Messaoud Benidir-Théorie Et Traitement Du Signal, Tome 1 - Représentation Des Signaux Et Des Systèmes - Cours Et Exercices Corrigés-Dunod (2002)

THORIE ET TRAITEMENT DU SIGNAL
1. Reprsentation des signaux et des systmes
THEORIE ET TRAITEMENT DU SIGNAL

1. Reprsentation des signaux et des systmes
Cours et exercices corrigs
Messaoud Benidir
Professeur l'universit Paris Xl-Orsay et l'cole Suprieure d'lectricit
DU NOD
Consultez nos catalogues sur le Web=~""""'
Illustration de couverture: Stphane Degeilh
Ce pictogramme mrite une explication.

Son objet est d'alerter le lecteur sur la menace que reprsente pour l'avenir
tablissements d'enseignement suprieur,

provoquant une boisse brutale des achats de livres el de revues, ou point que la
de l'crit, particulirement dans ,..------, possibilit mme pour les auteurs le domaine de l'dition tech- DANGER de crer des uvres nouvelles et nique et universitaire, le dvelopde les foire diter correctement pement massif du photoest aujourd'hui menace.
copillage.
Nous rappelons donc que
Le Code de la proprit toute reproduc!ion, partielle ou intellectuelle du 1cr juillet 1992 ~:= totale, de la prsente publication interdit en eFFet expressment la est interdite sons outorisotion du photocopie usage caltectif Centre fronais d'exploitation du sons autorisation des ayants droit. Or, droit de copie (CFC, 20 rue des Grandscette pratique s'est gnralise dans les Augustins, 75006 Paris).
Dunod, Paris, 2002 ISBN 2 10 005984 X

Toute reprsentation ou reproduction intgrale ou partielle faite sans le consentement de l'auteur ou de ses ayants droit ou ayants cause est illicite selon le Code de la proprit intellectuelle (Art L 122-4) et constilue une contrefaon rprime par le Code pCnal. Seules sont autorises (Art L 1225) les copies ou reproductions strictement rserves l'usage prive du copiste et non destines une utilisation collective, ainsi que les analyses et courtes citations justifies par le caractre critique, pdagogique ou d'information de l'uvre laquelle elles sont incorpores, sous rserve, toutefois, du respect des dispositions des articles L 12210 L 122-12 du mme Code, relatives la reproduction par reprogmphic.
Table des matires
CHAPITRE 1 REPRSENTATIONS TEMPORELLES ET FRQUENTIELLES D'UN SIGNAL DTERMINISTE 1.1 Reprsentations temporelles
1.1.1 1.1.2
1.1.3 Diffrents types de signaux Diffrents types de systmes Les systmes invariants ou filtres
1 4 5
10
10
1.2
Reprsentations frquentielles 1.2.1 Srie de Fourier et projections associes un signal

1.2.2 1.2.3 1.2.4 1.2.5 1.2.6 Transforme de Fourier des signaux d'nergie finie Transforme de Fourier des signaux d'nergie infinie Transforme de Fourier d'un signal priodique Transforme de Fourier multidimensionnelle Transforme discrte et transforme rapide
12 16
22 25 25
31
EXERCICES ET PROBLMES CORRIGS
CHAPITRE 2 REPRSENTATIONS NERGTIQUES ET SYMBOLIQUES D'UN SIGNAL DTERMINISTE 2.1 Reprsentations nergtiques
2.1.1 2.1.2 2.1.3 Corrlation et densit spectrale Filtrage et formule des interfrences Filtrage, exemple du filtre adapt
47 47 47
50 51
53 54
2.2
Reprsentations symboliques 2.2.1 Transforme de Laplace d'un signal temps continu 2.2.2 Proprits de la transforme de Laplace 2.2.3 Transforme enZ d'un signal temps discret 2.2.4 Proprits de la transfonne en Z 2.2.5 Spectres symboliques EXERCICES ET PROBLMES CORRIGS
56
57 61
62 69 69 69
70 72
CHAPITRE 3 CHANTILLONNAGE ET MODULATION D'UN SIGNAL DTERMINISTE

3.1
Signal chantillonn et signal numrique 3.1.1 Condition de Shannon-Nyquist 3.1.2 Formule d'chantillonnage 3.1.3 Filtre antirepliement
IV
Table des matires
3.1.4 3.1.5 3.2 3.2.1 3.2.2 3.2.3
Quantification d'un signal : numrisation Chane d'acquisition d'un signal
73
74
Modulation d'un signal

Modulation d'amplitude (AM) Modulation de frquence (FM) Comparaison des modulations AM et FM
75 77 81
82
84
CHAPITRE 4 BASES PROBABILISTES POUR LA REPRSENTATION D'UN SIGNAL ALATOIRE 4.1
97 97 97 105
106 109
Variable alatoire
4.1.1 Espace probabilis et loi de probabilit Statistique une dimension 4.1.2 4.1.3 .... Loide. probabilit.d:une. variable.alatoire --4.1.4 Fonction de rpartition et densit de probabilit 4.1.5 Fonction d'une variable alatoire 4.1.6 Esprance mathmatique, variance et cart type 4.1. 7 Fonctions caractristiques, moments, cumulants 4.1.8 Fonction gnratrice 4.1.9 Lois de probabilits classiques
110
Ill 114
116
117
4.2
Couple alatoire
4.2.1 4.2.2 4.2.3 4.2.4 4.2.5 4.2.6 4.2.7 4.2.8 4.2.9 Statistiques 2 dimensions Frquences partielles, marginales et conditionnelles Loi conjointe, loi marginale et loi conditionnelle Variables alatoires indpendantes Fonction de deux variables alatoires Covariance et coefficient de corrlation Fonction caractristique d'un couple alatoire Esprance et variance conditionnelles Esprance conditionnelle et projection Passage d'un couple un vecteur alatoire Fonction de plusieurs variables alatoires Indpendance statistique et orthogonalit Vecteur gaussien rel, reprsentation complexe Convergences d'une suite de variables alatoires Loi des grands nombres Thormes de la limit centre Approximations des lois de probabilit classiques Approximations des moments d'une variable alatoire
121
121
122
122 127
127
130 132 132 134
4.3
Vecteur alatoire
4.3.1 4.3.2 4.3.3 4.3.4
136
136
137 138 140

143
143
4.4
Suites de variables alatoires

4.4.1 4.4.2 4.4.3 4.4.4 4.4.5
146 147 148

148
150
Table des matires
CHAPITRE 5 REPRSENTATIONS D'UN SIGNAL ALATOIRE
167 167 167 171 174 174

180
5.1
5.1.1
Reprsentation temporelle Signal temps discret et signal temps continu

Moyenne et covariance d'un signal Signal stationnaire et spectre de puissance Signal gaussien Processus de Poisson Bruit blanc thorique Signal continu et signal diffrentiable Signal ergodique Signal markovien
5.1.2
5.2
Principales classes de signaux

5.2.1 5.2.2 5.2.3 5.2.4 5.2.5 5.2.6 5.2.7
181 184
186 186 188 190 190 194
5.3
Reprsentation spectrale
5.3.1
5.3.2
5.3.3 5.3.4
Signal harmonisable Signal covariance stationnaire et spectre Proprit du priodogramme et applications Pseudo-spectre d'un signal non stationnaire
Les bruits de fond dans les circuits lectriques: bruits blancs Les modles ARMA (p,q)
Estimation linaire d'un signal
197 201
204 205
5.4
Modlisations classiques d'un signal

5.4.1 5.4.2
5.4.3
5.4.4
Estimation des paramtres d'un modle
207 210 211

215 231 231 231 232 239
EXERCICES ET PROBLMES CORRIGS CHAPITRE 6 REPRSENTATIONS, RALISATIONS ET SYNTHSES D'UN FILTRE
6.1
Reprsentation externe et fonction de transfert

6.1.1 6.1.2 6.2.1 6.2.2 6.3.1 6.3.2 6.3.3 6.3.4 6.3.5 Reprsentations en srie et en parallle Causalit, stabilit, phase minimale, phase linaire Commandabilit et observabilit d'un filtre Forme compagnon et fonction de transfert
Reprsentation interne et quations d'tat
241
244
Ralisations et synthse d'un filtre numrique Passage d'un filtre analogique un filtre numrique Filtre rponse impulsionnelle finie (RIF)
Filtre rponse impulsionnelle infinie (RII) Synthse partir d'un gabarit donn Diagramme asymptotique de Bode
245 245
247 247
249
252
254
EXERCICES ET PROBLMES CORRIGS BIBLIOGRAPHIE INDEX
262
263
Sylvie Marcos et 1zos deux ellfams : Yallis et Rayall
Chapitre 1
Reprsentations temporelles et frquentielles d'un signal dterministe
1.1
REPRSENTATIONS TEMPORELLES
Dans ce chapitre, nous allons donner les diffrentes reprsentations linaires des signaux dterministes et des systmes linaires.
1.1.1
Diffrents types de signaux
Nous appellerons signal toute grandeur physique susceptible de contenir de l'information. La reprsentation temporelle d'un signal est dfinie par une fonction x(t), relle ou complexe, de la variable relle temps t qui doit approcher<< au mieux les informations contenues dans le signal. La dnomination fonction est prise au sens le plus gnral du terme, i.e., x(t) peut tre une suite discrte, une fonction de la variable continue ou une distribution. Cette fonction peut tre une fonction au sens classique et dans ce cas, on dira qu'elle reprsente un signal dterministe. Elle peut aussi tre une << fonction alatoire >> et dans ce cas elle reprsente un signal dit alatoire ou stochastique. Signalons que tout signal physique est forcment perturb par un bruit plus ou moins important (bruit de mesure, influence des appareils utiliss etc ... ). Un signal physique est donc un signal alatoire. La figure 1.1 montre l'effet du bruit : signal non bruit (ralisation 1), signal bruit (ralisations 2 et 3).
1 Reprsentations temporelles et frquentielles d'un signal dterministe
2 1.5
.-------=-----,
Ralisation 1
Ralisation 2
4,---------,
3
Ralisation 3
0.5
0 0.5
\! \!
2
3
2
3
1.5
100
200
4 3 ir'==c;-;;;;===-~,,-o';-c===-:-1;0;:oo:;------;;;!2oo 00
Figure 1.1 Trois ralisations d'un signal montrant l'effet du bruit.
Le signal peut aussi tre reprsent par une relation de rcurrence entre les valeurs prises par le signal des instants diffrents. La figure 1.2 donne une illustration d'un tel signal. Un signal x(t) est dit causal s'il vrifie x(t) = 0 pour t < ta o ta est un instant fix (en gnral ta = 0). Un signal qui vrifie x(t) = 0 pour t > ta est dit anticausal. D'aprs le principe suivant: l'effet ne peut prcder la cause, tout signal physique est causal. Dans ce chapitre, nous allons exposer les principales reprsentations des signaux dterministes en distingant les trois types de signaux suivants. Signal ( temps) continu C'est un signal modlisable, la plupart du temps, par une fonction x(t) continue par intervalles au sens mathmatique du terme, ou par une distribution. Signal ( temps) discret C'est un signal dont un modle peut tre une fonction dfinie par l'ensemble des valeurs x,. qu'elle prend sur un ensemble dnombrable to,t 1, ... ,t,., ... de valeurs de la variable (la diffrence ti+l- t; tant en gnral constante). Signal numrique C'est un signal ne pouvant prendre qu'un nombre fini ou dnombrable de valeurs distinctes.
Exemple 1.1.1 Fonction porte et fonction sinus cardinal

On dsignera dans toute la suite par TI (t) la fonction rectangle norme, centre l'origine et de support 1, dfinie par
fl(t)
1 si
- 1/2 ( t ( 1/2
et 0
ailleurs
1.1
Reprsentations temporelles
'
Figure 1.2 Signal non dfini par une fonction classique simple.
Figure 1.3 Fonction sinus cardinal.
et par sine (sinus cardinal) la fonction dfinie par . ~ sin(1rt) smc(t)=--7rl
On utilise parfois la notation sine (rrt). Toute fonction rectangle peut se dduire de f1 (t) par translation sur t et changement d'chelle. titre d'exemple, rl(-fl est la fonction rectangle centre qui vaut 1 sur l'intervalle [- T /2, T /2] et 0 ailleurs et f1 ('-Ji 2 ) est la fonction rectangle qui vaut 1 sur l'intervalle [0, T] et 0 ailleurs. Par souci de simplification, cette dernire fonction est parfois note flr(l). Il est souvent assez commode de reprsenter un signal x (t) valeurs dans IC par sa puissance instantane, sa puissance moyenne ou son nergie dfinies respectiveT ment par: 00 ~ ,-~. 7 ~ ' Px(t) = Jx(I)J-, Px= hm Jx(t)l-dt ou E, = Jx(t)J-. T-+oo 2T -T 00
11
On peut vrifier qu'un signal d'nergie finie est forcment de puissance nulle. La rciproque est fausse: il suffit de prendre x(t) = ltl" avec -1 <a< O. Un signal d'nergie infinie peut avoir une puissance infinie, par exemple, un signal priodique de puissance infinie.
1.1.2 Diffrents types de systmes

Un systme est un ensemble organis d'lments destins remplir une fonction physique. Il est souvent reprsent par un schma qui met en relation de cause effet des grandeurs dites d'entre e;(t) et des grandeurs dites de sortie s;(t), ce schma devant faire apparatre au mieux le type de systme considr. Les systmes que l'on peut rencontrer dans les applications appartiennent, en gnral, l'un des types suivants. Les proprits des principaux systmes rencontrs dans la pratique seront dveloppes plus loin dansJa suite.de.cechapitre.
Systeme temps continu Dans le langage courant des systmes, on appelle trs souvent systme <<continu>> un systme dont les signaux d'entre et de sortie sont <<continus>>. C'est en fait une expression contracte pour <<Systmes signaux continus >>. On les appelle aussi systmes analogiques. Nous utiliserons indiffremment l'une ou l'autre de ces terminologies. Systeme temps discret C'est un systme conu pour fonctionner avec des signaux d'entre et de sortie discrets. Systeme hybride C'est un systme faisant intervenir des signaux temps continu et des signaux temps discrets. Systeme passif et systeme actif On appelle lment actif un lment capable de dlivrer une nergie suprieure celle qu'il reoit, par exemple un moteur, un transistor ... , sont des lments actifs. Tout lment qui n'est pas actif est dit passif, c'est le cas par exemple d'une rsistance d'une inductance, d'un condensateur, d'un ressort, d'un amortisseur. .. Un systme est dit passif lorsqu'il est exclusivement compos d'lments passifs. Il est dit actif lorsqu'il contient au moins un lment actif. Systeme lments localiss C'est un systme dcomposable en un nombre fini d'lments, possdant chacun un nombre fini d'entres et de sorties, dont les grandeurs de sortie s'expriment au moyen des grandeurs d'entres, de leurs drives et de leurs primitives. Systeme mathmatiquement continu Soit e,(t) une suite d'excitations et s,(t) les rponses associes. Le systme est dit mathmatiquement continu si la rponse lim e,(t) est gale lim s,(t) et ceci quelle que soit la suite e,(t).
n-:-oo 11-+oo
Systeme causal Un systme est dit causal (ou non anticipatoire) si la rponse toute excitation causale est causale. En d'autres termes, la rponse ne peut prendre naissance avant que n'ait t applique l'excitation. Les systmes rels sont causaux. On montre par ailleurs qu'un systme thorique n'est synthtisable ou ralisable que s'il est causal.
1.1
Systme invariant ou stationnaire Un systme est dit invariant si. lorsqu'on appelle s(t) la rponse une excitation e(t), la rponse e(t - to) est s(t - t0 ) quel que soit to constant. Autrement dit, un systme est invariant si la rponse une excitation donne est indpendante de la date laquelle s'effectue l'exprience. L'invariance exprime donc la permanence dans le temps du systme. On rencontre aussi la dnomination de systme stationnaire pour dsigner un systme invariant. Systme instantan et systme mmoire Un systme est dit instantan ou sans mmoire si sa rponse un instant donn dpend uniquement de la valeur du signal d'entre au mme instant. Un circuit lectrique ne comportant que des rsistances entre dans cette catgorie. Un amplificateur idalis qui fournit un signal de sortie ae(t) (a rel) lorsque le signal d'entre est e(t) est aussi un systme instantan. Un systme non instantan est appel systme mmoire ou temps diffr. Un tel systme possde donc une certaine mmoire: c'est le cas d'un circuit lectrique comportant des capacits ou des inductances. La plupart des systmes rels sont mmoire et on les suppose souvent linaires et invariants. On introduit alors la notion de i1ltre linaire qui sera dveloppe dans le paragraphe suivant. 1.1.3 les systmes invariants ou filtres
On introduit souvent le terme filtre pour dsigner un systme invariant. On se limite ici aux cas des filtres linaires. Nous allons tout d'abord introduire la dfinition suivante qui traduit de manire mathmatique les principaux types de systmes numrs ci-dessus.
-~
E
.J
D Q
.,; 0
La causalit d'un systme se traduit donc par le fait que la valeur S 1 [e(ll)] ne dpend que des valeurs e(ll) pour IlE]- oo,t]. Pour un systme instantan la valeur S,[e(ll)] ne dpend que de la valeur e(t). L'invariance d'un systme se traduit par:
s(t- r) =51 [e(ll- r)],
,;
'Ir, 'lt.
(1.3)
La linarit d'un systme se traduit par la condition suivante: si s 1(t) et s 2(t) sont les sorties associes respectivement aux entres et (t) et e1 (t), alors la sortie associe oqetCtl +a2e2Ctl est gale a1stCtl +a2s2(1), Vat,2 ElR. La dfinition se transpose au cas d'un systme temps discret, il suffit de considrer t sur Z. Dans la suite, s'il n'y a aucune ambigut, les dfinitions et proprits seront donns uniquement dans le cas continu. La linarit est une notion importante car elle ramne l'tude d'un systme plusieurs entres et sorties celle d'un systme une entre et une sortie, par application du principe de superposition. Les systmes linaires constituent une approche commode des systmes non linaires entre certaines limites de fonctionnement de ceux-ci.
Exemple 1.1.2 Diffrents types de systmes

Les-relations suivantes dtnissent.des exemples de systmes ayant pour entre e(t) et pour sortie s(t). Systme non linaire invariant instantan :
s(t)
= sin(e(f) +if>)
Systme non linaire variable instantan :

s(t)
= m(t)sin(e(l) +if>)
Systme non linaire variable mmoire :

s(t) = {
1
sin[e(t) + if>(8)]de
Systme linaire variable instantan :

y(t) = m(t)e(t)
Systme linaire variable mmoire :

s(t) =
i:
j_:
h(t,8)e(8)d8
Systme linaire invariant :

s(t)
h(8)e(t- 8)d8.
1.1
Un Filtre linaire est un systme linaire qui vrifie les deux proprits suivantes. 1. Il est invariant dans le temps 2. Si lim q(l)
k-+00
= e(t), alors on a
lim sk(t)
k-HX!
= s(t).
e(t),h(t) une autre fonction s(t) que l'on note souvent par s(t) = h(t)
Rappelons que la convolution est une loi interne qui associe deux fonctions e(t) mais il est recommand de faire trs attention aux variables. La convolution est associative, commutative et admet comme lment neutre la distribution de Dirac b(t). On a donc:
[u(t)
* v(t)] * h(t) = u(t) * [v(t) * h(t)]

e(t) *h(t) s(t)
= h(t) *e(t)
* D(t) = s(t).
La distribution de Dirac joue un rle important dans la reprsentation des signaux et systmes et elle peut tre dfinie par la condition suivante (voir plus loin pour plus de dtails) :
i:
b(t)<p(t)dt
g, <p(O),
V>. On peut noter les rsultats suivants utiles pour les calculs :
x(t)
* li(t- T) =
x(t- T)
* li(t) =
x(t- T).
Comme la rponse impusionnelle d'un filtre est gale la sortie du filtre lorsqu'il est attaqu par un Dirac dans le cas continu et par un symbole de Kronecker dans le cas discret, on peut illustrer la non causalit et la causalit d'un filtre temps discret par les schmas de la figure 1.4.
fjk
---!Filtre non causalf-1---
hk
_ _ _,,_.,......__..+,._......,_.,,_k,. ... .. ........... .......... __;~:.. ._.__ --1f.._ ... .. ___;;'-"-'k.._
lik - - - - 1 Filtre causal f-1---- hk 1
Figure 1.4 Rponses impulsionnelles d'un filtre non causal et un filtre causal.
Un filtre dynamique est un tltre linaire dont la relation entre-sortie est une quation diffrentielle linaire coefficients contants du type :
I>kdlk = L,bkdlk k=O k=O
s(t)
'1
dke(t)
(1.8)
Exemple 1.1.3 Le circuit RLC est tm filtre dynamique Comme exemple de filtre dynamique, considrons un circuit RLC aux bornes duquel on a une tension instantane v(t). L'intensit instantane i(t) et la charge q (t) vritent les quations diffrentielles suivantes :
1.1
di(t) L -dt
1 + Ri(t) +c
j'
-DO
i(O)dO
v(t)
d"q(t) L-dt"
+ Rdt - - +- = c
dq(t)
v(t).
On a bien une quation diffrentielle du type (1.8) avec p = 2 et q =O. L'entre du filtre est e(t) = v(t) et la sortie est s(t) = q(t).
Exemple 1.1.4 Une bobine est zm filtre linaire
Considrons une bobine d'inductance L constante aux bornes de laquelle on a une tension instantane v(t). l'intensit instantane i(t) est donne par:
i (1) = -1
1'
v(O)dO
-oo
et cette expression montre que le systme est linaire et que si l'entre est remplace par v(t - T), la sortie associe est i (t - T). Le systme est donc un filtre linaire. On peut aussi vrifier que cette expression peut se mettre sous la forme d'un produit de convolution:
i(t) = 1
00
U(t- O)v(O)dO
-oo
o U(t) est l'chelon unit qui vaut 0 pour t < 0 et 1 pour t >O. Ceci montre d'une autre manire que le systme est un filtre linaire de rponse impulsionnelle En vertue de la Proposition de la page 8, ce systme doit admettre les fonctions exponentielles comme fonctions propres. En effet, on obtient :
UJ:l.
t(t)
c
Vm = -.--v(t)
J27r Jo
pour v(t)
r. t = V, e 1"l~ -"' 0
0
" o.
'5
~
~
Tenant compte de 1' importance du rle jou par les signaux exponentiels pri adigues en tant que fonctions propres des filtres linaires, les mthodes d'analyse des signaux sont souvent fondes sur des reprsentations faisant intervenir ces signaux exponentiels. Les reprsentations les plus classiques sont la reprsentation frquentielle (Transform de Fourier) et les reprsentations symboliques (Transforme de Laplace et Transforme en Z). Nous allons dvelopper les principales proprits pratiques de ces trois reprsentations.
10
1.2
REPRSENTATIONS FRQUENTIELLES
La reprsentation temporelle d'un signal ne permet pas toujours de rpondre la question que l'on veut traiter. Comme les systmes physiques utiliss sont souvent des filtres linaires, admettant donc les signaux exponentiels comme fonctions propres, il est intressant de reprsenter un signal donn comme combinaison linaires de signaux exponentiels. Ceci conduit la dcomposition en srie de Fourier. Cette dernire dcomposition n'tant pas toujours valable, une autre reprsentation du signal x(t) a t introduite afin d'amliorer l'analyse du problme rsoudre. Elle consiste reprsenter le siganl x(t) par un autre signal x(v) appele transforme de Fourier (T.F) de x(t). L'oprateur qui associe x(t) la fonction x(v) de la variable relle v est appel T.F et l'ensemble de dfinition de cet oprateur peut tre trs vaste et dpend du problme que l'on veut traiter. Nous distinguons .l'ensembledes signaux d' nergiefinie,.temps continupuis..temps discret et nous donnons ensuite quelques extensions aux cas des signaux d'nrgie infinie et en particulier aux signaux priodiques.
1.2.1
Srie de Fourier et projections associes un signal
Considrons un espace vectoriellE de dimension finie, muni d'un produit scalaire not < . , . > et soit IF un sous-espace vectoriel de lE.
Pour le calcul de la projection x(t), on introduit souvent un systme orthonormal dans IF. Si le systme
en(t) E IF, Il= -N, ... ,NEZ, < e,(t), en(t) >= i5m,n
qui est orthonormal est en plus une base de IF, on peut dcomposer x(t) d'une manire unique sous la forme
x(t) =
L
n=-N
Xnen(t)
avec
Xn = < x(t),en(t) >
o les Xn, appels Coefficients de Fourier, vrifient l'ingalit de Bessel :
L
n=-N
11Xnll 2
<';
l!x(t)!! 2 .
1.2 Reprsentations frquentielles
11
Le systme particulier: e,(t) = e1 -"7' joue un rle fondamental dans la<< reprsentation spectrale >> d'un signal et le rsultat suivant prcise la nature des signaux x(t) pour lesquels la projection x(t) devient gale x(t) !orque N tend vers l'infini.
")
11
ne pourra jamais tre gal sa projecIl est vident qu'un signal non priodique . .., Il tian sur un espace !F' engendr par les e 1-"7' mme si !F' est de dimension infinie.
Exemple 1.2.1 Projection d'un signal particulier

On considre le signal x(t) = cos(27ry + cjJ). On approxime ce signal par sa projection orthogonale sur l'espace vectoriel !F' engendr par les 2 signaux de priode T: u(t) = cos(27ry) et v(t) = sin(27ry) et muni du produit scalaire:
< x(t),y(t) >
Il {T =Jo x(t)y(t)dt.
La projection orthogonale de x(t) sur !F' s'crit x(t) = au(t) + (Jv(t) et elle est unique. Or on sait que x(t) = cos(cfJ)u (t) - sin(cjJ)v(t). On obtient donc par unicit " = cos(cjJ) et f3 = -sin(cjJ). Ce rsultat signifie que x(t) appartient au plan !F'. .~ c ~ Un signal x (tl de priode T peut donc tre compltement dtermin par la suite de ses coefficients de Fourier X,. Si l'on trace les points dont les abscisses sont les .[ nombres nf T, appels frquences discrtes, on obtient un graphe form par des ~ points qui ont des abscisses quidistantes. Ce graphe qui dfinit de manire unique -& les fonctions ej 2"Y' et le signal x(t), est appel spectre d'un signal priodique (ou j harmonique). Ce graphe, appel aussi spectre de raies, donne une reprsentation dans le domaine frquentiel d'un signal priodique sur laquelle nous reviendrons plus loin. Remarquons qu'un signal quelconque observ sur l'intervalle [, + T]
12
peut toujours tre considr comme tant extmit d'un signal priodique de priode T. La portion du signal observe peut donc tre reprsente par une srie de Fourier unique. Dans la section suivante, on va tendre la reprsentation frquentielle au cas des signaux non priodiques.
1.2.2 Transforme de Fourier des signaux d'nergie finie
a) Cas d'un signal temps continu

Associons un signal x(t) non priodique ses <<projections>> sur le systme de signaux particuliers ef 2rrvr o v est un paramtre rel quelconque. Par abus de langage, nous dfinissons ces projections par :
Ce procd introduit naturellement l'oprateur :F qui associe x(t) la fonction de la variable relle v :
:F[x(t)]
~x(v) ~X (v)~
i:
x(t)e-f 2rrvt dt
(1.9)
dnomm Transforme de Fourier (T.F) directe de x(t). On va exposer les principales proprits de cet oprateur en utilisant, selon le contexte, l'une des trois notations associes. Les proprits suivantes dcoulent alors immdiatement de la dfinition de la T.F.
linarit L'oprateur :Fest linaire, soit:
:F[ax(t)
+ ,6y(t)] = aX(v) + ,6Y(v).
Symtries Pour tout signal admettant une T.F, on a :

:F[x(-t)](v)
= :F[x(t)](-v)
et :F[x*(t)](v)
= :F[x(t)](-v)*.
Dcalage et changement d'chelle Pour tout signal admettant une T.F, on a:

:F[x(t - r)] :F[x(t)]
= e- j27WTX (v)
v
a
a rel
=1
al
X (-),
=f
0.
Ceci donne, pour a
-1, la premire relation de symtrie ci-dessus.
13
Les proprits suivantes, plus difficiles tablir, font de la T.F une reprsentation trs importante pour l'analyse des signaux physiques.
Conservation du produit scalaire L'oprateur F est une isomtrie sur l'espace L"(lR) des signaux d'nergie finie (Ex < oo). Il conserve le produit scalaire, et la norme, i.e., pour tout x (t) et y(t) de L" (lR), on a :
+oo l+oo -oo x(t)y(t)*dt = -oo X(v)Y(v)*dv, l
produit scalaire
+oo 1x(t) 1" dt= l+oo -oo -oo 1X(v) 1" dv, l
Inversibilit
F
galit de Parseval.
Comme F est une isomtrie, il admet donc un oprateur inverse F- et on a pour tout x(t) tel que F[x] et F[F(x)] existent:
1
Produit usuel et produit de convolution Si l'on considre des fonctions de L "(JR), alors l'oprateur F transforme le produit usuel en produit de convolution et vise-versa :
F(xy) = F(x)
* F(y)
et F(x *y)= F(x)F(y).
Existence, majoration et drivabilit Toute fonction x(t) sommable a une T.F
qui vrifie les proprits suivantes.

~ ~
~
La fonction fini et on a :
x est continue, elle admet 0 comme limite lorsque lvi tend vers l'inlx(v) 1,;:;
"
0
Loo 1x(t) 1dt.
Si x est m fois continuement drivable et si ses drives xlk) d'ordres k ,;:; m sont sommables, alors on a :
Si t"'x(t) est sommable, alors
x est
111
fois continuement drivable et l'on a
xl"'l(v)
= F[(- j27rt)"'x(t)].
14
Si l'on adopte la dfinition suivante:

F[x](w)
i:
27r
x(t)e-fw'dt
X(w)
un simple changement de variable conduit :

1 x(t) = -
j"'
X(w)eiw'dw.
-oo
Dans toute la suite, on convient d'utiliser la mme notation x pour la T.F, la variable w ou v indiquera la dfinition qui a t retenue.
b) Cas d'un signal temps discret

Un signal x,.
x(nT,), Te ;oiit~;;p~dl~~~~tetd;n~rgfefinl:
+oo
" '\' Ex= L._. ? Jx, J-<
00
n=-oo
est une suite de 1' espace de Hilbert t 2 (/Z) . toute suite de cet espace, on peut associer une fonction priodique de la variable relle v de priode 1j T,, dfinie par
F[x,]~X(v)~x(v)~ Lx,e-j2rrvnT,
-oo +oo
(1.10)
appele T.F du signal temps discret. Comme dans le cas des signaux temps continu, la T.F d'une suite vrifie les proprits suivantes.
Linarit
F[a(x,) +/)(y,)]= aX(v) + /)Y(v).
Dcalage
Conservation du produit scalaire, galit de Parseval
"~ x,y;; = T, fa
+oo
00
rn+l/T, X(v)Y(v)*dv
1.2
Reprsentations frquentielles
15
Inversibilit
Comme dans le cas continu, si l'on adopte la dfinition :

+oo F[x,.] ~x(w) ~X(w) ~ L:x(n)e-jwnT,
-00
on a:
c) Transforme de Fourier de signaux particuliers

Signaux rels et signaux pair Si x(t) est un signal pair valeurs relles ou complexes, i.e., x (1) vrifie x ( -1) = x (1) , alors on a F(x) = F(x). Si x(l) est un signal rel, alors on a x( -v) = x(z/)*
Si x(t) est un signal rel et pair, alors simple conduit :
x est aussi relle et paire.

?a
Signaux exponentiels symtriques Si l'on prend x(l) = e-a]rl, a > 0, un calcul
et F[o- ool=e-aiVI.
a-+ TC-1-
Signaux gaussiens
exp( -TCa2 12 ),
On dmontre que pour tout a > 0, les signaux du type appels signaux gaussiens, se conservent par l'oprateur F et l'on a :
~ La T.F de la fonction e-m' est donc la fonction e-mJ elle-mme. ,,

~ ~
g rels et pairs et on peut vrifier que
Fentre rectangulaire temps continu Les deux signaux !1(1) et sinc(l) sont
{ .3
F[Il(l)] = sinc(v)
tangle de support [- T, T], dfinie par
et F[sinc(l)] = ll(v).
Utilisant la proprit de changement d'chelle, on peut vrifier que la fonction rec-
1
Cl
si
- T
~ 1 ~
et 0 ailleurs
Ql
16
1 Representations temporelles et frquentielles d'un signal dterministe
et la fonction sinc(28t) sont relies par:

t . ~ F[f1(-)] = 2Tsmc(.v) 2T . 1 v et F[smc(2Bt)] = -f1(-). 28 28
Fentre rectangulaire temps discret Soit f1 N le signal temps discret dfinie
par:
ITN(k) = 1
il
si 0,;; k,;; N- 1 et 0 ailleurs.
La T.F de la fentre temps discet

ITN(v)
rr N
est donne par :
= NT,sinc(NT,v)e- jhuNT,.
Fentres de Hamming et. de. Hanning L'analysed'un signal ncessite souvent l'introduction de fonctions appeles fentres de pondration autres que la fentre rectangulaire. La fonction suivante :
WT
(t) =a+ (1 - a)cosT
2rct
pour 0 ,;; t ,;; T
= 0 ailleurs dont la T.F est donne par :
dfinit pour a = 0.54 et a = 0.5 la fentre de Hamming et celle de Hanning respectivement. Pour a = 1, on obtient la fentre rectangulaire dont la T.F est un sinus cardinal et pour a= 0.5, on obtient une fentre dont la T.F est donne par:
Dans le cas discret, la fentre de pondration est dfinie par :

WN(k) =a+ (a- l)cos----:;y-
21fkTe
pour k = 0, 1, ... ,N- 1
= 0 ailleurs
1.2.3 Transforme de Fourier des signaux d'nergie infinie

On aura souvent besoin d'introduire des signaux d'nergie infinie qui ne sont pas forcment priodiques. Pour tendre la dfinition de la T.F ces signaux, on doit reprsenter ces derniers par des fonctions gnralises " appeles distributions.
17
Une fonction dcroissance rapide est une fonction qui tend vers 0, pour -+ oo, plus vite que toute puissance de On dsigne parS l'ensemble des fonctions indfiniment drivables et dont toutes les drives sont dcroissance rapide.
Jtl
tT
a) Transforme de Fourier d'une distribution

Une distribution dfinie sur un ensemble lF de fonctions est une fonne linaire sur
JF. L'ensemble des distributions est donc le dual de lF et sera not JF'. Comme pour
les fonctions classiques, dans la dfinition d'une distribution on doit obligatoirement prciser l'ensemble de dfinition de cette dernire. On introduit dans la suite trois ensembles de fonctions qui jouent un rle important dans la dfinition des distributions. D : Ensemble des fonctions indfiniment drivables et support compact.
S : Ensemble des fonctions indfiniment drivables et dcroissance rapide.
E : Ensemble des fonctions indfiniment drivables et support quelconque.
On introduit sur D et S la notion de convergence suivante : une suite de fonctions 1{!, ES (E D) converge vers 0 au sens deS (D) si, quels que soient les entiers l et m ;;:, 0, les fonctions t 1'P!{") (t) convergent vers 0 unifonnment sur l'axe des rels. Si x(t) appartient S, alors chaque fonction t 1x(m)(t) est borne et sommable. En effet, comme t 1+2x("')(t) est borne par une constante M, alors t 1x("')(t) est borne par ~i. D'aprs la fonnule de Leibnitz donnant les drives d'un produit, on en dduit que (t 1x(t))(m) est borne et sommable. On peut vrifier que si x(t) appartient S, alors sa T.F X (v) appartient aussi S. Exemple 1.2.2 Fonction non drivable et support born La fonction rectangle x(t) = O(tjT) n'est pas continuement diffrentiable. Sa T.F X(v) = Tsinc(Tv) est telle que JuX(u)J est borne et JvX(u)J est non borne. Comme x(t) est support born, t"'x(t) est sommable pour tout m. On vrifie ainsi que X (1/) est indfiniment drivable et que chacune de ses drives est borne. Afin de dtnir la T.F d'une distribution, commenons par exprimer F(x) en considrant x et F(x), non plus comme fonctions, mais comme distribution.
< F(x),l(! > =
" :
-~ c E
"
"
+oo 1+oo e-j2TCI/'."(t)dtdu 1 +oo1+oo e-j x(t)l{!(l/)dtdv = 1+oo +oo = 1 x(t) 1 e-j ip(U)dtdv
-oo ip(V) -oo -oo -oo
2 1 ""
-oo
-oo
2 1 ""
=< x,F(I{!) > , 'Il(!
E D.
18
En effet, le-i 2rrur x(t)<p(l;)l ,;; lx(IJII'P(vll est sommable comme produit d'une fonction sommable x(t) par une fonction sommable <p(ll) (cette formule reste valable lorsque = < U,F(<p) > ,
!;
V<p
D.
(Lll)
Mais cette formule n'aura pas de sens pour U E E quelconque. En effet, si <p E E, F(<p) n'a aucune raison d'appartenir E. La TF d'une distribution arbitraire n'existe pas. Nous considrons dans la suite uniquement Je cas des distributions importantes dites tempres pour lesquelles la TF est dfinie par (1.11) o J'ensemble D esLr~J:t1Jlll'c par S, En effet, soit U une distribution tempre. Pour <p(v) E S Je
zmc membre de ( 1.11) a~~ ~~~~::p~i~q;;-e.F(;p);;;;y(:~fesfdaiSS er U dans S' par hypothse. Il dfinit alors une forme linaire continue de <p(ll) E S donc une distri-
bution tempre V,, qui sera par dfinition F(U), On dfinit la drive T' d'une distribution tempre T par :
< T',=- < T,<p' >
(Ll2)
b) T.F des distributions tempres

Une distribution tempre est une forme linaire continue sur D et prolongeable par une forme linaire continue sur S. Comme on Je verra sur les exemples, le mot tempre voque une croissance lente J'infini. On dmontre qu'une fonction du type e1, qui n'est pas croissance lente pour t tendant vers l'intni, ne dfinit pas une distribution tempre.
Exemple 1.2.3 Exemples de distributio11s tempres

Les fonctions suivantes dfinissent des distributions tempres.
1. Les fonctions sommables. 2. Les fonctions bornes.

3. Les fonctions localement sommables et croissance lente, i.e, telles que :
lx(t)l (
Altlk pour
ltl---+
00.
4. Les distributions support born et leurs drives successives.

5. Le produit d'une distribution tempre par une fonction polynomiale. Les rsultats suivants tendent les proprits de la TF des signaux d'nergie finie au cas des signaux d'nergie infinie.
19
Inversibilit Dans !"espace des distributions temprs, les oprateurs F et F sont inverses l'un de l'autre, i.e.
FF(U) = FFU = U.
(1.13)
Drivabilit Si U est une distribution tempre, alors V~ F(U) est tempre et on a:

F[u<ml] = (j21rv)m V F[(- j2rrx)m V]
(1.14)
(1.15)
v<mJ
Produit de convolution Si S et T sont deux distributions supports borns, alors le produit de convolution S * Test aussi support born, et on a :
F[S
* T](v) =
S(v)T(v)
(1.16)
Ce rsultat reste vrai si S est une distribution tempre quelconque et Tune distribution support born. Le rsultat (1.13), dont une dmonstration est donne dans l'exercice 1.17, permet d'tablir que si une distribution U vrifie F(U) = 0, alors on a forcment U = 0. En effet, si V = F( V) = 0, alors U = F(V) = F(O) est bien nulle. Dans le cas o U est une fonction, cela prouve seulement que U est nulle en tant que distribution, c'est--dire nulle presque partout.
Exemple 1.2.4 T.F des distributions support born

La T.F d'une distribution ou d'une fonction est une distribution. Si x(t) est une fonction support born, sa T.F est une fonction holomorphe et ne peut donc pas tre support born sans tre identiquement nulle. Comme F(<p) ne peut tre nulle que si 'Pest nulle, on voit que si <p(t) E D n'est pas identiquement nulle, son image de Fourier n'est jamais dans D. titre d'exemple, la formule (1.14) donne:
F[J(ml]
~
(j2rrv)m
pour m ~O.
(I.l7)
:m
il
0
li existe plusieurs reprsentations possibles pour la distribution 5. On a vu que la T.F de la fonction rectangle de support [-T,T], dfinie par D(,'r), est la fonction Ll.(v) ~ 2Tsinc(2Tv). Lorsque T tend vers !"infini, on dmontre que la fonction Ll.(t-') tend vers la distribution de Dirac J(t) qui peut donc tre interprte comme la T.F de la fonction constante x (t) = 1.
'f
0
"
c) Signaux particuliers et leur T.F

Signal signe Le signal signe est dfini par :
Sg(t) = -1
si
t < 0 et Sg(t) Sg(t)' = 2c5(t).
1 si t > O.
-g On peut vrifier que la drive au sens des distributions de Sg(t) est donne par:
8
@
20
Ce rsultat et la relation (1.17) permettent d'exprimer les T.F des drives et des primitives au sens des distributions de la de la fonction signe. On obtient : l !; 1 1 F[Sg(l)] = -.- = - . vp(- ). ]7l/ )Ti v o la notation vp(.) signifie que la fonction ainsi obtenue doit tre prise au sens des distributions et son application une fonction se calcule en valeurs principales de Cauchy comme suit:
1
00
00
x(v)-.1 -du~ lim [

}1fV E......,..O
1-
_ 00
x(v)-.1 -du+
)1fV
1"'
x(u)-.1 -du].
J1fV
chelon unit ou Heaviside C'est le signal dfini par la fonction de Heaviside:
V(l)=l
si 1>0 et
V(t)=O
si 1<0.
Pour calculer la T.F de V (t), au sens des distributions, on peut utiliser la relation vidente entre les fonctions Sg(l) et V(t). On obient:
V (t) = -[1
2
+ Sg(l)]
et F[V(t)]
-c5(v) 2
+ -.-.
j2rrv
Partant de Sg(l)' = 25(1), on obtient aussi: 1 .F[V(I)] = -.j2ITV
et la justification de la diffrence entre les deux expressions de V (v) provient du fait que
ji.v est une distribution qui est dfinie en valeurs principales et donc un
Dirac c5(v) prs.

Signal analytique Soit le signal x(t) = a(t)cos(,P(I)). Dans le cas o a(t) est une constante positive et ,P(t) une fonction linaire du temps, le signal ne peut contenir
aucune information intressante. Un tel signal sert souvent comme porteuse pour vhiculer un autre signal utile. On a alors recourt des techniques de modulation qui conduisent au cas o a (t) n'est plus une constante et ,P(t) n'est plus une l'onction linaire du temps. Le problme est qu'un signal peut s'crire d'une infinit de manire sous la forme x(t) = a(t)cos(,P(t)). Il existe une technique qui permet d'associer un signal rel x(t) un couple unique [a(I),,P(I)] et qui est fonde sur la notion de signal analytique. Un signal z(t} est dit signal analytique, si sa T.F est nulle pour les frquences ngatives. Soit x(t) un signal rel admettant une T.F X (v).
1.2 Representations frquentielles
21
On appelle signal analytique associ x(t) le signal z(t) valeurs complexes dont la T.F est dfinie par :
Z(v)
= 2X(v)U(v) = [1 + Sg(u)]X(u).
x(t)
(I.l8)
Comme F(z(t)*) = Z( -u)*, on obtient de manire unique
z(t)
+ z*(t)
2
Il y a donc une correspondence biunivoque entre un signal rel x(l) et son signal analytique z(t) associ. On peut alors poser
z(t)
= x(t) + jy(t)
Y(v)
soit
Z(u)
= X(u) + jY(u)
(1.19)
et la dfinition de Z (u) conduit :
= -jSg(u)X(u).
Le signal y (t) ainsi dfini est appel signal en quadrature de x (t) et on a :

y(t)
" 7-l[x(t)] 1 1 = = x(t) * -vp(-)

7r
(1.20)
o l'oprateur 7-l est appel transforme de Hilbert. On peut vrifier en utilisant (1.19) que 7-l- 1 = -7-l. Comme Z(u) = 0 pouru< 0, le signal z(t) n'est pas valeurs relles et on peut l'crire d'une manire unique sous la forme:
z(t)
= a(t)exp(jr/J(t)),
a(t);;, O.
La notion de signal analytique permet donc d'associer tout signal rel x(t) le couple unique [a(t),<;D(t)]. videmment, le fait que z(t) soit analytique impose a(t) et <;D(t) de satisfaire des contraintes. Ces contraintes s'obtiennent en crivant que a(t)cos(<;D(t)) et a(t)sin(<;D(t)) sont transformes de Hilbert l'une de l'autre. On ~ peut vrifier facilement que la somme et le produit de deux signaux analytiques sont aussi des signaux analytiques. On a aussi le rsultat suivant (Thorme de ~ Bedrosian): si X(u) = 0 pour 1/ > B et Y(u) = 0 pour v< B, alors
~
-~
.8
,
~
7-l[x(t)y(t)]
= x(t)H[y(t)].
o dsigne une phase l'origine
Exemple 1.2.5 Sig11al allalytique associ u11e si11usode

La T.F du signal x(t) = cos(2rr fot constante est donne par
~ .8 -a
0
+<Pl
<!>
j -ci
X (u)
1 [ e1 w i5(u- .fol + e-Wi5(v ., + Jo) ]. =2
Le signal analytique associ x(t) est donc z(t) = ej(2 rrfot+1>)
22
1.2.4 Transforme de Fourier d'un signal priodique

Soit x(t) un signal priodique de priode T. Ce signal est donc d'nergie infinie et pour dfinir sa T.F, il faut prendre des prcautions particulires. Une mthode consiste associer ce signal son dveloppement en srie de Fourier, lorsqu'il existe, dfini par : (1.21)
-00
et de prendre la T.F de ce dveloppement au sens des distributions :

.....,
Il~
+oo
x(v)= L.. X,.il(v- -)
Il
-oo
.............................. y
(1.22)
On voit donc que la T.F d'un signal priodique est rduit un ensemble de Dirac pondrs par les coefficients de Fourier et centrs en des points dnombrables et quidistants sur l'axe des frquences (v,.~n/T,n E Z). On dit que l'on a un spectre de raies. Rciproquement, une fonction dont le support est rduit un ensemble de points dnombrables et quidistants peut tre interprte comme la T.F d'un signal priodique. titre d'exemple, nous donnons la T.F des sigaux exponentiels priodiques, x (t) = ei 2'"'07 , lesquels jouent un rle fondamental dans les applications. On a :
Exemple 1.2.6 Limitation de la T.F en analyse temps-frquence

L'utilisation de la T.F pour rechercher des frquences pures contenues dans le spectre suppose que les caractristiques spectrales de ce signal sont << stationnaires >>. En effet, la T.F conduit une analyse en moyenne d'une reprsentation spectrale comme le montre la figure (1.5) o l'on trace la T.F de la juxtaposition de 2 sinusodes de frquences diffrentes. Une faon de traiter ce problme consiste dcouper le signal observ en plusieurs tranches chacune de dure T et calculer ensuite les T.F de chacune de ces tranches. Mais cela introduit des effets de bord dus aux diffrentes troncatures du signal dans le cas o T est assez petit. La figure ( 1.6) donne les T.F d'un signal observ sur une dure T puis sur une dure 2T.
Peigne de Dirac La distribution dfinie par :
PT (tl~
+oo
6(t- nT)
11=-00
23
l'
O. 5
0.5
20
40
60
80
100
120
140
160
180
200
60 0
40
0 0 0
,.A ~fil.,
0
0.1 0.2
0.3
0.4
0.5
0.6
0.7
o.a
"" ~ Ill.
0.9
Figure 1.5 La juxtaposition de deux sinusodes et son spectre.
Signal observ sur une dure T 3
1!! .!2'
00
1!! .!2'
00
2
3
2 0 20 40 60
ao
100
50
100
150
200
120 100
250 200
ao
60 40 20 0
00
tl)
100 "
~
e 1so
50
!mi
0
Ill..
0.2 0.4 0.6
o.a
~'"
0.2
0.4
0.6
o. a
Figure 1.6
Effet de la dure d'observation sur le spectre.
24
est appele peigne de Dirac de priode T. Elle est identique un Dirac en tout point
kT,k E Z et vaut zro ailleurs. Tenant compte de la parit de PT(I), on dmontre que pour tout T fix, l'image de PT(I) par Fest le peigne de Dirac de priode 1/T,
i.e.
F[PT(t)](v) = T P1;T(v).
(1.23)
Le peigne de Dirac de priode 1 est donc invariant par F. Comme PT(-1) on a FF[PT(I)] = PT(I) et par suite:
PT (tl,
(1.24) Pour toute fonction x(l) dcroissance rapide, .on peut appliquer (L23) et obtenir la formule suivante appele formule sommatoire de Poisson :
11 +oo 1 +cc T LX(T) =< PljT(V),X(v) >=< F[PI;T](v),x(l) >= Lx(nT).
-oo
-oo
Exemple 1.2. 7 Signal en de11ts de scie et peig11e de Dirac

Considrons la fonction priodique de priode T dfinie par :
V(l)=T
/:; t
pour
1 E [O,T].
La drive au sens des distribution de ce signal est dfinie en tout point t E lili. par : 1 /:; 1 V (t)= T- PT(t) o PT (t) est le peigne de Dirac.
Exemple 1.2.8 Lien entre coefficients de Fourier et T.F

Soit le signal x(l), de dure finie, dfini par x(l) = t 2 0(tj2T) et y(t) le signal de priode 2T qui concide avec x (1). Donner la relation entre x (t), y(l) et la fonction rectangle n (1 1T). On dcompose y (1) en srie de Fourier sous la forme :
y(l) ~
L
00
Yn ej2rr{~t
n=-oo
o les coefficients de Fourier sont donns par :
25
1.2.5 Transforme de Fourier multidimensionnelle

La T.F d'un signal multidimensionnel x(tJ ,tz, ... ,t,.) E L 1 est la fonction x(v 1Y2 .. ,v,.) de IR" dans <C, dfinie par
x(v)
= {
JIJP.Il
x(t)e-jZrr<u,t>dtg,F(x)
o l'on adopte la notation t = (1 1, ,t,.),
1/
= (v 1, ,v,.) et dt= dt1 ... t,..
Les proprits de la T.F mutidimensionnelle sont similaires celles tablies dans le cas monodimensionnel. titre d'exemple, on a: 1 ...._VI V 11 .F[x(kt1 ,kt2, ... ,kt,.)]= - x ( - , ... - ) lkl" k k
1.2.6 Transforme discrte et transforme rapide

Dans la pratique, on doit souvent traiter un signal temps discret mais on ne dispose que d'un nombre fini d'chantillons Xk,k = 0, 1, ... ,N - 1. La question est de savoir comment peut-on obtenir des informations sur le spectre de Xk.k E Z partir de l'observation Xk,k = 0,1 , ... ,N- 1 ? Pour rpondre cette question, associons (xk),k E Z, le signal:
N .6. ,. X k =.,k
pour k=O, ... ,N-1
et
xf:' = 0
sinon
qui est compltement dfini par le vecteur observation :

~
;
'0
;; 0
],
0
0
On a souvent Xk = x(kTe), k = 0, ... ,N- 1 o x(t) est un signal temps continu et Te est une constante appele priode d'chantillonnage. Pour simplifier les notati ons, on dsignera par xN la T.F du signal (xf:'J, i.e.,
N-l
"
0 0
-~
XN (1/) =
Associons la fonction
L Xke-j2rrVkT,.
k=O
-E,
.J
0
xN (v)
la suite Xk de priode N, dfinie par le vecteur: (1.25)
-d
Cl
"
" -N -N N - 1 T " X=[x (O), ... ,x (----:v-)J =[Xo, ... ,XN-Il T .
26
La suite Xk qui est compltement dtermine par le vecteur X est appele Transforme de Fourier Discrte (TFD) du signal observ reprsent par le vecteur x et on a les proprits suivantes :
X=W(w)x
o W(w) dsigne la matrice symtrique de Vandermonde suivante construite avec le nombre complexe w
="' e-1 """~'/ :

W(w)~
. 27fT,
c
wo
~~
wo wl 7 w-
;;(N.-1)
,. l
N-1
.
uP
wN-1
w.'N-1)'
La dmonstration de ces rsultats repose sur le fait que la matrice W ( w) est symtrique et vrifie :
W(w)W(w- 1) =NI.
Exemple 1.2.9 Calcul de la TFD d'une frquence pure On va calculer la TFD du signal sn= e1 -rr "'f, n = 0, 1, ... ,N- 1. On obtient:
"') fi
11
1- ZN 1-z'
=N
pour z = 1.
On voit bien que cette fonction admet un maximum pour Jo = ~- La valeur ainsi obtenue est celle qui permet de remettre en phase tous les vecteurs sn. Cette pro-
27
prit permet de dterminer une frquence Jo E [0, 1) inconnue de la manire suivante. On calcule la TFD, X (v), pour v 1 , 2v 1 , , M VI , on trace le graphe de cette fonction en utilisant ces points et les chantillons so, ... ,SN-1 L'abscisse du maximum de cette fonction nous donne la frquence Jo.
a) Effet spectral d'une troncature et fentres de pondrations

Dans la pratique, un signal discret provient souvent de l'chantillonnage d'un signal continue. Le problme est que la dure d'acquisition Test finie et l'information contenue dans cette observation ne permet pas de calculer la T.F du signal moins que ce dernier soit priodique et que T soit un multiple de sa priode. Mme dans ce dernier cas, il faut en plus que la priode d'chantillonnage vrifie une condition qui sera donne plus loin. Le calcul de la TFD introduit alors des <<effets de bord >> comme le montre l'exemple suivant. Associons au signal x(t), observ sur une dure finie T, le signal tronqu XT (t) dfini par :
XT (t)
= " x(t)nT (t)
(1.26)
o nT est la fonction rectangle de support [0, T]. Avant d'analyser l'effet de la troncature sur un signal temps discret, considrant tout d'abord le cas continu. On obtient:
Xr(v)
X(v)
* [Tsinc(Tv)e-f'"'T]
(1.27)
Pour bien voir les similitudes entre le spectre X (v) et celui X T (v) du signal tronqu, considrons le cas particulier suivant.
x(t)
= Acos(21f Jot),
X(v)
A "2[6(v- Jo)+ 6(v+ Jo)].
La T.F du signal tronqu est donne par :

X T (v)
~
AT e-frrVT[efr.JoT sin cT (v- fol
+ e-f;c./iJT sincT (v+ Jo)]
-!! On peut choisir J0 T entier et tracer le spectre d'amplitude du signal tronqu xr(t). c
Le graphe montre qu'il y a un effet de lissage et un effet de bord. Ces effets se traduisent par l'apparition de lobes secondaires qui ne devraient pas exister. Ces lobes . ~ secondaires proviennent de 1'effet brutal de troncature du signal qui revient remplacer ce dernier par zro en dehors du support de la fentre d'observation nr. Ces 0 .g_ effets rduisent la finesse d'analyse. En particulier, si l'on a deux raies spectrales 3 distantes de moins de 1/ T, elles seront pratiquement indiscernables. Pour attnuer -ci les effets de troncature, on introduit des <<fentres de pondration>> WT(l). Cela ~ signifie qu'au lieu de traiter le signal tronqu xr(t), on traite le signal pondr
~
28
wr(t)xr(t). Il existe plusieurs types de fentres. Les plus utilises sont celles de Hanning et Hamming introduites la page 16 et celle de Gauss dtnie par : wr (t) = A exp( -t 2 ), a, A > O. La figure 1.7 donne la partie relle d'un signal gal la somme de deux sinusodes (a), la TFD du signal calcule avec une fentre rectangulaire (b) et avec une fentre de Hamming (c).
1 . 5r----~~----~
(b)
90 80 70 60 50 40
1
45,-----~(~c~)-----,
40 35 30 25
..
20 15 10
30 20 10
-1.5!--~2~--~--~
temps
S)
~
0
frquence
0.5
0 ollL----~o~.s~----~
frquence
Figure 1.7 Effet d'une fentre de pondration sur la TFD.
b) Calcul de la TFD : Transforme de Fourier Rapide

Le calcul de X ncessite a priori 4N 2 multiplications relles. titre d'exemple, pour N = 32, il faut 4 096 ce qui est trs important ! Ceci a conduit la recherche d'algorithmes rapides pour effectuer ces calculs en tenant compte de l'application considre. Les calculs doivent se faire en temps rel l'aide d'un faible nombre d'chantillons N mais dont le renouvellement est assez rapide (par exemple une frquence de 4MHz). Les calculs doivent se faire en temps diffr l'aide d'un grand nombre d'chantillons N et avec trs peu de renouvellement. Comme critre de rapidit d'un algorithme, on prend gnralement en compte le nombre d'oprations arithmtiques et celui de places mmoires ncessaires pour les stockages intermdiaires. Durant la dernire dcennie, les algorithmes utilisant la logique cble ont t progressivement abandonns au profit de l'introduction de processeurs programmables spcifiques dont la rapidit dpend fortement du type d'architecture utilise. Il existe plusieurs types d'algorithmes qui permettent de calculer le vecteur X partir du vecteur x. En particulier, il est possible de rduire considrablement le nombre d'oprations effectuer en utisant les proprits de la matrice W et en choisissant N egal une puissance de 2. Ceci conduit des algorithmes connus sous la
29
dnomination Transforme de Fourier Rapide (TFR ou FFT en anglais) et qui ne seront pas dvelopps ici. titre d'exemple, les algorithmes dnomms algorithmes de racines 2k sont fonds sur l'ide qui consiste dcomposer une TFD deN = 2P points en 2K TFD de 2P-K points. Cette ide permet d'introduire des algorithmes itratifs ayant une structure modulaire rptitive, facile mettre en oeuvre et ncessitant une faible complexit de calculs numriques. Actuellement, de nombreux constructeurs proposent des processeurs spcialiss optimiss pour Je calcul de la FFT comme Je processeur HOSP 66210. c) Prolongement du signal observ par des zros Considrons un signal observ sur M chantillons. La question est de savoir s'il est plus intressant de calculer la TFD XM de longueur M en utilisant les M chantillons ou la TFD xN de longueur N, M < N en compltant les observations par N- M chantillons gaux O. La TFD de dimension N s'crit sous la forme:
11 N = '""' . M e -j2~X, L.., -'k"k N , M = 0,1 ... N- 1, 11 = 0 , 1 . . . N - 1
N-1
k=O
o dsigne la fentre rectangulaire de support (O,M- 1). Un calcul simple montre que le module de la TFD d'un signal prolong par des zros est indpendant de la position du support du signal et que cette opration revient un chantillonnage plus serr. Comme ce prolongement correspond une multiplication du signal par une fentre porte, la TFD du signal prolong sera donc gale la convolution du signal observ par une fonction sine qui est la T.F de la fentre. Comme la fonction sine n'est pas support compact, la convolution considre a pour effet, cause de ses lobes secondaires, d'altrer la T.F du signal considr. Cet effet est nfaste sur la rsolution, c'est--dire la capacit de la TFD de distinguer deux frquences spectrales proches. Des exemples simples permettent de voir que l'on peut sparer ~ deux frquencesf1 eth si elles vrifientfi- .h) 1/To Test la dure d'obser~ -o vation du signal. Pour bien sparer les signaux, on a intrt avoir un lobe princ ~ cipal aussi troit que possible et des lobes secondaires d'amplitudes trs faibles . Malheureusement, il n'est pas possible d'avoir simultanment ces deux proprits. -~ ] , Il est cependant possible de diminuer les amplitudes des lobes secondaires en rem~ plaant la fentre rectangulaire par une fentre plus douce et sans discontinuits. 0 ~ Les exemples suivants montrent comment on peut calculer la TFD avec fentre de -~ pondration partir d'une TFD sans fentre.
0
ut
Exemple 1.2.1 0 Calcul de la TFD avec je11tre de po11dratioll

Xk,k = 0,1, ... ,N- 1, le
1i Associons un signal temps discret de dure finie
g signal pondr: Yk~-'kWk.k =O,l, ... ,N -1, o Wk~WN(k) est la valeur de la
30
fentre de Hanning temps discret introduite la page 16. Le problme consiste calculer la TFD Yk,k = 0,2, ... ,N- 1 de Yk en fonction de la TFD de Xk. Partant de la dfinition de la TFD du signal Yk et remplaant Wk par son expression, on obtient la rcurrence suivante :
Yk
= -Xk-Xk-1- -Xk+l 2 4 4
= 1, ... ,N.
Cette rcurrence montre que l'application de la fentre de Hanning revient faire un lissage de la TFD Xk par un filtre ayant une rponse impulsionnelle symtrique dfinie par: ho= 1/2, /lJ = -1/4 et hk = 0 pour k;, 2.
Exemple 1.2.11 Sparation de deux frquences et TFD
on~considre
le signal temps
x(t)
discret~ dfini
par:
)
= Aej
2 rr(!Jt+~ 1
+ Aejh(ht+<Pol
o /1, f2 dsignent deux frquences positives distinctes, rjJ 1,t/J 2 deux phases l'origine donnes. Soit y(t) le signal observ, gal x(t) sur l'intervalle [- T /2, T /2] et nul partout ailleurs. La T.F de y(t) est donne par:
Y(v) = [AeN' 1 o(v-
/J) + Aej~'o(v- ]2)] * Tsinc(rrTv)
= ATej~ 1 sinc(rrT(v- fi))+ ATeN>'sinc(rrT(v- ]2)).

Soit M l'ordonne du creux entre les deux lobes principaux du graphe de JY(v)J 2 . On se propose de dterminer la dure d'observation T pour laquelle (MfAT) 2 < 1/2. L'abscisse du creux entre les deux lobes estfo = (/1 + J2)/2 et on aM= JY(/o)J = 2ATsinc(rrT(/o- /Ill= 2ATsinc(rrT(f2- /Ill. D'o sin(rrT(J2- /Il)
rrT(J2-
1
<
fil
2-J'i.
Il suffit de choisir T tel que rrT(}, fil < 2 ~. La figure 1.8 montre l'influence du choix de T sur la possibilit de dtecter les deux frquences contenues dans le signal.
T.F et convolution cycliques On associe aussi parfois au signal observ .q,k = 0, ... ,N- 1 le signal priodique de priode N et qui concide avec (.q) pour k = 0, ... ,N- 1. On dfinit ensuite le produit scalaire, la T.F et la convolution en limitant les sommations N termes. On obtient ce que l'on appelle la T.F et la convolution cycliques. Ces dfinitions permettent d'tendre certaines proprits de la T.F et de la convolution la T.F et la convolution cycliques.
Exercices et problmes corrigs
31
1.4 , - - ' ' - - - - ' - , - - ' - _ : _ - - ,
f2- f 1 = 1/(2T)
2.5
f 2 -f,=1rr .----=-_;---,
1.2
1\
2
2.5 1.5
0.8
0.6
1.5
0.4 0.5 0.2
0 20
~0
\r20
0 20
20
Figure 1.8 Dure d'observation et sparation de frquences.

1.1 Reprsentation d'un systme
Dire, dans chacun des cas suivants, si la relation d'entre-sortie dfinit un systme linaire, instantan, invariant, causal (entre : e(t), sortie : s(l) ).
s(t)
p q
= sin(l)e(l)
s(t)
LLa;.je(t- iT0 )e(t- jT0 )

i=D )=0
s(t) =A sin(e(t- t0 )),
s(t) =J'
t-T
sin[e(l)
+ ll]dll.
1.2
Fonctions propres d'un filtre linaire
1. On considre le systme dfini par la relation entre-sortie suivante :

s(t)
= ;_: h(t -ll)e(ll)dll.
Dmontrer que c'est un filtre linaire et exprimer la sortie associe au signal e(t) = ejwt en fonction de e(t).
32
2. On considre un filtre linaire F. Dmontrer que pour tout signal du type

x(t) = z' o z est un nombre complexe tx, on a F[x(t)] = ax(t) o a est une
fonction de z indpendante de 1. On dit que = z' est une fonction propre de F et la fonction a(z) est appele fonction de transfert du filtre. 3. On suppose que la rponse impulsionnelle du filtre est la fonction rectangle de support T. Calculer la sortie s ( T) de ce filtre associe l'entre e(t)=D(-),
T'
1
n (f)
T'>T.
4. En dduire le produit de convolution r (r) mme et tracer le graphe de r ( T).
~ [0 T * nT] ( r) d'un rectangle par lui-
1.3
Projection orthogonale et srie de Fourier
1. Soient deux signaux x(t) et y(t) d'nergies finies, valeurs complexes. Exprimer l'nergie
du signal z (1) = x (t)
+ ,\y (1)
en fonction de celles de x (1) et y (t).
2. On suppose les signaux rels. tudier le signe du polynme E, et en dduire l'ingalit suivante (ingalit de Schwarz) :
1
i:
x(t)y*(t)dll
,::;
i: i:
lx(1)1 dt
2
ly(l)l dl
(1.28)
3. On suppose maintenant les signaux complexes. On pose = 1,\lexp(jiJ). Choisissant convenablement IJ, dmontrer l'ingalit de Schwarz pour les signaux valeurs complexes.
4. Que peut-on dire de x(t) et y(t) dans le cas o (1.28) est une galit?
5. Dvelopper en srie sur le systme de fonctions
r/J, (t) ~ ejhn f
les signaux
x(t) = cos(27rkoy) puis x(l) =1 cos(27rkoy) 1 o ko est un entier fix.
1.4
Projection orthogonale d'un signal
On considre le signal temps continu
Exercices et problmes corr;gs
33
o 'P est une phase l'origine constante et fo une frquence positive donne. On projette le signal x(t) sur l'espace vectoriel muni du produit scalaire:
< x(t),y(t) >
L:
x(t)y*(t)dt
et engendr par les 2 signaux rjJ 1 (t) constante positive donne.
= sin~~t}
et rjJ 2 (t)
= sin~~~t}
o B est une
1. Dterminer la projection orthogonale (l) de x(t).
2. Calculer l'nergie de (t) et discuter sa valeur en fonction de.fo et B.
3. Calculer la T.F du signal x(kTe), k maximum de son module.
= 0,1 ... N-
1, et dterminer l'abscisse du
1.5
Signal priodique
On considre le signal x(t)

1. Tracer le graphe de y(t)
O(tjT).
= x(t) + x(t- tl
z(t)
et calculer sa T.F.
2. On introduit le signal de priode 2T dfini par
L
11=-00
00
y(t- 2nT)
et on dcompose z (t) en srie de Fourier sous la forme :
z(t)~
~
L
00 11=-00
Z"eJ2r.{~t
;g
~
Exprimer le coefficient Z, en fonction d'une intgrale faisant apparatre le signal

y(t).
:~
B
3. Donner l'expression de Z 11 en fonction de la T.F de y(t) en un point particulier que l'on prcisera et calculer Z,.
1.6
1. Rappeler la proprit de conservation du produit scalaire par la T.F et appliquer -& ce rsultat pour calculer l'intgrale
''
"
Utilisation de la conservation du produit scalaire
< x(t),y(t) >
i:
x(t) y(t)* dt
34
dans les cas suivants : (a)- x(t) = sinc(At) et y(t) (b) -x(t) = sinc(At) et y(t) (c)- x(t) = sinc(At) et y(t)
= sinc(Bt) = sin(1rBt) = e-altl.

=
B[sinc(Bt)] 2 et son nergie E.<-
2. Calculer la T.F du signal x(t)
3. On <<module>> x(t) par le signal m(t) = cos(27rvot) pour obtenir le signal y(t) = m(t)x(t), vo > 2B. Cette opration dfinit-elle un filtre linaire?
4. Calculer la T.F du signal y(t) et son nergie Ey.
1.7
T.F d'un signal support born
SoiL'f(t)hsignal support[=Tj2;T/2]; c'est dire x(t) vrifie l'identit: x(t) = x(t)D(tjT). Soit Xp(t) le signal de priode T qui concide avec x(t) sur [-Tj2,Tj2] et
Xp(t)
6 =
11=-00
son dveloppement en srie de Fourier.

1. crire les relations entre x(t) et X 11
2. On admet que x(t) possde une T.F X(v). Exprimer les coefficients Xk en fonction de X (v).
3. Partant de l'identit x(t) = Xp (t) n (t j T), exprimer X (v) en fonction des coefficients Xk et de la fonction sinus cardinal dfinie par sinc(u) = sin(mt)/(mt).
4. Vrifier l'expression obtenue pour X (v) pour les frquences multiples de la frquence fondamentale 1j T.
1.8
Transforme de Fourier et drivation
1. Donner l'expression de X(v) en fonction de x(t) et exprimer x(t) en fonction de
X (v).
2. Exprimer la drive de la T.F X (v) d'un signal x (t) en fonction de y (t) = t x(t). Utilisant la transforme inverse, donner l'expression de la T.F de y(t) en fonction de X'(v). 3. On suppose dans toute la suite que x(t) est le signal rectangulaire D(tjT). Calculer la T.F de x (t).
35
4. Montrer que le signal :

r(t)
+oo
y(t- nT)
11=-00
est priodique et dterminer sa priode. 5. On dcompose r (t) en srie de Fourier sous la forme :
r(t)~
+oo L
11=-00
. n R,e 121r1' 1 .
Donner l'expression du coefficient R, en fonction de Y (v) et calculer ce coefficient. 6. Exprimer r(t) sous forme d'une srie de Fourier faisant intervenir les fonctions
sine~./1().
7. On note YI (t) la drive de y(t). Calculer la T.F de YI (t) et comparer cette T.F celle de x(t) et expliquer le rsultat.
1.9
Approximation d'un signal par projection

E
On considre l'ensemble des signaux tPk(t), k

t/Jk(t)
Z, dfinis par:
.
~sinc(Bt- k), smc(t)
sin(7Tf) 7rf
et on introduit le produit scalaire suivant :

< x(t),y(t) >
1. Calculer
a,_,=< t/J,(t),t/J,(t)
L:
ak
x(t) y(t)* dt
>. Quepeut-ondiredes signaux t/J,(t)?
t
.8
0
-~
2. Soit le signal x(t) = cos(27r.fot
+ tp),.f0 >O. Calculer la TF X(v)
de x(t).
,
c 0 c
3. On approxime x(t) par sa projection orthogonale x(r) ~
" ~ .8
0
L
k~O
t/Jk(r)
".
-ci
0
sur l'espace vectoriel <"N engendr par les signaux tPk (t), k = 0, 1, ... ,N. Calculer les coefficients k en distinguant les cas .fo B /2. Interprter le rsultat. 4. Expliciter x(t) dans le cas x(t)
'9
= sinc(B't), B'
< B, et interprter le rsultat.
36
1.10 Approximation d'un signal par un autre

On pose dans toute la suite sine(/)= sin;~n et on dsigne par O(v) la fonction rectangle de support [ -1/2, 1/2]. On admettra que la T.F de sinc(t) est n(v). On veut approximer le signal
par un signal de la forme s(t) = Asinc(2Bt) o A est un paramtre rel dterminer et Bun rel positif connu. On admettra que la T.F de x(t) est gale e- 2ulul et on introduit le signal erreur e(t) = x(t)- s(t). 1:nxpfirrf en fonction de A l'nergie dfinie par:
---2. Dterminer la valeur Ao de A pour laquelle cette nergie est minimale.
3. Calculer, pour A = A 0 , le produit scalaire :

P =
i:
e(t)sinc(2Bt)dt.
4. On fait passer le signal s(t), A quelconque, dans un filtre linaire dont la rponse impulsionnelle est h(t) = sinc( 2~). On suppose 0 < BT < 1/4, calculer la T.F Y(v) du signal y(t) la sortie de ce filtre. En dduire y(t).
1.11 Signal triangulaire

On dsigne par Tfi(t) la fonction triangle de support [- T j2, T /2] dfinie par Tfi(t) =Tri( -1) et: Tri (1) = t + T /2 pour - T /2 = 0 pour t < - T /2 o T dsigne un rel positif donn.
1. Tracer le graphe de la fonction Tfi(t).
~
2. On rappelle que la fonction Tri(t) est gale au produit de convolution d'une fonction porte par elle-mme. Dterminer cette fonction porte que l'on dsignera par Rec(l).
37
3. Rappeler !"expression de la T.F de Rec(t) et calculer la T.F de Tri(t).

4. On introduit le signal x(t) de priode T dfini par x(t) = Tri(t) pour 1t Calculer la T.F de x (t).
1<
T/2.
5. On projette le signal x(t) sur !"espace vectoriel engendr par les N signaux:
nk(t)
= 0(-T-),
t-kT
= 0, ... ,N- 1
o n (t) dsigne la fonction porte de support [- T /2, T /2]. Dterminer la projection orthogonale x(t) de x (t).
1.12 Sparation de deux frquences

On considre le signal temps discret dfini par :
o f 1,/2 dsignent deux frquences positives distinctes, gine donnes.

1. Calculer la T.F X(v) de x(t).
1>~o<P 2
deux phases !"ori-
2. On considre le signal observ y(t) = y 1 (t) + )'2(1) gal x(t) sur !"intervalle [O,T] et nul partout ailleurs. Calculer la T.F Y(v) de y(t).
3. Reprsenter 1" allure du graphe de 1Y1 (v) 1.

4. Dterminer les deux frquences VJ et
les plus proches de .f1 pour lesquelles Y1 (v) s'annule (ces frquences sont symtriques par rapport .fJ).
v;
5. Reprsenter dans le mme repre la fonction
IY.(v)l =
pour = 0 ailleurs
IY;(v)l
VE
[v;,v;]
6. Discuter le choix de T qui permet de sparer les frquences fi etf2.
38
1.13 Exemple de signal analytique

On considre le signal complexe x (t) dfini par :
x(t)
a- exp(jwt)
1 - aexp(jwt)
o a est rel et tel que lai < 1 et w >O. 1. Calculer le module lx(t)l dex(t). 2. On admet que le signal x(t) est analytique si tous les ples de x(t) ont une partie imaginaire ngative. Calculer les ples de x(t) et en dduire que ce signal est analytique. 3. -Dtenninerle signal rels (t) dont x (1) ..estJe.. signaLanalytique.
1.14 Calcul d'une TFD

On considre le signal temps continu
x(t)
= ej(2ofot+<p)
o <p est une phase l'origine constante etfo une frquence positive donne. On ne dispose que des N chantillons Xk = x(kT,), k = 0, 1, ... ,N- 1, o Te est une constante positive donne. On introduit la transformation suivante qui associe ces N chantillons, un ensemble de N autres chantillons dfinis par :
X,-L_.xke
k=O
N-1 _ "'' .
- j2rrkTe
N,
n-O,l, ... ,N
_ 1.
1. Calculer X, pour n = 0,1, ... ,N- 1 et tracer les N points de cordonnes
(n/N,IXnll sur un mme graphique.

2. On calcule maintenant la fonction de
Y(O)
e:
N-1
Xke-j1rrke.
k=O
Tracer le graphe de la fonction 1Y (0) 1 et dtemner la valeur f de IY(O)I est maximale.
e pour laquelle e,
3. On se place dans le cas N = 2 et on se fixe une valeur particulire pour soit eo. Reprsenter dans le mme plan les nombres complexes xo et X[ d'une part et Xo et X 1 d'autre part. Interprter gomtriquement quoi correspond la valeur .
39
1.15 Majoration de la T.F, drivation, intgration

1. Soit x E L 1, une fonction continue et drivable. Dmontrer en intgrant par par-
ties l'expression de la T.F x la majoration suivante:
12owiiXCvll '( -oo lx'Ctlldt ~ II.1:'IIL'
+oo
(1 .29)
2. Supposons x m fois continuement diffrentiable avec des drives d'ordre '( m sommables. Dmontrer la formule suivante :
(1 .30)
3. Par drivation sous le signe intgral, tablir la formule suivante :

X' (v)
= F[- j2rrtx(t)]
(1 .31)
et gnraliser ce rsultat dans le cas o x<"'l(t) est aussi sommable et X(v) m fois continuement diffrentiable. 4. Montrer que si x est indfiniement drivable et que toutes ses drives sont sommables, alors X (1;) dcrot plus rapidement que toute puissance de ~ 1 . 5. Montrer que si t 1x (t) est sommable quel que soit /, alors que toute puissance de 1 ~ 1 lorsque
x<n (v)
dcrot plus vite
lvi
-+ oo.
1.16 T.F d'une distribution support born

Dmontrer que si U est une distribution support born, son image de Fourier est une fonction prolongeable pour les valeurs complexes de v en une fonction holomorphe entire, dfinie par la formule :
(1.32)
, a. 1.17 Proprits de la T.F d'une distribution

B
~
8
0
o.
1. Soit U une distribution support born, justifier pourquoi le calcul suivant est
possible :
V(v) =< U,e-J 2 m't >.
40
2. Dmontrer que V(v) est une fonction indfiniment drivable de v.

3. Dmontrer que V (7J) existe pour
l/
complexe et qu'elle est indfiniment drivable.
4. Dmontrer que V (v), considre pour v rel, est la transforme du Fourier de U.

Soit x(t) une fonction appartenant S. Dmontrer que F-I F(x) =FF-I (x) =x.
5. Dmontrer la mme formule pour U E S'.

6. Soit x(t) une fonction support born, 2 fois continuement diffrentiable. Partant de
et remplaant x(t) par son expression en fonction de X(v), dmontrer la formule sivante:
7. En dduire la formule :
+oo x(t)y*(t)dt = l+oo -oo -oo X(7J)Y*(v)dv. l

SOLUTIONS
1.1 1. Le systme est linaire, instantan, causal et variable. 2. Le systme est non linaire, non instantan, causal et invariant. 3. Le systme est non linaire, instantan, causal et invariant. 4. Le systme est non linaire, non instantan, causal et variable. 1.2 1. C'est un systme linaire invariant puisqu' une entre e(t- 0) il associe une sortie s(t- 8).
(1.33) Le signal e(l) = ej~' est bien une fonction propre du filtre de Gain G( ~).
2. La sortie associe z 1 est gale la convolution de la rponse impulsionnelle par l'entre.
Soit: s(t)
L:
h(8)z'- d8
11
= z'a(z).
41
3.
s(l)
= s(t) * e(l) =
oo
~oo
il(- )ll{--)dB.
1-
T'
On peut vrifier que s(l) est une t'onction paire. Il suffit donc de la dtenniner pour t <O. On obtient le trapze dfinie par : s(l) = 0 pour
1 < ----
T+T'
2
+ --2 pour
T+T'
pour
----<1<---
T+ T'
T-T'
= T
~ < t <
T-T'
O.
4. Le produit de convolution r ( T) s'obtient en faisant T = T' dans Je rsultat prcdent. On obtientle triangle de support [- T, T] el qui prend la valeur T pour t = 0.
1.3 On utilise les notations Exy ~

scalaire conduit :
1=
x(t)y*(t)dt et Exx
~Ex.
La linarit du produit
-=
1. Pour les signaux rels. E: est un polynme en qui ne prend pas de valeurs ngatives. Donc son discriminant doit rester toujours ngatif. Cette condition se traduit par l'ingalit (1.28).
2. Dans le cas de signaux complexes, on pose..\*= 1,~\lexp(jO) et on choisit comme valeur pour 0 l'argument de Eyx Cela nous conduit au polynme
E =
dont l'indtermine est
1,~\1
IAI'E,. + IAIIE,._,I + E,
et donc la mme ingalit (1.28).
3. Dans le cas o l'on a galit, les signaux x(t) et y(t) sont proportionnels. 4. On obtient :
x(l) =
L
11=-00
00
X,rj!,(t)dt
avec
J _ _ X n-,
j"+T e .
n
t ft -/1Trny
c .
Dans le premier cas, on choisit a = - T /2, et le calcul de l'intgrale conduit : Xko = X-ko = 1/2 et tous les autres coefficients nuls. Dans le second cas, on choisit a = - T 14, on pose t 1 T =
T
et l'expression de Xn s'crit :
42
xli =
= =
f ! !
l/4
C0S(27iT)e- j'1.7r!IT dT-
!,3/4
1/4
C0S(27iT)e- j'21TIITdT
-1/4 1/4 -1/4 1/4

[e-J2rr(2k-1)T
7f 7f+
cos(27rT)[l + (-l)"]e-l'"'"dT= 0
pour n = 2k + 1 n = 2k
+ e-J2;r(1k+1)T]dr
sin(2k+ 1)~
"]
pour
-1/4
sin(2k-1)2
=[
(2k- 1)2
-(-1)'+'
-
(2k + 1)2 1) pour n=2k.
4
7r(ll2 -
1.4 1. La projection orthogonale est donne par
o les coefficients a 1 et a 2 vrifient le systme suivant
< x(t),rjJ 1(t) >=ad Ir/Jill'+"''< r/J,.r/J, > < x(t),r/!2 (t) >= "'' < r/J 1 ,r/J2 > +a,llr/!,11 2
avec
II<PIII- =< rjJ,,r/!1 >=< r/J,,,/J, >= B llr/!,11 2 = < r/J,,q,, >=< r/J,,q,, >= < x(t),rjJ 1(t) >=
On a donc le systme suivant
-eNIT(- ),
"1
......,
,....,
1 28 2B 2B
1 .
Jo
< x(t),rj!,(t)
1 Jo >= -eNIT(-).
+ "'' = Jo
eNIT(-).
Jo
2B
Sa solution est donne par

a 1 = eN[2IT(-)- IT(-)
Jo
B
2B
et
"'' = 2eN[IT(-)- IT(-). 2B B
Jo
.fo
Les valeurs de"'' et a 2 dpendent de la position de .fo par rapport B /2 et B.
43
2. L" nergie de .i' (t) est donne par

E.;
= 11211 2 =< x(t)._i' >=a;< x(t),</! 1 >+a;< x(t),</!2 >.
D'o
E = ]_D(Jo
x
+ _1 [D( Jo)_ D(Jo)].

2B 2B B
D'o la discussion B <Jo.

3. On a
E_,
1/B si Jo< Bf2, E.i
1/28 si B/2 <Jo< B, E.i
=0
si
avec w = e- jln(r'- fol Te. Un calcul simple conduit
1 y (vli =
---::-=.-::-:::-"'-----':..::.CO
sin[1rNT,(v- Jo)] sm[1rT,(v- Jo)]
et donc le maximum de IY(v)l est atteint pour v=

1.5 1. On a Y(v) = X(v)
Jo.
+ X(v)eimT
2. Le coefficient de Fourier Zn est donn par :
1 Zn=2T
=27'
~
fT
-T
z(t)e-J-1r2T 1 = 1
11
., "
foo y(t)e- ..-"IT ,_ -oo

._,,
=-Y(-).
1 2T 1
fT
-T
11
y(t)e-J-1r2T
., "
2T
2T
;@
3. On obtient finalement : Z,
1 11 -X(-)[1 2T 2T
+ e1"2] =
-sine(- )[1 2 2
117r
+ "2] =
11
(-1) 11 --[1
n1r
+ e1"2].
"
5. 1.6 1. La proprit de conservation du produit scalaire par la T.F est donne par l'galit
suivante :
-a
j
15
1i
D
L:
x(t) y(t)* dt
L:
X (v) Y (v)* dv.
La quantit P peut donc se calculer de deux manires diffrentes.
44
1 Representations temporelles et frquentielles d'un signal deterministe
(a) Comme X (v) =
n ('i) , on obtient :
P =
1
v
00
-1n (
AB
_ 00
v ) inf(A.B) dv= . inf(A,B) AB
(b) Comme Y(v) =

P=
~ [8(v-
B) - D(v
+ B)], on obtient:
1
si
1
,
00
-oo
-n(-)[8(1/-B)-D(I/+B)]dv=2A A A
!BI <A
et P = 0 si
IBI >A.
2a . , , , on obttent: a-+ 4rr-zr
(c) Comme Y(v) =
p =
-TI (-) ., 1 ., dv = ~oo A A a-+ 4~~-uA
co 1
IJ
2a
8 2
-B/'2
.., a-
2a
+ 4K-v-
., , dv
2. La T.F du signal x(t) = B[sinc(Bt)J' est gale B fois Je produit de convolution de la T.F de sinc(Bt) par elle-mme. On sait que ce produit est la fonction triangle. D'o
X(l/)
= Bn(B) * n(B) = Triza(v)

B + 1 pour -B
v
<v< 0
o
Triza(v) = 0 pour v< -8, Trhn(v) =
el Triza (v) = Triza (-v).
Pour calculer l'nergie Ex. il suffit de calculer l'intgrale de la fonction Tri 28 (v)'. 3. Cette opration ne dfinit par un filtre linaire puisque la sortie associe x{t - T) est gale m(t)x(t- T). Elle n'est donc pas gale y(t- T) qui vaut m(t- T)x(t- T). 4. On a
Y(v) = M(l/)
* X(v) =
-[(D(v- vo)
+ (v + vo)b X(v)
= -[X(!/- vo)
+ X(v+ vo)].
Comme v0 > 2B, le graphe de Y(v) est constitu par les deux triangles Tri:w(u- v0 ) et Tri2n (v- vo) qui ne se chevauchent pas. On obtient donc Ey = Ex. 1.111. Tracer le graphe de la fonction Tri(t). 2. La fonction Tri(t) est gale au produit de convolution d'une fonction porte de support [- T /4, T /4] par elle-mme. On a donc TriCtl =
' * nc::J. ' nc=-J T T
45
3. On sait que
D'o
4. La T.F de x(t) s'obtient en dveloppant en srie x(t) el en prenant les T.F de cette srie terme terme. On obtient :
x (IJ)
o les coefficients
L x,a(IJ- -yJ
00 -00
xk sont donns par :

l JT/2 . k l x(t) e- 12"7'' dt= -
x, =
=
5. On a:
loo
-oo
Tri(t) e- 12"7'' dt
2T k-rr-
T
l
-T/2
k -.F(Tri(t))(-) T T
T br -sine(- ) 2
= --;-;-
pour
= 2/z + 1.
N-1
x-cr)=
2:: a,n,cr).
0
On peut vrifier que les Il,(t) sont orthogonaux et donc les"' sont donns par:
l JT/2 T "' = x(t)dt = -. T -T/2 4
On constate que
k
est la valeur moyenne de x(t) sur une priode.
Chapitre 2
Reprsentations nergtiques et symboliques d'un signal dterministe
2.1
REPRSENTATIONS NERGTIQUES
Si X(v) est la T.F de x(t), la fonction IX(v)l 2 est appele spectre ou bien densit spectrale (d'nergie ou de puissance) de x(t). Si le support de IX(v)l 2 est rduit un ensemble discret de frquences, on dit qu'on a un spectre de raies. Le spectre d'un signal priodique x(t) est donc un spectre de raies particuliers o les raies sont quidistantes et o leurs amplitudes sont les coefficients de Fourier associs x(t). Nous allons donner quelques prcisions sur ces dfinitions et pour plus de dtails, on peut consulter les rfrences suivantes [14] [15].
2. 1.1 Corrlation et densit spectrale

L'intercorrlation de deux signaux temps continu est dfinie par l'une des deux expressions suivantes selon que l'on considre des signaux d'nergie finie ou infinie. Dans ce dernier cas, on se limitera aux signaux de puissance finie en insistant sur les signaux priodiques qui sont videmment d'nergie infinie.
Signaux d'nergie finie
lxy(r)~
i:
x(t)y*(t- r) dt
(2.1)
48
2 Reprsentations nergtiques et symboliques d'un signal dterministe
Signaux de puissance finie et signaux priodiques
J'n(T) --
1 ~ T~oo2T lim - -JT x(t)y*(t- T)dt -T
(2.2)
Dans le cas des signaux temps discret, les dfinitions s'crivent:

00
l'xy(k) ~ Lx(n)y*(n- k)
-00
N~oo
lim
1
2N
(2.3)
+ 1 -N
Lx(n)y*(n- k).
Il existe un lien troit entre le produit scalaire et les deux lois internes qui dfinisse!lt1e produit de convolution et l'intercorrlation. Ces deux lois internes dfinis----- ----- ---------,- ..... ____ ,----------------.,--.------.---.-----------.-- ---sent des applications deL- xL- dans L-et on peut vrifieitacilement les identits suivantes :
_,_
-.-
l'xy(T) = [x(t)
* y(-t)*](T) =< x(t),y(t- T)
>.
(2.4)
La T.F de la fonction d'intercorrlation de deux signaux est appele densit interspectrale de ces signaux. Dans le cas de signaux d'nergies finies, on obtient la densit d'nergie et dans le cas de signaux de puissances finies, on obtient la densit de puissance. Dans le cas o l'on considre un seul signal, i.e. x = y, on utilise la dnomination auto la place d' inter pour toutes les grandeurs introduites ci-dessus. On supprime souvent le prfixe auto et on ne garde qu'un seul indice: par exemple l'xx est appele autocorrlation ou corrlation et on l'crit simplement l'xSi x (t) est un signal d'nergie finie, 1' expression de cette nergie est donne par :
(2.5)
2.1
Reprsentations nergtiques
49
Exemple 2.1.1 DSP d'un signal tronqu ou priodis

On considre le signal observ y(t) de l'exemple 1.2.11. La T.F de y(t) est donne par (1.28). Soit z(t) le signal priodique gal y(t) sur [- T /2, T /2]. Le calcul de la Densit Spectrale de Puissance (DSP) de z(t) donne: r,(v)
= A2 Tsinc(7rT(v .f"Il) 2 + B 2 TeN>'sinc(7TT(v- Jz)f.
La figure (2.1) montre que la DSP du signal priodis est plus adapte que celle du signal prolong par des zros pour sparer les frquences contenues dans le signal considr.
_ ~-:;:o::s::p~,s::':=o:;:na:::'.::".::on:;:q:::u.::_~ 0 4
0.35
DSP Signal prlodls 0.45

0.4
0.3
0.25
0.35
0.3
0.25
0.2 0.2
0.15 0.15
0.1
0.1
0.05
.A
0
\1\
5
10
Figure 2.1
DSP: signal prolong par des zros et signal priodis.
Exemple 2.1.2 La corrlation d'tm rectangle est wz triangle

~
& o
'i
0
La fonction rectangle x(t) = 7r(y) a pour T.F la fonction IT(v) ~ Tsinc(Tv), pour fonction d' autocorrlation la fentre triangulaire. symtrique de support [- T, T] 'Yx(T) = sup (O,T -lrl) et pour densit spectrale de puissance: IP,(v)l 2 = T 2 sinc(vt) 2
-~
"
-g_ Exemple 2.1.3 Orthogonalit des signaux sinusodaux
g
Considrons les deux signaux sinusodaux dfinis par :
x(t) =a cos(27Tvt
+ IJ),
y(t) = bcos(2m/t
+ <p).
(2.8)
50
La fonction d'intercorrlation de ces signaux est donne par:

'"hy(T) =
-
T-+oo 2T
lim ab
ab
= lim
T-+oo
T-+oo4T
+ lim ab =0 si
4T
1T cos(2rrvt + 1T cos[27r(v+ 1T cos[27r(v-T -T -T
8)
cos(2rrv'(l- r) + <p)dt
_
v')t-
211v'r+ e+ <p]dt
V)t
+ 211VT+ g- <p]dt
v=f
v'
SI
ab
cos(27rvr+ e - <p)
v=
v'
C~rsultat montre que deuifiequencespufes diffrentes sont orthogonales au sens du produit scalaire dfini par la fonction d 'intercorrelation.
2.1.2
Filtrage et formule des interfrences
Exemple 2.1.4 Translation du spectre par modulation

On considre le filtre temps continu de rponse impulsionnelle h (t) = I1 ( r-;;A) o A est un rel positif donn. On suppose que l'entre du filtre est le signal x(t) = sinc(Bt). Le module de la rponse en frquence G(v) du filtre est IG(v)l 2 = A2 sinc(2Av) 2 . La densit spectrale de la sortie y(t) de ce filtre est fy(v) = IG(v)erx(v) = ;~sinc(2Av) 2 I1(~). On suppose B =100Hz et on veut transmettre le signal y(t) ainsi obtenu dans un canal qui ne laisse passer que les frquences comprises dans l'intervalle [1000Hz, 1300Hz]. Un traitement pralable devient ncessaire et il consiste moduler le signal pour ramener son spectre dans la bande [1000Hz, 1300Hz].
2.1
Reprsentations nergtiques
51
Exemple 2.1.5 Corrlation de la sortie d'un drivateur

On considre un filtre dont la sortie y(t) est gale la drive x'(t) de l'entre x(t) (filtre drivateur). Utilisant la formule des interfrences dans le domaine spectral, on obtient rv(v) = IY(v)l 2 = IG(v) X(v)l 2 = IJ2rrvj 2 r .. (v). Les proprits de la T.F conduisent immdiatement : /y(r) = -f.;(r).
2.1.3 Filtrage, exemple du filtre adapt

Le filtrage est un traitement qui consiste extraire une information <<utile>> d'un signal composite. Par exemple, sur une chane strophonique, on trouve gnralement un amplificateur-galiseur comportant plusieurs filtres rglables par l'utilisateur. Ainsi, on peut actionner ces filtres pour supprimer les basses frquences pour n'entendre que les violons. L'atmosphre joue le rle d'un f1ltre pour les signaux Infra Rouge (IR). La fonction de transfert d'un tel filtre dpend des conditions climatiques et on a affaire un systme qui est un filtre sur des dures d'observation limites. L'attnuation que ce systme apporte dpend des longueurs d'onde des signaux qui traversent l'atmosphre. On peut citer un grand nombre d'autres exemples tels que les milieux marins, les cables de transmission, etc. Gnralement, on distingue les filtres passe bas, passe bande et passe haut. On introduit alors la largeur de bande d'un tiltre qui est la bande frquentielle -3dB, i.e., le support frquentiel de la rponse en frquence dtini par : {v telles que
' 1Hmax(v)J H (v)l- :;., 2
On introduit aussi le temps de mont d'un filtre. Ce nombre permet de caractriser l'inertie du filtre, il est reli directement la rponse implulsionnelle et il est pratiquement inversement proportionnel la bande frquentielle. D'une manire gnrale, les caractristiques d'un filtre sont dfinies par l'application envisage. titre d'exemple, on va dvelopper ci-dessous les proprits d'un filtre particulier. Filtre adapt Considrons un filtre dont le gain complexe est H(v). Les sorties y,(t) et y,.(t) associes respectivement aux entres s(t) et n(t) sont donnes par:
y,(t) y,.(t)
l = l
=
+oo
-oo
H(v)S(t/)ej "'' dv
2 1
+oo 2 1 -oo H(v)N(v)ej "" dv.
"
~
Supposons que s(t) et n(t) dsignent respectivement un signal utile et un bruit nuisible. Un filtre adapt au couple [s(t),n(t)] est un tiltre qui maximise le rapport
52
appel rapport signal bruit (SNR) dfini par:

a(t)=
Ll
y,(t) +oo ,dt. J_oo 1y,(t) 11 1
On obtient en utilisant les expressions dans le domaine frquentiel :

2 1Ys (tl 1 =1
+oo
-oo
H(v)S(v)ei ""'dv
2 1
et
/_: 1
y,(t)
dt
l,
H(v)N(v)H(j)*N(fl*ei 2"(v-J)rdvdfdt
:.roo ....._ "TOO" ______________________ "---- ......--........... _
= /_
00
/_oo
H(v)N(v)H(f)* N(j)*8(v- f)dvdf N(v)
-oo
+oo
' 1H(v) 1-1
' dv. 1-
Finalement, l'expression de a(t) peut se mettre sous la forme d'un rapport de deux produits scalaires :
a(t)
r""
-oo
H(v)S(v)dv
J~:
2 1N(v) 1H(v) 1
2 1 2 dv 1
1< A(v),B(v) >1 2 < A(v),A(v) >
o l'on a pos:
A(v)
~ H(v)N(v), B(v)~ S(v)* e-1 2""1

N(v)*
On a donc d'aprs l'ingalit de Schwarz:

a(t),:; < B(v),B(v) >.
Comme < B(v), B(v) > est indpendant du filtre cherch, l'ingalit de Schwarz montre que, pour t fix, le maximum du rapport a(t) est atteint pour le filtre H tel que A et B soient proportionnels. D'o :
H(v) =
1
S(v)* N(v) 12
e-JZ-rrvr
(2.11)
Dans le cas particulier important o N (v)~eJ1>(v), on obtient :

H(v)
= >.S(v)*e-1 2"'4 ,
h(IJ)
= s(t -IJ)
(2.12)
2.2 Reprsentations symboliques
53
et
y((})
= ,\i,.Jt- (}).
(2.13)
Dans ce cas particulier, le flltre adapt au signal s(t) a donc pour rponse impulsionnelle le signal s(t) retourn et dcal de t. Ce dcalage signifie qu'il faut attendre pendant une dure t aprs l'apparition du signal pour le dtecter.
2.2
REPRSENTATIONS SYMBOLIQUES
La modlisation d'un signal peut se faire de plusieurs manires. Soit E un ensemble de signaux et 0 un oprateur inversible de E sur son image O(E). Si x est un signal de E et y= O[x] son image par 0, nous dirons que y est aussi une reprsentation du signal x. D'une manire gnrale, l'oprateur 0 est choisi de faon ce que les oprations classiques (somme, produit, convolution ... ) sur les signaux de dpart, x, se transforment en oprations simples sur les signaux images, y. Nous allons prsenter dans cette section deux oprateurs classiques connus sous les dnominations transforme de Laplace et transforme en Z.
2.2.1
Transforme de Laplace d'un signal temps continu
toute fonction x(t) de la variable relle t, on peut associer la fonction de la variable complexe s, dfinie par
.C[X] ~X (S) et
B(oi,2)
~ 1Q
-oo
e-SIX(f)df
Jo
r"
e-.\IX(t)df
(2.14)
= " [s
tel que
fTJ
< Re(s) <
2 )
(2.15)
E
~
-li
ou B(t,2) est la bande de convergence de l'intgrale (2.14), i.e., fTI (resp. 2 ) est le plus petit (resp. le plus grand) rel pour lequel la premire (resp. deuxime) intgrale converge absolument pour touts vrifiant Re(s) > 1 (resp. Re(s) < 2 ).
l
a
3 ,
54
Lorsque o-1 < u 2 , le couple ,C[x(t)],B(o- 1 ,o-2) associ un signal continu x(t) est appel transforme de Laplace (T.L) du signal x(t). Plus gnralement, tant donne une fonction X(s), une fonction x(t) et une bande B(u 1,u2) telles que l'intgrale f'" x(t)e--" converge absolument vers X(s) et que B(<TJ,Uz) soit sa bande 00 deconvefgerice. Alots;lecouple [X(s);-B(ui, u2l} est la-TL de x(t). On peut tendre la dfinition de la T.L au cas des signaux d'nergie infinie en introduisant une reprsentation de ces signaux par des fonctions gnralises appeles distributions. Si d(t) est une distribution tempre, dfinie sur l'ensemble des fonctions dcroissance rapide S, on dfinit sa T.L par :
< C[d],x(t) > = < d,C[x] >V x(t) ES
/),.
(2.17)
La transforme X(p) d'un signal x(t) est appele reprsentation symbolique de ce signal.
Exemple 2.2.1 Bande de convergence d'w signal causal

Comme un signal causal est modlisable par une fonction x (t) nulle pour t < 0 ou par une distribution dont le support est contenu dans la demi-droite t ~ 0, la bande de convergence d'une T.L associe un signal causal est forcment du type B(u,co).
2.2.2 Proprits de la transforme de laplace

Un problme important dans la pratique consiste dterminer les fonctions h(t) admettant comme T.L une fonction donne H (s). On se limite au cas des fractions rationnelles. Soient o- 1 < o-2 < ... < u p les parties relles des diffrents ples de la fraction H(s). Dans chacune des p+ 1 bandes B(-co,o- 1), B(uJ,UJ), ... , B(up, co), H(s) admet un dveloppement en srie de Laurent unique qui dfinit H (s) en tout point de cette bande. On peut donc associer H (s) p + 1 fonctions diffrentes x 1(t) admettant H (s) comme T.L sur
B(u;-J,<T;),i
l, ... ,p+
l,uo~
-co,up+i
~co.
Si l'on veut associer H(s) une fonction unique, il faudra prciser la bande sur laquelle on se limite pour la dfinition de H (s) . Ainsi chaque couple [ H (s), B(u;_ 1 ,u1)) est la T.L d'une fonction unique x;(t) admettant H(s) comme T.L sur la bande B(u1_ ~ou;) dfinie par deux ples conscutifs de H (s).
55
L'oprateur L. vrifie les proprits suivantes.

Linarit
L.[ax(t)
Proprit de dcalage
+ ;'ly(t)] = aL.[x(t)] + j)L.[y(t)],
Bx
n By
(2.18)
L.[x(t- T)] = e-srL.[x(t)],

Changement d'chelle Pour tout a > 0, on a
Bx
(2.19)
1 s L.[x(at)] =-X(-),
B(aat,aaz)
(2.20)
Conservation du produit scalaire
l
Drivation
+oo x(t)y(t)*dt -oo
1 =--:;:;J-1C
1
B
X(s)Y(-s)ds
(2.21)
Produit de convolution
L.[x(t)
* y(t)] = X(s).Y(s),
L.[x'(t)]
Bx
n By
(2.22)
= sX(s),
1
Bx
(2.23)
Intgration
L.[ oo x(u)du] = ~X(s),

~
1
=
Bx
n (O,oo)
(2.24)
-o
.~
Valeurs initiale et finale Pour les signaux causaux qui n'ont pas de singularits en 0, on a:
t--+0+
lim x(t)
lim sX(s)
S--+00
et
lim x(t)
1--+00
C a
;
0
= s--+0 lim sX(s)
(2.25)
a a a
Fonction porte et fonction sinus cardinal Pour la fonction rectangle O(t), on a:
L.[O(t/2)]
0
= 2-, s
sh(s)
B(-oo,oo)
(2.26)
1 dcrot lentement l'infini. Il en est de mme pour un signal constant. La distribu~
"
o sh dsigne le sinus hyperbolique. La fonction sine n'admet pas de T.L car elle tion de Dirac admet comme T.L la fonction 1.
56
Signaux exponentiels pondrs Des signaux priodiques (comme cos wt, eiwt . . )
n'ont pas de T.L. Par contre, pour les signaux tkea' o a est un nombre arbitraire, on a:
.C[U(t)tke"'] =
k!
(s- a)k+I
B[Re(a),co]
(2.27)
.C[U ( -t)tkea'] =
-k!
(s- a)k+I
B[ -co,Re(a)]
(2.28)
Signal de Heaviside On peut vrifier que
.. :: . :1 .C[U(t)] = -,
B(O,co).
(2.29)
2.2.3 Transforme en Z d'un signal temps discret toute suite (x,) on peut associer la srie dfinie par
Z[x,] ~X(z) ~ Lx,z-"

-00
-l
+ Lx,z-" ~ Z_[x,] + Z+[x,]

0
+oo
(2.30)
et
A(rt,rz)={z
"
telque
rt<lzl<rz}
(2.31)
o A(r 1,r2 ) est l'anneau de convergence de la srie de Laurent dfinie par (2.30), i.e., r 1 (resp. rz) est le plus petit (resp. le plus grand) rel positif pour lequel la premire (resp. deuxime) srie converge absolument pour tout z vrifiant 1z 1> r1 (Resp. 1z 1< r2 ). On a les trois situations possibles suivantes:
1. Si r1 > r 2 , la srie (2.30) ne converge en aucun point du plan complexe. 2. Si r 1 = r2 , la srie peut converger ou diverger pour les z vrifiant 1z 1= I"J. 3. Si I"J < r 2 , alors cette srie est absolument convergente dans l'anneau A(rt ,rz) sur lequel elle dfinit une fonction holomorphe et elle diverge en tout point situ strictement l'extrieur de A (rt, rz). Dans ce cas, la suite originale (x,) se calcule partir de son image X(z) l'aide de la relation suivante:
l x,=-.-
J27f c+
1 -
_n-I d~ X(.J,
(2.32)
o c+ dsigne un cercle orient dans le sens positif et situ dans l'anneau de convergence.
57
Le dveloppement de la fonction X (z) en srie est donn par:

00
'""' -k . X(z) = Lxkz

-oo
(2.33)
Comme cette srie est uniformment convergente sur l'anneau de convergence, on peut intgrer terme terme la fonction X (z)z"- 1 On obtient: (2.34) Tenant compte du rsultat classique suivant (lemme de Cauchy)
1
c+
z 111 dz
= j27r pour m
= -1
et 0 sinon
(2.35)
on obtient
x(k)
=-
J27 c+
-1
zk-I X(z)dz.
(2.36)
Lorsque TJ > r2, le couple Z[x,],ACrt ,r2) associ un signal discret (xk) est appel transforme en Z (notation T.Z) de ce signal. Inversement, tant donne une fonction X (z) dveloppable en srie de Laurent sur une couronne maximale A (rl ,r2) et soit (x,) la suite apparaissant dans son dveloppement. Alors, le couple {X (z), A (ri ,r2)] est appel T.Z de la suite (x,). La transforme en z, [X (z),A (r 1 ,r2 )] d'un signal discret (x,) est appele reprsentation symbolique de ce signal.
Exemple 2.2.2 Auneau de convergence d'un signal causal

" ~ Comme un signal causal discret est modlisable par une suite (x,) nulle pour n <no (par changement d'indice, on peut se ramener no= 0), l'anneau de convergence de la T.Z d'une suite discrte causale est de la forme A(r,oo) et rci~ 1: proquement. titre d'exemple, la T.Z de l'chelon unit temps discret: llk = 1 ~ , pour k ~ 0 et 0 pour k < 0 est donne par : " 00 1 g U(z)=Lz-k= _ A(l,+oo).
~
E
0
k=O
1-
.(.
t
0
2.2.4 Proprits de la transforme en Z

X (z) donne comme T.Z. Commenons par l'exemple suivant qui montre que deux
li g Un problme important consiste dterminer les suites admettant une fonction

~
58
signaux diffrents (x,.) et (y.,) peuvent avoir la mme image X(z) = Y(z) mais dans ce cas, les sries associes ont forcment des rgions de convergence diffrentes.
Exemple 2.2.3 Importance de l'anneau de convergence

Pour laC 11 < 1, on a X(z)
Le signal
Xk
z 1 =- = ---.,. = '\' akz-k. z- a 1 -az-1 ~

0
00
= ak
pour k ? 0
et
xk
=0
pour k < 0
a donc pour T.Z la fonction X(z) On vrifie que le signal

Yk
--,A(Ial,+oo) z-a
= -ak-l
pour k ,:;; 0 et
Yk
=0
pour k > 0
a pour T.Z la fonction

Y(z)
z = --,A(-oo,lal).
z-a
Les T.Z des signaux ainsi dfinis ne diffrent donc que par leurs anneaux de convergence. La donne d'une fonction X (z) ne permet pas de dterminer une suite unique (x.,) telle que Z[x.,] = X(z). Cependant la donne du couple X(z), A(p 1,p0 ) o A(p 1,p0 ) est un anneau sur lequel X(z) est dveloppable en srie de Laurent, permet de trouver un seul signal (xn) admettant X(z), A(P~oPol comme Z. Il existe plusieurs mthodes pour calculer la suite (x,.). On peut, par exemple, dvelopper en srie la fonction X (z) sur l'anneau de convergence associ et dduire la suite (xn) en vertu de J'unicit de ce dveloppement. On peut aussi calculer l'intgrale (2.32) en utilisant Je thorme des rsidus qui donne Je rsultat sous la forme suivante. un cercle arbitraire situ dans 1' anneau de convergence de X (z) et orient dans le sens positif, alors on a :
Xk
Inversibilit de la T.Z Si l'on dsigne par
c+
L
pjec+
Res[zk-I X (z)]p,
pour k ;;, 0
(2.37)
o la somme porte sur l'ensemble des ples p; situs l'intrieur de
c+.
59
Pour k < 0, l'origine peut devenir un ple pour zk-l X (z). Moyennant des conditions gnrales de dcroissance de lzk X(z)l lorsque lzl tend vers l'infini, on peut utiliser le thorme des rsidus pour les domaines infinis qui tient compte du ple l'infini. Pour le calcul des rsidus, on peut utiliser par exemple les formules suivantes. Cas d'un ple simple z =a :
Res~~ lim (z- a)zk-! X(z).

:~1
(2.38)
Cas o
z = a est un ple d'ordre

Res%~ lim
:~a
q:
1
dq-l
1
(q- 1)! dz'l
[(z- a)l- 1 X(z)].
(2.39)
Exemple 2.2.4 Calcul de la T.Z par la mthode des rsidus
Le signal
Xk
associ la T.Z :
X (z)
= .,----.,. 1
1- z
A(l,oo)
est donn par :

xk
= --. 271"1 c 1 - z
zk-1
1
dz = -.--dz. 1 27r c z - 1
zk
o C est un cercle de rayon suprieur 1. Pour k ;, 0, on a un ple simple donc:

_k
Xk
z = 1 et
Resf
= z-+1 lim(z- 1)-'"- = 1. z-1

z = 0 un ple d'ordre k. Les rsidus en ces
_k
Pour k < 0, z = 1 est un ple simple et points sont donns par :
Res/ = lim(z- !)-'"- = 1

z--+ 1
z-
Res&
= -:::---::-:-:
dk-1 -k+l 1 lim --.-1 [ -'"- ] (k- 1)! :~o dzk- z- 1
=-
1.
60
D'o
Xk
= Res +Res/ =O.
Un cas pratique trs important correspond aux fonctions X(z) qui sont des fractions rationnelles. Appelons dans ce cas r1 < r2 < ... < r, les modules des diffrents ples de X(z.). Dans chacun des Il+ 1 anneaux A(O,rJ), A(r1,r2), ... ,A(r,,oo), X (z) admet un dveloppement en srie de Laurent unique qui dtnit X (z) en tout point de cet anneau. Il existe donc u + l suites diffrentes x, admettant X (z) comme T.Z sur les u + l anneaux A(r;-J,r;), i = 1, ... ,u + 1, avec les conventions: ro ~ 0 et ru+i ~ oo. Chaque couple (X (z),A(r;- 1 ,r; )} est la T.Z d'une suite unique (x,) admettant X(z) comme T.Z sur l'anneau A(r1_ 1,r1) dfini par deux ples.conscutifs de X (z) .LorsqueJe domaine de z estpr~cis, l'oprateur T.Z est donc inversible. La mthode gnrale du calcul du signal original fait intervenir les trois tapes suivantes. -Dvelopper X (z) en lments simples. - Dterminer le dveloppement en srie de chacun des lments simples. -Additionner les diffrentes sries obtenues.
Exemple 2.2.5 Calcul de la T.Z d'une fraction rationnelle

Toute fraction rationnelle (2.40) s'crit d'une manire unique sous la forme :
X(z.)
P(z)
+ H(z.),
H(7) ~ N(z) D(z)
(2.41)
o N(z) est un plynome de degr infrieur 11 et P(z) est un polynme nul ou de degr m - 11. Le dveloppement en lments simples de X (z) est donn comme suit. 1. Si X (z) ne possde que des ples simples p 1, alors :
H(z)
=L
fi
i=I .:.-Pi
a: -_-'-
avec
a;
= (z-
p;)H(zll:=p,
2. Si X(z) admet un ple pc d'ordre q, alors:

avec
61
3. Il existe plusieurs ples multiples. On fera intervenir dans la somme un nombre de termes gal l'ordre de multiplicit pour chacun de ces ples comme indiqu dans le cas prcdent. Comme la T.L. la T.Z vrifie les principales proprits suivantes qui sont donnes sans dmonstration. Pour plus de dtails, on pourra consulter [15].
Linarit
Z[a(x,)
Proprit de dcalage
+ iJ(y,)] =
aZ[(x,)]
+ /JZ[(y,)],
Ax nAy
(2.42)
Z[(x,_k)] = Ck Z[(x,)]
(2.43)
Transforme du produit usuel
Z[(x,y,)]
l = -.-
.J2n c+
z) du X(u)Y(-
u u
(2.44)
= " X(z)*Y(z),
Produit de convolution
Ax nA,.
Z[(x,) *(y,)]= X(z).Y(z),
Ax nAy
(2.45)
Conservation du produit scalaire
*= z=x,y,
-oo
+oo
1
c+
J~7
di.. X(z)Y * (z -1 )-;:-
(2.46)
.:..
2.2.5 Spectres symboliques L'interspectre symbolique de deux signaux temps continu (resp. temps discret) est dfini par T.L (resp. T.Z) de la fonction d' intercorrlation des deux signaux. On .[ a donc :
~ 2
fxy(Z)
L
i=-00
00
lxy(i)z-i.
(2.47)
62
Si x(!) admet une T.L [X (s ). B(i ,<Tl)} et si l'on a <Ti < 0 < <r2, alors sa T.F existe et elle est donne par :
F[x(t)](v) = X(j27rv).
(2.48)
r1
Si un signal (x,) admet une T.Z [X(z), A(r1,r2)) et si l'on a transforme de Fourier de (x,) est donne par :
< 1 < rz, alors la
(2.49) Si l'axe des imaginaires appartient la bande de convergence du spectre symbolique T'xy(s), on a la relation suivante:
;yxy(v)
~ lxy(j27rv).
(2.50)
Si le cercle unit appartient l'anneau de convergence du spectre symbolique T'xy(z), on a la relation suivante:
( jhu) . fxy ( v ) Il ,-, 1 xy e
(2.51)
Par souci de simplification, on utilise souvent la mme notation T'x y pour dsigner 1' interspectre symbolique et 1' interspectre de puissance et ceci aussi bien pour le cas discret que pour le cas continu, les variables s, z, v permettent de prciser la fonction que l'on considre. Par exemple, on remplace souvent la notation ;yxy(v) par
lxy(v).
titre d'exemple, pour un signal rel temps discret, on a lx(k) =lx< -k) et donc la T.Z de lx(k) vrifie T'x(z) = T'x(C 1 ) et son domaine de convergence est donc de la forme: p < lzl < p- 1 avec p < 1.
2.1 lntercorrlation et nergie On considre un signal x(t) de T.F X (v) positives.

1. Dterminer x(t).
= An <:fa)
o A et B sont des constantes
2. Dterminer A pour que l'nergie de x (t) soit gale 1. On prendra cette valeur dans la suite.
3. On pose y(l) =x'(!). Calculer la T.F de y(t).
63
4. Calculer l'nergie de y(t).

5. Calculerla T.F de la fonction d' intercorrlation /yx (r) de x (t) et y (t). En dduire
'Yyx (0).
2.2
Corrlation et densits spectrales
1. Rappeler la dfinition de la fonction d'intercorrlation 'Yxy(T) de deux signaux

x(t) et y(t) temps continu, priodiques, de mme priode To et de puissance moyenne finie ?
2. Montrer que 'Yxy(T) est une fonction priodique du temps dont on prcisera la
priode.
3. Exprimer 'Yxy(T) en fonction des coefficients de Fourier respectifs X, et Y, de
x(t) et y(t).
4. Dmontrer que la fonction d'autocorrlation d'un signal sinusodal est aussi un signal sinusodal.
5. En distinguant le cas des signaux d'nergie finie et celui des signaux de puissance finie non nulle, donner l'expression de la densit spectrale.
2.3
Mesure du retard par l' intercorrlation
On considre les signaux temps continu dfinis par : (2.52)

1. Calculer les T.F X(v) et Y(v) de x(t) et y(t).
2. Calculer les densits spectrales de puissance fx(v) et fy(v).
3. Calculer la fonction d'intercorrlation 'Yxy(T).

4. Dterminer l'abcisse du maximum de 'Yxy ( T) et en dduire une mthode pour
mesurer le retard 11 -12 entre x(t) et y(t).
2.4
Filtre adapt
~~. _
{
., Ji11 r ofo dsigne une frquence posiOn considre le signal dterministe x(t) =el-" tive. On introduit le tltre linaire Fk de rponse impulsionnelle hk(t) dtnie par:
(2.53) o
Vk
est une frquence positive donne et
n (1)
la fonction porte de support [0,2T].
64
2 Reprsentations nergtiques et symboliques dlun signal dterministe
1. Dterminer la T.F Hk(v) de lzk(t). 2. Soit y(t) la sortie de Fk associe x(t). Donner l'expression de l'nergie de y(t) dfinie par
J(vk)
i:
2 ly(t)l dt.
3. On fait varier Vk, donner l'allure du graphe de J(uk) en fonction de vk.

4. On suppose que la frquence JO est inconnue et que Jo E [0, Vmax ]. On se propose de dterminer Jo en utilisant N filtres Fh k = 1, ... ,N. Expliquer comment l'examen des nergies des sorties de ces filtres permet d'approximer la frquence.f0 .
2.5
Sparation de frquences non bruites
On dsigne par TI (t) la fonction porte de support [-1/2, 1/2]. 1. On considre le signal dfini par :
s(t) = A 1ej2rrfrr
+ A2ejhhr
o /1 eth sont des frquences positives et A 1 et A 2 des constantes positives. On introduit le signal d'nergie finie suivant:
x(t)
= s(I)TI(
t- T/2 T )
o Test un rel positif. Calculer la densit spectrale fx(v) de x(t). 2. On fait passer x(t) dans un filtre dont la rponse en frquence est G(v) = TI( 2 ~,) et on dsigne par y(t) la sortie de ce filtre. A quelle frquence minimale/, doit-on chantillonner y(t) pour pouvoir le reconstituer sans erreur partir de ses chantillons ? 3. Calculer la fonction de corrlation l'x (t) de x (t). 4. Calculer la densit spectrale fx(v) de x(t). 5. Tracer le graphe de fx(v) pourf2 = 2/1 etAt= 2A2 6. Tracer le graphe de la densit spectrale fy(v). 7. On chantillonne y(t) la frquence/,= 2~ pour obtenir un signal y,. Tracer le graphe de la densit spectrale Sy(v) de y,.
65
B. On se place maintenant dans les hypothses suivantes : A1 >> A2 etf2 =ft+ 2~.. Tracer le graphe de rx(v). 9. L'examen de la densit spectrale permet-elle toujours de dtecter l'existence des frquences fi eth dans le signal x(t) ? 2.6 Rponse impulsionnelle et fonction de transfert
On considre le filtre temps discret F de rponse impulsionnelle

hk
(i/2)k
pour 0 ~ k ~ oo et hk
=0
ailleurs
On appelle q l'entre de F et Yk la sortie associe.

1. Que peut-on dire de la causalit et de la stabilit du lltre ainsi dfini?
2. Calculer la fonction de transfert du tltre F.
3. On fait passer le signal y, dans un filtre F 1 causal de fonction de transfert
H 1(z) = 1/ ( 1 - 4z) et on dsigne par sk la sortie de F1. Donner la relation qui existe entre les transformes enZ: E(::.) et S(z) des signaux (ek) et (sk). 4. Dterminer la rponse impulsionnelle du lltre stable qui associe ek le signal Sk.
2.7 Filtre non causal et non stable
1. On considre le filtre causal temps discret de fonction de transfert :
H(::.)
::.3
3- 2 - 13-- 38 .. o .. - 2::.- - llz + 12
Quelles sont les rgions de convergence possibles dans le plan complexe ? Calculer la rponse impulsionnelle h(n) qui correspond au systme qui n'est ni causal si anticausal. 2. On considre le filtre causal temps discret, dlni par la relation :
sk = ask-l
+ ek.
k = -oo, ... ,0, ... ,oo
o a est un rel vrilant a 2 < 1, q le signal d'entre et sk le signal de sortie.

i) Donner l'expression de la fonction de transfert H (z) de ce 11ltre.
ii) Dterminer la rponse impulsionnelle lzk du filtre causal dont la fonction de transfert est H (z).
iii) Dterminer la sortie .l'k lorsque 1'entre est dfinie par: eo
1 et ek
= 0 pour
=ft o.
66
SOLUTIONS
2.1 1. x(t) = A
j+B e 2 "jt't d11 = A~ [e 2 "jBt -B -"} 1
e-"l;rjBt] = 2A Bsinc(2.,Bt).
2. On a E, = 28 A 2 et donc il faut choisir A = 1/ ../2i. 3. La relation entre la T.F d'une fonction et celle de sa drive donne Y(11) = A21jiJ pour lvi ,:; B et 0 sinon.
5. fyx(v) = A2 2rrjv pour lvi,:; B et 0 sinon. D'o 'Yyx(O) =O.
2.2 1. Voir le cours. 2. Partant de la dfinition de la fonction d'intercorrlation de deux signaux priodiques, on obtient:
. -1 /',.(r+ To) = hm . 7'---oo 2T
1T
-T
x(t)v'(t.
T-
To)dt
1 = lim - N-oo 2NTo

puisque les signaux sont de priode 1{1
1NT,, x(t)y'(t- r)dt = 'Y.n(r)

-NTo
3. Remplaant x(t) et y(t) par leurs sries de Fourier, on obtient:

l . lxi' () T = 1 tm - N--..oo
2NTo
1
1
t
NT0 oo
-NTi.J _ 00
" X ke ;2 .. yt ""'Y* -;1;ry(t-nd ~ o ~ 11 e o t

_ 00
. _ k
oo
~~x Y* j1r.f.-T 1. ~~ k e o 1m
-oo -oo
00
--
JNTi.) -NTo
- j2r.kr!t td o t
N_,..oo 1N1h
- "x Y*
~
-00
k ke j2r.yT o
4. La fonction d'autocorrlation d'un signal sinusodal acos(2;rvt) est donne par: /',(r) = lim . 1'--"-oo 2T
T-.-oo
a21T cos(2rrvl)cos(2rriJ(ta' = lim - 1T [cos(27rv(21- r)) + cos(2rrvr)]dt 2 2T

-T
r))dt
-T
67
s. Dans le cas des signaux d'nergie finie, la conservation du produit scalaire par la T.F permet d'crire :
La densit interspectrale d'nergie est donc donne par (2.6). Dans le cas des signaux de puissance finie non nulle, on a :
'in Cv)= Fbn(T)] =

F[ lim -
= F[ lim - 1
T _,.oo
2T _00
T-+oo
j 2T
1 -
.,.
-T
x(t)y(t- T)*dt]
00
xr(l)y.,.(l- T)*dt]
1 * . 1 -... . ._, * = Thm -F[x.,.(t) * Vr(-t)] = hm -xr(v)y.,.(v) _,.oo 2T " T_,_oo 2T
o xr et Yr sont dfinis par la relation (2. 7).
2.3 1. On a
et 2. Les densits spectrales sont gales aux carrs des modules de X(v) et Y(u). D'o:
3. La fonction d'intercorrlation f'x_vCT) est gale la T.F inverse de la densit interspectrale r.q (T). Soit : A 1 A, v v .,_ !'.n(T) =F- 1[X(v)Y(v)'](T) = ---TI(-)TI(-)el-""17 -t,+to 1dv
"'
'0
.-:::!
= ~sinc[B(T+ t2
A1A'
B,Bz
81
Bz
t1ll
o B dsigne le plus petit des deux nombres B 1 et 8 2 4. L'abscisse du maximum de l'xy(T) correspond ler cette abscisse pour dterminer le retard T= t 1 [
T- t 1 + t 2
t2
=O. Il suffit donc de calcuentre x(t) et y(t).
~
c
Q
2.6 1. Le filtre est causal car sa rponse impulsionnelle vrifie hk = 0 pour k <O. Il est stable car L~oo lhkl < oo. 2. La fonction de transfert est donne par
oo 2z H(z) = "h,z-' = -:--:::-:--,. = -1 L.. 1 - (2:) 2z - 1 -oo
'.
j ,;
68
3. On a Y(z.) HI (z) = S(z) el y(z) = H (z)E(:.). Donc S(z) = H(z) HI(:.) E(:.). La fonction de transfert du nouveau f1ltre est gale au produit des deux fonctions de transfert. On a donc
1 2z Ho(z) = - - - - . 1- 4z 2z- 1
4. Pour dterminer la rponse impulsionnelle du filtre stable qui associe ek le signal dveloppe chacun des termes de
Ho(z) = - -
sk.
on
-1
1- 4z
+1- 2z
pour k > 0 et hk
dans le domaine lzl > 1/2. On obtient: hk k ~O.
= -2-k +4-k
=0
pour
Chapitre 3
chantillonnage et modulation d'un signal dterministe
3.1
3.1.1
SIGNAL CHANTILLONN ET SIGNAL NUMRIQUE

Condition de Shannon-Nyquist
Nous allons prsenter succinctement quelques rsultats sur !"chantillonnage et la quantification d'un signal. Pour plus de dtails, on peut consulter les rfrences suivantes [1] [10] [12] [17]. En communications numriques, on transmet une suite de symboles appartenant un certain alphabet, gnralement binaire : [0, 11. Pour transmettre un signal x(t) analogique, on commence par l'chantillonner avec un certain pas T, on forme donc la suite numrique x (Il T), Il E Z. On quantifie ensuite chaque chantillon x(nT) en le remplaant par un nombre appartenant un alphabet bien dtermin et on code ce nombre !"aide d'une suite de p symboles choisis dans [0, 11. Parmi les problmes fondamentaux, on peut chercher savoir dans quelle mesure la suite x(nT), Il E Z, peut-elle reprsenter de manire satisfaisante le signal x(t). Pour rpondre cette question, associons un signal analogique x (t) le signal dfini par:
XT(t)
~ L:x(nT)6(t -nT)
-oo
+oo
(3.1)
appel signal chantillonn associ x(t). Le lien qui existe entre les T.F d'un signal x(t) et son signal chantillonn XT(f) est prcis dans la proposition suivante.
70
3 chantillonnage et modulation d'un signal dterministe
Thorme d'chantillonnage La T.F X(v) d'un signal x(t) et celle XT(v) de son
signal chantillonn sont relies par :

+oo XT(v) = .f~ l:,X(v-nfe),
-00
t; 1 fe= T.
(3.2)
La fonction Xr(v) est de
priode./~
et on a les deux situations suivantes.
!. Si X (v) est support born, i.e., il existe .f;,in et .ftnux telles que X (v) = 0 pour l/ r/c Umin..fmuxl. alors, pour que X(v) puisse tre dtermin sans erreur partir de X T (v), il suffit de choisir :
.f~
;;,1 .fmux- !min 1 (Condition de Shannon-Nyquist).
2. Si lespectre X(r/) n'est pas support born, quelleque soit la valeur de T, la connaissance de X T (v) ne penn et pasdedtefiriineisans errr X (r/). En gnral, on a 1X (v) 1 = 1X ( -r/) 1- Dans ce cas, fm in = - f max et il suffit donc de prendre.f,;;, 2.fmax
3.1.2 Formule d'chantillonnage

Un signal x(t) est dit bande limite [- B, B] s'il admet la reprsentation suivante :
x(l)
l+B
-B
u(v)ei 2"''1dv
(3.3)
o u(v) est une fonction de L 1(-B,B). Si la fonction x(t) appartient L 1 (-oo,oo), alors sa T.F est donne par
X(v)
= u(v)
'lv E]- B,B[
et
X(v)
=0
ailleurs
titre d'exemple, sinc(2BI) est un signal BL [-B,B] et e-a'r' n'est pas BL. Dans la pratique, on associe un signal rel quelconque, une dure moyenne T,,. et une largeur de bande Bs dfinies par :
T'
7
t;
}~ -? lx(r)l 2 dr 00
2 }~ 00 lx(rll dr
et
2 7 t; f~oo V IX(v)l dv B- = ::....,=----,.-2 ' f~ 00 IX(v)l dv
Un signal BL x(l) peut tre dfini sur le corps des nombres complexes IC en remplaant tout simplement la variable t relle par la variable complexez. On obtient alors la fonction x(z) qui est une fonction analytique sur le corps IC et qui vrifie:
1 x(z) 1,; Ae 1'1, Vz E IC
avec
i:B
1 u(v) 1dv < oo.
3.1
Signal chantillonn et signal numrique
71
Exemple 3.1.1 Signal bande limite On peut tablir que tout signal BL [-B + fo.B +foLio > B, peut se mettre sous la forme: x(t) = m(t)cos(27r:f0 t) -n(t)sin(27rfot)
o m(t) et n(t) sont deux signaux BL [-B,B], appels composantes en quadrature du signal x(t). L'expression ci-dessus de x(t) peut se reprsenter par un diagramme appel diagramme des phases. Tenant compte de la symtrie du spectre d'un signal rel, il est possible de dcrire un signal rel de bande [- B, B] en utilisant seulement la moiti de la bande. L'autre moiti pourra tre utilise par un autre signal. Cette dmarche permet, par exemple, de transmettre simultanment deux signaux rels de bande [- B, B] chacun dans un mme canal de largeur de bande 2B. Il existe plusieurs manires de raliser cette opration, par exemple, la mthode dite de multiplexage en quadrature (MAQ) consiste associer aux signaux u(t) et v(t) de bande [-B,B], transmettre simultanment, le signal unique :
x(t) = u(t)cos(2rrj0 t)- v(t)sin(2rrfot).
Une mthode, dite dtection synchrone, permet de retrouver les deux signaux u (t) et v(t). Considrons l'ensemble L 2 (IR;) des signaux d'nergie finie. Cet ensemble contient le signal sinc(2Bt) ainsi que tous les signaux obtenus par des translations de pas t, = l/2B:
. 28 On a vu que le spectre de tout signal bande limite [- B, B] peut tre reconstitu sans erreur partir de celui du signal chantillonn associ condition d'chantillonner une frquence fe ,:; 2B. On peut noncer la formule d'interpolation exacte suivante.
rr,(t)=sinc[2B(t-t,)],
t, =
Il
72
La dmonstration de cette fonnule repose sur le fait que la T.F du peigne de Dirac
PT(t)
L 6(t- mT)
-00
+oo
de priode T = 1/28 est gale au peigne de Dirac de priode 28 dlnie par:
P2n (v) = 2B
L 8(v- m28)
-00
+oo
En effet, le signal tant bande limite [- B, 8], on a
L'application de la T.F (thorme de Borel) conduit

x(t)
[x(t)PT(t)]
* sinc(2Bt).
Le dveloppement de la convolution donne (3.4). La formule d'chantillonnage est indpendante de l'instant initial, i.e., on peut remplacer tous les instants n/28 par les instants nj2B + T o Test un paramtre fix. On a donc la formule :
x(t)
=L
+oo
-00
Il
/l.
x(T+ - ) sinc[28(t- T- -)].
2B
2B
(3.5)
Comme tout signal BL [-8',B'] est aussi BL [B,B] si 8',; B, la formule d'chantillonnage donne par (3.4) est aussi valable pour tous les signaux d'nergie finie BL [-8',8']. La fonnule d'chantillonnage ne doit pas tre tendue sans prcautions aux cas des signaux d'nergie infinie. Il suffit de prendre x(t) = sin(271j0). On obtient: B = .fo et x(n/2B) = 0 pour tout n E Z.
3.1.3 Filtre antirepliement

Un signal d'nergie finie peut tre reprsent comme le produit d'un signal de puissance moyenne lnie non nulle par une fonction de pondration du type rectangle de
3.1
Signal chantillonn et signal numrique
73
support tni T. Le spectre d'un tel signal est donc reprsent par le produit de convolution de deux termes dont l'un est support infini. Mme si un signal de puissance moyenne finie est BL, on obtient un produit de convolution qui a un support infini. Ainsi un signal physiquement ralisable ne peut jamais tre BL. L'chantillonnage d'un signal physiquement ralisable entrane donc toujours un recouvrement spectral qui exclut toute possibilit de reconstitution parfaite. Cependant, comme le spectre d'un signal d'nergie finie vrite
(3.6)
il tend vers zro lorsque la frquence v tend vers l'infinie. Il est donc possible de choisir une frquence d'chantillonnage qui garantit une reconstitution acceptable des signaux d'nergie lnie. Plus X (v) dcrot lentement vers zro, plus la frquence d'chantillonnage doit tre grande. On peut alors utiliser un filtre, appel filtre antirepliement, pour ne pas avoir recours une frquence d'chantillonnage abusivement grande. On procde un pr-filtrage adquat du signal analogique avant de l'chantillonner. Pour un signal y(t) dont la T.F Y(IJ) vrifie Y(IJ) = 0 pour IJ < 300 Hz et v > 500 Hz, la frquence minimale d'chantillonnage est, a priori, .f~ = 1000 Hz. Mais on peut translater le spectre de ce signal l'aide d'un traitement pralable pour diminuer.f,. Gnralement, le spectre du signal est perturb par une composante large bande due la prsence de bruits de fond additionnels causs par les mesures. Le filtre antirepliement serait donc un filtre passe-bas idal de bande B = .f~/2. Mais un tel filtre n'est pas ralisable car il est non causal. Pour tre ralisable, tout filtre doit comporter forcment une bande de transition qui reporte la bande passante limite Bm au-del de la bande passante effective B. La frquence d' chantillonnage.fc.min doit donc vrifier.fc,min = 2Bm > 28. La largeur de bande de transition dpend du type de filtre utilis et du critre choisi pour fixer Bm. Par exemple, le choix d'un filtre du type Butterworth (voir plus loin) de degr 11 maintient dans la bande passante une rponse plate optimale avec une attnuation de -3 dB pour IJ = .fe et une pente asymptotique ~ c d'attnuation de -2011 dB par dcade (-611 dB par octave) pour IJ >.fe, 11 EN. Le 0 0 cas 11 = 1 correspond au circuit RC. 0
~
0 ,
0
~
'.
3.1.4 Quantification d'un signal : numrisation

Considrons un chantillon x(kT,) d'un signal chantillonn. priori sa valeur est dfinie par un rel quelconque ou par deux rels s'il est complexe. Dans la pratique, on veut associer x(kT,) suppos rel un nombre bien dtni 11q o n est un entier
.3
-ci c
0 0
0 g
74
choisi dans un ensemble donn et q un rel fix dfinissant le pas de quantification>>. Cela revient approximer x(kTe) par un un nombre Xk vrifiant:
(11- -)q,;;xk < (11
+ -)q.
2
(3.7)
On ralise une quantification ou un codage du signal chantillonn x(kTe) en lui associant le signal cod Xk appel signal numrique. L'analyse de cette opration de codage ne sera pas dveloppe ici. Elle est fonde sur la recherche de lien existant entre la densit de probabilit de x(t) suppos alatoire et celle de sa version quantifie x,. et sur le rsultat suivant.
Soit [-A,A]l'intervalle coder, i.e. l'intervalle des valeurs possibles de la V.A x (t). Le nombre N dfini partir de A et du pas q par :
2 est appel nombre de bits >> ncessaires au codage de x.
= zN {j_
(3.9)
3.1.5 Chane d'acquisition d'un signal

Un schma type d'une chane d'acquisition d'un signal comprend les e1ments suivants: 1. Un conditionneur dont la fonction est d'adapter lectriquement le signal. 2. Un filtre anti-repliement. 3. Un chantillonneur bloqueur ( sample-hold >>). 4. Un codeur analogique-numrique (CAN). S. Une horloge pour les impulsions de priode Te. 6. Un gnrateur d'adresse. 7. Une mmoire. On distingue trois types de codeurs CAN. 1. Les codeurs parallles (flash converters). Ils sont conversion directe prcde ou pas d'un chantillonneur bloqueur (EB). Ils sont couramment utiliss dans les domaines de la vido et du radar. Ils sont chers, rapides et assez prcis. Leur principe consiste gnrer partir d'une source de tension continue de rfrence, tous les nivaux de quantification l'aide d'un pont diviseur rsistances. Une batterie de comparateurs, compare la tension d'entre tous ces niveaux.
3.2 Modulation d'un signal
75
2. Les codeurs approximations successives. Par rapport aux codeurs parallles, ils sont moins chers, moins rapides et trs prcis. On les utilise surtout dans le domaine de l'instrumentation. Leur principe de fonctionnement est fond sur la gnration d'une tension continue d'opposition Ey. cre l'aide d'un convertisseur numrique-analogique (CNA) pilot par un systme logique qui engendre chaque coup d'horloge des mots binaires qui commandent le CNA. Lorsque la tension Ey est approximativement gale celle Ex du signal, il suffit alors de lire le mot binaire pilotant le CNA. 3. Les codeurs rampes. Ces codeurs ne sont pas prcds d'un chantillonneur ensuite pendant une dure bloque ur. Ils intgrent une tension pendant une dure e', une tension de rfrence de signe inverse remet zro l'intgrateur. On peut montrer que la T.F du signal ainsi chantillonn est doublement module par l'effet de la fentre d au bloqueur pendant le temps Tet par celui de la fentre d l'intgration pendant le temps d'ouverture de l'chantillonneur-moyenneur. On obtient : +oo (3.10) X(v) = F,ninc(vT)[sinc(v8)X(v)] L6(v-nF,).
e,
-00
3.2
MODULATION D'UN SIGNAL
:~
jj
La modulation est un moyen qui permet de raliser, en particulier, les oprations suivantes. 1. Coder l'information contenue dans le signal modulant m (t) que 1'on dsire transmettre. 2. Transposer, sans perte d'information, le specte d'un signalm(t) dans une bande de frquence adapte des conditions imposes. Par exemple, il est important de transposer le spectre du signal dans une bande contenue dans celle du canal de transmission pour lequel la bande de frquences est souvent impose .
.9
0
" quences en dplaant le spectre de m(t) l'extrieur de la bande des bruits parasites.
5 3. Immuniser un signal m (t) contre des bruits parasites dont on connat la bande de fr4. Permettre le partage d'un canal de transmission entre plusieurs signaux transmettre simultanment (multiplexages frquentiel ou temporel). 5. Obtenir une amplification et un filtrage efficace de signaux basse frquence et de faible puissance en s'affranchissant d'un bruit parasite qui est souvent un bruit de fond en 1/f.
o.
76
6. Enregistrer des signaux dont le spectre s'tendjusqu' 0 sur des supports magntiques. 7. Modifier le spectre du signal mis afin d'amliorer les conditions de travail sur ce signal. L'opration qui consiste associer au signal x(t) BL [-B,B]le signal
s(t)
= x(t) cos(27Tfot),
fo > B
se traduit par une transposition en frquence. En effet, s(t) ainsi construit est un signal BL [-B + fo,B + fo]. En communication, au lieu de transmettre le signal x(t) par voie herzienne ou par cable, on transmet le signal s(t) appel signal modul et la rcupration de x(t) se fait par dtection synchrone. D'une manire gnrale, la porteuse p(t) est une suite priodique d'impulsions et lesigna1modul x(t) peut se rnettresqusJaJoni!e:.
o ak, Tk et !lk dsignent respectivement des paramtres d'amplitude, de position et de dure susceptibles d'tre fonction du signal modulant m(t). Cette dfinition gnrale de la modulation ne permet pas d'tablir une expression de la densit specttale du signal modul. Gnralement, le signal auxiliaire p (t) est priodique et se rduit souvent une porteuse sinusodale de frquence fo dfinie par:
(3.12)
On se limite dans la suite une porteuse sinusodale. En gnral, on a le choix entre trois types de modulation. 1. La modulation d'amplitude qui est un procd dans lequel c'est l'amplitude A de la porteuse qui est fonction du signal modulant. 2. La modulation de phase qui est un procd dans lequel c'est la phase porteuse qui est fonction du signal modulant.
q,P de la
3. La modulation de frquence qui est un procd dans lequel c'est la frquencefp de la porteuse qui est fonction du signal modulant. Comme on le verra plus loin, la modulation de phase peut tre considre comme un cas particulier de la modulation d'amplitude. On ne traitera donc que la modulation d'amplitude et la modulation de frquence. Dans le premier cas, l'amplitude de la porteuse est souvent une fonction linaire du signal modulant. Dans le deuxime cas, le signal modul est forcment une fonction non linaire du signal modulant.
77
Nous allons donner dans la suite les principales caractristiques de ces deux types de modulations. On introduit pour cela la reprsentation complexe en associant au signal modulant m(l) Je signal analytique dfini par:
(3.13)
o A est une fonction valeurs complexes appele enveloppe complexe du signal z,(t) caractrise Je type de modulation considre. Le signal modul x(l) est souvent un signal bande limite qui est reprsent par la partie relle de z,(t). i.e., sous la forme :
x(t) =Re [z,(l)].
(3. 14)
Si J'on pose
A~a(t)
+ jb(I)~Aej!1<Nt)
(3.15)
o A [(m (1)] est une fonction valeurs relles, le signal modul x (t) prend les formes quivalente suivantes :
x (t)
= a (t) cos (27r.fotJ -
b(t) sin (27f JOt)
= A [ (m (t)] cos [2.,P(t)]
o A[(m (1)] est appele enveloppe relle et 2.,P(t) phase instantane de x(l).
3.2.1
Modulation d'amplitude (AM}
La modulation d'amplitude reprsente une famille de techniques de modulations dans lesquelles J'amplitude d'une porteuse sinusodale varie en fonction du signal modulant. On considre souvent quatre classes de modulation d'amplitude et on introduit les appelations suivantes :
1. 2. 3. 4.
la modulation la modulation la modulation la modulation
d'amplitude avec porteuse (AM), d'amplitude sans porteuse (AM-P), bande latrale unique (SSB), bande latrale rsiduelle (VSB ).
La modulation d'amplitude est une opration linaire qui conserve, en gnral, la forme du spectre unilatral du signal modulant en lui faisant subir une translation ~ en frquence. L'opration de base dans les quatre type de modulation est la multi~ plication du signal modulant ou d'une fonction de ce signal par une porteuse sinu~ sodale. -g t Les quatre classes de modulation d'amplitude sont dfinies par des signaux 0 Q moduls dont les enveloppes complexes ont pour expression : G
l
0
78
A[m(t)]
=A[! + mo(t)]
= Amo(t) A = -[mo(t) 2 = A (1 2
Modulation : AM Modulation : AM - P Modulation : SSB Modulation : VSB
+ j1i(mo)]
+ mo(t) + j[H(mo) * h])
o mo(t) est le signal modulant rduit obtenu en divisant m (t) par une valeur caractristique approprie et A l'amplitude de la porteuse sinusodale dfinie par (3.12). Selon le procd de modulation, l'information contenue dans m(t) est porte par l'enveloppe relle A (t) ou par l'cart de phase instantane 6.</J(t) ou encore par ces deux grandeurs la fois. Les spectres des signaux moduls en amplitude avec porteuse sinusodale seront dtermins dans la suite dans les deux cas suivants. tLa modulation d'amplitude sans porteuse o Jesigntilmodlil s'crit :
x(t) = Am(t) cos (2r.fot).
(3.16)
2. La modulation d'amplitude avec porteuse o le signal modul s'crit:

x(t) =A[!+ km(t)] cos (2r. fol)
(3.17)
o le nombre k est une constante qui caractrise l'amplitude relative de m(t) par rapport x(t). Dans le cas de la modulation de phase, le signal modul est souvent mis sous la forme
x(t) =A cos (2r. fot
+ m(t))
(3.18)
Il est facile de vrifier que cette modulation peut tre considre comme une modulation d'amplitude complexe.
Exemple 3.2.1 Modulation d'tm signal bande limite

Soit x(t) = Am(t) p(t) un signal modul en amplitude par un signalm(t) bande limite [-F,+F] et supposons que la porteuse p(t) est un signal priodique, de priode To = 11 f 0 . Partant du dveloppement en srie de Fourier de p(t), on obtient :
P(v)
=L
-DO
DO
Pni5(v- nfo).
(3.19)
o les P11 dsignent les coefficients de Fourier de P(t), on peut calculer la T.F X(v) de x (t) et obtenir :
DO
X(v) =AL PnM(v- nfo).

-DO
(3.20)
79
Le support du spectre de x(t) est donc constitu par la runion des intervalles [nfo - F,nfo + F]. Si F < fo/2, ces intervalles sont disjoints et donc la puissance de x(t) se rpartit sur des bandes de frquence disjointes. Dans le cas d'une porteuse sinusodale, la relation (3 .20) se rduit :
X(u)
[M(u+
foll
+ M(u- JO)].
Dans le cas particulier :

m(t) = 1 + acos(27rFI)
on obtient
M(u)
= 6(u) +
a '2[d(u- F) + d(u+ F)]
et le spectre de x(t) est constitu par un ensemble de 6 raies spectrales.

Pulses annulant l'interfrences inter-symboles Considrons un systme de com-
munication dans lequel on transmet une suite de nombres rels ou complexes x,.,n E Z sous forme d'un signal analogique
s(t)
Lx,.h(t- nT)
"
o h est une fonction relle ou complexe et T un rel positif dfinissant la cadence avec laquelle on transmet l'information et on prlve le signal la rception. l'instant kT, le signal reu est donn par s(kT) = Lx,.h(kT- nT)= Xkh(O)
n
+ LXk-Jz(iT).
i#O
Si l'on veut rcuprer seulement le terme Xk. il faut choisir h de sorte que h(iT) = 0, Vi =f O. On se restreint souvent des fonctions h pour lesquelles la formule sommatoire de poisson est vrifie, i.e., TLh(nT)
Il
LH(u- ;), Vu ER
Il
Dans ce cas, la fonction recherche doit vrifier la condition suivante, appele condition de Nyquist [12], garantissant l'absence d'interfrences entre symboles:
'\"
~
n H(u- T)
Th(O)
'lv
lP!..
"
Les fonctions pulses h(t) utilises en communication sont toujours bande limite, [-A,A], cause des contraintes des canaux de transmission et des bandes de fr-
80
quences alloues 1' utilisateur. Pour assurer une transmission sans interfrences entre symboles, la condition de Nyquist conduit
1
2A;, T.
Cette condition signifie que pour transmettre un symbole x, toutes les T secondes sans interfrence entre les symboles transmis, il faut une largeur de bande minimale
2A = 2B ~ 1/ T. Dans ces conditions, le pulse est donn par h(t) = sinc(27rBI). Supposons que l'chantillonnage de x(t) se fasse non plus aux instants nT mais aux instants nT+ E, E >O. On obtient s(nT
" . + c) =x, smc (27rBE) + L__Xn-i

i,PO
sin(27r&)
27r8(E-!T)
.
commelasrie
est divergente, la quantit
e,
= ls(nT + E)- x,l
(3.21)
qui reprsente l'erreur commise ne reste pas borne pour toute suite x,. Cette difficult constitue l'inconvnient majeur du pulse h(t) considr. On prtre alors utiliser le pulse, appel cosinus surlev, dtni par
g(t) =sine (27fBI)
cos (27rBI) , 0 1 - 16B-t-
ayant pour T.F G(v) = cos 2 (~~)n(:Sl et pour lequel l'erreur (3.21) reste borne pour toute suite x,. En effet, on peut crire
Un autre inconvnient du pulse h(t) provient du fait que la ralisation pratique d'un signal dont la T.F a une forte pente aux points -B et B. On a alors recours un codage qui permet quand mme d'atteindre la borne de Nyquist. Par exemple, au lieu de transmettre le signal x(t), on transmet
y(t)
= L(x, +x1-J)h(t- iT) = L:x,ho(l- iT)

leZ
ieZ
81
o
ho(t)
= h(t) + h(t + T).
c,. on peut retrouver la suite x,. Au lieu de construire le signal y(t) en introduisant
le pulse irralisable h(t). on construit y(t) l"aide du pulse ralisable ho(t). En effet. comme
Ho(v)
..., T V = 2Tcos(7rvT)e-J-ITU n(-),
Avec le pulse h(t). on obtient y(nT) =x,+ xu+I = c,. Connaissant x 0 et la suite
2B
1 T=2B
le pulse ho(t) est largeur de bande 2B et il ne prsente pas de pente infinie. Le procd dcrit ci-dessus est un cas particulier d'une mthode gnrale qui consiste remplacer dans la dl1nition du signal x(t) faisant intervenir lz(t) les x, par une fonction de x,, x,_ 1, ... , x, -k (en gnral on prend une fonction linaire).
3.2.2 Modulation de frquence (FM)

La modulation de frquence est une transformation non linaire du signal modulant dans laquelle le signal modul est donn par :
x(t) =A cos (27r
fo' f[m(8)]d8).
(3.22)
C'est la drive de l'argument de x(t) qui est fonction du signal modulant. En gnral, on a le modle de modulation de frquence suivant :
x(t) =A cos (27r
fo' Lfo + f]m(T)]dT)
(3.23)
o le nombre j3 est appele excursion maximale de frquence.
Exemple 3.2.2 Spectre d'un signal modul en frquence Considrons le signal modul en frquence :
(3.24) o le signalm(l) est suppos vrifier lm(t)l ,;; 1. On va calculer le spectre de x(t) = cos(21rFt), avec F f 0 . Le signal dl1ni par (3.24) s'crit sous la forme:
x(t)
o.
"- dans le cas m(t)

~
D
A cos [27r fat
+ 11,sin (27r Ft)]
(3.25)
82
o p, = (3/ Fest appel indice de modulation. Pour tablir l'expression du spectre, on admet le dveloppement suivant : exp[jp.sin(27rFI)]
+oo
J,.(p,) ej21fnFr
11=-oo
o J, (Ji.) est une fonction valeurs relles qui possde la proprit suivante : L,.(p,) = (-1)" J,(p,). On obtient alors le dveloppement suivant de x(t) en srie d'exponentielles:
x(t) =
~ ~
n=-oo
J,.(p.)[ej2IT(Jir+nF)r
+ (-l)"e-j2;r(Jir-nFit].
Le spectre du signal x(t) est alors donn par:
A +oo X(v) =? J,(Ji.)[<(t/- Jo -nF)+ (-l)"<(v+ Jo -nF)].
11=-00
Les fonctions J,. (!t) ont des proprits particulires qui permettent de montrer que l'on peut approximer la largeur de bande utile du signal x(t) par B = 2(J.I. + l)F "'2(3 et que cette largeur est en gnral suprieure celle de la modulation d'amplitude.
3.2.3 Comparaison des modulations AM et FM
Dans la modulation d'amplitude, l'information est porte par la valeur instantane de<< l'amplitude,, du signal modul qui dpend fortement des conditions de propagation. Pour lutter contre les bruits parasites, on ne peut qu'augmenter la puissance du signal et ceci limite les possibilits de transmission l'aide de ce type de modulation. L'examen du spectre, montre qu'une large part de la puissance est concentre sur la porteuse; or celle-ci ne vhicule pas d'information. La modulation d'amplitude se propage mal longue distance mais elle a l'avantage d'avoir une bande de frquence troite. Dans la modulation de frquence, l'information est porte par la valeur instantane de la frquence du signal modul. Elle n'est donc pas trs altre par les variations d'amplitude de la porteuse. La modulation de frquence a cependant le grand inconvnient de conduire un encombrement spectral important puisque le signal modul a une grande largeur de bande et il a plus de risques d'tre masqu par d'autres signaux.
Exemple 3.2.3 Modulations d'une impulsion radar

Considrons le cas o l'impulsion mise par un radar v(t)ejwat est un signal modul en amplitude et non en frquence. La fonction u(t) est souvent modlise par une
83
gaussienne approximant une impulsion brve. Afin d'obtenir une bonne rsolution en distance, cette impulsion doit tre aussi brve que possible. De plus, la prcision des mesures est inversement proportionnelle l'nergie du signal mis. Pour satisfaire ces deux conditions, on doit mettre des puissances leves (beaucoup d'nergie pendant la courte dure de l'impulsion). On se heurte alors de diverses limitations technologiques et un moyen qui permet de pallier cette difficult consiste utiliser une modulation en frquence de l'impulsion. Le cas le plus simple et qui est frquement utilis dans la pratique est celui d'une impulsion modulation linaire en frquence.
Exemple 3.2.4 Rcupration d'wz signa/modulant Un amplitcateur radio-frquence dlivre un signal modul en amplitude de la forme x(t) = A[l + m(t)] cos(2nv0 t). La frquence v 0 de la porteuse appartient la bande [0.5 MHz, 1,7 MHz]. Le signal modulant m(t) est bande limite [50 Hz, 5 kHz] et vrifie lm(t)l ,:; 1 (caractristiques de la radiophonie en grandes ondes>>). Le spectre du signal x(t) est donn par:
X (v)
2 [6(1/- vo) +
=
6(1/ +vol+ M(v- 1/o) + M(v + vo)].

~cos(27rv.,.t), on a
Dans le cas particulier o m(t)
La puissance totale est Px
= ~'
+ 1~ et la puissance qui correspond l'information
utile transporte par x(t) et contenue dans m(t) est P, = 1~. L'oscillateur local dlivre un signal sinusodal de la forme p(t) = B cos2n(vo +v1 )t, o v 1 est une frquence fixe dite<< frquence intermdiaire >>,et choisie gale v 1 =455kHz. Au signal p(t), on associe q(t) = x(t)p(t) et l'on fait passer ce dernier dans un amplificateur frquence intermdiaire considr comme filtre passe-bande idal dont la bande passante est centre en v 1 et de largeur 10 kHz. L'expression du signal de sortie y(t) est donn par:
y(t)=
BA
2
[l+m(t)][cos2nv1t+cos27f(vl +21/o)l].
En gnral, on a v 1 + 2v0 > > v 1 Donc un filtrage passe-bas idal, centr en v 1 permet de ne conserver que la composante
8
t [1 + m
(t )] cos27rvi t.
84
3.1
Formule sommatoire de Poisson
On dsigne par
Pr(t)
L
m=~oo
00
<(t- nT)
le peigne de Dirac de priode Tet on rappelle que la T.F d'un peigne de Dirac est aussi un peigne de Dirac, i.e.,
On pose
y(t)
= Pr(t) * x(t)
t>
(3.26)
11 T).
1. En dveloppant la convolution, exprimer y (t) en fonction des signaux x (t -
2. Utilisant la conservation du peigne de Dirac par la T.F, exprimer la T.F de y en fonction des chantillons X (n/ T). 3. En dduire une autre expression de y(t) en fonction des chantillons X(n/T).
4. En dduire la formule sommatoire de Poisson :
00
00
""'
" " X(T)eIl F'rrnL L.. x(t-nT)=T ' L.. r.
(3.27)
11=-co
n=-oo
5. On suppose que
x est BL [- B, B]. avec 2B
1/ T. Montrer que (3.28)
L
11=-00
00
x(t- nT)= constante.
3.2
Formule d'chantillonnage
Soit s(t) le signal dont la T.F est S(v)
IT(d~l et
85
Sn(t) =s(t- ln) IlE Z,
so(t) =S(I).
1. Dterminer le signal s(t) et calculer l'nergie Ede ce signaL
2. Dtenniner toutes les valeurs ln de 1 pour lesquelles les signaux sn sont orthogonaux s(t). 3. Montrer que les sn (tl sont alors orthogonaux deux deux. 4. Dtenniner la projection orthogonale x(t) d'un signal x(l) sur l'espace vectoriel IEN engendr par sn(t),-N"'""' + N.
bande limite [-B,+B]. Expliciter x(t) en fonction des valeurs chantillonnes de x (t).
5. On suppose que x(l) est
6.0n prendN =DO. Comparer les TF de x(t) et x(l) toujours dans le cas o x(l) est bande limite [-B,+B]. Donner la fonnule qui pennet d'exprimer un signal x(l) BL [-B.+B] en fonction des chantillons x(llj2B),Il E Z.
7. On fait passer le signal x(l) dans un filtre linaire de rponse impulsionnelle (RI) h(t). Montrer que la sortie y(l) de ce tltre est aussi BL [-B,B].
8. Montrer que le signal chantillonn Yn ~ y(llj2B) se dduit du signal

Xn
~x [11 /2 B] par un filtrage linaire temps discret dont on calculera la RI gk
l'aide de lz(l). Donner la fonction g telle que gk ~ g(llj2B). 9. Que devient la fonction g(t) dans le cas particulier o h(t) est aussi BL
[-B,+B]?
10. On suppose que le filtre h(t) est un drivateur, c'est--dire que sa sortie y(l) est la drive par rapport au temps de x (1). Calculer dans ce cas la fonction g(t).
11. En dduire l'expression de la drive d'un signal x(t) BL [-B,+B] en fanc~
ti on de ses chantillons Xn.
"'
~ ,
c
0
0
~ ~
3.3
Frquence d'chantillonnage
Soit ek un signal rel dont la fonction de corrlation vrifie l'e(T) = o-2J(T) o J(T) c dsigne la distribution de Dirac. On considre le filtre temps continu dfini par
s(l)
'5.
8 0
-a
.,;
T/2
e(t- B)dB.
-T/2
8 g et en dduire la rponse impulsionnelle h(t) du filtre ainsi dfini.
g 1. crire s(l) sous forme d'une convolution en faisant intervenir une fonction porte
86
2. On dsigne par G(v) la T.F de lz(t). Calculer la densit spectrale s (t) et tracer son graphe. 3. Calculer l'nergie du signal s (t).
r., (v)
du signal
4. On fait passer le signal s(t) dans un filtre linaire de rponse en frquences

H(v) =:{;,et on dsigne par x(t) la sortie de ce filtre. On chantillonne x(t) une
frquencef,. Donner une borne infrieure def, qui permet la reconstruction de s(t)
sans erreur.
5. On fait passerle signal temps discret, x,= x(nT,),n E Z dans un filtre linaire dont la sortie est dfinie par
Yn =aYn-] +xn.
Cii1clef la enst specWedey,; ainsi que la puissance E(y,;) en fonction de
rx (v).
3.4
Frquence d'chantillonnage d'un signal analytique
Dans un rcepteur e radio communication le signal utile est superpos une frquence dite porteuse choisie en fonction de diffrents critres. On se propose de voir. comment, dans ces conditions et en l'absence de bruit pour simplifier l'exercice, extraire un signal chantillonn et numris reprsentatif de la DSP du signal utile.
1. On considre deux signaux: p(t) = e-a't' et x(t) = ej 2 ~fot. Sachant que:
., .,
' _.E:._
J="[e-at] = ke 4a'
quel est le spectre de s(t) = x(t)p(t)?
avec
k=
1 r::.
Oy7i
2. On considre un signal analytique y (t) dont la DSP est inconnue mais contenue dans une gaussienne centre sur la frquence fo et d'cart-type . C'est le signal entrant dans le rcepteur. Quelle frquence d'chantillonnage F, faut-il choisir pour que la bande passante Bp = [Jo- a ,Jo+ a] soit correctement restitue? Introduiton alors un signal parasite dans la bande Bp ? 3. Si on multiplie y(t) avant chantillonnage par exp[- j27r.f0t] pour obtenir un signal z(l), quelle consquence cela a-t-il surF,? Introduit-on alors un signal parasite dans la bande B p ? 4. On suppose F, = fol N < Jo. Quelle condition doit respecter Fe par rapport a ? Quel choix de Fe proposez-vous pour avoir des codeurs les plus simples possibles ? Comment isoler l'information cherche en utilisant un filtrage ? 5. A-t-on perdu thoriquement de l'information entre ces trois faons d'chantillonner le signal ?
87
6. Applications : /o = 500 Mhz a = 5 Mhz on veut de plus numriser le signal sur 12 bits, quelle mthode choisir parmi les trois ?
3.5
Transmission d'une impulsion rectangulaire
On considre un canal de transmission quivalent un filtre passe bas idal avec une frquence de coupure B. On transmet une impulsion x (t) = f1 ( ~).
1. Calculer la densit spectrale d'nergie de x(t) et le dessiner sur le mme repre que la rponse en frquence du canal lorsque 1/ T < < B. 2. Donner l'expression du signal de sortie s(t) (sous forme d'intgrale) et tracer son graphe pour 1/T << B et pour 1/T =B. :;!. Qn veut transmettre 2 impulsions successives. Quelle condition doit-on vrifier pour viter les recouvrements (importants) en sortie du canal ?
3.6
Modulation d'un signal
1. On considre le signal temps continu, priodique de priode To, dfini par

p(t)
avec T < T0 Calculer la transforme de Fourier P (v) de p(t) et dterminer le spectre de puissance de p(t). 2. On considre un second signalm(t) temps continu, d'nergie finie, et bande limite [- B, + B]. Calculer la T.F X (v) du signal modul x(t) = m (t) p(t). ::1. Quelle condition doit vrifier B pour que le spectre de x(t) soit constitu d'une succession de motifs lmentaires supports frquentiels limits et disjoints ? On supposera cette condition vrifie dans la suite.
p(t etp(t)
+ To)
f1(~)
~ .,
4. Montrer que le passage de x(t) dans un filtre passe-bas idal permet de retrouver m(t) en sortie (dmodulation). Ce mme principe de dmodulation peut-il tre appliqu au signal modul y(t) = m(t) cos(27rt/To) ? Le fait que les impulsions constituant p(t) soient rectangulaires joue-t-il un rle dans ce cas?
3.7
Signal modul et signal analytique
Soit le signal modul suivant :
l
;;
~
x(t)
= m(t) cos (27rvot +rf>)
o.
:l
]
~
0
dont l'amplitude m(t) est un signal rel bande limite dans l'intervalle [-B.+ B], avec B <va.
1. Calculer la T.F de x(t). On dsignera par M(v) la T.F de m(t).
88
2. En dduire l'expression du signal anlytique de x(t) que l'on notera z(t). 3. Calculer les parties relle et imaginaire de z(t). Comment sont-elles lies ? 4. On pose: z(t) = a(t)exp[j<l>(t)], 0 ~ <l>(t) ~ 2r.. Calculer !"amplitude instantane a(t) et la phase instantane <l>(t). En dduire l'expression de la frquence instantane:
Vt(l)
= ----.
2r.
dt
1 d<l>(t)
3.8
Filtrage d'un bruit blanc
S_oil~kll!1Signal rel dont)afontjpnclecorrlatiQ!LYrite:y,(T) = a-lo(r) o o(r)
dsigne la distribution de Dirac. On considre le filtre temps continu dfini par

s(t)
T/2
e(t- O)dO.
-T/'2
1. crire s(t) sous forme d'une convolution en faisant intervenir une fonction porte et en dduire la rponse impulsionnelle h(t) du filtre ainsi dfini. 2. On dsigne par G(v) la T.F de h (t). Calculer la densit spectrale l" 5 (v) du signal s (t) et tracer son graphe. 3. Calculer l'nergie du signal s(t). 4. On fait passer le signal s (t) dans un filtre linaire de rponse en frquences
H(v)
:0 et on dsigne par x(t) la sortie de ce filtre. On chantillonne x(t) une

= x(nT,),n
E
frquence f,. Donner une borne infrieure de f, qui permet la reconstruction de s(l) sans erreur. 5. On fait passer le signal temps discret, x, dont la sortie est dfinie par
Y11
Z dans un filtre linaire
GYn-1
+ Xn
Calculer la densit spectrale de y,.
3.9
Causalit et stabilit d'un filtre
On considre le filtre temps discret F de rponse impulsionnelle
hk
= (l/2)k
pour
0 ~ k ~ oo et
hk
=0
ailleurs
89
On appelle ek l'entre de F et Yk la sortie associe.

1. Que peut-on dire de la causalit et de la stabilit du filtre ainsi dfini?
2. Calculer la fonction de transfert du filtre F.
3. On fait passer le signal y, dans un filtre FI causal de fonction de transfert H 1 (z) = 1/(1- az) et on dsigne par sk la sortie de FI. Donner la relation qui existe entre les transformes en Z: E(z) et S(z) des signaux (ek) et (sk).
4. Dterminer la rponse impulsionnelle du filtre stable qui associe
ek
le signal
sk.
SOLUTIONS
3.1
1.
y(t) =
L
ll=-oo
00
x(t
nT)
2.
} ~ IJ Il Y(v) = - L.., X(-)D(I/- -)
3. Par transforme de Fourier inverse, on obtient :
00
11
IJ j1JrlJ-
V(/) =
rL.... 11=-oo
"
X(-)e
4. La comparaison des deux expressions de y(t) conduit la formule (3.27). 5. Si x est BL [-8.8], on a X(!y) = 0 pour n j 0 et ceci donne la formule (3.28).
3.2 1. Ce signal est un sinus cardinal. Soit s(l) = 28 sinc(28t). L nergie Ede ce signal est gale l'intgrale de (S(v)('. On obtient E = 48'2. On a:
+oo
-oo
S(u)ej 17f1J(J!-u)du
= s(v- u) = 2B sinc(2B(v- 11)).
Donc ce produit scalaire est nul si, et seulement si, v-u est un entier relatif non nul. Les signaux cherchs sont donc les signaux s(l -fu), n E Z avec fu = n/(28). 3. Par construction, les signaux s 11 (t) sont orthogonaux deux deux et on a !!su 11 2
= E.
90
3 Echantillonnage et modulation d'un signal dterministe
4. On a
.f) =
avec
L a,s,(t)
-N
a , =1 28
1 =28
!"' !B
-B
-oo
x(t)s,(t)*dt = 1 -
2B
!"'
X(v)S(v)'ejZ1fVt,dv
-oo
1 X(v)e 1''1fV "dv. -
5. Si x(t) est bande limite [- B,+B], on peut remplacer les bornes B de l'intgrale par oo. On obtient
1 Cl'n = -
2B
!"'
X(v)eJ-IIVt.,di/=X(tu).
_ 00
.,_
On a donc
=
x(t) = I.:x(l,)s,(t).
-=
00
F(X(t)) = S(t/) I.:x(t,)e-jZ1fVt,.
-=
6. Les T.F de
x(t)
et x(t) sont gales et on peut donc dduire que
x(t) = x(t).
Finalement
=
x(t) = I.:x(n/2B)s,(t)
-=
qui est la formule d'chantillonnage. 7. Ce rsultat se dduit de la relation de filtrage Y(v) = H(v)X(v). 8. Les signaux x(t) et y(t) se dcomposent en utilisant la formule d'chantillonnage. Remplaant dans
y(t) = x(t) par sa dcomposition:
+oo
-oo lz(G)x(t- O)dG
+=
x(t) = I.:x, sinc(2Bt -11)
-=
on obtient
91
y(t)
=~x,
+oo l+oo 11(8) sinc[2B(I- 8) -11].

-oo
D'o
avec
g, = g(
~
k
28
) avec g(t) = h(t)
. * smc(2Bt).
9. Si h (t) est aussi BL [- B, +B], la conservation du produit scalaire donne :
10. Le calcul direct de la fonction g(t) conduit (utiliser g(t) = T p-l (G(v)) :
cos(2rrBt)
g(t)= t -
sin(2rrBt)
' 21Bt-
et par suite, g, = (-1)" 1,~. Comme la relation x(t)' = h(t) * x(t) est vraie pour sinc(2Bt), alors g(t) est gale la drive de sinc(2Bt). Ceci donne une autre mthode pour calculer
g(t).
11. L'expression de la drive d'un signal x(t) BL [-B,+B] en fonction de ses chantillons x 11 est donc :
Xk
1
= 2B
'"""X L..
-00
+oo
( -l)k-11
11 ..:..,._:.__
k-Il
3.3 1. L'intgrale est gale au produit de convolution de la fonction porte de support T par e(t). Soit
s(t) =TI(-) u(8)
T
1
_g
o.
el donc la rponse impulsionnelle est "(t) =
n (y).
2. La T.F de h(t) donne le gain complexe du filtre: G(l/) = Tsinc(rrTv). D'aprs la formule
des interfrences, la densit spectrale est donne par : r.,(v)
= T 1 sinc(rrTv) 1d'.
On obtient le graphe classique de la fonction sine leve au carr.
92
3. L'nergie du signal s (t) est donne par
4. On applique la formule des interfrences et on obtient :
Le signal x(l) est donc bande limite [-B,B] et le thorme d'chantillonnage donne comme borne infrieure pour./~ le nombre 28. 5. Prenant les transformes enZ des deux membres, on obtient Y(z) = az- 1 Y(z) Soit
H(z)=
+ X(z).
1- az
La densit spectrale de y 11 a donc pour expression

r,.(v) =
Il- ae 1 -""1-
.,
'fx(v).
La puissance est donne pur E(y,;) = ./~~~ 2 fy(v)dv.
3.4 1. La T.F de s(t) est donne par:

S(i/) = X(v)
* P(v) =
u~
(u~fiil~
kD(v- Jo)* e- 4a' = ke - 4 T
2. La T.F du signal analytique y(l) est de la forme :

(11-./iil~
Y(v) = (JU(v)e - 4 T
Le signal chanti11onn associ y(t) est:
Yr, (t) =
I: y(k'f,.)J(t -kT,) = y(t) I: D(t -kT,).
Sa T.F est
La frquence d'chantillonnage F, qu'il faut choisir pour que la bande passante Bp = [fo- a,fo +a] soit correctement restitue vrifie 2a + 2}(1 < F,.. Comme le spectre du signal ne contient pas de frquences ngatives, il suffit de choisir une frquence vrifiant a+ fo <Fe. Ce choix n'introduit aucun signal parasite dans la bande 8 1,.
93
3. On a Z(v) = Y(l/ +fol. La DSP du signal z(t) est toujours contenue dans la gaussienne centre cette fois-ci l'origine et d'cart type inchang a. Pour restituer la bande [-a,a], il suffit maintenant de choisir 2a < Fe. On introduit alors un signal parasite dans la bande Bp qui est du au repliement du spectre. 4. Il faut que Fe > 2a. Pour avoir des codeurs les plus simples possibles, il faut que Fe soit le plus petit possible. Comme Fe= fol N, on obtient N < gale la partie entire de
fi. La valeur maximum deN est
fi soit E ( ~). La frquence f"e minimale est alors
Pour isoler l' infonnation cherche, on doit utiliser un filtre passe-bas de frquence de coupure =a. 5. Thoriquement, il y a une perte d'information due au repliement de spectre dans les deux dernires mthodes et des pertes dues aux filtrage.
r:
6. La premire mthode n'est pas envisageable car on obtient Fe > 105 MHz. La seconde mthode donne Fe > 10 MHz. Dans la troisime mthode, comme E (fi) = 50, on obtient Fe > 10 MHz. On a donc intrt choisir la troisime mthode pour sa simplicit puisqu' elle ne ncessite pas la multiplication du signal avant chantillonnage comme c'est le cas pour la seconde mthode. Dans le cas o n'est pas entier, on a plutt intrt choisir la seconde mthode car elle conduit une frquence Fe infrieure celle obtenue dans la troisime mthode. 3.5 1. La densit est donne par:
fi
:a "
"
2. La rponse impulsionnelle du canal est un sinus cardinal h (t) = A sinc(27r Bt). Le signal s(t) est gal au produit de convolution de x(t) par h(t). Soit:
s(t) =
1 -u sinc(27rBu)TI(---r-)du.
'[
Tenant compte des hypothses, l'intgrale qui est une fonction symtrique peut tre approximeparuneconstantepourltl ( T/2-l/(2B),par0pourltl > T/2+ l/(2B) el pour T/2 -l/(28) < t < T/2 + 1/(28) elle est gale une fonction dcroissante. Pour !fT= B, on obtient un signal semblable au lobe principal de h(t) mais sur un support double. Soit un signal s(t) de support [-1/ B, 1/ B]. D'o une approximation du graphe de
s(t).
3. Soit T, la priode des impulsions. Pour 1/ T < < B, on doit choisir T, ;;, T 1/ T = B, on doit choisir T, ;;, 2/ B.
+ 1/B. Pour
94
3.6
1. Par dfinition, on doit dvelopper p(t) en srie de Fourier, soit:

00
( )= pt
" ' pne J-rrly ~ o

n=-oo
'l
Il
puis prendre la T.F de ce dveloppement, soit:

P(v) =
~ Il L... P,ii(v--)
n=-oo
To
o les P11 sont les coefficients de Fourier donns par
1 1 pte -j2mfd ut=P11 = To -7iJ/2 1i1

= 2. On a:
00
!Tn/2 ()
j2Tr-!J.
!T/2 e j'lm!J-d ut
-T/2
To
'"
ll7l"
X(l/)=M(v)*P(v)= " L... ' P,M(v--) Il

n=-oo
To
3. C'est un signal de priode 1/ To. On doit donc avoir 1/ To > 2B pour que les motifs ne se
chevauchent pas.
4. Il suffit de faire passer le signal dans un filtre passe-bas idal de largeur de bande [- B, B]
pour isoler et donc retrouver m(t). On a:
M(v) 11 11 1 n Y(v) =--*(ii( v - - ) + ii(v+ - ) = -[M(v- - )
11 + M(l/+ -)].
To
To2
T0
T0
Le fait que les impulsions constituant p(t) soient rectangulaires ne joue aucun rle.
3.7 1. On a:
X (v) =
2: M(v) * [e 1<'ii(v- v 0 ) + e- 1"ii(v + v 0 )]
..
..
2e 1"M(v- vo) + 2e- 1''M(v+v0 ).

z(t) = m(f)ei(2rl'or+l.
1 ..
..
2. Le signal analytique dex(t) a pourT.F Z(v) = ej 6 M(v- v0 ). Donc on a:
3. Les parties relle et imaginaire de z(t) sont des transformes de Hilbert l'une de l'autre.
95
4. On a:
x(t) = a(t)ej<l'(t) = m(t)ej(2nvot+l.
L'amplitude instantane est a(t) = m(t) si m(l) > 0 et a(t) = -m(t) si m(t) <O. La phase est une fonction linaire priodique. La frquence instantane est gale a IJ1(1) = IJo. 3.8 1. L'intgrale est gale au produit de convolution de la fonction porte de support T par Soit
s(t) = Il ( T)
e(t).
* e(O)
et donc la rponse impulsionnelle est h (t) = Il (
f).
2. La T.F de lz (t) donne le gain complexe du filtre: G(v) = Tsinc(rrTv). D'aprs la formule des interfrences, la densit spectrale est donne par : r,(v) = T 2sinc(rrTv) 2 cr2 . dont le graphe est bien connu. 3. L'nergie du signal s(t) est donne par
E, = ")',(0) =
r,(v)dv =Ta'.
4. On applique la formule des interfrences et on obtient :

fx(v) = IH(v)l f.,(v).
2
Le signal x(t) est donc bande limite [-B,B] et le thorme d'chantillonnage donne comme borne infrieure pour fe le nombre 2B. 5. Prenant les transformes enZ des deux membres, on obtient Y(z) = az- 1Y(z) Soit
> a. 0 -g_
+ X(z).
H(z) =
1 -az
La densit spectrale de Yu a donc pour expression
r ,(v)=
1 - ae-J-""1-
.,
'fx(v).
96
3.9 1. Comme lzk = 0 pour k est stable.
< 0,
le filtre est causal. Comme I:~o 1/zk
1< oo,
le filtre
2. La fonction de transfert est gale la T.Z de la rponse impulsionnelle. D'o:
3. On a: S(z)
= H(z)H 1 (z.)E(z) =
1
1
_ (Zz)-l l - mE(z).
4. La fonction de transfert, H 2 (z), du tltre qui associe s(t) e(t) admet 112 et 1/a comme ples. Cette fonction dfinit un seul filtre causal stable si, et seulement si, 1 a: 1> 1. Pour
_??_~-~-~~~--~-~. Eponse impulsionnelle -9~-. ~~---t~!-~~~;---~-~--~-~_y~J-~pp~__:{:!:!_(_z_L~_Tl__srie dans le domaine dfini par : 1 z 1> sup(!; 1 ~ ). On commence par dcomposer H (z) en lments simples
sous la forme :
H (,) = _2_ [ 1 2- " 1 - (2z)
_ .,.---...,.-1-,--...,.]
1 - (m) - 1
Le dveloppement en srie de chacun des deux termes donne
Par identification, on obtient la rponse impulsionnelle hk.
Chapitre 4
Bases probabilistes pour la reprsentation d'un signal alatoire
4.1
4.1.1
VARIABLE ALATOIRE
Espace probabilis et loi de probabilit
a) Espace probabilisable
Une exprience alatoire est une exprience pouvant conduire plusieurs rsultats possibles et dont le rsultat ne peut tre prvu avec certitude. Cela signifie que si J'on rpte plusieurs fois la mme exprience, on obtient chaque fois un rsultat bien dfini mais qui n'est pas toujours le mme. L'ensemble des rsultats possibles sera not Q.
Exemple 4.1.1 Le lancer d'un d cubique ne pouvant rester en quilibre sur aucune de ses artes et dont les faces sont numrotes de 1 6 est une exprience alatoire. Les rsultats possibles de cette exprience sont les six chiffres 1, 2, ... , 6.
D'une manire gnrale toute exprience physique est alatoire. En effet, mme les expriences pour lesquelles on peut appliquer le principe classique suivant : la mme cause produit toujours le mme effet sont alatoires dans le sens o la mesure de l'effet peut introduire des incertitudes. Chaque rsultat possible d'une exprience
98
4 Bases probabilistes pour la reprsentation d'un signal alatoire
alatoire est appel vnement alatoire lmentaire. L'ensemble de tous ces vnements est appel ensemble fondamental et il est souvent dsign par Q. Toute partie de Q est appel vnement alatoire. L'ensemble de tous les vnements lis une exprience alatoires est donc confondu avec l'ensemble P(Q) des parties de Q. Un vnement li au lancer d'un d cubique est par e:mple A= {1,3,5}. Avant de procder une exprience alatoire, on peut tre intress par un vnement donn A et vouloir faire une prvision sur la chance que cet vnement a de se raliser. On peut dire a priori que A = {1, 3, 5} a une chance sur deux de se raliser si la symtrie du d est parfaite. L'vnement Q qui par dfinition a toutes les chances de se raliser est appel vnement certain et l'vnement<!>, ensemble vide, qui n'a aucune chance de se raliser est appel vnement impossible. L'vnement certain Q = {1,2,3,4,5,6] correspond l'aftirrnation J'exprience va conduire l'un des chiffres 1,2,-3,4,-5; 6 , L'vnement impossible <Il correspond l'affirmation<< J'exprience ne conduit aucun des chiffres 1, 2, 3, 4, 5, 6 >>. Soit une exprience alatoire conduisant un nombre fini n de rsultats possibles, par exemple, pour un lancer de d onan= 6. Dans ce cas Je nombre d'vnements possibles est donn par Card{P(Q)} =
2Card(Q)
2"
o l'on dsigne par Card(Q) le cardinal de Q. la suite d'une telle exprience, on est amen naturellement s'intresser la ralisation d'un vnement A ou sa non ralisation, la ralisation simultane de deux ou plusieurs vnements, la ralisation d'au moins un vnement faisant partie d'un sous-ensemble de deux ou plusieurs autres vnements, etc ... On introduit ainsi sur J'ensemble des vnements P(Q) les trois oprations classiques suivantes. 1. La runion pour indiquer la ralisation de A ou B : A U B.
2. L'intersection pour indiquer la ralisation simultane de A et B :An B.
3. La complmentation par rapport Q
pour indiquer la non ralisation de A : C.
Considrons J'ensemble P(Q) muni des oprations intersection, complmentation et runion. Les diffrents sous-ensembles de P(Q) ne prsentent pas tous Je mme intrt pour l'exprimentateur qui est amen considrer des parties T de P(Q) qui sont plus ou moins grandes. Donnons quelques exemples de sousensembles de P(Q).
1. Le joueur est intress par chacun des numros et par toute runion de ces numros. Il doit donc considrer Je sous-ensemble T de P(Q) Je plus grand possible, i.e. T
= P(Q).
4.1
Variable alatoire
99
2. Le joueur est intress uniquement par la parit du numro de la face du d. Dans ce cas, il peut rsoudre son problme en considrant le sous-ensemble
T
= {,Q,(l,3,5),(2,4,6)] c
P(Q).
3. Le joueur est intress par miser sur un ensemble de numros parmi lesquels au moins un est gagnant ou ne pas engager de mise. Le plus petit sous-ensemble qu'il doit considrer pour rsoudre son problme est :
T
= {Q,] c
P(Q).
Soit un ensemble Q fini et P(Q) l'ensemble des parties de Q. On appelle tribu de Q (ou a-algbre) toute famille T de P(rl) contenant Q et stable pour la runion et la complmentation par rapport rl. Le couple (Q, T) est appel espace probabilisable. Les trois ensembles dfinis ci-dessus sont des tribus de rl.
b) Espace probabilis fini

Avant de procder une exprience alatoire, intressons-nous une ralisation particulire dnomme w; et appele vnement lmentaire ou singleton. On peut vouloir faire une estimation de la chance que cet vnement a de se raliser. Pour obtenir une telle estimation on procde comme suit. On rpte N fois J'exprience dans les mmes conditions et on associe w; Je nombre
p;
llj
N,
0 .;: p; .;: 1
o n; reprsente Je nombre de fois o w; s'est ralis. On fait tendre N vers J'infini et Je nombre Poo ainsi obtenu est appel probabilit de w;. On dfinit ainsi une application P de Q dans [0, 1] par :
Curd(ll)
P(w;)
= p:X,,
J, ... ,Card(Q)
avec
P(w;)
1.
i=l
Si Je nombre P (w;) associ chacun des singletons w; est indpendant de ce dernier, 1' application P est constante et dfinie sur Q une probabilit uniforme. Dans cette hypothse d'quiprobabilit, on peut tendre la dfinition de P J'ensemble Q lui-mme de la manire suivante :
P(A)
L
W;EA
" ~
] j"'
Card(A). Card(rl)
Soit (Q, T) un espace probabilisable fini et P J'application qui associe chaque w; Je nombre
1 p (w . ) - --:---:-:-::-:-:
' - Card(Q)
100
L'application P se prolonge d'une manire unique et dfinit une probabilit sur (Q, T). Une probabilit est donc une application de (Q, T) sur [0, 1] qui vrifie les
axiomes suivants :
P(A) =
L
W;EA
P{w;]
et
P{w;] = 1.
Le triplet (Q, T, P) est appel espace probabilis. Dans l'hypothse d'quiprobabilit des vnements lmentaires, Je calcul de la probabilit d'un vnement quelconque se ramne un calcul de dnombrement. Ce calcul repose sur les relations classiques qui donnent les nombres d'arrangements, de permutations et de combinaisons de 11 objets.
-Nombred'arrangements Lehbinotedefaohsdiffrentes de choisir p objets tous diffrents parmi 11 objets tous diffrents (tenant compte de J'ordre des p objets choi-
sis) est donn par
"
Il! = .,....---,-,.
(Il - p)!
Nombre de permutations Le nombre de faons diffrentes d'ordonner n objets
tous diffrents est donn par

Il
Pn =An= 0! =n!.
Il!
Nombre de combinaisons Le nombre de faons diffrentes de choisir p objets tous
diffrents (sans tenir compte de l'ordre des p objets choisis) parmi n objets tous diffrents est donn par (tirage sans remise) :
cp
"
= -:-:-Il_!--:-:p!(n- p)!
Nombre de combinaisons avec rptitions Le nombre de faons diffrentes de choisir p objets, non tous forcment diffrents, (sans tenir compte de l'ordre des p objets choisis) parmi n objets tous diffrents est donn par (tirage avec remise):
P "
(n+p-1)!
p!(n- 1)!
4.1
Variable alatoire
101
c) Espace probabilis quelconque Soit un ensemble Q quelconque et P(Q) 1" ensemble des parties de Q. On appelle tribu ou u-algbre de Q toute famille T de P(Q) vrifiant les trois proprits suivantes :
Tcontient Q Test stable pour la runion dnombrable Test stable pour la complmentation par rapport
Q.
Le couple (Q, T) est appel espace mesurable et les lments de Tsont appels parties mesurables de Q. Si B est une partie d'un espace JE, la plus petite tribu de JE contenant B est appele tribu engendre par B.
Exemple 4.1.2 Tribus classiques

-Tribu 11ne : T = P(Q) -Tribu grossire: T = [<P,Q) -Tribu de Bernoulli: T = {,A,A,Q). -Tribu de Borel: Soit (JE,8) un espace topologique. Il est clair que la topologie 8 n'est pas une tribu. La tribu engendre par 8 est appele tribu de Borel sur JE. Si JE = IR, on admettra que la tribu de Borel est engendre par les ouverts de IR et qu'elle est aussi engendre par des demi-droites] - oo,a{. Cette tribu sera note lill. Une mesure positive est une application l' d'un espace mesurable (Q, T) sur l'espace mesurable (lR,llll) muni de sa tribu de Borel qui vrile les axiomes suivants: -Positivit: pour tout lment A de Ton a fJ.(A) E JP+ Additivit complte : pour toute suite 11ni ou dnombrable d'lments A,. de T deux deux disjoints, on a :
!l(UnEHAn)
c ~
LfJ(A,.).
nEf:!
c g
-e_
;3,
Le triplet (Q,T,ll-) est appel espace mesur. Toute mesure positive P vrit1ant P (Q) = 1 est appele probabilit. Un espace mesur o la mesure est une probabilit est appel espace probabilis. Produit d'espaces probabiliss: Si (Q 1,1'(QJl,PJ) et (Q2,P(02),P2) sont deux espaces probabiliss, on peut considrer sur l'espace probabilisable [Q 1 x Q 2 , 1'(Q 1 x Q 2)]la fonction P dfinie par
102
Il est facile de vrifier que
P dfinie une probabilit sur l'espace
[QI x rl1,P(rl 1 x Q 1 )] appel espace produit On peut tendre ce procd pour
dfinir de proche en proche l'espace produit den espaces probabiliss.
d) Rgles de calcul sur un espace probabilis

La probabilit de la runion de deux vnements quelconques est donne par la formule des probabilits totales :
P(A U B) = P(A)
+ P(B)
- P(A nB).
(4.1)
Deux vnements sont dits incompatibles ou disjoints si leur intersection est rduite l'ensemble vide. L'axiome d'additivit complte conduit l'identit suivante:
P(A U B)
P(A)
+ P(B).
(42)
Deux vnements sont dits complmentaires s'ils sont disjoints et si en plus leur runion est gale l'ensemble Q. Dans ce cas on a
P(A U B)
= P(A) + P(B) = L
(4,3)
Un systme complet d'vnements est un ensemble d'vnements deux deux disjoints et tels que leur runion donne l'ensemble Q, Un tel systme forme une partition de Q. La probabilit de la runion des vnements d'un systme complet est toujours gale 1. Si A 1 ,A 1 , ... ,A, forment un systme complet, alors tout vnement B se dcompose sous la forme :
B
= B 1 U B 1 U ... U B,
P(B) =
avec
B1
= A1 n B
(4.4)
et on a
" L P(B;).
i=l
Soit Q un ensemble fini ou dnombrable et P une probabilit dtnie sur (Q,P(Q)). Alors les vnements lmentaires de Q, i.e. les singletons [w1} de P(Q) forment un systme complet De plus P est dfinie de manire unique par la donne des P([w1}). En effet, les ensembles [w;} forment une partition de Q et donc tout vnement B peut s'crire
B
= U;enB n {w;}.
La valeur de P(B) est alors dfinie d'une manire unique par

P(B)
L P(B n [w;}) = L
iEH
W;EB
P[w;}.
4.1
Variable alatoire
103
Toute mesure de probabilit possde les proprits lmentaires suivantes.

<1> C A C Q
=* 0
P(A) ~ 1
AC B =* P(A),::; P(B) A= C!:l =* P(A) = 1- P(A).

A -
e) Probabilit conditionnelle, Indpendance

Soit (Q, T, P) un espace probabilis et A un vnement de probabilit non nulle. Soit l'application PA dfinie par
p (B)
A
~ P(A nB) ~ P(BjA)

P(A)
(4.5)
o la notation P(BjA) se lit couramment probabilit de B sachant A. Il est facile de vrifier que PA dfinit une probabilit sur (Q,T). Cette probabilit est appele probabilit conditionnelle (conditionnellement la ralisation de A). On a donc:
P(A nB)= P(BjA)P(A)
(4.6)
et aussi par symtrie, pour P(B)
=f
0,
(4.7)
P(A nB)= P(AjB)P(B)
Les deux expressions de P(A nB) conduisent la relation suivante dnomme formule de Bayes :
P(AjB) =
;~~~
P(BjA).
(4.8)
:~
0
Plus gnralement, si A1 ,A2, ... A, est un systme complet de Q et Bun vnement quelconque, on obtient la seconde formule de Bayes suivante:
P(A-jB) _
1 -
"5
1l.
" ,
0
-:=L:"';,-! ~...:l_P.:..(...:B.:..jA--'-)-::P:..:.(A--)
1 1
P(BjA;)P(A;)
i = 1,2, ... ,11.
(4.9)
ii.
Cette identit se dduit immdiatement de la premire formule de Bayes qui donne

P(A-IB) 1
P(BjA-)P(A-)
1 1
P(B)
(4.10)
104
4 Bases probabilistes pour la reprsentation diun signal alatoire
et de la dfinition d'un systme complet qui permet d'crire

P(B)
" =L
J~l
P(BIAJ)P(Aj),
(4.11)
Les formules de Bayes sont la base de la branche de la statistique appele statistique Baysienne. Ces formules sont couramment appeles formules des probabilits des causes. En effet, les A; peuvent s'interprter comme des causes incompatibles pouvant provoquer l'vnement B. Les probabilits P(A;) sont appeles probabilit a priori alors que les P(A;IB) portent le nom de probabilits a postenon.
Exemple 4.1.3 Application de /a formule de Bayes

Dans une usine deux machinesA1 etA2 fabriquent des boulons de mme type. A 1 sort en moyenne 0,3% de boulons dfectueux etA1 0,8 %. On a P(DIA il = 0,003 et P(DIA1) = 0,008. On mlange 1000 boulons dans une caisse, 650 provenant de A1 et 350 deA2. Lorsque l'on tire un boulon au hasard les probabilits dites a priori qu'il provienne deA1 ou deA2 sont: P(A 1l = 0,65 et P(A2) = 0,35. Sachant que l'vnement, not D: le boulon tir est dfectueux, s'est ralis, les probabilits prcdentes sont modifies et remplaces par les probabilits plus prcises dites a posteriori: P(AJID) et P(A2ID). Pour calculer ces probabilits, on applique la 2mc formule de Bayes. Indpendance Soient A 1 , ... ,A, un ensemble de 11 vnements dfinis sur un espace probabilis. Ces vnements sont dits indpendants deux deux si, et seulement si:
P(A;
n AJ) =
P(A;)P(A1 )
=f
(4.12)
ils sont dits indpendants dans leur ensemble si pour toute partie J de l'ensemble [l,2, ... ,n] on a:
(4.13)
Remarque Si l'on considre un ensemble de trois vnements, les deux formes d'indpendances sont quivalentes si, et seulement si, la formule (4.13) est valable pour I = [1,2,3]. Remarque On peut trouver des ensembles de 11 vnements indpendants dans leur ensemble et tel que tout sous ensemble de 11 - 1 vnements constitue un ensemble d'vnements non indpendants dans leur ensemble. L'incompatibilit de deux vnements est dfinie sur un espace probabilisable sur lequel aucune probabilit n'a t dfinie. L'incompatibilit de A et B ne fait pas
4.1
Variable alatoire
105
intervenir la probabilit, elle exprime simplement la condition A n B = r/J. Par contre l'indpendance de A et B est directement lie une probabilit. Elle peut donc changer avec la probabilit dfinie sur l'espace probabilisable considr. Deux vnements A et B peuvent tre en mme temps : -Indpendants et incompatibles -Indpendants et compatibles -Dpendants et incompatibles -Dpendants et compatibles.
4.1.2 Statistique une dimension

Nous considrons dans ce chapitre, une population Q d'effectif total N, et dont chaque lment prsente un caractre X. Soit, par exemple, un ensemble Q d'individus dont on veut tudier la taille X. chaque individu w on associe la valeur de sa taille x = X (w). Pour cela, on peut supposer que x appartient un intervalle [a,b]. On subdivise alors [a,b] en r sous-intervalles de mme amplitude et on appelle XJ ,x2 , ... ,x;, ... ,x,. les centres de ces intervalles. Au lieu d'associer chaque individu w, le nombre x, on convient de lui associer le nombre x; df1ni par le centre de l'intervalle contenant x. Ainsi un mme nombre x; peut tre associ plusieurs individus w. On appelle srie statistique pour le caractre X l'application qui chaque lment w de Q associe le nombre x;. Soit une srie statistique dont le caractre X a pour valeurs XJ,x 2, ... ,x;, ... ,x, . On appelle effectif partiel du nombre x; le nombre n; des lments w de la population Q dont la valeur du caractre est x;. Les frquences partielles sont dfinies par :
J;
=-
11;
avec
L .fi = 1
i=l
,.
et 0 ,:;
.fi ,:;
1.
La moyenne, la variance et l'cart type de X sont respectivement dfinis par:
, " ,
X= Lf;x;,
i=l
"
Var( X)
" .fi (x; =L

i=I
- X) ,
ax
=)var( X).
Dans ce qui prcde, nous avons introduit une application X qui associe chaque ii lment w le nombre x de lR?. et les nombres .D compris entre 0 et 1 et tels que leur ~ somme vaut 1. Lorsque le nombre N tend vers l'infini, chaque .D tend vers une { limite appele probabilit du nombre vers lequel tend x;. La fonction X tend vers une fonction limite appele variable alatoire (V.A) discrte. Le concept de V.A a t introduit pour quantifier>> les rsultats d'une exprience alatoire [2] [13] [16] [20]. Par exemple, le lancer d'une pice peut conduire aux deux rsultats possibles :
"
106
obtenir face ou pile. On peut associer ces deux rsultats respectivement les nombres -1 et 1 et parler des rsultats possibles - 1 et 1. Chacun parmi ces deux nombres est alors entch d'une probabilit qui sera celle de la face qui lui est associe. On a ainsi dfini une application X de l'espace probabilis associ l'exprience sur l'ensemble des rels, chacune des valeurs x prises par cette application tant affecte d'une probabilit gale celle de tous les antcdents de x. La loi de probabilit d'une V.A est compltement dtermine partir de la probabilit P introduite sur Q. On considre JR muni de sa tribu de Borel et on doit imposer X de vrifier la proprit suivante :
x- 1(8)
ET,
VB E lili
qui signifie que X est une application mesurable de l'espace probabilis (Q,T,P) (il(iB).-sT'f;;;;p(Sij;toute. appi~aon est me surab le. Toute application mesurable de (Q, T, P) est appele V.A. Une V.A complexe est une application d'un espace probabilis sur l'ensemble des nombre complexes telle que ses parties relle et imaginaire sont des V.A relles.
dans Fespace.proi:Jaii!sa:ble
X.
4.1.3 Loi de probabilit d'une variable alatoire

chaque V.A dfinie sur (Q,T,P) est associe sa<< loi de distribution de probabilits ou simplement sa<< loi de probabilit>>. La loi de probabilit d'une V.A X, note Px, est dfinie partir de P par:
Px(B) = P(wiX(w) E B) = P[X- 1(B)], VB E lili.
(4.14)
Pour une autre V.A, Y, dfinie sur le mme espace probabilis (Q,T,P), la loi de probabilit sera note Py mais s'il n'y a pas d'ambigut, on utilise la mme notation P pour la loi de probabilit de X, de Y et mme pour celles de toutes les V.A dfinies sur (Q,T,P).
Exemple 4.1.4 Variable certai11e et variable alatoire

Si l'espace probabilis est dfini par la tribu grossire T = [Q, <!>], toute application constante de Q dans JR est une V.A. Ce cas correspond une variable dite certaine. Si l'espace est dfini par une tribu de Bernoulli [,A,A,Q] la fonction indicatrice de A est une V.A dite variable indicatrice de l'vnement A. Si l'espace est dfini par une tribu engendre par une partition A 1,A2, . .. ,A,., une application X est une V.A. si, et seulement si, X est constante sur chaque A 1
4.1
Variable alatoire
107
Exemple 4.1.5 La notion de V.A dpend de la tribu choisie On considre l'espace probabilisable (Q,T) avec T = {Q,<!>}. Soit X l'application numrique telle que, W] et W2 tant deUX lments distincts de Q, on ait:
X(wJ) =x1 etX(w2l =x2
=f
XI
Montrer que X n'est pas une VA sur 1' espace probabilisable considr. En dduire que les seule fonctions pouvant tre des VA sur (Q, T) sont les fonctions constantes.
Parfois la fonction de rpartition est dfinie par :

F(x)
Px(X <x)
et on a l'identit :
F(x)
F(x)
+ Px(X =x).
On conviendra dans toute la suite que la fonction de rpartition est dfinie par (4.14). Elle possde alors les proprits suivantes. Non dcroissance:
~
~
XJ ,;;
x2
=}
F(xi) ,;; F(x2)
Valeurs l'infini: lim F(x)

x~-oo
= 0,
et
x-;.-oo
lim F(x)
= 1.
"'
8
~
0 0
Continuit : la fonction de rpartition F admet des limites droite et gauche en tout point x, ses discontinuits ventuelles sont bornes et elle est continue droite en tout point x.
" , " o.
"
0
"
'.
~
Cl Q
Exemple 4.1.6 Exemples de fonctions de rpartition Les fonctions suivantes sont des fonctions de rpartition.
108
F(x) =0 pour x< -c = 1/2 pour - c ,; x < c = 1 pour x ;;, c, c > 0 1 1 -e-x G(x) = 2 + 2(1 +e-x) H (x) = ex /2 pour x < 0 = 1 pour x;;, O.
La fonction F est la fonction de rpartition d'une V.A discrte qui ne peut prendre que les valeurs c avec une probabilit 1/2. On a une seule V.A associe F, car Fest une fonction en escaliers. La fonction G est la fonction de rpartition d'une V.A continue qui peut prendre << toute les valeurs relles >>. Il existe une innit de VcAadmettantGcommefonctionderpartition:-DeuxtellesV;Ane peuvent tre diffrentes que sur un ensemble de lR de probabilit nulle (elles sont dites gales presque partout au sens de la mesure G). La fonction H est la fonction de rpartition d'une V.A continue ne pouvant prendre que des valeurs ngatives et la valeur 0 avec une probabilit l/2. Comme pour G , il existe une infinit de V.A admettant H comme fonction de rpartition. Dans la majorit des problmes pratiques, on ignore compltement l'espace probabilis et on dfinit une V.A X par la donne de sa fonction de rpartition F. Il existe une infinit de V.A associes F et l'information contenue dans Fest commune toutes ces V.A. La probabilit pour que chacune de ces V.A prenne ses valeurs dans un intervalle ]a, b] s'exprime l'aide de F par :
Px(a <X,; b) = F(b)- F(a).
(4.16)
Variable alatoire discrte Une V.A X dfinie sur iR est dite discrte si elle ne
prend qu'un nombre fini ou dnombrable de valeurs avec des probabilits non nulles. Il existe donc une suite de nombres strictement positifs Pk dont la somme vaut 1 et une suite de rels Xk tels que Px(X = xk) =Pk. k = 1,2, ... et Px(X =f xk) =O.
Variable alatoire continue Une V.A X dfinie sur lR est dite absolument continue
s'il existe une fonction f telle que la fonction de rpartition de X se mette sous la forme
F(x) =
[~ f(t)dt,
'lx E ffi.
(4.17)
4.1
Variable alatoire
109
La fonction de rpartition d'une V.A absolument continue est dite fonction absolument continue et la fonction fest appele densit de probabilit de X. On a donc
F'(x) = f(x).
(4.18)
Une fonction f positive, continue par morceau et qui vrifie
+oo
f(t)dt = 1
-oo
(4.19)
est une densit de probabilit. La fonction de rpartition associe est alors dfinie par (4.17).
4.1.4 Fonction de rpartition et densit de probabilit

D'une manire gnrale, une V. A peut tre dfinie par la donne d'une fonction F non dcroissante vrifiant F( -oo) = 0 et F(oo) = 1. Cette fonction est la fonction de rpartition de la V.A considre. Un lment diffrentiel dx de JR:., centr en x, porte l'lment de probabilit:
dF(x) = f(x)dx
" +L
k=I
r5(x- xklPkdx
(4.20)
o f (x) reprsente la drive de F qui doit exister sauf aux points Xk et b(x - xk) la distribution de Dirac centre en X k. k = 1,2, ... ,11. Cette forme de d F fait apparatre une densit gnralise au sens des distributions qui est valable aussi bien pour reprsenter les V.A discrtes que les V.A continues. Dans toute la suite, il ne sera fait aucune distinction entre d P, d Px et d F. On utilisera surtout la notation d F et si l'on considre plusieurs V.A en mme temps, on introduira des indices pour distinguer les fonctions F associes (par exemple, Fx, Fr ... ) Pour une V.A absolument continue, l'lment d F(u) se rduit au seul terme f(u)du et pour une V.A discrte, dF(u) ne contient pas Je termef(u)du. D'o
Fx(x) = P(X
<;x)=[~ dF(u)
du
pour une V.A continue
= [~ f(u) =
(4.21)
L
XjCX
Xi
Pi
pour une V.A discrte.
110
4 Bases probabilistes pour la reprsentation d;un signal alatoire
Exemple 4.1.7 Fo11ctio11 de rpartitio11 d'u11e V.A discrte

Une V.A pouvant prendre les valeurs discrtes 1,2, ... ,6 avec les probabilits respectives P1, P 2 , . , P6 admet comme fonction de rpartition, la fonction F dfinie par:
dF(x)
=L
k=l
Pk6(x- xk)dx.
(4.22)
4.1.5 Fonction d'une variable alatoire

Soit une fonction dterministe lz de IR: dans IR:. toute V.A relle X on associe la nouvelle V.A Y dont chacune des valeurs y est obtenue comme image d'au moins unevaleun: de X.On pose
y= /z(X)
(4.23)
et l'on dit que la V. A Y est l'image de X par la fonction lz. On se propose alors de dterminer la densit de probabilit fr et la fonction de rpartition Fy de Y partir de la densitfx et de la fonction de rpartition Fx de X. Le cas le plus simple correspond des fonction lz monotones. Par exemple si lz est une bijection croissante, on obtient
Fy(y)
= =
P(Y,;; y)= P(/z(X),;; y)= P[X,;; iz- 1 (y)]
[Fxolz- 1](y),\f y
IR:.
D'o (4.24) Si l'on suppose F x et lz drivables, on obtient, en distinguant les cas h croissante et lz dcroissante :
Jy(y)
fx(x) llz'(x)l,
avec
y= h(x).
(4.25)
Exemple 4.1.8 Fo11ctio11 ajfi11e d'u11e V.A

Dans le cas d'une fonction affine y = h (x) = a x conduit :
j '() y y
+ b,
un raisonnement direct
( v-b) f X"';;"'
lai
4.1
Variable alatoire
111
Exemple 4.1.9 Fonction quadratique d'wze V.A

Considrons maintenant le cas de la fonction y= lz(x) = x 2 Pour dterminer Fy, introduisons l'vnement :
Av= [w/- oo < Y,;:; y)= [w/- oo < X 1 .
,;:;
.v}.
On a par df1nition Fy(y)

on a:
P(Ay). D'o Fy(y)
=0
pour y< 0 et pour y) 0,
Fy(y)
= P(Av) = P([wj- FJ,;:; X,;:; FJ)) = Fx(FJ)- Fx(-FJ) + P(X = -.JY).

=0
pour y,;:; 0 et pour Y> O.
La drive de Fy(y) donne la densitfy(y)

. Y
f ()') =
fx(FJ) r,; vY
fx(-FYJ r,; , -vY
Cette densit peut se mettre sous la forme :

fx(:q) fy(y) = liz'(xJ)I
fx(xz) llz'(x2)1
avec
y= h(xJ) = h(xz).
(4.26)
Ce rsultat peut s'obtenir directement en partant de (4.25) et en introduisant les restrictions monotones de lz df1nies sur m;- et m;+. Utilisant ce mme raisonnement, on peut gnraliser (4.26) au cas des fonctions h quelconques pour obtenir la relation suivante :
fr(y)
fx(xJ)
fx(x,.)
[h'(xJ)[
+ ... +
[h'(x,.)[
(4.27)
avec
y= /z(x 1)
= ... = h(x,.).
4.1.6 Esprance mathmatique, variance et cart type
L'esprance mathmatique d'une V.A X, si elle existe, est donne par:

E(X)
=ln {
= =
i:
x(w)dP(w) xfx(x)dx
=loo
xdFx(x)
-oo
pouruneV.Acontinue
(4.28)
LXi Pt
pour une V .A discrte.
112
L'esprance E(X) n'existe pas toujours. Par exemple, pour la densit de probabilit :
f(x)
1r(l
+ x 2)
Loi de Cauchy
(4.29)
l'intgrale E(X) est divergente. De mme, on peut dterminer a pour que la fonction dfinie parf(x) = 0 pour x o( 1 etf(x) = ax- 312 pour x> 1 soit une densit de probabilit. On peut vrifier que E(X) n'existe pas. Lorsque E(X) existe, pour tout rel o: donn on a : E(o:)
= o:
(4.30)
E(o:X) = o:E(X)
E(o: +X)= o:
+ E(X),
Pour faciliter la comprhension de ce thorme, nous donnons sa dmonstration dans le cas d'une V.A discrte. Supposons que X peut prendre les valeurs suivantes: XJJ,XJ2, ... ,XJ 111 X2J,X22X1n 2 XkJ,Xk2, ... ,Xk 11 k avec les probabilits PiJ ~ P(X = XiJ). Supposons que la fonction 1z qui n'est pas forcment injective, prend les valeurs y 1,y2,,,, ,)'k et que Yi= lz(xi\) = lz(Xi2) =,,, = lz(xi,.),
llj
i = 1, ... ,k.
Comme P (Y
= Yi) ~ qi = L
J~l
PiJ on obtient :
k
i=l
llj
k
j=l
llj
E(Y) = LYi'li = LYi LPiJ = LLYiPiJ

j=l i=l j=l
llj
= LL/z(xiJ)PiJ =
i=l j=l
lz(x)dFx(x).
lR.
Cette dmonstration se gnralise sans difficult au cas d'une V.A continue.
4.1
Variable alatoire
113
On peut tablir que sig est une fonction convexe et X une V.A telle que les esprances de X et de g(X) existent, alors on a:
g(E[X]) ~ E[g(X)].
(4.32)
Le thorme fondamental ci-dessus est trs important puisqu'il permet de calculer E(Y) directement partir de Fx(x) sans passer par la dtermination de la loi de Y. Il permet aussi d'introduire les grandeurs suivantes associes une V.A. La variance d'une variable alatoire est la quantit positive ou nulle dfinie par
' =var( Ll. Ll. E[(X. ' = ~ (x- E(X))-d ' Fx(x). cr X) = E(X))-]
(4.33)
IR
Le nombre positif u dfini par (4.33) est appel cart type de X. La fonction dterministe f(a) = E([X- a] 2 ) atteint son nummum pour a= E(X) et l'on a
f(a) = E((X- a) 2) = var(X)
+ [E(X)- af
(4.34)
Cette relation est comparer avec la formule de Kiinig-Huyghens sur les moments d'inertie. On dduit de (4.34) les rsultats suivants valables pour tout nombre dterministe a var(X) = E(X 2 ) var( X) =var( X+ a)
-
[E(X)]"
et var(a X) = a 2 var(X).
On a souvent besoin de connatre un majorant de la probabilit de l'ensemble des valeurs de X vrifiant 1X - E (X) 1 ;;, ku. L' ingalit de Bienaym-Tchebyshev donne par: P(IX- E(X)I ;;, ku)~-, Vk
. 1
k-
m:.+
(4.35)
penne! d'avoir un tel majorant en fonction de la valeur moyenne et de l'cart type de la V.A. Cette ingalit ne ncessite donc pas la connaissance complte de X. Pour tablir ce rsultat, il suffit de minorer l'expression de u2 comme suit:
cr= ' (x- E(X))-dFx(x) ~ ' lR (x- E(X)) dFx(x);, k
2 2
;, J
u1
{xj{x-E(X)\?kaj
dFx(x)
{xjjx-E(X)\?ka)
= k 2u 2 P(IX- E(XJI ;, ku).
114
4 Bases probabilistes pour fa reprsentation d'un signal alatoire
Exemple 4.1.1 0 Autre illgalit

Soit Y une V.A relle ne pouvant prendre que des valeurs non ngatives et pour laquelle l'esprance mathmatique E(Y) existe. On suppose que Y admet une densit de probabilit fy (y). Alors, on a :
P(Y ? k)
~
E(Y) --,
Vk > O.
En effet, on a
E(Y) ?
1~k yd Fy(y)? k 1~k d Fy(y)
? kP(Y? k).
siT'onappllqu ce rsultat x;: IY:...:<il"eiiprenanfk;;i";n obtient:

P(IY- al ? c)
~
E(IY- al")
E:"
Vs> O,Vn >O.
Exemple 4.1.11 V.A prellallt des valeurs e11tires

Si X est une V.A valeurs entires > 0, on a l'galit suivante:
L nP[X = n] = L P[X ;;, k].

11=1 k=l
00
co
(4.36)
En effet, on a P(X ? k) = Prob [X = k] + Prob [X= k + 1] + ... + Prob [X= co]. D'o en prenant k = 1, ... ,co et en sommant membre membre les galits obtenues, on obtient Je rsultat nonc.
4.1.7 Fonctions caractristiques, moments, cumulants

La fonction caractristique d'une V.A relle X est la transforme de Fourier de sa mesure de probabilit. Elle est note couramment <!>x et on a par dfinition:
<l>x(u)
E(e 1"x)
= { e1"xdFx(x), Ji?.
i2
= -1.
(4.37)
Comme Fx est une mesure borne et le 1" 1 = 1, la fonction<!> x existe toujours et elle est continue. Lorsque F x est une mesure absolument continue on a :
<l>x(u)
= {
}ft
e1"x fx(x)dx
(4.38)
4.1
Variable alatoire
115
o.fx dsigne la densit de probabilit de X. La fonction caractristique possde les proprits suivantes qui dcoulent directement de sa dfinition.
Pour tout entier positif k, on dfinit le moment centr d'ordre k, s'il existe, par
mk
E([X- E(X)]k)
=l
(x- E(X)ldFx(x)
et les moments non centrs par

"' E(X k ). Pk =
Les moments fLk peuvent se calculer partir de la fonction caractristique. En effet, si ct> x (u) est drivable 1' ordre k on a : (4.39) et si <Px(u) admet un dveloppement en srie au voisinage de 0, il est donn par:
00
<Px(u)
= "'':!___/ E(Xk). Lkt

k~O
(4.40)
D'aprs les proprits de la transforme de Fourier, deux V. A ayant la mme fonction caractristique ont forcment la mme loi de probabilit. Les formules d'inversion de la transforme de Fourier permettent d'obtenir
Fx(b)- Fx(a)
1 lim T-+oo 27r
l+T
-T
e-iua _ e-11b
<Px(u)
.
Ill
du.
(4.41)
Si
li<Px(u)ldu < oo
alors X admet une densit de probabilit.f(x) continue donne par

'5.
0
1 f(x) = -
~
0
27f
<Px(u)e-"'-'du.
Ill.
'
(4.42)
ii Il est facile d'tablir qu'une fonction caractristique vrile toujours:
L L <Px(u;- llj)Z;zj;, 0
ri "
(4.43)
i=l j=l
116
et ceci pour toute famille finie de rels liJ ,u2, .. . ,u" et pour toute famille finie de complexes Zl ,z 2 , ... ,z,. Une fonction vrifiant cette proprit est dite dfinie non ngative.
Exemple 4.1.12 Fonction caractristique d'wze V.A uniforme

Soit X une variable alatoire relle de densit uniforme sur [O,r.]. On dfinit les variables Y = cos(nX) et Z = sin(aX) o n dsigne un rel tx. 1. Dterminer les esprances mathmatiques E(Y) et E(Z). 2. En dduire, sans calcul, la fonction c~ar~ct~ri~tC]Ue de X. Comme toute fonction caractristique est continue au voisinage de 0 et vrite <Px(O) = 1, il existe un voisinage~ de 0 dans lequel <Px(u) =f O. Pouru E ~.on peut donc dfinir la seconde fonction caractristique de X par :
lllx(u) = Log<Px(u).
6
(4.44)
Comme lllx(u) est complexe, on choisit la dtermination de la fonction logarithme qui s'annule pouru= 1. Si lllx(u) est drivable l'ordre k on pose
111~\0) ~ ikCk(X)
et le rel Ck(X) est appel cumulant d'ordre k de X. Si lllx(u) admet un dveloppement en srie au voisinage de 0, ce dernier est donn par :
00
lllx(u)
=L
- i Ck(X). i k=O k .
tl
Remarque Partant de la relation entre lllx(u) et <Px(u) et utilisant un dveloppement limit, on peut tablir des relations entre les cumulants Ck(X) et les moments flk d'une Y.A X.
4.1.8 Fonction gnratrice

Soit X une V.A pouvant prendre les valeurs 0, 1,2, ... ,k, ... avec les probabilits po, Pl, P2 Pk. ... On peut associer X sa fonction caractristique <Px mais on lui prfre la fonction dtnie par
00
gx (z) = L.., PkZ ,

k=O
6 '\'
lzl
< 1
(4.45)
4.1
Variable aleatoire
117
appele fonction gnratrice de la VA X. Toute fonction gnratrice gx est holomorphe sur le disque 1z 1 < 1. En effet, comme
L Pkll ,;; L Pk = 1 k=O k=O

lzl
< 1. La
co
00
la srie est absolument et donc uniformment convergente sur le disque fonction gnratrice peut se mettre sous la forme suivante :
qui permet d'introduire les moments factoriels d'ordre n d'une VA X. Ces moments sont dfinis par: v,.[X] = E[X(X- l) ... (X -n
1)].
Ces moments factoriels sont dfinis aussi bien pour une V.A discrte que pour une V.A continue mais ils prsentent un intrt surtout dans le cas d'une V.A valeurs entires grce au rsultat suivant :
v,.(X)
= g~l)(l).
4.1.9 Lois de probabilits classiques

loi uniforme Une V.A discrte est dite uniforme si elle prend un nombre tini de valeurs x 1,x2 , ,x,. avec les mmes probabilits 1/n. Une V.A continue est dite uniforme sur [O,a] si elle admet une densit de probabilit dtinie par:
.f(x) = -I,.(x)
o la est la fonction indicatrice de [O,a]. On a:

~
o c ;;
0
E(X)
= ~
var(X) =
a, 12
"'x
eiua - 1 (li) = ----,--
i ua
..
j
-ci 0 c
D
0
~ 3
5 c ,
loi de Benoulli et loi binomiale B(n,p) La loi de Benoulli de paramtre pest la loi d'une V.A ne pouvant prendre que deux valeurs, en gnral on se ramne 1 et
0, avec les probabilits pet q

E(X)
= 1 -p. On a donc X 2 = X et par suite

= p(l- p) =
pq,
= p,
var(X)
<Px(u)
pe;"
+ q.
La loi binomiale peut tre introduite de plusieurs manires diffrentes. C'est la loi de la variable X gal au nombre de succs lorsqu'on rpte une mme exprience n
118
fois dans des conditions indpendantes sachant que cette exprience conduit deux rsultats complmentaires : succs ou chec. Introduisons cette loi en considrant une urne contenant N boules dont la couleur est soit blanche soit noire. Soit p la proportion de boules blanches et q = 1 - p celle des boules noires. Supposons que l'on effectue un tirage avec remise de n boules. Nous supposons donc que les n tirages successifs sont des preuves indpendantes. On dfinit ainsi une V.A X prenant comme valeurs le nombre de boules blanches tires. La loi de X est donne par:
P(X = k) = C~pkq"-k, k = 0, 1, ...
,11.
(4.46)
Les probabilits P(X = k) sont donnes par le dveloppement du binme

(p
" + q)" = L
k~I
C~pkqll-k
et pour cette raison, cette loi est appele loi binomiale de paramtres n et p. On la note B(n,p) et on a: E(X) =np, var(X) = npq,
<l>x(u) =(pei"+ q)".
Il est facile de voir que si X suit une loi B(n, p), la variable dfinie par Y = n - X suit alors une loi B(n, 1- p). Dans la pratique on est souvent conduit tudier la
V.A F =~appele frquence. Si la variable X suit une loi binomiale B(n,p), on
obtient facilement
k k 11-k p (F = ki Il ) = C"p q '

E(F) = p,
' 0 " = ' ... ,Il

Il
var(F) = pq.
La variable F prend des valeurs non entires mais suit elle aussi la loi B(n,p).
loi multinomiale et loi du tirage exhaustif Soit une urne contenant N boules dont les k couleurs sont numrotes par 1,2, ... ,k. Soit p; la proportion de boules de couleur i,i = 1,2, ... ,k. Supposons que l'on effectue un tirage avec remise den boules. Nous supposons donc que les n tirages successifs sont des preuves indpendantes. On dfinit ainsi une V.A x= (Xt,X2, ... ,Xk) prenant comme valeurs (111 ,112, ... ,nk) o n; reprsente le nombre de boules de couleur i tires. On obtient aprs calculs :
P(x= (nt,112, ... ,1lk)} =
11 !
1 1 1 11J.1121lk
P1 p,- ... pk
-
lit
lh
llk
Cette loi est appele loi multinomiale car P[X = (nt,ll2, ... ,nk)J est donn par le terme gnral du dveloppement suivant :
4.1
Variable alatoire
119
(PI + P2 + + )= Pk
Il
'"""
n!
flJ.112 ' 11k
IIJ, .. ,,Ilk
1 PtP2-Pk
Il]
/11
llk
Soit une population de N individus parmi lesquels une proportion p possde une proprit A. On prlve un chantillon de 11 individus parmi cette population (le tirage s'effectuant d'un seul coup ou au fur-et--mesure mais sans remise). Soit X la V.A prenant comme valeur le nombre d'individus de !"chantillon possdant la proprit A. On montre alors que
P(X
et un simple calcul donne
E(X)
= k) =
ck
N-p
cn-k
N-N-p
C" N
(4.47)
= 11p,
var(X)
= --11p(l- p).
N -1
-11
Loi de Poisson de paramtre . : P(.) C'est la loi d'une V.A entire pouvant prendre les valeurs 0, 1, ... ,oo avec les probabilits suivantes:
P(X
Un calcul simple donne
E(X) =.,
= k) = e->._,
k!
.k
kEN.
(4.48)
var( X) =.,
gx(z) = e'\(z-II,
Exemple 4.1.13 Loi de Poisson pondre

Dterminer la fonction gnratrice d'une V.A N valeurs entires pour laquelle les Pk sont donns par : oo e-u un 1 -Il Pk= --e(u)du, avec e(u) = -ea a 0 11!
On a, en prenant comme dfinition g(s) ~ E[(l - S)N] :
g(s)
oo =L
n=O
1oo -e-u un 1oo e-"e"(I-s)E(u)du -(1- s)"e(u)du =

0
Il.
1
0
00
1 =!!. e-ur -e a du a
= -1
1
0
00
e -n(s+-) a du
= -1
----,~
e-u(s+ft)
-s-a
1
00
1 1 +as
120
Loi exponentielle de paramtre : E(.\)
Cette loi est dfinie par
f(x)
= .\e-,\r
pour x:;, 0 et
=0
pour x< O.
On a:
E(X) =if.\,
var(X)
= 1(.\2 ,
<Px(u)
= -.--.
Ill-
-,\
Loi de Laplace-Gauss ou Loi normale: N(m,a) Cette loi joue un rle fondamen-
tal dans la pratique. Elle constitue un modle frquemment utilis dans diverses
applications. Une V.A X suit une loi normale si sa densit de probabilit est donne par: .fx(xl...= ............ h':.expL ... 7 , . uv2rr -uSi X suit la loi normale N(m,a), on montre que
E(X) = m,
1
-(x - m) 2
],
(4.49)
' var( X) =a,

X-m
a
Si on effectue le changement de variable :

T=h(X)=--
la nouvelle variable T suit aussi une loi N(O, 1) appele loi normale centre et rduite et on a :
.fT(t)
1'l' 1 --e-.
:;:j'i;r
La graphe de fr, appel courbe en cloche, admet comme asymptote 1' axe des abscisses t'tet deux points d'inflexion aux points 1t 1= 1 . La fonction caractristique de la variable rduite T est donne par :
<Pr(u)
= e-"'12.
La probabilit pour que X appartienne 1' intervalle [a, b] est donne soit par
P(X E [a,b])
fx(x)dx
soit par:
a-m b-m P(X E [a,b]) = P(T E [ - - , - - ] ) .
4.2 Couple alatoire
121
Dans la pratique, on introduit la fonction de rpartition de Tet on utilise des tables pour calculer les valeurs de cette fonction.
4.2
4.2.1
COUPLE ALATOIRE
Statistiques 2 dimensions
Nous considrons une population Q d'effectif total Net dont chaque lment prsente deux caractres X et Y. Soit, par exemple, un ensemble Q d'individus dont on veut tudier la taille X et le poids Y. chaque individu won associe la valeur de sa taille x= X(w) et celle de son poids y= Y(w). Dans la pratique, on peut supposer que x et y appartiennent respectivement aux intervalles [a ,b] et [c ,d]. On subdivise alors [a,b] en r sous-intervalles de mme amplitude et on appelle XJ,X2, . , x;, ... ,x,. les centres de ces intervalles. La mme opration sur [c,d] conduit s sous-intervalles de mme amplitude dont les centres sont YJ,Y2 ,yi .. ,y,. Au lieu d'associer chaque individu w, le couple (x,y), on convient de lui associer le couple (x;, Yi) dfini par les centres des intervalles contenant respectivement x et y. Ainsi un mme couple (x; ,yi) peut tre associ plusieurs individus w. On appelle srie statistique double de Q pour les caractres X et Y l'application qui chaque lment w de Q associe le couple (x;,))). Si, par rapport un repre cartsien xoy, nous marquons les points de coordonnes x;, Yi nous obtenons un graphique appel nuage de points ou << graphe >> de la srie statistique double. Soit une srie statistique double, dont le caractre X a pour valeurs x 1 ,x2 , , x;, ... ,x, et le caractre Y a pour valeurs y 1 ,y2 , .. . ,y;, . .. ,y_,. On appelle effectif partiel du couple (x; ,yi) le nombre "U des lments w de la population Q dont les valeurs des caractres sont respectivement x; et Yi. Nous obtenons le tableau 4.1 dont certains lments sont dfinis dans la suite.
TABLEAU 4.1 STATISTIQUES A 2 DIMENSIONS
y,
x
X] ll[]
Y:!
1lJ2
))
v,
Totaux
lltj
fll.l'
XJ.
1121
11"2.1
112.
11 j_,
11 i.
n,.
Totaux
Tl' l 11,2
ll.j
11 ..\'
122
4.2.2 Frquences partielles, marginales et conditionnelles

Les frquences partielles sont dfinies par :
' s
fu
= N
11ij
avec
0 ( /ij ( 1 et
I : I : t i i = 1.
=l j=l
La somme des effectifs partiels contenus dans la ligne de x; est gale 1 'effectif des lments dont la valeur du caractre X est x;. On reprsente par le symbole 11;. cette somme, le point remplaant l'indice de sommation j qui disparat. Les nombres n;. sont appels effectifs marginaux et ils vrifient :
s n;.
= LniJ. i =
i~l
1,2, ... ,r.
(4.50)
On appelle frquence marginale dexr;i=,l,,2;::,:;r;le rapport
.f;=N.
On suppose que tous les effectifs marginaux sont diffrents de 0 et on appelle frquence conditionnelle de la valeur x; sachant Yi le nombre not.fiu donn par:
lili=-=-. ll.i fi
nij
n; .
Iii
On obtient la relation suivante qui relie les trois types de frquence :
/ij =fi/iii
Inversant les rles de i et j, on obtient :
. =,f;i .tJli f;.

o ( ti li (
1.
Comme les frquences conditionnelles vrifient :
o ( .fj1; (
1 et
I: .f;li = I: .fj1; = 1
i=l }=1
'
les nombres .fi li pour j fix (res . .fj1; pour i fix) dfinissent des distributions de probabilit, appeles probabilits conditionnelles du caractre X sachant Y = Yi (res. du caractre Y sachant X =x;).
4.2.3
loi conjointe, loi marginale et loi conditionnelle
Dans ce qui prcde, nous avons introduit une application qui associe chaque lment w le couple (x, y) = (x;, Yi) de JR:.2 et le nombre f;i compris entre 0 et 1 . On a
4.2 Couple alatoire
123
ainsi dfini une variable alatoire sur JR2 partir des probabilits associes toutes les valeurs possibles du couple (x,y). On remarque que la connaissance des deux V.A X et Y est insuffisante pour dterminer la loi du couple (X,Y). Considrons une population Q d'effectif total pouvant tre fini, dnombrable ou non dnombrable. Chaque lment w prsente deux caractres X et Y. Chacun des deux caractres X et Y peut tre considr comme une V. A et 1' on se propose de faire une tude conjointe du couple (X, Y). Soient deux V.A X et Y dtnies sur le mme espace probabilis (rl, T, P). Ces variables sont donc des fonctions mesurables de Q sur lR associant tout lment w de Q un couple de rels (x, y) = {X (w), Y (w)] . La V. A (X, Y) deux dimensions est dfinie par: (4.51) o B2 reprsente la tribue de Borel sur JR 2 Loi conjointe La loi de probabilit conjointe d'un couple alatoire est la loi qui donne la probabilit, note Px y, du couple (X, Y). Elle est dfinie par la connaissance, pour tout (A1,A2) E llll 2, des probabilits: (4.52) Les ensembles de valeurs de (X,Y) qui n'ont pas d'antcdent ont donc une probabilit nulle.
Fonction de rpartition La fonction de rpartition d'un couple alatoire est la fonction de lf!. 2 dans [0, 1] dfinie par
FXY(x,y)
Pxr(X,::; x,Y,::; y).
(4.53)
La loi de probabilit est une mesure de masse totale 1 dfinie sur lf!.2 et la fonction de rpartition Fxy(x,y) donne la valeur de cette mesure sur le quart de plan ] - co,x]x ]-co, y] comme l'indique la relation:
F.n(x,y)
l 1"
x -oo
-oo dPxy(u,v).
(4.54)
124
4 Bases probabilistes pour la reprsentation dlun signal alatoire
Si la fonction Fxr(x,y) est absolument continue sur ll2 , Le., il existe une fonction fxr telle que Fxr(x,y)
l 1"
x -oo
-oo
hr(u,v)dudv
(4.55)
le couple alatoire (X, Y) est dit absolument continu et la fonctionfn est appele densit de probabilit conjointe de (X,Y). La fonction Fxr est alors drivable en tout point (x ,y), sauf sur un ensemble fini ou dnombrable de points, et l'on a
- = ,fxr(x,y). axay
fn(x,y) ~ 0 V(x,y)
a2 Fxr
(456)
Comme Fxr est non dcroissante par rapport x et y, on peut en dduire que
E
lll: 2 .
(4.57)
Dans le cas o (X,Y) ne peut prendre qu'un nombre tni ou dnombrable de valeurs (x;,)'J) avec des probabilits ponctuelles Pu = Pxr(X =x;, Y = YJ). le couple est dit discret On lui associe alors la densit dtnie par la distribution suivante : fxy(x,y) =
L
Xj,J'j
Pu6(x -x;,)'- y1 )
(458)
o 6(x -x;,)'- y1 ) est la distribution de Dirac deux dimensions. D'une manire gnrale, un couple (X,Y) est dt1ni par la donne d'une fonction de rpartition. cette fonction, on peut associer une densit de probabilit gale la somme d'une composante continue et d'une autre composante discrte. Soit: dFxr(x,y) = lfxr(x,y)
+L
Xj,)'j
Pu6(x- x;,y- )'J))dxdy
(4.59)
o les Pu sont tous nuls pour un couple continu etfxy(x,y) est identiquement nulle pour un couple discret La fonction de rpartition s'crit donc Fxr(x,y)
[~ ~~~ fxr(u,v)dudv + x,,;~,;y Pu.
(4.60)
Si (X, Y) est absolument continu, on a forcment P[X =x)= 0 et P[Y =y)= 0 pour tout x E ll et tout y E JP:. Une simple observation du graphe reprsentant le rectangle R = [(x,y)fa ~x< b,c ~y< d) conduit la relation:
4.2 Couple alatoire
125
P(R)
l b!d
li ('
F(b,d)- F(a.d)- F(b,c) dPxr(u,v)
l"!d
{/
F(a,c) .fxr(u,v)dudv.
Cette probabilit peut donc tre reprsente par le volume du prisme compris entre le rectangle R xoy et la surface d'quation z = .fXY(u,v).
loi marginale On peul s'intresser la projection de la probabilit PXY sur chacune des coordonnes X et Y. On dfinit alors les fonctions de rpartition des variables X et Y prises indpendemment l'une de l'autre. Ces fonctions, appeles aussi fonctions de rpartition marginales, ont pour expressions : Fx(x)
Fxr(x,+oo)
= [~i:oo dPXY(u,v) = i~i:oo dPxr(u,v).
(4.61)
et
Fy(y)
Fxr(+oo,y)
(4.62)
Ce sont des fonctions d'une seule variable: x ou y. Pour un couple continu, les densits de probabilit (appeles densits marginales) s'introduisent alors naturellement comme suit :
.fx(x)
= d Fx(x) d. = .t
=
d Fy(y)
dy
l+oo
-CXJ
_hy(x,y)dy
(4.63)
et
jy(y)
l+oo .
-DO
.fxr(x,y)dx.
(4.64)
loi conditionnelle Pour mesurer un lien ventuel pouvant exister entre deux V.A X et Y, on introduit le concept de lois de probabilits conditionnelles. Tl s'agit de
trouver la loi de probabilit d'une V.A lorsque la seconde a une valeur fixe. On se place directement dans le cas d'un couple continu. Soit A et B les vnements dfinis par: A= {(X,Y)jx,; X< x+ dx et - oo <y < +oo]
" '5.
.9
0
et
B
((X,Y)jy,; Y< y +dy et- oo <x< +oo] .
"'..
j
On a
Pxy(A) = dx
1i
a
9
+oo
fXY(x,y)dy
et
PXY(B) =dy -oo .fXY(x,y)dx
-oo
+oo
126
Pxr(A nB)= .fxy(x,y)dxdy.
Le thorme sur les probabilits conditionnelles conduit la dfinition de la probabilit de X conditionnellement Y = y comme suit :
Pxy(AIB)
Pn(A nB) Pxr(B)
-+!xv(x,y) dx. ./_ 00 .fxy(x,y)dx
(4.65)
On dfinit alors la densit de probabilit de X conditionnellement Y= y, note fxp =y (x), de sorte que :
Pxr(AIB) = .fxp=y(x)dx =
fxr(x,y) +oo . dx. .fcc06 fxy(x,y)dx
(4.66)
Pour Y =y fix, le couple (X,y) est une V.A dont la densit de probabilit est donne par.fxll'=v{x). On introduit aussi la fonction de rpartition conditionnelle dfime par
Fxll'=y(x)
=lx
fxiY=y(u)du.
-00
Inversant les rles de X et Y, on dfinit la densite.fnx=x(Y) et la fonction de rpartition Fr]X=x(Y) de Y.

Esprance mathmatique et loi conjointe L'esprance d'une V.A X se calcule partir de la loi conjointe du couple (X, Y) comme suit:
E(X) =
= =
L: L: L: L: L:
xdFx(x) = x.fxy(x,y)dxdy
xdFxr(x,y)
Pour un couple continu
(4.67)
LXi Pi}
i,j
Pour un couple discret.
4.2 Couple alatoire
127
4.2.4 Variables alatoires indpendantes

Deux V. A relles dtnies sur le mme espace (Q, T, P) sont dites indpendantes si \f(A,B) E l!l\2, on a:
Pxy([X E A})
n [Y
B}) = Px(X E A) Py(Y E B)
(4.69)
ceci quivaut dire que la loi de probabilit du couple (X,Y) est gale au produit des lois (lois marginales) de chacune des variables X et Y prises sparment.
Comme consquence directe de la dfinition, on peut tablir que si X et Y sont deux V.A indpendantes, on a :
E(XY) = E(X)E(Y).
(4.71)
4.2.5 Fonction de deux variables alatoires

Cas d'une fonction quelconque Soit une fonction dtenniniste lz de !R2 dans !R2 dfinie par : lz: (X,Y)-+ (Z,T) =lz(X,Y)
(4.72)
On dit que le couple alatoire (Z,T) est l'image par lz du couple (X, Y). Comme dans le cas d'une V.A, on peut tre conduit dterminer la densit de probabilit !zr et la fonction de rpartition Fzr de (Z, T) partir de la densit fxr et de la fonction de rpartition Fxr de (X,Y).
5.
~
Ce rsultat est la gnralisation au cas d'un couple du thorme dj tabli pour une V.A. Il permet de calculer l'esprance de Z directement partir de la loi du couple (X,Y) et sans passer par la dtermination de la loi de Z. Somme et produit de deux V.A, inverse d'une V.A On va dterminer la loi de la V.A dfinie par Z =X+ Y en fonction de celle du couple (X,Y) dans le cas gnral o les variables ne sont pas forcment indpendantes. Nous considrons direc-
128
tement le cas d'un couple continu, le cas discret pouvant tre trait d'une faon similaire. Nous allons faire ce calcul de deux manires diffrentes. La premire consiste introduire la fonction dterministe h de iR:2 dans iR:2 , dfinie par:
h (X, Y)
(Z
+ Y, W =
Y) .
Calculer ensuite la densit .fzw en fonction de fxr et dterminer enfin la densit fz de Z comme densit marginale. La deuxime mthode consiste calculer directement la fonction de rpartition Fz de Z et d'en dduire ensuite fz en drivant par rapport z.
Mthode 1 L'expression de h(X, Y) peut s'inverser et conduire la solution unique X = Z - W, Y = W. Comme le Jacobien de l'application (4. 71) vrifie J (x, y) = l pour tout (x,y), l'application h est inversible et tout lment de surface infinitsimale"dS=cl:tyentr en (.t,)>)serransfotme"enutrlmenni:E = d al w centr en (z., w) et rciproquement. Les probabilits associes d S et d:E sont les mmes
et l'on a : fzw(z,w)ld:EI
= .fxr(x,y)ldSI = fn(z-
w,w)ldSI. on
Comme les deux surfaces dS et d:E vrifient ld:EI obtient
= IJ(x,yJIIdSI = ldSI,
.fzw(z,w) = .fxr(z -w,w).
La densit de Z, dfinie en tant que densit marginale, est donne par

fz(z) =
i":
fxv(z- w,w)dw.
(4.74)
Mthode 2 On commence par calculer la fonction de rpartition :
Fz(z)
P[(x,y)jx +y,;:; z}
+001'-\' , . fxv(x,y)dxdy.
00
-00
La drivation de Fz(z) sous le signe intgral, par rapport z, conduit immdiatement l'expression de fz obtenue ci-dessus. Si les V.A X et Y sont indpendantes, la densit f x y se factorise et on obtient :
.fz(z)
+oo
-oo
.fx(z- y),h(y)dy.
4.2 Couple alatoire
129
On peut vrifier facilement les rsultats suivants : 1. La somme des deux V.A de Poisson indpendantes de paramtres ,\ 1 et .\ 2 est une V.A de Poisson de paramtre,\, + .\2. 2. La somme de deux V.A binomiales indpendantes de lois B(n.p1) et B(n.p2) est une V.A binomiale B(n.p 1 + 1'2). 3. La somme de deux V.A gaussiennes (normales) indpendantes de lois N(m,,df) et N(m2.~) est une V.A gaussienne de loi N(m, + m2.df + u~). On verra plus loin que la somme de 11 V.A gaussiennes dans leur ensemble est aussi une Y.A gaussienne mme si ces V. A sont lies. Mais dans ce dernier cas la variance de la somme n'est pl us gale la somme des variances.
Exemple 4.2.1 Indpendance de V.A uniformes sur zm rectangle

Soit (X, Y) uniforme sur le carr [0, 1] x [0, 1]. On peut vrifier facilement que X et Y sont indpendantes et donc la densit .fz de Z = X + Y est gale au produit de convolution :
fz(z) =
+oo
-~
fx(z- w)fy(w)dw.
C'est donc le produit de convolution de la fonction indicatrice de l'intervalle [O,a] par elle-mme. On obtient la fonction triangle symtrique de support [a,a] et qui admet (O,a) comme sommet.
Exemple 4.2.2 Mise en srie de deux rsistances

On considre deux rsistances R;,i = 1,2. On suppose que R, et R2 sont deux V.A indpendantes et que chaque R; a une loi unifonne sur l'intervalle [m;- D.R,m; + D.R]. 1112 > IIIJ. 1. Exprimer l'esprance et l'cart type de R; en fonction de m; et de D.R. 2. On s'intresse la mise en srie des rsistances R;,i = 1,2. Donner la densit de probabilit.f,(w) de la rsistance R., = R, + R2 et tracer son graphe. La loi du produit de deux Y.A peut tre tablie partir de la loi conjointe en suivant la dmarche adopte pour tablir la loi d'une somme. On sait que si les 2 V.A sont indpendantes, cette loi est gale au produit des lois de chacune des 2 Y.A. Dans le cas gnral, on n'a pas d'expression explicite.
e.
0
Exemple 4.2.3 Mise en parallle de deux rsistances
{
j
-ci
0
On considre deux rsistances R;,i = 1,2. On suppose que R 1 et R2 sont deux Y.A indpendantes et que chaque R; a une loi uniforme sur l'intervalle [m; - D.R,m; + D.R]. 1112 > m,. On s'intresse la mise en parallle des rsistances R;,i = 1,2. On suppose que D.R;/R; << 1 (rsistances de bonne qualit).
130
4 Bases probabilistes pour la representation d'un signal aleatoire
Donner des expressions simplifies pour les densits suivantes. l.DensitdeX 1 = l/R; 2. Densit de 1/Rp = l/R 1 + 1/R 2 3. Densit de Rp.
4.2.6
Covariance et coefficient de corrlation
Comme dans le cas d'une V.A une dimension, la variance de la V.A X est dfinie par var(X) = E([X- E(X)] 2 ) = E[(X) 2] - [E(X)f (4.75)
et on a une expression analogue pour la variable Y. Mais les grandeurs E(X),E(Y),var(X) et var(Y) ne permettent pas de mesurer un lien ventuel pou. vaiifexister.eiitr.Xet.Y.a11iiiiroduifil.forsTaiioiivellequaiifitiCpple covariance de X et Y, dfinie par: Cov(X,Y) = E[[X- E(X)][Y- E(Y)]). (4.76)
On peut vrifier, directement partir de sa dfinition, que l'oprateur Cov(X, Y) possde les proprits suivantes : Cov(X,X) = var(X) Cov(X,Y) = Cov(Y,X)
Cov(aX,j]Y) = aj] Cov(X, Y)
Cov(X,Y) = E(XY)- E(X)E(Y). L'esprance E[[X + aY] 1 ) est un polynme de degr 2 par rapport la variable a. Comme ce polynme ne prend que des valeurs non ngatives lorsque a varie sur IR!, on peut en dduire l'ingalit suivante (Ingalit de Schwarz) : ICov(X,Y)1 1 ~ ICov(X,XJIICov(Y,Y)I. Cette ingalit montre que le nombre
7 r = -..j;=va=r""( X"'J~..j v=ar'7(Y'"')~) =
(4.77)
"
Cov(X,Y)
Cov(X,Y)
(4.78)
appel coefficient de corrlation linaire de (X, Y), vrifie

-l~r~l.
(4.79)
4.2 Couple alatoire
131
Deux Y.A X et Y sont dites non corrles si elles vrifient la proprit suivante :
Cov(X,Y) =O.
(4.80)
On dit aussi que les deux Y.A sont orthogonales. Il est facile de voir que X et Y sont non corrles si, et seulement si, r =O. On admet que plus la valeur absolue de r est proche de 1, plus les V.A sont corrles. Donc plus r est proche de 0, plus les V.A sont dcorrles et elles sont orthogonales pour r =O. Deux V.A indpendantes sont forcment non corrles et ceci pour toute loi de probabilit. La rciproque est fausse pour une loi de probabilit quelconque mais peut tre vraie pour certaines lois particulires comme la loi de Gauss. Cependant la non corrlation conduit au rsultat suivant important dans la pratique : si deux V.A X et Y sont non corrles, on a pour tout couple (a,(3J de nombres rels: (4.81) Le coefficient de corrlation entre X et Y reprsente le cosinus de l'angle form par les vecteurs X- E[X) et Y- E{Y). Un coefficient de corrlation nul exclut l'existence de relation linaire entre X et Y mais n'exclut pas l'existence d'autres types de relations. Dans la pratique, la notion d'indpendance est difficile vriter et on prfre se limiter savoir si deux Y.A sont plus ou moins corrles. L'tude d'un couple alatoire se fait donc souvent, de manire incomplte, partir de la seule connaissance de la matrice dtnie par :
r!.
var(X) [ Cov(X,Y)
Cov(Y,X)].
(4.82)
var( Y)
t
3
0
-~
Cette matrice symtrique, dnomme matrice de covariance ou matrice de corrlation du couple alatoire est compltement dtermine par les moments du second ordre du couple (X, Y). Elle possde des proprits importantes qui seront nonces plus loin dans le cas gnral d'un vecteur alatoire.
,
g
c
Exemple 4.2.4 V.A non corrles et dpendantes

cercle de rayon R et centr l'origine des coordonnes. Les densits marginales sont donnes pour 1 x 1> R par .f,; = 0 et pour 1 x 1~ R par :
5. On considre le couple alatoire (X 1 ,X2 ) uniformment rparti l'intrieur d'un

8 0
-5.
'5
}x;(x)
2~R 2 -x 2
1rR-
(i
1,2).
132
4 Bases probabilistes pour la reprsentation dlun signal alatoire
On vrifie quefxJx, dantes.
=f fx 1x,
et les variables X 1 et X 2 ne sont donc pas indpen-
Un calcul simple conduit E(XJ) sont corrles.
E(X2)
E(Xt Xl)= 0 et donc les variables
Exemple 4.2.5 V.A corrles et indpendantes

Les deux Y.A (X, Y) de densit conjointe:
fxv(x,y)
k
(1 +xl)(!+ y2)
sont videmment indpendantes et un calcul simple montre qu'elles sont corrles.

4.2.7JOJJ~tioncaractristique...d'.un couple alatoire
On appelle fonction caractristique d'un couple alatoire (X, Y) la fonction de JR2 dans <C dfinie par (4.83) On a donc
<PXY(u,v) =
= =
1"' 1"'
L
k.j
-00
L: L:
-00
ei(ux+vy)dFxy(x,y) ei(ux+vv) fxy(x ,y)dxdy
Pour un couple continu
ei(u:r1. +v _v;) Pkj
Pour un couple discret.
(4.84) La fonction caractristique est la transforme de Fourier de la densit de probabilit du couple alatoire. Elle possde donc des proprits importantes qui ne seront pas dveloppes ici. Par exemple, deux Y.A X et Y sont indpendantes si, et seulement si, la fonction caractristique du couple (X,Y) est gale au produit de celles de X et Y, i.e.,
<PXY(u,v)
<Px(u)<P!'(v).
(4.85)
4.2.8 Esprance et variance conditionnelles

Soit Y une Y.A relle et X une V. A pouvant tre qualitative. Pour une valeur X =x txe (ou une situation possible dans le cas o X est qualitative),le couple (X, Y) se rduit la V.A (x,Y). L'esprance mathmatique de (x,Y) est une fonction valeurs relles de la variable x :
4.2 Couple alatoire
133
h(x) = E(YIX =x) ER
(4.86)
Cette fonction est donc une V.A qui prend les valeurs lz(x) avec les probabilits P(X =x). Cette V. A est appele esprance conditionnelle de Y sachant X. On la note E(YIX) et !"on a:
E(YIX)
6/z(X) = 61+oo = -oo YfYix(y)dy.

=
(4.87)
On dfinit de la mme manire !"esprance conditionnelle de X sachant Y par

E(XIY)
6k(Y) = 61+oo -oo xfxil'(x)dx.
(4.88)
Si X 1 ,X 2 et Y sont trois V.A dfinies sur le mme espace probabilis et (n,(3) un couple de rels, la dfinition de !"esprance conditionnelle conduit la relation suivante: (4.89)
La dmonstration de ce rsultat important est donn ci-dessous, dans le cas d'un couple continu. On a :
E(Y)
= i:y = =
i: i:
[j_: [j_:
.fxy(x,y)dx}ty
YfYIX=x(y)dy] fx(x)dx
E(YIX
= x)fx(x)dx = E[E(YIX)].
134
On introduit parfois le nombre PXIl' appel rapport de corrlation de X en Y, dlni par: ,

PXJY
" var[E(XIYJJ var[ X]
(4.92)
Ce nombre vriie 1 ~ PXJY ~ 1. Si p~IY = 1, alors X est relie Y par une relation fonctionnelle au sens de l'analyse classique. Si p~IY = 0, alors E(XI Y) est gal une constante avec une probabilit 1. En effet, si p~IY = 1, alors on a E[var(X}Y)] = 0, i.e. var(XIY) = 0 avec une probabilit 1. Pour Y fix, la V.A X ne prend qu'une seule valeur X= <!>(Y). Le rapport p~IY est donc maximal (= 1) si X est relie Y par une relation fonctionnelle au sens de l'analyse classique. Si p~IY = 0, alors on a var[E(X}Y)] = 0, i.e. E(X}Y) est gal une constante avec une probabilit 1. On dit qu'il y aabsencededpendance en moyenne entre X et Y.
4.2.9 Esprance conditionnelle et projection

Nous allons donner une interprtation des grandeurs associes un couple alatoire en se plaant directement dans le cas des V.A complexes. Un couple (X, Y) valeurs complexes est une application d'un espace probabilis sur l'ensemble des nombres complexes IC 2 dont chacune des deux composantes X et Y est une V.A valeurs complexes. Rappelons que X est une V.A valeurs complexes si ses parties relle et imaginaire sont des variables alatoires relles. Soit lE 1' ensemble des V. A relles ou complexes dfinies sur le mme espace probabilis (0., T, P) pour lesquelles
<X, Y>
" E{XY) =
< oo.
(4.93)
Considrons sur lE la relation d'quivalence X = Y ssi X= Y avec une probabilit !, c'est--dire la probabilit de l'ensemble des w pour lesquels X(w) =f Y(w) est nulle. L'ensemble, dnomm L 2 (P), de toutes les classes d'quivalence ainsi dfinies est un espace vectoriel complet pour la topologie dfinie par la norme (4.94) En effet, il est facile de vriler que (4.94) dfinit bien une norme puisque (4.95) L'ensemble L 2 (P) est donc un espace de Hilbert et il appel ensemble des V.A de carr sommable ou d'ordre deux. La dfinition de la covariance d'un couple alatoire complexe se gnralise comme suit : Cov(X,Y) ~ E[[X- E(X))(Y- E(Y)]. (4.96)
4.2 Couple alatoire
135
o Z dsigne le complexe conjugu de Z. L'cart type et la covariance sont donc la nmme et le produit scalaire des VA centres.
Ce rsultat est une consquence directe du fait que le minimum de E {(X -a )2 } est atteint pour a = E(X).
Dmontrons titre d'exemple que l'oprateur Oy vrifie les deux proprits suivantes (c'est donc un projecteur):
0y0y(X)
Oy(X) (oprateur idempotent)
< Z,Oy(X) >=< Oy(Z),X > (oprateur auto-adjoint)
La premire proprit est vidente d'aprs la dfinition de l'esprance conditionnelle. La deuxime proprit s'obtient en utilisant le thorme de l'esprance totale. On a en effet :
E{ZE(XIY))
= E(E[ZE(XIY)IYJ) = E[E(XIY).E(ZIY))
et ceci prouve la proprit par symtrie.

Remarque Le thorme de la variance totale s'interprte comme le thorme de Pythagore appliqu au triangle dont les cots sont X- E(X), X- E(XIY) et E(XIY)- E(X) qui est rectangle en E(XIY). En effet, on a:
var(X) ~ Il E(XIY)- E(X)

-ci
0
11
+Il X- E(XIY)
11
= var[E(XIY)] + = var[E(XIY)] +
E[[X- E(XIY)f) E[E[[X- E(XIYlfliY]
= var(E(XIY)J + E[var(XIY)}.
136
4.3
4.3.1
VECTEUR ALATOIRE
Passage d'un couple un vecteur alatoire
L'tude de la loi de probabilit d'une V.A X, peut dpendre de la connaissance des valeurs prises par d'autres V.A X",X3, ... ,X,. Pour faire cette tude, il faut connatre en premier lieu la distribution de probabilit du H-uplet (X 1,X", ... ,X,) qui est une application mesurable de (Q,T,P) dans lR". D'o la notion de vecteur alatoire. Associons aux n V.A X 1 ,X" .. ,X,, dlnies sur le mme espace probabilis (ri., T, P), le n-uplet
(4.99)
appel_vgria!Jlealatoire. Jl . . clii11ensi()11ti()ll_v_cectel1r al~~t()i[~[lJ.l. . co]Tiposantes. La loi de probabilit d'un vecteur alatoire est la loi qui donne la probabilit, note P,, pour que x prenne ses valeurs dans un sous-ensemble quelconque de JR". Cette loi est dtnie naturellement par:
(4.100)
g,
P((w]jX 1(w) E A,.i
1, ... ,11)
(4.101)
et ceci pour toute partie A 1 x ... x A, de JR".
L'esprance mathmatique d'un vecteur alatoire est le vecteur certain de JR" dfini par:
rn= E(x) = (E(Xt),E(X"), ... ,E(X,)] .

Un vecteur alatoire est dit centr s'il vrifie la condition
E(x) =O.
1'
(4.103)
(4.104)
4.3
Vecteur alatoire
137
4.3.2 Fonction de plusieurs variables alatoires Soit une fonction dterministe h de JR" dans JR"' dfinie par
h: (XJ, ... ,X,)-+ (YJ, ... ,Ym).
(4.105)
Si les X; dsignent des V.A, alors chaque Y; est une V.A monodimensionnelle, Y; = h;(X 1.... ,X,), fonction des V.A X 1, ,X,. Comme dans le cas d'un couple alatoire, on a le thorme suivant.
~~~~~
;,
"' '" ; '

~{\l;.u,;;
;;;
..:;;
:e!;;':j, :,- "
::v
2
;11
"''
-~
: ,,
'"'~';&
-;;. l+.
"':~
,.;;_,.
. '1
'L'
~-
::.
. '2.~ '.: ,.,
1~6~:
.~
''~'
..
.1 1
Ce rsultat gnralise les thormes dj noncs pour une V.A et pour un couple. Les notions de densits conjointes, de lois marginales et de lois conditionnelles, introduites pour un couple alatoire, se gnralisent galement de manire naturelle aux vecteurs alatoires. La loi d'un vecteur alatoire se rattache celle d'une V.A comme le prcise le rsultat important suivant.
Exemple 4.3.1 Soit X 1,i = 1,2, ... ,11, une suite de 11 V.A de Bernoulli indpendantes et de mme paramtre p. La loi de probabilit de la variable dfinie par
0 ~
o. 8 0
(4.108)
" -g 3
0
l
est une loi 6(11, p). Dmontrer que la fonction caractristique <Px (u) de X est gale au produit de celles des X 1. En dduire que
<Px(u)
(pe
1 "
+ q)".
(4.109)
138
4 Bases probabilistes pour fa reprsentation d'un signal alatoire
Exemple 4.3.2 Loi d'une somme alatoire de V.A indpendantes

On considre N VA, X 1, ,XN dfinies sur le mme espace probabilis, indpendantes et de mme loi (iid). On suppose que N est aussi une VA. On se propose d'exprimer la fonction caractristique de la nouvelle V.A: (4.110) On obtient en appliquant le thorme de 1' esprance totale :
<Py(u) =
E(E[/"L:~,x'JINJ
= Etfl E[e;"x'IN])
k=l
= E{,y(ul]N))

= <PN(-jLog[<Px(u)]).
4.3.3 Indpendance statistique et orthogonalit

Les composantes de x sont dites statistiquement indpendantes dans leur ensemble si la fonction caractristique est gale au produit des fonctions caractristiques de chacune des composantes de x, i.e., <Px(U)
" =TI <Px;(u;).

i=l
(4.111)
L'indpendance ainsi dfinie est difficile vrifier dans la pratique. On se limite souvent l'information contenue dans les moments d'ordre 2 des composantes de x. On introduit alors la matrice de variance-covariance (ou matrice de covariance) dfinie par :
fx ~ E{[x- E(x)][x- E(x)fj.
(4.112)
Si x est complexe, on doit remplacer [x- E(x)f par son conjugu. Cette matrice est compltement dtermine par les moments d'ordre 2 associs au vecteur x et joue un rle important dans les applications pratiques. Si les composantes de x sont des VA rduites, i.e. des VA de variances gales l'unit, la matrice de covariance de x est appele matrice de corrlation. Par abus de langage, on ne fait pas de distinctions entre matrice de corrlation et matrice de covariance. Si x a des composantes relles, la matrice r x est symtrique et elle est hermitienne dans le cas o les composantes sont complexes. Da11s les deux cas, r x vrifie la proprit suivante ( matrice dfinie non ngative):
4.3
Vecteur alatoire
139
" L
i.j=l
>.,>.nij
~o.
v>.,
o les 'Yi) reprsentent les lments der,. En effet, si Z est la V.A complexe dfinie par
z ~ L'\Xi
i=l
"
o les ,\ sont des nombres complexes arbitraires, on a:

EUZ1
2
J=
" L
i,j=l
>.,>.nij ~o. v,\
puisque l'esprance E[IZ1 2] est forcment non ngative.
Les n V.A X1 ,X2, ... ,X, sont dites non corrles si la matrice de corrlation du vecteur x ayant pour composantes les X, est une matrice diagonale. Soit XJ,X2, ... ,X,: noncorrles ssi Cov(X,,X;)=pouri
=f
j.
Remarque Il n'y a pas de distinction entre la non corrlation deux deux et la non corrlation tout court. Par contre, des V.A indpendantes deux deux ne sont pas forcment indpendantes dans leur ensemble. Variance d'une somme de V.A non corrles La variance d'une somme de V.A non corrles est gale la somme des variances de chacune de ces V.A. Pour tablir ce rsultat trs utile dans les calculs, il suffit d'utiliser la linarit de l'esprance et d'appliquer la dfinition de la non corrlation, i.e., si x, et X; sont non corrles on a Cov(X,,X1) =O.
Exemple 4.3.3 Variance d'wze smmne de V.A indpendantes

Un avion long-courrier peut transporter 100 passagers et leurs bagages. Il pse 120 tonnes, sans passagers ni bagages, mais quipage compris et plein de carbu"'B. rant. Les consignes de scurit interdisent au commandant de bord de dcoller si j le poids de l'appareil charg dpasse 129.42 tonnes. Les 100 places ont t rserves. Le poids d'un voyageur suit une loi d'esprance mathmatique 70 kg et d'cart-type JO kg. Le poids de ses bagages suit une loi d'esprance mathmatique
~ ~
0
140
4 Bases probabilistes pour la reprsentation drun signal alatoire
20 kg et d'cart-type 10 kg. Toutes ces variables alatoires sont supposes indpendantes.

l, L'esprance mathmatique du poids total de l'appareil au moment du dcollage
est-elle conforme aux consignes de scurit ? 2. Calculer l'cart-type u du poids total de l'appareil. 3. Donner un majorant de la probabilit pour que le poids rel de l'appareil au dcollage dpasse 129,42 tonnes.
4.3.4 Vecteur gaussien rel, reprsentation complexe
Un vecteur alatoire x est dit vecteur gaussien 11 dimensions si toute combinaison linaire de ses composantes est une V. A gaussienne, i.e., pour tout vecteur dtermi.. ni ste a, laV:Ascalaire dfinie parY~aixestgaussienne: Tenant compte des proprits de la fonction caractristique, on peut supposer que x est centr. Le thorme de Cramer-Wald [6] permet d'tablir que la loi de x est alors parfaitement dtermine. L'expression de la fonction caractristique <Px se dduit de la relation :
<l>x(a)
<Py(l)
si
Y= a x.
Il
Comme, Y est par dfinition une gaussienne centre et de variance : var(Y) =aT ra o
r ~
"' '+'y ( Il )
E[xxT] dsigne la matrice de covariance du vecteur x, on obtient: . l' espresswn . smvante = e -l!var(Y) 2 . D' ou pour "' '+'x :
(4.113)
Partant de cette expression, on peut tablir les rsultats suivants pour un vecteur
gaussten.
1. Les composantes de x sont indpendantes si elles sont non corrles, i.e., si et seulement si la matrice de covariance est diagonale.
2. Si la matrice de covariance r d'un vecteur alatoire gaussien x est inversible, x
admet une densit de probabilit et cette dernire est donne par :

. xE IP!."--+ fx(x) 1
_l(x-m)Tr - 1(x-rn)
)(27r)"[det(rJ{ 2
(4.114)
4.3
Vecteur alatoire
141
3. Les moments d'ordres impairs sont nuls, i.e.

(4.115)
el les moments d'ordres pairs sont donns par :
E[x1,x1,
x 1"] =
L E[xa-uJJxa-u,Jl ... E[xa-11"_, 1xa-u,kll

(T
(4.116)
o u dsigne une permutation de (1 ,2, ... ,2k) el o la somme est tendue J'ensemble de tous les donnant des termes diffrents. Le membre de droite de (4.116) comprend une somme de (2k- 1)!! ~ 1.3.5 ... (2k- 1) termes. En particulier si l'on prend i 1 = i" = ... = i"ko on obtient
(4.117)
Tous les cumulants d'ordre n est donne par :
=f
2 sont nuls et la seconde fonction caractristique
(4.118)
Exemple 4.3.4 Moment d'ordre 4 d'une V.A gaussienne

La relation (4.120) donne pour X1 =X"= X 3 = X 4 =X, E(X 4 ) dsigne la variance d'une V. A gaussienne centre.
= 3a-"
ou a-
Il est possible d'introduire la dfinition d'un vecteur gaussien comme tant un vecteur dont la loi est dfinie par (4.114). On dmontre alors que le caractre gaussien se conserve dans toute transformation linaire, i.e., si x esl un vecteur gaussien, alors il en est de mme pour y = h (x) o h est une transformation linaire. Cette proprit fondamentale s'obtient en calculant la fonction caractristique de y. Cette proprit est valable pour les vecteurs de dimension finie ce qui est souvent le cas des espaces fonctionnels rencontrs dans diffrents domaines tels que l'automatique et le traitement du signal. Par contre, h(x) n'est plus gaussien si h est non linaire. Les V.A gaussiennes jouent un rle important dans la pratique pour les raisons suivantes. La loi de Gauss introduit de grandes simplifications dans les calculs. Toute combinaison linaire de V.A gaussiennes dans leur ensemble est une V.A gausstenne. La loi de Gauss s'introduit naturellement dans un trs grand nombre de problmes en raison du thorme central limite >> qui sera nonc plus loin. Ce thorme relie la moyenne arithmtique d'une infinit dnombrable de V.A une V.A gaussienne.
142
Il y a quivalence entre la notion d'indpendance et celle de non-corrlation dans le cas de V.A gaussiennes.
Exemple 4.3.5 Carr d'une V.A gaussienne

Soit X une V.A gaussienne centre et de variance "". On pose Y = X". Les variables X et Y sont statistiquement lies puisqu'il existe une relation entre ces deux variables. On a E(XY) = E(X 3 ) = 0 puisque c'est le moment d'ordre trois d'une variable gaussienne centre. Les variables X et Y sont donc orthogonales. On a E(XY") = E(X""+ 1) = 0 puisque c'est un moment d'ordre impair d'une variable gaussienne centre.
Exemple 4.3.6 Combinaison linaire de deux V.A gaussiemzes

Soit( X, Y} un couple alatoire rd, ce11tr-' etdeJnatrjce de .coy<~fiance :
r ~[
1 o
ct] 1 ,0 <
ct
< l.
On dfinit la nouvelle variable alatoire Z ~a X+ bY o a et b sont deux constantes dterministes.
1. On suppose que chacune des V.A X et Y est gaussienne. Alors Z est non gaussienne.
2. On suppose que chacune des V.A X et Y est gaussienne et que X et Y sont indpendantes. Alors Z est aussi gaussienne. 3. On suppose que le couple (X,Y) est gaussien. Alors le calcul de la fonction caractristique c/>z de Zen fonction de a et b montre que Z est gaussienne.
Exemple 4.3.7 Reprsentation complexe d'un vecteur gaussien

Pour des raisons pratiques, la notion de V.A valeurs complexes joue un rle important dans plusieurs applications. Les dfinitions de moments, de cumulants et de V.A gaussienne, ont ts introduites dans le cas complexe en utilisant des dmarches plus ou moins diffrentes [ 16]. Si Z est une V. A relle ou complexe, sa fonction caractristique est dfinie par :
<l>z(w,w)
E[A(WZ+wZ\
= -1
o w est une variable dterministe complexe et w le complexe conjugu de w. La fonction <l>z est donc une fonction des deux variables complexes w et w qui prend des valeurs relles. Pour les variables relles, Z = X, <l>z est relie la fonction caractristique classique par :
<l>x(u) = <l>z(u,u) = <l>z(u,u)
4.4 Suites de variables alatoires
143
o u est une variable relle. Ainsi cette extension penne! d'avoir une seule dfinition de la fonction caractristique qui est valable aussi bien pour des V.A valeurs relles que complexes. En particulier, les concepts de moments, cumulants, variable gaussienne seront dfinis sans distinction entre le cas rel et le cas complexe. Les rsultats dans le cas complexe ne seront pas dvelopps dans ce chapitre.
4.4
SUITES DE VARIABLES ALATOIRES
Si X, et X 2 sont deux VA dfinies sur le mme espace probabilis, leur somme X 1 + X2 et leur produit X 1X2 dfinissent des V. A sur cet espace. Ce rsultat s'tend au cas de plusieurs V.A. L'ensemble des V. A dfinies sur le mme espace (Q, T, P) est un sous-espace vectoriel ."(!J,IR) de J'espace vectoriel des applications de !J dans R C'est galement un sous-anneau de J'anneau des applications de !J dans R Supposons que la loi de probabilit Fx(x,n) d'une V.A X dpend d'un paramtre n pouvant prendre toutes les valeurs entires. Les fonctions F x(x ,n) sont dtermines partir de la loi de probabilit P introduite sur l'espace probabilis (Q,T,P). On peut s'intresser aux proprits asymptotique des Fx(x,n). On introduit alors pour chaque 11 fix, une V. A note X, admettant Fx (x ,n) comme fonction de rpartition. Il est clair que X, n'est pas unique. On dfinit ainsi une suite de V. A. Les diffrentes notions de voisinage d'un point donne de l'espace [ (Q ,IR) permettent d'introduire diffrents types de convergences d'une suite de V.A sur ."(!J,!R) [13] [16] [20].
4.4.1
Convergences d'une suite de variables alatoires
Une suite de V.A X,, 11 EN, appartenant [(!J,IR) tant une suite de fonctions de dans R il existe diverses faons de dfinir la notion de convergence de X, vers une V.A limite X. Certains types de convergences jouent un rle important en calcul des probabilits. Quatre types de convergences vont tre examins dans cette section.
Q
a) Convergence en probabilit ou convergence faible

La suite (X,) converge en probabilit vers la V.A X si pour tout rel numrique
P,,,
.~
tx, la suite
P[w/IX,(w)- X(w)l,;; E}
(
j(W/IX,(W)-X(W)J,;E)
dP(w)
E
0
'_
converge vers 1. On dnomme cette convergence par la ?-convergence. Cette convergence exprime que pour 11 suffisamment grand et E quelconque, la probabilit de l'vnement
6 A,,,= [w/IX,(w)- X(w)l
< E}
(4.119)
144
est arbitrairement voisine de 1. Cette convergence est la convergence en mesure classique o la mesure est dfinie par la mesure de probabilit P.
b) Convergence presque sre ou convergence forte
La suite (Xnl converge presque srement (p.s.) vers X si la suite des ensembles
An.ll
= (w/IXn(w)- X(w)l = 0)
tend vers un ensemble A de probabilit 1 : P(A) = 1. Cette convergence est la convergence presque partout classique o la mesure est dfinie par la mesure de probabilit P.
Condition suffisante La suite (Xn) converge p.s. vers X si l'une des deux conditions suivantes est vrifie :
1. Pour tout f.t fix, la srie termes positifs suivante est convergente :
S
L P[(wfiXn(w)- X(w)l > ltll

II=
00
2. Il existe un rels > 0 tel que la srie termes positifs suivante est convergente :
S
L
11=0
00
E(IXn-
Xl'}.
On peut vrifier titre d'exemple que la preuve du point 2 dcoule du point \. en utilisant l'ingalit de Tchebyschev qui permet d'crire:
P(w/IXn(w)- X(-')1 > lt) ~ E(IXn- Xl'.l/V'
c) Convergence en moyenne d'ordre p
La suite (Xnl converge en moyenne d'ordre p vers X si la suite numrique

Vn
E(IXn
Xl")
converge vers O. Le cas le plus frquent en pratique correspond p dans ce cas de convergence en moyenne quadratique (m.q).
= 2 et l'on parle
Lemme de Love Une condition ncessaire et suffisante pour qu'une suite (Xnl converge en m.q. est que, lorsque met Il tendent vers l'infini, indpendamment l'un de l'autre, la suite suivante tende vers une limite :
4.4
145
d) Convergence en loi
La suite de V.A (X,.) de fonctions de rpartition Fx,. converge en loi vers la V.A X de fonction de rpartition Fx si en tout point x o Fx (x) est continue, la suite numrique Fx,. (x) converge vers le nombre F x (x). Pour des V. A discrtes la convergence en loi vers une V.A s'exprime par P(X,. = k) converge vers P(X = k) pour toutes les valeurs k de X,.. Une suite de V.A discrtes peut cependant converger vers une V.A continue (par exemple, la loi de Poisson converge vers une loi de Gauss : voir dans la suite de ce chapitre). Si une suite de V.A X,. admettant des densits .f;, et X une densit .f~ alors la convergence en loi de (X,.) vers X implique la convergence ponctuelle de la suite .f;, (x) vers .f (x) en tout point x.
e) Convergence des fonctions caractristiques
La convergence en loi est lie la convergence des fonctions caractristiques comme le prcise le thorme suivant.
Levy-Cramer-Dugu 1. Si la suite (X,.) converge en loi vers X alors cp x,. converge uniformment sur tout intervalle [a,b] vers cp x.
2. Si la suite de fonctions (cpx) converge vers une fonction cp dont la partie relle est continue l'origine, alors cp est une fonction caractristique et la suite (X,.) converge en loi vers une V.A X dont la fonction caractristique est donne par
cpx = cp.
f) Liens entre les diffrents types de convergence
Nous allons donner trs brivement quelques rsultats sur les liens entre les 4 notions de convergence. La p.s convergence implique la convergence en probabilit. En effet, il est clair que Au.o est contenu dans A,..c, introduit en (4.119) et donc P(A,..o),; P(A,..cl. Comme la probabilit est majore par 1, la condition P(A,..o) tend vers 1 entraine P(A,..El tend vers 1. La convergence en m.q implique la convergence en probabilit. En effet, on a
lr~.
~
~
{ IX,.- Xl 2d P(w);, {
j[W/[X,.-X[?[
IX,.- X1 2dP(w)
{ j[Wj[X,.-X[?[
;, c2
d P(w)
= c2 P[(wfiX,. -Xl ;, c)].
~ D'o
~
P[(w/IX,. -Xl ;, c]] ,;
E{IX,.,
E-
X1 2 }
V,, = ---,
E-
'leE lR!. .
(4.120)
146
La convergence en probabilit implique la convergence en loi. En effet, la convergence en probabilit implique que pour Il suffisamment grand et E quelconque, l'vnement An,E dfini par (4.119) est quasi certain. La suite des fonctions Fx" converge donc ponctuellement vers la fonction de rpartition de X. La convergence en loi est la convergence la plus faible dans le sens o elle est entrane par les trois autres. Cependant, c'est la convergence la plus utilise en pratique car elle permet d'approximer la fonction de rpartition de X, par celle de X pour les grandes valeurs de n.
Exemple 4.4.1 galits en moyenne quadratique et presque srement

On a X
= Y en moyenne quadratique (X "'dl Y) si, et seulement si, X = Y presque
srement (X!';;_ Y). En effet, X"~ Y quivaut E(IX- Yl 2) = 0 et X!';;_ Y quivaut f'[{J/X4Xll = 0 .Lers11ltat ~n()nc ~~ cl~duitirnrndiaternent de l'galit suivante.
E(IX- Yl 2 ) = {
j[W/[X-Y[#O)
IX- Yl 2 c/P(w) IX- Yl 2 dP(w)
+ {
IX- Yl 2c/P(w)
j{W/X=YI
= {
j{WJX#YI
P[(w/X
Y)].
4.4.2 Loi des grands nombres

La somme de V.A indpendantes et de mme loi, on utilise souvent l'abrviation V. A ii d qui signifie << independent and identicaly distributed >>,joue un rle fondamental en statistique. Nous donnons ici quelques rsultats fondamentaux concernant ce problme.
4.4 Suites de variables alatoires
147
Si (X,) est une suite d'chantillons, on a: p,, condition (4.124) est toujours vrifie.
= p, et <7~ = <72 et dans ce cas, la
4.4.3 Thormes de la limit centre
Pour dmontrer ce rsultat, il suffit de poser n Y, = I:~= 1 X k Ce rsultat se gnralise comme suit.
148
4.4.4
Approximations des lois de probabilit classiques
Approximation d'une loi binomiale par une loi de Poisson Soit X,. une suite de V.A binomiales de loi B(n,p) telles gue 11 etp tendent respectivement vers oo et 0 de manire ce que le produit np tende vers une limite lnie . Alors la suite X, converge en loi vers une V. A de Poisson de paramtre . Approximation d'une loi multinomiale par une loi binomiale Lorsque N tend vers l'infini, la loi H(N,n,p) tend vers la loi binomiale B(n,p). Approximation d'une loi binomiale par une loi normale Si X,. est une suite de Y. A binomiales de loi B(n, p), alors la suite de V.A dfinie par
converge en loi vers une V.A normale centre et rduite.

Approximation d'une loi de Poisson par une loi normale Soit X,\ une famille de V. A suivant la mme loi de Poisson P (,\), alors la famille
converge en loi vers une Y.A normale rduite.

4.4.5 Approximations des moments d'une variable alatoire
Soient x1 ,i = 1, ... ,n une suite d'observations indpendantes et de mme loi (iid) de la mme V.A vectorielle x p dimensions et soit fJ un vecteur dterministe. Une fonction g des variables x 1, . ,x, telle que E[g(Xt, ... ,x,)]=() (4.128)
est un estimateur non biais de fJ. Deux situations importantes dans la pratique correspondent aux cas o g(x 1, ,x,.) est un estimateur d'un moment ou d'un cumulant. Diffrents types d'estimateurs des moments et des cumulants sont proposs dans la littrature. Les plus importants sont fonds sur les k-statistigues et correspondent aux cas o la fonction g(x 1, ,x,.) est un polynme symtrique des composantes des x1. Nous rappelons ci-dessous des rsultats sur ces estimateurs dans le cas multidimensionnel puis monodimensionnel.
4.4
149
Pour un nombre d'chantillons fix 11, une mesure de la prcision de l'estimateur de l"k peut tre faite 1' aide de la quantit :
wk
,; var(!J,k)
E-(,Lk)
7
1 =- (vk- 1)
Il
avec
vk
,;
m2k -,-,
mk
mk
=f 0
appeles variances relatives. Les rsultats suivants montrent que la suite des variances relatives des estimateurs empiriques des moments n'est pas croissante dans le cas gnral. En revanche, si la loi de x est symtrique et centre, seule l'estimation des moments pairs prsente un intrt et dans ce cas la suite des variances relatives est croissante.
150
4.1
Dnombrement et calcul de probabilits
. Soient.n.etp . . deux .entiers . naturels._Calculerle_nombre . . de...n.uplets solutions . . de _ _ l'quation x1 + ... +x,= p dans chacun des deux cas suivants: x; E (0,1} puis x; EN.
4.2
Fonction d'une V.A
Soient X une V.A continue et h une fonction dterministe drivable. La fonction h permet d'associer X une autre V.A note Y = h(X) et par dfinition, une valeur y de Y est obtenue comme image par h d'une valeur x de X, i.e. y = h (x). On suppose h drivable et on se propose de calculer la densit de probabilit fy de Y en fonction de celle de X note.fx. Traiter le problme dans les cas suivants. 1. lz(x) = 2x- 3.
2. h(x)
= -2x.
3. lz(x) =sin x et X distribue uniformment sur]- 7f,7f].
4.3
Formule de Huyghens et Ingalit de Tchebyshev
1. On appelle variance d'une variable alatoire X la quantit note var(X) ou a 2 ,
dtnie par var(X) = E([X E(X)f).
Dmontrer les proprits suivantes reliant var( X) et E(X) : var( X) = E(X 2 ) E[(X- a) 2 ] = var(X)
-
[E(X)f
E
+ (E(X)- a) 2 ,a
lR
(Huyghens).
151
2. On considre la fonction f d ti nie par pour xE [-1,1] et f(x) = 0 smon. 4 Dtenniner ,\ pour que f soit une densit de probabilit. Soit X une V. A de densit f. Calculer E (X), var(X). Utilisant l'ingalit de (Bienaym-Tchebyshev) dterminer une valeur du nombre k, k > 0, pour que l'ingalit
P[X
E [ -k,k]]
' f(x) = 1 - - x-
soit vrifie. Commenter le rsultat obtenu. 3. Soit Y une V.A relle ne pouvant prendre que des valeurs non ngatives et pour laquelle l'esprance mathmatique E(Y) existe. On suppose que Y admet une densit de probabilit .fy (y). Alors, on a :
E(Y) P(Y ? k) ,;; - - , k
Vk > O.
4.4
Fonction de rpartition
Soient X une V.A unifonnment rpartie sur l'intervalle rel [-c,c] eth la fonction dtenniniste dfinie par :
h(x)=x-c pour x?c = 0 pour lx 1< c =x+ c pour x,;; -c,
c >O.
On introduit la nouvelle V. A Y = h (X). Calculer la fonction de rpartition Fv , la densit de probabilit fr de Y et l'esprance mathmatique E (Y) de la nouvelle V.AY. 4.5 Fonction gnratrice
On considre une variable alatoire N ne prenant que des valeurs entires positives ou nulles et on appelle p[k]la probabilit p[k] = Prob[N = k], k ? 0, k entier. On appelle fonction gnratrice de N la fonction g(s)
E[(l- s)N].
(4.130)
".
j
1. Donner l'expression de g(s) l'aide de p[k] et calculer g(O).
2. Calculer la drive premire et la drive seconde de g(s). En choisissant une valeur approprie des, en dduire l'expression de E[N] et de E[N(N- 1)].
152
3. On appelle moment factoriel d'ordre p (p entier) deN la quantitj~
E[N(N- 1)
... (N-p)]. Exprimerfp en introduisant la fonction g(s).
4. Calculer explicitement g(s) lorsque N est une variable alatoire obissant une loi de Poisson de paramtre m. En dduire les moments factoriels dans ce cas.
4.6
Fonction caractristique
On considre une variable alatoire relle X dont la densit de probabilit est donne par a f(x) = o " a-+ xl:Exprimertren fonction de ci.
2. Dterminer la fonction caractristique de X.
3. Que peut-on dire de !"existence des moments p.,
~ E(X") pour 11 entier positif?
4.7
loi exponentielle
Soient une constante positive et X une variable alatoire continue dont la densit de probabilit est dtnie par f(x) = e-.1x pour x;;, 0 etf(x) = 0 sinon. 1. Dterminer la densit de la variable alatoire Y =ex
2. Calculer l'esprance de Y.
3. Dterminer la loi de probabilit de la variable Z = [X] o [X] dsigne la partie entire de X. (On rappelle que [x] est le plus grand entier infrieur ou gal x).
4. On considre deux variables alatoires indpendantes X et Y de lois exponentielles de paramtres ,\ et ft respectivement. Calculer la probabilit de 1" vnement [X,:; Y).
4.8
loi du carr d'une V.A gaussienne
On rappelle que la densit de probabilit d'une VA gaussienne X de valeur moyenne m et de variance a2 est donne par
f(x) =
1 r= exp[ uv27r
(x - m )2
" 2u-
}.
On se propose de calculer les moments centrs dtnis par : m, ~ E {(X -
nd'}.
4.5
153
1. tablir une relation de rcurrence entre lllh et

lllh
m,_
et en dduire !"expression de
en fonction de a-.
2. On suppose m
= 0 et on considre la nouvelle V. A Y = h (X) o la fonction h est

h(x)
dfinie par :
= ax 2 .a
>O.
Exprimer la fonction caractristique <l>y(u) de Y en fonction de la densit de X et se ramenant une intgrale sur [O.oo[, introduire le changement de variable dlni
par : y = ax 2 ,x > 0.
3. En dduire, sans aucun calcul d'intgrale, la densit de probabilitfy{y) de Y. 4. Dterminer, sans aucun calcul d'intgrale, !"esprance mathmatique de Y.
4.9
Loi conjointe et lois marginales
Soit (X,Y) un couple alatoire uniforme sur le triangle T = ((x,y), x> O,y > 0, x+ y< a) 1. Tracer le triangle T dans le plan xay et donner l'expression de la densit de probabilit conjointe de (X,Y).
2. Dterminer les densits marginales de X et Y.

3. Les variables alatoires X et Y sont-elles indpendantes ?
4.10 Corrlation et indpendance

Soit {X, Y) un couple alatoire continu rel de densit uniforme dfinie par:
fxy(x,y)
= ,
= 0
si [x[+ [y[ ,; 1 ailleurs.
1. Dterminer la constante
~
0
2. Dterminer la densit (marginale) fx de la V.A X et calculer E(X). Traiter les mmes questions pour Y. 3. Calculer E(XY) et en dduire la valeur du coefficient de corrlation de X et Y. 4. Les variables X et Y sont-elles indpendantes ?
On considre une V.A deux dimensions {X, Y) uniforme sur le carr [O,a] x [O,a].
1. Dterminer les densits de probabilit marginalesfx(x) etfy(y) de X et Y.
0 -..
2. Dmontrer que X et Y sont indpendantes. 3. Dterminer la densit de Z =X+ Y.
154
4 Bases probabilistes pour la reprsentation drun signal alatoire
4.11 V.A valeurs complexes On considre la V.A valeur complexes dfinie par :
o/1, .hA 1, A" sont des constantes positives, n un entier relatif fix et rjJ 1,rjJ 2 , B trois V.A indpendantes deux deux et de mme loi uniforme sur [-a,a].
1. Calculer l'esprance mathmatique E[x,].
2. On choisit pour a la plus petite valeur pour laquelle E[x,]
= 0, 'ln. Dterminer
cette valeur et calculer la covariance ln.m
~ E[XnX1~,].
4.12 Somme de deux V.A Deux personnes se donnent rendez-vous la sortie de leur travail entre 19 et 20 h. On suppose qu'on peut associer aux deux instants d'arrive des deux personnes respectivement deux V.A X et Y, continues, indpendantes et uniformes sur le carr
[O,I]x[O,I].
1. Dterminer la fonction de rpartition Fw de la variable alatoire W qu'on peut associer au temps d'attente de la premire personne arrive. 2. En dduire la densit de probabilit .fw de W. 3. Calculer E ( W). 4. Les deux personnes conviennent que la premire anive s'en ira aprs une attente gale 2E(W). Quelle est la probabilit pour que le rendez-vous ait lieu?
4.13 Produit de deux V.A On considre le couple alatoire continu (X,Y) de densit de probabilit uniforme sur le carr [0, 1] x [0, 1]. On construit partir de (X,Y) la nouvelle variable alatoire W dont les valeurs sont dfinies par :
w = lz(x,y) = xy.
"
Dterminer la fonction de rpartition Fw de la variable W. En dduire l'expression de la densit .fw de W. 4.14 Rapport de deux V.A On considre le couple alatoire (X, Y) de densit de probabilit k
.fxy(x,y)
(1
+ x")(l +y").
155
1. Dterminer la valeur de la constante k.
2. Trouver la fonction de rpartition de FXY (x ,y) .

3. Calculer la probabilit pour que le couple alatoire (X, Y) appartienne aurectangle [0,1] x [0,1]. 4. On construit partir de (X, Y) la nouvelle variable alatoire Z dont les valeurs
sont dfinies par :

z
" =-. v = h(x,y) =

x
Exprimer la fonction de rpartition Fz de la variable Z en fonction de Jxr- En dduire l'expression de la densit fz de Z.

4.15 Couple gaussien
On rappelle que la densit de probabilit d'un vecteur alatoire V 11 dimensions, rel, centr et gaussien est donne par
(4.131)
o x est un vecteur 11 dimensions, lation de V dfinie par
xT
sont transpos et
la matrice d'autocorr-
Dans toute la suite de 1' exercice on se place dans le cas les composantes du vecteur V. On suppose que E(X duit le coefficient de corrlation c dfini par:
-Jr.:E'=( X~ 2c=)E~(o==Yo;= 2)
E(XY)
2 )
= 2 et on appelle X et Y = E(Y 2 ) = c? et on intro11
c
[
c c c
;3.
-d
0
c c c
1. Exprimer la densit de probabilit en fonction de cet(]' et calculer la probabilit p = P[X ;:, 0 el Y ;:, 0]. Pour ce calcul on peut utiliser les coordonnes polaires et
_, "
on doit trouver :
p
= - [- + Arc tg
2n 2
7r
.QI
v l - c2
r;----or ].
156
2. On construit partir du couple alatoire (X, Y) le nouveau couple (Z, T) dfini par:
Calculer la fonction caractristique <l>zT(u,v) de (Z,T) ainsi que les moments E(Z), E(T), E(Z 2), E(T 2 ) et E(ZT).
4.16 Bornes infrieure et suprieure de plusieurs V.A

Soient X 1 , ,X, une suite de 11 V.A relles de mme loi. 1. Soit Y la V.A dfinie par Y=min(XI;;:;;X;,): Dmontrer que les fonctions de rpartition de Y et de X1 vrifient l'ingalit
2. On suppose, en plus, que X 1 , , X,. sont indpendantes. tablir la relation qui existe entre la densit de X 1 et celle de la V. A, Z, dtnie par
Z
= max(X 1, ,X,.).
4.17 Mouvement brownien

On considre la suite de V.A x,.,
11
1,2, ... , dfinie par:
x"=
" .z=uj
j=l
o les Uj sont des V.A relles, centres, indpendantes deux deux, et toutes de mme variance c?-. Donner la structure de la matrice de covariance du vecteur alatoire x de composantes Xj, 1 ,:; j ,:; N.
4.18 Proprits d'une matrice de corrlation

Soit M une matrice lments dans <C dfinie positive (M > 0). 1. Montrer que pour toute matrice A inversible, on a
M>O
ssi
AHMA>O.
157
2. Montrer que pour toute matrice N ayant le mme nombre de lignes que M, on a
M > 0
implique M
+ N NH
> O.
3. On sait que toute matrice hermitienne d'ordre n s'crit d'une manire unique sous
la forme
" M = LAkukut
k~l
o les ,\k sont les valeurs propres de Met les Uk !es vecteurs propres associs, supposs de norme l. Dmontrer que les ,\k sont rels et que deux vecteurs u, et Uj associs deux valeurs distinctes A, et ,\ sont orthogonaux, i.e., U,H Uj
,\ =f
,v
=0
pour
4. Soient X un vecteur dont les composantes sont des variables alatoires dfinies sur le mme espace probabilis et soit M sa matrice de covariance dfinie par
M = E[XXH]. Dmontrer que M est dfinie non ngative.
4.19 Espaces propres associs une matrice de corrlation
On considre M vecteurs orthonorms de ICN, S 1, ,SM et on introduit le vecteur alatoire:

M
x=y+b,
y= LAjSj
j=l
o les Aj sont des V. A non corrles, de variance
a} et indpendantes du vecteur b.
"5.
On suppose que les composantes de b sont orthogonales et de mme variance of,. On suppose N > Met on pose K = N - M. 1. Dterminer la matrice de covariance r x du vecteur alatoire x. 2. vrifions que les sk sont des vecteurs propre de r x et dterminer les valeurs
propres associes.
3. Dmonter que la matrice
r y est de rang M.
et donner sa multiplicit fJ.
'.
4. Dmontrer que
al, est valeur propre minimale de r x

rx
5. Soit V un vecteur propre de
associ a~. Dmontrer que V est orthogonal
chacun des S1 , ... ,SM.
158
6. Dmontrer qu'on peut trouver K vecteurs propres BI, ... ,BK de eN deux deux orthogonaux et pour lesquels la fonctionnelle suivante s'annule:
F(VJ, ... , VKl
= L vf' sj.
j=l
Les deux espaces vectoriels engendrs par S1 , ... ,SM et par B1 , ... ,BK sont appels respectivement espace signal et espace bruit et ils jouent un rle important en analyse spectrale.
4.20 Suites de V.A
Soient A j, j = 1, 2, ... une suite de V.A indpendantes et prenant chacune la valeur ()_oll)ayecles probabilit _ _ q_p=J=g.f'I}Uf_lzfix,on _ dfinitla_V.A X= A 1____ _ +Az + ... +A,. La loi de probabilit de X, note B(n,p), est appele loi binomiale de paramtres n et p. Dmontrer que
P(X
= k) = c,~pk(l- p)"-k, o,;;",;; ,,_
Calculer la moyenne 111, l'cart type u et la fonction caractristique <Px(u) de X. Approximation de la loi B(n,p) par la loi normale N(O, 1). On pose T = (X- m)/u. Calculer la fonction caractristique <l>r(v) de Tet en donner un dveloppement limit par rapport 1/n. En dduire que lorsque n tend vers +oo, <l>r(v) tend vers la fonction caractristique de la loi normale rduite. Approximation de la loi B(n,p) par la loi de Poisson. On pose
1
p=jn+o(-)
Il
o a(l/n) dsigne une quantit qui tend vers zro avec 1/n. Montrer que lorsque n tend vers +oo, <l>x(u) tend vers la fonction caractristique d'une loi de Poisson dont on prcisera Je paramtre.
SOLUTIONS
4.1 Dans le premier cas, le nombre de solutions est gal aux nombre de faons diffrentes
de tirer p variables xi parmi les 11. Il suffit ensuite d'attribuer la valeur 1 aux variables slectionnes et la valeur 0 celles non choisies pour obtenir une solution. Le nombre de solutions est donc gal C~'. Si p > n il n'y a pas de solution. Dans le second cas, le nombre de
solutions est gal aux nombre de faons diffrentes de tirer p variables xi parmi les n mais cette fois-ci le tirage se fait avec remise. Ainsi, une mme variable peut tre tire k fois avec 0 :::; k :::; p. Il suffit d' attibuer ensuite la valeur k la variable qui a t tire k fois pour obtenir une solution. Le nombre de solutions est donc gal au nombre de combinaisons avec rptitions den objets pris p p.
159
4.4 La dtermination de la fonction de rpartition se fait en distinguant les trois cas suivants : 1. y< 0:
Fr
= P[Y
~y]= P[X
+ c ~y]=
~
P[X < -c]
=0
2.y = 0:
Fy = P[Y
~
0] = P[X
-c]
+ P[-c ~X~ c]
= 0+ Fx [c]- Fx [-c] = 1. 3. y > 0: on a Fy(y) = 1. La V.A Y ainsi construite est donc le nombre certain O.
4.5 1. On a
g(s) = E[(l- s)N J =
L p,(l- s)'
k=O
00
D'o g(O) =Po+ Pt +Po+ ... = 1 2. D'aprs le thorme fondamental, on a:

E(J(N)) D'ofo
=L
k
f(nk)p,
= f(O)po + f(l)p, + f(2)p, + ...

1 est donn par:
E[N]
= -g'(O). Le moment factoriel d'ordre

00
J, =
.L:k<k- l)p, = g" (0).

k=O
3. La gnralisation est immdiate et on obtient: fp = ( -l)P+l g(s)<P+Il. 4. Dans le cas d'une loi de Poisson de paramtre m, on obtient:
g(s)
~ p,(l = L..,
<~u
s)
= e-m
[[m(l- s)]
0!
+ [m(l- s)] + .. ]
1!
Le moment factoriel d'ordre p est fp
(-l)P+lgp+l(O)
(-l)p+t (-m)p+l
= mp+!.
'Q_
0
4.6
1. Il suffit d'crire que l'intgrale def(x) vaut 1. On obtient:
J
On a donc c.: = a1r.
o:-
.,
a a loo du a1r .,dx = -= - = 1. 1 +xa _ 00 1 + ua
160
2. La fonction caractristique de X est donne par :
3.11 est clair que l'intgrale suivante diverge pour tout entier positif 11:
4.7
1. La fonction de rpartition de la variable Y= ex est donne par F,-(y) = 0 pour y < 0 et:
F,-(y) = Prob[xje',;; y]= Fx(Log(y)).
La drive par rapport y donne :

fr(y) = fx(Log(y))_l_ = e-Log(y) y
2. On peut utiliser le thorme fondamental qui donne pour A > 1 :
3. La V.A Z prend des valeurs entires k E Z et on a : Prob[Z = k] = Prob[k- 1 <X ,;; k] =
e-'\.'dx.
k-1
4. Comme les V.A sont indpendantes, la densit de la somme W = X+ Y est gale au produit de convolution des densits de X et Y. Soit :
Comme X et Y sont indpendantes la loi conjointe est gale au produit des densits de X et Y et on obtient : Prob[X,;; Y]=
4.8 1. On a:
001Y 1
{ 0
fx(x)f,-(y)dxdy.
Une intgration par parties conduit la relation de rcurrence
4.5 Exercices et problmes corrigs
161
Comme les moments sont centrs, on obtient f1l2k+l = 0 et

11l2k =
(2k) '""'
2kfd
2. La fonction caractristique est donne par :

<f:lr(u) =
~oo
oo
. , 1 r2 e 11111 _t"--exp{--~-~Jldx
l = --
0'~ n
100 e ,"exp!---,)--. . y dy
1
a .J2i;-
_a-
2aa- 2JOY
3. La relation entre densit et fonction caractristique est biunivoque. Par identification de la relation ci-dessus et la suivante :
on obtientfr (y) = 0 pour y < 0 et

1 )! dy f,.(y) =--exp!---,]-,J2ir 2a a- 2~
pour
y> O.
4. On a E(Y] = aE[X 2 ] =ar? puisque X est gaussienne de variance
c?.
4.9 1. C'est le triangle rectangle dont les cts sont ports par les axes de coordonnes. La densit conjointe est gale une constante o: surT et cette constante est gale l'inverse de la surface de T, soit ct= 2fa 2 .
2. L'intgrale de la densit conjointefrv(x,y) par rapport x (resp. y) est gale /y(x) (resp.f,.(y)). D'o:
J:y(x) =
a-x
-,dy= a-
2(a- x) , a-
pour
0< x < a
et
sinon.
~ .,
Par symtrie du domaine d'intgration, on a le mme rsultat pour fy(y) .

3. Les variables alatoires X et Y ne sont pas indpendantes puisquefxr
i=
fy fr.
" :~
~
4.10 1. Le domaine est le carr dont les sommets ont pour coordonnes (0, 1) et( 1,0). La constante et est gale 1' inverse de la surface de ce carr, soit O' = 1/2. 2. La densit (marginale) fy est donne par:
fx(x) =
"
1-lxl dv
-
-:;"' = 1 -lxi
pour
-l<x<l
et
sinon.
)x)~\
Par symtrie du domaine d'intgration, on a le mme rsultat pour fr(y). On a E(X) = E(Y) = 0 car la densit conjointe est uniforme et le domaine admet l'origine comme centre de symtrie.
162
3. Les variables X et Y ne sont pas indpendantes puisquefxr On considre (X, Y) uniforme sur Je carr [O,a] x [O,aj.
1. La densit fx est donne par : fx(x) =
i=
fx fr.
" 1
0
dy 1 --';- = -
a-
pour
0< x < a
et
sinon.
Par symtrie du domaine d'intgration, on a Je mme rsultat pour fr (y).

2. Les variables X et Y sont indpendantes puisque fn =
fx fy.
3. Comme les 2 V.A sont indpendantes, la densit de Z = X
+ Y est gale au produit de convolution defx(x) etfr(y). On peut vrifier que Je produit de convolution de la
fonction indicatrice de l'interva11e [O,a] par elle-mme est la fonction triangle symtrique de support [-a,a] et qui admet (O,a) comme sommet. On peut retrouver ce rsul-- tat_en _dterminant directement Ja.fonction.. de .rpartition -de- Z. 4.11 1. On peut mettre x11 sous la forme :
x" = a 1 (n)X,
+ a2(n)X2 + B
o les V.A : X 1, X,, B sont indpendantes.

2. On a
E(x") = a 1 (n)E[X 1]
+ a 2 (n)E[X2 j + E[B]
La plus petite valeur strictement positive de a estl/2. Pour cette valeur, on a E[x11 ] = 0 pour toutes les valeurs de 1z. Comme les trois V.A sont indpendantes et centres, dans le dveloppement de E[x 11 X,~1 ] il ne restera que trois termes. On obtient:
4.12 1. Fw(w)
= P{(.t,y)/{.t- y{ ,; w{ = =1
pour
pour
w < 0
= P{(x,y)/- w <x- y< wj
1- (1- w):! pour 0 < w < 1
1<
111.
2. La drivation de Fw(w) conduit immdiatement J'expression defw = 2(1- w) pour 0 < w < 1 et zro ailleurs. 3. On obtient E(W) = 1/3. 4. La probabilit pour que le rendez-vous ait lieu est P = Fw(2/3) = 8/9.
163
4.13
La fonction de rpartition Fw est donne par

Fw(w) = P{(x,y)jxy
~
w)
= P{(x.y)jx < 0 et y~-)+ P{(x,y)/x > 0 et y~-}
1:-oo L:
=
w x
w
x
fyy(x,y)dxdy
1: L:'
+
fxy(x,y)dxdy.
La drivation de Fw (w) sous le signe intgral donne la densit :
1 w fw(w) = - x~-oo -;fxy(x,-;)dx

00
1 !
1"'
1 w x~o -;hv(x,-;)dx
-.fxr(x,wjx)dx.
-oo lxi
4.14 1. On doit avoir
L: L:
1=
.fxv(x,y)dxdy = 1
La valeur de k est donc gale l'inverse de l'intgrale
00
1 --.,dx 1 +x-
-oo
00
-oc
1 --.,dy. 1 + y-
2. La fonction de rpartition est Fn(x,y) =
!
1
1 1 ---,du --,dv -oo 1 + u_ 00 1 + vx
!y
puisque la fonction intgrer est variables sparables. 3. La probabilit pour que le couple alatoire (X, Y) appartienne au rectangle [0, 1] x [0, 1] est
P=
1 1 ---.,du --,.,dv. o 1 + uo 1 + v-
1
1
4. La fonction de rpartition Fz est donne par Fz(Z) = P{(x,y)/- ~ z} x = P{(x,y)jx < 0 et

=
}'
y~
zxj
+ P{(x,y)jx
x~-oo 100 1
0
''
.fxr(x,y)dxdy + x~o
100 !''
> 0 et y~ zx]
-oo
.fxy(x,y)dxdy.
164
4 Bases probab;t;stes pour la reprsentation d'un signal alatoire
La drivation de F2 (z) sous le signe intgral donne la densit:

.fz(z) ==
1 00
()
xlH(x,zx)dx
+ 100 xfxr(x,n)dx
x=O
.\=-oo
Jxl.fxr(x,zx)dx.
~oo
4.15 1. On a E(XY)
=ci' et la matrice de corrlation est donne par:
f=cr'(l c
c)
1
et
r'
1 ( 1 u 2 (1 - c 2 ) -c
-c)
1
La densit de probabilit a pour expression :
............................................. .fCr,y) =
1 _!Q(r v) 1rcrJ - c 2 e 2 : 2 1
..
ayec
' +Y' 2cxy . Q(x,yL=x
"
Pour le calcul de p, on introduit le changement de variable x = p cos(B) et y = p sin(B). On obtient :

p
l, N1,00
o o
f(x,y)dxdy
, 1,00
1"1'
o
t-'O;i"""' 2<T'O ,.,, pdpdB
27rcrJI=C2 o
Utilisant les rsultats c1assiqucs, on intgre par rapport p ensuite par rapport fJ, et on
obtient 1 expression de p.
2. La fonction caractristique cP zr est donne par: <PzT(u,v) = E[ej(uZ-!t!T)]. La V.A (uZ + vT) prend quatre valeurs et tenant compte des symtries de la densit_{.yr, on a: P[Z = 1 etT = 1] = P[X ?OetY:;, Oj =p P[Z = -1 et T = -1] = P[X,;; 0 et Y,;; 0] = p
PIZ = 1 etT = -1] = P[X? OetY,;; 0] = 1- p P[Z= -1 ctT =
-IJ = P[X ,;Oct Y ,;:0] = 1- p.
La dfinition de l'esprance conduit l'expression:
<Pzr(u,v) = 2pcos(u +v)+ 2(1- p)cos(u- v).

Les moments peuvent se calculer en utilisant directement la dfinition de l'esprance ou bien en utilisant la fommle :
On obtient: E(Z) = E(T) = 0, E(Z 2 ) = E(T 2 ) = 1, E(ZT) = 2(1- 2p).
165
4.16 1. On a
Fr(y) = Prob(XJ ~y ou X2 ~y ou ... ou Xn ~y)
,:; Prob(X; ,:; y)+ ... + Prob(X,,:; y),:; nFx, (y).

2. On a
Fz(:) = Prob(X 1
,:;
:et. .. et X, ,:; y)
Comme les Xi sont indpendantes et de mme loi, on obtient Fz(:)
JProb(X; ,:; :)]"
[Fx, (:)]".
D"ofz(:) =nFx, (:)]"- 1.h, (:).
4.17 Les covariances des composantes

l'
Xp
et xq du vecteur alatoire sont donnes par:

inf(p.q)
IJ
"Y(p,q) = LLEIU;Uj] =
i=l j=l
I:
i=l
CT
= inf(p,q)cr.
Par dfinition, la matrice de covariance de x a pour expression :
1 1 2
;
f=cr
4.18 1.0na
Comme la matrice A est inversible, la proprit ci-dessus est vraie 'rfO

AliMA>O.
2. On a
C et donc on a
puisque le premier terme de la somme est strictement positif et le second positif.

3. On a
K
8 0
Comme M > 0, on a Uji MUj > 0 et donc les \ sont des rels positifs. On a:
ii.
-d
g
Ufl MUi
et
Ufl (,\Ui)
= >.pf' Ui
166
puisque H est hermitienne. D'o (,Uj' U,)H = jU,H Uj. Comme les ; sont relles, on obtient [Uj' UdH (, - ,\) 4. On a (V,\ E IC) :
H M = ,\H E[XXH]H = E[(XH )H ((XH )]= E[IZ1 2] ) O.
= 0 et donc
Uj'
u, = 0 si k of=
j.
puisque
IZI' est une V.A valeurs positives.
Chapitre 5
Reprsentations d'un signal alatoire
5.1
5.1.1
REPRSENTATION TEMPORELLE
Signal temps discret et signal temps continu
a) Signal temps discret

Considrons une suite infinie de variables alatoires xk(w) dpendant d'un paramtre entier k E N et dfinies sur le mme espace probabilis (Q, T, P). Nous dirons que Xk(w) est un signal alatoire temps discret ou une suite alatoire, ou encore un signal alatoire. Le qualificatif<< alatoire >>est couramment remplac par stochastique >>. Du point de vue mathmatique, un signal alatoire temps discret est une application
X(w,k): (Q,T,P) x N _,. lR (ou JR" ou IC")
de deux variables, l'une k reprsentant gnralement le temps et l'autre w dcrivant les rsultats possibles d'une preuve dans un certain espace probabilis de sorte que, pour chaque valeur de k fixe, X(w,k) est une variable alatoire V.A. Souvent on utilise la notation simplifie :
Xk
= " x(w,k).
11
Associons au signal Xk le vecteur alatoire arbitraire [xk,, . .. ,xk,]T et dsignons par :

F_,(kJ, ... ,kn,XJ, ... ,Xn)
dimensions x =
"
P[Xk 1 ~
XJ, .
,Xk, ~ Xn].
(5.1)
168
5 Reprsentations d'un signal alatoire
sa fonction de rpartition. Si, quels que soient le nombre 11 et les instants k1, ... ,k,, la fonction de rpartition F., du vecteur X est connue, on dira que la suite alatoire est dfinie par sa loi temporelle. Comme cette dfinition est diftcile utiliser dans la pratique, on se limite souvent Il ~ 2. On admet donc que la loi temporelle du signal est pratiquement connue si 1' on se donne les les fonctions F., pour 11 = 1 et 11 = 2. Cela revient se donner les lois de probabilit de chaque Xk et les lois des couples [xk, ,xk,] pour tous les entiers k 1 el k2. Une suite de V.A Xk indpendantes et de mme loi (ii d)) est appele bruit blanc temps discret. Comme on le verra plus loin, les bruits blancs jouent un rle fondamental dans les applications.
b) Signal temps continu

Au lieu d'un nombre fini ou dnombrable de variables alatoires, considrons une famille de variables alatoires x(w,t) dpendant d'un paramtre continu t qui varie surun.lnterva ~ cie ffi:. (ffi:.") et ct'unparamirewquTreprsente l'ala. Nous dirons que x(w,t) dfinit une fonction alatoire ou un signal alatoire temps continu ou encore un signal alatoire. Un signal alatoire est donc une fonction d'une variable dterministe tet d'une variable w reprsentant l'alatoire. Du point de vue math malique, une signal alatoire est une application
x(w,t): (rl,T,P) x~---> ffi:. (ou ffi:." ou IC")
deux variables t et w telle que, pour chaque valeur de t fixe, x(w,t) est une V.A. Si le signal prend ses valeurs dans l'ensemble des nombres complexes IC, pour chaque valeur de t txe x(w,f) est une Y.A complexe. Si le signal prend ses valeurs dans ffi:." ou IC", on dit que le signal est vectoriel et pour chaque t fixe x(w,t) est un vecteur alatoire 11 composantes qui sont des V.A relles ou complexes selon le cas considr. Si l'intervalle de variation de t est un sousensemble de ffi:.", on dit que le signal est multidimensionnel. Par exemple une image est un signal bidimensionnel (11 = 2) et une image en mouvement est un signal tridimensionnel (Il = 3). Dans la suite, si aucune indication n'est donne, les fonctions alatoires seront valeurs dans ffi:. et t reprsentera une variable relle. Souvent on fait apparatre la seule variable dterministe t en adoptant la notation simplifie :
x(f)
= x(w,t).
,;
Pour une valeur fixe du paramtre w on obtient une fonction classique de la seule variable dterministe t appele trajectoire ou ralisation du signal alatoire. Le rsultat de l'preuve qui permet de mesurer une variable alatoire est un nombre alors que celui de l'preuve qui pem1et de mesurer une fonction alatoire est une fonction classique dite fonction dterministe >>par opposition fonction alatoire. La figure 5.1 donne l'exemple d'un signal gal la somme de deux sinusodes. Les 2 figures de gauche donnent deux ralisations de ce mme signal et elles sont donc identiques. Les 2 ligures de droite donnent deux ralisations de ce signal affect par
5.1
Reprsentation temporelle
169
un bruit dont l'effet change d'une ralisation l'autre. Dans ce dernier cas, on a un signal alatoire. Pour un tel signal, les trajectoires sont en gnral toutes diffrentes mais elles ont des proprits statistiquement semblables.
Signal non brull Signal bruil
3 2
i'
2 3
~
N
0
v
600
200 400 temps (ens)
,00 200 temps (ens)
600
3 2
~
6
4
2 0
"' 111
0 1 2 3 0 200 400 temps (ens) 600
-
.~
~ 2
'
VMMf,
0 200 100 temps (ens) 600
Figure 5.1
Ralisations d'un signal dterministe et d'un signal alatoire.
Exemple 5.1.1 Vitesse de l'air dans une soufflerie

Si l'on enregistre en un point la composante longitudinale x(t) de la vitesse de l'air dans une soufflerie on obtient en fonction du temps une reprsentation complique et irrgulire. Si l'on rpte plusieurs fois de suite la mme mesure, dans la mme soufflerie et dans des conditions identiques (mme vitesse de rotation des ventilateurs, mmes grilles, mme temprature, mme humidit ... ), nous obtenons plusieurs courbes du type x(t) qui reprsenterons le mme phnomne, mais qui ne seront pas superposables. Nous interprtons ces courbes comme les rsultats d'une srie d'preuves (trajectoires) du mme signal alatoire x(t).
:~~~~~~~
li0.
ir!
~:,Jtl

i. ri"r
>?
li~
. k
~ ...
~
37.
r;. ~ ~ ~:~ i' ~; ,s~r ;(~~ &...; .;;. ~

1
" ,;
'"
' ::.
iii
~d ~i~ ;x:
Hi.' "" 00'
:. "'
::. ;';..
'
..
"' '"' " > > r; ?.'fiC \
"
Pour 11 = 1, la fonction de rpartition de x(t) permet d'tudier chacune des Y.A x(t) prise indpendamment les unes des autres.
170
Pour 11 = 2, la fonction de rpartition de [x(lt),x(t2ll dpend de ft et de t2 et permet d'tudier les proprits du couple de V.A [x(tt),x(12)]. Elle permet, en particulier, d'tudier la corrlation entre deux valeurs prises par le signal aux instants t1 et t2 Si l'on s'intresse au lien entre les valeurs du signal aux instants ft, ... ,t,, il faudra considrer la fonction de rpartition du vecteur [x(tt), ... ,x(t,)f. Lorsque la loi temporelle est utilise dans la pratique, on se limite trs souvent 11 ,;; 2. Mme dans ce cas, on conoit qu'une telle dfinition reste encore peu pratique et on se contente souvent de dfinitions moins compltes, mais plus simples utiliser. On dfinit alors un signal alatoire l'aide d'un modle de la manire suivante.
Cette dfinition se justifie par la convergence de la srie (5.3). En effet, d'aprs les hypothses, le reste :
R,(t)
L
p=n+I
00
Apgp(t)
vrifie
E[R,(t) 2 ] < M 2 {
L
p=n+I
00
E[A~]) <
00.
Donc la srie alatoire (5.3) converge en moyenne quadratique. On dmontre que le modle (5.3) permet de reprsenter une classe trs gnrale de fonctions alatoires appeles fonctions alatoires ,, sparables >> du second ordre.
5.1
171
5.1.2 Moyenne et covariance d'un signal

L'analyse d'un signal alatoire partir de sa loi temporelle est rarement possible dans la pratique. En effet, dans les applications pratiques, il est souvent difficile d'tablir un modle pour la loi temporelle du signal analyser. On ne dispose, en gnral, que d'un nombre limit d'chantillons du signal partir desquels on doit faire l'analyse. Une mthode couramment utilise consiste estimer, partir des chantillons disponibles, des grandeurs dterministes, appeles moments statistiques, qui permettent de faire une analyse plus ou moins complte du signal considr. Dans le cas d'un signal valeurs relles, on dfinit le moment d'ordre n E N par :
/(IJ, ... ,1,)
Il =
E[x(tJ) ... x(l,)].
(5.4)
Ce moment est une fonction dterministe des variables 11 , ,1,. Des difficults d'ordre thorique et calculatoire imposent souvent aux traiteurs de signaux de se limiter aux informations contenues dans les moments d'ordre 1 et 2 seulement. On va donc se limiter dans la suite prsenter les dfinitions et les proprits des moments pour n = 1 et 11 = 2.
a) Signal temps discret

L'esprance mathmatique, appele aussi moyenne, d'une suite alatoire x, est la suite dterministe m, ~ E[xn]. Pour tout couple a et (3 de rels on a
E[ax,
+ (3y,] =
aE[x,]
+ (3E[yn].
(5.5)
Une suite alatoitre x, est dite centre si la suite dterministe m, est identiquement nulle. Nous savons que le coefficient de corrlation de deux variables alatoires X et Y permet de se faire une ide de la dpendance statistique entre ces deux variables. Pour une suite alatoire x,, on introduit la suite double dterministe dfime par:
lm.n
Il =
E[[x,- E(x,)J[x,- E(x,))]
(5.6)
n.
appele covariance ou fonction d'autocorrlation ou encore fonction de corrlation de x,. La dfinition de lm.n est donne parfois sans les termes E(x,) et E(x,) mme si la suite x, n'est pas centre. Les proprits d'une covariance seront tudies plus loin dans un cadre plus gnral.
b) Signal temps continu

Les dfinitions prcdentes se transposent au cas d'une fonction alatoire de la variable 1 comme suit. La moyenne de x(l) est la fonction dterministe
m(l) = E[x(l)]
Il
(5.7)
172
et x(t) est dite centre si E[x(l)]
= 0 V 1. La fonction de 11 et 12 dtnie par:

(5.8)
est appele indiffremment covariance ou fonction de corrlation ou fonction d'autocorrlation de x(l). La dtnition de /(lt J2l est donne parfois sans les termes m(lt) et 111(12) mme si la fonction x(l) n'est pas centre. Dans le cas o le signal est valeurs complexes, on pose :
Si l'on considre deux signaux x(1 1) et y(t2), on introduit la fonction d'intercorrl~tiQ!!p<lJ': . .
(5.9)
o mx et my dsignent les esprances des deux signaux.
Exemple 5.1.2 Interprtation de la covariance

Une premire interprtation de la covariance peut se faire en utilisant l'galit suivante:
qui s'obtient en dveloppant le premier membre et en utilisant la linarit de l'esprance. Cette galit montre que plus 1Ct1 J2l est petit plus E(lx(lt) - x(t2 )1 2] est grand et donc moins x(t 1 ) et x(/ 2 ) se <<ressemblent. La covariance 1(11 ,12 ) peut
donc tre utilise pour mesurer la ressemblance entre les valeurs du signal aux
instants 11 et 12 Les exemples suivants donnent deux signaux particuliers qui schmatisent la proprit qu'a la fonction de corrlation de mesurer le << lien statistique >> pouvant exister entre les valeurs d'un signal deux instants 1 et 1 - 7.
Exemple 5.1.3 Signal trs fortement corrl

Considrons le signal x(l) =A o A dsigne une variable alatoire donne (signal constant). La fonction de corrlation de x (t) est gale la variance rr;1 de A. Elle est donc constante et cela signite que le lien entre les valeurs de x(l) aux instants tet 1 - 7 est maximal et ceci pour 7 quelconque. Ce rsultat tait prvisible puisque la connaissance statistique du signal un instant donn suffit pour connatre A et donc le signal pour tous les instants.
5.1
173
Exemple 5.1.4 Signal trs faiblement corrl

Soit A, une famille de variables alatoires centres et de mme variance rT;1. On suppose que pour 1 =f TA, et A 7 sont indpendantes. La fonction de corrlation du signal y(l) =A, est gale tT~1 5(7) o J est la distribution de Dirac. Elle est donc maximale pour T = 0 et nulle partout ailleurs. Ce rsultat tait prvisible puisque la connaissance statistique du signal un instant donn ne contient aucune information sur la valeur de ce signal un autre instant.
c) Proprits de la corrlation de signaux centrs

Une fonction quelconque de deux variables ne peut videmment pas tre une fonction de corrlation. En effet, cette dernire fonction doit satisfaire certaines conditions comme celle nonce ci-dessous.
Ce rsultat permet d'interprter lu corrlation de deux signaux centrs x(lt) et x(t 2) comme tant le produit scalaire de ces deux V.A aux instants lt et 12 txs. Cette interprtation permet d'tablir d'autres proprits d'une covariance. En particulier, l'ingalit de Schwarz classique est vrifie et elle se traduit par l'ingalit suivante qui va jouer un rle important dans la suite.
On peut dmontrer, par exemple, que si l'on pose :
~ ~
alors les trois nombres p(t2,t3), p(13.ti ), p(ti ,12) sont les cosinus des angles au sommet d'un tridre et ceci pour 11 .t2. !3 quelconques. On peut aussi tablir directement partir des dfinitions les proprits suivantes.
-'6.
174
5 Reprsentations diun signal alatoire
Pour l'intercorrlation, on a les proprits suivantes.
' l' on adopte 1a conventiOn'" . t. 1,. ou =
5.2
PRINCIPALES CLASSES DE SIGNAUX
Les signaux que l'on rencontrent dans les applications de l'ingnieur peuvent tre reprsents par des signaux alatoires vrifiant des proprits plus ou moins difficiles
aaecrired'uiiemaiirealfoiscomplte~rigoureuseersanstropctecomplexit
mathmatique. Dans la pratique, on introduit des hypothses qui permettent de dfinir des classes de signaux conduisant ainsi 1' laboration de modles mathmatiques valables pour les signaux d'une mme classe. On dfinit ainsi plusieurs classes, par exemple les signaux harmonisables, les signaux stationnaires, les processus de Poisson, les signaux Gaussiens, les bruits blancs, etc. Pour une tude dtaille de ces diffrentes classes on peut se reporter aux rfrences [2] [13]. Dans cette section, on se limite donner les dfinitions des processus utiles en traitement du signal. Les rsultats de cette section sont prsents dans le cas des signaux temps continu et se transposent de faon immdiate au cas des signaux temps discret.
5.2.1
Signal stationnaire et spectre de puissance
Stationnarit stricte Un signal alatoire est dit stationnaire au sens strict si toutes
ses proprits statistiques sont invariantes dans tout changement de l'origine du temps. Ceci se traduit sur la loi temporelle de la manire suivante. (5.11) Donc, pour tout signal stationnaire au sens strict, la loi de probabilit de la V.A x (t) pour t fix est indpendante de tet la loi conjointe de tout couple [x(IJ),x(l2)l ne dpend que de la diffrence des instants T =II - 12. Deux signaux x(t) et y(t) sont dits stationnaires dans leur ensemble si [x(l), y(t)) et [x(t + r), y(t + r)) ont les mmes statistiques pour tout rel T. Le signal complexe x(t) + jy(t) est dit stationnaire si x(t) et y(t) sont stationnaires dans leur ensemble. Un signal alatoire x(t) est dit du second ordre (puissance finie) s'il vrifie:
5.2
175
L'application de l'ingalit de Schwarz montre que cette condition entrane l' existence de m(t) et de 1U1 ,fz) dfinis par (5.7) et (5.8). Les fonctions alatoires du second ordre jouent un rle important dans la pratique et leurs proprits dcoulent de celles des formes bilinaires dlnies non ngatives.
Stationnarit au sens large Un signal x(t) est dit stationnaire au sens large s'il est du second ordre et s'il vrifie en plus les deux proprits suivantes.
E[x(t)] =constant E[x(ti)x*(t2)] = f'x(T), T= I I -
lz.
Cela quivaut dire que E[x(t)] est indpendant de t et que le moment d'ordre 2, que l'on note m2,x(T) ou 1x(r), ne dpend que de la seule variable r= t1- lz.
Exemple 5.2.1 Interprtation gomtrique de la stationnarit

Pour chaque T lx, la valeur de la fonction d'autocorrlation d'un signal x(t) centr est gale au produit scalaire des deux vecteurs x(t) et x(t- r). Si, par exemple, x(t) = AejhlfotHI, ce produit scalaire est indpendant de l'origine des temps des vecteurs considrs. Ce rsultat reste vrai pour un signal x(t) quelconque. Pour un signal x (t) stationnaire, on a
E(ix(t)- x(t-
' l< ( T) r)I-J = 21,(0)[l- --]. . . 1xCOJ
Cette galit montre que plus 1x (r) est petit plus la valeur moyenne de lx(t)- x(t- r)l est grande et donc moins x(t) et x(t- r) se ressemblent. En gnral, pour les signaux du second ordre, 1x vrifie la condition :
r~oo
lim 1x(T)
=0
qui signifie que plus Test grand, plus les V.A x(t) et x(t- r) sont dcorrls. En plus de ce rsultat qui permet d'interprter 1x(r) comme une fonction qui mesure le lien statistique entre les valeurs de x(t) aux instants tet t-T, la fonction de corrlation vrifie les proprits suivantes.
176
On dira qu'un signal certain est stationnaire s'il peut se mettre sous la forme :
x (Il=
L Akej(2rrJ,r+<!>d
kEZ
avec (<Pk>.fk) E IR2 etAk E IR+. Cette notion de stationnarit qui dpasse le cadre de ce chapitre correspond naturellement celles de rgime tabli et de stabilit temporelle dans les systmes physiques.
Exemple 5.2.2 Signaux stationnaires particuliers

Les signaux alatoires :
ej(ot+l,
cos(o:l + </Jl
et sin(a:l +<Pl
o tjJ-est une VA uniforrne sr[0;27T]sotircentres, stationnaires au sens large t admettent respectivement comme fonction de corrlation : - cos(o:rl
2
1
1 . et - sm(o:rl.
2
Le signal alatoire :
x (tl= A cos(a:tl + B sin(a:t),
a: E IR
dfini partir des deux variables alatoires A et B, centres, orthogonales et vriJiant E[A 2] = E[B 2] = 1 correspond un cas particulier de (5.31 o les fonctions g, sont des cosinus et des sinus. Les trajectoires de x(tl sont des sinusodes de priode 2n/a:. La covariance de x (tl est donne par:
'Yx Ct1 .t2l ~ E[(A cos o:/1 + B sin a:tJ) (A cos a:lz + B sin o:t2ll
= E[A 2 ] cos a:t 1 cos a:/2 + E[B 2 ] sin a:t 1sin o12 + E[AB] sin a(IJ + 12) = cos a:(lt - 12). Comme E[x(t)] = 0, le signal x(t) est stationnaire au sens large.
Exemple 5.2.3 Signal binaire temps continu

Considrons le signal dlini par y(t) = x(t)ejz~.f<,t avec
x(t)
"" L
k=-00
Akn(
t - kT T l
o les Ak forment une suite de V. A binaires, centres et de mme variance a", indpendantes et pouvant prendre chacune les valeurs relles xo ou XJ.
5.2 Principales classes de signaux
177
Un calcul simple montre que

!'y(t,T)
= E[y(t)y(t- T)*] = E[x(t)x(t- T)]ej 2rrfor.

=
1 etAk
titre d'exemple, pour Ap

/'_,,(t,T)
= 0, Vk =f
p, on a
t pT 1- T - pT . f1(-='T'---)f1( T )e;2rrfnr
et le signal y(t) est non stationnaire. Pour Ak = 1, Vk, on a x(l) = 1 et le signal y(t) est stationnaire. Pour tenir compte de l'incertitude sur les instants kT de transition entre les valeurs x 0 et x 1, on remplace ces instants par kT+ E o E dsigne une VA uniforme sur [0, T] indpendante des Ak. Sous ces hypothses, on va tablir que l'x (t ,t T) est indpendante de 1. En effet, on a en posant h(l) = 1r(1jT):
/',(1,1- T)
L L
n=-ooi=-oo
00
00
E[AkA;]*]E[h(t- kT- E)h(l- T-iT-E)]
car les Ak sont indpendantes de forme sur [0, T], on obtient :

l'x(l,t- T) =
t.
Comme les Ak sont orthogonales et
est uni-
L
n=-oo
00
a 2 E[h(l- kT- E)h(t- T- kT- E)]
a" {T =-Jo
T
0
0
L
i=-oo
oo
h(t-kT-E)h(t-T-kT-c)dE h(u)h(u- T)du
= a-L ir-kT
T
T
k r-kT-T
=r? -
100 h(u)h(u- T)du =

-oo
r? -h(u) *h(-u)[T]. T
Soit Uj, j E Z une suite de VA relles, centres, deux deux orthogonales et toutes de mme variance r?. Considrons les signaux alatoires temps discret dfinis -E. par:
k
5 0 EL
Exemple 5.2.4 Signaux temps discret et statiomzarit
xk
= .L:uj,k >o.
j~l
Yk
=L
j=l
Uk-j
et
Zk
= Yk- Yk-1
178
Le signal Xk. appel promenade alatoire est centr, sa fonction de corrlation est donne par: lx(k,h)
= E(xkxh) = fr7 2
1 N2
avec
e = inf(k,lz)
et il est donc non stationnaire. Le signal Yk est aussi centr et sa fonction de corrlation est donne par :
N-1
/y(k,/z)
<7-lik-h-i+j
i,j=D
o les termes non nuls dans cette somme correspondent k - h - i + j = 0, soit i = k- h + j avec 0,; i,j ,; N- 1. D'o k- h ,; i < N - 1. Donc, il yaN- 1
-(k- lz)
naire.
+ 1 = N- (k- lz)
termes non nuls. On obtient l,.(k,/z)

~
= (N-~,-hll
j.oiirN->Jk=lii et/y(k,h)
Oj.ourN< lk =iiT:Tesignlyk est donc station-
Le signal Zk est centr, sa fonction de corrlation est donne par :

{.(k,n) ...
= 2/v(ll) + lv(ll . +
1)
+ lv(ll1) -
et il est donc stationnaire.

Stationnarit au sens large et spectre de puissance La T.F de la fonction de corrlation, lx (v), d'un signal stationnaire x(t) de puissance finie vrifie :
r,(v) ;, O.
(5.12)
La fonction rx(v) est appele densit spectrale de puissance (DSP) du signal x(t) et on a:
suivant que le signal est temps continu ou temps discret. Les expressions de la puissance Px = lx (0) sont :
Px =
i:
rx(v)dv
ou P., =
1/2
rx(v)dv.
(5.13)
-1/2
Estimation du spectre l'aide du priodogramme Dans la pratique, on est sou-
vent conduit chercher une<< estimation>> de la densit spectrale d'un signal partir de la connaissance d'un nombre d'chantillons fini : Xk = x(kT,),k = 0, ... ,N- 1. Comme les coefficients de corrlation ln sont souvent difficiles dter-
5.2 Principales classes de signaux
179
miner, au lieu de chercher calculer la T.F de la fonction de corrlation on introduit la fonction suivante, dnomme priodogramme :
1 N-1 ~ T. ' P(v) = NI '""' Lx,e-1.,.,_ -"'"' '1-.
11=0
(5.14)
On va dmontrer plus loin que P(v) donne une bonne approximation de la densit spectrale du signal x 11 suppos stationnaire. On introduit souvent une fentre de pondration WN(n), i.e., au lieu de traiter le signal x,, on traite le signal pondr y, ~ WN(n)x,. De plus, afin de diminuer la variance du priodogramme, on introduit souvent un priodogramme moyenn P gal la moyenne arithmtique de plusieurs priodogrammes.
Exemple 5.2.5 Estimation de la DSP l'aide du priodogramme Considrons le signal alatoire temps continu dfini par
o fi ,Jz dsignent des frquences relles dterministes, A 1 ,Az des amplitudes dterministes positives, rf; 1 , rf; 2 des variables alatoires uniformes sur [0,27r] et indpendantes. La fonction d'autocorrlation et la DSP thoriques de s(l) sont donnes par:
? j'? ' T ? j'? f T {(T) = A-e .IT,o +B-e "" 1 ,
r(v) = A'o(v- fo)
+ B'i5(v- _(Il.
?
La fonction d'autocorrlation du signal sr(/), gal s(t) sur [-T/2,T/2] et nul ailleurs, est donne par :
Ce n'est donc pas un signal stationnaire. En fait, dans la pratique on ne dispose que de N chantillons Sk = s(kT,), k = 0, ... ,N- 1 d'une seule ralisation sur [- T /2, T /2]. Ces chantillons doivent nous fournir une estimation de la DSP en prenant par exemple comme estimateur le priodogramme :
l l N-1 ., T'l'= ' ' IPr(v)l = -1 '""' Ls,e-J-mm -ITFD[(xk)](v)l-. N n=D N
a. "
8 0
-a
15
Les figures 5.2 donnent, de gauche droite respectivement, la partie relle d'une ralisation de sr(/), la DSP thorique de sr(t) et l'estimation de cette DSP l'aide d'un priodogramme moyenn, i.e., la moyenne de plusieurs (ici 10) priodogrammes.
180
Partie n'!OIIe
B
DSP thorique
Prlodogramme
'"
'6
90
BD
,.
'2
70 60 50 40 30 20
lA
'"
B
4
4
2
0
'"
0 0.5 0
0rJ
0.5
"'
"'
Figure 5.2 DSP thorique et son estimation l'aide du priodogramme.
5.2.2 Signal gaussien

Un signal x(t) temps continu est dit gaussien si le vecteur alatoire de composantes x(tJ), ... , x (til) est gaussien pour tout n et quels que soient les instants t 1 , ,til. Les proprits des signaux gaussiens sont donc compltement dtermines par celles des vecteurs gaussiens. En particulier, on a la proprit suivante.
Une reprsentation approximative [18] d'un signal gaussien peut tre obtenue par Je modle:
x(t) =
L ail cos(27r f,,t +

11=0
00
tpll)
(5.15)
o les 'Pil sont des phases alatoires indpendantes et uniformment distribues sur [0,27r],f,, = n/T, ail= 2.Jx(f;,)T et x la densit spectrale du signal. Comme un bruit blanc est une suite de variables alatoires indpendantes et de mme variance, pour gnrer un tel bruit il suffit de construire une suite: !IJ ,t12, ...
5.2
181
de ralisations d'une mme VA uniformment rpartie sur [0, ![,Il existe des logiciels qui permettent de gnrer sur un ordinateur une telle suite, partir de ces chantillons, on peut gnrer un chantillon xk approximant un bruit blanc gaussien comme suit.
Xk=, Xk=Xk+llk,
k=!,2,,,,
L'approximation est d'autant meilleure que le nombre d'itrations k est lev, On peut vrifier facilement que la moyenne et l'cart type sont respectivement 112 et
1/12,
La mthode suivante permet d'approximer encore mieux un bruit blanc gaussien, Cette mthode introduit 2 variables intermdiaires : ct et p, et elle permet de construire l'chantillon Xk comme suit.
ct= 2mtb
p, = u)-!n(l-uk),
Xk
=ft cos( ct),
k = 1,2, ...
5.2.3
Processus de Poisson
Considrons une suite d'vnements identiques EJ,E 2 , . (par exemple: appels tlphoniques, passages de voitures un carrefour, ... ) qui se succdent dans le temps des instants alatoires 8 1,82, ... Le nombre d'vnements x(t) qui se sont produits dans l'intervalle de temps [O,t] dfinit un signal alatoire valeurs entires. L'introduction d'hypothses plus ou moins restrictives sur x(t) conduit des modles plus ou moins importants dans les applications. L'un des plus connus est le processus de Poisson que nous allons dfinir ci-dessous.
Un vnement Ek a une probabilit trs faible ctdt de se produire une fois dans un intervalle de temps trs petit de dure dt. Cependant, dans un intervalle de temps
182
11ni de dure t il y a une probabilit 11nie ote-"' que Ek se produise une fois. L'accroissement de x(l) dans un intervalle de temps [ln ,ln+ T] de dure Test gal au nombre k d'vnements qui se sont produits dans cet intervalle indpendamment des valeurs de x(t) pour t extrieur [lo.lo + T]. Si l'on connat x(t0 ), la valeur x (ln+ T) est alatoire et ne dpend que de x(lo) et de la loi de probabilit de l'accroissement .6-;;;+Tx de x(t). Ainsi un processus de Poisson est markovien. Un processus ponctuel x(t) possdant une distribution de Poisson peut tre reprsent par une suite d'impulsions de Dirac de poids Ok places en des instants alatoires tk. Soit:
x(t)
=L
k~O
00
nkJ(t- tk).
(5.17)
'
Exemple 5.2.6 Autocorrlation d'un processus de Poisson

Par hypothse, si 11 < t 2 ,x(tz)- x(tJ) est indpendant de .r(IJ) = x(t 1) - x(O). Donc
soit
5.2
183
D'o
'f(I2.1J) = E{.r(l,)x(IJ)}- E[.r(I,)]E[.r(IJ)] = E[.r(IJ) 2] - {E[.r(IJ)]} 2.
{,
Comme x(IJ) et x(t,) sont des variables de Poisson on a:
'!U2.I1)
On trouve donc : = nt1 avec /1 < 12 et le coefficient de corrlation entre x(IJ) et x(/2) a pour
expressiOn : avec
T
v. '
Exemple 5.2. 7 Basculeur Poissonnien
~
l]
t2 -
tt >
O.
C'est la fonction alatoire x(t) dtnie par les proprits suivantes:

1. La VA x(t) peut prendre les valeurs 1 et 0 avec les probabilits
2. Entre les instants lo et 11 = 10
1et 1.
+ T,x(t) subit un nombre N(t) de changements (passages de 0 1 ou de 1 0). Ce nombre N (1) est alatoire et obit une loi de Poisson de paramtre 111 =nT. Moyennant un choix convenable de l'unit de temps, on peut supposer n = 1 . On a donc :
' ... P{N(t) =11) = -e-
u!
...n
(5.20)
c
0 0
Cette probabilit dpend de la longueur de l'intervalle Tmais non de son origine 10 ; elle est stochastiquement indpendante de la valeur initiale x(lo). Si l'on cannait x(lo). la valeur de x(l) l'instant ultrieur 11 dpend du nombre 11 de sauts subis par x(l) entre 10 et 1 1 La fonction alatoire x(l) se rencontre frquemment dans les applications. On peut l'attacher un phnomne donn qui tantt se manifeste (x (1) = 1), tantt s'arrte (x(l) = 0), ces changements ayant lieu des dates alatoires. Calculons la fonction de corrlation :
'!U.t
+ T)
= E[x(t)x(l
+ T)].
Comme pour 1 et T txs, la VA x(l)x(l + T) peut prendre l'une parmi les deux valeurs 0 et 1,{(1,1 + T) est gale la probabilit pour que x(l)x(t + T) prenne la valeur 1. Ceci quivaut la ralisation simultane de l'vnement x(l) = 1 et
184
x(l + T) = Li.e., x(l) = l et la variation elu nombre de sauts entre les instants 1 et
1 +Test paire. D'aprs le thorme des probabilits totales. on a :

P[N(t) =pair}=
L
p=O
cc
...2p 1 -'-e-' = -(1 + e- 2'). (2p) 1 2
D'aprs le thorme des probabilits composes, la probabilit pour que .r(O) = 1

est gale ~ Les deux vnements intervenants sont indpendants et donc:
Comme E[x(t)] = 1 et que la fonction de corrlation est paire, on obtient:

/(T)
'1-1 -e--'. 4
5.2.4 Bruit blanc thorique

Au sens le plus large, tout signal indsirable par rapport un autre signal dit utile est appel bruit. Le terme bruit est employ dans un cadre trs gnral mme s'il a t utilis au dpart pour dsigner le phnomne acoustique venant perturber un son utile. On peut distinguer deux classes de bruits : ceux provenant de perturbations imprvisibles donc alatoires et ceux ds des interfrences provoques par le captage accidentel d'autres signaux utiles (couplage entre des lignes de transmissions voisines par exemple). Du point de vue mathmatique, on introduit la notion fondamentale de bruit blanc qui conduit des traitement simples et qui se retrouve la base de la modlisation mathmatique d'une large classe de signaux.
La puissance moyenne d'un BB est infinie et donc un BB n'est qu'un modle mathmatique sans ralit physique. Un BB peut tre cependant considr comme l'idalisation d'un signal alatoire cmTlation microscopique observ travers un filtre qui rintroduit une certaine corrlation. Une suite (.rk )kEZ de Y.A est appele bruit blanc discret pur si ces Y. A sont indpendantes dans leur ensemble et bruit blanc au sens fort si ces Y.A vrifient :
(5.21)
5.2
185
Il existe plusieurs autres notions de bruits blancs qui ne seront pas considres ici. La dfinition d'un bruit blanc au sens large nonce dans le cas continu s'tend immdiatement au cas discret en remplantla distribution de Dirac par le symbole de Kronecker.
Exemple 5.2.8 Bruit blanc complexe

On considre les signaux valeurs complexes: x(t) = Ae.iC;r./\lt+) o est une V. A. uniformment rpartie sur [0, 27r[ et b(t) un bruit dont chaque composante est
blanche, centre, d'cart type CJ 2 ; ces composantes tant indpendantes entre elles et de cjJ. l. Comme la fonction d'autocorrlation de b(t) est gale au produit scalaire des vecteurs b(l) et b(t- T), on peut conclure que l'angle form par ces derniers est indpendant de l'origine des temps r et il est gal 7r /2. 2. On pose y(t) = x(l) + b(t) et (t) = x(t )b(t). Comme x (1) et b(t) sont indpendants et que b(t) est centr. les fonctions de conlation de y(t) et :(1) sont donnes par :
On voit ainsi que l'altration d'un signal par un bruit multiplicatif conduit un nouveau signal qui est lui mme un bruit blanc. Ceci complique les traitements en prsence d'un bruit multiplicatif. La ligure (5.3) donne des ralisations d'un bruit blanc gaussien et un bruit blanc uniformment rparti.
Bruit blanc gaussien
3L.._~~-;:;;;---;;;;;;--=,--;;;;!
5 0
100
200
300
,100
500
Figure 5.3
Bruits blancs gaussien et uniforme.
186
5.2.5 Signal continu et signal diffrentiable

Soit x(t.w) une famille de VA X 1 (w),t E if!, dfinies sur le mme espace probabilis (Q, T, P). Pour chaque t, X 1 (w) est une fonction mesurable sur (Q, T, P) et on a donc plusieurs types de convergence pour une famille x(t .w). Les quatre plus importants sont :
l. la convergence en loi
2. la convergence en probabilit 3. la convergence en moyene quadratique 4. la convergence presque srement ou avec une probabilit 1. Les notions de continuit et de drivabilit d'un signal dpendent du type de convergence que l'on considre. Nous rappelons ici quelques rsultats lmentaires relatifs ces notions et pour plus de dtails, on peut se reporter aux rfrences [1] [5].
Dans les applications pratiques la convergence la plus utilise est la convergence en moyenne quadratique (m.q) et on a Je rsultat suivant.
5.2.6 Signal ergodique

En gnral. le calcul probabiliste n'est possible que dans Je cas de signaux particuliers, mais trs importants, appels signaux ergodiques. En effet, il arrive souvent que l'exprience alatoire ne peut tre faite qu'une seule fois. Par exemple,
5.2
187
observer l'volution du niveau d'un fleuve en un point prcis en fonction du temps ne peut se faire q' une seule fois dans les mmes conditions. Ce niveau est une "fonction alatoire, dont on ne peut connatre qu'une seule trajectoire x(w,t) pour w fix. Dans ce cas, le calcul des moments statistiques partir de la dfinition est impossible. L'ide de la thorie ergodique consiste chercher des conditions sous lesquelles les portions de la trajectoire x(w,t) sur les intervalles de temps [O,T[,[T,2T[,[2T,3T[ ete ... nous donnent une information du mme type que l'examen de plusieurs trajectoires .r(w,t) pour diffrentes valeurs w 1,w2 ,w 3 , etc ... Il existe plusieurs notions d'ergodicit et nous commenons par dl1nir l'ergodicit au sens large qui est la plus simple utiliser dans la pratique.
Par dtnition, un signal ergodique au sens large est donc forcment stationnaire au sens large.
Exemple 5.2.9 Signal ergodique

Les moments du signal .r(t) = eil 2".fi>'+!! o tjJ est une variable uniforme sur [0,2r.] sont donns par :
Comme les moments temporels sont gaux aux moments stattsttques de mme ordre, le signal x(t) est ergodique au sens large. Ce signal est donc stationnaire au sens large.
Pour expliquer la notion d'ergodicit dans un cadre plus gnral, considrons un grand ensemble de tajectoires x(t.w,),n = 1, ... ,N d'un mme signal temps
188
5 Reprsentations d'un signal aleatoire
continu et introduisons les moyennes temporelles et statistiques dfinies respectivement par : (5.24)
et
" mdTJ, ... ,TJc. t) = . hm -1 ~ x(t- T;,wnl N-r::;;; N n=l i=l
"'TI
(5.25)
Les signaux pour lesquels les moyennes temporelles mk sont indpendantes de Wn et peuvent approximer des moments statistiques m~c jouent tm rle important dans la pratique. Ces signaux sont appels signaux ergodiques. Pour 1' tude thorique de tels signaux, on peut consulter les rfrences [2] [11]. On se limite ici la dfinitian suivante.
Signalons que cette dfinition est difficile mettre en application et dans les problmes pratiques on se limite la notion d'ergodicit au sens large qui correspond au cas particulier de la dfinition gnrale obtenu pour 11 = 1, T 1 = 0, f(x) =x puis 11 = 2, T 1 = 0, T2 = T,f(x,y) =x y*.
5.2.7 Signal markovien

Un signal stochastique est dit markovien ou de Markov si pour tout 11 et tout ensemble d'instants IJ .... .tn vritant: ft < ... < ln, on a
P[x(tn)~Xn 1 X(tJ) .... ,X(tn-l )] = P[x(tn)~Xn 1 xUn-l )]
(5.28)
o P[A lx) reprsente la probabilit conditionnelle. Cette dfinition est quivalente la suivante
P[x(tn)~xnlx(t) pour tout t~tn-Il
P[x(tn)~.tniX(tn-J)].
5.2
189
Exemple 5.2.10 Circuit RLC et signalmarkorien

Considrons une bobine d'inductance L constante aux bornes de laquelle on a une tension instantane v{t). lntensit instantane i (1) est donne par:
i (1)
1 [' = i CtoJ +L
ro
v(li)dli.
Pour connatre i (1). il suftt clone de connatre i (10 ) et v(ll) pour toclict. La connaissance de iU-t) un instant t-l antrieur 10 n'apporte aucune infonnation de plus lorsque i (to) est connu. Ainsi le signal dtenniniste i (1) est markovien. Considrons un circuit RLC aux bornes duquel on a une tension instantane v(t). La charge instantane q (t) du condensateur vrifie !"quation diffrentielle suivanle :
L--,d 2 q(t)
dt-
+ R dt - - +- = c
dq(l)
v(t).
(5.29)
L'expression gnrale de la solution de cette quation diffrentielle montre que la connaissance de q (10 ) et de v(li) pour toC li < t ne suffit pas pour calculer q (1). On a besoin de connatre en plus une autre condition initiale. par exemple q' (to). Le signal dterministe q (t) n est donc pas markovien. Par contre, si r on considre la fonction vectorielle [q(l),q'(t)], on sait que la connaissance de [q(lo).q'(lo)] et celle de v(li) pour t 0 cli < t suflsent pour dterminer [q (t ).q' (t )]. La fonction vectorielle [q (t),q' (t)] est donc markovienne. Dans la suite, on introduira pour les fonctions de rpartition la notation
F[xtlx2]
6 = P[x(tl )Cxtlx(12) = x2J
(5.30)
5. qui reprsente une fontion de la variable x 1 dans laquelle x 2 est un paramtre fix.
2
0
-&
190
Comme dans le cas continu, pour une chane de Markov, si le prsent est connu, le pass et le futur sont indpendants.
5.3
REPRSENTATION SPECTRALE
5.3.1 Signal harmonisable

Un signal alatoire x(t) est dit harmonisable s'il peut tre crit sous la forme:
x (t) = ei "'" d X (u)
2
x (11) =
i:
Signal temps continu Signal temps discret
+l/2
e.ihun d X (u)
-!/2
o d X (u) reprsente l'accroissement d'une mesure X (11) appele distribution spectrale du signal alatoire. Les intgrales ci-dessus sont des intgrales alatoires au sens de Riemann-Stieltjes dfinies comme limites en m.q, [4]. Dans toute la suite, nous considrons seulement le cas continue, le cas discret s'en dduit en remplaant t par 11 et oo par 1/2 dans les intgrales. Dire qu'un signal est harmonisable signifie que ce signal admet une dcomposition sur les signaux dterministes eF2;; 1111 , les coefficients de la dcomposition tant des V.A. Cette dcomposition existe si l'on peut passer de x(t) X(v).
Exemple 5.3.1 Signal ayant zm Dirac CO/Ill/le mesure spectrale
Le signal
o A et B sont deux V.A indpendantes peut se reprsenter par
5.3
191
C'est donc un signal harmonisable dont la mesure spectrale est la distribution AS(u- u 1 ) + Bi5(u- u2). Analysons maintenant l'effel d'un tltrage linaire sur un signal harmonisable. Dsignons pour cela par y(t) la sortie associe une entre x(t) dans un tltre linaire de rponse impulsionnelle h (t), i.e.,
y(T) =
'~'h(T-I)x(t)dt
o la convolution est dtnie comme une intgrale stochastique. Le gain complexe du filtre h (t) est alors donn par :
H(l.!)
= (
}TF.
h(t)e-j2w' dt.
On suppose dans la suite les signaux centrs ce qui n'est pas une restriction si l'on s'intresse aux signaux vritant: IE[x(l)]l <co. En effet, il suftt d'tudier le signal x(f)- E[x(I)J. Pour des raisons pratiques, on doit imposer (Hypothse Hl) aux signaux que l'on veut dcomposer d'tre tels que l'intgrale: (5.32) soit convergente en m.q et ceci pour toute fonction G(u) valeurs relles ou complexes vriliant 1G (u) 1 '( 1 . Moyennant des conditions qui permettent d'intervertir l'ordre des intgrales, on peut dire que Ia(l) est la transforme de x(t) dans un filtre de gain G(u). Imposer la condition IG(v)l '( 1 quivaut interdire tout phnomne d'amplitcation sur une frquence quelconque. Cela revient dire aussi que E. le dispositif physique qui ralise le f!tre est un dispositif passif qui ne contient ~ aucune source d'nergie interne. Un tel filtre agit en cran color travers lequel on { observe des radiations qui sont plus ou moins absorbes par le filtre et dont l'intensit ne peut jamais dpasser celle de la radiation de dpart. Le lemme de Love [2] donne une condition suffisante sur X(u) qui assure l'existence de JG(t) quel que soit 1.
192
Hypothse d'harmonisabilit (Hl): Un signal vrite l'hypothse 7-12 si sa covariance peut se mettre sous la forme (5.36) o les accroissements dJI._,(u 1,1;2 ) satisfont la condition (5.35). L'hypothse 7-12 porte uniquement sur la covariance /', (11 .t2) et ne ncessite aucune hypothse sur la stationnarit de x(t). Elle implique que -rxCtih) est uniformment bome et qu'elle est continue dans tout le plan 11 x 12 . Ceci implique que Je signal x(l) est continu en m.q.
Exemple 5.3.2 Signal ne vrifiant pas 1{2

Si x(l) = U(l) est la fonction chelon unit, alors -r,(t 1.12) = 0 sauf sur le domaine ]- oo,O]x]- oo,O] o elle vaut 1. Donc -f_,.(/J,/2) ne peut pas se mettre sous la forme (5.37) cause des discontinuits sur les axes de coordonnes. Le signal x(t) ne vrifie par 7-12 pour les deux raisons suivantes. Le signal contient des frquences trs basses qui permettent un signal d'avoir une moyenne gale U (1). Le signal contient des frquences trs leves qui sont introduites par des discontinuits l'origine des temps.
5.3
193
Exemple 5.3.3 Sigualrij'iaut 7-12

Si x(t) = AeJ 2iOI't o A est une V.A de variance cr2 on a: '")'.r(t 1.t2 ) = cr2 ej 2To" 1'( 11 -r2 >. Le signal x (1) vrite donc 7-12 sans tre forcment stationnaire puisque E [x (1)] peut dpendre de 1. Si J'on fait passer un signal ne satisfaisant pas 7-12 dans un lltre qui supprime le voisinage de la frquence 0 et qui attnue les frquences leves, on obtient un signal qui peut satisfaire 7-12.
tPfopositi0 n._.[~if'll'~iJ(l_c8v~r1.ancjiCT,~J.. ir\'-x'(t)estH~hn6hisat>l();;ato.r~;x(!J tassi harrrnisablet gs clls.ti].J~oi1s0 s[l~trale.s ~{v) ,/'ti'e-.:(y;',/;~J ve~ifierit
rtderifit;;:
Si .r 1 (1) ct x 2 (t) sont deux signaux vrifiant J'hypothse 7-12, on peut dduire partir de l'ingalit de Schwarz que la fonction d'intereorrlation dfinie par (5.9) peut s'crire sous la forme:
,. _ ... (fi h)
1.\j.\J_ ' -
!'+X J+XJ ej 2 To"(l!j/]-IIJ_/~)dfJ

-ex:;
-X
. . (IJi
'
'.tj.t}.
IJx)
-
(5.38)
dfl,,_,,
dsigne la diftrentielle d'une fonction dterministe
p._,,_,,
appele distri-
bution interspectrale de/_,,,,. On dit alors que une fonction
r_,,,,
est hannonisable. S'il existe
r,,,,
telle que
df,,,_,,
peut se mettre sous la forme

(5.39)
alors la fonction r,,_, 2 est la TF de'!'.,_,,. On doit souvent calculer la fonction 'i_,.,,., OLI y 1(1), y 2 (1) sont les sorties de deux fltres attaqus par des signaux x,(t) et x 2 (!). Ceci peut se faire l'aide de la formule suivante. Formule des interfrences Soient y 1(tl et )'2(1) les sorties des filtres F, et F2 de gains H 1 (u) et H 2(u) associes aux entres x 1 (t) et x2 (1). Si x 1 (1) et x2 (1) sont harmonisables et si .\'1 (1) et }'2(1) existent, alors on a :
0
'5. 3
0
(5.40) Si, de plus, dfl.,x,(u,,u2) par:
-6.
~
"
l'c,x 2 (u,,-u2)chi,du2, alors la T.F de 'ix,x, est donne
(5.41)
194
Pour F1 = F2 el x 1(t) =x2 (1), on a )'1(1) = Y2(1) ~ y(t), la fomm!e (5,40) o 11 = 12 = 0 montre que la distribution dti, vrifie l'ingalit suivante:
et pour tout 11 tni, la matrice carre dont les lments sont d f"x (u;, 11i), 1s;i, .i s;n est dfinie non ngative. On voit galement d'aprs (5,40) que si F1 el F2 sont deux tltres passe-bande de largeurs de bande t.u 1 et t.u2 , alors on a
Exemple 5,3,4 Interfrences entre deux radiations lamineuses

Soit x(l) une radiation mise par une source lumineuse et YI (t), :V2(1) les radiations tltres par deux crans colors. Les phnomnes d'interfrences dans un certain plan entre y 1 (t) et y 2 (t) sont dcrits par la fonction E[y 1(1 1))'2(12 )] dont le calcul se fait l'aide de la formule des d'interfrences.
5.3.2 Signal covariance stationnaire et spectre

U'le
T
covaria~ce 'i,,(/ 1 ,12 )

II -
est dite stationnaire si elle ne dpend que de la diffrence
t1, I.e., pour tout Tet tout t1, on a
Par abus de notation, dans toute la suite, on dsigne par lx deux fonctions diffrentes qui prennent les mmes valeurs: l'une /".,(1 1.1 1 - T) tant une fonction de deux variables el l'autre 'f.,.(T) une fonction d'une seule variable. S'il est ncessaire de faire la distinction entre ces deux fonctions, on prcisera les variables.
5.3
195
Formule des interfrences Soient YI (t) et y 2 (t) les sorties des filtres F 1 et F2 de gains H 1(1!) et H 2 (IJ) associes aux entres x 1(t) eLr 2 (1). Si x 1(1) et.t 1 (1) sont stationnaires au sens large dans leur ensemble et si y 1 (1) et Y2(1) existent. alors on a:
'(,. 1y 2 (T)
= [lzJ(Ihlz;(-l)*/.,,x 2(1)](T)
1 2
(5.42)
et si ln densit interspectrale
rx .r
existe, on a:
(5.43)
En effet, on a
1,.,,., U1 .t2l =
=
L: L:
[L:
x1
Ct1 - ()1 )lz 1(liJ)dll1
L:
x5 U2 - 01)*
1z; (ll2)dll2 J
lz(ll!)h(li1l* E[x1 U1 -Ill )x5(t2 -ll2)]dll 1 dlh

1 (8J)h2(02l*ix,
L: L:"
,,(T-el
+ (}2)dlll dOl.
Exemple 5.3.5 Corrlation d'une fonction drile

Comme application de la formule des interfrences, tablissons la relation entre la fonction de corrlation d'un signal x(l) et celle de la drive de x(t). La relation tui permet de passer de x(t) x'(l) se traduit dans Je domaine frquentiel par x'(J) = j2r. fx(f). On passe donc de x(l) x' (1) par un un filtre linaire de gain complexe G(f) = j2r..f. La formule des interfrences donne:
Prenant les transformes de Fourier inverses des deux membres, on obtient ix' (T)
-~:'(T).
Filtrage des signaux vectoriels Le tltrage linaire d'un signal plusieurs composantes est dfini dans le domaine frquentiel par la relation :
dy(IJ)
= G(11)dx(1J)
(5.44)
196
o G(l/) n'est plus un gain complexe scalaire mais une matrice dont les lments sont des fonctions scalaires. Dans le cas stationnaire. on a
E[dx(u)dyH (f)] = r(u)(u- f)dudf
(5.45)
o r (11) est une matrice dnomme matrice spectrale ou interspectrale. Utilisant alors un filtre matriciel faisant passer cie x y, on voit que la matrice spectrale du vecteur y se dduit de celle du vecteur x par la relation
(5.46)
Factorisation d'un spectre et blanchiment d'un signal Dans le cas particulier

Xi= X],
et h1
= h2.
on obtient ."1
= Y2 ~y
et
(5.47)
Si x admet une densit spectrale, i.e .. si d F,(u

2
r,(u)du, on a:
r,.(u) = IH(uJI r,(ul.
(5.48)
Si x(t) est un bruit blanc. stationnaire au sens large. i.e., sa densit spectrale rx(l;)
est gale une constante cr~, on obtient:
r,.(uJ = IH(uJI cr~ . .

2
(5.49)
Cette relation est appele factorisation spectrale de

torisation d'un spectre donn
1
r,.
l'aide du lltre H. La fac-
r_ .(u) consiste dten11iner la rponse en frquences
H(u) d'un llltre de sorte que r,.(u) vrifie (5.49). Tl est clair que cette relation ne
permet pas de determiner la phase du filtre et donc, lorsqu'il existe. cc filtTe n'est pas unique. ~r~positif?n.,[Z,fl7l La . ~a~toritibil sp~;t~I~ cJ'un. ~p.e'c,rref:,,(~~) .est possible ssi e spCtre yrifieTingalit suiydnte.(egndi1iop de:Pijley-Wieller): .. .. .
Blanchir un signal x(l) signifie rechercher le tltre linaire qui associe ce signal une sortie qui est un bruit blanc. L'existence de ce 11ltre dpend de ce que l'on
5.3
197
entend par bruit blanc. Classiquement, le problme est trait dans le cas o le bruit blanc est un signal stationnaire au sens large ayant une densit spectrale constante (bruit blanc au sens des statistiques d'ordre deux). Se plaant dans ce cadre et tenant compte de (5.48), on doit dterminer la fonction H (li) telle que
<T~
r,.(li)\H(u)\ 2 .
(5.50)
La solution H (u) de cc problme existe toujours un facteur de phase Arg[H (11)] prs et elle est discute dans des ouvrages classiques. Le cas d'un bruit blanc au sens des statistiques d'ordre suprieur deux sera examin plus loin. Considrons un lltre quelconque de rponse en frquence G(11) qui reoit en entre un bruit x(l) et soit y(l) la sortie associe. Soit y;(f) la sortie du lltre idal plac dans les mmes conditions. On appelle bande quivalente de bruit, la largeur de bande du filtre idal telle que les puissances de y(l) el Y;(r) soient les mmes. On a donc:
B,q =
2\G(O)\-,
, /""' \G(uJI-du. '

-oc
On a toujours intrt avoir B,q aussi petit que possible pour limiter les effets du bruit dans la bande dutltre. On admettra que le lltre qui minimise B,q est celui qui maximise le rapport signal bruit en sortie.
y(t)
Filtre idal
Yi(t)
Figure 5'.4
Bande quivalente de bruit: y(!) et Yi(t) de mme puissance.
5.3.3 Proprit du priodogramme et applications

Nous allons revenir sur le priodogramme P(u) dfini par (5.15). Comme, il est possible d'introduire plusieurs estimateurs ditfrents pour un mme paramtre, nous commenons par dfinir les qualits qui permettent de comparer cie tels es timateurs.
n..
0 0
'
1 ,p~fiijiti95 s:o(t Y:tn~ gr?n~euJ' ~er'tan~ ~ ra!oife ~t ~~ . g{YJ>, 9 .li: et 1 .une .fm~ctioh atetril.iil!st La VA" ainsi Cifi~ :st appele,vestimat~ux; ci!". Yi
8 c~.ns.tniit~ itar!titlq~sn~'shpn\)J\()1)~ 'Y1,~- ;:. ,y,,: .;:_,
0
198
Soit x, un signal rel temps discret, de moyenne nulle et stationnaire au sens strict Sa fonction de corrlation et sa densit spectrale sont dlnies par
,::;
' ln
= ' l-n = E( ' Xm-,.m+n ) et
;:;(I/) 1
= '\" L....t
k=-oo
2"1Jk. '!'k"-.i <-
On admet que le signal est ergodique et on introduit l'un des deux estimateurs suivants pour les coefficients ~~~ :
N-1-n
.-.N ~r'n
= --N 1.'- 11
0'!
""' L....t
m=O
XmXm-l-11
N
1
N
-11
Pour estimer la densit spectrale de x,, on peut prendre la T.F d'un estimateur de la fonction de corrlation de x,. Mais cela peut conduire une fonction pouvant prendre des valeurs ngatives et ceci n'est pas autoris pour une densit spectrale. On prfre alors calculer, partir des chantillons xo, . .. ,XN -1, le priodogramme :
~ P( u) -
N-l
_1_1 '\" -.i""""l 2 Lx11 e

N n=O
(5.51)
et tudier son comportement pour les grandes valeurs de N. On peut dmontrer que P (IJ) est un estimateur non biais de la densit spectrale du signal x, suppos stationnaire.
Cyclostationnarit Dans un grand nombre d'applications, on suppose que le signal
est stationnaire. Mais pour certaines applications telles que les communications, le canal est non linaire et les entres sont non stationnaires mais elles possdent cependant une proprit proche de la stationnarit dnomme cyclostationnarit. Nous nous limitons pour expliquer cette notion la dfinition suivante et nous donnons ensuite un exemple. Pour plus de dtails, on peut consulter les rfrences sui-
5.3
199
vantes [9]. Un signal temps continu .r(l) est dit cyclostationnaire si sa fonction d'autoco!Tlation lx peut se mettre sous la forme:
.'x(t.t- T)
=L
nE A
')'.\::l)(T)Cj2Irot
(5.52)
o A dsigne un ensemble cyclique de frquences et
f.~'ti(T) ~
L:
.t(l- T)x(l)e-i 2'"' 1dl
est appele autoco!Tlation cyclique de x (1).
Exemple 5.3. 6 Signal cyclostationnaire

Considrons le signal dfini par
o Test une constante, (Akl une suite de variables alatoires binaires de mme loi de probabilit pouvant prendre chacune les valeurs .r0 ou .t1 et lz(l) une fonction dont le support est contenu dans [0, T]. On peut vrifier que, pour tout 1, on a E[.r(l + T)] = E[x(t)] et 7,(1.1- T) = !xU + T,t +T-T). Ces deux fonctions sont de priode T par rapport la variable 1 et le signal x(l) n'est donc pas stationnaire. On peut tablir que, sous des hypothses gnrales, pour chaque T fix, la fonction lx (t ,t - T) admet une dcomposition en srie de Fourier, i.e, lx (1 ,t - T) peut se mettre sous la fonne (5.52).
Exemple 5.3. 7 Estimation de la direction d'une source l'aide d'w1 rseau de capteurs
Soit un rseau de N capteurs omnidirectionnels dans un demi-plan, aligns, numrots de 0 N- 1 et espacs entre eux de wj2. On considre une onde plane .t(l) mise par une source ponctuelle suppose l'infinie, de frquence .fa, d'amplitude A, de longueur d'onde w et de vitesse de propagation v. Soit .t(l) = A exp[j2rr.fo1]. Le signal reu par le capteur 0 est alors .to(t) =A exp[j2rr(.ful + t,D] o ti> est une phase l'origine quelconque (fo = vjw). La diffrence de trajet pour aller du plan 1r0 du capteur 0 au plan "' du capteur 1 est gale : ;\ w d = -sin(O) = -sin(ll).
2 2
Comme on a w = ,\ T, le temps mis pour effectuer ce trajet est

d w sin(O) 6.T = - = .
2v
200
Comme la vitesse du front d'onde est v, le dphasage temporel est de:
t,, T
= n r5T = --,--'--'2v
11w sin(ll)
c'est une avance ou un retard selon la valeur de 0. Le signal reu par le capteur n
est donc: _A e ,J2;;fi>U+nt."/")H?l -.o _ ,. (I)JJi' .\.,/ (l) -o wo =

o-j ;:, T e.l-". 0
La fonction d'autoco!Tlation et la DSP du signal x,(l) sont donnes par: . 1 hm- B
'"(T)= 1.\,
T--,-c:.J_
.-IJ
rB x n (t)x n (1-T)"ct= . 1 1A 1" Jo-;0T -e-"
et
r,(uJ
IA1 2il(l/- f{Jl.
Les vecteurs x, (1) et x,_ 1 (1) se dduisent donc l'un de l'autre dans une rotation
d'angle arg w0 indpendant de II. On peut dtennincr wo partir des N signaux x,(l).ll = 0 .... . N- 1 en faisant une TFD. On peut retrouver alors la direction 0
de la source en calculant le signal

N~l
y(f)
= Lx;(l)w-i
i=O
= exp[j2r.u]
et en dterminant ensuite la valeur de u qui permet de remettre en phase tous les vecteurs x; (1). On obtient
v(l) = xo(l) ~
i=O
'~
w!1v-'
1- (wo/w)N = .ro(l)---'-'_:_1- wo/w
et la valeur de u cherche est obtenue en crivant que ly(l)l est maximum (on choisira _r(l) rel). On obtient u = .f{1t,T et on peut dduire la direction 01 . Soit llr = Arcs in(*). Comme la DSP du bruit est gale r" = rr 2 , la puissance cie b, est infinie. On peut limiter la puissance totale de bruit reue par chaque capteur en mettant un 11ltre dont la rponse en amplitude est la plus proche possible de 1 sur l-J;,".j;, 0 , ] et nulle ailleurs. Dans la pratique ce liltrc n'existe pas. Le filtre aura une frquence de
coupure
Fe
>
.f;nax
5.3
201
5.3.4 Pseudo-spectre d'un signal non stationnaire

Nous allons aborder seulement trois cas assez importants dans la pratique : le cas d'un signa! stationnaire tronqu, celui d'un signal cyclostationnaire et enfin celui dun signal non stationnaire plus gnral.
Signal tronqu Soit un signal x (t) stationnaire de densit spectrale f(u). On tronque .r(t) pour obtenir le nouveau signal y(!) dtni par y(l) = x(tl pour 1 E [- T /2. T /2] ct y(l) = 0 ailleurs. Cette situation se rencontre dans la pratique chaque fois que l'on ne dispose que d'un signal .r (t) observ sur t E [ - T f2, T /2] et prolong par zro l'extrieur de cel intervalle. Il est clair que v(t) est non stationnaire ct donc sa l'onction d' autocorrlation -~,. (1 .t - T) dpend de t el T. En effel, si l'on crit y(l) sous la forme y(t)
= .r (t) f1 (y)
o f1 (y) dsigne la fonction indi-
catrice de l'intervalle f-T /2,T/21. on obtient:

/,.(1.1- T) = Elx(l).r"'(l- T)f1(-)f1(--)J
l f-T
t f-T /,(T) f1(-)f1(--). T T
Afin d'introduire une densit spectrale qui approxime celle de x(l). considrons la fonction suivante :
')',.(T) =
:-J
1
7j2
T -T/2 .
-/,.(/,1- T)dt.
(5.53)
D'o
On dfinit alors le pseudo-spectre du signalx(tl comme tant la TF de')',. soit:

1 1 r .,( .1 )* ' rt !',(/)= . . T 1-n (-J-(fJ= T 1' . 1-.,( 1 )*Tsmc-( )
(5.54)
.2
1 ~
j
-3
Exemple 5.3.8 ;ipplicatiou la sparation de deuxJiquences

Considrons le signal alatoire temps continu dlini par
.dt)= s(t)
+ b(t)
202
o b(t) est un bruit blanc de variance u 2 et s(t) un signal indpendant de b(t) dtni par:
s(t) =
L
k=I
Akef(2;;fir+ci;,I
o les .h dsignent des frquences relles dterministes. les Ak des amplitudes dterministes positives, les rfik des variables alatoires uniformes sur [0,27f] et indpendantes. On a :
D'o:
rcen = u 2 + L
k=I
A~rl(f- fiJ.
On observe le signal sur [- T j2, T /2], tenant compte de (5.56), le pseudo-spectre de x(t) a pour expression: I\(f) = u 2 + car
1
LT A~sinc T(f- fk)

2
bi
u-
* smc-(T.fl = y:
'1
'
1 [J-
La tgure 5.5 donne le pseudo-spectre pour deux valeurs de T diffrentes. On peut constater que plus Test grand plus le pseudo-spectre permet de voir l'existence des 3 frquences prsentes dans le signal.
1.0
Figure 5.5
Dure d'observation et pouvoir de rsolution du pseudo-spectre.
5.3
203
Signal cyclostationnaire On a vu dans l'exemple 5.3.6 que le signal

x(t) ~
00
L
k=-00
Akh(t- kT)
o T est une constante. A" des variables alatoires binaires pouvant prendre les valeurs x 0 ou x 1 eth (t) la fonction rectangle de support [0, T] n'est pas stationnaire mais cyclostationnaire. On peut lui associer une pseudo-corrlation en remplaant 7x(t,t- T) par sa moyenne par rapport t sur l'intervalle [O,T]. On obtient alors une fonction de la seule variable T qui a pour expression :
')7,(T) =
~ n~oo 7A (nT)
oo
1 k~--o
T oo
h(t- kT)!t(t- T+ (n- k)T)dt.
= n~oo 7A (nT) k~oo J~::.~T lz(u)h(u- T+ nT)du

=
~ n~oo 7A (nT)
1
l:
lz(u)h(u- T+ nT)du
t>
=T
L
00
'fA(nT)g(T-nT),
avec g(u) = h(u) */t(-11).
n=-oo
Le pseudo-spectre de x(t) est gal la T.F S,(u) de ')7,, soit:
Spectre volutif d'un signal non stationnaire Dans beaucoup d'applications, on doit traiter des signaux alatoires non stationnaires plus gnraux que le signal tronqu et le signal cyclostationnaire. Pour ce faire, des mthodes d'analyse temps-fr&. quence des signaux dterministes ont t tendues pour traiter les signaux alatoires [3]. L'une des mthodes les plus connues pour traiter les signaux dterministes est '5 -E. la distribution de Wigner-Ville dfinie par :
c c c
(5.55)
204
Atin d'introduire une extension de cette disttibution pour les signaux alatoires non stationnaires et pour des raisons de symtrie, on dfinit la covmiance d'un sign<. .t (t) par:
'(,(t.T)
~
'/, (t
~
+ Tj2,t
- T/2) = E {.r(r
+ ,-j2)x*(l -
T/2) }.
(5.56)
Moyennant des hypothses qui permettent d'intervertir l'ordre d'intgration, on peut tablir que l'esprance mathmatique de la distribution de Wigner-Ville est gale la T.F de la covariance. En effet,
E[L:oo
.r(l
+ Tj2)_r*(l- T/2) e-JiTl!TdT]
= E[W,(I,u)].
Ce rsultat justile l'utilisation de Sx(t,u) comme une extension de la distribution
de Wigner-Ville au cas des signaux alatoires. La distribution temps- frquence

S,(t ,11) ainsi dfinie peul s'interprter comme un spectre volutif du signal alatoire non stationnaire x(t). En effel, pour chaque t fix S,(t.u) reprsente une sorte de densit spectrale.
5.4
MODLISATIONS CLASSIQUES D'UN SIGNAL
La modlisation d'un signal joue un rle important dans l'analyse qui permet de connatre les caractristiques de ce dernier. Pour un sigmll dterministe x (t). souvent entach de bruit, son analyse temporelle fait apparatre la prsence ou l'absence d'informations utiles contenues dans cc signal. L'analyse frquentielle. gnralement fonde sur la transforme de Fourier X (u) de x (r) permet de voir quelles sont les frquences prsentes dans le signal et quelles sont leurs amplitudes. Pour un signal alatoire stationnaire. l'analyse est fonde sur l'estimation de la fonction d' autocorrlation Tc de x(l) ct de l'tude de -ix en tant que signal dterministe. Pour
les signaux non stationnaires. on introduit des mthodes d'analyse temps-frquence

qui dpassent le cadre de ce manuscrit. On peut aussi considrer les statistiques d'ordre suprieur 2 et faire une analyse polyspectrale qui peut contenir plus d'information sur le signal traiter. Le problme de l'analyse du si gmt! modlis consiste gnralement estimer>> les paramtres du modle considr pour le signal. Nous allons prsenter succinctement quelques modles pratiques qui per-
mettent de reprsenter une large classe de signaux rels.
5.4
205
5.4.1 Les bruits de fond dans les circuits lectriques : bruits blancs
Les sources gnrattices de bruit sont essentiellement de deux sortes : les sources extrieures un systme de traitement et les sources internes au systme. Les premires, localises 1 extrieur du systme de traitement, agissent par influence et peuvent tre naturelles o[J artificielles. Les secondes gnrent des bruits internes" au systme qui sont indpendants des conditions extrieures. On dispose de peu de moyens pour lutter contre un bruit ex leme. La principale mthode consiste tltrer au maximum le signal bruit l'aide d'un lltre adapt qui permet de rduire l'influence du bruit parasite avant de procder au traitement du signal reu. Pour un bruit interne. il existe des mthodes adaptes, par exemple utiliser des blindages pour rduire les bruits elus aux commutations, aux couplages, etc. Dans les circuits lecttiques, on a soit des perturbations de type impulsionnel engendres par des commutations de courants (interrupteurs lectroniques. circuits logiques). soit des bruits de fond gnrs dans les cbles et les composants lectroniques. Ceux sont les bruits de fond sur lesquels on ne peul le moins agir car ils rsultent du dplacement erratique de particules charges en quilibre thermodynamique (movemenl Brownien) ou sous l'influence de champs appliqus. On assimile ces bruit un signal stationnaire et ergodique et parmi ces bruits les trois principaux sont: le bruit thermique, le bruit de grenaille et le bruit additionnel de basse frquence.
a) Bruit thermique (Johnson Noise)

Au-dessus du zro absolu. les lectrons libres d'un matriau conducteur sont soumis des vibrations alatoires (agitation thermique). L'ensemble de ces mouvements erratiques provoque, mme en l'absence de diffrence de potentiel aux bornes du conducteur. une tluctuation alatoire de la valeur instantane de la tension observable. En l'absence de champ lectrique appliqu, la valeur moyenne de la ddp e(t) est nulle. Par ailleurs, si l'on observe la valeur quadratique moyenne de e(l) l'aide d'un appareil de grande sensibilit, on constate que celle-ci est une fonction croissante de la temprature. Cette tension e(t) est un signal alatoire appel bruit thermique et parfois Johnson Noise qui est prsent dans tout composant passif ou actif opposant une certaine rsistance lectrique R au passage d'un courant. On peut modliser ce bruit par un signal stationnaire ergodique du second ordre. centr et de spectre constant. Le bruit thermique constitue l'exemple le plus important du bruit blanc. La densit spectrale de puissance de ce signal est donne par la formule suivante, connue en thermodynamique sous la dnomination de Formule de Nyquist :
l'c(l/)
:::;
~
-~
0
-~
c
-5.
2h lui
lhul
exp(-)- 1 kT
206
o h = (6,62) w- 34 .1 ,,.el k = (1,38)10- 23 .1/ kc/ dsignent les constante de Planck et de Boltzmann respectivement el T la temprature exprime en degrs FarenheiL La frquence de coupure);. = kT 1h est assez leve el on admet dans la pratique que l'intervalle [ -,t;.,,t~.] contient les supports des spectres de tous les signaux tudis. On obtient comme approximation du premier ordre de la densit spectrale :
l',(u) ""2kT.
La puissance lectrique active dlivre par e(t), dans une rsistance adapte R, est donne par P(t) = e1 ' j4R.
b) Bruit de grenaille (shot noise)

On appelle bmit de grenaille (ou shot noise) les fluctuations statistiques du nombre de porteurs de charges (lectron ou trou) qui participent la cration d'un courant en traversant une barrire de potentieL Une telle barrire existe chaque jonction PN d'un dispositif semiconducteur, Elle intervient dans les mcanismes d'mission thermolectrique et photolectrique. Si l'on admet que les porteurs sont indpendants, la distribution de leur nombre par unit de temps suit une loi de Poisson. On peut, en premire approximation, considrer le flux des porteurs comme une suite alatoire d'impulsions de courant reprsentes par des distributions de Dirac pondres par la charge de l'lectron. L'quation du courant est donne par : i(l) o les
tk
=L
k
eO(t -tkl
sont les instants alatoires de passage de chaque porteur travers la bar-
rire de potentiel ete= (0,16)10- 15 C. La fonction d'autocorrlation de i(l) est donne par:
o o: dsigne le nombre moyen de charges par unit de temps. La densit spectrale de puissance a donc pour expression :
l'j(U)
= !Jt(u) + efo,
fo
= eo:
o fo dsigne le courant moyen (composante continue), Le premier terme correspond la distribution spectrale de la composante continue et le deuxime celle des fluctuations de courant dues l'effet grenaille. Le bruit de grenaille est donc un bruit blanc de puissance
rJ.
c) Bruit additionnel de basse frquence

Aux frquences suprieures quelques kHz pour les composants lectriques, ou quelques dizaines de kHz pour les composants lectroniques, le bruit de fond de ces
5.4
Modalisations classiques d'un signal
207
composants est essentiellement un bruit blanc. Ce bmit. appel bruit de fond additionnel, rsulte surtout de l'effet thennique et de l'effet de grenaille. Aux frquences infrieures. on observe que la densit spectrale de puissance dcrot en fonction de la frquence. Il n'existe pas de modle prcis permettant d'tablir une expression thorique de la DSP d'un bruit additionnel. On constate que cette densit varie approximativement comme l'inverse de la frquence. On introduit la loi empirique suivante:
f'a(l!) =k--. , 0 <Ct< 2.
Ua
1IJ l"
(5.57)
La validit de cette loi t vrifie jusqu' des frquences trs basses, de l'ordre de 10- 6 Hz et le rel ct est souvent proche de 1, d'o le nom de bruit en 1fu. Si l'on admet que le bruit est stationnaire, lorsque la frquence tend vers zro la puissance devient intnie et r on doit imposer des limitations thoriques. On suppose que le bruit n'est pas stationnaire et que le pass a une grande int1uence sur l'tat prsent. Le bruit en 1/IJ impose des limitations importantes l'amplification directe de signaux constants ou de trs basses frquences. Pour certaines applications critiques. on a recourt une technique d'amplitcation indirecte fonde sur la modulation-dmodulation synchrone. De nombreux signaux alatoires, n'ayant aucun rapport avec les problmes de conduction, ont des fluctuations dont le spectre est aussi dtni par la loi empirique (5.60). On peut citer par exemple, la frquence des oscillateurs quartz, certaines grandeurs conomiques el biologiques, des phnomnes musicaux ... Ces constatations permettent de penser que le modle non stationnaire du bruit en 1/u est susceptible de s'appliquer de nombreux phnomnes naturels.
5.4.2
Les modles ARMA (p,q)
On considre dans cette section des signaux temps discret dfinis par des rcurrences sur la variable instant.
a) Signal autorgressif: AR(p) (Autoregressive signal)

Un signal x, est dit rcursif ou autorgressif d'ordre p s'il est dfini par la rcurrence suivante :
.2
~
f..
j
.3
o le signalu, est un bruit blanc. Cette relation peut s'crire sous la forme condense:
208
o a dsigne le vecteur de rgression et x 11 le vecteur des p chantillons passs. En
terme de filtrage, le signal x, se dduit de u, par le passage dans un filtre dit rcursif dont la fonction de transfert est donne par
H(~)
1
= --;. 1 - L......i=l 0 t~ "''
On peut tablir que si la fonction H (~) cllnit un tltre causal et stable. i.e .. tous les ples de H (~) sont l'intrieur du cercle unit, alors x, est un signal elu second ordre. Dans la majorit des applications, le signalu, est un bruit blanc au sens large
et centr, i.e., les
l/ 11
forment une suite de variables alatoires centres et non corr-
les (pas forcment indpendantes). Sous cette hypothse on peut dduire que. pour tout 11 tx, l'espace vectoriel engendr par Xn-1, Xn-2, ... , x_,Xl est identique celui engendr par Un-I lln-2, .. . , ll_o:_,. Par consquent. chaque V.A H 11 est orthogonale toutes les V.A Xn-1, X11 -2, .. . , X-x ct ceci pour 11 quelconque. On a donc E[x,u,] = 0 et ceci conduit au systme suivant:
qui relie le vecteur de corrlation c, le vecteur de rgression a et la matrice de covariance ., de x,. Ce systme. appel quation normale (ou quation de Yule-Walker) permet de calculer a partir des p + 1 premires valeurs de la fonction de corrlation du signal X 11
ii '" 200
<Il
"
150 -
wo
Figure 5.6
'"
Exemple de modle AR (2).
'"
,.J\~~~Jit~
'"
000
000
-100
150
coo
b) Signal moyenne mobile: MA (q) (Moving Average)

Un signal moyenne mobile d'ordre q est cltni par la relation de rcurrence suivante:
5.4
209
o "" est un bruit blanc. La relation ci-dessus dtnit un tltre appel tltre moyenne ajuste (moving average) d'ordre q que l'on note MA(q). C'est un filtre de Rponse lmpulsionnelle Finie (RrF) : b 0 .... , b,1 Le calcul de cette rponse impulsionnelle partir de la fonction de corrlation de la sortie x, est plus dlicat que dans le cas des signaux autorgressifs. En effet la fonction de conlation de x11 qui vrifie -~x(-k) =-y.. (le) est donne par x(k) = 0 pour k > q el:
/,(k)
= rr~(bobk + btbk+l + ... + bq-kbq)
pour 0'(k'(q.
On voit donc que la connaissance de la suite des -f.. (k) ne permet pas de dterminer simplement les b; puisque le systme d'quations rsoudre et non linaire et on peut vrifier qu'il n'admet pas une solution unique. Ceci signite que plusieurs signaux MA(q) distincts peuvent avoir la mme fonction de corrlation. On peut en tin noter que si le bruit gnrateur ll 11 est blanc au sens fort. alors X 11 et .-. :11 -k sont indpendants ds que lkl > '1
Exemple 5.4.1 Modle MA(IO)

Considrons un signal MA(lO) dont tous les coeflicients sont gaux 1. L'expression ci-dessus de la fonction de corrlation d'un tel signal conduit : /,(k) = 0 pour lkl > 10 et7,(k) = 7,(-kl = (Il - k)O'~ pour '(k'(IO.
l40
E 50
Figure 5.7
Exemple de modle MA (2).
g
.2
~ ~ ~
c) Modle ARMA(p.q)
Un signal ARMA(p,q) est une combinaison linaire des deux types prcdents. Il est dl1ni par la rcmTence:
fi
~ c
Xn- LaiXn-i
i=l
Lbilln-i,
i=O
bo = l.
(5.58)
210
Un tel signal correspond au passage d'un bruit blanc dans un filtre dont la fonction de transfert est une fraction rationnelle :
H(z)=
"V'I bL...,i=O '--i "VP __ , l - L.._...f=l Oi.t.. 1
Ces signaux n'ont aucune des proprits voques prcdemment pour les signaux AR(p) et MA(q) mais ils jouent un rle important dans la pratique,
0 0 0 0 0
50
..11
100
l.
1:>0
200
2.50
300
350
J ~.
400
450
:>00
Figure 5,8
Exemple de modle ARMA (2,2),
5.4.3 Estimation linaire d'un signal

Les techniques d'estimation linaire dpassent le cadre de ce chapitre, On va se limiter ici un exemple d'estimation dans le cas particulier de la prdiction, Soit x(t) un signal alatoire scalaire, rel, centr, stationnaire et possdant une fonction d'autocorrlation /.,(T) connue. On cherche estimer la valeur de ce signal l'instant (t + Llt) , Llt > 0 partir de toute fonction linaire des chantillons x(t- u), u "'0 supposs connus. On dsigne par x(t + Llt) cette estimation que l'on appelle prdiction et on introduit l'erreur d'estimation dfinie par:
+ M)- x(t +!li)= x(t + Llt). Dans la majorit des cas, on introduit un modle pour x(t + M)
x(t
qui fait intervenir des paramtres. Le problme de l'estimation linaire revient dtenniner des estimateurs de ces paramtres au sens d'un critre donn. On peut par exemple chercher une estimation au sens des moindres carrs , du maximum de vraissemblance >>,ou du maximum a posteriori ... (voir les dfinitions dans la suite).
5.4 Modlisations classiques d'un signal
211
Par exemple, si l'on ne cannait x(t) qu'aux instants t et t-T, on peut prendre comme fonction X(l + D.t) = ax(t) + bx(t- T), Dans certaines applications, on connat le signal x(l) et sa drive; on peut construire le modle :
x(l
+ D.t)
= ax(t)
+ bx'(t).
Dans les deux cas considrs, le problme revient dterminer les paramtres a et b au sens d'un critre appropri.
Exemple 5.4.2 Estimation de paramtres dterministes

Lors d'une transmission, le signal reu est souvent modlis par:
x(t) = as(t)
+ b(l)
o b(l) est un bruit de perturbation du au canal, a une grandeur non alatoire dfinissant une modulation d'amplitude contenant l'information transmettre ets(t) un signal dterministe connu. On suppose que le bruit parasite est un bruit blanc centr. On se propose d'estimer l'amplitude inconnue a partir de l'observation deN chantillons du signal x(t). On introduit la forme vectorielle :
x= as+ b
o x est le vecteur dont les composantes sont les N chantillons observs, s un vecteur connu, a l'amplitude dterminer et b un vecteur alatoire dcrivant la perturbation. Toutes les quantits considres sont relles. On appelle estimateur linaire de a tome V.A note dtnie par :
o h est un vecteur de IT!.N dterminer suivant le critre considr (voir la section suivante). Dterminer revient dterminer h.
5.4.4 Estimation des paramtres d'un modle

L'objectif est de donner seulement quelques exemples de critres classiques qui sont la base de l'estimation des paramtres d'un modle.
Estimateur au sens des moindres carrs Soient x( l),x(2), ... ,x(11) un ensemble
-~
0
"
-&
'5
d'observations et y(l),y(2), ... ,y(11) un ensemble de rfrences. On cherche un modle de la forme :

y(k)
= ax(k) + e(k).
pour k
1,2 ...
.,Il
212
qui traduise au mieux le lien entre les observations et les rfrences. La mthode des moindres cans consiste dterminer le coefficient a pour lequel la ronction :
C(a)
" 2:::
k=l
y(k)- ax(k) 12
est minimale. Un calcul simple conduit l'expression suivante pour l'estimateur de a :

(l
L:;;_ 1 x(k)v(k)
'""'I!
L-k=l
1x(k) 1-
.,
Cette technique peut se gnraliser au cas vectoriel, c'est--dire au cas oi:I le paramtre scalaire a est remplac par un vecteur a. La mme dmarche que dans le cas scalaire conduit au systme suivant [!] : Ra = r avec R ~ XWXT et r = XWy
"
o Ret r sont les matrices d"autocorrlation et d'intercanlation avec facteur d'oubli, di1nies partir des moyennes temporelles pondres des observations et des rtrences. Estimateur du maximum de vraissemblance On veut estimer une variable scalaire ou vectorielle certaine X l'aide d'une suite d'chantillons Y 1 , .... Y,v. On introduit la densit de probabilit conjointe f( Y1, .... Y,v ,X) qui dpend de la variable estimer X. La densit ainsi dl1nie est appele vraisemblance. La mthode du maximum de vraisemblance (MV) consiste prendre comme estimateur de X la VA X qui maximise la vraisemblance. En J'ait, cela quivaut prendre la solution de l'quation de vraisemblance dl1nie par: " illn( /') Grad(ln(f)) = a =O.
(5.59)
E:remple 5.4.3 Modle gaussien quelconque

Supposons que les chantillons ( Y1 , . . . . YN) sont les composantes d'un vecteur gaussien y de moyenne rn, et de matrice d'autocorrlation r pouvant dpendre d'un paramtre X estimer. La densit de probabilit de Y est donne par:
1 T 1 j'(y) = o exp[--(y- rn,.) r- (y -m,.)] 2 . .
(5.60)
5.4
213
o y est un vecteur N dimensions et ct une constante donne par :
Dans ce cas. important dans les problmes pratiques. 1" quation de vraisemblance devient :
- ( y - m,.) r
T
-l
DX
(y- m,.) =O.
(5.6 1)
La mthode du MY s'tend sans diflicults au cas o la quantit estimer X est une Y.A [20].
Exemple 5.4.4 il1odle gaussien linaire

Un problme pratique consiste dterminer au mieux un vecteur X partir des
observations faites sur un autre vecteur Y. On considre souvent le modle linaire suivant:
Y= g(XJ = AX
"
+B
11
(5.62)
et B un vecteur gaussien
o A est une matrice dten11iniste de dimension m x
centr et de matrice de covariance r 8 . On va dvelopper les calculs dans Je cas o X est dterministe et on le nole x. Le vecteur Y est donc gaussien de moyenne mr = Ax et de matrice de covariance l'r = r IJ. La densit de probabilit de Y est donne par :
.rY=oet
.( )
-~ly-Ax[ 1 r,-,'rr-Ax[
du maximum de vraisemblance sera not

T
-l
Le vecteur x qui maximise la densitfr(y) el qui est appel estimateur de x au sens Xmv et il vrir-e donc :
A rB Ax,,, =A
T
-l rB Y.
Si la matrice ATr8 1A est inversible, le vecteur x,, est donn de manire unique par:
Xmv
[A Tr-IA]-IATr-ly B IJ .
(5.63)
-:;
Estimateur du maximum a posteriori Pour expliquer le principe de cet estimateur. nous allons nous placer directement dans le cas du modle linaire introduit par (5.65) o !"on suppose X gaussien d'esprance mx et de matrice de covariance
214
fx. Le principe du maximum a posteriori consiste trouver le vecteur mise la densit conditionnelle :
. hr(x.y) .fx;r~,(x) = .f"y(y) .
X qui maxi(5.64)
La densit marginale de y tant une fonction .fr (y) indpendante de x. il suffit de calculer.fxl Or, la formule de Bayes donne:
.t. xdx.y) = f l"/X~x(Y) 1. x (x)=

o
f;e 2-
>
_lo(x.vl
Finalement, tenant compte de (5.67), la

.fx;r~,(x)
densit.fx;Y~.v
prend la forme:
-~(le 2
_lQ(x))
. }"y
Le vecteur x qui maximise.fx;r~y(x), appel estimateur de X au sens du maximum a posteriori et not X 11111 p, vrifie :
[A Tr-1A B
+ r-1] x - Xmap =
ATr-1y B + r-1 x nlx.
Si la matrice ATf8 1A+ r_;- 1 est inversible, x,,i' est dtermin de manire unique par:
Exemple 5.4.6 Estimateur et matrice de Fisher

On considre un vecteur alatoire dfini par:
x=sb
o s est un rel positif et b un vecteur gaussien, centr et de matrice de covariance r. On cherche estimer le nombre s partir du vecteur observation x. On pose cr= s-. '
1. Exprimer la densit de probabilit Px du vecteur observation en fonction de x, CT et f.
2. Calculer l'estimateur au sens du maximum de vraisemblance,
,,,, de CT.
215
3. Calculer le biais de &,, ..

4. Calculer la variance de &mrr 5. Un estimateur centr est dit efficace si sa variance est gale l'inverse de l'in-
formation de Fisher cl11nie par :
Que peut-on dire de l" estimateur&,,, ? 6. On suppose Il = l. Calculer l" estimateur au sens du maximum de vraisemblance
:mv du paramtre s. Que vaut son biais et sa variance et l'information
de Fisher associe !_,.
5.1
Signaux alatoires et stationnarit
On considre le signal alatoire x(t) = cos(o:t + B) o B est une Y.A dont on dsigne la fonction caractristique par cp B (u) = E(exp(ju B)). 1. Exprimer E(x(t)) en fonction de E(cos(B)) et E(sin(B)). 2. Donner une condition ncessaire et suffisante portant sur cp B (l) pour que la fonction x(t) soit centre. 3. On suppose la fonction x(t) centre. -Donner l'expression de la covariance 7xUJ- T) = E(x(t)x(t- T)*) en fonction de E(cos(2B)) et E(sin(2B)). -Donner une condition ncessaire et sufl1sante portant sur cp 8 (2) pour que la fonction x(t) soit stationnaire puis donner l'expression de 7xU,t- T) dans l'hypothse de stationnarit. 4. On suppose que B est uniformment rpartie sur]- 1f,1T]. -Calculer cp B (u). -La fonction x(t) est-elle centre? -La fonction x(t) est-elle stationnaire?
On considre maintenant le signal alatoire w(t) dtni par:
w(t)
0 0 0
5._ 8
3
0
"5. .5
.,;
0 0
= x(t)cos(ol) + sin(ctl)y(t)
(5.65)
8 leur ensemble. et ct un nombre dterministe. '2'
o x(t) et y(t) sont deux fonctions alatoires relles, centres et stationnaires dans
216
1. Exprimer la fonction d' autocorrlation l'w (t.r )',(T)./y(T) et ):,,.(T).
T)
de w(t) it 1" aide des fonctions
2. En dduire une condition ncessaire et suftsante pour que w(t) soit stationnaires au sens large.
3. Donner alors l'expression de "/w clans le cas stationnaire.
5.2
On considre le signal rel temps continu dtni par :

x(t) =A sin(2r.f(JI
+ rjJ)
o A et , sont deux variables alatoires statistiquement indpendantes, .fo une frquence positive donne ct t une variable reprsentant le temps. On suppose que A est uniforme sur [0,11 et gue r/! est aussi uniforme sur [O.:?r.]. Pour chaque t fix, x (t) est donc une variable alatoire. 1. Calculer l'esprance E[x(l)]. 2. Calculer la fonction de corrlation 'iUt .l2l
E[.tCtt )x(12)J.
3. Que peut-on dire de la stationnarit de x (t) ?
5.3
On considre le signal s (1). dlinie par

s(t) =
L
k=l
,,
eil2;-cJit+,),
_;2 = - l
o les .h sont des frquences positives et les 1'k des variables alatoires statistiquement indpendantes et unifom1mcnt rparties sur [0,2r.]. 1. Calculer E[s(l)] pour 1 fix. 2. Dterminer la covariance des deux V.A Xt = s(t1) et X2 = s(t2). 3. On prend q = 2 et on dsigne par Re(.t) la partie rcl!e de x. Exprimer sous forme d'une intgrale la densit de probabilit, .fr. de la V.A Y= Re(s(O)). 4. Donner la valeur de l"intgmle
J'':"'. yfy(y)dy.
5. On pose maintenant x(l) = s(t) + b(t) o b(l) est un bruit blanc centr. de variance cr2 indpendant des cj'k Calculer E[x(l)] et dterminer la fonction de corrlation lx 6. Que peut-on dire de la stationnarit de x(t) ?
5.5
217
5.4
Signal temps discret

llk
Soit un signal temps discret
rel, centr et de fonction de corrlation
/,[p]
E[ukllk-p)
uk
= rY
(p).p entier ct (p)
=0
pour p
=ft 0 et <l(O) = 1.
1. Le signal
est-il stationnaire au sens large?
2. On fait passer ce signal dans un filtre linaire de rponse impulsionnellc h k = pour k:; 0 et hk = 0 pour k < O.[aj < 1. Calculer la sortie -"k de ce filtre et en dduire sa moyenne E [.q 13. Calculer la fonction de conlation "ix [p] de x[k] pour p :; 0 et tablir, sans aucun calcul, l'expression de 'ix[f'] quel que soit p. 4. Calculer la densit spectrale f(u) de -"k 5. On suppose que -"k est connu. Montrer que Xk-l-l peul se calculer l'aide de Xk ct de l'entre llk+l. Gnraliser la proprit el donner l'expression de -"k+p-1' > 0, en fonction de Xk el de pour k < 1-;;k + p.
a"
u,
6. On suppose maintenant que les variables alatoires llk sont indpendantes entre elles. Montrer que si Xk est connu, alors Xk_ 1 _1, est indpendant des valeurs antrieures
Xk-q'l
> 0 (proprit de Markov).
5.5
Densit spectrale et filtrage
On considre Je signal alatoire temps discret, x 1, dlini par
x,=L_a.iu,_.i,
.f=O
"
iEI\l
o les Ui, j
LE sont des variables alatoires relles, centres, deux deux ortho-
gonales et toutes de mme variance <T 2 (E(U 111 U11 ) = 0 pour m pour 111 E Z) el a un rel positif vriliant 0 < a -;; 1.
-~ 5 0
0
=f
net E(U,71 )
= a-2
-E.
1. Dterminer la fonction de conJation /'"'" = E(x,x,). On commencera par Je cas 0 ~ n ~ 111. 2. On suppose a = 1 . Expliciter la fonction de corrlation et tracer son graphe. 3. On suppose a = 1 ct p densit spectrale r (u)-
1. Expliciter la fonction de conlation et dterminer la
218
Representations d'un signal aleatoire
4. On fait passer le signal x(t) dans un filtre linaire dont la sortie est dtnie par
Yn =
Toujours dans le cas a sance
E( v 2 )
~
C.Yn-!
+ Xn.
= 1 et p = l . calculer la densit spectrale de y, et la puis-
Il
5.6
Transmission d'un signal quasimonochromatique
Un metteur gnre un signal alatoire x(t) suppos rel, centr et stationnaire. On suppose dans toute la suite que x(t) est quasimonochromatique de frquence moyenne u 0 , c'est--dire la densit spectrale de x(t) vrifie pour v> 0:
rx(JJ) =
pour lv- uni > L'. v
o uo est un nombre positif certain et 1'.1/ un nombre petit devant vu. Le signal reu aprs transmission et rflexion double s'crit:
y(t) = x(t)
+ x(t- fi)
e est un retard constant.
1. Calculer E[y(t)] puis la fonction de corrlation 'Yy de y(t) en fonction de celle
dex(l).
2. Calculer la puissance E[y(t) 2 ] du signal y(t) ainsi que sa densit spectrale r,(v).
3. Justifier que y(t) s'obtient par filtrage linaire de x(t), donner la rponse en frquence du filtre et retrouver l'expression de r,,.(u) en utilisant la formule des interfrences. 4. Est-ce que y(l) est quasimonochromatique?
5. On suppose que x(t) est gal la partie relle du signal complexe dfini par
o cp(t) est un signal alatoire, reL Exprimer E[~(t)] et donner une condition sur la fonction caractristique de cp(t) pour que ::(t) soit centr. 6. Calculer la fonction de conlation -(, (1 1 ,t2 ) dans chacun des cas suivants et tudier la stationnarit de
~(t).
(a) cp(t) =At o A dsigne une VA uniformment rpartie sur [-7r,7r].

(b) cp(t)
At 2 o A dsigne une VA uniformment rpartie sur [-1r,1r].
219
(c) cp(l) = At + B o A dsigne une V. A gaussienne de variance u;, et B une V. A indpendante de A. On rappelle que la fonction caractristique d'une V.A gaussienne X. centre et de variance o-2 est donne par 'Px(u) = exp[-u~"'). (d) cp(l) est un signal alatoire stationnaire. gaussien el dont la covariance est donne par: -lcp(T) = E[cp(l)<p(t- T)]. Pour cela, on introduira la VA Y = cp(t) - cp(t - T). on justifiera que cette variable est gaussienne et on exprimera sa variance en fonction de /cp
7. On pose w(t) = :;(/) + :;.(1- 0). Calculer la puissance J posant que ::(1) est stationnaire.
E(lw(t)l 2 ) en sup-
5.7
Dtection de frquence et pseudo-spectre
On considre Je signal observ sur J'intervalle de temps [0. Tj :

-'1Ul
1
= Aw12"<.ht+<>, 1nT(I)
o .f est une frquence relle dterministe, A 1 une amplitude relle alatoire cenljJ 1 une phase alatoire uniforme sur [0. 1] indpendante de A 1 tre de variance et flr (1) la fonction porte de support [0, T].
1. Exprimer la fonction de corrlation -1 1(11.!2) de -'1 (1) en fonction de fl T
ai.
2. Exprimer la fonction de corrlation moyenne :
SOUS
forme d'un double produit de convolution faisant intervenir ]a fonction fl T
3. Calculer la T.F 1(v) de -1 1(T) appele pseudo-spectre de -'1 (t). 4. Calculer le rapport
-~
S. On considre maintenant Je signal x(l) = x 1(t) + x2(t) o x2(t) est dfini de la mme faon que x 1(t) el l'on suppose que les signaux x 1(1) et x2(t) sont indpendants.
(a) Calculer la fonction de corrlation 1U 1.t2 ) de x(t). (b) Calculer le pseudo-spectre (v) de x(t). (c) On suppose.!'! ,;
.h. tracer le graphe de
(v).
220
(d) On suppose <TI
= cr2 = cr. Donner un quivalent de r( r, ;h) pour les
grandes valeurs de T. On suppose que .fide f(1J) pour les grandes valeurs de T?
.h = l/T. Quel est le comportement
(e) En dduire une rgie sur le choix de T. fi et .fi si l" on veut discerner deux composantes frquentielles.
(f)
On veut chantillonner le signal x(t). Sachant que seule la frquence .fi nous intresse. que peut-on proposer comme solution ?
5.8
Pseudo-spectre et somme de signaux non stationnaires
On considre le signal
x(t)
= I>k(tl + b(t) ~
k=I
C0
y(l)
+ b(t)
o f1 (t) dsigne la fonction rectangle de support [-l /2. l/2] et les 'Pk des V. A indpendantes, uniformment distribues sur [0,1] et b(l) un bruit blanc complexe centr de variance 2cr2 indpendant de y(l). On suppose 1i1 = T.
1. Calculer E[x(lo)].
Tk+l -
T, > T et on pose
2. Calculer la fonction d' autocorrlation de x(t).

3. Que peut-on dire de la stationnarit de x(t) ?
4. Calculer le pseudo-spectre de x,(t). Peut-on dfinir un pseudo-spectre pour

x(l) ?
5.9
Signal cyclostationnaire
Considrons le signal dfini par

x(t)
L
k=-co
00
A,h(t
-tkl + b(t).
t, E Z
(5.66)
o b(l) est un bruit blanc de puissance O"l, Ak une suite de V.A binaires, indpendantes de b(l), pouvant prendre chacune les valeurs 0 ou 1 et h(l) une fonction dont le support est contenu dans [O,T], T constante positive. Le signal x(t) est un
221
exemple de signaux que l'on rencontre en transtnission. C'est un signal dont la valeur bascule entre 0 et 1 des instants '" Ces instants sont souvent des multiples de T dfinis par'" =kT. Parfois, les '" ne sont pas exactement des multiple de T mais sont dfinis part~c = kT + E o c est une Y.A uniformment distribue sur l'intervalle [0, T[. On se propose de dterminer la fonction de corrlation de x(t) sous diffrentes hypothses.
1. On suppose que les A~c sont dterministes, les lk donns par '" =kT et
h (t)
f1 (-; 12 ) o f1 (u) est la fonction porte de support [- 1/2, l /2]. Dterminer
la fonction de corrlation de y(t) dans les cas suivants et tudier la stationnarit de ce signal. (a) Al' = 1 et Ak = 0 pour k =f p.
(b) Al'= Af'+l
1 et tous les autres Ak sont nuls.
(c) Ak = l pour toutes les valeurs de k.
2. Pour tenir compte de l'incertitude sur l'origine des temps, on dfinit les tk par tk =kT+ E o c dsigne une V.A uniforme sur [0, T] indpendante des Ak et de b(t).
(a) On suppose que les
A; sont orthogonales et de mme variance 2 . Dterminer
la fonction de corrlation de y(t). Ce signal est-il stationnaire ?

(b) Reprendre la question prcdente dans le cas o les
A; forment un signal temps discret centr et stationnaire de fonction de co!Tlation lA (11 T).
On se place dans les hypothses de la question prcdente et on suppose que
(c)
h(t) = f1
(~).Dterminer la densit spectrale y(u).
5.10 Estimation de la direction d'une source l'aide d'un rseau de capteurs

Soit un rseau de N capteurs omnidirectionnels dans un demi-plan, aligns, numrots de 0 N - 1 et espacs entre eux de w /2. On considre une onde plane x (1) mise par une source ponctuelle supposes l'intnie, de frquence Jo. d'amplitude A, de longueur d'onde w et de vitesse de propagation v. Soit x(t) = Aexp[j27f./iJI]. Le signal reu par le capteur 0 est alors xo(l) = A exp[.i27r(}(JI + rp] o <P est une " ~ phase l'origine quelconque (j0 = vjw).
~
"-
1. Calculer le signal reu par chaque capteur, sa fonction d' autocorrlation puis sa
DSP. 2. Comment peut-on partir des N signaux x,(/),11 = 0, ... . N- 1, retrouver la direction de la source. Y-a-t-il des directions favorises?
222
3. Chaque capteur rajoute un bruit blanc centr stationnaire b, (t) de variance a 2 , indpendant de !"onde reue et des autres capteurs. Calculer la DSP de b, (t) ainsi que sa puissance totale Pb, Est-ce possible? 4. Lors d'une acquisition des signaux (par exemple par un enregistreur magntique continu) si lfol ~!max. comment peut-on limiter la puissance totale de bruit reue par chaque capteur? Que vaut alors le rapport p, = P,, pour chaque capteur en
Ph,
fonction de la bande quivalente de bruit B. Qu'en dduire sur le choix de B? 5. Les signaux s,(t) = x,(t) + b,(t) sont chantillonns la frquence F, aprs avoir t filtrs par un filtre de frquence de coupure .f~. et de pente -12 dB par octave. Comment doit-on choisir F, par rapport .fe pour que le recouvrement spectral n'injecte dans la bande [-.f~.+.f~.] que des signaux attnus d'au moins 48 dB?
6. En ne retenant que M chantillons numriss de s,(t),n = 0, ... ,M- 1, comment peut-on encore augmenter le rapport signal sur bruit p, ? 7. Faire un schma fonctionnel du traitement global pour estimer la direction de la source en faisant d'abord un traitement par capteur pour augmenter le rapport signal sur bruit. Indiquer quelles sont les valeurs de N et de M prfrables et pourquoi.
5.11 Exemples de prdicteurs linaires

Soit x(t) un signal alatoire scalaire, rel, centr, stationnaire et possdant une fonction d'autocorrlation "fx(T) connue. On suppose que x(t) l'instant test galement connu. On dsigne par x(t + 6.1) une estimation de x(t + tl.t) et on introduit l'erreur d'estimation dfinie par:
x(t
+ tl.t)- x(t + tl.t)
= x(t
+ 6.1).
1. On considre le modle linaire suivant :
x(t
+ tl.t) = ax(t).
de cet estimateur en fonction de "fx(O), /,(6.1)
(a) Calculer le biais de cet estimateur et exprimer l" erreur quadratique moyenne
(EQM) c(a) ~ E(lx(t et a.
+ tl.t)l 2 )
(b) Dmontrer que la valeur de
a qui minimise E(a) est donne par: ao =

lx(tl.t)
"lx (0)
et calculer la valeur minimale
(ao).
223
(c) Calculer le produit scalaire E[x(t
+ L'.t)x(t)]
et commenter le rsultat.
(d) Que devient cet estimateur pour un bruit blanc ou un signal faiblement corrl. 2. On considre maintenant le modle :
x(t + M) =
ax(t)
+ bx'(t)
et on suppose dans toute la suite que la fonction de corrlation du signal x(t) est drivable deux fois. (a) Calculer E[x'(l)]. (b) Utilisant la fom1Ule des interfrences, tablir les rsultats suivants :
E[.t(l)x'(l- 7)]
E[x'(t)x'(t- 7)]
= =
-'(;(7)
-'(~(7).
(c) Justifier les proprits suivantes: ,:.(0) = 0 et 1:'(0) <O. (d) Calculer le biais de l'estimateur propos. (e) Exprimer l'EQM, c(a,h), en fonction de /,(0), /,(L>t), 1:'(0), a, et b.
(f) Dmontrer que les coeftcients qui minimisent c(a,b) sont donns par:
et calculer E(ao.bo). (g) Calculer les produits scalaires E[x(t commenter le rsultat.
+ L>l)x(t)]
et E[x(t
+ L'.t)x'(t)]
et
3. Comparer les deux estimateurs tudis ci-dessus en considrant les biais et les EQM associs. Discuter le cas o t>t tend vers zro. 4. Le signal x(t) est une sinusode:
x(/)=
-~
0
A cos(2r.}(JI
+ ip)
(5.67)
de frquence Jo certaine et de phase l'origine uniformment rpmtie sur [0,2r.[. Le signal x(t) est stationnaire et ergodique. (a) Calculer la valeur moyenne ainsi que la puissance de ce signal. (b) Calculer la fonction d'autocorrlation /,(7) de ce signal et vrifier qu'elle est priodique.
224
Reprsentations drun signal alatoire
(cl Vrifier que la connaissance de /_,.(T) en tout point l'amplitude A et la frquence Jo.
(dl Exprimer les deux estimateurs rsultats obtenus.
permet de dterminer
x(t + tl.t)
tudis ci-dessus et commenter les en introduisant les drives
(e) Peut-on amliorer l'estimation de x(t d'ordre suprieur 1 ?
+ tl.t)
SOLUTIONS
5.1 1. On a E(x(t)) = cos(ni)E(cos(B))- sin(ett)E(sin(B)).
2. Une condition ncessaire ct suffisante pour que x(t) soit centre est donne par E(cos(B)) = E(sin(B)) =O. Ce qui quivaut
E[cos(B) + jsin(B)] = E[ejli] ~ <1> 8 (1) =O.
3. On a:
-y_,(t.t- r) = E[cos(at + B)cos(ct(t- r) + B)]
= =
2 2 ~cos(nr)- cos[(n(2t- r)]E[cos(2B)] +
E[cos(ctr)]-
E[cos(a2t- or+ 2B)]
sin[a(2t- r)]E[sin(2B)]
Comme le signal est centr, il est stationnaire si 'x est indpendante de t. Ceci est vrit si et seulement si E(cos(2B)) = E(sin(2B)) =O. Cela quivaut <1> 8 (2) = 0 et dans ce cas,
on a 7x(l,t- r) = 1cos(nr).
4. On suppose que B est uniformment rpartie sur ] _On a q, (u) = J" ejub db = sin(7ru)
B -1T
271
/Tu
71, T].
- La fonction x (t) est centre car <!> 8 (1) = 0. -La fonction x(t) est stationnaire car <1> 8 (2) =O. 1. Comme les signaux sont rels, on a .-.xy =
f'yx
et donc:
-f,(t ,1- r) = 'fx(r)cos atcos o(t- r) + 7y(r)sin ct/sin n(t- r) + 'fxy(r)cos ar
= hxy(r)
+ 2('fx(r) +
. 1 'l'y(r))]cosctr+ 2hx(T)- -ly(r))]cosa(t- r)
2. Une condition ncessaire et suftsante pour que w(t) soit stationnaires est "lx =l'y 3. Dans le cas stationnaire, on a
fw
= ["fxy(T)
+ l'x(T)]cos O:T.
5.2 1. On a E[x(t)] = E[A]E[sin(2rrj0t + qJ)] = 0 car les variables A et r/J sont indpendantes et cf; est unifom1e sur [0,2Tt].
225
2. La fonction de corrlation est
3. Le signal x(r) est donc stationnaire. 5.3 1. Comme les cp"- sont uniformment rparties sur [0,2r[, on obtient:
E[s(l)] =
" eil<t E[eF,] = O. L

k=l
2. La covariance de X1 et X 2 est donne par : E[.t(IJ)x(!Jl*] =
" elfi , _,,,_ L

k=l
3. On a Y = cos( r/> 1) + cos( t/> 2 ) = Y1 + Y2 . Comme ,P 1 et ,P 2 sont indpendantes, alors Y1 et Y2 le sont aussi et la densit de Y est donc gale au produit de convolution des densits de Y1 et Y2. Si l'on dsigne par g la densit de Y1 (gale celle de Y2, voir cours), on a:
J;(y) =
}Fi.
{ g(u)g(y -u)du.
4. La dtermination de fr n'est pas ncessaire. On a

{ yf,.(y)dy = E(Y) = E(Y1)
JH
5. On a
+ E(Y2 )
= E[cos(qJ 1)]
+ E[cos(</J,)] =O.
E[.t(I)J =
" eflrrf<t E[ef\] + E[b(t)] =O. L

k=l
'),(T) = L:ef2rrf,r +O''O(T).

k=l
"
6. Le signal est donc stationnaire. 5.4 1. Le signal est centr et vrifie ~r'11 (p) = a 2 t'i(p). Il est donc stationnaire. 2.x, = L~~ 11 o~'u(k- p) et donc E(xk) = L;a"E(u(k- p)) =0.
3. On obticnl pour p > 0
226
'"'lx(P) =
E( L {[
m=O
00
:.J
111
11(k- 111)
L a''u(k- p -n))
n=O
00
00
= =
E( L
La"'_,_, E[u(k- m)u(k- p-ull)
m=O n=O
LLa 111 +11 ' 11 (p+n-m)

Ill Il
= " 0 p+2n,.,, (0) = _.__ L.....t lu l - a2"

11=0
oo
a2aP
Comme la fonction de corrlation est paire, on a 7x(-p) = f'x(p) et finalement

f'x (p)
~:, 2 alPI pour p quelconque.
4. Il suftt de calculer la TF de /_, (p). On obtient

CX::
r(u) =
"" ---"la1Pie-;2;ru L.. 1- ap=-x
rr
'"l
~-a, ( L
'
{)
(aej 2"")-l'
00
+ L(ae-j 2"'Y)
1
00
p=-oo
~ (1 + L [ (aej 2"'')1' + (ae- j'"")''])

1- a1
rr ' = -,-----,---------:c---=1 + a2 - 2acos(27Tu)

On peut aussi appliquer la l'annule des interfrences. r(u) = lh(uJI'a-2 pour obtenir le rsultat ci-dessus.
5. On a:
xk+l
'X!
00
= =
L
p::o;{)
aPllf.:+J-p
Uk-+1
+L
p=l
aPuk+l-p
lfk+l
+ ax~;_
On obtient de proche en proche
227
5.5 1. Comme 7111 11 = "Yn.nl' on peut supposer 111

p
/ '111 11
~ 11
p
i=O
et poser k =
111
-n;?: O. On obtient
= E(LajUm-j LaiU11 -i)

j=O
f!
p
= LLaj+iE(Um-jUn-i).
jdl i=O
Comme les Uk sont deux deux orthogonales et toutes de mme variance o-2 on obtient "'lm,n = 0 pour k > p et pour k ~ p :
"'r'm,u
= rr2
L La.i+i()((mj=O i=O
,., k
f!
[!
j ) - (n-i))
= a2
L c/+2i.
i=O
p-k
2. On obtient pour a= 1. /,(k) =p-k+ 1 et pour ai' 1

1 - a2p-2k+'2
1- ay(k)
=rra
"
3. Pour a
l et p
l, on a
La densit spectrale
r'(11)
est donne par:
4. La densit spectrale de Yn est donne par la formule des interfrences

r,.(u) = IH(;)I r(u).
2
o H(u) = 1/(l- cej 2"'') dsigne le gain complexe du filtre. La puissance E(y~) a pour expression E(y,7) = .C;~ 2 ry(u)du.
5.6 1. On a
E(y(t)
=O.
2. La fonction de con-lation de y(t) est gale
Le signal est donc stationnaire.
-a 0 5
0
3. On a
E(ly(t)l
2 )
= 2"(,.(0) + T,(li)
et
r,.(u)
= 2~1,(u)[l + cos(2m;(!)]
228
et
Donc H (IJ) = 1 + ei2TrPII et la formule des interfrences permet de retrouver

r,,(ll) = IH(I!)I'r,(I!) = r,(I!Jil +cos(2r.110)].
4. Ceue relation permet de voir que y(t) est aussi quasimonochromatique. 5. Si r/J~(l) = 0, on obtient E[z(t)] = ej 2m'"'r/Jrp(l) =O. 6. La fonction de corrlation est donne par :
"/:Ut ,t:d =
ej2;rYnT
E[ ej(:;l (liJ~<tJ;(I! )].
(a) Pour rp(l) = At, on a
(b) Pour rp(l) = At 2 , on a

'"'t:UI,t2) = ei 2 m'orsinc(7(t~- ti)).
(c) Pour rp(l) = At
+ B. on a
l': (tl ,11) = eF2<ruor e~a;1 UI-1!) /1.
2
(d) La V.A Y est gaussienne centre de variance
ai, = 2-y,_;(O) -
21'~,-JT) et on a
7. On a
l
E(iw(l)i 2 )
= "(,(t.t) +?JI- O,t- 0) +?JI- O,t) +
"tJt.t- 0)
Si :(t) est stationnaire, on obtient:
5.8
1. D'aprs les hypothses, on a:
et par suite E(x(to)) =O. 2. On a "lx(t,T) = '),,(t,T)
+ "ib(T)
avec
"iy(t,T) =
I>,, (t,T) + L E(x,(tlx~o(t- r)'.

k-=f_lr
2
Comme les 4'1:: sont indpendants et les eF "'i'~ sont centres, on obtient
ly(t.T) =
LT,, (I,T).
k
229
Soit
'(,(t,T) =
I::'(,, (t,T)ej 2""''TI(I- r,- Tj2)TI(t- T- r,- T/2) + o-2(T),
'
3. Le signal x(t) n'est donc pas stationnaire au sens large. On a
". (T) = T J..t', 1.
Ijl;+T
l_t,
(t,T)dt = -el-''''TI(t)
!.,_,_ T
* TI(t)[T].
D'o
1 r,., (T) = -6(u__ T
uk)
' * ITI(u)j-.
Pour 'x(t,T), on doit calculer l'intgrale sur un ensemble qui contient la runion des supports des f1 (t - Tk - T /2). Dans ce cas, la contribution Je b(f) est infinie. il faut Jonc une porte pour fitrer le bruit.
Chapitre 6
Reprsentations, ralisations et synthses d"un filtre
6.1
6.1.1
REPRSENTATION EXTERNE ET FONCTION DE TRANSFERT

Reprsentations en srie et en parallle
La reprsentation symbolique d'un filtre joue un rle fondamental dans l'tude de la stabilit, de la synthse et de la ralisation de ce dernier, Elle consiste reprsenter un filtre par une fonction de la variable complexe, appele fonction de transfert. Cette fonction est en fait la T.L (respectivement T.Z) de la rponse impulsionnelle du filtre analogique (respectivement tltre num!ique). Prenant la T.L de l'expression (1.8), on obtient X(s) = H(s)U(s) avec:
(6.1)
Dans le cas d'un signal temps discret, on obtient le mme rsultat en remplaant (1.8) par une quation aux diffrences et en prenant la T.Z. Un filtre dynamique est donc un filtre dont la fonction de transfert est une fraction rationnelle. Nous allons donner les principaux rsultats concernant ces filtres en commenant, tout d'abord, par les dfinitions suivantes. Le filtre quivalent deux filtres en parallles a pour rponse impulsionnelle
h(l)
= h](l) + h2(1).
232
Reprsentations, ralisations et synthses d'un filtre
"="1*"2 Si l'on dcompose la transmittance d'un filtre sous la t'orme d'un produit de
transmittances lmentaires (souvent du premier ou du second ordre) :
H(z) =
Le filtre quivalent deux filtres en srie a pour rponse impulsionnelle
f1 H;(Z)
i=O
(6.2)
on obtient la reprsentation en srie ou en cascade du filtre : figure 6.1, droite. Si l'on dcompose la tmnsmittance d'un filtre en lments simples (souvent du premier ou du second ordre) :
H(z)
=L
id)
H;(z)
(6.3)
on obtient la reprsentation en parallle du filtre : figure 6.1, gauche.
Figure 6.1
Reprsentations en parallle et en cascade.
6.1.2 Causalit, stabilit, phase minimale, phase linaire

Un tltre linaire est dit stable au sens strict (Entre Borne - Sortie Borne) si toute entre borne correspond une sortie borne. Il est dit stable au sens large si [h(t)[<M VtE!P:.. Une condition ncessaire et suftsante pour qu'un tltre soit stable au sens strict est que sa rponse impulsionnelle vrifie :
L"
[h(t)[dt <+co.
(6.4)
6.1
Reprsentations externe et fonction de transfert
233
En effet, si la rponse impulsionnelle vrite (6.4) et si x(t) est un signal born tel que lx(l)l ~A, alors la sortie y(t) vrifie: ly(IJI
i:
lh(IIJIIx(t -li)ldli
~AL: lh(ll)ldll <
oo.
Rciproquement, comme le signal x(t) = e~jArg(h(~tJI est born, la sortie associe ce signal vritle : ly(O)I = 1
L:
h(li)x(-li)diil =
i:
lh(li)ldiJ < oo.
Un filtre stable au sens large peut tre instable au sens strict et rciproquement En effet, si h(t) est gal l'chelon unit tt(/), le filtre est stable au sens large mais instable au sens strict et si h (t) = o(t), le filtre est stable au sens strict mais instable au sens large. Un l1ltre temps continu est dil phase minimale s'il est stable et si tous ses zros sont partie relle ngative. Un filtre est phase linaire si l'argument de sa fonction de transfert est une fonction linaire (i.e. A(li) = Arg[H(z)] =ali).
Ce rsultat se traduit par ht = Ehn~i pour i = 0,1 , ... ,il avec 1 1= 1, les coefficients ho,/1 1 , ,h, tant les termes non nuls de la rponse impulsionnelle du tltre RIF.
Il existe des critres qui permettent de tester la stabilit des l1ltres linaires. Panni 0. les plus connus, on peut noncer le critre de stabilit de Routh et ses extensions [8]. L'tude de la stabilit se ramne celle de la position des racines d'un poly' o. n me par rapport l'axe des imaginaires. On appellera polynme de Hurwitz tout polynme n'ayant que des racines partie relle ngative. Les algorithmes qui permettent de tester la stabilit calculent de manire rcursive, partir d'un polynme donn de degr ft, une suite de ft paramtres dont le simple examen pern1et de dire
234
si le filtre est stable ou non. Le principe consiste associer un polynme g(s) de degr 11 (suppos ici coefficients rels). mis sous la forme g(s) = r,(s)
+ r,(s).
111
<
11 11
(6.5)
o r,(s) et r,(s) sont ses parties paire et impaire de degrs polynmes
et
111,
une suite de
_{,,. j;,_\ ...

vritant chacun deg(ji,)
p et !"identit suivante :
fi,(-s)
= (-l)~'.f~(s)
Vs.
Cette identit signile que.fi,(s) ne comporte que des monmes de mme parit que
p et pour celle raison. tout polynme vrifiant cette proprit sera appel polynme
pair.impair (p.i). Le premier polynme de la suite est _t;, = r, et le second est construit partir de r,. Chaque polynme .fi-1 (s) est construit partir du reste
rq (s) de la division euclidienne :
(6.6)
defi+! (s) parf,(s) selon une rgle qui sera prcise dans la suite. On peut vrifier que rq(s) est un polynme p.i dont le degr q est de mme parit que p + 1. On commence par le cas, dit rgulier. o 111 = 11 - 1 et q = p - 1 chaque tape de
l'algorithme. Dans ce cas, on a J,_ 1 d'ordre trois suivante, p
= rq
et l'algorithme se rduit la rcurrence
= 11-
l.n- 2, ... ,1 :
(6.7)
Les paramtres o:,, p
= 11,11-
1, ... 1, ainsi construits dfinissent la reprsentation 1

O:n-1
en fraction continue du polynme g(s) donne par: r,(s)

- - =O:nS
rm(.S')
+
.fi>-J(S)
(6.8)
En effet, (6. 7) conduit immdiatement

.f~+J(S)
.fi,(s)
Ctp+l
+ J;,(s)
(6.9)
11
et l'itration de cette relation conduit (6.8). litre d'exemple, pour obtient :
= 4.
on
6.1
Reprsentations externe et fonction de transfert
235
Nous allons donner diffrents noncs du critre de stabilit d'un filtre linaire. chacun tant fond sur des concepts adapts une application spcifique. Pour les dmonstrations et pour plus de dtails, on peut consulter les rfrences [8], Posons J;,(s) = a{;sP +a:;_ 1 sP- 2+ ,,,, p = 11,11- 1, ... ,0, et associons chaque polynme f 1,, la ligne
(6.10)
L'criture de toutes les lignes R,,Rn-1 . . , l'une la suite de l'autre conduit un tableau triangulaire connu sous la dnomination table de Routh et on a le rsultat
suivant.
Stabilit et Table de Routh Le polynme g(s) est de Hurwitz si et seulement si la premire colonne de la table de Routh associe g(s) comporte 11 + 1 coeflicients 0 et. que ces coe ft-tctents 1 et d e meme ' a 11 , a n-1 _ , . . . ,a sont tous non nus signe, I.e,
11 11
1
O:p
pl ap-l p-l ap
1 > 0 pour p = n,n- 1, .....
Une fraction rationnelle H(s) est dite sans perte" si elle satisfait les 3 proprits suivantes : H (s) est iiTductible
Re[H (jw)] = 0
(6.11)
Vw
!PL
(6.12) (6.13)
Re[H(s)] > 0 Vs tel que Re[s] >O.
La fonction H (jw) est videmment la rponse en frquence du lltre linaire de fonction de transfert H(s) et (6.12) signifie que la partie rsistive est nulle ou que le filtre est purement ractif (sans perte). Par exemple, si H(s) est une fraction impaire coeflcients rels, elle est sans perte si et seulement si elle vrifie les deux conditions (6.11) et (6.13). Stabilit et fonction sans perte [8] Les 3 propositions suivantes sont quivalentes.
~
1. Le polynme g(s) = r,(s)
+ r,(s)
est de Hurwitz.
; 2. La fraction rationnelle ,-,(.,! est sans perte. o.. '""' (s) 1 B 3. On a 111 = 111 et si r, ' 1 est a 1 (s) et n, sont dfinis par (6.6), alors la fraction ,."' r,11 s1 -E_ sans perte et le nombre n, est strictement positif.
0
'O
Cette proprit est la base du dveloppement en fraction continue associ un polynme de Hurwitz introduit ci-dessus.
236
Stabilit et proprit d'entrelacement des zros [81 Le polynme g(s) est de

Hurwitz si et seulement si les o:p sont tous strictement positifs et toutes les racines
des polynmes r" (s) et r, (s) sont simples, distinctes, situes sur l'axe imaginaire
et lorsqu'on parcourt cet axet on rencontre ces racines de faon alternative.
Associons au polynme :
( gs)=Lais
i=O
. ~
"
n~i
.oo=-
6.
(6. 14)
sa matrice compagnon :
~ (~
111
()
()
on a det(- si)= g(s).
(6. 15)
Stabilit et matrice dfinie positive Les 3 proprits suivantes sont quivalentes.

1. Le polynme g(s) est de Hurwitz.
2. Pour toute matrice Q dfinie positive, l'quation matricielle

P+P=-Q
(6.16)
admet au moins une solution P dtnie positive. Cette solution est alors unique. 3. Il existe une matrice P dlnie positive vritant l'quation :
P
+ P =
-!.
(6.17)
Dtermination du nombre de zros instables La table de Rou th tendue [8] que nous allons prsenter dans la suite permet de dterminer le nombre de zros partie relle positive d'un polynme g sans calculer explicitement ces derniers. Ce nombre, not n+ (g), tient compte de la multiplicit de chacun de ces zros et sera dnomm aussi nombre de zros instables du polynme g. La construction de la table consiste dduire, pmtir des composantes paire et impaire du polynme g el par divisions successives, une suite de polynmes pair-impair (pair ou impair selon leurs degrs) une suite de polynmes : .fn. };,_1, ... , }tl. L'algorithme qui permet de construire la table de Rou th tendue comporte trois cas selon le degr q du reste r,1 de la division deJ;,+1 par.f~ donne par (6.6). Si q = p- 1, on prend.fp-1 ~ rq. Si rq = 0, on prend ..f;,-1 gal la drive de.f;,.
6.1
Representations en serie et en parallle
237
Si rq
la ligne
=ft 0 et
Rp-1
q < p - l , on construit(p-l comme suit. Soit A la ligne associe
rq eth le nombre des premires colonnes de A formes par des zros. On construit
comme suit.
Dcaler les lments de ( -1 l" A de h positions vers la gauche pour obtenir une ligne intermdiaire B :
B
p-1 ( - l) " ap-h-1
(- l ) ap-h-2
11
p-1
Additionner colonne par colonne les lignes A et B pour obtenir la ligne :
Cet algorithme, plus simple que la procdure classique de Rou th. associe un polynme quelconque de degr 11 un tableau ayant 11 + l lignes R,, 1?,_ 1, . , R0 tout
polynme g, on peut associer une suite :
a;:, a;;=
1 1
ag et on a le rsultat suivant.
Exemple 6.1.1 Table associe

La table associe g(s) = (s 6 comme suit.
1111
polynme singulier
se construit
+ 3s 4 + 3s 2 + 1) + (s 5 + 3s 3 + 2s)
'5.
-g_
8 0
1 l 0 -1 -1 3 1 0 2 l
3 3 l -1 0 3 1
3 2 1
Onaiz=l Obtenue en dcalant - A 5 d' une position Obtenue en calculant A 5 + Bs
Prendre la drive de R 2
D'oit n+(g) = V(l,1,-1,3,1,2, l) = 2.
238
Les dfinitions et proprits prcdentes se transposent assez naturellement aux cas des filtres numriques. Par exemple, un filtres numrique est dit phase minimale s'il est stable et si tous ses zros sont situs l'intrieur du cercle unit. Pour l'tude de la stabilit des filtres numriques, il suftt de remplacer la transforme de Laplace par la transforme en z, l'axe des imaginaires par le cercle unit et le demiplan gauche par l'intrieur du cercle unit. Cela revient remplacer la variables par (\ + z)/(1 - z) et par transformation homographique polynmiale, on obtient des algorithmes qui permettent d'associer un polynme de la variable z une suite de polynmes Fp(z.) autorciproques, i.e., vrifiant l'identit suivante: (6.19) o FP est le polynme obtenu en conjuguant les coeftcients de Fp. Partant d'un polynme G(z.), mis sous la forme :
G(z)
R,(z)
+ (1- z.)Rm(Z.)
(6.20)
o R, (z) et Rm (z.) sont des polynmes autorciproques, on construit une suite de polynmes Fp l'aide de la rcurrence : (6.21) et une suite de coefficients
"P'
= 1,2, ... ,11. On a alors le critre suivant [8].
Dans la suite, on se limitera surtout la prsentation des filtres numriques. En effet, le tltrage numrique est de plus en plus utilis pour diffrentes raisons: modlisation parfaite des filtres, tltres trs prcis, possibilit de reconfiguration aise, composants num!iques de plus en plus rapides, efficaces et de faible cot.
Exemple 6.1.2 Filtre i11verse

L'inverse d'un tltre, temps continu ou temps discret, de rponse impulsionnelle lz(t) est un filtre qui associe l'entre /z(l) une sortie gale un Dirac. L'existence du filtre inverse n'est pas toujours possible. Considrons, titre d'exemple, les deux filtres causaux dtnis par les quations suivantes avec a 1 < 1 :
Yk = Xk - OXk-1 ,
(6.22)
Yk
Xk
+ a.''k-1,
(6.23)
6.2
239
Le premier est un filtre MA stable et phase minimale. Dans ces conditions, le second est un lltre AR stable qui est l'inverse du premier. Les gains 1 H 1 (ei 2"") 1 et
1 H2(ei 2"") 1
sont donns par la ligure 6.2.
,,r~,o~--------------------,
0.0 '0 0.0 0.7 0
o.o
0.0
0.3
0.2
0.,
-~~------------~0~--------~0.0
~.~ ..-------~~0~--------~0.0
6.2
REPRSENTATION INTERNE ET QUATIONS D'TAT
On se place dans le cas o les observations sont scalaires. Le modle d'tat s'crit:
x'(t)
A(l)x(l)
+ B(t)u(t): quation d'tat
(6.24) (6.25)
y(t) = C(t)x(t): quation d'observation
dont l'volution dynamique est modlise par l'quation d'tat o les diffrentes grandeurs sont dfinies comme suit : x(t) E IR:" est le vecteur qui d!nit l'tat du systme l'instant t 0 = x(t) E !R:P est l'observation ou sortie du systme l'instant t A(t) est la matrice d'volution (11,11) dpendant en gnral de l'instant t C(t) est la matrice d'volution (p,11) dpendant en gnral de l'instant t (systme non stationnaire). Dans le cas d'une observation y scalaire, la solution gnrale du systme (6.24) est donne par:
X(l) = q;(t ,t0 )x(to)
+ ['
to
d;(l ,T)B(T)U(T)dT
(6.26)
o q;(t,t0 ) est une matrice du type (n,n), appele matrice de transition. Si la matrice A ne dpend pas du temps, le systme est dit invariant, dans le cas contraire, il est
240
6 Reprsentations, ralisations et synthses d'un filtre
dit variable. Dans le cas d'un systme invariant, la matrice 'f\(t ,T) ne dpend que de la diffrence t - Tet elle est donne par : (6.27)
La matrice de transition rjJ(t,T), o rest considr comme paramtre arbitraire mais fix et t comme variable, est inversible et vrifie les proprits suivantes:
ci<!>(!, T)
dt
A(t)m(t ,T)
'
</!(11,12)
r/;(II.IJ)r,&(/3,12)
Soit x,(l), 1 ,;; i,;; 11. 11 solutions linairement indpendantes de l'quation d'tat libre, i.e., les x 1(1) sont solution de
x 1 (1) = A(t)x(t)
et soit X (1) une matrice ayant pour colonnes les 11 vecteurs x 1(1):
Alors, une matrice de transition associe fl(t) est donne par

J;(I,T)
~ X(t)X- 1(t).
Les transformes de Laplace monolatrales des deux membres de l'quation d'tat (6.24) et l'quation d'observation (6.25) conduisent aux deux relations:
sX(s)- x(O) = AX(s)
BU(s)
et
Y(s)
= CX(s)
o les lettres majuscules dsignent les transformes de Laplace monolatrales des lettres minuscules correspondantes. D'o
sX(s)- x(O)
= AX(s) + BU(s).
La matrice de type (q ,Ill) dfinie par

H(s) = C(sl- fl)- 1 B
(6.28)
6.2
241
et qui relie Y(s) et U(s) est appele matrice de transfert du systme. Cest l'extension de la fonction de transfert au cas vectoriel. Pour rester dans le cas gnral, nous parlerons toujours de matrice de transfert. la fonction de transfert tant considre comme matrice de type ( 1. 1). La sortie d'un systme linaire est relie son entre par la relation
Y(s) = H(s)U(sl
+ C(sf- A)- 1.r(0)
(6.29)
o H(s) est la matrice de transfert dfinie par (6.28). Si au lieu du vecteur d'tat .r(t), on considre Je vecteur q(t) dfini par: .r(l)
Pq(t)
o Pest une matrice inversible. La reprsentation d'tat l'aide des variables q est donne par:
q(t)' =p-l APq(l) +p-l Bu(!): quation d'tat
y(!)= C Pq(l): quation d'observation
et la matrice de transfert reste inchange. Proprit markovienne Soit une fonctionnelle scalaire ou vectorielle y(l) = f(t,ll(ll)), dont la valeur l'instant 1 dpend de 1 et des valeurs prises par une fonction scalaire ou vectorielle u(ll). On dit quef(l,u({!)) possde la proprit markovienne si la connaissance de v(t11 ) et celle de u(ll) pour lo,:; (i < 1 sunsent pour dterminer y(l) et ceci pour tout 1. Par exemple,
y(t)
=.Loo
u(ll)dfl
y(lo)
1.'
ll([))d[).
est marcovienne. Comme la proprit markovienne joue un rle important dans la pratique, il est souvent intressant d'introduire une fonctionnelle vectorielle qui possde cette dernire proprit et partir de laquelle on peut exprimer facilement y(t). On peut montrer qu'un vecteur d'tat .r(l) possde la proprit markovienne.
"5...
0
2 0
6.2.1 Commandabilit et observabilit d'un filtre

Commandabi!it Aux matrices A et B, on associe la matrice dlinie par
(6.30)
-6.
242
appele matrice de commandabilit. Soit lm(C) l'espace image de C. engendr par les colonnes de Cet Ec un sous-espace complmentaire quelconque de lm(C) dans IR.'', i.e.,
!Re"
= lm(C) EB Ec.
(6.31)
L'espace lm(C) est appel sous-espace commandable de IR" et le systme est dit commandable si lm(C) =IR". De plus, comme le thorme de Cayley-Hamilton permet d'crire A" comme combinaison linaire des Ak pour k ,; 11 - l , on a ex.p(l A)[lm(C)] C lm(C).
(6.32)
L'tude de la commandabilit d'un systme consiste dterminer l'espace vectoriel lm(C). La mthode consiste remplacer la matrice C par une matrice et vrifiant lm(C) = lm(). On peut vriter que les oprations linaires sur les colonnes d'une matrice C qui consistent, soit intervertir l'ordre des colonnes, soit remplacer une colonne par une colonne proportionnelle, soit ajouter une colonne une combinaison linaire des autres colonnes, ne moditent pas l'image de C. Comme ces oprations reviennent multiplier droite la matrice C par une matrice inversible M, on peut donc remplacer C par
(6.33)
plus simple
o les matrices Mk reprsentent des oprations lmentaires dcrites ci-dessus sur les colonnes de C et qui conduisent une matrice triangulaire. Les colonnes indpendantes de
donnent directement Im(C).
Observabilit Aux matrices A et C, on associe la matrice dtnie par
(6.34)
appele matrice d'observabilit. On introduit le noyau:
Ker(O) ={x
t,
Ox = 0]
(6.35)
6.2
243
de 0 et un sous-espace complmentaire quelconque de Ker(O) dans IR", i.e., IR" = Ker(O) EB Eo. (6.36)
L"espace Ker(O) est appel sous-espace non observable de IR" et le systme est dit observable si le noyau de sa matrice d'observabilit est rduit au seul vecteur nul, i.e., Ker(O) = {0). De plus, comme le thorme de Cayley-Hamilton permet
d'crire An comn1e combinaison linaire des Ak pour k ~
11-
1, on a
Ker(O) C Ker(C).
(6.37)
Comme pour la commandabilit, l'tude de l'observabilit d'un systme consiste detenniner Ker( 0) et de remplacer 0 par une autre matrice plus simple et vrifiant : Ker( 0) = Ker( ). (6.38)
Il est simple de vrifier que les oprations linaires sur les lignes d'une matrice 0 qui consistent, soit intervertir 1' ordre des lignes, soit remplacer une ligne par une ligne proportionnelle, soit ajouter une ligne une combinaison linaire des autres lignes, ne modifient pas Ker( 0). Comme ces oprations se traduisent par des multiplications gauche de la matrice 0 par une matrice inversible M, on peut donc remplacer 0 par (6.39) o les Mk reprsentent des oprations lmentaires dcrites ci-dessus sur les lignes de 0 et conduisant une matrice triangulaire. Le rang de la matrice ainsi obtenue est gal la dimension de l'espace Ker(O) et une base de Ker(O) est donne par une base de Ker( ) d'aprs (6.39).
Dcomposition de Kalman Soient C et 0 les matrices de commandabilit et d'ob-
servabilit associes un systme. Posons lEt ~ lm(C) n Ker(O) lm(C) ~ lEt EB IE2 Ker(O) = lEt EB IE3
6
!R" ~ lEt EB IE2 EB IE3 EB IE4
-g " dans cette base une nouvelle reprsentation d'tat pour laquelle seules les variables 8 correspondant l'espace IE 1 jouent un rle important.
'"'-'
et introduisons une nouvelle base forme par la runion des bases des lE;. On obtient
244
6.2.2 Forme compagnon et fonction de transfert

Soit un systme dont l'quation d'tat est donne par (6.24). ct P une matrice inversible dfinissant un changement de base x ~ Pq. On se propose de trouver une matrice P telle que les matrices apparaissant dans la nouvelle quation d'tat faisant
intervenir le vecteur q, aient les formes suivantes :
1 0
()
()
'j'. p-'B=
an
"')
( 0)
~
(6.40)
:P-l'i>osit~i--s'b!turi"sysi!lle~?flif'itict~~i~~et):l~c~l'nlp"Ii~ne ae!a rrn!trfc ; 1 inverse de sa rimtrice de comf)laQda):lilt (().;iO), J;\lgr~)lfn1atric~
La matriceS introduite en (6.40) est appele matrice compagnon du polynme

D(,\) ~(-!)"-'
" X':z=a
1
<l(l
= -1
6.
(6.42)
i=O
On peut vrifier facilement que le polynme caractristique de la matriceS est gal D.soit: det(S- ,\I) = D(,\) et que la dernire colonne de la matrice inverse de (S - ,\I) est donne par:
(6.44) (6.43)
Supposons que les matrices A.B satisfont (6.40) et que la matrice C est une matrice ligne dfinie par :
C = (co,c 1 , ...
6.
,c,_, ).
(6.45)
Tenant compte des formes de p-l B et C et de l'expression de la fonction de transfert H. on obtient :
6.3
Ralisations et synthse d'un filtre numrique
245
(6.46) La fonction de transfert du systme est donc une fraction rationnelle. [] est clair d'aprs (6.43) que les valeurs propres de la matrice A apparaissant dans une reprsentation d'tal quelconque sont les ples de la fonction de transfert du systme.
6.3
6.3.1
RALISATIONS ET SYNTHSE D'UN FILTRE NUMRIQUE

Passage d'un filtre analogique un filtre numrique
Soit x(t) un signal bande limite ( -/3. B). Alors la sortie d'un tltre il (1) associe
x (1J est aussi. a ' b an d e 1mutee . - ( - B , B) . a
s1 l'on pose -'k
alors le systme qui fait passer du signal lemps discret au signal Yk est un filtre numrique dont la rponse impulsionnelle gk se dduit de il (t) comme suit :
x,
" ( -) ' et .Yk =y " ( -k ), =x

211 213
" g( gk =
k !3) avec
" il(t) g(t) =
* sinc(2!31).
(6.47)
Le gain complexe GT(JJ) elu filtre numrique est obtenu par repliement de celui du filtre analogique associ GT(u) selon la relation:
1 +x
GT(l!) = - ' \ ' G(u-
TL, -C
'.!._ ).
Utilisation de la rponse frquentielle Cette technique consiste associer la suite des entres x 1.... ,.rN la suite X 1 , , X N du domaine spectral obtenue en calculant la TFD, multiplier cette dernire par le gain frquentiel du filtre puis revenir dans le domaine temporel en calculant les sorties YI .. -YN par T.F inverse. Utilisation de la fonction de transfert : forme directe et forme canonique Un tltre ARMA(p,q) est dtni soit par une relation entre-sorties du type (5.61) soit par sa fonction de transfert :
)((-) "'' !J.--i H (:) = _"__ = --'=:; ~=="'~,---' _---:-. " p (:) Q(:) U(:) 1 - L-i=l a;C'
(6.48)
La ralisation de ce filtre peul se faire cie plusieurs manires. Une fonne dite directe s'obtient en considrant le diagramme qui lraduilloul simplement la relation entresortie o l'on dsigne par :- 1 l'oprateur de retard. Celle structure est trs sensible
246
la prcision des coelcients lorsque les ples sont proches les uns des autres ou proches du cercle unit. On peut aussi dcomposer la fonction de transfert sous la forme:
;:,. 1 H 1 (7)- - - - Q(z),
et introduire le signal lie tif l!Jk qui est la smtie du filtre H 1 Si l'on dsigne par W (.::) la T.Z de Wk. on a les relations suivantes :
Q(z)W(.::) =V(.::)
et
X(;:)= P(.::)W(.::)
qui se traduisent dans le domaine temporel par :
,,
Wk = llk-
:z=aiWk~i
i=l
et
Xk =
Lbiwk-i
i=O
Ces relations conduisent la structure dite canonique qui minimise le nombre d'lments de retard, i.e., la taille mmoire. Les ralisations de ces deux structures sont donnes par la tgure 6.3.1. (Afin de simplifier la figure, les coettcients de pondration a1 et b; n'apparaissent pas.)
Figure 6.3
Forme directe et forme optimise.
6.3
247
Exemple 6.3.1 Filtre ARMA(l,2)

Soit le filtre dtni par r quation aux diffrences suivante :
y(k)- 2y(k- 2) = x(k)- 2x(k- 1) +x(k- 2)
o x(k) est le signal d'entre. Prenant les T.Z, on obtient pour fonction de transfert la fraction H (z.) = !-;:;:;+(. On a donc un filtre ARMA( 1,2) dont le diagramme qui synthtise la transmittanee est donn par la figure 6.3.1 o l'on prend p = 1 et q = 2. 6.3.2 Filtre rponse impulsionnelle finie (RIF) Les avantages des tltres RIF sont la synthse aise, la stabilit assure ella possibilit d'tre phase linaire. L'inconvnient majeur est la ralisation plus complexe et un ordre plus lev que celui du iltre RII pour des performances gales. Technique de fentre On peut imposer !"identit des rponses frquentielles du tltre idal et du filtre synthtis. Par T.Z inverse, on calcule la rponse impulsionnelle hk. Le problme est qu'on arrive un filtre RI! non causal. On prend alors seulement N termes de la rponse impulsionnelle. Ceci revient multiplier la rponse impulsionnelle du tltre idal par une fentre rectangulaire et donc convoluer la rponse frquentielle par un sinus cardinal. On a vu que cela introduit des lobes secondaires parasites et conduit donc des bandes de transition plus larges. Pour limiter ces effet parasites, on introduit des fentres de pondration appropries. chantillonnage de la rponse frquentielle On considre N point G 1, . , G N de la rponse frquentielle et par TFD inverse, on dtennine N points g 1.... ,gN. Ces points dterminent la rponse impulsionnelle d'un filtre RIF d'ordre N. On a donc une mthode simple mais qui ncessite le calcul d'une TFD inverse. Cette mthode conduit une rponse frquentielle qui ne concide avec celle du tltre cherch que pour les N points considrs. 6.3.3 Filtre rponse impulsionnelle infinie (Rll) On s'intresse des mthodes fondes sur les techniques classiques dans la synthse des tltres analogiques.
-5..
'.
" ~
8 ,-,
Invariance temporelle Le principe de cette mthode consiste partir d'un gabarit donn dans le plan de Bode, de calculer ensuite la fonction de transfert du tltre analogique qui approxime au mieux le gabarit donn puis, par transformation de Laplace inverse, dterminer la rponse impulsionnelle du filtre analogique. Le lltre numrique est alors obtenu par chantillonnage de cette rponse. Soit
48
H(p)
= L...-.
i=O p-p 1
'1 '\'
A,
a fonction de transfert du filtre analogique cherch suppos stable. La rponse mpulsionnelle est donne par :
lz(t) =
L Ate~'''
i=O
'1
:t celle du filtre numrique associ est prise gale "" ransfert du filtre numrique causal est
=
tf
h (kT,). La fonction de
H( ~-).. -
L'
oo
lk~.
_-k-
I:A1 I: (;,p,kl,_-k,, i=O
..
A l _
eP~~
' \ '' 1
.:..........~
.T
'
k=O
k=O
i=O
.. .,- 1 .
...
)n voit donc que H(:) s'obtient en substituant dans l'expression de H(p) chacun
les tennes p - Pt par l - e"J, :- 1 Le problme majeur provient de l'chantillonlage de il (t) qui peut conduire des effets de repliement de spectres et ceci peut Jiminuer considrablement l'attnuation du filtre numrique pour les frquences 1ors bande. Le phnomne de recouvrement des spectres se traduit dans le plan des Jles de H (p) par le fait que 2 ples ayant la mme partie relle et des parties ima~inaires distantes de 2}{ auront la mme image dans le plan des :::. Cette technique
1'est alors utilise que pour les filtres analogiques bande limite.
!nvariance indicielle On crit que la rponse indicielle du l1ltre numrique est
gale l'chantillonne de celle du tilt re analogique. On a clone :

Y(p) = H(p). p
La T.Z de la suite bk= y(kT,) est donne par:
/-/(z)U(:)
H(z)
I::-" = H(z) ___ 1 . 1 0

~
00
La fonction de transfert du 11ltre numrique cherch est

H(z)
:..=__z[C 1 ( - - )(kT,.)]. z p
H(JJ)
(6.49)
6.3
249
Le recouvrement de spectre dans cette mthode est moins important qu'avec la mthode d'invariance impulsionnelle. Le terme 1/ p assure une attnuation plus forte des frquences leves. L'inconvnient de cette mthode est de faire apparatre des zros dans H (~) lorsque le !litre analogique associ ne possde que cl es ples.
Transformations conformes Lorsque la transmittance H (fi) du llue analogique ne prsente que des ples stables. on pense gu l est plus intressant de raliser le filtre numrique en passant directement par une forme cascade. La mthode consiste alors dterminer H(:J en remplaant dans H(p) les termes p- Pi par 1 - e"' T,. ~-l et p - ~i par 1 - e" T, ~-l o les Pi et les z. 1 reprsentent les ples et les zros de H(p) respectivement. Le H(z.) ainsi obtenu les mmes ples que celui obtenu par la mthode de l'invariance impulsionnelle mais les zros sont diffrents. Transformation d'Euler On passe de l'quation diffrentielle qui dfmit le lltre analogique l'quation aux diffrences en effectuant les oprations suivantes. On
associe la valeur x'(kTc) de la drive !"accroissement On associe au
1
terme pX(p) le terme
'7( X(~).
La mthode consiste alors dduire H(~) en
remplaant dans H(p) la variable p par 1 -:~-'- On obtient un tltre numrique dont le domaine de stabilit est le disque de centre 1/2 et de rayon l/2. Transformation homographique Cette technique permet d'viter l'erreur clue au repliement du spectre rencontre dans la mthode de "l'invariance impulsionnelle " La mthode est fonde sur l'approximation d'une intgrale par la mthode du trapze. On associe l'intgrale y(t)
Yk = Yk-1
~ }~
+7;:''-~'- 1
La transfon11ation consiste alors dduire H(:) en remplaant
00
x(T)dT l'quation aux diffrences
dans E-1 (p) la variable p par f,: :~~
:. Le domaine de stabilit est le disque unit.
6.3.4 Synthse partir d'un gabarit donn

Paramtres dfinissant le gabarit Soit H(u.') = M(w)eiF(Wl, w = 27rf la rponse en frquence d'un lltre, o M(w) reprsente le module et F(w) la phase de H(w). L'attnuation elu tilt re est dfinie par:
A-(w)
1
1 ., == k(OJ[ l + K(w-)] M-(w)

1
0 -
o K(w 2 ) est une fonction mesurant la qualit dulltre appele fonction caractristique. La bande passante d'un tltre rel est la valeur de la frquence pour laquelle
250
l'attnuation est gale 3dB. Le Jltre idal (passe-bas) transmet toutes les composantes spectrales du signal appartenant la bande passante [f;,, fi,] sans attnuation ni dphasage et limine toutes les autres (Bande coupe). Cependant un tel tltre est non causal et n'est donc pas ralisable physiquement. Dans la pratique, on considre des filtres ralisables. De tels filtres sont caractriss par ce que l'on appelle un gabarit. Pour un filtre passe bande, ce gabarit est dfini par la donne des 5 paramtres: Gm;n. Gmax.fp./n et_{!, vrifiant les conditions suivantes.
1. Dans la bande attnue

2. Dans la bande passante
[O,f~,],
on doit avoir 1 H(2rr.f) 1<::: Gm;n.

Gmax-
[f;,,fi,], on doit avoir 1H(2rrfl 1:?

f~,oo], [f~ ,Jp]
3. Dans la bande [fi,+ .faLe nombre
on doit avoir 1 H(2rrf) 1<::: Gm;n. sont appels respectivement raideur et
/p jf,
et la bande
bande de transition du filtre. Le tltre est dit bande troite si B ~ _fi, - l, < 0.1 et bande large si B > O.S. La ligure ci-dessous donne une courbe qui approxime la fonction de transfert d'un filtre idal en faisant rentrer le module de cette fonction dans un gabarit donn.
G rnn><
'"
La synthse consiste souvent partir d'un tltre analogique dont le gain complexe est dtni par une fonction connue mais dpendant d'un certain nombre de paramtres. Il s'agit ensuite de dterminer ces paramtres afin de satisfaire les conditions imposes au tltre. En gnral, on dispose de trois principales classes de tltres analogiques passe bas : les tltres de Butterworth, les filtres de Chebyshev et les filtres elliptiques. On utilise ensuite des transformations qui conduisent des filtres passe bande ou passe haut. Les gains complexes des filtres de Butterworth, G,, et de Chebyshev, H,. sont donns par
1
G,(jw)
----, w-,--
+ (- )2"
Wc
et
H,(jw)
2 10
1
--,==1 + E-T,~(w)
6.3
251
o T,, dsigne le polynme de Chebyshev de degr 11 dfini rcursivement l'aide de la relation :
Distortion due un recouvrement spectral Si l'on chantillonne une sinusode
x(t) de frquence fo la cadence .f~ = 1.25fil, on obtient les points Ah= [kTe,x(kTe)]. li existe une intnit de sinusodes x,(l) gui passent par ces points, chacune tant dfinie par une frquence j;, = 11fe + l.fiJI. En l'absence d'autres informations sur x (t), la suite de points Mk est toujours interprte, par un tltre passe-bas de reconstitution, comme provenant de la sinusode de plus basse frquence .f~ - f 0 . Cette distortion qui est due un recouvrement spectral ne peut pas se produire si l'on respecte le thorme d'chantillonnage. Lorsque le signal analogique x(t) possde un spectre de support non born et gue la frquence d'chantillonnage introduit un recouvrement important, la dformation subie par le signal reconstitu y(t) peut tre assez significative.
Exemple 6.3.2 Approximation d'un filtre antirepliement

L'approximation d'un lltre antirepliement par un Butterworth de degr 11 est dlnie par:
' = 6 IG,(vJI-
v . !+(-)'" v,
Ce lltre doit maintenir dans la bande passante une rponse plate optimale avec une attnuation de -3dB pour IJ = f,. et une pente asymptotique d'attnuation de -20ndB par dcade (ou -611dB par octave) pour v> fe Le cas 11 = 1 correspond au circuit RC. La tgure (6.4) donne des exemples de gains complexes en fonction du paramtre 11 gui intervient dans la dlnition.
-'
~
0 0 0
~L_--~~--~--~~----~--~o----7--~~~~
D
,
Figure 6.4
Gains complexes d'un filtre de Butterworth en fonction den.
252
6.3.5 Diagramme asymptotique de Bode

Dans la pratique. on est conduit faire des tracs asymptotiques pour le module et !"argument de la rponse en frquence d'un filtre linaire. On obtient les diagrammes de Bode. D'une manire gnrale, la rponse en frquence H (jr.v) est un produit de termes du type suivant :
K = Cte
ou
+.Iwo
.w
ou
Le principe du diagramme consiste it tracer les demi-asymptotes du module de

H(iw) correspondant
,'"; '-'-'O
<< 1 el
'";
(..L;o
>> 1.- l'axe vertical tant ..__ gradu en dB.

r~el.
Fonction du premier ordre Considrons la fonction H(p) qui admet un pole
On a pour une fonction H(jw) ayant un numrateur gal K: IH(jwJI<in = 20LogK- lOLog(l
+ --,).
wu
w-
Le diagramme se compose de !"ensemble des deux demi-droites d'quation IH(jwJI<iii et IH(.iwll<iii
= 20LogK
pour -
<<
U....'o
= 20LogK- 20Log= w0 .
w wo
pour
w >> 1. u.-o
Ces deux droites se coupent pour w trois points suivants :
Pour obtenir le trac rel, on utilise les
IH(.iwo)ldn = 20LogK- 3 IH(.iw0 /2)1,w = 20LogK- 1 IH(.i2woJI<iB = 20LogKwu- 20Log2wo- 1. Pour !"argument A(w) = -Arctg(wjw0 ), on a: A(w) = -Arg(K)
[(
pour w << wo
= -Arg(-.--) = -r/2 .tw/wo

A(wo) = -Arg( !+"') = -7r/4 .
./
[(
pour
U.)
>> l.v'o
6.3
253
Fonction du second ordre Soit H (p) une fonction admettant deux ples conjugus. On a. pour H(jw) ayant un numrateur K = 1 :
IH(jw)l,w
= 0 et
A(w) = 0 pour w << wo

w
IH(jw)!,w
IH(Jwo)ldn
=-40Log(-)
i..v'O
et
A(wo)=-TC/2
pour w>>Wo
= -20 Log2a
et A(wo) = -TC/2.
Le terme du second degr provient de la prsence de deux ples conjugus. Pour les termes polynomiaux, les courbes reprsentant les amplitudes se dduisent de celles traces par symtrie par rapport l'axe horizontal 20 LogK et les courbes reprsentant les arguments se dduisent de celles traces par symtrie par rapport l'axe des
abscisses.
Cas gnral Tenant compte des proprits lmentaires des nombres complexes, pour construire le trac dans le cas gnral o H(jw) comporte plusieurs facteurs
lmentaires, on doit ffectuer les oprations suivantes.
1. Ordonner les facteurs de H(p) par valeurs croissantes des valeurs w1

2. Tracer le diagramme dans chaque intervalle
<W<-i.J...Jj
Wf+l
en se plaant dans les conditions limites suivantes

<< w
pour k = 1.2, ... ,i
>> w pour k = i
Wk
+ 1, ... ,n.
Construire les tracs asymptotiques du facteur con-espondant la valeur la plus faible de wo.
3. On complte ensuite ce trac en faisant intervenir successivement les autres facteurs par valeurs croissantes de ~..v 0 .
254
6.1
Bande quivalente de bruit
On considre deux filtres linaires F1 et F2 de rponse en frquence respectivement G 1(11) et G 2 (11) = G 1(O)fl( ij), o B dsigne une constante dterminer et G 1 est donn. L'entre de ces deux 11ltres tant un bruit blanc rel de densit spectrale de puissance (DSP) rb = <T2, on note respectivement )'J (1) et Y2 (t) les sorties de F1 et F2 associes ce bruit.
1. Donner les expressions des puissances P1 et P2 de YI (1) et Y2(1) en fonction des
grandeurs caractristiques des filtres et du signal d'entre.

2. Comment doit-on choisir le nombre B pour avoir P 1 = P2 ? Ce nombre est appel bande quivalente de bruit du filtre F 1
6.2
Filtres en cascade, causalit, stabilit
On considre un filtre temps discret dont la rponse impulsionnelle est donne par:
Jz, =
a'
pour i ;:, 0 et h, = 0 pour i < O.
1. Donner la condition sur a pour que le filtre soit stable. On suppose que a vrif1e
cette condition dans toute la suite du problme.

2. Dterminer la fonction de transfert H 1 (z) de ce tltre.
3. Soit.tk la sortie de ce tltre associe l'entre

llk
llk
dfinie par :
ltk
=tl
pour 0,; k ,; N- 1 et
=0
ailleurs
o N est un entier positif et b un rel vrifiant b > a. Dterminer les transfonnes et X(z) de llk etxk. 4. On considre un deuxime filtre de fonction de transfert :
enz, U(z)
et on appelle )'k sa sortie associe au signal Xk. Prciser les bornes p 1 et p2 pour lesquelles le filtre ainsi dfini est causal.
5. Donner la fonction de transfert H(z) du filtre causal7-i qui associe "k la sortie
Yk
255
6. Dterminer la condition sur b pour que 1-i soit stable au sens strict. On suppose cette condition vrilie dans la suite du problme.
7. Dterminer la rponse impulsionnelle de 1-l.
8. Donner !"expression de la densit spectrale de puissance rr(l/) du signal

fonction de celle de ""
Yk
en
6.3
Filtres quivalents
On considre le signal suivant :

x(t)
= cos(27fl + 7r/2)
pour t >O.
et 0
sinon
On chantillonne x(t) T, = 1/4 et on note Xk = x(k/4). 1. Calculer les valeurs de Xk pour k = 0,1, ... ,10 et tracer xk. 2. On introduit le iltre numrique dlini par : Yk = Xk - xk-l o )'k est le signal la sortie du tltre. Calculer les valeurs de Yk pour/; = 0,1 ... . 10 et tracer ce signal.
3. Calculer la rponse impulsionnelle hk du tltre et la tracer.
4. Calculer le produit de convolution
Zk
xk
* ""
5. Reprsenter ce iltre en synthtisant directement sa transforme en Z.
6. On considre le signal Sk dlivr la sortie de deux tltres identiques celui dfini ci-dessus et mis en srie. Calculer la rponse impulsionnelle gk du liltre quivalent F2.
7. Calculer la fonction de transfert de F2.
6.4
Causalit et changement de l'origine des temps
On considre un liltre causal temps discret dont la fonction de transfert est donne par
:~
-,; ~
0
0
H(z)
= ----,-
1-az.-1'
lai< lzl. 1a 1<
1.
1. Calculer la rponse impulsionnelle h, de ce filtre puis celle du liltre inverse et
'5.
;
0
prciser la causalit de ces iltres. 2. Calculer les rponses impulsionnelles des tltres de fonction de transfert
-'._
.s
Ht (z)
= z H(z).lal < lzl
64
et
H2(z)
= -lai < lzl < lbl .::-a
67-b
et tudier leur causalit.
256
6.5
Filtre liminateur de frquence pure
On considre le 11ltre causal temps discret qui admet comme fonction de transfert:
H(;.)
1
-1- (/--ol,.
-::a-
1. Donner la condition sur a qui assure la stabilit de ce tltre.
2. Dterminer la rponse impulsionnelle hn du filtre temps discret. causal et stable, qui admet H (;.) comme fonction de transfert.
3. Donner l'expression de la rponse en frquence G(u) du tltre ainsi construit.
4. On dsigne par Yn la sortie de ce tltre associe l'entre x 11 Donner la relation de rcUITence qui lie les signaux x 11 et Yn
5. On prend Xn = A 1e 2 jrrftn + A 2 e 2 jrrfon o les A; et .D sont des constantes positives. Peut-on choisir.f1 et A 2 pour que la sortie Yn soit identiquement nulle?
6. Calculer le module de la T.F de Yn dans le cas A 1 A,
=f
0 pour a
1/2.
6.6
Filtre liminateur de bruit
On considre le signal x(t) = s(l) + b(t) o s(t) et b(t) sont des signaux alatoires temps continu. rels, centrs, indpendants et de DSP ,, (u) et b(u). Le systme F dont!' entre est x (t) et la sortie y(!) est un 11ltre linaire de rponse en frquence
G(v).
1. Calculer la DSP de x(t) en fonction de .,(u) et rl>(u).
2. Calculer la densit interspectrale r,.,,(T) de x(t) el s(l) puis celle. rL,(T), de y(t)
ets(t). 3. Calculer la fonction d'autocorrlation /',(T) de l'erreur e(t) que la DSP ,(u).
= y(t)- s(t)
ainsi
4. Montrer que minimiser /',(0) quivaut minimiser r,.(u) pour chaque frquence u txe. 5. Montrer que le filtre qui minimise r,.(u) a ncessairement une rponse en frquence G(u) relle. 6. Dterminer en fonction de r,(u) et rl>(u) la rponse en frquence G(IJ) minimisant la variance de l'erreur e(t) et donner l'expression rr 2 de cette v<triance. 7. Dtenniner les DSP .,(u) et r"('') telles que la variance rr 2 soit nulle. Calculer le tiltre G(u) correspondant et discuter son effet sur le bruit.
257
6.7 Filtrage slectif de signaux reus

On note dans la suite l,(T) et r,(11) respectivement la fonction de corrlation et la DSP d'un signal ::.(t) alatoire et stationnaire. Un metteur transmet simuHanment 2 signaux destins 2 rcepteurs diffrents nots R 1 el R2 et utilisant la mme antenne de rception. Le signal mis est de la forme :
avec
. 1 x;(/)= sm(2r.-.-.
t7 e
+ '?;)
(i
1.2)
o les Yi dsignenl eux phases alatoires uniformment rparties sur [0,271[, les A; (t) des signaux stationnaires. centrs de DSP rA, (u) el b(l) un bruit blanc centr
de DSP r:r 2 . Toutes les grandeurs alatoires sont indpendantes. 1. Calculer la fonction de corrlation l".c, et la DSP r,, de .r; (1). On rappelle que sin(a )sin(b) = [eos(a - b) - cos(a + b) ]/2. Discuter la stationnarit de x (t). 2. Calculer la fonction de corrlation Tc de .r(l) en fonction des 'ic~,. des 1.,, el de r:r 2 En dduire la DSP de .r(l) en fonction des
rA,. des rx, et de r:r 2 .
3. Chaque rcepteur R; met en uvre un filtre linaire F; dont la sortie est dlnie par:
y;(/)= u,.r(l)
+ jJ1.dl- T,),
(i
1.2).
T, > 0
o n 1 et ;11 sont des rels donns. En dduire la rponse impulsionnelle 11 1 (1) du lltre F; (rponse une impulsion dten11iner sans aucun calcul). 4. Expliciter la rponse en frquence G 1(11) du 11ltre dans le cas particulier n 1 = -,13 1 = 1.
Ft. Tracer le graphe de 1G 1( u) 12

r,~,
5. On suppose que les DSP re~, sont des Dirac l'origine. soit re~, (u) = v(u). Expliciter la DSP de YI (1). 6. Quel est le signal qui a t supprim par le lltre F 1 ?
.2
0
~
(u) =
8
"
7. Comment doit-on choisir les coefficients o: 2 et 6 2 pour avoir un lltre F2 qui agit de la mme faon que F1 sur le signal qui n a pas t supprim '? 8. On veut chantillonner le signal dans chacun des rcepteurs. On suppose que la DSP de chaque A 1(1) est nulle pour lui> T,j4, quelle frquence doit-on choisir? 9. Le signal y; (1 1 est correctement chantillonn, quel traitement peut-on utiliser pour augmenter le rapport signal sur bruit ?
258
SOLUTIONS
6.1 1.0na
P; =
1: \
G;(~') l' crdl',
donc
2. La bande quivalente de bruit du tltre F 1 est donne par:

00
B =
, /' \ G,(O) \-, -oo
1G, (v) 1- dv.

'
6.2
1. Le filtre est stable si, et seulement si, L~o.: ]lz;l < oo. Cette condition quivaut
\a\< l.
2. La fonction de transfert est: H 1 (z)
N 1
= I::f' a' = 1/(1
-a).
3. On a U(z) = I:o- b' = (!- b )/(!- b) et X(z) = H,(z)U(;:).
4. Le filtre est causal pour (p 1,p2 ) = (\b\,oo).

S. On a Y(z) = H 2 (z)H 1(;:)U(z). D'o H(z) = H,(;:)H, (z) avec \b\ < \;:\ < oo.
6. Le filtre causal H est stable si, et seulement si. 1b \ < 1.

7. La rponse impulsionnelle de 1-l s'obtient en dveloppant en srie de Laurent le domaine \b\ < \z\ < oo. frences. Soit: r,.(v) = \H(ej'"'')\'r,(v).
H(~)
dans
8. La DSP fy(I;) du signal Yk en fonction de celle de uk est donne par la formule des inter-
6.3 1.0nax, =cos[(k+ 1)7f/2]. 2. On a YI = -1, Y2 = Y3 = 1, )'4 = Ys = -1 ,

3. La rponse impulsionnelle est la sortie associe 1'impulsion gale au symbole de Kronecker. D'o ho= 1, h 1 = -1 et tous les autres hk sont nuls. 4. On a
Z.k =
L:=-x h 11 Xk~n =
Xk-
Xk~I. Donc
Z.k
Yk
5. Fonction de transfert: H(z) = L~:~oo h11z.~ 11 = l - :.~ 1 6. Signal la sortie de F2: Sk = Yk- Yk-I = x k - 2xk~l go= 1, g1 = -2,g1 = l et tous les autres gk sont nuls. 7. Fonction de transfert de F2: G(z) = 1 - 2:- 1 + c'. 6.4 1. La rponse impulsionnelle h 11 s'obtient en dveloppant H(-:.) en srie dans le domaine Ici > lai. On obtient:
+ Xk<! Rponse impulsionnelle:
D'o par identification, hk = 0 pour k < 0 et hk = ak pour k ~O. Cc filtre est donc causal.
259
Le filtre inverse a pour fonction de transfert Hdz) = 1 - az- 1 et sa rponse impulsionnelle est dfinie par: ho = 1, 1z 1 = -a et hk = 0 ailleurs. Ce tltre est causal. H (-)
1 .....
z- 1 -a~.
="'\'ai .,.-i-t-3 ~ ~
i=O
= "' ~
k=-3
c/+L-k
~-
D'o hk = (/+ 3 pour k;:?; -.3 eth; = 0 ailleurs. Le filtre est donc non causal mais peut par un simple changement de 1' origine des temps devenir causal. Par contre le dveloppement en srie de Laurent de H 2 (-::.) sur son domaine conduit une rponse impulsionnelle h; pour laquelle il n'existe pas de translation i 0 telle que hi = 0 pour i < io. Le filtre ainsi dtini ne peut pas tre causal. 6.5 1. Comme le tltre est causal, il est stable si, et seulement si, les ples -a et a de H(:) sont de module <1. D'o la condition Jal< 1. 2. La rponse impulsionnelle hk du tltre causal et stable est donne par les tem1es du dveloppement suivant de H (c) :
' -' a-;:. H(c) =
1 -a::.::
= 0 pour k > 0 eth~.:
On obtient:
h2k
= -a 2k et h::./.:+1
= 0 pour k
:::;; O.
3. La rponse en frquence est G(u) = H(ej'"'). 4. Si X(.:) et Y(:) dsignent les transfom1es enZ de
X 11
et y11 , on a:
et ceci se traduit par la relation de rcurrence suivante entre
Xu
et )'11
5. Choisissons A::.= O. On obtient:

N 11 00
_A 1 ~ '\'11/.:<. 0 j2~Jdn-k) \' - '\'1 ~ 1k1 n-k -
-- n
\' H(oj2~fl)
<-
Une sortie nulle signitle que xu est une fonction propre du filtre et que le gain du filtre vrifie G(.j',) = H(ej'"f') =O. Ceci n'est pas possible car H(c) n'admet pas de zro. Si A 1 A2 =F 0, une sortie nulle signifie que chaque composante de X 11 esl une fonction propre du tltre et que J'on a G(/1) = G(f,) =O. Cela n'est pas possible d'aprs l'expression de
j
H(c).
,; 0
0
6. On a
IY(u)l = IG(uJIIX(u)i = A,JG(fillrll~'- .hl+ A,IG(.foll("- }2).
260
6.6 1. r...,x(l!) = f.\(_u) + I'"'h(l-1) en raison Je l'indpendance. 2. Pour la mme raison f.rs(u) = f.,(1;).
3. D'aprs la fonnule des interfrences on a fys(u) = G(u)f.1 (l/),
4. En dveloppant les calculs, on obtient :

/'c (t) =
''yj.
(T) -/'ys () -/'.\y (T)
+ }y().
D'o
r,.(r;) = f,(u)- f,(u)[G(u) + G'(u)] + [r,(r;) + r,(u)]JG(u)J 2
5. Comme re(u) ~ O,Vu, minimiser l'erreur, c'est--dire l'intgrale de la DSP l'"'e(u), revient minimiser cette densit spectrale.
6. Posons G(u) = M(r;)exp[.i.'()]. Il vient alors
f,(u) = [f, + r,]M 2
2Mcosrj;r, + f,.
~b =
Comme f.1.(u))! 0, il faut prendre cosr/J maximum, d'o G(u) = r,.(u)Jf,(u) + fb{r,lr' ct
0 et G(u) est rel. On a alors
a-=
'
; r,(1J)f,(u) du. . r;(u) + r,(")
7. On a o-2 = 0 si fs(u)fb(u) = 0, ce qui signifie que les bandes de rrquence du signal et du bruit sont disjointes. On trouve G(1J) = 1 si f,(IJ) > 0 ct G(r;) = 0 si r,(1J) =O. Dans ce cas y(l) = s(t), et le bruit est entirement limin.
6.7
1. Calculons tout d'abord la fonction de corrlation de xp On a

7,, (T)
E[sin(-.1~.
2Kt
+ <p)sm(
2rt(t - T)
+ <p) =
ITc
l 27iT cos(-.-). 0 f~,
D'o
1 1 l r,,(IJ) = -[o(u- -.-) +o(r;+ -.-JJ. 4 tT, ITe

2. Comme les signaux sont centrs et tous indpendants, on obtient
et donc
Finalement
1 l 1 r,(IJ) =- _L)rA,(IJ- -.-) + r",(u+ -'"-11 + 4 1 1Te tTc
rT .
261
3. On sait que la rponse impulsionnelle est la sortie associe une impulsion de Dirac. D'o
h,(t) = o,<l(l)
+ ;J,c)(l- T,).
4. Dans le cas particulier n 1 = -./3 1 = 1, on obtient
5. Si la DSP de chaque A,(t) est un Dirac. on a
r,(u) = rl(u)
* 1\, (1/) + (u) * r,.(JJ) + 0"2

~' ~
1. 1 . 1 1 .. l . 1 . = -[(l/- - ) + (JJ+ -)] + -](l/- - ) + <l(u+ - ) ] + 0".
27;_.
2~.
Comme. le signal filtr y 1 est la convolution de x(!) par la rponse impu!sionnelle h 1 la formule des interfrences donne :
r,., (1/)
On obtient
]G, (uJ] 2 r,(u)
= 4 sin(rruT,) 2 r,(u).
c ll .sm_7iY(u < ' +-) 1 r v1) (11 =sm )-l)(u- :-+

.
~ ~
,i--,5 1_ .7r1. 1 --,. 1 +sm(- )c (1/- -)+sm(- )(u + - ) + O"sm(rrJJT,.)-
2~
2~
l l 1 . 1 = S(u- - ) + cl(u+ - ) + crsm(rri,T,)-.
2J:.
2Te
6. Le signal .r 1 (t) est annul la sortie du filtre G 1 Le rcepteur F 1 ne reoit donc que le signal x2(!) et le bruit. 7. On peut faire le mme traitement en choisissant un G 2 qui s'annule en
2
het- h. Il suf2
fit de choisir pour cela et 2 = ;J2 = 1. Le rcepteur ainsi dtemn ne reoit que x 1(t) et le bruit. On peut vrifier que les nitres G 1 et G 2 ainsi construits sont en quadrature puisque
8. Si
rr, (u)
= 0 pour
11 ~
4/Te, il faut chantillonner une frquence> 2/Te.
9. liminer le bruit !"aide d'un filtre passe bande.
Bibliographie
[l] [2] [3] BELLANGER M.- Traitement Numrique du Signal, Dunod, Paris, 2002. BLANC-LAPIERRE A. and FORTET R. - Thorie des fonctions alatoires, Masson, Paris. 1953. BOASHASH B. and RIST! CH B. - Polynomial Wigner-Ville distributions and Time-Varying polyspectra, in B. Boashash andE. J. Powers and A. M. Zoubir, editors, Higher 01'(/er Statistical Signal Processing, Longman Cheshire, Melbourne, Australia, 1993. BOCHNER S.- Lectures on Fourier Integrais, Uni v. Press, Translated from the original by M. Tenenbaum'and H. Pollard, Princeton, 1959. BONNET G. - Sur certaines proprits statistiques de fonctions alatoires issues de transfonnations non linaires, C. R. Acad. Sc., 258 : 4917-4920, 1964. CRAMER H. and LEADBETTER M. R.- Stationw)' aud Related Stochastic Processes, J. Wiley, New York, 1967. DOOB J. L.- Stochastic Processes. J. Wiley, New York, 1953. BENIDIR M. et BARRET M.- Stabilit des .filtres et des systmes linaires, Dunod, Paris, 1999. GARDNER W.A. - Statistica/ Spectral Analysis : A Non Probabilistic Themy, Printice Hall, New-York, 1987. HAYKIN S.- Springer-Ver! ag, editor, Nmzlinear Methodsfor Spectral Analysis, 1983. LOEVE M., Probability Them; Il, fonrth edition, Springer-Yerlag, New York, 1978. NYQUIST H.- Certain Tapies ofTelegraph Transmission Theory, Trans.Am. fust. Elect. Eng., 4 7 : 617-644, 1928. PA PO ULIS A. - Probabilir., Randmn Variables, and Stochastic Processes, McGraw-Hill Kogakusha, Ltd, 1965. PAPOULIS A.- Signal Analysis, Mc Graw-Hall, N.Y, 1984. PICINBONO B.- Thorie des Signaux et Systme, Dunod, Paris, 1989. PICINBONO B.- Signaux alatoires Tome/, Dunod, Paris, 1994. PROAKIS J.O. - Digital Communications, 2nd ed., Mc Graw-Hall, N.Y, 1989. RICE, Mathematica1 Ana1ysis of Random Noise. RUDIN W.- Analyse relle et complexe, Dunod, Paris, 1998. SAPORTA G. - Probabilits Analyse des Donnes et Statistiques, Editions Technip, Paris, 1990.
[4] [5]
[6] [7] [8] [9] [ l 0] [Il] [ 12] [ 13] [14] [15] [16] [17] [18] [19] [20]
Index
A
a-algbre, 99, 101 anneau de convergence, 56
cosinus surlev, 80
covariance, !30, 171, 172 cumulant d'ordre, 116 cumulants, 114

cyclostationnarit, 198
B
bande de convergence, 53
D
dcroissance rapide, 17 densit
bande quivalente de bruit, 197 Bienaym-Tchebyshev, 113

blanchiment d'un signal, 196
bruit additionnel, 205 blanc temps discret, 168 blanc complexe, 185 blanc gaussien, 185 blanc thorique, 184 blanc uniformment rparti, 185
de grenaille, 205 thermique, 205
Bu tterworth, 7 3
de probabilit, 109 de probabilit conjointe, 124 spectrale, 4 7 spectrale de puissance, 48, 178, 195 dtection synchrone. 71 diagramme des phases, 71 Dirac (distribution), 19,32 distribution de Dirac, 7 spectrale, 190 tempre, 18
dure moyenne, 70
c
causalit, 232
E
cart type, 105, Ill, 113
chelon unit, 20
chane de Markov, 189 codage, 74

coefficients de Fourier, l 0
commandabilit, 241 condition de Nyquist, 79 de Shannon-Nyquist, 70

convergence
effectif partiel, 105 effectifs marginaux, 122 galit de Parseval, Il, 13, 14
ensemble fondamental. 98
enveloppe complexe, 77
quation
en loi, 145
en moyenne quadratique, 144
de Yule-Walker, 208 normale, 208

espace
presque sre, 144

convolution. 7
corrlation. 4 7
probabilisable, 97 probabilis, 99, 101
264
Index
produit, l 02
esprance
conditionnelle. 133 mathmatique, Ill, 126 totale. 133 estimateur (prcision d'un), 198
convergent, 198
de transfert. 8, 3:2, 231 dfinie non ngative, 116 dtenninisle. 168 gnratrice, 116
sans biais, 198 estimation linaire. 210 vnement(s) alatoire, 98 certain. 98 complmentaires, 102 lmentaire. 99 impossible, 98 incompatibles. l 02 indpendants, 104 excursion maximale de frquence, 81
exprience alatoire, 97
propre, 32 formule d'chantillonnage, 70, 71, 84 de Bayes, l 03 de Nyquist, 205 des interfrences, 50, 193. 195
sommatoire de Poisson. 24. 79, 84
fraction continue. :234 frquence(s)

conditionnel1c. 122
marginale, 122 partielles, 122
G
gain complexe, 8
F
factorisation d'un spectre, 196 spectrale, 196 ti ltrage, 50, 51 lltre(s), 5 adapt, 51 antirepliement. 73 drivateur, 51 de Butterworth, 250 de Chebyshev, 250 dynamique, 8 elliptiques, 250 linaire, 7 RI!, 247 RIF, 247
fonction
H
Hamming, 16 Hanning. 16 heaviside. 20
ingalit de Bessel, l 0 de Schwarz, 32, 130 intercorrlation. 4 7. 48 interfrences entre symboles, 79 interspectre symbolique. 61
L
largeur de bande, 51, 70 lemme de Cauchy. 57 loi binomiale, 117 conditionnelle, 125 conjointe, 123 de Benoulli, 117 de Cauchy, l 12 de Poisson, 119
alatoire, 168 caractristique, 114, 132, 137 d'autocorrlation, 171, 172 d'intercorrlation, 172 de corrlation, 171, I 72 de rpartition, 107, 123, 136
Index
265
de probabilit. 106 exponentielle, 1:20 marginale, 125 multinomiale, 118
nonnalc. 120
temporelle, 168 uniforme. 117
M
matrice compagnon, 244 de covariance, 138 de transfert, 241 de transition. 239 df-inie non ngative, 138
porteuse, 75 prdiction, 21 0 probabilit(s). 100. 101 conditionnelle. 103 uniforme. 99 conditionnelles. 122 processus de Poisson, l 81 produit scalaire, 13 promenade alatoire, 178 pseudo-spectre, 201
Q
quantiiication, 74
R
rapport signal bruit, 52 recouvrement spectral, 73 rponse impulsionnelle, 7 reprsentation frquentielle. 9 symbolique, 9, 54, 57 rsolution. :29
maximum
a posteriori, 213 Je vraisemblance. 212 modulation. 75, 82 d'amplitude. 76. 77 de frquence, 76 de phase, 76 moment(s), 114 centr. 115 factoriels. 117 statistiques, 171 moyenne. 105 multiplexage(s), 75 en quadrature, 71
5
seconde fonction cJractristique, 116 signal bande limite, 70 moyenne mobile, 208 alatoire, 167 alatoire temps continu, 168 alatoire temps discret, 167 analytique. 20 autorgressif, 207 cod, 74 continu, 186 diffrentiable. 186 chantillonn, 69 en quadrature, 21 ergodique, 186 gaussien, 180 harmonisable, 190 markovien. 188 modulant, 75 modul. 75. 76
0
observabilit. 242
p
Paley-Wiener (proposition), 71 pas de quantitication, 74 Peigne de Dirac, 22 priodogramme, 179 moyenn, 179 phase minimale, 232 polynme de Chebyshev, 251 de Hurwitz. 233
266
Index
numrique, 7 4 priodique, 22 spectre, 47 d'un signal priodique, 11 de puissance, 178 de raies, Il, 47 symbolique, 62 stabilit, 232 stationnarit au sens large, 175 stricte, 174 statistiques 2 dimensions, 121 structure canonique, 246 support compact, 17 systme analogique, 4 causal, 4 complet, 102 instantan et systme mmoire, 5
transforme de Fourier, 12 de Fourier Discrte, 26 de Fourier Rapide, 28, 29 de Hilbert, 21 de Laplace, 53 enZ, 53, 57 transmittance 231, 232 tribu,99, 101 de Bernoulli, 101 fine, 101 grossire, 101
v
valeurs principales, 20 variable alatoire, 105 alatoire continue. 108 alatoire discrte, 108 certaine, 106 variance, 105, Ill, 113 conditionnelle, 133 totale, 133 vecteur alatoire, 136 gaussien, 140 vraisemblance. 212
invariant, 5 orthonormal, 10
T
T.F et convolution cycliques, 30 table de Rou th, 235 thorme d'chantillonnage, 70
045984- (!) , ( U)- OSB 800 , LAS - SGS Achev d'imprimer sur les presses de la SNELSA rue Saint-Vincent 12- B-4020 Lige tL 32(0)4 344 65 60, fax 32(0)4 343 77 50 aot 1002- 25864 Dpt lgal : aot 2002
imprim c11 Belgique

Messaoud Benidir-Théorie Et Traitement Du Signal, Tome 1 - Représentation Des Signaux Et Des Systèmes - Cours Et Exercices Corrigés-Dunod (2002)

Transféré par

Informations du document

Titre original

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

Messaoud Benidir-Théorie Et Traitement Du Signal, Tome 1 - Représentation Des Signaux Et Des Systèmes - Cours Et Exercices Corrigés-Dunod (2002)

Transféré par

Droits d'auteur :

Formats disponibles

THORIE ET TRAITEMENT DU SIGNAL

1. Reprsentation des signaux et des systmes

THEORIE ET TRAITEMENT DU SIGNAL

Consultez nos catalogues sur le Web=~""""'

Illustration de couverture: Stphane Degeilh

Ce pictogramme mrite une explication.

tablissements d'enseignement suprieur,

Nous rappelons donc que

Dunod, Paris, 2002 ISBN 2 10 005984 X

Table des matires

Reprsentations frquentielles 1.2.1 Srie de Fourier et projections associes un signal

EXERCICES ET PROBLMES CORRIGS

CHAPITRE 3 CHANTILLONNAGE ET MODULATION D'UN SIGNAL DTERMINISTE

Table des matires

3.1.4 3.1.5 3.2 3.2.1 3.2.2 3.2.3

Quantification d'un signal : numrisation Chane d'acquisition d'un signal

Modulation d'un signal

EXERCICES ET PROBLMES CORRIGS

CHAPITRE 4 BASES PROBABILISTES POUR LA REPRSENTATION D'UN SIGNAL ALATOIRE 4.1

137 138 140

Suites de variables alatoires

146 147 148

EXERCICES ET PROBLMES CORRIGS

Table des matires

CHAPITRE 5 REPRSENTATIONS D'UN SIGNAL ALATOIRE

167 167 167 171 174 174

Reprsentation temporelle Signal temps discret et signal temps continu

Principales classes de signaux

Modlisations classiques d'un signal

Estimation des paramtres d'un modle

207 210 211

EXERCICES ET PROBLMES CORRIGS CHAPITRE 6 REPRSENTATIONS, RALISATIONS ET SYNTHSES D'UN FILTRE

Reprsentation externe et fonction de transfert

Reprsentation interne et quations d'tat

EXERCICES ET PROBLMES CORRIGS BIBLIOGRAPHIE INDEX

Sylvie Marcos et 1zos deux ellfams : Yallis et Rayall

Reprsentations temporelles et frquentielles d'un signal dterministe

Diffrents types de signaux

1 Reprsentations temporelles et frquentielles d'un signal dterministe

Figure 1.1 Trois ralisations d'un signal montrant l'effet du bruit.

Exemple 1.1.1 Fonction porte et fonction sinus cardinal

Figure 1.3 Fonction sinus cardinal.

et par sine (sinus cardinal) la fonction dfinie par . ~ sin(1rt) smc(t)=--7rl

1 Reprsentations temporelles et frquentielles d'un signal dterministe

1.1.2 Diffrents types de systmes

1 Reprsentations temporelles et frquentielles d'un signal dterministe

Exemple 1.1.2 Diffrents types de systmes

Systme non linaire variable instantan :

Systme non linaire variable mmoire :

Systme linaire variable instantan :

Systme linaire variable mmoire :

Systme linaire invariant :

* v(t)] * h(t) = u(t) * [v(t) * h(t)]

1 Reprsentations temporelles et frquentielles d'un signal dterministe

---!Filtre non causalf-1---

_ _ _,,_.,......__..+,._......,_.,,_k,. ... .. ........... .......... __;~:.. ._.__ --1f.._ ... .. ___;;'-"-'k.._

lik - - - - 1 Filtre causal f-1---- hk 1

I>kdlk = L,bkdlk k=O k=O

1 Reprsentations temporelles et frquentielles d'un signal dterministe

Srie de Fourier et projections associes un signal

Xn = < x(t),en(t) >

o les Xn, appels Coefficients de Fourier, vrifient l'ingalit de Bessel :

1.2 Reprsentations frquentielles

+oo l+oo -oo x(t)y(t)dt = -oo X(v)Y(v)dv, l

Comme F(z(t)) = Z( -u), on obtient de manire unique