la qualité de service offerte,
Plus en détailM1107 : Initiation à la mesure du signal. T_MesSig
1/81 M1107 : Initiation à la mesure du signal T_MesSig Frédéric PAYAN IUT Nice Côte d Azur - Département R&T Université de Nice Sophia Antipolis frederic.payan@unice.fr 15 octobre 2014 2/81 Curriculum
Plus en détailExpérience 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 détailCorrection 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 détailCHAPITRE V. Théorie de l échantillonnage et de la quantification
CHAPITRE V Théorie de l échantillonnage et de la quantification Olivier FRANÇAIS, SOMMAIRE I INTRODUCTION... 3 II THÉORIE DE L ÉCHANTILLONNAGE... 3 II. ACQUISITION DES SIGNAUX... 3 II. MODÉLISATION DE
Plus en détailTraitement du signal avec Scilab : la transformée de Fourier discrète
Traitement du signal avec Scilab : la transformée de Fourier discrète L objectif de cette séance est de valider l expression de la transformée de Fourier Discrète (TFD), telle que peut la déterminer un
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailMéthodes 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailJ 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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailTESTS 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 détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailaux 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 détailBTS 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 détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailTransmission des signaux numériques
Transmission des signaux numériques par Hikmet SARI Chef de Département d Études à la Société Anonyme de Télécommunications (SAT) Professeur Associé à Télécom Paris. Transmission en bande de base... E
Plus en détailContents. 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 détailChafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
Plus en détail2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
Plus en détailSystèmes 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 détailMoments 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 détailUNIVERSITE DE TECHNOLOGIE DE COMPIEGNE. Le Traitement du Signal aléatoire
UNIVERSITE DE TECHNOLOGIE DE COMPIEGNE Le Traitement du Signal aléatoire SY06 partie II - Printemps 2009 P.Simard 12 mai 2009 2 Table des matières 1 Besoins de modèles aléatoires pour les signaux 5 2 Principaux
Plus en détailCalcul 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(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailMaster 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 détailChapitre 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 détail1 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 détailÉquations 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 détailMesures 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 détailChristian JUTTEN Théorie du signal
Christian UTTEN Théorie du signal Cours de deuxième année (3i4) du département 3i Université oseph Fourier - Polytech Grenoble novembre 2009 1 Table des matières 1 Introduction à la théorie du signal 6
Plus en détailExercices - 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 détailF411 - 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 détailTexte 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 détailFonctions 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 détailExercice 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 détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailIntroduction. Mathématiques Quantiques Discrètes
Mathématiques Quantiques Discrètes Didier Robert Facultés des Sciences et Techniques Laboratoire de Mathématiques Jean Leray, Université de Nantes email: v-nantes.fr Commençons par expliquer le titre.
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailI - 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 détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailModèles 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 détailFonctions 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 détailDe 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 détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailPROBABILITES 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 détailExercices - 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 détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailCours 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 détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailProbabilités 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailCalcul 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 détailReprésentation 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 détailContinuité 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 détailEchantillonnage 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 détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailExo7. 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 détailIntroduction aux Communications Numériques
Université de Cergy-Pontoise - 01 - Communications numériques Introduction aux Communications Numériques Master M1 ISIM March 19, 01 Iryna ANDRIYANOVA iryna.andriyanova@u-cergy.fr 1 Contenu du cours 1
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détail* 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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailOptimisation 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 détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
Plus en détailIntroduction 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 détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détail