ELE103 PartI v23

CNAM
Bases de Traitement du Signal
ELE 103, partie I (draft version)
D. ROVIRAS
[email protected]
[email protected]
Tel : 01 40 27 25 67
Accs 11, 2me tage, Bureau 11B2.37
2015-2016 version 23
CNAM ELE 103 D. Roviras 1

Sommaire :
1. Introduction
2. Rappels sur le filtrage (C1, TD1)
3. Rappels sur la Srie de Fourier et la Transforme de Fourier (C2,C3,TD2,TD3,TD4)
4. Signaux dterministes nergie finie (C4)
5. Signaux dterministes puissance finie (C4)
6. Introduction aux probabilits (C5,C6,C7,TD5, TD6)
7. Signaux alatoires (C8 C9 C10, TD7)
8. Filtrage des signaux (C11, TD8, TD9)
9. Signaux bande troite (C12 C13)
10. Modulations (C14 C15, TD10, TD11, TD12)

Introduction
1. Pr requis et place de ELE103 dans le cursus
ingnieur
2. Le traitement du signal

Introduction
Cycle prparatoire :
Une UE au choix parmi :
Signal dterministe MAA107
Signal alatoire MAA104 Pr requis
Composants lectroniques ELE101

Bases de Traitement du signal ELE103
Traitement numrique du signal ELE102
Programmation microcontrleurs ELE118 ou Conception VHDL ELE106
Processeurs de signaux et logique programmable ELE119
Techniques avances en lectronique analogique et numrique (1)

ELE108 (cycle de TP)
Bases de transmissions numriques (1) ELE112

Introduction
Cycle de spcialisation :
Bases de transmissions numriques(2) ELE113
Techniques avances en lect. analogique et numrique (2) ELE109
Une UE au choix parmi :

Tlcommunications optiques ELE107
Propagation, rayonnement, lectromagntisme ELE115
Transmissions en tlcoms ELE111
Prvention des risques physiques PHR103
Deux UE au choix parmi :

Circuits pour systme RF, micro-ondes et optolectroniques ELE202
Traitement du signal en tlcommunications ELE203
Tlvision numrique et multimdia ELE210
Radiocommunications ELE208
Conception lectronique des circuits VLSI logiques ELE205
Technologies des hauts dbits ELE207

Introduction
A quoi sert le cours de
Bases de Traitement du Signal ?
Station de radio n2
mon poste de radio
Station de radio n1

Introduction
Signal station de radio n1 Signal station de radio n2
t t
Traitement Traitement
Modulation Modulation
Amplification Amplification
Transmission Transmission
mon poste
de radio
Introduction
Pr-amplification
Traitement
Dmodulation
Amplification

Introduction
(1) Signal station de radio n1 (m1(t)) (2) Traitement du signal m1(t) : filtrage
(3) Modulation du signal m1(t)
t (4) Transmission hertzienne
(5) Dmodulation
v(t) y(t) z(t) s(t)

m1(t) x(t)
g(t) h(t) + e(t)
Passe-Bas Canal hertzien
Passe-Bas
cos( 2..fp.t) n(t)
cos (2..fp.t)
Introduction
Perturbations
Entre Sortie
Systme
Caractrisation temporelle et frquentielle des

signaux dentre, de sortie et des perturbations
Relations entre/sortie ?
Quel traitement raliser ?

Introduction
ELE103
ELE102-103 ELE102-112 ELE102-112
Codeur Codeur
CAN
source canal
Source
ELE102-103-112 Modulateur
Exemple dun chane de Canal

ELE103-112
transmission numrique
ELE102-103-112
Rcepteur
Dcodeur Dcodeur
CNA
source canal
Signal ELE102-103 ELE102-112 ELE102-112
ELE103 CNAM ELE 103 D. Roviras 11
Introduction
Rappels sur le filtrage et
les distributions
1. Filtrage par un SLIT
2. Rappel sur les distributions

Filtrage
Systme Linaire Invariant Temporellement (SLIT)
Linarit :
x1 (t ) SLIT y1 (t ) x2 (t ) SLIT y2 (t )
a.x1 (t ) + b.x2 (t ) SLIT a. y1 (t ) + b. y2 (t )
Invariance temporelle :
x1 (t ) SLIT y1 (t ) x1 (t ) SLIT y1 (t )

Filtrage
Exemple de systme Non Linaire : comparateur
Entre (x) Sortie (y)

Systme
y : amplitude de la sortie
A
0 x: amplitude de lentre
x1(t)=constante = 1 y1(t)=constante=A
x2(t)=constante = 2 y2(t)=constante=A
x3(t)= x1(t)+x2(t) y3 (t ) = A y1 (t ) + y2 (t )

Filtrage
Exemple de systme Non Linaire : diode
Entre (x) Sortie (y)

Systme
y : amplitude de la sortie
Pente de 1
0 x: amplitude de lentre
x1(t)=constante = -1 y1(t)=constante=0
x2(t)=constante = 1 y2(t)=constante=1
x3(t)= x1(t)+x2(t) y3 (t ) = 0 y1 (t ) + y2 (t )

Filtrage
Exemple de systme Variant Temporellement :
x(t) Systme y(t)
x(t) y(t)
g(t)
x1 (t ) y1 (t ) = g (t ) x1 (t )
x2 (t ) = x1 (t ) y2 (t ) = g (t ) x1 (t ) y1 (t )

Filtrage
Exemple de systme Variant Temporellement :
x(t) y(t)
g(t)
g(t)
2
1
t
x1(t) x2(t)=x1(t-)
y1(t) y2(t)
t
Filtrage
Caractrisation dun SLIT : Rponse frquentielle H(f)
H( f )
H( f ) module phase Phase(H ( f ) )
f f
A0 cos(2f 0t ) Systme A1 cos(2f 0t + 1 )
Phase de(H ( f 0 ) ) = 1
A1
H ( f0 ) =
A0
Filtrage
Caractrisation dun SLIT : Rponse impulsionnelle h(t)
h(t)
(t ) SLIT h(t )

1/
(t ) = lim
0
t
0
H ( f ) = TF [h(t )]
Filtrage
Relation entre/sortie dun SLIT
x(t ) SLIT y (t )
h(t)
x(t )
Rponse au rectangle de
largeur D et de hauteur
t
x(k.D): V(t-kD)
Invariance temporelle
et linarit
xe (t ) ye (t )
SLIT
h(t)
t t
k.D
Rectangle de largeur D et de hauteur x(k.D)

Filtrage
+
entre kD et (k + 1 ).D +
xe (t ) = x(kD).rect = x(kD). D (t kD)
k = hauteur = 1 k =
+
1
xe (t ) =
k =
x ( kD ).D.
D
D (t kD )
Invariance temporelle
+ et linarit
1
ye (t ) =
k =
x ( kD ).D.
D
V (t kD )

Si D tend vers 0 alors on a xe(t) qui tend vers x(t)
1 +
D (t ) tend vers (t)
D ye (t ) x(kD).D.h(t kD)
k =
1
V (t ) tend vers h(t) +
D
y (t ) =

x( ).h(t )d
Filtrage
+
y (t ) = x( ).h(t )d = [x * h](t )

De faon ne pas alourdir les notations on crira plus simplement :
y (t ) = x(t ) * h(t )
On verra dans le chapitre suivant que lon a :
Y ( f ) = X ( f ).H ( f )

Filtrage
Proprits de la relation de convolution
Commutativit x(t ) * h(xt )(=

1 t ) * x2 (t ) = x2 (t ) * x1 (t )
h (t ) * x (t )
Distributivit [x1 (t ) + x2 (t )]* h(t ) = [x1 (t ) * h(t )] + [x2 (t ) * h(t )]
Associativit [x1 (t ) * x2 (t )]* x3 (t ) = x1 (t ) * [x2 (t ) * x3 (t )]
Transforme de
TF [x(t ) * h(t )] = X ( f ).H ( f )
Fourier
Transforme de TF [x(t ).h(t )] = X ( f ) * H ( f )
Fourier

Filtrage
Interprtation graphique de la convolution
+
y (t ) = x( ).h(t )d
x( )
h( )
h(t0 )
+
t0
x( ).h(t

0 )d

y (t )
t
Filtrage
Notion de causalit
Les systmes physiques rels sont causaux. Cela veut dire

que la sortie du systme ne peut pas varier avant que lon ait
appliqu lentre
Avec un SLIT causal on a h(t)=0 pour t<0
h( )
Remarque : dans certains calculs thoriques nous utiliserons des filtres non
causaux. Cest une libert qui permet de simplifier les calculs mais il est bien
clair que ces systmes non causaux sont non ralisables physiquement.
Exemple: un filtre passe-bas idal

Filtrage
Notion de causalit
Comment rendre causal un filtre non causal ?
Imaginons que lon veuille raliser un SLIT avec la rponse impulsionnelle suivante:
h(t)
On tronque temporellement la rponse impulsionnelle :

h(t)
On dcale temporellement la rponse impulsionnelle tronque :

h(t)

Filtrage
Rappels sur les distributions
Remarque : Ces rappels ne sont pas un cours sur les Distributions mais quelques
notions physiques sur limpulsion de Dirac et les proprits associes
Soit x(t) un rectangle centr sur 0 de largeur D et de hauteur 1/D. Laire de x(t) vaut 1.
En faisant tendre D vers 0 on a x(t) qui tend vers une impulsion baptise impulsion de
Dirac
1
D (t ) (t )
D
1/D
D tend vers 0
-D/2 D/2 t 0 t
Par convention de dessin on dessine une impulsion de Dirac comme ci dessus

Filtrage
Proprits de limpulsion de Dirac
+
Aire unitaire
(t )dt = 1

Dirac .Fonction
x(t ). (t ) = x(0). (t )
Dirac.Fonction x(t ). (t t0 ) = x(t0 ). (t t0 )
Dirac.Fonction x(t t1 ). (t t0 ) = x(t0 t1 ). (t t0 )

Convolution x(t ) * (t ) = x(t )
Convolution x(t t0 ) * (t ) = x(t t0 )
Convolution x(t ) * (t t0 ) = x(t t0 )
Convolution x(t t1 ) * (t t0 ) = x(t t1 t0 )
TF TF { (t )} = 1
TF TF {1} = ( f )
TF TF { (t t0 )} = exp( 2jft 0 )
TF TF {exp(2jf 0t )} = ( f f 0 )

Filtrage
Rappel sur les nombres complexes
c = a + jb a = partie relle b = partie imaginaire
Im
c
b

Re
a
b
phase de c = arctg = Angle du vecteur c
a
mod ule de c = c = a 2 + b 2 = Longueur du vecteur c

Filtrage
Rappel sur les nombres complexes
b
c = a + j.b c = c . exp( j ) avec c = a 2 + b 2 et = arctg
a
c1 et c2
c1.c2 = c1 . c2 (c1.c2 ) = (c1 ) + (c2 )
deux complexes
c = a + j.b c * = a j.b c = c* (c) = (c * )
c = a + j.b c = c.c *
2
*
An des + +
An = An*
complexes n = n =
An des *
+ +
An = ( An )
*
complexes
n = n =
exp( j ) = cos( ) + j sin( ) exp( 2jft ) = cos( 2ft ) + j. sin( 2ft )
exp( 2jft ) = 1
(exp(2jft ) )* = exp(2jft )
exp( a ). exp(b) = exp( a + b)
d
(exp( K .t ) ) = K . exp( K .t )
dt
Filtrage
Rappel sur les fonctions trigonomtriques
sin( a ) sin(b) = 1 cos(a b) 1 cos(a + b)
2 2
cos(a ) cos(b) = 1 cos(a b) + 1 cos(a + b)
2 2
sin( a ) cos(b) = 1 sin( a b) + 1 sin( a + b)
2 2
cos(a ) sin(b) = 1 sin( a + b) 1 sin( a b)

2 2
sin( a + b) = sin( a ) cos(b) + cos(a ) sin(b)
sin( a b) = sin( a ) cos(b) cos(a ) sin(b)

cos(a + b) = cos(a ) cos(b) sin( a ) sin(b)
cos(a b) = cos(a ) cos(b) + sin( a ) sin(b)
cos 2 (a ) = (1 + cos(2a )) 2
sin 2 ( a ) = (1 cos( 2a )) 2

Filtrage
Rappel sur les drives de fonctions trigonomtriques
{ f [ g (u)]}
= [ f ( g )]' = f ' ( g ).g '
u
{ f (u). g (u)}
= [ f . g ]' = f '.g + f . g '
u
{ f (u) / g (u)} f '.g f . g '
= [ f / g ]' =
u g2
cos(u) cos(k .u)
= sin( u) = k . sin( u)
u u
sin( u) sin( k .u)
= cos(u) = cos(k .u)
u u
1
cos(u)du = sin(u) cos(k.u)du = k
. sin( k .u)
1
sin(u)du = cos(u) sin( k .u ) du =
k
. cos( k .u)
exp(u) exp(k .u)

= exp(u) = k . exp(k .u)
u CNAM ELE 103 D. Roviras u 32
Filtrage
Rappels sur la Srie et la
Transforme de Fourier
1. Srie de Fourier
2. Transforme de Fourier

SF et TF
Srie de Fourier pour les signaux dterministes
priodiques :
Soit x(t) un signal priodique de priode T
x(to)=x(to+T)
x(t) est dcomposable en srie de Fourier c.a.d. en une

somme de sinusodes de frquences multiples de 1/T
On a un spectre de raies
Deux dcompositions duales: somme de sinus/cosinus ou

somme dexponentielles

SF et TF
Dcomposition en somme dexponentielles
Forme bilatrale avec frquences positives et ngatives
+
n
x(t ) = X n exp 2j t
n = T
to +T
1 n
Xn = x(t ) exp 2j t dt
T to T
Rappel : ( j ) = 1
2

SF et TF
Dcomposition en somme de sinus et cosinus
Forme mono latrale avec frquences positives seulement
a0 + n n
x(t ) = + an cos 2 t + bn sin 2 t
2 n =1 T T
to +T
2 n
an = x(t ) cos 2 t dt
T to T
to +T
2 n
bn = x(t ) sin 2 t dt
T to T
SF et TF
Quelques proprits des coefficients de Fourier
Rappel : (a + jb ) = a jb
*
x(t ) relle X n = X *
n
Xn Phase( X n )
n n
En gnral, Xn tend vers 0 quand n tend vers linfini
X n = (an jbn ) pour n positif

1
2
ao
X0 = reprsente la composante continue du signal
2
SF et TF
Rsultats dune troncature des coefficients de Fourier
5
3 1
1
3
9
7 Signal sinusodal redress
en simple alternance:
21 1, 3 et 9 harmoniques
Signal carr: 1, 3, 5, 7 et 21 harmoniques

SF et TF
Quelques proprits des coefficients de Fourier
Calcul de la puissance dans le domaine temporel et spectral :
Identit de Parseval :
to +T + 2
1
Puissance = x(t ) dt = X
2
n
T to n =

SF et TF
Exercices sur la srie de Fourier
Dmonstration de lidentit de Parseval *

+ +
Objectifs ? Rappel : An = An*
n = n =
+
n
x(t ) =
n =
X n exp

2j t
T
to +T to +T
1 1 + n + * n
x(t ) dt = X n exp 2j t X n exp 2j t dt
2
T to
T to n = T n = T
to +T to +T to +T +
1 1 + 2 1 n p
x(t ) dt = n + n p
2 *
X dt X X exp 2 j t dt
T to
T to n = T to nn ,pp= T

to +T + Intgrale gale 0
1
x(t ) dt =
2 2
Xn
T to n =

SF et TF
Dmonstration de lexpression des coefficients Xn
+
n
n = T
p + n p
x(t ) exp 2j t = X n exp 2j t exp 2j t
T n = T T
to +T to +T +
p n p
x(t ) exp 2j t dt =
T
n =
X n exp 2j t exp 2j t dt
T T
to to
to +T to +T +
n p
= X p dt +
n =
X n exp 2j t exp 2j t dt
T T
to to
Intgrale gale 0

SF et TF
Calcul des coefficients de SF dun signal carr

D +D
x(t ) = A pour t et 0 ailleurs
2 2
A
-D/2 D/2 t
-T 0
T
nD
sin
AD T AD nD sin(x)
Xn = = sin c Dfinition : sin c( x) =
T nD T T x

SF et TF

nD AD sin (fD )
sin Coefficient X1 T fD
AD T AD nD
Xn = = sin c
T nD T T
T
AD/T
0 f
-2/D -1/D -1/T 1/T 2/T 3/T 1/D 2/D

SF et TF
Si la priode tend vers linfini

Les raies spectrales deviennent infiniment serres : spectre continu (Srie
de Fourier)
Si A tend vers linfini et D vers 0 de faon ce que A.D=1 et la priode

T est constante
Le signal priodique tend vers un peigne de Dirac en temporel
La reprsentation spectrale dun peigne de Dirac temporel est un peigne

de Dirac frquentiel

SF et TF
Transforme de Fourier :
Existence de la TF:
Fonctions de carr intgrable, signaux nergie finie
Signaux puissance finie
Distributions: Dirac et peigne de Dirac
+
X(f ) = x (t ) exp ( 2jft )dt

+
x(t ) = X ( f ) exp (2jft )df


SF et TF
Identit de Parseval pour les signaux nergie finie
+ +
Energie = x(t ) dt = X(f )
2 2
df

+ + + + *

x(t ) dt = x(t ) x(t ) dt = x(t ) X ( f ) exp(2jft )df dt
2 *

+
+ + +
= x(t ) X ( f )* exp( 2jft )df dt = x(t ) X ( f )* exp( 2jft )df dt

+ + + +

= x(t ) exp( 2jft )dt X ( f )* df = X ( f )X ( f )* df = X ( f ) 2 df


SF et TF
Proprits de la Transforme de Fourier :
Proprit Temporel Frquentiel
x(t) X(f)
Linarit a.x(t)+b.y(t) a.X(f)+b.Y(f)
Conjugaison x(t)* X(-f)*
Fonction relle x(t) rel Symtrie Hermitienne
X ( f ) fonction paire
Phase( X ( f ) ) fonction impaire
Dcalage temporel x(t-to) X ( f ) exp(2jfto )
Dcalage x(t ) exp(2jf ot ) X ( f fo )

frquentiel
SF et TF
Proprit Temporel Frquentiel
Drive d nx X ( f )(2jf )
n
dt n
Symtrie X(t) x(-f)
Multiplication x(t)y(t) X ( f )* Y ( f )
Convolution x(t)*y(t) X ( f ).Y ( f )
x(t ) cos(2f ot )
1 1
Modulation 2
X ( f fo ) + X ( f + fo )
2
SF et TF
Dmonstrations :
Conjugaison : changement de variable
Fonction relle : changement de variable
Dcalage temporel : changement de variable
Dcalage frquentiel : changement de variable
Multiplication et convolution
+
TF ( x(t ) * y (t ) ) = (x(t ) * y(t ))exp( 2jft )dt

+ + +

= ( x(t ) * y (t ) ) exp( 2jft )dt = (x( ) y (t ) )d exp( 2jft )dt

+
+ +
= x( ) ( y (t ) ) exp( 2jft )dt d = x( )(TF ( y (t ) ))d

+ +
= x( )(TF ( y(t )))d = x( )Y ( f ) exp(2jf )d = X ( f )Y ( f )

SF et TF
Dmonstrations :
Conjugaison : changement de variable
Fonction relle : changement de variable
Dcalage temporel : changement de variable
Dcalage frquentiel : changement de variable
Multiplication et convolution
+
TF ( x(t ) ) = x(t ) exp( 2jft )dt posons u = t

+
TF ( x(t ) ) = x(u ) exp( 2jf [u + ])du

+
=

x(u ) exp( 2jfu )du. exp(2jf )
= TF (x(t ) ). exp(2jf )
SF et TF
Transforme de Fourier usuelles (1/5)
x(t)= Rectangle = T (t ) T.sinc(f.T)= T.[sin(.f.T)/.f.T]
amplitude=1, largeur=T, centr sur 0
x(t)= Triangle T.sinc2(f.T)

amplitude=1, largeur=2.T, centr sur 0
exp( 2. . j . fo. t ) ( f fo)
cos( 2. . fo. t ) 1
.[ ( f + fo ) + ( f fo ) ]
2
1 ( f )
(t ) 1
sin( 2. . fo.t ) j
.[ ( f + fo ) ( f fo ) ]
2
1 1
cos( 2 . . fo .t + 0 ) ( f + fo ). exp( j . 0 ) + ( f fo ). exp( j . 0 )
2 2
SF et TF
sin ( Bt ) X(f) = Rectangle de largeur B
x (t ) = B
( Bt ) entre - B/2 et + B/2 de hauteur 1
sin ( Bt )
2
X(f) = Triangle de largeur 2B
x ( t ) = B
( Bt ) entre - B et + B de hauteur 1
SF et TF
U(t) = Echelon unit 1 1
. ( f ) +
2 j .2. . f
Signe(t) 1
j. . f
exp(-a.t).U(t) 1
(U(t) = Echelon unit de temps) a + j .2. . f
2. a
exp(-a.|t|) a 2 + ( 2. . f ) 2
exp( . t 2 ) exp( . f 2 )
exp( a . t ).cos( 2. . fo. t ).U ( t ) a + j.2. . f

( a + j.2. . f ) 2 + ( 2. . fo) 2
2. . fo
exp( a . t ).sin( 2. . fo. t ).U ( t )
( a + j.2. . f ) 2 + ( 2. . fo) 2
SF et TF
. ( exp( a . t ) exp( b. t ) ).U ( t )

1 1
ba ( a + j.2. . f ).(b + j .2. . f )

cos( 2. . fo. t ). ( t ) . [sin c ( .( f + fo )) + sin c ( .( f fo )) ]
2
+ +
n n

n =
X n . exp( 2 . . j.
T
.t ) X n . ( f T )
n =
SF et TF
+
n

n =
X n . ( f
T
)
+
avec X n = A.sin c ( n / 2 )
2. A. T ( t n. T ) A
n =
Signal carr de largeur T/2, entre +A et -A et X n = 0 pour n pair ou nul
priodique de priode T
2. A
avec X n = pour n = 1, 5,....
n.
2. A
X n = pour n = 3, 7, ....
n.
+ +
n
A.
n =
( t n. T )
n =
X n . ( f )
T
Signal carr de largeur , entre 0 et +A et A.
avec X n = .sin c( n / T )
priodique de priode T T
+ 1 + n
. ( f )
(t n.T )
n =
T n = T
SF et TF
Exemple de calcul de TF usuelles :
Calcul classique
Rectangle = T (t )
x(t)= Triangle Convolution de deux rectangles
damplitude=1, largeur=2.T,
centr sur 0
Calcul par TF-1 de (f-fo)
exp(2. . j. fo. t )
Dcomposition en
cos(2. . fo. t ) exponentielles
Dcomposition en
sin( 2. . fo.t ) exponentielles
Calcul classique ou limite du
(t )
rectangle
1 Limite du rectangle
Peigne de Dirac temporel signal carr priodique et

passage la limite
SF et TF
TF de signaux borns temporellement
Si x(t) est un signal born temporellement alors sa TF stend de moins linfini
plus linfini
x(t)
t
T(t)
t
sin(fT )
x(t ) = x(t ). T (t ) X ( f ) = X ( f ) * T
fT
La fonction sin(fT)/fT stendant de moins linfini plus linfini, le support
spectral de X(f) est donc infini
SF et TF
Allure gnrale dun signal et de sa TF
Si x(t) est trs pointu, sa TF sera trs tale
x(t)
t
X(f)
Si x(t) est trs tal, sa TF sera trs pointue
x(t)
t
X(f)
SF et TF
CNAM ELE 103 D. Roviras f 58
TF de signaux priodiques
Soit x(t) un signal priodique de priode T
x(t) est dcomposable en srie de Fourier
+
n
n = T
+
n
X ( f ) = X n ( f )
n = T
Une fonction priodique prsente un spectre de

raies espaces de 1/T
SF et TF
Peigne de Dirac et chantillonnage
Objectif de la numrisation dun signal :
Transformer un signal continu (dfini quelque soit t et prenant une infinit de valeurs
damplitude) en une suite de points prenant leurs valeurs dans un ensemble fini.
Signal Bits
x(t) Numrisation
mettre
Signal Bits
Quantification
x(t) sur n bits mettre
chantillonnage Fe Deux oprations

Pour numriser
Echantillonnage du signal : Fe chantillons par seconde
SF et TF Quantification : n bits par chantillon

Signal
x(t) x(k.Te)
Echantillonnage
Fe
Objectif : partir de x(k.Te) pouvoir revenir au signal original x(t)

Rappel du thorme dchantillonnage
Dmonstration
Notion de repliement de spectre
Fe > 2. fmax CNAM ELE 103 D. Roviras 61

SF et TF
Signal x(t) x(k.Te)
Echantillonnage Fe=1/Te
Objectif : partir de la suite de valeurs x(k.Te) pouvoir revenir au

signal original x(t)
+
xe (t ) = x(k.Te) (t k.Te)
n =
SLIT x(t )
Calcul du spectre de xe(t)

+ + +
xe (t ) = x(k.Te) (t k.Te) = x(t ) (t k.Te) = x(t ) (t k.Te)
k = k = k =
+ 1 + k
X e ( f ) = X ( f ) * TF (t k .Te) = X ( f ) * f
k = Te k = Te
1 + k
Xe( f ) = X f
Te k = Te
SF et TF
1 +
Xe( f ) = X ( f k .Fe )
Te k =
k=-1 Xe( f ) k=1
Fe>2.B k=0
X(f )
f
-B 0 +B
-Fe Fe
-B +B f
k=-1 X e ( f ) k=1 k=2
k=-2
Fe<2.B
f
k=0
-2Fe -Fe Fe 2Fe

SF et TF
Recouvrement (ou repliement) de spectre si Fe<2.B avec B= bande du signal
Reconstitution de x(t) par filtrage possible si pas de repliement de spectre

c.a.d. si Fe>2.B
Pour chantillonner correctement un signal de

bande B, il faut que la frquence
dchantillonnage Fe soit telle que:
Fe>2.B
Passage du signal chantillonn au signal temporel : voir TD

SF et TF
Signal
x(t) x(k.Te)
Echantillonnage
Fe > 2. fmax Fe
Plus Fe est grande plus le dbit est grand (Db=Fe.n)
Choix de Fe ?
Notion de Qualit de Service (QoS)
Limitation de la bande du signal transmis
Exemples de Fe pour signaux de parole et de musique

SF et TF
Signal
x(t) x(k.Te)
Echantillonnage
Fe > 2. fmax Fe
Exemples de Fe pour signaux de parole et de musique
Parole en tlphonie fixe classique

fmax transmise = 3400 Hz
Suffisant pour le service de tlphonie fixe
Fe=8KHz, Te=125s
Bande du signal de parole : [300 Hz, 3400 Hz]
Musique sur CD audio

fmax transmise = 20000 Hz
Meilleure qualit de restitution du son
Fe=44.1 KHz
SF et TF
n bits par
x(k.Te) Quantification
chantillon
Plus n est grand plus le dbit sortant est grand (Db=Fe.n)
Choix de n ?
Li au bruit de quantification
n petit Db faible et bruit de quantification grand
n grand Db grand et bruit de quantification faible
Notion de QoS

SF et TF
n bits par
chantillon
Pas de
quantification
N =2n plages de quantification
n bits par chantillon
2/12 (voir TD n6)

Puissance du bruit de quantification =
SF et TF
n bits par
chantillon
Exemples de quantification pour signaux de parole et de musique
Parole en tlphonie fixe classique

8 bits par chantillon
Db=64 Kbps (Kilo bits par seconde)
SNR de quantification de lordre de 35dB
Musique sur CD audio

16 bits par chantillon
Db=705 Kbps
SF et TF
Signal Bits
x(t) Quantification
mettre
Echantillonnage
Fe
Signal Filtre Db
x(t) Anti CAN
Bits
repliement mettre
n Bits par
chantillon
Echantillonnage
Fe
Db = Fe . n
SF et TF
Signaux nergie finie
1. Notion de corrlation
2. Densit spectrale dnergie
Signal nergie finie : +

Energie = x(t ) dt = Valeur finie
2

Signaux borns temporellement
Signaux de carr intgrable
Objectifs :
Dualit corrlation/spectre
Introduction de la notion de corrlation

SEF
Dualit corrlation/spectre :
Si un signal varie lentement : ce signal est pauvre en hautes frquences

Si un signal varie lentement : le signal va ressembler une version dcale de lui-mme :
x(t) ressemblera x(t+t)
La vitesse de variation, cest--dire la richesse frquentielle est donc lie la notion de

ressemblance
Comment mesurer la ressemblance dun signal avec une version dcale de lui-mme ?
3
-1
-2
Signal x1(t)
-3
-4
0 100 200 300 400 500 600 700 800 900 1000
1
Signal x2(t)
0
-1
-2
-3
0 100 200 300 400 500 600 700 800 900 1000

SEF
x1(n) et x1(n-10)
4
2 2
0 0
-2
-2
-4
0 100 200 300 400 500 600 700 800 900 1000 630 632 634 636 638 640 642 644 646 648 650
4
4
x2(n) et x2(n-10)
2
2
0
0
-2
-2
-4
0 100 200 300 400 500 600 700 800 900 1000
632 634 636 638 640 642 644 646 648
+
Mesure de ressemblance entre x(t) et x(t + ) : x(t ) x(t + )dt


SEF
x1(t) x2(t)
t t
Ressemblance entre x(t) et x(t+)

Fonction de corrlation
Kx1() Kx2()
Densit
Spectrale dnergie
Sx2(f)
Sx1(f)
f f

SEF
Dfinition de la fonction de corrlation pour les
signaux nergie finie
+
K xx( ) = (t)x(t + )dt
*
Autocorrlation x

+
K xy( ) = x (t)y(t + )dt
*
Intercorrlation


SEF
Proprits de la fonction de corrlation
Autocorrlation Intercorrlation
Symtrie Hermitienne
K xx( ) = K xx* ( ) K xy( ) = K *yx ( )
+ 2
K xx( 0 ) = x(t)

dt = Energie de x(t)
Ingalit de Schwartz 2
K xx() K xx( 0) K xy() K xx( 0) K yy( 0)
Si x(t) est rel, Kxx() est une fonction relle et Si x(t) et y(t) sont rels, Kxx()
paire est relle
K xx( ) = x * ( ) * x( ) K xy( ) = x * ( ) * y ( )
(K xx( ) )' = K x x( ) = K xx ( )
' '
(K xy( ) ) = K x ' y( ) = K xy ' ( )
'
Rappel de + 2 + +
A(u ).B (u )du A(u ) du. B (u ) du

lingalit * 2 2
de Schwartz: avec galit si : A(u ) = k .B * (u )

SEF
Dfinition de la densit spectrale dnergie
Pourquoi densit spectrale dnergie ? :

+ +
Energie = x(t ) dt = Valeur finie = X(f )
2 2
df (Parceval)

[ ]
X ( f ) = X ( f ) X ( f ) = TF x * ( t ) .TF [x(t )] = TF x * ( t ) * x(t )
2 *
[ ]
[ ]
X ( f ) = TF x* (t ) * x(t ) = TF [K xx (t )]
2
S xx ( f ) = X ( f ) = Densit Spectrale d' Energie = TF [K xx (t )]

2
+
S xx ( f ) = S x ( f ) = K xx (t ) exp(2jft ) dt

f2 +f2
Energie entre f1 et f2 = S
f1
xx ( f )df + S
+ f1
xx ( f )df

SEF
Proprits de la Densit Spectrale dEnergie
+
K xx ( ) = TF 1 [S x ( f )] = S x ( f ) exp(+2jf )df

+
K xx (0) = S

x ( f )df
S x ( f ) 0, fonction relle non ngative
S xx ( f ) = X ( f ) = Densit Spectrale d' Energie = TF [K xx (t )]

2
Sx(f) est insensible aux dcalages temporels de x(t)
Si x(t) est un signal rel alors Sx(f) est relle et paire
Units:
Si x(t) est en Volts, Kxx(t) est en V2s et Sx(f) en V2s/Hz soit en V2s2
Si x(t) est en Unit-arbitraire, Kxx(t) est en (Unit-arbitraire)2s

et Sx(f) en (Unit-arbitraire)2s2
SEF
Exemple de calcul de fonction dautocorrlation et de DSE
x(t)=exp(-at) pour t>0 et 0 ailleurs

+ +
K xx( ) = (t)x(t + )dt = exp ( at) exp(a(t + ))dt pour > 0
*
x
0
+ +
K xx( ) = exp ( at) exp(a(t + ))dt = exp ( 2at) exp(a )dt
0 0
+ +
exp ( 2at ) exp( a )
K xx( ) = exp ( 2at) exp( a ) dt = exp( a ) =
0 2a 0 2a
exp(+ a ) exp(a )
K xx( ) = si < 0 K xx( ) =
2a 2a

SEF
x(t)=exp(-at) pour t>0 et 0 ailleurs

+
exp(a ) exp(a )
K xx( ) = S x(f ) = exp(-2jf )d
2a
2a
+
exp(a ) 1
+
= exp(-2jf )d = exp(a - 2jf )d

2a 2a
+ +
1
0
1

2a 2a 0
= exp( a - 2 jf )d = exp( a - 2 jf )d + exp( a - 2 jf )d

1 exp([a - 2jf ] ) exp([ a - 2jf ] )
+ 0 +
1
0
exp([a - 2jf ] )d + exp([ a - 2jf ] )d =

2a
= + [ a - 2jf ] =
0 2a [a - 2jf ] 0
1 1 1 1 2a
= + =
[
2a [a - 2jf ] [ a - 2jf ] 2a a 2 + (2f )2 ] Sx ( f ) = 2
1
a + (2f )
2

SEF
x(t)
Vrifier les proprits de 1
Kxx() et Sx(f)
0 1/a t
Faire varier a,
1/2a Kxx()
Consquences ?
0 1/a
Sx(f)
1/a2
1/(2a2)
0 a/(2.) f

SEF
Signaux puissance finie
1. Corrlation
2. Densit Spectrale de Puissance
3. Cas des signaux priodiques
Signal puissance finie : +T / 2

1
Puissance = lim x(t ) dt = Valeur finie
2
T + T
T / 2
Signaux physiquement ralisables
Signaux priodiques

SPF
Dfinition de la fonction de corrlation
+T / 2
1
K xx( ) = lim (t)x(t + )dt
*
Autocorrlation x
T + T
T / 2
+T / 2
1
Intercorrlation K xy( ) = lim (t)y(t + )dt
*
x
T + T
T / 2
Units:
Si x(t) est en Volts, Kxx(t) est en V2
Si x(t) est en Unit-arbitraire, Kxx(t) est en (Unit-arbitraire)2

SPF
Proprits de la fonction de corrlation
Autocorrlation Intercorrlation
Symtrie Hermitienne
K xx( ) = K xx* ( ) K xy( ) = K *yx ( )
+T / 2 2
1
K xx( 0 ) = lim
T + T x(t)
T / 2
dt = Puissance de x(t)
Ingalit de Schwartz 2
K xx() K xx( 0) K xy() K xx( 0) K yy( 0)
Si x(t) est rel, Kxx() est relle et paire Si x(t) et y(t) sont rels, Kxy()
est relle
(K xx( ) )' = K x x( ) = K xx ( )
' ' (K xy( ) ) = K x ' y( ) = K xy ' ( )
'

SPF
Densit Spectrale de Puissance
La fonction de corrlation mesure la ressemblance de deux signaux et donc
leur richesse temporelle. Par analogie avec le cas des signaux nergie finie
on dfinira la Densit Spectrale de Puissance comme :
+
S x ( f ) = TF [K xx (t )] = K xx (t ) exp(2jft )dt

+
K xx (0) = Puissance de x(t) = S x ( f )df

f2 +f2
Puissance entre f1 et f2 = S
f1
xx ( f )df + S
+f1
xx ( f )df
Units:
Si x(t) est en Volts, Sx(f) est en V2/Hz
Si x(t) est en Unit-arbitraire, Sx(f) est en (Unit-arbitraire)2/Hz
SPF
Proprits de la Densit Spectrale de Puissance
+
K xx ( ) = TF 1
[S x ( f )] = S x ( f ) exp(+2jf )df

+
K xx (0) = S

x ( f )df
S x ( f ) 0, fonction relle non ngative
Sx(f) est insensible aux dcalages temporels de x(t)
Si x(t) est un signal rel alors Sx(f) est relle et paire

SPF
Exemple de calcul de fonction dautocorrlation et de DSP
x(t)=A.cos(2fot+)
+T / 2 + To / 2
1 1
K xx( ) = lim x (t)x(t + )dt = (t)x(t + )dt avec To = 1/f o
* *
x
T + T To
T / 2 To / 2
+ To / 2
A2
K xx( ) =
To cos(2f t + ) cos(2f
To / 2
o o (t + ) + )dt
1 1
Rappel : cos(a) cos(b) = cos(a + b) + cos(a b)
2 2
+ To / 2
A2
K xx( ) =
2To {cos(4f t + 2 ) + cos(2f )}dt
To / 2
o o
+ To / 2 + To / 2
A2 A2 A2
K xx( ) = cos( 4f o t + 2 )dt + cos( 2f o )dt = cos( 2f o )
2To To / 2
2To To / 2
2
A2
K xx( ) = cos(2f o ) Vrifier les proprits de la fonction
dautocorrlation de signaux puissance finie
2
SPF
Exemple de calcul de fonction dautocorrlation et de DSP
A2
K xx( ) = cos(2f o )
2
A2
K xx( 0) = : Puissance d' un cosinus d' amplitude A et de phase quelconque
2
A2 A2 A2
S x(f ) = TF cos(2f o ) = ( f + fo ) + ( f fo )
2 4 4
Vrifier les proprits de la DSP de signaux puissance finie

SPF
Autre exemple de calcul de fonction dautocorrlation et de DSP
x(t)=A.exp(2jfot)
+ To / 2 2 + To / 2
1 A
K xx( ) = (t)x(t + )dt = exp(2jf t ) exp(2jf (t + ))dt
*
x o o
To To / 2
To To / 2
2 + To / 2
A
K xx( ) = exp(2jf )dt = A exp( 2jf o )
2
o
To To / 2
K xx( ) = A exp(2jf o ) S x (f ) = A ( f f o )
2 2
Application aux signaux priodiques

SPF
Fonction dautocorrlation et DSP de signaux priodiques
+
n
x(t ) = X n exp 2j t avec T = priode
n = T
+
+
n n
Sx ( f ) = X n f
2
K xx ( ) = X exp 2j
2
n =
n
T n = T
Vrifier quen intgrant Sx(f) on retrouve Parseval, ou bien que la fonction dautocorrlation
en zro est bien la puissance
La fonction dautocorrlation dun signal priodique est

priodique de mme priode
La densit spectrale de puissance dun signal priodique est un

spectre de raies espaces de k/T
SPF
Exemple de fonction dautocorrlation et DSP de signaux priodiques
+
x(t ) = Signal priodique de priode T = xT (t ) * (t n.T ) avec xT (t ) = x(t ) T (t )
n =
+T / 2 +T / 2 +
1 1 1
K xx ( ) = x (t)x(t + )dt = + = T (t)x(t + )dt
* * *
x T (t)x(t )dt x
T T / 2
T T / 2
T
+ +
1 1
K xx ( ) = xT (t)x(t + )dt = xT ( u)x( u)du avec u = -t
* *
T T
[ ] *
k = +
1 * 1
K xx ( ) = xT ( u) * x(u ) (u = ) = xT ( u) * xT (u ) * (u kT ) (u = )
T T k =
{ }
k = + k = +
1 * 1
K xx ( ) =
T
x
T

( u) * xT (u ) *
k =
(u kT )

(u = ) = K
T xT

(u ) *
k =
(u kT ) (u = )

k = + k = +
1 1 k
K xx ( ) = K xT ( ) * ( kT ) S x ( f ) = 2 S xT ( f ). ( f )
T k = T k = T
SPF
Exemple de fonction dautocorrlation et DSP de signaux priodiques
k = + k = +
1 1 k
K xx ( ) = K xT ( ) * ( kT ) S x ( f ) = 2 S xT ( f ). ( f )
T k = T k = T
TF
KxT() SxT(f)
xT(t)
0 T t -T 0 T 0 f
x(t) Kx()
TF Sx(f)
0 t -T 0 T 0 f
-T T
-1/T 1/T

SPF
Introduction aux
probabilits
1. Proprits gnrales
2. Variables Alatoires (VA) discrtes et continues
3. Moments dune variable alatoire
4. VA multi dimensionnelles
5. Changement de variable
6. Thorme de la limite centrale

Probabilits
Proprits gnrales
Notion de probabilit:
Nombre tirages avec 4
Tirage dun d six faces : Proba(4) = lim
nombre de tirages Nombre total de tirages
Probabilit :
Ensemble des rsultats de lexprience alatoire :
= partition de lensemble
Probabilit : Application de vers lensemble [0,1]
Tirage dun d six faces :
={1,2,3,4,5,6}
[0,1]
Calculer P(1), P(2), P(3), P(4), P(5), P(6)
Calculer P(1,2,3) = P(tirage = 1 ou 2 ou 3)

Probabilits
Proprits gnrales
Proprits:
P( ) = 1 P(Ensemble vide) = 0
0 P ( A) 1
P ( A) = 1 P ( A )
P( A U B ) = P( AouB) = P( A) + P( B) P( A I B)
N
Avec : = {a1 , a2 ,...., a N } on a : P(a ) = 1i
i =1
Exemple : Tirage dun d six faces
Calculer Proba(tirage = {1 ou2} ou {2 ou 3 ou5} = Proba({1,2} U {2,3,5})

Calculer Proba(tirage = nombre pair)
Calculer Proba(tirage = nombre entier)
Calculer Proba(tirage = nombre premier)
Calculer Proba(tirage >3)
Calculer Proba(tirage<10)
Probabilits
Proprits gnrales : probabilits conditionnelles
, P()=1
AI B
B, P(B)
A, P(A)
P(A I B) = P( A / B )P(B) = P( B / A) P( A)

Probabilits
Proprits gnrales : probabilits conditionnelles
Surface ( A)
P(A) = A B
Surface ()
Surface ( B )
P(B) = B A
Surface ()
B vrifi
A
Surface ( A B )
P(B / A) =
Surface ( A)
Surface ( A B ) Surface ( A B ) Surface ( A)
P(A B ) = = .
Surface () Surface ( A) Surface ()
P(A B ) = P(B / A) / P ( A)
Proprits gnrales : formule des probabilits totales
Probabilits et vnements disjoints et complets:
A
A
B
AIB AIB
P(B) = P( A I B ) + P( A I B)
P(B) = P(B / A)P ( A) + P(B / A )P( A)

Plus gnralement, si les vnements Ai sont disjoints et complets :
Ai I Aj = vide si i j N
N P(B) = P(B / Ai )P ( Ai )
U Ai =
i =1
i =1

Probabilits
Proprits gnrales : Rgle de Bayes
Probabilits conditionnelles:
P(B I A) = P(B/A)P(A) = P(A/B)P(B)
Probabilits conditionnelles
P( A / B ) =
rgle de Bayes : P( B / A) P ( A)
P( B)
Exemple : Transmission de 0 et de 1 travers un canal de transmission
Emission : P(0)=0.9 P(1)=0.1
p
0 0
Canal binaire symtrique
p = Probabilit de ne pas faire une erreur
1-p = Probabilit derreur = 0.1 1-p
1 p 1
Calculer P(0 reu/1 mis)= P(dtecter 0/1mis)
Calculer P(1 reu/ 1 mis)
Calculer P(0 mis/ 1 reu)
Calculer P(1 mis/ 1 reu)
Calculer P(0 mis/ 0 reu) et P(1 mis/ 0 reu)
Probabilits
Proprits gnrales : formule de Bayes
Autre exemple : sondage avec 3 tranches dge :

Les tranches dge:
TR1 ge <30 ans, proba(TR1)=30%
TR2 30 ans<ge <50 ans, proba(TR2)=50%
TR3 50 ans <ge, proba(TR3)=20%
Le sondage : choix dun CD parmi 3

TR1 TR2 TR3
CD1 80 30 10
CD2 15 50 20
CD3 5 20 70
Calculer Proba(choisir CD1/tranche ge = TR1)=P(CD1/TR1)

Calculer P(CD3/TR2)
Calculer P(tre dans la tranche TR2/ CD1 choisi) = P(TR2/CD1)

Probabilits
0.8
(30%) TR1 CD1
0.15 0.3
0.5
(50%) TR2 CD2
0.1 0.05
0.2 0.2
(20%) TR3 CD3
0.7
P(CD1/TR1) = 0.8 (donn par lnonc)

P(CD3/TR2) = 0.2 (donn par l nonc)
P(TR 2 / CD1) =
P(CD1 / TR 2) P(TR 2) 0.3 . 0.5
=
( Bayes ) P (CD1) P(CD1)
3
P(CD1) =
(Probabilits totales)
P(CD1 / TRi) P(TRi) = 0.8.0.3 + 0.3.0.5 + 0.1.0.2 = 0.41
i =1
P(TR 2 / CD1) =
0.3 . 0.5
= 0.3659
0.41

Probabilits
P(TR 2 / CD 2 ) =
P(CD 2 / TR 2) P(TR 2) 0.5 . 0.5
=
( Bayes ) P(CD 2) P(CD 2)
3
P(CD2) =
P(CD2 / TRi) P(TRi) = 0.15.0.3 + 0.5.0.5 + 0.2.0.2 = 0.335
i =1
P(TR 2 / CD 2 ) =
0.5 . 0.5
= 0.7463
0.335
P(TR 2 / CD3) =
P(CD3 / TR 2) P(TR 2) 0.2 . 0.5
=
( Bayes ) P(CD3) P(CD3)
3
P(CD3) =
P(CD3 / TRi) P(TRi) = 0.05.0.3 + 0.2.0.5 + 0.7.0.2 = 0.255
i =1
P(TR 2 / CD3) =
0.2 . 0.5
= 0.3922
0.255
On peut vrif ier que :
3
P(TR2) =
(Probabili ts totales)
P (TR 2 / CDi ) P (CDi ) =0.3659.0.41 + 0.7463.0.335 + 0.3922.0.255 = 0.5
i =1
P(TR1 / CD3) =
P (CD3 / TR1) P (TR1) 0.05 . 0.3
= = 0.0588
( Bayes ) P(CD3) 0.255

Probabilits
Variables alatoires discrtes et continues
Variable alatoire : Rsultat dune exprience alatoire.
Une variable alatoire sera note dans le cours par une majuscule.
Une VA est dite discrte si elle prend un nombre fini de valeurs

Par exemple suite des valeurs de la face dun tirage de d
Une VA est dite continue si elle prend un nombre infini de valeurs

Par exemple, une tension continue perturbe par un bruit
x(t)
Vo + Suite de valeurs
VA : X
n(t)
Si Vo=1V on aura la suite de valeurs qui sera:

{., 1.002, 0.958, 1.41, 0.9954, .}

Probabilits
Caractrisation des VA :
VA discrte : Probabilit des diffrentes valeurs prises par la VA
VA continue :
Proba(X=1.025083947)=0
La notion de probabilit dapparition dune valeur na pas de sens
On introduit la notion de fonction de rpartition et de densit de

probabilit
Fonction de rpartition de la VA X :
Cest une fonction note FX(u) FX (uo ) = P( X < uo )
FX(u) est non dcroissante et comprise entre 0 et 1
FX ( ) = 0 FX ( + ) = 1

Probabilits
Exemple de fonction de rpartition de la VA X :
X est dfinie par la suite de valeurs dun tirage de d six faces
Tracer la fonction de rpartition de la VA X
Exemple de fonction de rpartition de la VA X :
X est dfinie par la suite de valeurs de lexprience suivante:

Tirage 1er d : v1
Tirage 2me d : v2
Valeurs de X : v1+v2
Tracer la fonction de rpartition de la VA X
Sur les deux exemples prcdents, vrifier les proprits de la fonction de rpartition
Programme Matlab : ELE103_VA_1_et_2dim.m

Probabilits
Rpartition des familles selon le nombre d'enfants
Nombre denfants
Pas 4 enfants
denfant 1 enfant 2 enfants 3 enfants ou plus Total
Un seul adulte
Un homme
- actif
occup 18 262 104 367 45 888 13 878 4 278 186 673
- autre 58 693 32 621 9 414 3 273 2 024 106 025
Une femme
- active
occupe 81 176 499 239 259 611 70 433 17 578 928 037
- autre 332 807 223 046 118 586 56 359 33 066 763 864
Un homme et une femme
Deux actifs
occups 1 911 611 1 754 773 1 856 785 569 551 114 582 6 207 302
Un seul actif
occup
- lhomme 803 818 617 879 737 205 437 348 204 825 2 801 075
- la femme 577 933 187 951 114 714 43 240 17 790 941 628
Pas dactifs
occups 3 708 032 195 983 113 056 73 897 71 210 4 162 178
Total 7 492 332 3 615 859 3 255 259 1 267 979 465 353 16 096 782
champ : France mtropolitaine

source : Insee, recensement 1999.
Tracer la fonction de rpartition de la VA X qui est le nombre denfants dun

couple dactifs tous deux occups

Probabilits
Proprits de la Fonction de rpartition dune VA :
FX (uo ) = P( X < uo )
FX(u) est non dcroissante et comprise entre 0 et 1
FX ( ) = 0 FX ( + ) = 1
P( x0 X < x1 ) = FX ( x1 ) FX ( x0 )

Probabilits
1
FX(u)
X : VA discrte
x1 x2 x3 x4 x5 u
1
FX(u)
X : VA continue

Probabilits
Notion de densit de probabilit :
FX ( x)
uo
FX (uo ) = P ( X < uo ) = dx

x
uo
= [FX ( x)] = FX (uo ) FX () = FX (uo )

La drive de la fonction de rpartition sappelle la densit de probabilit :
FX (x)
p X (x) =
x

Probabilits
Proprits de la densit de probabilit :
FX (x)
p X (x) = pX(u)
X : VA continue
x
pX(x) est une fonction positive ou nulle u
+
pX(u) X : VA discrte

p

X (x)dx = 1
uo x1 x2 x3 u
P ( X < uo ) =
p

X (x)dx = FX (uo )
x1
P( x0 X < x1 ) = p X (x)dx = FX ( x1 ) FX ( x0 )
x0
Probabilits
Exemple de densit de probabilit de VA :
X est uniformment rpartie entre -1 et +1. Cela veut dire que la probabilit est
identique quelque soit x sur -1/+1
Calculer la densit de probabilit de cette VA continue
Tracer la densit de probabilit
Vrifier les proprits de la densit de probabilit
Calculer et tracer la fonction de rpartition de la VA X
Calculer P(0<X<0.5)
Calculer P(X=0.5)
Exemple de densit de probabilit de VA :

X est uniformment rpartie entre -1 et +1
Y est uniformment rpartie entre -1 et +1
Z=X+Y
Calculer et tracer la fonction de rpartition de la VA Z
Calculer la densit de probabilit de la VA continue Z
Tracer la densit de probabilit
Vrifier les proprits de la densit de probabilit

Probabilits
Exemple de VA continue
Loi Normale ou Gaussienne :
La loi normale est caractrise par une densit de probabilit symtrique en

forme de cloche :
pX(u)
uo
u
1 (u uo )
2 uo=moyenne
p X (u) = exp
= cart type
2 2 2
2 = variance

Probabilits
Loi Normale ou Gaussienne Programme Matlab : ELE103_TP_TS_Gauss
Signal 1 (b), Signal 2 (r)
0.4
Signal 1
Signal 2
0.35
Densit de probabilit de deux fonctions

0.3 Gaussiennes
0.25
Signal 1 : Gaussienne de moyenne 0 et
dcart type sigma = 1
0.2
0.15 Signal 2 : Gaussienne de moyenne 1 et

dcart type sigma = 2
0.1
0.05
0
-5 0 5 10

Probabilits
Loi Normale ou Gaussienne Programme Matlab : ELE103_TP_TS_Gauss
Trac temporel Signal 1 (b), Signal 2 (r)

20
Signal 2 Trac temporel des deux
Signal 1
signaux suivant une loi
15 Gaussienne
10
-5
0 500 1000 1500 2000 2500
Signal 1 : Gaussienne de moyenne 0 et Signal 2 : Gaussienne de moyenne 10 et

dcart type sigma = 1 dcart type sigma = 2
Probabilits
Loi Normale ou Gaussienne
+ + 1 (u uo )2
P( X > S ) = p X (u ) du = exp du

S S
2 2 2

u uo
Changement de variable : v =

+ 1 v2
P( X > S ) = S uo exp dv. Pas de primitive:
2 2 Table
v S uo
2
+ 1
P ( X > S ) = S u o exp dv = Q

2 2
Probabilits
Q(z)
Loi Normale rduite

2.27 e-2
p( z ) =
1 1 2
exp z

3.17 e-5
2. 2
+ 9.87 e-10
Q( z ) = p(u). du
z
1.28 e-12
0 2 4 6 7 z
Probabilits
+
Loi Normale rduite 1 1
Q(z) = z 2 .
exp u 2 .du
2
z>0 Q(z) (voir table de la fonction Q(z))
0 z u
z<0
Q(z) (non tabule)
z 0 u
+ z
1 1 1 1
Q(z) =
z 2 .
exp u 2 .du = 1
2

2 .
exp u 2 .du =
2
+
1 1
= 1
z 2 .
exp u 2 .du = 1 Q ( z )
2
Probabilits
Relations entre Q(z) et erfc(z)

+
1 1 2
Q( z) = . exp u .du
2 . z 2
+
erfc ( z ) =
2
( )
. exp v 2 .dv
z
1 z
Q ( z ) = .erfc
2 2

Probabilits
Histogramme et estimation de la densit de probabilit :
Soit une suite finie de points issus de la ralisation dune VA X

Suite = {x1 , x2 ,...., x N }
Xmin=valeur minimale de la suite de valeurs
Xmax=valeur maximale de la suite de valeurs
On partage le segment [Xmin, Xmax] en C classes quidistantes

On compte le nombre de valeurs dans chaque classe
On a une estimation de la densit de probabilit
Nombre de points dans la classe Valeurs entre Vi et Vi +1
= P (Vi X < Vi +1 ) p X (Vi ).
Nombre total de points Nombre total de valeurs
Avec = largeur dune classe = (Xmax-Xmin)/C
Probabilits
Histogramme et estimation de la densit de probabilit :
Xmax
C3
C2
C1
Xmin
1 2 3 4 5 . N

Probabilits
Exemple : histogramme dune VA Gaussienne :
Histogramme d'une Gaussienne avec 1000 points et 5 classes Histogramme d'une Gaussienne avec 1000 points et 100 classes
500 35
450
30
400
350 25
300
20
250
200 15
150
10
100
50 5
0
-4 -3 -2 -1 0 1 2 3 4 0
-4 -3 -2 -1 0 1 2 3 4
Trop peu de points pour lestimation de la densit de probabilit

Programme Matlab : ELE103_Illustration_Histogramme.m

Probabilits
Exemple : histogramme dune VA Gaussienne :
4
Histogramme d'une Gaussienne avec 100000 points et 100 classes
x 10 Histogramme d'une Gaussienne avec 100000 points et 5 classes 4000
7
3500
6
3000
5
2500
4
2000
3
1500
2
1000
1
500
0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4
Trop peu de classes pour lestimation Estimation correcte de la densit de

de la densit de probabilit probabilit
Programme Matlab : ELE103_Illustration_Histogramme.m

Probabilits
Moments dune variable alatoire
Moyenne dune variable alatoire discrte :
Petit Jeu :
Pendant 50% du temps je gagne 1
Pendant 50% du temps je gagne -1.5 (en fait cest une perte de 1.5)
Combien vais-je gagner en moyenne ?
Solution du petit Jeu :

Combien vais-je gagner en moyenne : 0.5 x 1 + 0.5 x (-1.5) = -0.25
VA X : {x1 , x2 ,...., x N } avec les probabilits associes P( xi )

N
Moyenne de X = Esprance de X = E ( X ) = X = xi P( xi )
i =1

Probabilits
Moyenne dune variable alatoire continue :
Soit X une VA continue caractrise par sa densit de probabilit pX(u)

+
Moyenne de X = E ( X ) = X = u. p X (u )du

Cette expression est aussi applicable aux VA discrtes
Lesprance dune VA est encore appel moment dordre 1 de la VA
+
Moment d ' ordre k = E ( X k ) = u k . p X (u )du


Probabilits
Moments dune fonction de VA :
Petit Jeu :
Pendant 50% du temps je gagne 1 et je les place avec un bonus de 10%
Pendant 50% du temps je gagne 0.1 et je les place avec un bonus de 10%
Combien vais-je gagner en moyenne aprs placement?
1 avec un bonus de 10% = bonus(1) = 1.1

0.1 avec un bonus de 10% = bonus(0.1) = 0.11
Je gagne en moyenne aprs placement : 0.5 x 1.1 + 0.5 x 0.11

Soit Y=f(X) une nouvelle VA
+
E (Y ) = E ( f ( X ) ) = f (u ). p X (u )du


Probabilits
Petit Jeu :
Dans 50% des recherches je trouve 1000g dor qui me sont pays 1/gramme
Dans 50% des recherches je trouve 100g dor qui me sont pays 1/gramme
Combien vais-je gagner en moyenne pour chaque recherche ?
1000g 1/g = 1000

100g 1/g = 100
Je gagne en moyenne pour chaque recherche : 0.5 x 1000 + 0.5 x 100 = 550

+
E (Y ) = E ( f ( X ) ) = f (u ). p X (u )du


Probabilits
Petit Jeu :
Dans 90% des recherches je trouve un diamant de 1 carat que je peux vendre 1/carat
Dans 10% des recherches je trouve un diamant de 100 carat que je peux vendre
100/carat
Combien vais-je gagner en moyenne pour chaque recherche ?
1 carat 1/carat = 1
100 carats 100/carat = 10000
Je gagne en moyenne pour chaque recherche : 0.9 x 1 + 0.1 x 10000 = 1000.9

+
E (Y ) = E ( f ( X ) ) = f (u ). p X (u )du


Probabilits
Exemple
Le Taux dErreur de Bit (TEB) lorsque le gain du canal est de 1 est donn par
lexpression suivante:
( )
TEB ( gain = 1) = Q 1 .SNR
2

SNR est le rapport Signal sur Bruit (Ps/Pn) en mission,
+
1 u2
Q( z ) =
2 z exp 2 du
Le Taux dErreur de Bit (TEB) lorsque le gain du canal est de g est donn par
lexpression suivante:
TEB( gain = g ) = Q (g ) .SNR

2

Probabilits
Exemple Programme Matlab : ELE103_TP_TS_Gauss
Fonction Q(z)
0
10
-1
10
-2
10
-3
10
-4
10
-5
10
-6
10
-7
10
1 1.5 2 2.5 3 3.5 4 4.5 5
Probabilits
Exemple
Exemple :
g est une VA discrte qui prend trois valeurs : 0.5, 1 et 2
P(g=0.5)=0.25, P(g=1)=0.5, P(g=2)=0.25
Calculer le TEB pour g gal une constante de 1 et un SNR de 5dB
Calculer le TEB pour g qui suit la loi de la VA discrte et un SNR de 5dB
SNRdB = 10 log10 ( SNRlin ) Exemple :

SNRdB SNRlin=100 SNRdB=20dB
10
SNRlin = 10 SNRdB=35dB SNRlin=3162.3
SNRdB=5dB SNRlin=3.162

( )
TEB ( g = 1) = Q (1) .SNRlin = Q 3.162 = Q(1.77 ) = 0.0377

Probabilits
Exemple
SNRdB=5dB SNRlin=3.162 g=0.5

(
TEB( g = 0.5) = Q (0.5) .SNRlin = Q 0.25 . 3.162 )
= Q(0.8891) = 0.187
SNRdB=5dB SNRlin=3.162 g=2
( ) (
TEB( g = 2) = Q 2 .SNRlin = Q 4 . 3.162

2

)
= Q(3.55) = 1.87 10 4
SNRdB=5dB SNRlin=3.162 g = VA discrte
3
TEB ( g variable) = E (TEB ( g ) ) = E ( fonction( g ) ) = P( g i ).TEB ( g i )
i =1
= 0.25(0.187) + 0.5(0.0377) + 0.25(1.87 10 4 ) = 0.0653

Probabilits
Exemple
g est une VA discrte qui prend trois valeurs : 0.5, 1 et 2
P(g=0.5)=0.25, P(g=1)=0.5, P(g=2)=0.25
TEB avec canal g=1 (b) et canal avec g variable (r)
0
10
Gain constant de 1
Gain variable
-1
10
-2
10
-3
10
-4
10
0 1 2 3 4 5 6 7 8 9 10
Programme Matlab : ELE103_Illustration_TEB_Canal_gain_variable

Probabilits
Moments principaux dune VA :

+
Moyenne de X = E ( X ) = X = u. p X (u )du

2
X (
Variance = = E ( X E ( X ) ) = E ( X X )
2
) ( 2
)
Ecart type = X = Variance
2
X ( )
= E ( X E ( X ) ) = E (X ) (E ( X ) )
2 2 2

Probabilits
Sens physique des moments dune VA :
E(X)=X : Valeur moyenne = composante continue
[E(X)]2=X2 : Puissance de la composante continue
E(X2) : Puissance totale du signal
X-E(X) : Fluctuations autour de la composante continue
X2 = E([X-E(X)]2 ) : Puissance des fluctuations
E(X2)= X2 + X2 = P(composante continue)+P(fluctuations)

Probabilits
Variables alatoires multidimensionnelles
Variable alatoire plusieurs dimensions (encore appel

vecteur de VA): Rsultat dpendant de plusieurs caractres
alatoires.
Exemple de VA discrte deux dimensions:

VA X deux dimensions X1 et X2
X1 : tirage dun d six faces
X2 : tirage dune pice en pile ou face
Exemple de VA continue deux dimensions:

X1 : taille
X2 : poids

Probabilits
Caractrisation dune VA multidimensionnelle:

Fonction de rpartition
FX 1,.., Xn (u1 ,...., u n ) = P( X 1 < u1 ,...., X n < u n )
Densit de probabilit
n
p X 1,..., Xn (u1 ,...., un ) = FX 1,..., Xn (u1 ,...., u n )
u1u2 ...un
Proprits
FX1,..,Xn(u1,,un) : fonction non dcroissante et positive ou
nulle
FX 1,..., Xn ( ,...., ) = 0 FX 1,..., Xn (+ ,....,+ ) = 1
pX1,,Xn(u1,,un) : fonction positive ou nulle

Probabilits
Exemple de VA multidimensionnelle:
Tracer la fonction de rpartition et la densit de probabilit de la VA suivante:
X1 : tirage dune pice en pile ou face (0 ou 1)
1
Fonction de rpartition :
1/2
1/2
1 1/4
0
0 1
X2
Densit de probabilit :
1
0 X1
0 1
Probabilits
Tracer la fonction de rpartition et la densit de
probabilit de la VA suivante:
Tracer la fonction de rpartition et la densit de
probabilit de la VA suivante:
X2 : somme du tirage du premier d et dun second d

Probabilits
Tracer la densit de probabilit de la VA suivante:
X1 : Gaussienne de moyenne nulle et de variance un
X2 : Uniformment rpartie entre +1 et -1
X2 : Somme de X1 et dune autre Gaussienne de moyenne nulle et de variance un
Programme Matlab : ELE103_Illustration_VA_continues_2dim.m

Probabilits
X2 : Uniformment rpartie entre +1 et -1
Histogramme VA multidimensionnelle
600
400
100
200
80
0 60
100
80 40
60
40 20
Programme Matlab : 20
0 0
ELE103_Illustration_VA_continues_2dim.m

Probabilits
2000
1500
1000
500
0
100
100
80
50 60
Programme Matlab : 40
ELE103_Illustration_VA_continues_2dim.m 20
0 0

Probabilits
X2 : Somme de X1 et dune autre Gaussienne de moyenne nulle et de variance un
Programme Matlab :
ELE103_Illustration_VA_continues_2dim.m
2500
2000
1500
1000
500
0
100
50 100
80
60
40
0 20
0
Probabilits
X2 : Somme de X1 et dune VA uniformment rpartie entre +1 et -1
Programme Matlab :
Histogramme VA multidimensionnelle ELE103_Illustration_VA_continues_2dim.m
2500
2000
1500
1000
500
0
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80 90 100

Probabilits
X 1 N (0,1) N (3,1)
X 2 = N (0,1) ou bien N (3,1)

Programme Matlab :
Histogramme VA multidimensionnelle ELE103_Illustration_VA_continues_2dim.m
1500
1000
500
0
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80 90 100

Probabilits
Lois de probabilits marginales :

2
p X 1, X 2 (u1 , u 2 ) = FX (u1 , u2 )
x1x2
VA continues VA discrtes
+ n
p X 1 (u1 ) = p X 1, X 2 (u1 , u2 )du2 p X 1 (u1 ) = PX 1, X 2 (u1 , ui )
i =1
+ m
p X 2 (u2 ) = p X 1, X 2 (u1 , u2 )du1 p X 2 (u2 ) = PX 1, X 2 (u j , u2 )
j =1

Probabilits
Moments de VA multidimensionnelle, cas gnral :
+ +
E [ f ( X 1 , X 2 ,..., X n )] = .... f (u1 ,..., un ). p X 1 Xn (u1 ,..., u n )du1...du n

Corrlation statistique:
+ +
Rxy = E [ X .Y ] = u1 .u 2 . p XY (u1 , u 2 ) du1 du 2

Covariance :
+ +
C XY = E [( X X )(
. Y Y )] = (u 1 X )(
. u2 Y ). p XY (u1 , u2 )du1du2

Cxy
Coefficient de corrlation : XY =
XY
Probabilits
Proprits :
E (aX + bY ) = a.E ( X ) + b.E (Y )
RXY = C XY + X Y
2
X +Y = + + 2.C XY
2
X
2
Y

Probabilits
Indpendance de Variables alatoires
Deux variables alatoires sont dites indpendantes si la

connaissance dune VA napporte rien sur lautre VA
Pour des VA indpendantes on a :
p XY (u1 , u 2 ) = p X (u1 ). pY (u2 )

C XY = 0
RXY = E ( X .Y ) = E ( X ).E (Y ) = X Y
2
X +Y = +
2
X
2
Y

Probabilits
Changement de variables
alors la VA continue Y=f(X) a une densit de probabilit donne par :
X
pY (v) = J .[ p X (u )] u = f 1 ( v ) = .[ p X (u )] u = f 1 ( v )
Y
Soit (X1,X2,,Xn) un vecteur de VA continue caractris par sa densit de
probabilit pX1X2Xn(u1,u2,un), alors le vecteur de VA continue
(Y1,Y2,,Yn)=f(X1,X2,,Xn) a une densit de probabilit donne par :
pY (v1,..., vn) = J .[ p X 1.. Xn (u1,..., un)]u1,..,un = f 1 ( v1,...,vn )

X 1 X 1
Y 1 ...
Yn Attention : ne pas oublier
J = det : : de prendre la valeur

Xn Xn absolue du Jacobien !
...
Y 1 Yn

Probabilits
Exemples :
Soit X une VA continue uniformment rpartie entre [-1, +1]. Calculer la
densit de probabilit de 2.X+3

densit de probabilit de X2 et de X3
Soient X1 et X2 deux VA continues indpendantes et uniformment

rpartie entre [-1, +1]. Calculer la densit de probabilit de X1.X2
Soient X1 et X2 deux VA continues indpendantes caractrises par

pX1(u) et pX2(v). Calculer la densit de probabilit de Y=X1+X2
Programme Matlab : ELE103_VA_chgt_var

Probabilits
Changement de variables, Exemple, pdf de Y=X2
densit de probabilit de X2
X
pY (v) = J .[ p X (u )] u = f 1 ( v ) = .[ p X (u )] u = f 1 ( v )
Y
X 1 1 1
Y = X 2 X = Y = Y 1/ 2 = 0.5 1/ 2 J = 0.5 1/ 2 = 0.5
Y Y v v
u v = u 2 u = + v et v
[ p X (u )] u = f 1 (v ) = [ p X (u )] u =+ v et v = 1 / 2 + 1 / 2 = 1
1
0.5 pour 0 v 1
pY (v) = v
0 ailleurs

Probabilits
Changement de variables, Exemple, pdf de X1+X2
Soient X1 et X2 deux VA continues indpendantes caractrises par pX1(u)
et pX2(v). Calculer la densit de probabilit de Y=X1+X2
X 1 Y1 X 1 X 1
X 2 Y 2 = f =
X 2 X 1 + X 2
X 1 X 1
1 2 1 2
Y 1
pY 1Y 2 (v1 , v2 ) = J .[ p X 1 X 2 (u1 , u 2 )] (u ,u ) = f 1 ( v ,v ) = det
X 2
[
Y 2 . p
X 2 X 1 X 2 1 2
(u , u ) ] ( u1 ,u 2 ) = f 1 ( v1 ,v2 )

Y 1 Y 2
u1 v1 u1 u1 v1
u v = u + u u = v v
2 2 1 2 2 2 1
X 1 X 1
Y 1 Y 2 = det 1 1 = 1 = 1
J = det
X 2 X 2 0 1

Y 1 Y 2

Probabilits
Changement de variables, Exemple, pdf de X1+X2
Soient X1 et X2 deux VA continues indpendantes caractrises par pX1(u)
et pX2(v). Calculer la densit de probabilit de Y=X1+X2
pY 1Y 2 (v1 ,v 2 ) = 1. p X 1 X 2 (v1 , v2 v1 ) = p X 1 X 2 (v1 , v2 v1 )

X1 et X2 tant indpendantes on a : p X 1 X 2 (v1 , v2 v1 ) = p X 1 (v1 ). p X 2 (v2 v1 )
+
Probabilits marginales : pY 2 (v2 ) = p Y 1,Y 2 (v1 , v2 )dv1

+
p X 1+ X 2 (v2 ) = pY 2 (v2 ) = p Y 1,Y 2 (v1 , v2 )dv1 =

+ +
= p

X 1X 2 (v1 , v2 v1 )dv1 = p

X1 (v1 ). p X 2 (v2 v1 )dv1
p X 1+ X 2 (v) = p X 1 (v) * p X 2 (v)

Probabilits
Densit de probabilit dune somme de VA indpendantes
Si X1 et X2 sont deux VA indpendantes

caractrises par pX1(u) et pX2(v), alors la
densit de probabilit de la somme de ces
deux VA est gale la convolution des
deux densits de probabilit
p X 1+ X 2 (v) = p X 1 (v) * p X 2 (v)

Probabilits
X une VA continue uniformment X = VA continue uniformment
rpartie entre [-1 ,+1] et Y= 2.X+3 rpartie entre [-1, +1] et Y= X2
4 Histogramme VA X et Y
Histogramme VA X et Y x 10
8
6000 X VA unif rpartie entre [-1,+1]
X VA unif rpartie entre [-1,+1]
Y=2.X+3 Y=X.X
7
5000
6
4000
5
3000 4
3
2000
1000
1
0 0
-6 -4 -2 0 2 4 6 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Probabilits
X = VA continue
X et Y= VA continue uniformment
uniformment rpartie entre
rpartie entre [-1, +1] et Z= X.Y
[-1, +1] et Y= X3
4 Histogramme VA X et Y 4
x 10 x 10 Histogramme VA X et Z=X.Y
18
X VA unif rpartie entre [-1,+1] 3.5 X VA unif rpartie entre [-1,+1]
Y=X.X.X Z=X.Y
16
3
14
2.5
12
10 2
8
1.5
6
1
4
2 0.5
0 0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Probabilits
X1, X2, VA continues indpendantes X1, X2, X3, VA continues

uniformment rparties entre [-1, +1] indpendantes uniformment rparties
et Z=X1+X2 entre [-1, +1] et Z=X1+X2+X3
Histogramme VA X et Z=X+Y Histogramme VA X1 et Z=X1+X2+X3

6000 6000
X VA unif rpartie entre [-1,+1] X VA unif rpartie entre [-1,+1]
Z=X+Y Z=X1+X2+X3
5000 5000
4000 4000
3000 3000
2000 2000
1000 1000
0 0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -3 -2 -1 0 1 2 3

Probabilits
Thorme de la limite centrale
La distribution statistique de la somme de n

VA indpendantes et de mme loi tend vers la
loi Normale quand n tend vers linfini
Illustration de la tendance vers la loi normale avec Matlab:
ELE103_Illustrtion_limite_centrale.m
Les bruits physiques sont souvent

Gaussiens cause du thorme de la
limite centrale
Programme Matlab : ELE103_Illustration_limite_centrale.m

Probabilits
Signaux indpendants et uniformment rpartis entre -0.5 et +0.5

Somme de N=10 signaux (bleu)
Bruit rsultant de la somme des N signaux indpendants (b) et signal individuel (r) Histogramme de la somme des N signaux indpendants
3 12000
2 10000
1 8000
0 6000
-1 4000
-2 2000
-3 0
0 100 200 300 400 500 600 700 800 900 1000 -6 -4 -2 0 2 4 6

Probabilits
Signaux indpendants avec frquence et phase alatoire

Bruit rsultant de la somme des N signaux indpendants et signal individuel (r) Histogramme de la somme des N signaux indpendants
6 8000
4 7000
6000
2
5000
0
4000
-2
3000
-4
2000
-6
1000
-8 0
0 100 200 300 400 500 600 700 800 900 1000 -10 -8 -6 -4 -2 0 2 4 6 8 10

Probabilits
Signaux indpendants avec suite de +1 et -1 alatoires
Histogramme de la somme des N signaux indpendants

Bruit rsultant de la somme des N signaux indpendants et signal individuel (r)
6000
8
6
5000
4
4000
2
0 3000
-2
2000
-4
1000
-6
-8 0
0 100 200 300 400 500 600 700 800 900 1000 -10 -8 -6 -4 -2 0 2 4 6 8 10

Probabilits

ELE103 PartI v23

Transféré par

Droits d'auteur :

Formats disponibles

ELE103 PartI v23

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

ELE103 PartI v23

Transféré par

Droits d'auteur :

Formats disponibles

CNAM

Bases de Traitement du Signal

ELE 103, partie I (draft version)

CNAM ELE 103 D. Roviras 1

2. Rappels sur le filtrage (C1, TD1)

3. Rappels sur la Srie de Fourier et la Transforme de Fourier (C2,C3,TD2,TD3,TD4)

4. Signaux dterministes nergie finie (C4)

5. Signaux dterministes puissance finie (C4)

6. Introduction aux probabilits (C5,C6,C7,TD5, TD6)

7. Signaux alatoires (C8 C9 C10, TD7)

8. Filtrage des signaux (C11, TD8, TD9)

9. Signaux bande troite (C12 C13)

10. Modulations (C14 C15, TD10, TD11, TD12)

CNAM ELE 103 D. Roviras 2

CNAM ELE 103 D. Roviras 3

Composants lectroniques ELE101

Techniques avances en lectronique analogique et numrique (1)

Bases de transmissions numriques (1) ELE112

CNAM ELE 103 D. Roviras 4

Une UE au choix parmi :

Deux UE au choix parmi :

CNAM ELE 103 D. Roviras 5

mon poste de radio

CNAM ELE 103 D. Roviras 6

CNAM ELE 103 D. Roviras 8

(3) Modulation du signal m1(t)

t (4) Transmission hertzienne

v(t) y(t) z(t) s(t)

Caractrisation temporelle et frquentielle des

Quel traitement raliser ?

CNAM ELE 103 D. Roviras 10

Exemple dun chane de Canal

2. Rappel sur les distributions

CNAM ELE 103 D. Roviras 12

a.x1 (t ) + b.x2 (t ) SLIT a. y1 (t ) + b. y2 (t )

CNAM ELE 103 D. Roviras 13

Entre (x) Sortie (y)

CNAM ELE 103 D. Roviras 14

Entre (x) Sortie (y)

CNAM ELE 103 D. Roviras 15

x(t) Systme y(t)

CNAM ELE 103 D. Roviras 16

H( f ) module phase Phase(H ( f ) )

A0 cos(2f 0t ) Systme A1 cos(2f 0t + 1 )

CNAM ELE 103 D. Roviras 20

CNAM ELE 103 D. Roviras 22

Commutativit x(t ) * h(xt )(=

Distributivit [x1 (t ) + x2 (t )]* h(t ) = [x1 (t ) * h(t )] + [x2 (t ) * h(t )]

Associativit [x1 (t ) * x2 (t )]* x3 (t ) = x1 (t ) * [x2 (t ) * x3 (t )]

CNAM ELE 103 D. Roviras 23

Les systmes physiques rels sont causaux. Cela veut dire

Avec un SLIT causal on a h(t)=0 pour t<0

Exemple: un filtre passe-bas idal

CNAM ELE 103 D. Roviras 25

On tronque temporellement la rponse impulsionnelle :

On dcale temporellement la rponse impulsionnelle tronque :

CNAM ELE 103 D. Roviras 26

Par convention de dessin on dessine une impulsion de Dirac comme ci dessus

CNAM ELE 103 D. Roviras 27