Systèmes linéaires, Signaux aléatoires, bruits, statistique et probabilités

Dimension: px
Commencer à balayer dès la page:

Download "Systèmes linéaires, Signaux aléatoires, bruits, statistique et probabilités"

Transcription

1 Signaux et graphes : terminologie Systèmes linéaires, Signaux aléatoires, bruits, statistique et probabilités Cours signaux et systèmes M1 physique Un signal décrit la relation entre un paramètre et un autre paramètre. Par exemple en électronique, une tension électrique variant dans le temps. Comme chaque paramètre peut être considéré comme continu, nous appelons cela un signal continu. Par opposition, passez ce même signal dans un échantillonneur convertisseur analogique-numérique. Chaque paramètre (la tension et le temps) sont alors quantifiés, c est à dire qu ils prennent des valeurs discrètes discontinues. Des signaux quantifiés de la sorte sont appelés signaux discrets ou signaux numériques. Nous utiliserons également l anglicisme «signal digital» pour décrire des signaux dont les deux paramètres sont quantifiés. La plus part du temps, les signaux continus sont présents dans la nature et les signaux discrets sont ceux utilisés par les ordinateurs. 14 Quelques exemples de signaux périodiques Exemple de signal continu aléatoire Sinusoïde Signal continu audio issu d'un microphone par exemple : Rectangle périodique Triangle périodique Dent de scie 15 16

2 Échantillonnage en temps Échantillonneur-Bloqueur d'ordre zéro (Sample and Hold ou S/H) Exemple de signaux discrets numériques ou signaux «digitaux» TFD -1 Troncature, décalage, fenêtrage Signaux et Systèmes Système: Un processus qui produit un signal de sortie en réponse à un signal d entrée. Systèmes linéaires Système continu, système discret: 20

3 Signaux et Systèmes Signaux et Systèmes Systèmes linéaires: Homogénéité: Additivé: Systèmes linéaires statiques: Homogénéité: Additivé: Invariance par décalage Systèmes invariant en temps (ou statique) : Invariance par décalage Réponse statique linéaire: Linéarité statique Exemples de systèmes linéaires et nonlinéaires Linéaires Propagation d ondes telles que les ondes sonores ou électromagnétiques. Circuits électriques RLC, amplis-op et filtres. Systèmes mécaniques en mouvement comprenant masses, ressorts et amortisseurs. Systèmes décrits par des équations différentielles Non-linéaires Système non-linéaire statiquement: la puissance en fonction de la tension dans une résistance P=V 2 R; l énergie rayonnée en fonction de la température R=kT 4 ; l atténuation en fonction de l épaisseur I = e -αx ; etc. Systèmes sans fidélité sinusoïdale: tels que redresseurs, convertisseurs signal sinus. signal carré, etc.. Modifications de signaux tel que échos, résonances et adoucissement d image. Saturation et autres distorsions électronique courantes. Réponse statique non linéaire: Réponse non linéaire et non invariante en temps: 23 Gains statiques multiplication par une constantes. Système unité, système nul. Différentiation, intégration, différence première et somme pour les signaux digitaux. Petites perturbations de systèmes non-linéaires, autour d un point d équilibre. Convolution. Systèmes récursifs. Multiplication d un signal par un autre, modulation d amplitude et controll de gain automatique. Phénomènes d hystérésis, magnétique, stress mécanique. Systèmes avec seuil. 24

4 Propriétés des systèmes linéaires Addition: Multiplication: Linéaire Tout système composé de systèmes linéaires et d addition de signaux est linéaire. Non-Linéaire 25 Propriétés des systèmes linéaires Commutativité: 26 Propriétés des systèmes linéaires Superposition: 27 Propriétés des systèmes linéaires Superposition décomposition et synthèse décomposition synthèse 28

5 Décompositions Décomposition indicielle Impulsionnelle Indicielle Symétrique/ Antisymétrique Entrelacée Indicielle x x paire impaire x[n] + x[n n] [n] = 2 x[n] x[n n] [n] = Décomposition de Fourier Domaine Temporel Domaine Fréquentiel Domaine temporel Domaine fréquentiel 31 Amplitude en fonction du temps (ou d une autre variable) Amplitude en fonction de la fréquence Phase en fonction de la fréquence ou partie Réelle et partie Imaginaire 32

6 Décomposition en ondelettes Décomposition en ondelettes Base de fonctions localisées en temps, et d échelle variable. Meyer Morlet «chapeau mexicain» 1/1 Dilatation et décalage de la fonction «mère» par la fonction «père» (Morlet): 1/2 33 1/4 1/8 34 Décomposition en ondelettes Décomposition en ondelettes La décomposition en ondelettes permet une analyse à la fois en temps et en fréquence. La base de fonction de décomposition est en effet localisé à la fois en temps et en échelle (ou fréquence). Echelle 35 Temps 36

7 Transformée de Fourier & Systèmes Linéaires Un système linéaire va être caractérisé par sa réponse impulsionnelle h(t) La transformée de Fourier de h(t) donne la réponse en fréquence du système H(f) x(t) h(t) y(t)=x(t)*h(t) Convolution Boucle ouverte: Systèmes Asservis e(t) s(t) F(p) pas de contrôle de l'évolution du système. Contrôle Systèmes Asservis en boucle fermée: TF TF TF X(f) H(f) Y(f)=X(f). H(f) L inverse est aussi vrai 37 comparateur + erreur consigne - correcteur actionneur processus transmetteur capteur sortie 38 Introduction au traitement des signaux aléatoires Description de Processus Aléatoires Introduction Processus aléatoire Corrélation, autocorrélation... Stationnarité, ergodicité Densité spectrale 40

8 Signaux aléatoires Signaux aléatoires : Bruit électronique, le signal de parole... Signal déterministe : Quand on connaît le passé, la probabilité d apparition d un niveau donné à l instant t est soit nulle, soit certaine (=1). L information est liée à un certain degré d incertitude, d aléatoire. Signaux aléatoires Paramètres statistiques d un signal aléatoire: Moyenne, variance, autocorrélation, moments,... Ces paramètres peuvent être eux mêmes aléatoires (non stationnaires) Exemple: le signal de parole Signal déterministe formule définissant parfaitement le signal. Signal aléatoire paramètres statistiques définissant les POSSIBILITES d évolution du signal. Valeur future exacte du signal Signaux aléatoires Signaux aléatoires L «astuce» du temps différé: On enregistre et on rejoue le signal. Le signal n est plus aléatoire! Il est parfaitement connu. Oui, mais... Traitement en temps réel, futur inconnu Généraliser un traitement à des signaux futurs «presque» identiques à ceux que l on possède déjà Le passé ne permet pas de déterminer complètement l avenir. 43 Signal aléatoire Bruit Exemple : Transmettre la parole sur des câbles d alimentation secteur 50 Hz Le signal important est la parole, c est un signal aléatoire Le bruit gênant est déterministe, c est une sinusoïde à 50 Hz Exemple : Réception d un signal numérique au bout d une ligne de transmission Le signal numérique est aléatoire Le bruit sur la ligne de transmission est aussi aléatoire 44

9 Processus aléatoire ou stochastique Processus stochastique = famille de fonction aléatoire X(t,u) t est une variable réelle (par exemple le temps) u est un ensemble d événements t et u peuvent être des variables continues ou discrètes X(t,u) peut prendre des valeurs continues ou discrètes, scalaires ou vectorielles. Exemple 1 Bruit thermique dans un ensemble de résistances R={R i, i = 1,N} de même valeur ohmique R 1 R 2 R 3 X(t,R 1 ) X(t,R 2 ) X(t,R 3 ) tk t t t 45 t est une variable continue, R i est une variable discrète X(t,R i ) est une représentation particulière du processus X(t,R) pour l événement «R i a été choisie» 46 Exemple 1 (suite) Pour un instant t k donné, X(t k,r) est une variable aléatoire Le processus aléatoire prend des valeurs continues, scalaires et réelles. Si les signaux étaient numérisés, la variable t deviendrait discrète, ainsi que les valeurs prises par le processus (à cause de la quantification du CAN) Une réalisation particulière X(t,R i ) n est pas un signal déterministe. Tous les signaux sont a priori différents, mais le phénomène physique à l origine du signal est le même pour toutes les résistances Trouver des lois statistiques communes Exemple 2 Signal sinusoïdal à phase aléatoire phase u variable aléatoire uniformément répartie entre 0 et 2π X(t,u) t 47 u est à valeur réelle continue X(t,u) est à valeur continue, scalaire et réelle Un signal particulier X(t,u i ) est déterministe. 48

10 Exemple 2 (suite) Densité de probabilité de la phase u Espérance mathématique : Exemple 2 (suite) Pour un instant donné t k, calcul des moments statistiques de la variable aléatoire X(t k, u) Toutes les valeurs de la phase u sont équiprobables Pour un instant donné t k, calcul des moments statistiques de la variable aléatoire X(t k, u) Exemple 2 (suite) Pour un instant donné t k, calcul des moments statistiques de la variable aléatoire X(t k, u) Variance : Exemple 2 (suite) Pour une valeur particulière u i (événement) de la phase, on peut calculer des paramètres temporels du signal X(t, u i ) Moyenne temporelle Variance temporelle, carré de la valeur efficace 51 Remarque: On obtient ici des valeurs identiques à l espérance et à la variance statistiques 52

11 Rapport entre amplitude et écart type Analyse statistique et analyse probabiliste Attention! Bien distinguer entre grandeur statistique (propriété du signal) et grandeur probabiliste (propriété du processus sous-jacent). 53 La «moyenne»et la «variance»peuvent signifier des choses différentes, soit la moyenne et la variance au sens statistique du signal, soit la moyenne et la variance au sens probabiliste du processus, les premières n étant qu une réalisation et qu une mesure des secondes. Elles sont entachées d une erreur statistique, typiquement: 54 Caractérisation d un processus aléatoire. Lois de probabilité. Statistiques du premier ordre Fonction de répartition et densité de probabilité pour un t k donné Processus non-stationnaires L espérance mathématique (n=1) et les moments d ordre supérieur sont définis par : Remarque: Les moments peuvent dépendre de t k 55 La moyenne et l'écart type changent. L'écart type reste constant (égal à 1) et la moyenne change de 0 à 2. 56

12 Histogrammes et densité de probabilité Histogramme et densité de probabilité Histogramme dpp: distribution de poids de probabilité Par construction: N = M 1 H i i= 0 57 Rapports entre l histogramme, la distribution des poids de probabilité et la fonction de densité de probabilité. en français en anglais dpp pmf fdp pdf fdp: fonction de densité de probabilité 58 Exemple: Processus gaussien Un processus, ou signal, ou bruit, gaussien possède une densité de probabilité définie par une loi normale m étant la moyenne et σ "l écart-type" ou "la déviation standard" Exemple: processus gaussien La densité de probabilité représente la statistique des amplitudes du signal à un instant donné, pour l ensemble des réalisations possibles du processus. L allure temporelle des réalisations d un processus gaussien ne ressemble pas forcément à un bruit comme ci dessous. σ=1 m=

13 Exemple: signal sinusoïdal à phase aléatoire La phase ayant une densité de probabilité indépendante du temps, les statistiques ne dépendent pas de l instant t k. Par commodité on se place à t k = 0 Exemple: signal sinusoïdal à phase aléatoire (suite) Fonction de répartition : A t x 1 La densité de probabilité s obtient par dérivation de la fonction de répartition On cherche la fonction de répartition : Exemple: signal sinusoïdal à phase aléatoire (suite) Fonction de répartition : Exemple: signal sinusoïdal à phase aléatoire (suite) Densité de probabilité : A A 63 -A A 64

14 Caractérisation des processus aléatoires Processus stationnaires et non-stationnaires Statistique du deuxième ordre Relation entre les statistiques prises à deux instants t 1 et t 2 différents On considère deux variables aléatoires Fonction de répartition conjointe Densité de probabilité Si les deux variables aléatoires sont indépendantes (Ce qui se passe à t 1 ne dépend pas de ce qui se passe à t 2 ) 65 La moyenne et l'écart type changent. L'écart type reste constant (égal à 1) et la moyenne change de 0 à Corrélation, Autocorrélation... Corrélation, autocorrélation... Signaux à énergie finie Signaux déterministes Signaux à énergie finie Signaux à puissance finie Mesure de ressemblance Autocorrélation temporelle Energie d un signal continu ou discret Signaux transitoires Signaux de durée finie Existence de la transformée de Fourier Processus aléatoires Statistique du second ordre Caractérisation fréquentielle des signaux aléatoires (Densité spectrale) Autocorrélation statistique 67 En pratique, tous les signaux réels sont à énergie finie. Exemples: 68

15 Corrélation, autocorrélation... Autocorrélation temporelle Signaux à énergie finie Corrélation, autocorrélation... Signaux à énergie finie L autocorrélation possède la propriétés de symétrie hermitique Si le signal est réel, l autocorrélation est donc réelle est paire. Si x(t) est réel, l autocorrélation est réelle Dimension V²/Hz ou A²/Hz Analogie avec la convolution C est un produit scalaire, projection de x*(t) sur x(t) décalé de τ Pour τ = 0, on retrouve l énergie du signal: R xx (0) = E x R xx (τ) est maximale en τ =0. Rien ne ressemble plus au signal que lui-même. 69 Exemple -T/2 1 T/2 t -T T T τ 70 Corrélation, autocorrélation... Signaux à énergie finie Corrélation, autocorrélation... Signaux à énergie finie Intercorrélation Symétrie hermitique (Attention à l inversion de x et y dans le deuxième membre des équations) Mesure du degré de ressemblance entre deux signaux en fonction d un décalage Projection de x(t) sur y(t+τ), produit scalaire 71 Exemple d intercorrélation x(t) 1 -T/2 T/2-3T/2 -T/2 t T -T R xy (τ) 1 y(t) T/2 3T/2 τ -T Le signal x(t) ressemble le plus à y(t) aux instants -T/2 et T/2. En τ = 0, x(t) ne ressemble pas du tout à y(t) (ils sont orthogonaux, produit scalaire nul). -1 T t 72

16 Corrélation, autocorrélation... Signaux à puissance finie Approximation de signaux réels Exemples Signal continu x(t) = A Signal sinusoïdal x(t) = A sin(ω t ) Signaux aléatoires, signaux périodiques, impulsion de Dirac, échelon unité... Puissance finie Corrélation, autocorrélation... Signaux à puissance finie Autocorrélation temporelle, intercorrélation Problème de convergence des intégrales et des sommes Notation: Signal à énergie finie = puissance nulle Signal à puissance finie = énergie infinie 73 Dimensions: V² ou A² Autocorrélation: y(t) = x(t) dans les formules précédentes 74 Corrélation, autocorrélation... Corrélation, autocorrélation... Signaux à puissance finie Processus aléatoires Autocorrélation des signaux périodiques Le calcul sur une seule période suffit On peut calculer l autocorrélation temporelle sur une réalisation X(t,u i ) d un processus aléatoire. On se retrouve alors dans le cas précédent. CE N EST PAS CE QUI NOUS INTERESSE ICI!!! L autocorrélation d un signal périodique est elle même périodique. Par définition, le signal périodique ressemble parfaitement à lui même, décalé d une ou plusieurs périodes. 75 On cherche une définition au sens statistique. Observation d un processus aléatoire X(t,u) à deux instants t 1 et t 2. Statistique du second ordre, moment conjoint Autocorrélation statistique 76

17 Moments du 1 er et du 2 nd ordre Corrélation, autocorrélation... Processus aléatoires Moments du 1 er ordre et du 2 nd ordre : Définitions: 1. La moyenne d un processus aléatoire est l espérance mathématique de la variable X(t). Elle dépend de l instant t. On la note : Autocorrélation dans le cas d un processus réel continu : 2. La fonction d autocovariance (autocorrélation de variables centrées) est la covariance entre les variables aléatoires X(t 1 ) et X(t 2 ) : Fonction d autocovariance Moment conjoint des variables aléatoires centrées 3. La fonction de intercovariance est la covariance entre les variables aléatoires X(t 1 ) et Y(t 2 ) : 77 Quand t 1 = t 2, on obtient la variance du processus aléatoire en t Remarques: Corrélation, autocorrélation... Processus aléatoires Corrélation, autocorrélation... Processus aléatoires Exemple Signal sinusoïdal à phase aléatoire 1) On obtient des fonctions bidimensionnelles des variables t 1 et t 2. Dans le cas d un processus échantillonné discret, on obtiendra des matrices d autocorrélation et d autocovariance. 2) Si ces fonctions ne dépendent que de l écart temporel t 1 t 2, les fonctions d'autocorrélation et d'autocovariance sont monodimensionnelles et dépendent du temps τ = t 1 t u étant une variable aléatoire uniformément répartie, la moyenne du premier terme est nulle. (Voir la densité de probabilité du signal sinusoïdal à phase aléatoire) On obtient : C est une fonction périodique, ne dépendant que de l écart t 1 t 2. Pour t 1 = t 2, on retrouve la variance du processus aléatoire. 80

18 Stationnarité, ergodicité Processus stationnaire au sens strict Un processus est dit stationnaire au sens strict si toutes se propriétés statistiques sont invariantes dans le temps. Il est dit stationnaire au sens large (SSL) si seules son espérance mathématique (sa moyenne) et sa fonction d'autocorrelation sont invariantes dans le temps. Stationnarité, ergodicité Processus stationnaire au sens strict Les propriétés statistiques (à tous les ordres) sont invariantes dans le temps Les statistiques du second ordre ne dépendent plus que de l écart τ = t 1 t 2 Densité conjointe du second ordre 81 Autocorélation Pour un processus réel 82 Stabilité au second ordre au sens large Stationnarité, ergodicité Exemple de processus stable au sens large (SSL) : Processus harmoniques : Processus ergodique au sens strict Moments statistisques = Moments temporels ou les A k sont des variables aléatoires centrées de variance σ k2 et non corrélées entre elles. On montrera que ce processus est centré et SSL, et que sa fonction d autocovariance est donnée par : 83 Processus ergodique (au sens large) Egalité des Moyennes statistiques et temporelles ainsi que des fonctions d autocorrélation statistiques et temporelles. Moyenne statistique = moyenne temporelle: 84

19 Stationnarité, ergodicité Densité spectrale Fonctions d autocorrélation statistique et temporelle Signaux déterministes Transformée de Fourier Module et phase Interprétation fréquentielle Signaux aléatoires Ergodique (au sens large) Stationnaire (au sens large) L inverse n est pas vrai. Transformée de Fourier???? Oui, mais pour une réalisation X(t,u i )! Signaux stationnaires ergodiques Estimation des paramètres statistiques à partir des paramètres temporels 85 Exemple Signal sinusoïdal à phase aléatoire X(t,u) = A sin(2πf t+ u) Intuitivement: Une fréquence f d amplitude A. Quelle phase? elle est aléatoire. 86 Densité spectrale Densité spectrale Signaux à énergie finie Contenu fréquentiel des processus aléatoires défini par l énergie ou la puissance (carré de l amplitude) Densité spectrale d énergie (DSE) Densité spectrale d énergie ou de puissance Représentation de la répartition de l énergie ou de la puissance d un signal en fonction de la fréquence Intuitivement: relation entre densité spectrale et spectre (transformée de Fourier) pour les signaux déterministes??? 87 Fonction réelle. Fonction paire si le signal est réel DSE = Transformée de Fourier de la fonction d autocorrélation temporelle Dimension: 88

20 Energie du signal Densité spectrale Densité spectrale Signaux à puissance finie Densité spectrale de puissance (DSP) Transformée de Fourier de la fonction d autocorrélation temporelle S xx (f) est bien une densité spectrale Dimension : Relation avec la transformée de Fourier 89! T.F. de x(t) limité à une durée T 90 Puissance du signal Densité spectrale S xx (f) est bien une densité de puissance Densité spectrale Processus aléatoire stationnaire (SSL) Théorème de Wiener-Khintchine: Densité spectrale de puissance = Transformée de Fourier de la fonction d autocorrélation statistique 91 Processus aléatoire ergodique Estimation de la fonction d autocorrélation statistique donc de la DSP à partir de la fonction d autocorrélation temporelle des réalisations disponibles du processus aléatoire. 92

21 Densité spectrale Exemple: Signal sinusoïdal à phase aléatoire Autocorrélation statistique : Densité spectrale de puissance Autocorrélation temporelle (pour une réalisation donnée u i de la phase) (T=1/f 0 ) Densité spectrale de puissance (dsp) La densité spectrale de puissance d un processus SSL + d autocovariance de carré sommable est définie par la transformée de Fourier de sa fonction d autocovariance. temps continu : temps discret : La densité spectrale de puissance représente la puissance contenue dans chaque composante fréquentielle du signal aléatoire. Le signal est donc ergodique (au sens large) Densité spectrale de puissance (dsp) Bruit Blanc Bruit blanc de variance = 1 + deux sinusoïdes de fréquence 10 et 15 (rad/s) d amplitudes 0.8 et Time history Time (secs) Un bruit blanc est un processus aléatoire SSL centré dont la densité spectrale de puissance est constante sur tout l axe des fréquences. Power Spectral Density Autocorrélation temporelle nulle sauf pour t 1 = t 2 Degrees Frequency (rads/sec) Frequency (rads/sec) 95 Exemples de bruits blancs ou roses : Bruits thermiques, ε Bruits de quantification : X Y 96

22 Signaux aléatoires et générateurs aléatoires Variable aléatoire uniforme sur l intervalle [0,1] Générateurs pseudo-aléatoires uniforme Fonctions intrinsèques : par ex: Variable aléatoire uniforme x = RND en BASIC Algorithme récursif simple : du type Somme de deux variables aléatoires uniformes Somme d un grand nombre de variables aléatoires uniformes Gaussienne Théorème de la limite centrale : «La distribution statistique de la somme de n variables aléatoires indépendantes, possédant la même loi de probabilité, tend asymptotiquement vers une distribution gaussienne lorsque n, quelle que soit la distribution des termes individuels.» 97 attention : Le choix des paramètres a, b et c est important pour la «qualité de hasard» engendré. Par exemple, prendre des valeurs de nombre premiers pour éviter les rebouclages. Il s'agit de nombres pseudo-aléatoire, avec une récurrences qui n est pas nécessairement infinie et parfois insuffisante. 98 Générateurs pseudo-aléatoires normal ou Gaussien X est une variable aléatoire normale, c.a.d de fdp gaussienne normalisée, de moyenne µ = 0 et d écart type σ = 1 En appliquant le théorème de la limite centrale : N X = R i= 1 ou N est suffisamment grand, et ou les R i sont des variables aléatoires uniformes indépendantes sur [0,1]. On ramène la moyenne à 0 en soustrayant N/2. Algorithme (approché) n utilisant que deux générateurs uniformes : ( 2ln R ) 1 2 cos(2 R ) X = 1 π 2 ou R 1 et R 2 sont des variables aléatoires uniformes sur [0,1] i Pour une variable aléatoire Y de moyenne µ et d écart type σ quelconques, faire simplement : Y = σ X + µ N 2 99 Générateur aléatoire de fdp quelconque. Soit deux variables aléatoires x et y et p(x) et q(y) leur fdp respective. La propriété d invariance dit : p ( x) dx = q( y)dy dx dx Donc : q (y) = p(x) = C ou x une variable aléatoire dy dy uniforme p(x) = cst = C donc, en intégrant de part et d autre : 1 x = Q(y) C ou Q(y) est la primitive de la distribution q(y) recherchée et x une variable aléatoire uniforme. 1 Si Q(y) est inversible, on a : y( x) = CQ (x) a y q( y) = a e y / a ( ) = e 1 y = Q ( x) = a log( x) Exemple d application, fdp exponentielle: Q y NB: Cette méthode ne fonctionne pas pour une distribution Gaussienne, dont l intégrale (fonction Φ(x) ou 1-erf(x)) n est pas inversible analytiquement. 100

23 Générateur aléatoire de fdp quelconque. q y = a e y / a Exemple d application, fdp exponentielle: ( ) y / a 1 Q( y) = e y = Q ( x) = a log( x) et x = RND 100 'CALCULATION OF BINNED HISTOGRAM 110 A=5; 120 DIM Y[4096] Y[0] to X[25000] holds the random output signal, 130 ' 'with has an exponential pdf a exp(-ay) 140 ' 150 FOR I% = 0 TO y[i%] = -LOG(RND)/A; 170 NEXT I% 180 ' 190 GOSUB XXXX 'Mythical subroutine that outputs Y[ ] 200 ' 210 END 101

TD1 Signaux, énergie et puissance, signaux aléatoires

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

Plus en détail

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES Table des matières Avant propos Chapitre I NOTIONS SUR LES SYSTEMES 1. Systèmes linéaires 1 2. Systèmes stationnaires 1 3. Systèmes continus 2 4. Systèmes linéaires invariants dans le temps (LIT) 2 4.1

Plus en détail

Quelques points de traitement du signal

Quelques points de traitement du signal Quelques points de traitement du signal Introduction: de la mesure au traitement Source(s) BRUIT BRUIT Système d acquisition Amplitude (Pa) Temps (s) Amplitude (Pa) Mesure Opérations mathématiques appliquées

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

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

Plus en détail

Les régimes périodiques (Chap 2)

Les régimes périodiques (Chap 2) Les régimes périodiques (Chap 2)! Révisé et compris! Chapitre à retravaillé! Chapitre incompris 1. Propriétés des grandeurs physiques : La période T, est le plus petit intervalle de temps, au bout duquel

Plus en détail

5 Analyse de Fourier. 5.1 Aspects théoriques. 5.1.1 Analyse de Fourier

5 Analyse de Fourier. 5.1 Aspects théoriques. 5.1.1 Analyse de Fourier Responsable : J.Roussel Objectif Ce TP est une initiation à l analyse de Fourier. Nous verrons notamment comment une analyse spectrale permet de remonter à la courbe de réponse d un filtre électrique.

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

5 Analyse de Fourier. 5.1 Aspects théoriques. 5.1.1 Analyse de Fourier

5 Analyse de Fourier. 5.1 Aspects théoriques. 5.1.1 Analyse de Fourier Responsable : J.Roussel Objectif Ce TP est une initiation à l analyse de Fourier. Nous verrons notamment comment une analyse spectrale permet de remonter à la courbe de réponse d un filtre électrique.

Plus en détail

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

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

Plus en détail

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

Traitement numérique du signal

Traitement numérique du signal Nº 754 BULLETIN DE L UNION DES PHYSICIENS 707 Traitement numérique du signal par J. ESQUIEU Lycée de Brive 1. TRAITEMENT Le traitement numérique du signal consiste à agir sur le signal à partir d échantillons

Plus en détail

Département de physique

Département de physique Département de physique Etude de la densité spectrale de puissance du bruit thermique dans une résistance Travail expérimental et rédaction du document : Jean-Baptiste Desmoulins (P.R.A.G.) mail : desmouli@physique.ens-cachan.fr

Plus en détail

Analyse spectrale du signal

Analyse spectrale du signal Analyse spectrale du signal Principe de l analyse spectrale (ou harmonique) La réponse en fréquence des circuits est un élément caractéristique du comportement dynamique des circuits R, L et C. L autre

Plus en détail

Professeur Eva PEBAY-PEYROULA

Professeur Eva PEBAY-PEYROULA UE3-1 : Physique Chapitre 4 : Les ondes Professeur Eva PEBAY-PEYROULA Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. IV- Les ondes Finalité du chapitre Pour

Plus en détail

Fiche technique expérimentale 5. Notions sur l acquisition numérique

Fiche technique expérimentale 5. Notions sur l acquisition numérique Fiche technique expérimentale 5 Notions sur l acquisition numérique D.Malka MPSI 2014-2015 Lycée Saint-Exupéry Ce bref guide traite de quelques éléments important sur l acquisition numérique des signaux

Plus en détail

Les codes Pseudo-Aléatoires et leurs applications

Les codes Pseudo-Aléatoires et leurs applications Les codes Pseudo-Aléatoires et leurs applications A) Les codes Pseudo-Aléaoires B) Les Applications : I. Etalement de spectre, II. Cryptage et chiffrement III. Brouillage numérique A) Les codes Pseudo-aléatoires

Plus en détail

Propriétés fréquentielles du signal

Propriétés fréquentielles du signal Fiche de référence Thème II : ANALYSE DU SIGNAL Propriétés fréquentielles du signal 1- Insuffisance de la représentation temporelle du signal Reprenons l exemple utilisé précédemment : Enregistrement du

Plus en détail

Automatique Linéaire 1 Travaux Dirigés 1A ISMIN

Automatique 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 détail

Chapitre 3: Analyse des signaux non périodiques

Chapitre 3: Analyse des signaux non périodiques Chapitre 3: Analyse des signaux non périodiques Mahjoub DRIDI Contents 1 Transformation de Fourier 1.1 PassagedelasérieàlatransformationdeFourier..................... 1. DéfinitiondelatransforméedeFourier...........................

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Plan du cours. Cours de Traitement Du Signal - Transformées discrètes. Transformée de Fourier d un signal numérique. Introduction

Plan du cours. Cours de Traitement Du Signal - Transformées discrètes. Transformée de Fourier d un signal numérique. Introduction Plan du cours Cours de raitement Du Signal - ransformées discrètes 1 guillaume.hiet@rennes.supelec.fr ESACA 17 octobre 2007 2 3 Guillaume HIE Cours de raitement Du Signal - ransformées discrètes 1/38 Guillaume

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Quantification Scalaire et Prédictive

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

Plus en détail

Traitement du signal et Applications

Traitement du signal et Applications Traitement du signal et Applications Master Technologies et Handicaps 1 ère année Philippe Foucher 1 Plan Signal? Exemples Signaux analogiques/signaux numériques Propriétés Séance de TP 2 Plan Signal?

Plus en détail

Cours de Mécanique du point matériel

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

Plus en détail

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx ECRICOME 2004 Voie Eco 1 EXERCICE 1 EXERCICE Soient f la fonction numérique de la variable réelle définie par : x R, f (x = 1 2 et (u n la suite de nombres réels déterminée par : { u 0 = 1 f (x dx 0 n

Plus en détail

Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test

Étude 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 détail

Introduction à l analyse spectrale. P. Granjon, J-L. Lacoume

Introduction à l analyse spectrale. P. Granjon, J-L. Lacoume Introduction à l analyse spectrale P. Granjon, J-L. Lacoume Table des matières Propriétés énergétiques des signaux 2. Signaux à temps et fréquence continus............................. 2.2 Signaux à temps

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Chapitre 1 Régime transitoire dans les systèmes physiques

Chapitre 1 Régime transitoire dans les systèmes physiques Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer

Plus en détail

QUELQUES APPLICATIONS DE LA FFT J.M. Lemasquerier IPEST Tunis. I Fonction de transfert d un quadripôle

QUELQUES APPLICATIONS DE LA FFT J.M. Lemasquerier IPEST Tunis. I Fonction de transfert d un quadripôle QUELQUES APPLICATIONS DE LA FFT J.M. Lemasquerier IPEST Tunis Nous proposons ici quelques utilisations du calcul numérique rapide de la transformée de Fourier. A l exception du calcul d une figure de diffraction,

Plus en détail

LP25. Traitement analogique d un signal électrique. Étude spectrale. Exemples et applications.

LP25. Traitement analogique d un signal électrique. Étude spectrale. Exemples et applications. LP5. Traitement analogique d un signal électrique. Étude spectrale. Exemples et applications. Antoine Bérut, David Lopes Cardozo Bibliographie Physique tout en 1 première année, M.-N. Sanz, DUNOD Électronique

Plus en détail

M1/UE CSy - module P8 1

M1/UE CSy - module P8 1 M1/UE CSy - module P8 1 PROJET DE SIMULATION AVEC MATLAB RÉGULATION DU NIVEAU ET DE LA TEMPÉRATURE DANS UN BAC En vue de disposer d un volume constant de fluide à une température désirée, un processus

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Traitement du Signal Vu par Un Mesures Physiques

Traitement du Signal Vu par Un Mesures Physiques Traitement du Signal Vu par Un Mesures Physiques Cette technique reste compliquée par les mathématiques qu il l accompagne. J ai découvert la première fois le TdS au travail (CEA) avec un ingénieur qui

Plus en détail

Chaîne de mesure et acquisition de données

Chaîne de mesure et acquisition de données 1 Chaîne de mesure et acquisition de données Sommaire 2 A La chaîne d acquisition de données p 3 I Description de la chaîne d acquisition de données p 4 II Emplacement de la chaîne d'acquisition p 11 III

Plus en détail

LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION

LES 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 détail

Les fonctions sinus et cosinus

Les fonctions sinus et cosinus DERNIÈRE IMPRESSION LE 6 juin 03 à 5:06 Les fonctions sinus et cosinus Table des matières Rappels. Mesure principale.............................. Résolution d équations...........................3 Signe

Plus en détail

Majeure d informatique

Majeure d informatique Nicolas Sendrier Majeure d informatique Introduction la théorie de l information Cours n 1 Une mesure de l information Espace probabilisé discret L alphabet est X (fini en pratique) Variable aléatoire

Plus en détail

Cahier de textes Page 1 sur 9. Cahier de textes

Cahier de textes Page 1 sur 9. Cahier de textes Cahier de textes Page 1 sur 9 Cahier de textes Jeudi 04/09/2014 9h-12h et 13h30-16h30 : Cours sur la logique : - Conjonction, disjonction, implication, équivalence - Quelques formules. - Quantificateurs

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

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

Plus en détail

1. L ADN et l information génétique. l ADN l information génétique est contenue dans l ADN. traduction. comment fait-on une protéine?

1. L ADN et l information génétique. l ADN l information génétique est contenue dans l ADN. traduction. comment fait-on une protéine? 1. L ADN et l information génétique l ADN l information génétique est contenue dans l ADN (ADN) (ARN) 1 2 A G T C U comment fait-on une protéine? traduction l information génétique est organisée par triplets

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

ECHOGRAPHE ET CAPTEUR. D.I.U. d Echocardiographie module 1

ECHOGRAPHE ET CAPTEUR. D.I.U. d Echocardiographie module 1 ECHOGRAPHE ET CAPTEUR D.I.U. d Echocardiographie module 1 Plan Généralités Capteur Echographe Traitement du signal Stockage Transport Généralités Historique the blue goose 1970 180 cm Généralités Historique

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Echantillonnage Non uniforme

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

Plus en détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

Systèmes de communications numériques 2

Systèmes de communications numériques 2 Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

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

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

Plus en détail

Transmission de données. A) Principaux éléments intervenant dans la transmission

Transmission de données. A) Principaux éléments intervenant dans la transmission Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement

Plus en détail

GELE2511 Chapitre 7 : Transformée de Fourier discrète

GELE2511 Chapitre 7 : Transformée de Fourier discrète GELE2511 Chapitre 7 : Transformée de Fourier discrète Gabriel Cormier, Ph.D., ing. Université de Moncton Hiver 2013 Gabriel Cormier (UdeM) GELE2511 Chapitre 7 Hiver 2013 1 / 79 Introduction Contenu Contenu

Plus en détail

Notes de cours Philippe RAYMOND Novembre 2006

Notes de cours Philippe RAYMOND Novembre 2006 Notes de cours Philippe RAYMOND Novembre 2006 1 Traitement du signal la numérisation Numériser un signal analogique (donc continu), c est le discrétiser sur deux dimensions : le temps et l'amplitude. 2

Plus en détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

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

Plus en détail

Éléments de correction

Éléments de correction Éléments de correction Sujet zéro de l'épreuve informatique et modélisation de systèmes physiques Étude d un capteur de modification de fissure : fissuromètre Q1. Déterminer sa masse linéique. Masse linéique

Plus en détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

Plus en détail

Analyse de FOURIER +[ ( ) + ( )]

Analyse de FOURIER +[ ( ) + ( )] Analyse de FOURIER I. Analyse de Fourier : Décomposition harmonique : toute fonction périodique (son musical) peut être décomposé en une somme (infinie) de fonctions sinus et cosinus. Un signal est la

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

ANALYSE DE FOURIER 1. REPRESENTATION DE FOURIER. 1.1 Représentation d un signal sinusoïdal

ANALYSE DE FOURIER 1. REPRESENTATION DE FOURIER. 1.1 Représentation d un signal sinusoïdal Annexe Fourier I ANNEXE ANALYSE DE FOURIER 1. REPRESENTATION DE FOURIER 1.1 Représentation d un signal sinusoïdal On peut représenter un signal sinusoïdal de la forme s(t) = s 0 cos"t = s 0 cos(2#f 0 t)

Plus en détail

L'analyse chronologique au sein de l'entreprise industrielle

L'analyse chronologique au sein de l'entreprise industrielle François S. Chaghaghi L'analyse chronologique au sein de l'entreprise industrielle Berne PETER LANG Francfort-s. Main New York TABLE DES MATIERES INTRODUCTION: La planification de la production au sein

Plus en détail

Le traitement du signal - La transformée de Fourier, la transformée de Fourier discrète et la transformée en cosinus discret

Le traitement du signal - La transformée de Fourier, la transformée de Fourier discrète et la transformée en cosinus discret Le traitement du signal - La transformée de Fourier, la transformée de Fourier discrète et la transformée en cosinus discret 20 janvier 2008 Plan La transformée de Fourier 1 La transformée de Fourier 2

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

ENSTA - COURS MS 204 DYNAMIQUE DES SYSTÈMES MÉCANIQUES : ONDES ET VIBRATIONS

ENSTA - COURS MS 204 DYNAMIQUE DES SYSTÈMES MÉCANIQUES : ONDES ET VIBRATIONS ENSTA - COURS MS 204 DYNAMIQUE DES SYSTÈMES MÉCANIQUES : ONDES ET VIBRATIONS Amphi 5 INFORMATION A l URL suivante: http://www.ensta-paristech.fr/ touze/ms204/ vous trouverez: les supports des cours 1 à

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

COMMENT OBTENIR UN SPECTRE SATISFAISANT D UN SIGNAL ENREGISTRE PAR ORDINATEUR?

COMMENT OBTENIR UN SPECTRE SATISFAISANT D UN SIGNAL ENREGISTRE PAR ORDINATEUR? NOM: Coéquipier : COMMENT OBTENIR UN SPECTRE SATISFAISANT D UN SIGNAL ENREGISTRE PAR ORDINATEUR? Soit une fonction G(t) périodique, de fréquence f. D'après Fourier, cette fonction peut se décomposer en

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision d un résultat et calculs d incertitudes Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................

Plus en détail

Texte Agrégation limitée par diffusion interne

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

Plus en détail

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

Plus en détail

Introduction au Traitement Numérique du Signal

Introduction au Traitement Numérique du Signal Introduction au Traitement Numérique du Signal bjectifs : présenter sans développement calculatoire lourd (pas de TF, pas de TZ) on donne des résultats on illustre. n donne des exemples sous Matlab en

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES Bertrand GOTTIN Directeurs de thèse: Cornel IOANA et Jocelyn CHANUSSOT 03 Septembre 2010 Problématique liée aux Transitoires

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Travaux Dirigés Traitement Numérique du Signal Digital Signal Processing

Travaux Dirigés Traitement Numérique du Signal Digital Signal Processing 1ère Année Informatique 2011-2012 Travaux Dirigés Traitement Numérique du Signal Digital Signal Processing M. Frikel - J. Fadili GREYC, UMR 6072 CNRS, 6, Boulevard Maréchal Juin, 14050 Caen Cedex Table

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

I. Polynômes de Tchebychev

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

Plus en détail

Bases du traitement des images. Transformée de Fourier

Bases du traitement des images. Transformée de Fourier Transformée de Fourier Nicolas Thome 29 septembre 2015 1 / 60 Contexte et objectif Transformée de Fourier Transformée de Fourier (TF) : outil fondamental en traitement d images Concept abordé durant les

Plus en détail

Chapitre I La fonction transmission

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

Plus en détail

SYSTEMES LINEAIRES DU PREMIER ORDRE

SYSTEMES LINEAIRES DU PREMIER ORDRE SYSTEMES LINEIRES DU PREMIER ORDRE 1. DEFINITION e(t) SYSTEME s(t) Un système est dit linéaire invariant du premier ordre si la réponse s(t) est liée à l excitation e(t) par une équation différentielle

Plus en détail

Fonctions de plusieurs variables

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

Plus en détail

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

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

Plus en détail

cpgedupuydelome.fr -PC Lorient

cpgedupuydelome.fr -PC Lorient Première partie Modèle scalaire des ondes lumineuses On se place dans le cadre de l optique géométrique 1 Modèle de propagation 1.1 Aspect ondulatoire Notion d onde électromagnétique On considère une onde

Plus en détail

Bases du traitement des images. Transformée de Fourier Avancée - Numérisation

Bases du traitement des images. Transformée de Fourier Avancée - Numérisation Transformée de Fourier Avancée - Numérisation Nicolas Thome 6 octobre 2015 1 / 87 Outline 1 Numérisation Fenetrage Échantillonnage Quantification 2 2 / 87 Principe Du continu au discret Un signal continu

Plus en détail

Développement d un système de commande et de régulation de la température de l air d une soufflerie de séchage convectif

Développement d un système de commande et de régulation de la température de l air d une soufflerie de séchage convectif Revue des Energies Renouvelables SMSTS 08 Alger (2008) 67 77 Développement d un système de commande et de régulation de la température de l air d une soufflerie de séchage convectif Y. Bouteraa 1*, M.

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Frédéric Messine Introduction Dans ce chapitre, nous allons étudier une application de la dérivation des fonctions de plusieurs variables

Plus en détail

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

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

Plus en détail

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème... TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................

Plus en détail

Ecole d été - Cargèse. Représentation des signaux. Plan. Formule de Parseval. Représentation de Fourier. Qu est-ce que le Traitement du signal?

Ecole d été - Cargèse. Représentation des signaux. Plan. Formule de Parseval. Représentation de Fourier. Qu est-ce que le Traitement du signal? Qu est-ce que le Traitement du signal? But du Traitement du signal: Extraire un maximum d informations utiles sur un signal perturbé par le bruit Ecole d été - Cargèse Traitement du Signal pour la parole

Plus en détail

Chapitre 2 : communications numériques.

Chapitre 2 : communications numériques. Chapitre 2 : communications numériques. 1) généralités sur les communications numériques. A) production d'un signal numérique : transformation d'un signal analogique en une suite d'éléments binaires notés

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite): Paramétrisation Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale Paramétrisation Distances

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO 20 mars 2014

Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO <jiayin.gao@univ-paris3.fr> 20 mars 2014 Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO 20 mars 2014 La phonétique acoustique La phonétique acoustique étudie les propriétés physiques du signal

Plus en détail