ÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS.

Dimension: px
Commencer à balayer dès la page:

Download "ÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS."

Transcription

1 ÉLÉMETS DE THÉORIE DE L IFORMATIO POUR LES COMMUICATIOS. L a théore de l nformaton est une dscplne qu s appue non seulement sur les (télé-) communcatons, mas auss sur l nformatque, la statstque, la physque statstque, la théore de l nférence. Il est ndénable que le développement des communcatons a nourr la théore de l nformaton et nversement. Une contrbuton fondamentale et extrêmement mportante est l artcle de C.E. Shannon, «A mathematcal theory of communcatons», paru dans le ournal de ATT Bell, en 948. (Cet artcle a été ensute réédté sous la forme d un lvre, cureusement cette fos-c avec un co-auteur). La presque totalté de ce cours est contenue dans l artcle orgnal de Shannon. On présentera d abord l entrope (dte de Shannon) comme mesure d nformaton. À l ade des notons d nformaton, ou d entrope, on ntrodura ensute tros théorèmes de Shannon. - Le premer théorème ndque qu une source, d entrope H, peut être codée de façon déchffrable, avec des mots dont la longueur moyenne est bornée par l entrope de la source. L entrope H représente alors une lmte fondamentale sur la longueur moyenne mnmale des mots utlsés pour coder la source. - Le second théorème de Shannon, ou théorème du codage de canal, ou théorème du canal bruté, est tout auss fondamental, et peut être plus. Ce théorème ndque que s l entrope de la source est nféreure ou égale à la capacté du canal, alors l est possble de

2 Éléments de théore de l nformaton pour les communcatons trouver un code tel que la probablté d erreur lors de la transmsson sot auss fable que l on veut. - Le trosème théorème de Shannon, appelé théorème de la capacté d nformaton, permet de reler la capacté d nformaton à la bande du canal, la pussance transmse et la pussance du brut addtf. Il fournt en outre la capacté lmte (lorsque la bande tend vers l nfn), et la lmte de Shannon. Avant de poursuvre, un pont essentel, emprunté au Professeur G. Demoment (poly Théore de l nformaton, lcence EEA, Orsay). L expédteur et le destnatare d un télégramme ont des atttudes dfférentes de celles de l employé de la Poste : pour les deux premers, le message a une sgnfcaton. Pour l employé de la Poste, cette sgnfcaton est ndfférente ; l compte les caractères qu l transmet en vue de fare payer un servce : la transmsson d une «quantté d nformaton» proportonnelle à la longueur du texte. La théore de l nformaton est un outl, développé pour et par l ngéneur chargé de concevor un système de transmsson, et les notons probablstes n ont de sens clar que de son pont de vue.. Incerttude, nformaton et entrope Le problème de référence est le suvant : on consdère un alphabet E de éléments, et on s ntéresse à un message de longueur K composé à l ade des éléments de E. L ensemble des mots de longueur K, que l on note E k, est de cardnal k. On suppose que les symboles éms par la source sont ndépendants ; la source est alors dte «source dscrète sans mémore». Chaque mot véhcule une certane «quantté d nformaton», que l on peut rasonnablement reler à la longueur du mot. On peut chercher à quantfer l nformaton gagnée à la récepton d un mot de E k (où l nformaton transmse par l employé de la Poste). On note I k cette nformaton. Celle-c devrat vérfer deux proprétés ntutves :

3 Éléments de théore de l nformaton pour les communcatons 3 (a) I(E k+l ) = I(E k ) + I(E l ) (b) I(E k ) I(E k+l ) Précsons la sgnfcaton de l exgence (a). On peut décomposer l ensemble E k+l, qu comprend k+l éléments, en k sous-ensembles de l éléments. Dans ces condtons, la sélecton d un élément de E k+l peut être vue comme la sélecton d un des sous-ensembles, qu nécesste une nformaton I(E k ), suve par la sélecton d un élément du sous-ensemble, avec l nformaton I(E l ). L nformaton apportée par l élément est alors I(E k+l )=I(E k )+I(E l ). La seconde proprété ndque que plus l ensemble est grand, plus la sélecton d un élément nécesste d nformaton. Ces deux proprétés suffsent à détermner la forme prse par la mesure d nformaton : I(E k ) = αk.log(), où est le nombre de lettres dans l alphabet, K la longueur du message, et α une constante arbtrare qu fxe la base du logarthme. En communcatons, on s ntéresse souvent à des séquences bnares, et on mpose la normalsaton I(E ) =, ce qu condut à : I(E k ) = Klog (). Cette dernère relaton est la formule de HARTLEY, proposée dès 98. Le rasonnement précédent s appue mplctement sur une hypothèse d équprobablté des mots de même longueur. Cec ne sera évdemment pas souvent le cas, en fat dès que les lettres de l alphabet ne seront plus équprobables. Consdérons un ensemble de mots M,..., M, de probablté d occurrence P,..., P, avec P =. = On peut de la même façon que précédemment chercher à défnr l nformaton portée par la connassance d un mot. otons I(M ) l nformaton relatve à un mot de probablté P. Deux exgences suffsent encore à détermner la forme de cette nformaton. (a) I(M kl ) = I(M k ) + I(M l ) (b) I(M ) est une foncton décrossante de la probablté P.

4 4 Éléments de théore de l nformaton pour les communcatons La premère proprété llustre le fat que l nformaton apportée par un mot M kl, composé de deux mots M k et M l, supposés ndépendants, est égale à la somme des nformatons apportées par ses partes. La seconde exgence ndque que l nformaton apportée par un mot, ou l nformaton nécessare pour le caractérser est d autant plus mportante que sa probablté est fable. Ces deux exgences, auxquelles on aoute une exgence de contnuté, condusent à : I(M ) = -αlog(p ), où la constante α est à nouveau arbtrare. Comme précédemment, on utlsera souvent le logarthme de base. Remarques sur les untés : Lorsqu on chost le logarthme népéren, l unté d nformaton est le nat (natural unt). Lorsqu on chost le logarthme en base 0, l unté est le dt (decmal unt), ou Hartley. Lorsqu on chost le logarthme en base, l unté est le bt (bnary unt), ou Shannon, qu l ne faut pas confondre avec le bt de l nformatque (bnary dgt), et qu est smplement un chffre bnare. L nformaton étable c-dessus n entre pas en contradcton avec la formule de Hartley. En effet, dans l ensemble E k, où l on consdère tous les mots équprobables avec la probablté -k, on obtent I(M ) = klog(). On s ntéresse également à l nformatque apportée en moyenne par ces mots {M,..., M }. Cette nformaton caractérsera par exemple l nformaton moyenne émse par une source. Cette nformaton ne dépend que de la lo P. On la note H(P), ou H(P,..., P), ou encore H(x), où x représente une varable prenant ces valeurs dans { M } H(X) = E p [ I(X) ] = P log P =,..., M, avec la lo P. Cette relaton a été étable par Shannon (948), et ndépendamment par Wener (948, dans son lvre Cybernetcs). Le parallèle avec l entrope de la thermodynamque et de la physque statstque n est pas fortut. Shannon a reconnu avor été gudé par les résultats de Boltzmann, et l anecdote conte que c est von eumann qu a consellé à Shannon de baptser «entrope» sa mesure d nformaton, en rason de la smltude des expressons, et parce que «personne ne sat vrament ce qu est l entrope».

5 Éléments de théore de l nformaton pour les communcatons 5 Les relatons entre l entrope de la physque et l entrope de la théore de l nformaton ont été dscutées par exemple par Brlloun (Scence and Informaton Theory, Academc Press, 956). L entrope possède pluseurs proprétés naturelles que nous donnons c-après : () l entrope est maxmale lorsque les événements sont équprobables, P = et vaut alors log( ); c est dans cette confguraton que le système est le mons ben défn et que les messages sont les plus «surprenants» et apportent le plus d nformaton. () l nformaton est mnmale lorsque l un des événements est certan : le système est parfatement connu, et aucun apport d nformaton n est possble. () pour événements équprobables, l entrope croît avec. (v) l entrope est une foncton postve, contnue et symétrque en ses arguments. (v) l nformaton acquse en deux étapes s aoute : H P P H Q Q Q H P P Q H P + P (,..., ) = (, ) +,..., +,..., Q Q Q Q où Q P = =, Q = P = M + M M sont les probabltés de deux groupes d événements dstncts,..., M et M+,...,. L nformaton moyenne de l événement total est ans égale à la somme des nformatons moyennes apportées par les deux événements de la partton, pondérée par leurs probabltés d apparton, et de l nformaton de partage. Preuve de () : On établt d abord une proprété très mportante dans ce cours, et qu est appelée dans beaucoup d ouvrages le lemme fondamental. On utlse la proprété ln x x, avec égalté pour x =. On consdère deux dstrbutons de probablté P = { P,..., P }, et Q = { Q,..., Q }. On consdère ensute D( P Q) En utlsant ln(x) x-, on a alors D( P Q) Q = P log = P ln( ) k = k = ln( ) = P Q P D( P Q) Q P = 0, ln( ) P Q ln P

6 6 Éléments de théore de l nformaton pour les communcatons sot D( P Q) une négalté fondamentale. P = P log 0, Q k = En prenant enfn Q =, l reste P log P log ( ), et enfn H( P) = P P ( ) log log Autre démonstraton : On cherche à maxmser l entrope H( P) P log P =, sur l ensemble des dstrbutons { P }.,..., P telles que P = Cec est un problème de maxmsaton sous contrante, pour lequel on fat appel au Lagrangen : ( ) L( P, λ) = P log P + λ P L( P, λ) = 0 log P + λ = 0, P sot P = e λ +, donc tous les P sont égaux et équprobables, et P =. On en dédut H ( max P ) = log( ). Exemple : lo de BEROULLI. On consdère l ensemble { a a },, mun des probabltés p et (-p). H( X ) = P log P = p log p ( p) log( p) = H(X) q p=0 ; -p= événement certan, H( X ) = 0, q p=, événement certan, H( X ) = 0, q p =, équprobablté, H(X) maxmale. 0 P. Codage de source

7 Éléments de théore de l nformaton pour les communcatons 7 Un problème très mportant en communcatons est la représentaton effcace des données générées par une source. Ce processus de représentaton est le codage de source. Pour être effcace, l encodeur dot s appuyer sur les caractérstques probablstes de la source. Les mots-codes les plus courts seront par exemple affectés aux messages les plus fréquents,.e. de plus forte probablté. Cec est le cas du code Morse. En code Morse, les lettres et les chffres sont codés en successon de marque «.» et d espaces «_». La lettre la plus fréquente, le E, est ans codé «.» alors que la lettre la plus rare, Q (en anglas), est codée «.». On s ntéresse à encoder des messages M K en une séquence b K, de longueur l K. La probablté du message M K est désgnée par P K. La longueur moyenne d un mot-code vaut alors L = K= P l K K. Cette longueur moyenne représente alors le nombre moyen de bts (bnary dgts) par symbole source, utlsé par le processus de codage (s l alphabet est bnare). Les mots codes { C,..., C } ont même probablté que les messages { M M } désgne par { Q } { a },...,. On,..., Q L les probabltés assocées à chacune des lettres de l alphabet,..., a L. L entrope de la source, qu est auss l entrope du code, vaut alors H( S) = H( C) = P log P. L = L entrope de l alphabet vaut quant-à-elle ( ) H A = Q logq L = L nformaton moyenne par mot code est auss donnée par le produt entre le nombre moyen de lettres dans le mot et l nformaton moyenne des lettres : H( C) = L. H( A) Or, H( A ) est borné par log( L ) (toutes les lettres équprobables). On en dédut donc sot H( C) L.log ( L), H( C) L log ( L).

8 8 Éléments de théore de l nformaton pour les communcatons L entrope de la source mpose donc une lmte fondamentale à la longueur moyenne d un mot code utlsé pour représenter les symboles éms par cette source. Ce résultat, le théorème du codage de source, ndque qu l est possble de représenter les symboles éms à l ade de mots, dont la longueur moyenne la plus fable est bornée par l entrope de la source. Tout code dont la longueur moyenne serat plus fable ne pourrat représenter, sans erreur de décodage, les dfférents symboles assocés à cette source. En général, l alphabet de la source et l alphabet du canal sont dfférents. Un des premers buts du codage est de passer de l un à l autre. Un autre pont est que le code «naturel» assocé à une source est souvent très redondant. L obectf du codage de source est alors d élmner cette redondance, pour aboutr à un code dont la longueur moyenne est la plus proche possble du rapport entre l entrope de la source et l entrope maxmale de l alphabet. Exemples : codes rréductbles Les codes rréductbles sont des codes déchffrables (ou à décodage unque), qu peuvent être décodés sans utlser les mots suvants ou précédents. Ce sont des codes nstantanés. Ils sont construts en utlsant la condton du préfxe. Condton du préfxe : l n exste aucun mot-code qu sot le commencement d un autre motcode. Exemple : M P I II III M M M M Le code n II est c un code à préfxe. Constructon d un code rréductble (bnare) On dvse M = { M,..., M K, M K+,..., M } en deux sous ensembles {,..., } et { M M } M = K+ M = M M K,..., et on attrbue comme premère lettre «0» à tous les messages de M, et comme premère lettre à tous les messages de M. On rétère cette opératon en dvsant M en deux sous ensembles M et M, pus M en M et M.

9 Éléments de théore de l nformaton pour les communcatons 9 On contnue usqu à ce qu l ne reste plus qu un élément dans chaque sous ensemble. Le code obtenu ans est rréductble. L arbtrare de la constructon du code est contenu dans le chox des dvsons en sous ensembles. Codage de Huffman : Le codage de Huffman est un code à préfxe, qu utlse les statstques de la source, l dée de base étant d obtenr des ensembles de même rang {M M }, {M M }, de probabltés les plus proches possbles. L algorthme est le suvant : Les symboles sont classés par ordre de probablté décrossante. On assgne alors aux deux symboles de probablté la plus fable les lettres 0 et. Ces deux symboles sont combnés en un nouveau symbole, fctf, dont la probablté est la somme des probabltés des symboles élémentares. La lste des symboles est alors mse à our. Cette lste est touours classée, et comporte un élément de mons. La procédure est rétérée, usqu à ce que la lste fnale ne contenne plus que deux symboles, auxquels on assgne les lettres «0» et. Le code pour chaque symbole ntal est alors établ en repartant «à l envers» et en notant la sute de 0 et de. Exemple : Symbole M M M 3 M 4 M 5 Probablté 0,4 0, 0, 0 0, 0, 0,4 0, 0 0, 0, sot : 0,4 0 0,4 0, M M M 3 M 4 M ,6 0,4 Il est clar que ce codage n est pas unque. En effet, l y a un arbtrare dans l affectaton des 0 et des à chaque étape, l y a un arbtrare dans le classement des symboles lorsque pluseurs possèdent la même probablté, et un arbtrare dans le placement du nouveau

10 0 Éléments de théore de l nformaton pour les communcatons symbole lorsque d autres ont la même probablté. Deux stratéges peuvent alors être employées : placer le nouveau symbole auss haut ou auss bas que possble. Entrope de la source : 5 H( S) = P log P = 93. bts = Longueur moyenne du code : 5 L = Pl =. = On retrouve c la relaton L H( S) (théorème du codage de source), qu ndque que le code de Huffman permet c de s approcher à 0,078 bts de la longueur moyenne lmte pour cette source. 3. Entropes et canaux de communcaton ous avons dscuté précédemment de la caractérsaton des sources et du problème de codage de source. ous en arrvons mantenant au second aspect de la communcaton, à savor la transmsson du message sur le canal de communcaton, avec la caractérsaton du canal, et la possblté de transmettre sans erreur un message sur un canal mparfat. Cec est l obectf du codage de source. 3.. Canal dscret sans mémore Un canal dscret sans mémore est caractérsé par un ensemble dscret de messages source - un alphabet d entrée, et par un ensemble dscret de messages de sorte : X = Y = { x,..., x I } { y,..., y } J On dspose en outre d un ensemble de probabltés de transton, ( ) = ( Y = = ) p y x P y X x La transmsson des messages de X le long du canal peut alors être décrt par la dstrbuton de probablté cononte (, ) = ( ) ( ) p x y p y x p x La dstrbuton de probablté de la sorte peut être obtenue en margnalsant la dstrbuton cononte :,

11 Éléments de théore de l nformaton pour les communcatons I I ( ) = (, ) = ( ) ( ) p y p x y p y x p x = = Une représentaton commode d un canal dscret sans mémore est l utlsaton d une matrce de transton : ( ) p y p y ( ) J = ( ) p( y x I ) ( ) p y x p y x p y x ( ) p( y x ) p x p x ( ) ( ) J J I I Exemple : canal bnare symétrque (CBS) p x y -p -p x y p ( ) ( ) p y p y p = p ( ) ( ) p p x p p x 3.. Entropes pour un canal dscret. On défnt asément, pour un canal dscret, tros entropes : L entrope de source H( X ) = p log p L entrope de sorte H( Y) = p log p L entrope cononte entrée-sorte ( ) où on a noté ( ) ( ) p = p x = P X = x ( ) ( ) (, ) (, ) p = p y = P Y = y p = p x y = P X = x Y = y I = J = H X, Y p log p =

12 Éléments de théore de l nformaton pour les communcatons 3.3. Relatons entre les entropes. a) lorsque X et Y sont ndépendantes,.e. P( X Y) P( X ) P( Y) H( X, Y) = H( X ) + H( Y), =, alors En communcatons, l ndépendance entre X et Y sgnferat que le brut sur le canal est tellement mportant qu l supprme toute lason entre Y et X. b) entrope condtonnelle (, ) = (, ) log ( =, = ) H X Y P X Y P X x Y y or P( X = x, Y = y ) = P( Y = y X = x ) P( X = x ) alors [ ] (, ) = ( =, = ) ( = ) log ( = ) + log ( = = ) H X Y P Y y X x P X x P X x P Y y X x sot H( X, Y) = H( X ) P( X = x ) H( Y X = x ) On pose par défnton def ( ) = ( = ) ( = ) H Y X P X x H Y X x et H( X, Y) = H( X ) + H( Y X ) Pour des rasons de symétre, on a de la même façon : H( X Y) H( Y X ) H( X, Y) = H( Y) + H( X Y) représente une ncerttude moyenne sur l entrée lorsque la sorte est connue. C est l nformaton qu serat encore nécessare pour caractérser X alors que Y est connue. On l appelle l équvoque. représente l ncerttude moyenne sur la sorte lorsque l entrée X est connue. On l appelle parfos erreur moyenne.

13 Éléments de théore de l nformaton pour les communcatons Informaton mutuelle En sommant les deux relatons précédentes, on obtent l négalté H( X, Y) H( X ) + H( Y). À partr de ces deux relatons lant l entrope cononte et les entropes condtonnelles, on obtent H( Y) H( Y X ) = H( X ) H( X Y) Chacun des deux membres de cette égalté représente une dmnuton de l nformaton apportée par Y (respectvement X) lorsque X (respectvement Y) est connu. On appelle ces dfférences nformaton relatve donnée par Y sur X (par X sur Y), ou plus smplement, l nformaton mutuelle, I( X, Y). C est l nformaton transmse par le canal. - Dans le cas sans brut, H( X Y ) = 0 et I( X Y) H( X ), =, - dans le cas hyper bruté, H( X Y) = H( X ) et l nformaton mutuelle I( X Y), = 0. Afn d optmser la transmsson dans le canal, l faudra donc chercher à maxmser l nformaton échangée, c est-à-dre l nformaton mutuelle. Lorsque la source est fxée, maxmser l nformaton mutuelle revent à mnmser l équvoque H(X Y), c est-à-dre à mnmser l ncerttude sur X lorsque la sorte Y est connue. D un autre coté, lorsque la source est «lbre», maxmser l nformaton mutuelle, c est auss rechercher la source qu rende l nformaton émse en moyenne H(X) maxmale. On vot faclement que l nformaton mutuelle s exprme également par sot ( ) ( ) ( ) ( ) ( ) ( ) ( ) I M X, Y = H X H X Y = H X H X, Y H Y, ( ) ( ) ( ) ( ) I M X, Y = H X + H Y H X, Y. Cette négalté condut mmédatement à ( ) ( ) I X, Y p x, y log M = p( x, y ) ( ) p( y ) Cette dernère expresson n est autre que l entrope relatve ou le gan d nformaton, entre la dstrbuton cononte et le produt ( ) ( ) P X P Y. p x C est en quelque sorte une dstance entre la dstrbuton cononte, et la dstrbuton cononte qu on obtendrat dans le cas ndépendant.

14 4 Éléments de théore de l nformaton pour les communcatons 3.5. Relatons entre les entropes Rappelons le lemme fondamental : nous avons montré que p p log 0. q En applquant c cette négalté à l nformaton mutuelle, on obtent ( X Y ) I M, 0 et par conséquent - H( X ) + H( Y) H( X, Y) - H( X ) H( X Y) - H( Y) H( Y X ) La premère négalté sgnfe que l entrope cononte est nféreure à la somme des entropes des varables consdérées ndépendamment, à cause de la lason entre X et Y. Les deux négaltés suvantes sgnfent que l nformaton portée par X (respectvement Y) est nféreure à l nformaton portée par X, lorsque Y est connu. Relatons entre les entropes : résumé (, ) ( ) + ( ) (, ) ( ) ( ) H X Y H X H Y H X Y H Y H Y X (, ) ( ) + ( ) (, ) ( ) ( ) H X Y H X H Y H X Y H X H X Y

15 Éléments de théore de l nformaton pour les communcatons 5 Représentaton graphque : H(X) H(X) H(X Y) H(Y) H(Y) I M (X,Y) H(Y X) Cas ndépendant H(X,Y) Les dfférentes entropes représentent les surfaces ndquées H(Y) H(X) Lason Y=f(X) 3.6. Capacté d un canal ous avons vu que l optmsaton de la transmsson dans le canal passat par la maxmsaton de l nformaton échangée ; cec débouche sur la noton de capacté du canal. La capacté d un canal est défne comme la valeur maxmale de l nformaton mutuelle entréesorte. def ( ) ( ) ( ) ( ) ( ) C = max I X, Y = max H X H X Y = max H Y H Y X L nformaton mutuelle dépend à la fos des probabltés de transton et de la dstrbuton de la source. Lorsque le canal, c est-à-dre les probabltés de transton sont fxées, on ne peut plus qu agr sur la dstrbuton de probablté de la source pour maxmser l nformaton mutuelle. C est auss l obet du codage de source.

16 6 Éléments de théore de l nformaton pour les communcatons Exemple : le canal bnare symétrque ( ) = log ( ) log( ) H Y X p p p p (, ) = ( ) ( ) I X Y H Y H Y X H( Y ) est max s p( y) = p( y ) = En rason de la symétre du canal, l faut que p( x ) p( x ) La capacté du canal vaut alors ( ) ( ) C = + plog p + p log p. = =, et H( Y ) =. H(p) C(p) / p 3.7. Le théorème du canal bruyant. On défnt le taux moyen d nformaton par R = H( X ) T S en bts/s (débt de la source) (on suppose que la source émet un symbole toutes les T S secondes). On suppose que le canal peut être utlsé toutes les T C secondes. On défnt alors la capacté par unté de temps par C T C (bts/s). Le théorème est en deux partes : () s H( X ) T S C T, C alors l exste un code tel que la sorte de la source pusse être transmse sur le canal et reconstrute avec une probablté d erreur arbtrarement fable. Le paramètre C T C est appelé le taux crtque. Le débt vaut au maxmum le taux crtque. () au contrare, s H( X ) T S C >, T C l n est pas possble, en moyenne, de transmettre d nformaton sans erreur.

17 Éléments de théore de l nformaton pour les communcatons 7 4. Cas contnu On s ntéresse mantenant à des varables à valeurs réelles, et non plus à valeurs dscrètes. Il s agt souvent des sgnaux présents en pratque à l entrée et à la sorte du canal. De plus, le brut addtf est souvent contnu et fat perdre le caractère éventuellement dscret des sgnaux auxquels nous nous ntéressons. Il est tentant de redéfnr les entropes conontes, condtonnelles pour des varables réelles en remplaçant les sommes dscrètes par des ntégrales. Une telle manpulaton est ncorrecte. En effet, en découpant de plus en plus fnement un ntervalle, l entrope dscrète dverge : p(x) p(x K ) x x K x S on pose x K = K x, avec K =,... + et x 0, ( ) = lm ( K ) log ( K ) H X p x x p x x x 0 où ( ) p x est la densté de probablté de X ( K ) ( K ) ( K ) ( K ) O = lm p x x log p x p x p x x log x x + = p( x) log p( x) dx lm log( x) p( x) dx H( X ) = h ( X ) lm log( x). C x 0 x 0 + Il est par contre une quantté qu converge sans problème, à savor l nformaton mutuelle. On retrouve donc la noton d nformaton mutuelle et de capacté. L négalté fondamentale s étend également sans (trop) de dffculté (on peut être amené à ntrodure des éléments de théore de la mesure). ( ) p( x y) + = p( x, y) ( ) ( ) I X, Y, log p x p y dxdy On a c défn la densté cononte par rapport à la mesure de Lebesgue.

18 8 Éléments de théore de l nformaton pour les communcatons Exemple : dstrbuton unforme On consdère une varable aléatore réparte de façon unforme sur l ntervalle [ 0,a] ( ) p X = s x [ 0, a] a ( ) p X = 0 snon. L entrope de la lo unforme vaut alors + 0 H( X ) = a log a dx a a = log = 0 a a dx log a. Pour a [ 0, ], l entrope est négatve. On rappelle que le passage à la lmte du cas dscret au cas contnu fat apparaître quelques problèmes... exercce : montrer que s une varable aléatore est contrante à appartenr à [ a, a], alors la lo à maxmum d entrope est la lo unforme sur [ a, a]. soluton : On écrt le Lagrangen, ( ) + a + a (, λ) = ( ) log ( ) + λ ( ), L p p x p x dx p x dx a en dérvant sous l ntégrale (osé), on trouve p( x ) = exp( λ ). a La condton de normalsaton fournt ensute λ = + log( a ). p( x) = a [ a, a]. sur l ntervalle 4.. Le cas gaussen. La dstrbuton gaussenne est très mportante, à la fos parce qu elle permet de calculer, et ensute parce qu elle ustfe du théorème centrale lmte. Elle apparaît en outre comme la dstrbuton à maxmum d entrope sous une contrante de varance. Elle est très souvent une modélsaton commode pour les bruts rencontrés en pratque. La dstrbuton gaussenne est défne par ( x m) p( x) = exp, π σ σ

19 Éléments de théore de l nformaton pour les communcatons 9 où m est la moyenne et σ la varance. L entrope attachée à une dstrbuton gaussenne est donnée par ( x m) log ( ) ( ) log ( ) = ( ) log e p x p x dx p x σ σ = log σ π σ log e = loge log π σ log ( ) = log ( π eσ ) H X e πσ dx 4.. Maxmsaton de l entrope sous contrante de varance et moyenne. Le lemme fondamental permet d écrre, + p( x) p ( x) x log 0 q( x) dans le cas contnu également. On en dédut que + p( x) log p( x) dx p( x) logq( x) dx + sot H( P) p( x) logq( x) dx On prend q ( m ),σ. On suppose que p a mêmes moyennes et varance que q. + + ( x m) H( P) p( x). + dx ( e) log π σ log σ ( ) H P σ + log σ π σ log sot H( P) ( e ) log π σ. e On en dédut que parm toutes les los de mêmes moyenne et varance, la lo normale est celle qu possède l entrope maxmale. Exercce : montrer que la lo normale est la lo à entrope maxmale sous contrante de moyenne et varance, en procédant par la technque des Lagrangens.

20 0 Éléments de théore de l nformaton pour les communcatons 4.3. Informaton mutuelle L nformaton mutuelle dans le cas contnu possède les mêmes proprétés et nterprétatons que dans le cas dscret. (, ) = I( Y, X ) (, ) 0 (, ) = ( ) ( ) (, ) = ( ) ( ) (, ) = ( ) + ( ) (, ) I X Y I X Y I X Y H X H X Y I X Y H Y H Y X I X Y H X H Y H X Y 4.4. Le théorème de la capacté d nformaton Le théorème de la capacté d nformaton permet d utlser la noton d nformaton mutuelle dans le cas d un canal à bande lmtée, d une source de pussance lmtée, et d un brut addtf gaussen. On consdère un processus aléatore ( ) X t à bande lmtée B. On échantllonne ce processus sur une durée Τ à la fréquence de Shannon B. On obtent alors K = BΤ échantllons x,... x K. Ces échantllons sont transms sur un canal, également à bande lmtée B, perturbée par un brut addtf gaussen. y( n) = x( n) + ξ ( n). On prend un brut blanc dans la bande, de densté spectrale 0. σ = 0 = 0 B B 0 -B B

21 Éléments de théore de l nformaton pour les communcatons La source est de pussance lmtée : E[ X ( n) ] = P X 0 B La capacté d nformaton est le maxmum de l nformaton mutuelle, sous contrante de pussance pour la source : { ( ) [ ] } C = max I X, Y : E X = P X L nformaton mutuelle peut être exprmée comme I( X, Y) = H( Y) H( Y X ). Dans la mesure où X et ξ sont ndépendants, on a ( ) p( ) p y x = ξ, et ( ) H( ) H Y X = ξ. Maxmser l nformaton mutuelle revent donc à maxmser ( ) H Y ; la pussance en sorte est fxée ; en effet, [ ] ( ) [ ] [ ] [ ] E Y = E X + ξ = E X + E ξ.. La dstrbuton qu maxmse l entrope de la sorte est donc une dstrbuton gaussenne, d entrope ( ) H Y e P X ( ) = log π [ + σ ] La sorte étant gaussenne, l entrée l est forcément, (lo stable : gauss + gauss = gauss), et son entrope vaut ( ) log ( π ) H X = Au total, on obtent donc l expresson de la capacté d nformaton : ep X C H( Y) H( ) e P X + σ = ξ = log π, σ P sot encore C = log e + π σ

22 Éléments de théore de l nformaton pour les communcatons La capacté par unté de temps (en bts/sec) vaut c P C = B log + bts/s 0B Le théorème de la capacté d nformaton est donc smplement : la capacté d nformaton, pour un canal contnu, à bande lmtée B, perturbé par un brut blanc addtf gaussen de densté spectrale 0, et lmté en bande à B, est P C = B log + bts/s, 0 B où P est la pussance transmse moyenne. Le théorème ndque que l on peut transmettre sans erreur sur un canal de ce type, pourvu que ( ) le débt vérfe R C R = H X. T S 4.5. Conséquences du théorème sur la capacté d nformaton On s ntéresse au système déal, où Rb = R = C (taux crtque en bts/s). On exprme la pussance comme On a alors P = Eb C E b : homogène à une énerge/bt. C B De façon équvalente, E C b = log +. 0 B E b 0 = C B C B E b 0 est un rapport sgnal-à-brut (par bt) C est l effcacté spectrale B E Pour une bande nfne, b 0 C B = lm B C B = log ( ) = 0, 693 =, 603 db.

Valeur absolue et fonction valeur absolue Cours

Valeur absolue et fonction valeur absolue Cours Valeur absolue foncton valeur absolue Cours CHAPITRE 1 : Dstance entre deu réels 1) Eemples prélmnares 2) Défnton 3) Proprétés CHAPITRE 2 : Valeur absolue d un réel 1) Défnton 2) Proprétés CHAPITRE 3 :

Plus en détail

Corrélation et régression linéaire

Corrélation et régression linéaire Corrélaton et régresson lnéare 1. Concept de corrélaton. Analyse de régresson lnéare 3. Dfférences entre valeurs prédtes et observées d une varable 1. Concept de corrélaton L objectf est d analyser un

Plus en détail

Mémento de théorie de l information

Mémento de théorie de l information Mémento de théore de l nformaton Glles Zémor 6 octobre 204 0 Rappels de probabltés Espaces probablsés. Un espace probablsé (Ω, P ) est un ensemble Ω mun d une mesure de probablté P qu est, lorsque Ω est

Plus en détail

Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 Année 2011 12. TD4. Tribus.

Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 Année 2011 12. TD4. Tribus. Unversté Perre & Mare Cure (Pars 6) Lcence de Mathématques L3 UE LM364 Intégraton 1 Année 2011 12 TD4. Trbus. Échauffements Exercce 1. Sot X un ensemble. Donner des condtons sur X pour que les classes

Plus en détail

Mesure avec une règle

Mesure avec une règle Mesure avec une règle par Matheu ROUAUD Professeur de Scences Physques en prépa, Dplômé en Physque Théorque. Lycée Alan-Fourner 8000 Bourges ecrre@ncerttudes.fr RÉSUMÉ La mesure d'une grandeur par un système

Plus en détail

Utilisation du symbole

Utilisation du symbole HKBL / 7 symbole sgma Utlsaton du symbole Notaton : Pour parler de la somme des termes successfs d une sute, on peut ou ben utlser les pontllés ou ben utlser le symbole «sgma» majuscule noté Par exemple,

Plus en détail

Exercices d algorithmique

Exercices d algorithmique Exercces d algorthmque Les algorthmes proposés ne sont pas classés par ordre de dffculté Nombres Ecrre un algorthme qu renvoe la somme des nombre entre 0 et n passé en paramètre Ecrre un algorthme qu renvoe

Plus en détail

Solution : 1. Soit y = α + βt, l équation de la droite considérée. Le problème de régression linéaire s écrit. i=1 2(α + βt i b i )t i

Solution : 1. Soit y = α + βt, l équation de la droite considérée. Le problème de régression linéaire s écrit. i=1 2(α + βt i b i )t i Exercces avec corrgé succnct du chaptre 3 (Remarque : les références ne sont pas gérées dans ce document, par contre les quelques?? qu apparassent dans ce texte sont ben défns dans la verson écran complète

Plus en détail

Remboursement d un emprunt par annuités constantes

Remboursement d un emprunt par annuités constantes Sére STG Journées de formaton Janver 2006 Remboursement d un emprunt par annutés constantes Le prncpe Utlsaton du tableur Un emprunteur s adresse à un prêteur pour obtenr une somme d argent (la dette)

Plus en détail

classification non supervisée : pas de classes prédéfinies Applications typiques

classification non supervisée : pas de classes prédéfinies Applications typiques Qu est ce que le clusterng? analyse de clusterng regroupement des obets en clusters un cluster : une collecton d obets smlares au sen d un même cluster dssmlares au obets appartenant à d autres clusters

Plus en détail

Les jeunes économistes

Les jeunes économistes Chaptre1 : les ntérêts smples 1. défnton et calcul pratque : Défnton : Dans le cas de l ntérêt smple, le captal reste nvarable pendant toute la durée du prêt. L emprunteur dot verser, à la fn de chaque

Plus en détail

Montage émetteur commun

Montage émetteur commun tour au menu ontage émetteur commun Polarsaton d un transstor. ôle de la polarsaton La polarsaton a pour rôle de placer le pont de fonctonnement du transstor dans une zone où ses caractérstques sont lnéares.

Plus en détail

SIMNUM : Simulation de systèmes auto-gravitants en orbite

SIMNUM : Simulation de systèmes auto-gravitants en orbite SIMNUM : Smulaton de systèmes auto-gravtants en orbte sujet proposé par Ncolas Kelbasewcz : ncolas.kelbasewcz@ensta-parstech.fr 14 janver 2014 1 Établssement du modèle 1.1 Approxmaton de champ lontan La

Plus en détail

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks Plan Geston des stocks Abdellah El Fallah Ensa de Tétouan 2011 Les opératons de gestons des stocks Les coûts assocés à la geston des stocks Le rôle des stocks Modèle de la quantté économque Geston calendare

Plus en détail

Proposition d'une solution au problème d initialisation cas du K-means

Proposition d'une solution au problème d initialisation cas du K-means Proposton d'une soluton au problème d ntalsaton cas du K-means Z.Guelll et L.Zaou, Unversté des scences et de la technologe d Oran MB, Unversté Mohamed Boudaf USTO -BP 505 El Mnaouer -ORAN - Algére g.zouaou@gmal.com,

Plus en détail

Méthodologie quiestlemoinscher de comparaison de prix entre magasins

Méthodologie quiestlemoinscher de comparaison de prix entre magasins Méthodologe questlemonscher de comparason de prx entre magasns Les éléments méthodologques ont été défns par le cabnet FaCE Consel, socété d études et d analyses statstques ndépendante. Le cabnet FaCE

Plus en détail

Représentation de l'information

Représentation de l'information 1. L nformaton 1-1 Dualté état et temps Représentaton de l'nformaton La noton d'nformaton correspond à la connassance d'un état donné parm pluseurs possbles à un nstant donné. La Fgure 1 llustre cette

Plus en détail

Note méthodologique. Traitements hebdomadaires Quiestlemoinscher.com. Quelle méthode de collecte de prix? Qui a collecté les prix?

Note méthodologique. Traitements hebdomadaires Quiestlemoinscher.com. Quelle méthode de collecte de prix? Qui a collecté les prix? Note méthodologque Tratements hebdomadares Questlemonscher.com Quelle méthode de collecte de prx? Les éléments méthodologques ont été défns par le cabnet FaE onsel, socété d études et d analyses statstques

Plus en détail

Combinaison de dires d'experts en élicitation de lois a priori. pour Listeria chez la souris. Exposé AppliBugs

Combinaison de dires d'experts en élicitation de lois a priori. pour Listeria chez la souris. Exposé AppliBugs Combnason de dres d'experts en élctaton de los a pror. Applcaton à un modèle doseréponse pour Lstera chez la sours. Exposé ApplBugs ISABELLE ALBERT 8 / / 03 INTRODUCTION Cet exposé présente une parte du

Plus en détail

Gestion et stratégie Utilisateur

Gestion et stratégie Utilisateur Geston et stratége Utlsateur GESTION ET STRATEGIE UTILISATEUR...2 1.) Comment gérer des utlsateurs?...2 1.1) Geston des utlsateurs en groupe de traval...2 1.2) Geston des utlsateurs par domane...2 Rôle

Plus en détail

) = n. ) = 2n. D - Inférence Statistique - Estimation et Tests d hypothèses 5. Tests du Khi-deux (non paramétrique) Loi du Chi-deux (χ 2 n

) = n. ) = 2n. D - Inférence Statistique - Estimation et Tests d hypothèses 5. Tests du Khi-deux (non paramétrique) Loi du Chi-deux (χ 2 n 5. Tests du Kh-deux (non paramétrque) Lo du Ch-deux (χ n ) à n degrés de lberté (ddl) S X 1, X,..., X n, sont n varables ndépendantes, suvant toutes une lo normale N (0,1), la varable χ n = X 1 + X + +

Plus en détail

Ch 4 Séries statistiques à une dimension Définitions et représentation graphique

Ch 4 Séries statistiques à une dimension Définitions et représentation graphique Ch 4 Séres statstques à une dmenson Défntons et représentaton graphque Termnologe Ensemble étudé = populaton Eléments de cet ensemble = ndvdus ou untés Attrbut consdéré = caractère qu peut être qualtatf

Plus en détail

Grandeurs de réaction et de formation

Grandeurs de réaction et de formation PSI Brzeux Ch. hermochme 1 : grandeurs de réacton et de formaton 1 C H A P I R E 1 r a p p e l s e t c o m p l é m e n t s ) Grandeurs de réacton et de formaton 1. RAPPELS 1.1. Phases et consttuants Donnons

Plus en détail

Cours de Calcul numérique MATH 031

Cours de Calcul numérique MATH 031 Cours de Calcul numérque MATH 03 G. Bontemp, A. da Slva Soares, M. De Wulf Département d'informatque Boulevard du Tromphe - CP22 http://www.ulb.ac.be/d Valeurs propres en pratque. Localsaton. Méthode de

Plus en détail

Le théorème du viriel

Le théorème du viriel Le théorème du vrel On se propose de démontrer le théorème du vrel de deux manères dfférentes. La premère fat appel à deux "trcks" qu l faut vor. Cette preuve met en avant une quantté, notée S c, qu permet

Plus en détail

EXAMEN FINAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSION 1 - Correction -

EXAMEN FINAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSION 1 - Correction - EXAME FIAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSIO 1 - Correcton - Exercce 1 : 1) Consdérons une entreprse E comportant deux établssements : E1 et E2 qu emploent chacun 200 salarés. Au sen de l'établssement

Plus en détail

Université d El Oued Cours Circuits Electriques 3 LMD-EM

Université d El Oued Cours Circuits Electriques 3 LMD-EM ère parte : Electrocnétque Chaptre ntroducton L Electrocnétque est la parte de l Electrcté qu étude les courants électrques. - Courant électrque -- Défntons Défnton : un courant électrque est un mouvement

Plus en détail

TP Programmation de protocoles de communication Basé sur un TP de M1- Master IST, Université Paris-Sud

TP Programmation de protocoles de communication Basé sur un TP de M1- Master IST, Université Paris-Sud IUT Bordeaux 1 2008-2009 Département Informatque ASR2-Réseaux TP Programmaton de protocoles de communcaton Basé sur un TP de M1- Master IST, Unversté Pars-Sud Ce TP a pour objectf d'nter à la programmaton

Plus en détail

Le raisonnement incertain

Le raisonnement incertain 1 Plan général 2 Le rasonnement ncertan dans les systèmes experts I- Introducton aux systèmes experts II- Fondements : organsaton et fonctonnement des SE III- Le rasonnement ncertan Introducton Antone

Plus en détail

Ton domaine réservé Organisation Simplicité Efficacité

Ton domaine réservé Organisation Simplicité Efficacité Rev. 07/2012 Ton domane réservé Organsaton Smplcté Effcacté www.vstos.t Ton La tua domane area rservata réservé 1 MyVstos MyVstos est une plate-forme nformatque réservée aux revendeurs Vstos qu permet

Plus en détail

Théorie des Nombres - TD1 Rappels d arithmétique élémentaire

Théorie des Nombres - TD1 Rappels d arithmétique élémentaire Unversté Perre & Mare Cure Master de mathématques 1 Année 2012-2013 Module MM020 Théore des Nombres - TD1 Rappels d arthmétque élémentare Exercce 1 : Trouver tous les enters n N tels que ϕ(n) = 6. Même

Plus en détail

Assurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire

Assurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire Assurance malade et aléa de moralté ex-ante : L ncdence de l hétérogénété de la perte santare Davd Alary 1 et Franck Ben 2 Cet artcle examne l ncdence de l hétérogénété de la perte santare sur les contrats

Plus en détail

Travaux pratiques : GBF et oscilloscope

Travaux pratiques : GBF et oscilloscope Travaux pratques : et osclloscope S. Benlhajlahsen ésumé L objectf de ce TP est d apprendre à utlser, c est-à-dre à régler, deux des apparels les plus couramment utlsés : le et l osclloscope. I. Premère

Plus en détail

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations Contrats prévoyance des TNS : Clarfer les règles pour sécurser les prestatons Résumé de notre proposton : A - Amélorer l nformaton des souscrpteurs B Prévor plus de souplesse dans l apprécaton des revenus

Plus en détail

MODELISATION DES PROCESSUS LINEAIRES

MODELISATION DES PROCESSUS LINEAIRES MDELISATIN DES PRCESSUS LINEAIRES Dans un premer temps, nous ne consdérons que des processus partculers, supposés notamment statonnare. Cec permet de présenter un certan nombre d'outls dans un cadre relatvement

Plus en détail

La fourniture de biens et facteurs publics en présence de ménages et d entreprises mobiles

La fourniture de biens et facteurs publics en présence de ménages et d entreprises mobiles La fournture de bens et facteurs publcs en présence de ménages et d entreprses mobles Pascale Duran-Vgneron évrer 007 Le modèle On suppose un pays drgé par un gouvernement central ayant compétence sur

Plus en détail

Installation & Guide de démarrage WL510 Adaptateur sans fil /Antenne

Installation & Guide de démarrage WL510 Adaptateur sans fil /Antenne Installaton & Gude de démarrage WL510 Adaptateur sans fl /Antenne Informaton mportante à propos du WL510 Adresse IP = 192.168.10.20 Nom d utlsateur = wl510 Mot de passe = wl510 QUICK START WL510-01- VR1.1

Plus en détail

Champ magnétique. 1 Notions préliminaires. 1.1 Courant électrique et densité de courant

Champ magnétique. 1 Notions préliminaires. 1.1 Courant électrique et densité de courant 4 Champ magnétque 1 Notons prélmnares 1.1 Courant électrque et densté de courant Un courant électrque est défn par un déplacement de charges électrques élémentares (ex : les électrons de conducton dans

Plus en détail

Q x2 = 1 2. est dans l ensemble plus grand des rationnels Q. Continuons ainsi, l équation x 2 = 1 2

Q x2 = 1 2. est dans l ensemble plus grand des rationnels Q. Continuons ainsi, l équation x 2 = 1 2 Exo7 Nombres complexes Vdéo parte. Les nombres complexes, défntons et opératons Vdéo parte. Racnes carrées, équaton du second degré Vdéo parte 3. Argument et trgonométre Vdéo parte 4. Nombres complexes

Plus en détail

STATISTIQUE AVEC EXCEL

STATISTIQUE AVEC EXCEL STATISTIQUE AVEC EXCEL Excel offre d nnombrables possbltés de recuellr des données statstques, de les classer, de les analyser et de les représenter graphquement. Ce sont prncpalement les tros éléments

Plus en détail

1.0 Probabilité vs statistique...1. 1.1 Expérience aléatoire et espace échantillonnal...1. 1.2 Événement...2

1.0 Probabilité vs statistique...1. 1.1 Expérience aléatoire et espace échantillonnal...1. 1.2 Événement...2 - robabltés - haptre : Introducton à la théore des probabltés.0 robablté vs statstque.... Expérence aléatore et espace échantllonnal.... Événement.... xomes défnton de probablté..... Quelques théorèmes

Plus en détail

Algorithme approché d optimisation d un modèle de Processus Décisionnel de Markov sur Graphe

Algorithme approché d optimisation d un modèle de Processus Décisionnel de Markov sur Graphe Algorthme approché d optmsaton d un modèle de Processus Décsonnel de Markov sur Graphe Nathale Peyrard Régs Sabbadn INRA-MIA Avgnon et Toulouse E-Mal: {peyrard,sabbadn}@toulouse.nra.fr Réseau MSTGA, Avgnon,

Plus en détail

Activité Intitulé de l'activité Volume horaire

Activité Intitulé de l'activité Volume horaire Informatons de l'unté d'ensegnement Implantaton Cursus de ECAM Insttut Supéreur Industrel Bacheler en Scences ndustrelles Electronque applquée B2150 Cycle 1 Bloc 2 Quadrmestre 2 Pondératon 4 Nombre de

Plus en détail

Cours Corporate finance

Cours Corporate finance Cours Corporate fnance Eléments de théore du portefeulle Le edaf Franços Longn www.longn.fr lan Notons de rentablté Défnton odélsaton Eléments de théore du portefeulle ortefeulle Dversfcaton Le edaf Le

Plus en détail

1 Introduction. 2 Définitions des sources de tension et de courant : Cours. Date : A2 Analyser le système Conversion statique de l énergie. 2 h.

1 Introduction. 2 Définitions des sources de tension et de courant : Cours. Date : A2 Analyser le système Conversion statique de l énergie. 2 h. A2 Analyser le système Converson statque de l énerge Date : Nom : Cours 2 h 1 Introducton Un ConVertsseur Statque d énerge (CVS) est un montage utlsant des nterrupteurs à semconducteurs permettant par

Plus en détail

DÉCLARATIONS POUR LA BALANCE DES PAIEMENTS

DÉCLARATIONS POUR LA BALANCE DES PAIEMENTS DÉCLARATIONS POUR LA BALANCE DES PAIEMENTS GUICHET D ÉCHANGES DE FICHIERS SUR INTERNET GFIN TABLE DES MATIÈRES 1 1. PRINCIPES GÉNÉRAUX... 3 1.1 GÉNÉRALITÉS... 3 1.2 ÉLÉMENTS TECHNIQUES... 3 1.3 SPÉCIFICITÉS

Plus en détail

Information mutuelle et partition optimale du support d une mesure de probabilité

Information mutuelle et partition optimale du support d une mesure de probabilité Informaton mutuelle et partton optmale du support d une mesure de probablté Bernard Coln et Ernest Monga Département de Mathématques Unversté de Sherbrooke Sherbrooke JK-R (Québec) Canada bernard.coln@usherbrooke.ca

Plus en détail

Accord Entreprise. Le Guide du True-Up. Enterprise Agreement True - Up Guide

Accord Entreprise. Le Guide du True-Up. Enterprise Agreement True - Up Guide Enterprse Agreement True-Up Gude Accord Entreprse Le Gude du True-Up Enterprse Agreement True - Up Gude Le gude du True-Up dans l Accord Entreprse Table des matères Le True-Up des lcences on premse et

Plus en détail

DEA de physique subatomique Corrigé de l examen d analyse statistique des données et de modélisation session de février - année 2002-2003

DEA de physique subatomique Corrigé de l examen d analyse statistique des données et de modélisation session de février - année 2002-2003 DEA d physqu subatomqu Corrgé d l xamn d analys statstqu ds donnés t d modélsaton ssson d févrr - anné 22-23 Jérôm Baudot sur 45 ponts I- Errur sur la msur d un asymétr avant-arrèr ponts I-a La formul

Plus en détail

éléments d'analyse statistique

éléments d'analyse statistique éléments danalse statstque applcaton à lhdrologe deuxème édton D. Ther octobre 989 R 30 73 EAU 4S 89 BUREAU DE RECHERCHES GEOLOGIQUES ET MINIERES SERVICES SOL ET SOUS-SOL Département Eau B.P. 6009-45060

Plus en détail

Généralités sur les fonctions 1ES

Généralités sur les fonctions 1ES Généraltés sur les fonctons ES GENERALITES SUR LES FNCTINS I. RAPPELS a. Vocabulare Défnton Une foncton est un procédé qu permet d assocer à un nombre x appartenant à un ensemble D un nombre y n note :

Plus en détail

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique Spécale PSI - Cours "Electromagnétsme" 1 Inducton électromagnétque Chaptre IV : Inductance propre, nductance mutuelle. Energe électromagnétque Objectfs: Coecents d nductance propre L et mutuelle M Blan

Plus en détail

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA)

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Unversté d Orléans Econométre des Varables Qualtatves Chaptre 3 Modèles à Varable Dépendante Lmtée Modèles Tobt Smples et Tobt Généralsés Chrstophe Hurln

Plus en détail

TD 1. Statistiques à une variable.

TD 1. Statistiques à une variable. Danel Abécasss. Année unverstare 2010/2011 Prépa-L1 TD de bostatstques. Exercce 1. On consdère la sére suvante : TD 1. Statstques à une varable. 1. Calculer la moyenne et l écart type. 2. Calculer la médane

Plus en détail

Notes de cours. Échantillonnage STT-2000. David Haziza Département de mathématiques et de statistique Université de Montréal

Notes de cours. Échantillonnage STT-2000. David Haziza Département de mathématiques et de statistique Université de Montréal otes de cours Échantllonnage STT-000 Davd Hazza Département de mathématques et de statstque nversté de Montréal Automne 008 PRÉFACE Ces notes de cours ont été rédgées pour le cours STT-000 (Échantllonnage)

Plus en détail

Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amiens.fr/pedagogie/maths/new/ue2007/synthese_atelier_annette_alain.

Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amiens.fr/pedagogie/maths/new/ue2007/synthese_atelier_annette_alain. Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amens.fr/pedagoge/maths/new/ue2007/synthese_ateler_annette_alan.pdf 1 La règle du jeu Un drecteur de casno se propose d nstaller le

Plus en détail

Terminal numérique TM 13 raccordé aux installations Integral 33

Terminal numérique TM 13 raccordé aux installations Integral 33 Termnal numérque TM 13 raccordé aux nstallatons Integral 33 Notce d utlsaton Vous garderez une longueur d avance. Famlarsez--vous avec votre téléphone Remarques mportantes Chaptres à lre en prorté -- Vue

Plus en détail

Chapitre 3 : Incertitudes CHAPITRE 3 INCERTITUDES. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à effet de serre 3.

Chapitre 3 : Incertitudes CHAPITRE 3 INCERTITUDES. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à effet de serre 3. Chaptre 3 : Incerttudes CHAPITRE 3 INCERTITUDES Lgnes drectrces 2006 du GIEC pour les nventares natonaux de gaz à effet de serre 3.1 Volume 1 : Orentatons générales et établssement des rapports Auteurs

Plus en détail

TRANSFERT DE CARGAISON CALCULS ET ARRONDIS

TRANSFERT DE CARGAISON CALCULS ET ARRONDIS TRANSFERT DE CARGAISON CALCULS ET ARRONDIS SOMMAIRE 1. Méthode de détermnaton de l énerge transférée lors du transfert d une cargason de. Calcul de l énerge transférée.1 Calcul de l énerge brute transférée.1.1

Plus en détail

Enquête sur les services de télécommunications

Enquête sur les services de télécommunications Enquête sur les servces de télécouncatons Vu l'avs favorable du Consel Natonal de l'inforaton Statstque, cette enquête, reconnue d'ntérêt général et de qualté statstque, est oblgatore. Vsa n 200222EC du

Plus en détail

Electricité II : Régimes sinusoïdaux et transitoires AC and transient circuit analysis Fascicule d'exercices de Travaux Dirigés

Electricité II : Régimes sinusoïdaux et transitoires AC and transient circuit analysis Fascicule d'exercices de Travaux Dirigés Electrcté II : égmes snusoïdaux et transtores and transent crcut analyss Fasccule d'exercces de Travaux Drgés 5 cours / Séances de TD / 5 séances de TP égmes snusoïdaux Nombre de séances de TD prévues

Plus en détail

Chapitre 5. Menu de SUPPORT

Chapitre 5. Menu de SUPPORT 155 Chaptre 5. Menu de SUPPORT Ce que vous apprendrez dans ce chaptre Ce chaptre vous présentera des routnes supplémentares susceptbles de vous ader dans les analyses de données présentées dans le chaptre

Plus en détail

Le Potentiel chimique

Le Potentiel chimique 44 Le Potentel chmque PIERRE DUHEM (1861 1916) 44.1 Grandeurs molares partelles 44.1.1 Varables de Gbbs Système polyphasé Nous étuderons dans la sute un système thermodynamque formé de pluseurs phases

Plus en détail

Soutien : Modèle de Potts mars 2015

Soutien : Modèle de Potts mars 2015 Année 04 05 Physque Statstque hors équlbre et transtons de phase Souten : Modèle de Potts mars 05 On onsdère une varante du modèle d Isng, dte de Potts, dans laquelle les N degrés de lberté (qu on appellera

Plus en détail

Fiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage

Fiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage Fche n 7 : Vérfcaton du débt et de la vtesse par la méthode de traçage 1. PRINCIPE La méthode de traçage permet de calculer le débt d un écoulement ndépendamment des mesurages de hauteur et de vtesse.

Plus en détail

Les nombres premiers ( Spécialité Maths) Terminale S

Les nombres premiers ( Spécialité Maths) Terminale S Les nombres premers ( Spécalté Maths) Termnale S Dernère mse à jour : Mercred 23 Avrl 2008 Vncent OBATON, Ensegnant au lycée Stendhal de Grenoble (Année 2007-2008) Lycée Stendhal, Grenoble ( Document de

Plus en détail

Informations de l'unité d'enseignement Implantation. Cursus de. Intitulé. Code. Cycle 1. Bloc 2. Quadrimestre 1. Pondération 4. Nombre de crédits 4

Informations de l'unité d'enseignement Implantation. Cursus de. Intitulé. Code. Cycle 1. Bloc 2. Quadrimestre 1. Pondération 4. Nombre de crédits 4 Informatons de l'unté d'ensegnement Implantaton Cursus de Inttulé Code ECAM Insttut Supéreur Industrel Bacheler en Scences ndustrelles Outls de communcaton B2050 Cycle 1 Bloc 2 Quadrmestre 1 Pondératon

Plus en détail

Économétrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University

Économétrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University Économétre 5 e édton Annexes : exercces et corrgés Wllam Greene New York Unversty Édton françase drgée par Dder Schlacther, IEP Pars, unversté Pars II Traducton : Stéphane Monjon, unversté Pars I Panthéon-Sorbonne

Plus en détail

Régression linéaire et incertitudes expérimentales

Régression linéaire et incertitudes expérimentales 91 e Année - N 796 Publcaton Mensuelle Jullet/Août/Septembre 1997 Régresson lnéare et ncerttudes expérmentales par Danel BEAUFILS Insttut Natonal de Recherche Pédagogque Département Technologes Nouvelles

Plus en détail

Le GSM : planification et dimensionnement

Le GSM : planification et dimensionnement Département Télécommuncatons Département Télécommuncatons Le GSM : planfcaton et dmensonnement Itnérs /SFR 89 95 Itnérs /SFR 89 95 Bouygues 7 75 6. INTRODUTION sncf Itnérs /SFR 876 88 89 95 Bouygues 7

Plus en détail

Modélisation et simulation du démarrage d un véhicule à boite de vitesses automatique avec les bond graphs

Modélisation et simulation du démarrage d un véhicule à boite de vitesses automatique avec les bond graphs Modélsaton et smulaton du démarrage d un véhcule à bote de vtesses automatque avec les bond graphs Dragos N. CRUCERU, Andre N. MACIAC, Valeran CROIORESCU, Génevève DAUPHIN ANGUY Laboratore d Automatque,

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2015 2016. Statistiques Descriptives

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2015 2016. Statistiques Descriptives UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année unverstare 215 216 L1 Économe Cours de B. Desgraupes Statstques Descrptves Séance 7: Indces synthétques Table des matères 1 Introducton 1 1.1

Plus en détail

DES EFFETS PERVERS DU MORCELLEMENT DES STOCKS

DES EFFETS PERVERS DU MORCELLEMENT DES STOCKS DES EFFETS PERVERS DU MORCELLEMENT DES STOCKS Le cabnet Enetek nous démontre les mpacts négatfs de la multplcaton des stocks qu au leu d amélorer le taux de servce en se rapprochant du clent, le dégradent

Plus en détail

Courant alternatif. Dr F. Raemy La tension alternative et le courant alternatif ont la représentation mathématique : U t. cos (!

Courant alternatif. Dr F. Raemy La tension alternative et le courant alternatif ont la représentation mathématique : U t. cos (! Courant alternatf Dr F. Raemy La tenson alternatve et le courant alternatf ont la représentaton mathématque : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Une résstance dans un crcut à courant

Plus en détail

Exercices d Électrocinétique

Exercices d Électrocinétique ercces d Électrocnétque Intensté et densté de courant -1.1 Vtesse des porteurs de charges : On dssout une masse m = 20g de chlorure de sodum NaCl dans un bac électrolytque de longueur l = 20cm et de secton

Plus en détail

Editions ENI. Project 2010. Collection Référence Bureautique. Extrait

Editions ENI. Project 2010. Collection Référence Bureautique. Extrait Edtons ENI Project 2010 Collecton Référence Bureautque Extrat Défnton des tâches Défnton des tâches Project 2010 Sasr les tâches d'un projet Les tâches représentent le traval à accomplr pour attendre l'objectf

Plus en détail

Oscillations électriques libres

Oscillations électriques libres Oscllatons électrues lbres A Oscllatons lbres amortes 1/ Etude expérmentale a Expérence et observatons Après avor chargé le condensateur (poston 1) On bascule l nterrupteur sur la poston, on obtent l oscllogramme

Plus en détail

BTS GPN 2EME ANNEE-MATHEMATIQUES-MATHS FINANCIERES MATHEMATIQUES FINANCIERES

BTS GPN 2EME ANNEE-MATHEMATIQUES-MATHS FINANCIERES MATHEMATIQUES FINANCIERES MATHEMATIQUES FINANCIERES I. Concepts généraux. Le référentel précse : Cette parte du module M4 «Acquérr des outls mathématques de base nécessares à l'analyse de données économques» est en relaton avec

Plus en détail

I. Présentation générale des méthodes d estimation des projets de type «unité industrielle»

I. Présentation générale des méthodes d estimation des projets de type «unité industrielle» Evaluaton des projets et estmaton des coûts Le budget d un projet est un élément mportant dans l étude d un projet pusque les résultats économques auront un mpact sur la réalsaton ou non et sur la concepton

Plus en détail

Formation de voie pour la maximisation du débit dans les schémas d alignement d interférence

Formation de voie pour la maximisation du débit dans les schémas d alignement d interférence Formaton de voe pour la maxmsaton du débt dans les schémas d algnement d nterférence Yasser Fadlallah, Karne Ams Cavalec, Abdeldjall Assa El Bey, Ramesh Pyndah To cte ths verson: Yasser Fadlallah, Karne

Plus en détail

Exercice 1. Enoncé 1. Nombre de jours d absences. Nombre d étudiants. 1 ) Représenter graphiquement cette distribution.

Exercice 1. Enoncé 1. Nombre de jours d absences. Nombre d étudiants. 1 ) Représenter graphiquement cette distribution. Républque Tunsenne Présdence du Gouvernement Ecole Natonale d Admnstraton 4, Avenue du Dr Calmette Mutuelle-vlle 08 Tuns Tél. (+6) 848 00 Fa (+6) 794 88 www.ena.nat.tn STATISTIQUE ET CALCUL DE PROBABILITE

Plus en détail

Activité Intitulé de l'activité Volume horaire

Activité Intitulé de l'activité Volume horaire Informatons de l'unté d'ensegnement Implantaton Cursus de Inttulé ECAM Insttut Supéreur Industrel Bacheler en Scences ndustrelles fnalté électromécanque Concepton et producton M3050 Cycle 1 Bloc 3 Quadrmestre

Plus en détail

Choix de Portefeuille

Choix de Portefeuille Année 2007-2008 Chox de Portefeulle Chrstophe Boucher Chaptre 1. Théore de la décson en avenr ncertan Crtère d espérance d utlté L atttude vs-à-vs du rsque Chaptre 2. Rendements et crtères de chox entre

Plus en détail

MODELISATION ET SIMULATION NUMERIQUE DES SYSTEMES ANALOGIQUES

MODELISATION ET SIMULATION NUMERIQUE DES SYSTEMES ANALOGIQUES MODELISATION ET SIMULATION NUMERIQUE DES SYSTEMES ANALOGIQUES Hervé MOREL Drecteur de Recherche - CNRS Herve.Morel@nsa-lyon.fr AMPERE - INSA de LYON mard 2 octobre 24 Modélsaton et smulaton des systèmes

Plus en détail

10.1 Inférence dans la régression linéaire

10.1 Inférence dans la régression linéaire 0. Inférence dans la régresson lnéare La régresson lnéare tente de modeler le rapport entre deux varables en adaptant une équaton lnéare avec des données observées. Chaque valeur de la varable ndépendante

Plus en détail

Informations de l'unité d'enseignement Implantation. Cursus de. Intitulé. Code. Cycle 1. Bloc 1. Quadrimestre 1-2. Pondération 5. Nombre de crédits 5

Informations de l'unité d'enseignement Implantation. Cursus de. Intitulé. Code. Cycle 1. Bloc 1. Quadrimestre 1-2. Pondération 5. Nombre de crédits 5 Informatons de l'unté d'ensegnement Implantaton ECAM Cursus de Bacheler en Scences ndustrelles Informatque et communcaton B1030 Cycle 1 Bloc 1 Quadrmestre 1-2 Pondératon 5 Nombre de crédts 5 Nombre d heures

Plus en détail

MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES

MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES Émle Garca, Maron Le Cam et Therry Rocher MENESR-DEPP, bureau de l évaluaton des élèves Cet artcle porte sur les méthodes de

Plus en détail

T3 (IP) Classic raccordé a Integral 5

T3 (IP) Classic raccordé a Integral 5 T3 (IP) Classc raccordé a Integral 5 Benutzerhandbuch User's gude Manual de usuaro Manuel utlsateur Manuale d uso Gebrukersdocumentate Sommare Sommare Se famlarser avec son téléphone Remarques mportantes...

Plus en détail

Editions ENI. Excel 2010. Collection Référence Bureautique. Extrait

Editions ENI. Excel 2010. Collection Référence Bureautique. Extrait Edtons ENI Excel 2010 Collecton Référence Bureautque Extrat Tableau crosé dynamque Tableau crosé dynamque Excel 2010 Créer un tableau crosé dynamque Un tableau crosé dynamque permet de résumer, d analyser,

Plus en détail

Integral T 3 Compact. raccordé aux installations Integral 5. Notice d utilisation

Integral T 3 Compact. raccordé aux installations Integral 5. Notice d utilisation Integral T 3 Compact raccordé aux nstallatons Integral 5 Notce d utlsaton Remarques mportantes Remarques mportantes A quelle nstallaton pouvez-vous connecter votre téléphone Ce téléphone est conçu unquement

Plus en détail

Thermodynamique Classique

Thermodynamique Classique hermodynamque Classque Quelques défntons utles hermodynamque Classque http://hebergement.u-psud.fr/rmn/thermo/thermo.html Julen obroff, Magstère de Physque d Orsay, 009 el : 0 69 5 53 36 emal : bobroff@lps.u-psud.fr

Plus en détail

Dans un mélange, tous les constituants ont le même statut thermodynamique.

Dans un mélange, tous les constituants ont le même statut thermodynamique. Mélanges et solutons I_ Défntons et composton. Défntons Dans un mélange, tous les consttuants ont le même statut thermodynamque. Lorsque dans un mélange solde ou lqude, un des consttuants, appelé solvant,

Plus en détail

Banque d exercices pour le cours de "mise à niveau" de statistique de M1 AgroParisTech

Banque d exercices pour le cours de mise à niveau de statistique de M1 AgroParisTech Banque d exercces pour le cours de "mse à nveau" de statstque de M1 AgroParsTech Instructons pour les exercces 1. Lorsque ren n est précsé, on suppose que la dstrbuton étudée est gaussenne. Pour les exercces

Plus en détail

L anonymat dans les protocoles cryptographiques

L anonymat dans les protocoles cryptographiques École normale supéreure Département d nformatque Équpe CASCADE INRIA Unversté Pars 7 Dens Dderot L anonymat dans les protocoles cryptographques Thèse présentée et soutenue publquement le jeud 1 er octobre

Plus en détail

Modélisation des Réseaux Ad hoc par Graphes

Modélisation des Réseaux Ad hoc par Graphes SETIT 009 5 th Internatonal Conference: Scences of Electronc, Technologes of Informaton and Telecommuncatons March -6, 009 TUNISIA Modélsaton des Réseaux Ad hoc par Graphes M hamed Abdelmadd ALLALI et

Plus en détail

V FORMATION DES IMAGES DANS L EXEMPLE DU MIROIR PLAN

V FORMATION DES IMAGES DANS L EXEMPLE DU MIROIR PLAN Chaptre V page V-1 V FORMTION DES IMGES DNS L EXEMPLE DU MIROIR PLN Le but de ce chaptre est d ntrodure la noton d mage { travers l exemple du mror plan. Vous vous êtes sûrement déjà regardé(e) dans un

Plus en détail

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation)

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation) GENESS - Generalzed System for mputaton Smulatons (Système généralsé pour smuler l mputaton) GENESS est un système qu permet d exécuter des smulatons en présence d mputaton. L utlsateur fournt un ensemble

Plus en détail

UTILISATION DES COPULES POUR ANALYSER L IMPACT DES DEPENDANCES SUR UN PORTEFEUILLE DE CREDITS RAPPORT DE STAGE D INGENIEUR CONFIDENTIEL

UTILISATION DES COPULES POUR ANALYSER L IMPACT DES DEPENDANCES SUR UN PORTEFEUILLE DE CREDITS RAPPORT DE STAGE D INGENIEUR CONFIDENTIEL Yohan KABLA ECP - 3 EME ANNEE MAP SMF UTILISATION DES COPULES POUR ANALYSER L IMPACT DES DEPENDANCES SUR UN PORTEFEUILLE DE CREDITS RAPPORT DE STAGE D INGENIEUR CONFIDENTIEL 5 MAI NOVEMBRE 00 MAITRES DE

Plus en détail

Sociétés d investissement immobilier cotées (SIIC), valeur et prix : deux notes

Sociétés d investissement immobilier cotées (SIIC), valeur et prix : deux notes Socétés d nvestssement mmobler cotées (SIIC), valeur et prx : deux notes I. Dette et créaton de valeur dans les socétés foncères II. La cesson à une SIIC : un cas de dstorson fscale Laurent BATSCH CEREG-DRM,

Plus en détail

GEA I Mathématiques nancières Poly. de révision. Lionel Darondeau

GEA I Mathématiques nancières Poly. de révision. Lionel Darondeau GEA I Mathématques nancères Poly de révson Lonel Darondeau Intérêts smples et composés Voc la lste des exercces à révser, corrgés en cours : Exercce 2 Exercce 3 Exercce 5 Exercce 6 Exercce 7 Exercce 8

Plus en détail