Traitement du Signal Signaux aléatoires : filtrage, processus ARMA, applications
|
|
- Andrée Leroux
- il y a 6 ans
- Total affichages :
Transcription
1 Traitement du Signal Signaux aléatoires : filtrage, processus ARMA, applications 17 novembre 2014 Nancy Bertin - nancy.bertin@irisa.fr
2 Signaux aléatoires : filtrage, ARMA, applications 1 Filtrage des signaux aléatoires 2 Processus autorégressifs (AR) à moyenne ajustée (MA) 3 Pause et exercices 4 Exemples d applications 2 M1 RI Traitement du Signal 17/11/2014
3 Filtrage des signaux aléatoires 1 Filtrage des signaux aléatoires Filtrage : des signaux aux processus Filtrage et stationnarité : relations de Wiener-Lee Exemple d application : signal bruité Filtrage et modélisation 2 Processus autorégressifs (AR) à moyenne ajustée (MA) 3 Pause et exercices 4 Exemples d applications 3 M1 RI Traitement du Signal 17/11/2014
4 Filtrage : des signaux aux processus Si x[n] est un signal issu de la réalisation d un processus aléatoire X = {X t } t T, c est... un signal. On peut donc a priori utiliser les mêmes définition et relation de filtrage qu en déterministe : Le filtre est défini par sa réponse impulsionnelle h, L opération de filtrage est définie par la convolution : y[n] = h x[n] Peut-on généraliser directement aux processus? Quelles conséquences sur les propriétés statistiques? 4 M1 RI Traitement du Signal 17/11/2014
5 Filtrage d un processus aléatoire Soit X = {X t } t T un processus aléatoire, et un filtre (déterministe) H de réponse impulsionnelle h. On définit le processus aléatoire Y = {Y t } t T, résultat du filtrage de X par H, comme : t T, Y t = + p= h[p]x t p = + p= h[t p]x p conditions d existence (notions de convergence ps, etc.) On se limitera aux processus SSL, pour lesquels ce sera simple. 5 M1 RI Traitement du Signal 17/11/2014
6 Filtrage des processus stationnaires Filtrage des processus stationnaires. Soit X = {X t } t T un processus stationnaire au sens large, de moyenne µ X et de fonction d autocovariance R XX [k]. Soit un filtre H de réponse impulsionnelle h. Si h est de module sommable ( p h[p] < ), alors : Le processus filtré Y t = h X t existe. Y = {Y t } t T est un processus stationnaire au sens large. Sa moyenne est µ Y = µ X p h[p]. Son autocovariance est { R Y Y [m] = + k= R XX C hh [m k] où C hh [m] = + k= h[k] h[k m] 6 M1 RI Traitement du Signal 17/11/2014
7 Démonstration On rappelle la définition d un processus SSL : Sa moyenne E[X t ] = µ X est indépendante de t ; Le processus est d ordre deux : E[ X t 2 ] < ; Sa fonction d autocovariance R XX (k) = E[(X t µ X )(X t+k µ X )] ne dépend que de k. Soit Y t = h X t : [ ] µ Y = E[Y t ] = E p h[p]x t p = p h[p]e [X t p] = p h[p]µ X p h[p] R Y Y [m] = E [(Y t µ Y )(Y t+m µ Y )] =... 7 M1 RI Traitement du Signal 17/11/2014
8 Remarques sur le filtre La condition h est de module sommable ( p h[p] < ) correspond à la condition sur le domaine de convergence de la transformée en Z (stabilité EBSB) h est déterministe! Les définitions et conditions vues en déterministe s appliquent encore (causalité, stabilité, etc.) même si on ne le démontrera pas proprement en terme de convergence des processus dans l espace probabilisé. 8 M1 RI Traitement du Signal 17/11/2014
9 Filtrage et DSP On rappelle la définition (WK) de la DSP d un processus X : S X (f) = R XX (τ)e 2iπfτ dτ Alors, en notant H(f) la TFtd de h, on a : S Y (f) = H(f) 2 S X (f) 9 M1 RI Traitement du Signal 17/11/2014
10 Relations de Wiener-Lee Les relation entre les propriétés statistiques des deux processus (DSP, autocovariance, intercovariance) forment ce qu on appelle les relations de Wiener-Lee : Relations de Wiener-Lee R XY [k] = R XX h[k] R Y Y [k] = R XY h[ k] = R XX [k] h[k] h[ k] S Y (f) = H(f) 2 S X (f) (Attention à la notation usuelle, mais abusive, de la convolution) 10 M1 RI Traitement du Signal 17/11/2014
11 Formule des interférences De manière plus générale, pour démontrer les relations précédentes en une fois, on peut établir la formule des interférences qui exprime l intercorrélation entre les sorties de deux filtres en fonction de l intercorrélation de leurs entrées. Y 1 = h X Y 2 = h X R Y1 Y 2 [k] = h 1 [k] R X1 X 2 [k] h 2 [ k] Cette formule et ses corollaires peuvent, par exemple, servir à identifier la réponse impulsionnelle d un filtre. 11 M1 RI Traitement du Signal 17/11/2014
12 Exemple d application : signal bruité On reçoit un signal d entrée s[n] = x[n] + b[n] composé de la somme : d un signal informatif (ou signal d intérêt ) x[n] connu que l on veut récupérer d un bruit aléatoire b[n] (décorrélé du signal s, souvent blanc gaussien iid) Un filtrage peut-il réduire l influence du bruit sur les tâches ultérieures? 12 M1 RI Traitement du Signal 17/11/2014
13 Rapport signal-sur-bruit On quantifie l influence du bruit dans le signal total par le rapport signal-sur-bruit (RSB) : RSB = P x P b Souvent exprimé en décibels : RSB db = 10 log 10 P x /P b En anglais SNR (signal-to-noise ratio) Plus il est petit, plus il y a de bruit! 13 M1 RI Traitement du Signal 17/11/2014
14 RSB après filtrage Grâce aux DSP et aux relations de filtrage, on a : SX (f)df RSB pre = SB (f)df Après filtrage : RSB post = H(f) 2 S X (f)df H(f) 2 S B (f)df Suivant les connaissances / hypothèses que l on a sur les signaux, si on sait construire un bon filtre H(f), on peut améliorer le RSB. Exemple : filtre de Wiener (filtre optimal pour séparer deux processus aléatoires de puissance connue, sous certaines hypothèses). 14 M1 RI Traitement du Signal 17/11/2014
15 Exemple : sinusoïde bruitée 15 M1 RI Traitement du Signal 17/11/2014
16 Filtrage et modélisation Le filtrage permet de modifier les propriétés spectrales et statistiques d un signal. idée : utiliser ce fait pour modéliser et caractériser un processus aléatoire comme le filtrage d un autre processus plus simple, en estimant : la DSP ou la variance d un bruit blanc d entrée les caractéristiques du filtre qui, prenant ce bruit en entrée, permet d obtenir le processus étudié. 16 M1 RI Traitement du Signal 17/11/2014
17 Processus autorégressifs (AR) à moyenne ajustée (MA) 1 Filtrage des signaux aléatoires 2 Processus autorégressifs (AR) à moyenne ajustée (MA) Processus MA Processus AR Processus ARMA 3 Pause et exercices 4 Exemples d applications 17 M1 RI Traitement du Signal 17/11/2014
18 Cadre général On va s intéresser aux processus pouvant s écrire comme le filtrage d un bruit blanc centré par un filtre à fonction de transfert rationnelle. Bruit d entrée caractérisé par sa DSP (constante, car bruit blanc) ou sa variance σ 2 Filtre caractérisé par les coefficients de sa transformée en Z : H(z) = b 0 + b 1 z b q z q 1 + a 1 z a p z p 18 M1 RI Traitement du Signal 17/11/2014
19 Processus MA Lorsque le filtre est RIF, sa TZ s écrit : H(z) = Q b k z k k=0 Y t = Q k=0 b kx t k E[Y t ] = µ Y = µ X Q k=0 b k On dit que Y t est un processus à moyenne ajustée (MA) d ordre Q (en abrégé AR(Q)). 19 M1 RI Traitement du Signal 17/11/2014
20 Estimation d un processus MA Q k R Y Y [k] = σ 2 i=0 b i b i+k Le problème d identification des coefficients b en fonction des estimateurs de l autocovariance est un problème non-linéaire. Par conséquent, il faut des algorithmes de programmation non-linéaire pour le résoudre. Comme on préfère la linéarité, ce modèle est moins utilisé que le suivant. 20 M1 RI Traitement du Signal 17/11/2014
21 Processus AR Lorsque le filtre est purement récursif, sa TZ s écrit : H(z) = P k=1 a kz k Y t = X t P k=1 a ky t k On dit que Y t est un processus autorégressif (AR). 21 M1 RI Traitement du Signal 17/11/2014
22 Processus AR et prédiction linéaire On peut montrer que pour tout k 1, E[Y (n k)x t ] = 0 On note ˆX(n) = X(n) W (n) = P i=1 X(n i) Alors E[X(n k)(x(n) ˆX(n))] = 0 L erreur ε(n) = X(n) ˆX(n) est orthogonale à tous les processus du passé On dit que ˆX(n) est la meilleure régression linéaire en moyenne quadratique de X(n) ou le meilleur prédicteur linéaire de X(n). De manière générale, l opération consistant à estimer X(n) inconnu en fonction du passé est appelée prédiction linéaire, et est étroitement liée à la modélisation du processus comme un AR. 22 M1 RI Traitement du Signal 17/11/2014
23 Relations statistiques R XY [k] = R XX [k] h[k] X est un bruit blanc centré donc R XX [k] = σ 2 δ[k] Réponse impulsionnelle : h[k] = E[Y n X n+k ] = R Y Y [k] + Autocorrélation : P a i R Y Y [k + i] i=1 R Y Y [k] = E[X n Y n+k ] E[a i Y n i Y n k ] 23 M1 RI Traitement du Signal 17/11/2014
24 Équations de Yule-Walker La relation précédente nous donne : { Si k = 0 R Y Y [0] = σ 2 P i=1 a ir Y Y [i] Si k 1 R Y Y [k] = P i=1 a ir Y Y [k i] système d équations linéaire dit de Yule-Walker 24 M1 RI Traitement du Signal 17/11/2014
25 Formulation matricielle En exploitant la structure de matrice de Toeplitz de la matrice de covariance de Y on peut écrire le système précédent sous forme matricielle R Y a = c : R Y Y (0) R Y Y (1)... R Y Y (P ) R Y Y (1) R Y Y (1) R Y Y (P ) R Y Y (0) 1 a 1.. a P = σ La résolution de ce système permet d estimer les paramètres du filtre et la variance du bruit blanc d entrée. Elle implique le évidemment l estimation de la matrice de covariance (R Y Y ˆR Y Y ). 25 M1 RI Traitement du Signal 17/11/2014
26 Résolution des équations de Yule-Walker Il existe de nombreuses méthodes de résolution du système précédent. On pourra retenir : L inversion matricielle directe ou par décomposition de Cholesky (mais coût de calcul et risques d instabilité si mauvais conditionnement). Un algorithme itératif : l algorithme de Levinson-Durbin. 26 M1 RI Traitement du Signal 17/11/2014
27 Principe de l algorithme de Levinson-Durbin L algorithme de Levinson est itératif On établit une formule de récurrence donnant les coefficients à l ordre (p + 1) à partir des coefficients à l ordre p, en cherchant progressivement à écrire : X t ˆX (p) t = p a k,p X t k k=1 Intermédiaires de calcul : σp 2 (p) est la variance de l erreur de prédiction (X t ˆX t ) La récurrence s écrit : a k,p+1 = a k,p a p+1,p+1 a p+1 k,p On note k p = a p,p S obtient en écrivant l erreur de prédiction rétrograde (différence entre l échantillon courant X t et la projection orthogonale de X t sur les échantillons (X t+1,..., X t+p ) 27 M1 RI Traitement du Signal 17/11/2014
28 Algorithme de Levinson-Durbin À partir des covariances γ(0),..., γ(p ) (estimées...) : 1 Initialisation : k 1 = γ(1)/γ(0), a 1,1 = γ(1)/γ(0), σ1 2 = γ(0)(1 k2 1 ) 2 Pour p = 2 : P répéter : 1 k p = σ 2 p 1 2 a p,p = k p ( γ(p) p 1 k=1 a k,p 1γ(p k) 3 Pour m = 1 : p 1, a m,p = a m,p 1 k p a p m,p 1 4 σ 2 p = σ p 1 (1 k 2 p) 3 Lorsque p = P (ordre souhaité), a k = a k,p ) 28 M1 RI Traitement du Signal 17/11/2014
29 Processus ARMA Dans le cas le plus général l équation aux différences est : y[n] + a 1 y[n 1] + a 2 y[n 2] a p y[n p] = b 0 x[n] + b 1 x[n 1] b q x[n q] Le filtre est à fonction de transfert rationnelle : H(z) = b 0 + b 1 z b q z q 1 + a 1 z a p z p Le processus est dit autorégressif à moyenne ajustée (ARMA(P,Q)). 29 M1 RI Traitement du Signal 17/11/2014
30 Applications La modélisation et l estimation de processus aléatoires ARMA a des applications en : Compression de données pour la transmission ou le stockage Prédiction (deviner la prochaine valeur du signal) Interpolation de données manquantes Estimation de la DSP 30 M1 RI Traitement du Signal 17/11/2014
31 Pause et exercices 1 Filtrage des signaux aléatoires 2 Processus autorégressifs (AR) à moyenne ajustée (MA) 3 Pause et exercices Exercices Pause 4 Exemples d applications 31 M1 RI Traitement du Signal 17/11/2014
32 Exercice 1 Soit un filtre linéaire dont l entrée est un processus aléatoire X t et la sortie le processus Y t = X t T, à T fixé. On suppose que X t est centré, stationnaire, de dsp S XX (f). 1 Le processus Y t est-il SSL? calculer sa fonction d autocorrélation. 2 En déduire la densité spectrale S Y Y (f). 3 Quelle est la réponse fréquentielle du filtre? 4 Retrouver cette réponse en calculant la fonction de transfert en z du système. 32 M1 RI Traitement du Signal 17/11/2014
33 Exercice 2 Un bruit blanc de densité spectrale a/2 est filtré par un filtre passe-bas idéal de fréquence de coupure B. 1 Quelle est la fonction d autocorrélation du bruit blanc? 2 Calculer la puissance du signal de sortie. 3 Calculer la fonction d autocorrélation du signal de sortie. 33 M1 RI Traitement du Signal 17/11/2014
34 Exercice 3 On considère un processus autorégressif d ordre 1 défini par : x[n] = ax[n 1] + v[n] où v[n] est un bruit blanc centré, a = 0.6, S v (f) = σv 2 = Calculer la fonction d autocorrélation R XX [m]. 2 En déduire la densité spectrale de puissance S XX (f). 34 M1 RI Traitement du Signal 17/11/2014
35 Exercice 4 Soit le processus MA obtenu par un filtre de réponse impulsionnelle discrète suivante : { 1/8 si 0 n N 1 h[n] = 0 ailleurs avec N = 8. On applique à l entrée un signal centré blanc de variance 1. 1 Calculer le module carré de la réponse impulsionnelle du filtre. 2 En déduire la densité spectrale du processus en sortie ainsi que sa puissance. 3 En déduire l allure de la fonction d autocorrélation en sortie. Déterminer le support de cette fonction. 4 En Scilab, simuler un bruit de 2000 échantillons et son filtrage, évaluer la fonction d autocovariance en sortie puis la dsp par une FFT sur 512 points. Comparer simulation et calcul. 35 M1 RI Traitement du Signal 17/11/2014
36 Pause (15-20 minutes) 36 M1 RI Traitement du Signal 17/11/2014
37 Exemple d applications 1 Filtrage des signaux aléatoires 2 Processus autorégressifs (AR) à moyenne ajustée (MA) 3 Pause et exercices 4 Exemples d applications Modélisation de signaux Modélisation du bruit de quantification Détection et filtrage adapté 37 M1 RI Traitement du Signal 17/11/2014
38 Modélisation de signaux Étant donné le problème à résoudre (qu est-ce qui est connu, inconnu, quel est le but), on va en général modéliser le problème de manière aléatoire ou mixte (une partie déterministe, une partie aléatoire) Exemple : modèle harmonique X[n] = N k=1 A kexp(2jπf k n), A k et f k variables aléatoires La question de l ordre des modèles est souvent un problème difficile Comme on sait surtout travailler avec des processus SSL, on va s arranger pour qu ils le soient : En éliminant les tendances et composantes saisonnières (régression) Exemple : tendance affine X(t) = αt + β + Y (t) En travaillant sur des portions de signal assez courtes pour être considérées comme SSL La première chose à faire avant de traiter un signal est toujours de le regarder! 38 M1 RI Traitement du Signal 17/11/2014
39 Exemple Modélisation d une presque sinusoïde : sinus + bruit vs. AR(2) 39 M1 RI Traitement du Signal 17/11/2014
40 Modélisation du bruit de quantification Numérisation = échantillonnage + quantification On a parlé de l échantillonnage (périodisation du spectre, Shannon...) Quid de la quantification? modélisation par un bruit 40 M1 RI Traitement du Signal 17/11/2014
41 Formalisation Un système de quantification uniforme de pas q associe à un signal numérique x[n] le signal quantifié x Q [n] tel que : x[n] [(k 1 2 )q, (k )q[ xq [n] = kq On suppose qu il n y a pas d écrêtage (K max q max n (x[n])) On note ε[n] = x[n] x Q [n] le bruit de quantification L opération de quantification est équivalente à l ajout d un bruit additif. 41 M1 RI Traitement du Signal 17/11/2014
42 Hypothèses sur le bruit On suppose généralement que le bruit ε est un bruit blanc, centré, de loi uniforme sur [ q/2; q/2] (L hypothèse de loi uniforme semble raisonnable. L hypothèse bruit blanc peut davantage surprendre. N hésitez pas à vérifier ce que vous en pensez avec Scilab!). Par conséquent, d un point de vue formel : E[ε(n)] = 0 E[ε(n + k)ε(k)] = δ(n)q 2 /12 S ε (f) = q 2 /12 42 M1 RI Traitement du Signal 17/11/2014
43 Rapport signal-sur-bruit de quantification Pour une dynamique d entrée Q et un nombre de bits n de quantification : q = 2Q 2 n On obtient la puissance du bruit de quantification : Q 2 2 2n /3 Si la puissance du signal était P x on obtient le RSB en db : RSB db = 10 log 10 ( 3P x2 2n V 2 ) 43 M1 RI Traitement du Signal 17/11/2014
44 Variation du RSB En particulier, RSB db = 6n + f(p x, Q) D où un résultat assez connu : on améliore le RSB de quantification de 6 db en ajoutant un bit. (On peut également montrer, dans le domaine continu après reconstruction, qu on peut également améliorer le RSB de 3dB par doublement de la fréquence d échantillonnage, dans certaines limites. Pas forcément rentable!) 44 M1 RI Traitement du Signal 17/11/2014
45 Détection Un autre problème classique en traitement du signal est la détection de la présence d un signal attendu dans un bruit. On dispose d observations x[n] issues d un processus Suivant les cas, x[n] peut prendre deux formes : Le signal est présent : x[n] = s[n] + b[n] Le signal est absent : x[n] = b[n] s[n] est un signal déterministe de durée N B n est un bruit centrée SSL dont b[n] est une réalisation But : déterminer un filtre linéaire causal d entrée x et de sortie y qui maximise le RSB, de manière à optimiser la détection du signal x (débruitage pour l aide à la décision) 45 M1 RI Traitement du Signal 17/11/2014
46 RSB cible Soit h la réponse impulsionnelle du filtre recherché. On note y N (s) = h s[n = N] (réponse du filtre au signal seul à l instant N) On note y N (b) = h b[n = N] Le RSB instantané en sortie du filtre est RSB = y2 N (s) E[Y 2 n (B)] 46 M1 RI Traitement du Signal 17/11/2014
47 Filtre adapté (1/3) Le filtre adapté est le filtre qui maximise RSB = y2 N (s) E[Y 2 n (B)] (En fait, il est défini à une constante près. On peut par exemple imposer une condition de normalisation de type yn (s) = 1). On peut écrire les relations données sous forme matricielle : y N (s) = s T R h y N (n) = b T R h s T R h = 1 Puis, en passant au carré, on obtient : E[Y 2 N(B)] = he[b R B T R]h 47 M1 RI Traitement du Signal 17/11/2014
48 Filtre adapté (2/3) B R B T R est la matrice de covariance du bruit (retourné dans le temps). On la note Γ BB. On a maintenant, pour un filtre quelconque et pour le filtre adapté (h ): RSB = ht s R s T R h h T Γ BB h On définit la fonction : α(h) = h T Γ BB h (RSB RSB ) α est une fonction négative pour tout h et nulle en h. 48 M1 RI Traitement du Signal 17/11/2014
49 Filtre adapté (3/3) On dérive α pour chercher son maximum (dérivation matricielle que je vous épargne). On obtient : h = 1 RSB Γ 1 BB s R Avec la relation de normalisation : RSB = s R T Γ 1 BB s R h est appelé le filtre adapté. Connaissant le signal s à détecter et la covariance du bruit, c est celui qui optimise le RSB en sortie. 49 M1 RI Traitement du Signal 17/11/2014
50 Filtre adapté et bruit blanc Dans le cas particulier d un bruit blanc, Γ BB = σ 2 B I. On a alors : h [n] = s[n n] En présence de bruit blanc, le filtre adapté est simplement le signal à détecter, retourné dans le temps. On parle en anglais de matched filtering. 50 M1 RI Traitement du Signal 17/11/2014
Intérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en 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 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 détailTD1 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 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 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 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 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 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 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 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 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 détailPartie 1: Gestion de l interférence entre symboles
Partie 1: Gestion de l interférence entre symboles Philippe Ciblat Télécom ParisTech, France Algo de Viterbi Egalisation OFDM Section 11 : Algorithme de Viterbi Philippe Ciblat Gestion de l interférence
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 détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
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 détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
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 détailLa couche physique de l ADSL (voie descendante)
La couche physique de l ADSL (voie descendante) Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Problématique qq kilomètres CENTRAL câble de 0,4mm Objectifs initiaux :
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, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailProcessus Aléatoires
Processus Aléatoires Luc Deneire Iannis Aliferis École Polytechnique de l Université de Nice Sophia Antipolis Polytech Nice Sophia,, 29 21 deneire@unice.fr Ce document contient une grande partie des informations
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailLISACode. Un simulateur opérationnel pour LISA. Antoine PETITEAU LISAFrance - le 16 mai 2006
LISACode Un simulateur opérationnel pour LISA Antoine PETITEAU LISAFrance - le 16 mai 2006 Plan Rappel sur LISACode. Validation du simulateur. Possibilités du simulateur. Résultats obtenus. Bruit de confusion.
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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
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 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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
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 détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailProjet audio. Analyse des Signaux ELE2700
ÉCOLE POLYTECHNIQUE DE MONTRÉAL Département de Génie Électrique Projet audio Analyse des Signaux ELE2700 Saad Chidami - 2014 Table des matières Objectif du laboratoire... 4 Caractérisation du bruit...
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
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 détailTraitement du signal avec Scilab : transmission numérique en bande de base
Traitement du signal avec Scilab : transmission numérique en bande de base La transmission d informations numériques en bande de base, même si elle peut paraître simple au premier abord, nécessite un certain
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 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 détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
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 détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailhttp://www.u-bourgogne.fr/monge/e.busvelle/teaching.php
TP1 Traitement numérique du son 1 Introduction Le but de ce TP est de mettre en pratique les notions de traitement numérique vues en cours, TDs et dans le précédent TP. On se focalisera sur le traitement
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 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 détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
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 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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailSéries temporelles : régression, et modélisation ARIMA(p,d,q)
Séries temporelles : régression, et modélisation ARIMA(p,d,q) 2 décembre 2012 Enseignant : Florin Avram Objectif : La prédiction des phénomènes spatio-temporaux est une des preoccupations principales dans
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 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 détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
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 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 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 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 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 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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailChapitre 2 Les ondes progressives périodiques
DERNIÈRE IMPRESSION LE er août 203 à 7:04 Chapitre 2 Les ondes progressives périodiques Table des matières Onde périodique 2 2 Les ondes sinusoïdales 3 3 Les ondes acoustiques 4 3. Les sons audibles.............................
Plus en 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 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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
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 détailCaractéristiques des ondes
Caractéristiques des ondes Chapitre Activités 1 Ondes progressives à une dimension (p 38) A Analyse qualitative d une onde b Fin de la Début de la 1 L onde est progressive puisque la perturbation se déplace
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailCodage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur
Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
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 détailLABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK
LABO 5 ET 6 TRAITEMENT DE SIGNAL SOUS SIMULINK 5.1 Introduction Simulink est l'extension graphique de MATLAB permettant, d une part de représenter les fonctions mathématiques et les systèmes sous forme
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 détailFiltres passe-bas. On utilise les filtres passe-bas pour réduire l amplitude des composantes de fréquences supérieures à la celle de la coupure.
Filtres passe-bas Ce court document expose les principes des filtres passe-bas, leurs caractéristiques en fréquence et leurs principales topologies. Les éléments de contenu sont : Définition du filtre
Plus en détailUE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
Plus en détailSUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques
SUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques Durée 4 h Si, au cours de l épreuve, un candidat repère ce qui lui semble être une erreur d énoncé, d une part il le signale au chef
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
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 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 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 détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
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 détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
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 détailSensibilité (bas niveaux de lumière, hauts niveaux de lumière) Spectre de sensibilité : visible (400-700 nm) mais aussi IR, UV, RX
Les capteurs pour l imagerie en biologie i Marc Moreau Catherine Leclerc Centre de Biologie du développement UMR 5547 et GDR E n 731 Toulouse BC02 mars 2013 Les différents système d imagerie à base de
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
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 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 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 détailELEC2753 Electrotechnique examen du 11/06/2012
ELEC2753 Electrotechnique examen du 11/06/2012 Pour faciliter la correction et la surveillance, merci de répondre aux 3 questions sur des feuilles différentes et d'écrire immédiatement votre nom sur toutes
Plus en détail