Vous êtes sur la page 1sur 12

Matrise EEA

UNIVERSIT de NICE-SOPHIA ANTIPOLIS


Modules S2 - Traitement du Signal
Travaux dirigs sur les probabilits, variables alatoires et processus stochas-
tiques.
2005-2006
Olivier MICHEL, olivier.michel@unice.fr

1
1 Exercice Estimation
On observe un endroit donn le traffic dans un rseau de communication. Lintervalle de temps T
entre larrive de deux vnements est enregistr. La densit de probabilit de cette variable alatoire est
donne par la loi paramtre par a
f (t|a) = a exp(aT )u(T )
a est la variable qui mesure la densit du traffic, que lon cherche estimer. A partir dexpriences, il est
tablit que la loi de probabilit de a est
f (a) = exp(a)u(a)
est un paramtre connu.
1. Calculer f (T ) et f (a|T ).
2. quels sont les estimateurs de minimum de variance, lestimateur de mdian et du max a posteriori ?
Sont-ils biaiss ?

2 Estimation MV
Soit {X1 , . . . , Xn } un chantillon de n ralisations indpendantes dune variable alatoire binmiale
de paramtres (m, p) :
P (Xi = x) = Cxm px (1 p)(mx)
expression dans laquelle m est suppos connu. Dterminer lestimateur de maximum de (log)vraisemblance
du paramtre p partir de lchantillon {X1 , . . . , Xn }

3 Estimation
1. Soit (X1 , X2 , ..., Xn ) un ensemble de n chantillons indpendants dune variable alatoire de loi
binmiale, de paramtres (M, p) (i.e. pour la k-ieme exprience consistant raliser un ensemble
de M tests indpendants entre eux, Xk tests se sont rvls positifs) . M est suppos connu.
Calculer lestime au sens du maximum de vraisemblance de p.
2. Soit (X1 , X2 , ..., Xn ) un ensemble de n chantillons indpendants dune variable alatoire de
loi exponentielle de paramtre inconnu (f (x) = exp(x), si x 0, f (x) = 0 sinon).
Dterminer lestimateur de maximum de vraisemblance de

4 Exercice VA, estimation


Soit une srie chantillonne (la priode dchantillonnage est Te = 1) analytique dont un modle
paramtrique est
i=K
X
yn = ai exp j(2i n + i ) + bn
i=1
o le processus de bruit discret [bn ] correspond lchantillonnage du processus de bruit b(t) continu,
blanc, gaussien, centr, de variance 2 . Les paramtres (tous rls) sont regroups dans la suite dans le
vecteur
~ = [ 2 , a1 , . . . , aK , 1 , . . . , K , 1 , . . . , K ]T
K tant suppos connu dans un premier temps.

2
1. Montrer que le processus de bruit discret [bn ] est un processus blanc. Quelle est sa moyenne ?
Quelle est sa variance ? (Lchantillonnage est suppos idal).
2. Un vecteur dobservation est construit partir dune squence de N points conscutifs
~ (n) = SA(n)
Y ~ ~
+ B(n) ~
= X(n) ~
+ B(n)

o S est une matrice N K, complexe, A(n) ~ ~


C K et B(n) C N . Identifier les expressions de
~
S, A(n) et B(n).
~
3. Quelle est la loi de densit de probabilit du processus alatoire vectoriel B(n) ?
~ ?
~ (n)|)
4. Quelle est la loi de densit de probabilit conditionnelle p(Y
5. Donner lquation implicite permettant destimer le vecteur de paramtres ~ au sens du maximum
de vraisemblance.
6. On suppose dans la suite que lon peut identifier sparment les paramtres ai et i dune part, et
les paramtres de frquence i dautre part. Justifier rapidement cette hypothse, puis en supposant
les i connus, tablir lquation

~M V (n) = (S+ S)1 S+ Y


A ~ (n)

~ sa vameur de max. vraisemblance,


7. En appliquant le principe dorthogonalit, et en donnant A
~
montrer que la meilleure estime (MSE) de X(n) est

~
X(n) ~M V (n) = s Y
= SA ~ (n)

Donner lexpression de s . Comment sinterprte gomtriquement ce rsultat ?


8. On pose b = I s , et on fixe N > K. Que reprsente b (gomtriquement) ? Montrer
partir des rsultats prcdents que lestimation au sens du max. de vraisemblance des paramtres
de frquence revient maximiser lexpression
~ + b Y
L([1 , . . . , K ]) = Y ~

9. On dispose maintenant dun nombre M dobservations indpendantes. Le processus tudi est tel
que le modle propos reste valable pour toutes les observations. tablir alors la nouvelle forme
de la log-vraisemblance
L([1 , . . . , K ]) = Tr(b Y )
~ (n)].
o Y est la matrice dautocorrlation estime du processus alatoire vectoriel [Y

5 Estimation, rgression
Soit X et Y deux variables alatoires valeurs relles ; on cherche exprimer les dpendances entre
X et Y sous la forme linaire
Y ' aX + b
o (a, b) sont des constantes inconnues ( on notera la valeur estime de Y , Y = aX + b). On se propose
donc de trouver la droite qui reprsent au mieux la relation Y = f (X).
1. Calculer des estimes de a et b au sens du miminum derreur quadratique moyenne. Montrer que
lune des quations obtenues pour calculer a ou b exprime un principe dorthogonalit.

3
2. Y est maintenant une observation bruite de X : Y = aX + b + ;
Dans cette expression, est un bruit blanc normal de moyenne nulle et de variance 2 . n couples
(Xi , Yi ), i [1, n] sont observs, indpendemment les une des autres. Quelles sont les estimes de
a et b au sens du maximum de vraisemblance ? Comparer aux rsultats de la question prcdente.
3. a et b sont maintenant des variables alatoires indpendantes ; b est uniformement repartie sur lin-
tervalle [0, B] alors que a possde une fonction de densit de probabilit gaussienne de moyenne
a et de variance a2 . Calculer les estimes optimales au sens de Bayes (MAP) de a et b partir
des n observations introduites la question prcdente.

6 Prdiction linaire
Soit xn un signal alatoire temps discret, centr et stationnaire, de fonction de corrlation

r(k) = E[xn xn+k ]

On propose tout instant n den faire une prdiction p pas (i.e. destimer xn+p , p > 0), par une
combinaison linaire du type
x
n+p = axn + bxn1
1. Donner la valeur des coefficients a et b quil faut choisir pour minimiser la puissance de lerreur
n+p xn+p ).
de prdiction (en+p = x
2. Exprimer lerreur de prdiction sous la forme
~T X
en+p = xn+p A ~n

o X~ n def
= [xn , xn1 ]T , et [.]T la transpose de [.]. On exprimera A ~ def
~ en fonction de C = [rp , rp+1 ]T
et de la matrice  
r0 r 1
=
r1 r 0
3. Evaluer la variance de lerreur de prdiction minimale.
4. En supposant que r(k) tend vers zro quand k tend vers linfini, que peut-on dire du comporte-
ment des coefficients de prdiction et de lerreur minimale associe lorsque p tend vers linfini ?
Interprtation ?
5. Que se passe-t-il en particulier si r(k + 1) = ar(k) pour tout k, |a| < 1 ?

7 Modulateur
On considre le systme dcrit sur la figure 3 dans lequel Q est un quantifieur binaire dquation

en = sign(en )

La frquence dchantillonnage Fe est suppose trs grande devant la frquence minimale dchantillon-
nage de Shannon, note 2Fmax , est une constante.
1. Dcrire en quelques mots le rle du premier bloc apparaissant dans le shma.
2. Etablir lquation permettant dexprimer x
n sous la forme de l quation de rcurrence dun pro-
cessus autorgressif dordre 1.
3. Etablir (xn x
n ) = (en en )

4
4. On suppose que en est un signal alatoire distribution uniforme sur lintervalle [, ] ; Calculer
la variance de lerreur de quantification E[(xn x n )2 ].
5. On suppose a = 1 avec 1 >> > 0. On fait de plus lhypothse que le systme permet
dobtenir une erreur de quantification trs faible. Etablir alors

en ' xn xn1

6. A partir de lquation tablie la question prcdente, exprimer la puissance e2 de lerreur de


prdiction linaire xn x n en fonction de la densit spectrale de puissance Sx () de la variable
alatoire discrte xn et de la priode dchantillonnage Te . On fera lapproximation 2Te << 1.
7. Soit Fe
2 Sx ()
Z
2
2
FRM S = d
F2e x2

Quest la signification physique de cette quantit ? (x2 est la variance du processus x).
8. Soient = 2FFmax
e
le taux de surchantillonnage et = FFRMmax
S
le facteur de forme de la densit
2
spectrale de puissance de x ; exprimer e en fonction de ces grandeurs.
9. On introduit le facteur de charge du quantifieur

=
e
et le rapport signal bruit en sortie du quantifieur

x2
RSBQ =
E[(xn xn )2 ]

Etablir RSBQ = 2 . On donnera lexpression de ; comment doit on choisir les taux de sur-
chantillonnage et le facteur de charge pour avoir la meilleure quantification possible ?
10. Quel est le flux de bits (bit-rate) ncessaire pour transmettre un tel signal ?
11. En supposant la ligne de transmission parfaite (sans erreurs), proposer la structure de dcodage
permettant de reconstruire la squence x
n partir de la reception de la seule squence binaire en .
12. Dessiner la forme de xn en fonction de n lorsque xn = c, constante. Proposer une amlioration
apporter au rcepteur, permettant de reconstruire un signal plus proche de x(t).

8 Estimation de retard
Soit x(t, a) un signal de dure Tx limite et dnergie finie Ex , dpendant dun paramtre a R,
certain mais inconnu. On dispose de lobservation

y(t) = x(t, a) + b(t) t T, Tx T

o T est la dure dobservation et b(t) un bruit blanc centr gaussien de densit spectrale de puissance
N0 . On se propose destimer a au sens du maximum de vraisemblance.
1. On admettra que lon peut discrtiser le problme temps continu de faon travailler sur lobser-
vation
yn = xn (a) + bn , n = 1, . . . , N

5
(a) Montrer que la srie {bn } est blanche et calculer sa densit spectrale de puissance.
(b) Donner lexpression de la fonction de Log-vraisemblance dfinie par
(y1 , . . . , yN ) = log(p([y1 , . . . , yN ]|a)

(c) Donner lquation implicite dfinissant lestimateur a


du paramtre, au sens du maximum de
vraisemblance.
(d) En supposant N suffisamment grand pour permettre dcrire que
N
X Z
fn gn = f (t)g(t)dt
n=1 T

pour toutes les fonctions f (t) et g(t) discrtises en fn et gn , en dduire que lestimateur
recherch est solution de lquation diffrentielle :
Z
x
[y(t) x(t, a)] (t, a)dt =0
T a a=
a

2. On sintresse dsormais au problme destimation de retard, i.e. au cas o a = et x(t, ) =


x(t ). On supposera en outre que T , de telle sorte que le support temporel de x(t ),
supp{x(t )} T , quelque soit .
(a) Montrer que lestimateur du retard , au sens du maximum de vraisemblance, est dfini
par : Z

)dt
y(t)[x(t = x (0)
=

o x(t)
dsigne la drive temporelle de x(t) et x (t) sa fonction dautocorrlation (dter-
ministe).
(b) Justifier (on pourra utiliser lgalit de Parceval) que x (0) = 0 et en dduire que
Z
= Arg max y(t)x(t )dt.

(c) Interprter ce rsultat en termes de filtrage.


(d) On montre que la variance de lerreur destimation du paramtre , note 2 est minore par
lingalit de Cramr :
" Z T   #1
2 2 2 x(t ) 2
dt
N0 T


2 =

On se place dans le cas o ' 0, on appelle X(j) la transforme de Fourier de x(t). tablir
lingalit
1
2E 2

2
N0
o R 2
|X(j)|2 d
=
2 R
2
|X(j)| d

(e) mesure la largeur de bande du signal x(t). En dduire le sens de variation de la borne de
Cramr en fonction du rapport signal bruit et de la largeur de bande de x(t). Quand le
paramtre est-il le mieux estim ? Commenter.

6
9 Questions de cours, dtection
Soit X la ralisation dun variable alatoire rlle x de densit de probabilit

f (x|H0 ) sous lhypothse H0


f (x|H1 ) sous lhypothse H1

On souhaite tablir une rgle permettant de dcider, partir de X, lhypothse qui doit tre retenue.
Dans ce problme de dcision binaire, on note Di la dcision prise et Hj lhypothse qui est vraie. Soit
Ci,j le cot associ au couple (Di , Hj ) qui est associ au choix de Hi quand Hj est vraie, et P (Di , Hj )
le probabilit de ce cas de figure.
1. Calculer le cot de ce processus de dcision, en fonction des P (Di |Hj ), de P (H0 ) et de P (H1 ).
(P (a|b) est la probabilit de a conditionnellement b).
2. Justifier rapidement les hypothses C0,1 > C1,1 et C1,0 > C0,0 .
3. On note le seuil de dcision. Calculer pour mimimiser le cot moyen. Exprimer alors la forme
de la rgle de dcision obtenue (rgle de Bayes).
4. Quel est le test qui minimise la probabilit derreur de dcision ?

10 Exercice Dtection
Les notations sont dfinies dans la question de cours prcdente. On considre le problme de dcision
binaire caractris par les fonctions de densit de probabilit conditionnelles
1
f (x|H0 ) = e|x|
2
f (x|H1 ) = e2|x|

1. Dterminer la rgle de dcision de Bayes pour p(H0 ) = 23 , C0,0 = C1,1 = 0, C0,1 = 2, C1,0 = 1.
On notera le seuil permettant dexprimer cette rgle de dcision.
2. Calculer le cot de la rgle de Bayes obtenue ci-dessus.
3. Exprimer en fonction de p(H0 ).
4. Montrer quil existe une valeur limite P (H0 )0 telle que si P (H0 ) > P (H0 )0 , la rgle de dcisoin
conduit toujours retenir lhypothse H0 .
5. Calculer le cot moyen de ce test en fonction de p(H0 ). En dduire le test minimax pour le pro-
blme de dcision ci dessus, ( NOTA BENE : cette fois p(H0 ) nest pas fixe, mais apparat comme
une variable...)
6. Calculer le cot moyen pour ce test minimax.

11 Exercice Dtection
Soit un ensemble de n observations Xi dun signal radar. Les Xi sont des variables alatoires indpen-
dantes normales sous chaque hypothse (il existe une cible ou non). Sous H0 , Xi a pour moyenne 0 et
pour variance 2 , alors que sous H1 , Xi a pour moyenne 1 mais la variance est encore 2 ; 1 > 0 .
Dterminer le critre de dcision au sens du maximum de vraisemblance.

7
12 Exercice Dtection
Lors du processus de fabrication de composants lectronique, on observe que la probabilit de presence
dun dfaut est p = .05. Une amlioration est propose, mais doit tre valide. Pour tester la nouvelle
procdure de fabrication, 200 composants sont produits. soit X la quantit de ces composants qui pr-
sentent un dfaut. On propose daccepter la nouvelle procdure si X 5. Calculer la probabilit de
fausse alarme (decider que la nouvelle procdure est meilleure alors quelle ne lest pas).

13 Exercice Dtection
Reprendre lexercice prcdent mais avec les hypothses suivantes

H0 : p = .05 Pas de changement H1 : p = .02 Amlioration

Quelle est la probabilit de dcider que la nouvelle procdure nest pas meilleure alors quelle lest
effectivement ?

14 Exercice Dtection
Soit (X1 , . . . , Xn ), un chantillon de n observations dune v.a. normale de moyenne et de variance
2= 100. Soient
H0 : = 50 H1 : = 1 > 50
et n = 25 On decide de rejeter H0 si la moyenne estime X 52.
1. Etablir la probabilit de rejeter H0 en fonction de la moyenne vraie ().
2. Calculer la probabilit de fausse alarme.
3. Calculer la probabilite de non dtection (p(H0 /H1 )), quand 1 = 53 et quand 1 = 55 On modifie
la rgle de dcision : H0 est rejete si x c. Calculer la valeur de c pour que la probabilit de
fausse alarme soit 0.05.
4. Trouver la probabilit de non dtection pour cette nouvelle rgle de dcision, si = 55.
5. Reprendre les deux questions prcdentes pour n = 100.

15 Exercice Dtection
On considre un systme de communication binaire simple, pour lequel, chaque top dhorloge, on
doit decider de la valeur du signal reu :

H0 : s0 (t) = 0 H1 : s1 (t) = 1

Le cannal utilis est bruit, lobservation du signal reu est modlise par

x(t) = si (t) + n(t)

. n(t) est un processus normal centr de variance unit. Le signal observ une date donne est x=.6.
1. Dterminer quel est le signal mis, laide de la rgle du maximum de vraisemblance.
2. calculer les probabilit de fausse alarme et de non dtection.
3. p(H0 ) = 2/3 ; reprendre les questions prcdentes avec la rgle du MAP.

8
4. On impose pF A = .25 ; en utilisant la rgle de Neyman-Pearson, quel est le signal reu si x = .6 ?
Calculer la probabilit de non dtection.
5. On dispose maintenant de N observations indpendantes de ce signal. Comment se transforme le
critre de dtection au sens du MV ? Que valent alors PFA et PND ? Commentez.

16 Dtection
Dans un systme simple de communication, toutes les T secondes, une des deux valeurs possibles s0 (t)
ou s1 (t) est transmise. Les deux hypothses retenues sont donc
H0 : s0 (t) est transmis
H1 : s1 (t) est transmis
On suppose par ailleurs s0 (t) = 0 et s1 (t) = k, 0 < t < T , k > 0.
Le canal de transmission es tbruit, de sorte qu chaque instant, on ne peut observer que
x(t) = si (t) + n(t) i = 0, 1
n(t) est un processus de bruit blanc, gaussien, de variance 2 . x(t) nest observ quune seule fois par
intervalle de temps T .
1. Dterminer le signal transmis par la mthode du maximum de vraisemblance.
2. Calculer les probabilits de fausse alarme, de non dtection et derreur.
3. On suppose que lon dispose des probabilit de chaque hypothse, p(H0 ) = 2/3. Dterminer le
signal transmis par la mthode du MAP.
4. On souhaite maintenant que la probabilit de fausse alarme soit au plus gale 0.15 ; Dterminer
le signal transmis par le test de Neyman Pearson. Calculer la probabilit de non dtection et la
probabilit derreur.
5. On suppose maintenant que s0 (t) et s1 (t) sont des signaux arbitraires connus, et que n observations
indpendantes sont accessibles sur chaque intervalle de dure T . On suppose p(H1 ) connu ; on note
si,k = si (tk ), pour i = 0, 1 et 0 < tk < T, k = 1, ..., n, et xk = x(tk ). Calculer le test de MAP.

17 Dtection
On considre un systme de communication binaire simple, pour lequel, chaque top dhorloge, on
doit dcider de la valeur du signal reu la date t :
H0 : s0 (t) = 0 H1 : s1 (t) = c c>0
Le canal utilis est bruit, lobservation du signal reu est modlise par
x(t) = si (t) + n(t)
n(t) est un processus normal centr de variance n2 .
1. Calculer le test de dcision au sens du maximum de vraisemblance.
2. Dans la suite du problme, on notera le seuil intervenant dans le test de dcision
H0
L(x)
H1

o L(x) est une fonction de lobservation. Exprimer L(x) sous la forme la plus simple possible
dans la question prcdente ; que vaut alors dans ce cas particulier ?

9
3. On conserve lexpression de L(x) prcdente, mais on fait varier la valeur du seuil .R Calculer les
x 2
probabilit de fausse alarme (P f a) et de dtection (P d), laide de erf(x) = 2 0 et dt, en
fonction de la valeur choisir pour le seuil .
4. Exprimer P d P f a en fonction de ; quen dduit-on ?
5. Calculer d[Pd[P
d(P f a)]
f a] en fonction de ; tracer (grossirement) la courbe P d(P f a) (appelle Ca-
ractristique oprationnelle de rception, COR) ; on placera les points associs = + et
= .
6. Etudier qualitativement lvolution de la courbe COR quand n2 varie.
7. On peut obtenir N observations indpendantes du signal reu entre deux tops dhorloge (le si-
gnal utile na pas vari), et en considrer la moyenne. Comment scrit alors le test de dcision ?
Comment volue la courbe COR quand N varie ?
8. On impose pF A = .05 ; en utilisant la rgle de Neyman-Pearson, calculer la valeur minimale de N
pour que P d 0.9. A.N. c=5 ; n2 =1 ;

18 Exercice Dtection
Dans une exprience doptique, on cherche caractriser des sources photoniques par la valeur moyenne
du nombre moyen de photons mis par unit de temps. La probabilit pour une source dmettre k pho-
tons suit une loi de Poisson1 .
1. Donner lexpression de cette loi de probabilit en fonction de (, k, t), pour une observation de
dure t.

Les sources appartiennent deux familles distinctes (F1 , F0 ), selon le flux de photons mis. On
note H1 (resp. H0 ) lhypothse "la source observe met un flux de photon de moyenne 1 (resp.
0 )". Par ailleurs, on sait quune source sur 10 vrifie H1 .
1
Pour une variable alatoire k ayant une distribution de Poisson de moyenne , on a
n
p(k = n) = exp()
n!

10
2. Exprimer proba(H1 ), proba(H0 ) et les lois de probabilit dobserver k photons...
sous lhypothse H1 . On notera cette loi conditionnelle P (k|H1 ) = P1 (k)
sous lhypothse H0 . On notera cette loi conditionnelle P (k|H0 ) = P0 (k)
sans faire dhypothse. On notera cette loi P (k) et on lexprimera en fonction de p(H1 ), p(H0 )
et des lois de probabilits conditionnelles prcdentes.
3. Lors dune exprience avec une source, k photons sont dtects pendant t secondes. Proposer une
rgle de dcisison permettant de choisir directement H1 ou H0 en fonction du nombre k de photons
observs pendant t secondes : aprs avoir justifi votre choix, exprimer cette rgle sous la forme
habituelle
>H1
k S
<H0
o S reprsente de seuil de dcision.
4. Application numrique : 0 = 0, 1photon.s1 , 1 = 0, 4photon.s1 , t = 10s.
5. Dfinissez et calculez pour ce problme de test dhypothses, ce que sont les probabilits de fausse
alarme et de non dtection. (On ne donnera que les expressions analytiques de PFA et PND, sans
chercher les calculer).

11
Quelques rfrences bibliographiques
Etude des des signaux numriques,filtres numriques
Les filtres numriques : analyse et synthse des filtres unidimensionnels/ Boite, R. - Masson, 1990.
Traitement numrique des signaux/ Kunt, M. - Dunod, c1981.
Analyse des signaux et filtrage numrique adaptatif/ Bellanger, Maurice - Masson, c1989.
Introduction au traitement numrique du signal/ Tanguy, Y. - Ecole suprieure dlectrcit, 1985
Techniques modernes de traitement numrique des signaux- Presses polytechniques et universitaires
romandes - CNET-ENST, c1991.
Signaux et systmes numriques, filtres, modulation : cours complet avec 48 exercices corrigs dap-
plication et 13 problmes rsolus/ Jelinski, Isabelle - Vuibert, 1996.
Digital signal processing : a practical approach/ Ifeachor, Emmanuel C. - Addison-Wesley, c1993.
Discrete-Time signal processing/ Oppenheim, Alan V. - Prentice-Hall International, c1989. (Sophia)
Digital signal processing : principles, algorithms and applications/ Proakis, John G. - Prentice Hall,
c1996. (Sophia)
Ouvrages gnraux
Signal analysis/ Papoulis, Athanasios - McGraw-Hill, c1984.
Elments de thorie du signal : les signaux dterministes/ Jean-Pierre Delmas/ Delmas, Jean-Pierre
- Ellipses-marketing, 1995.
Signaux et systmes linaires : exercices corrigs/ Thomas, Yves - Masson, 1993
Signaux et systmes linaires/ Thomas, Yves - Masson, 1995,cop.1994.
Thorie et traitement des signaux/ Coulon, Frdric de - Presses polytechniques et universitaires
romandes, c1998.
Signaux et systmes linaires/ Picinbono, Bernard - Ellipses, 1998.
Analyse Spectrale
Modern spectral estimation : theory and application/ Kay, Steven M. - Prentice Hall, c1988.
Signaux alatoires
Probability, random variables, and stochastic processes/ Papoulis, Athanasios - McGraw-Hill, c1991.
Signaux alatoires. Tome 1, Probabilits et variables alatoires avec problmes rsolus/ Picinbono,
Bernard - Dunod, c1993.
Signaux alatoires. Tome 2, Fonctions alatoires et modles avec problmes rsolus/ Picinbono,
Bernard - Dunod, c1994.
Signaux alatoires. Tome 3, Bases du traitement statistique du signal : avec problmes rsolus/ Pi-
cinbono, Bernard - Dunod, 1995.
La reprsentation et le traitement de signaux bruits/ Zerubia, Josiane , 1988. Communications ana-
logiques et numriques : cours et problmes/ Hsu, Hwei P. - McGraw-Hill, c1994.
Traitement du signal alatoire/ Chonavel, Thierry - Springer-Verlag France - CNET France Tlcom,
2000.
Signaux alatoires, information, modulation et codage : introduction la thorie des communications
numriques/ Brmaud, Pierre - ENSTA, 1986.
Introduction aux probabilits : application aux tlcommunications, avec exercices et problmes
comments/ Delmas, Jean-Pierre - Ellipses, 2000.
Fundamentals of statistical signal processing : estimation theory/ Kay, Steven M. - Prentice Hall,
c1993.
Detection / Estimation
Dcisions en traitement du signal/ Arqus, Pierre-Yves - Masson, 1982.
Ouvrages avancs
Quelques dvloppement rcents en traitement du signal/ Comon, Pierre , 1995.

12