Vous êtes sur la page 1sur 161

CNAM

Bases de Traitement du Signal

ELE 103, partie I (draft version)

D. ROVIRAS
daniel.roviras@cnam.fr
daniel.roviras@idf.pleiad.fr

Tel : 01 40 27 25 67
Accs 11, 2me tage, Bureau 11B2.37
2015-2016 version 23

CNAM ELE 103 D. Roviras 1


Sommaire :

1. Introduction

2. Rappels sur le filtrage (C1, TD1)

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

4. Signaux dterministes nergie finie (C4)

5. Signaux dterministes puissance finie (C4)

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

7. Signaux alatoires (C8 C9 C10, TD7)

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

9. Signaux bande troite (C12 C13)

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

CNAM ELE 103 D. Roviras 2


Introduction
1. Pr requis et place de ELE103 dans le cursus
ingnieur

2. Le traitement du signal

CNAM ELE 103 D. Roviras 3


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

Composants lectroniques ELE101


Bases de Traitement du signal ELE103
Traitement numrique du signal ELE102
Programmation microcontrleurs ELE118 ou Conception VHDL ELE106
Processeurs de signaux et logique programmable ELE119

Techniques avances en lectronique analogique et numrique (1)


ELE108 (cycle de TP)

Bases de transmissions numriques (1) ELE112

CNAM ELE 103 D. Roviras 4


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

Une UE au choix parmi :


Tlcommunications optiques ELE107
Propagation, rayonnement, lectromagntisme ELE115
Transmissions en tlcoms ELE111
Prvention des risques physiques PHR103

Deux UE au choix parmi :


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

CNAM ELE 103 D. Roviras 5


Introduction
A quoi sert le cours de
Bases de Traitement du Signal ?

Station de radio n2

mon poste de radio

Station de radio n1

CNAM ELE 103 D. Roviras 6


Introduction
A quoi sert le cours de
Bases de Traitement du Signal ?
Signal station de radio n1 Signal station de radio n2

t t

Traitement Traitement
Modulation Modulation
Amplification Amplification
Transmission Transmission

mon poste
de radio
CNAM ELE 103 D. Roviras 7
Introduction
A quoi sert le cours de
Bases de Traitement du Signal ?

Pr-amplification
Traitement
Dmodulation
Amplification

CNAM ELE 103 D. Roviras 8


Introduction
A quoi sert le cours de
Bases de Traitement du Signal ?
(1) Signal station de radio n1 (m1(t)) (2) Traitement du signal m1(t) : filtrage

(3) Modulation du signal m1(t)

t (4) Transmission hertzienne

(5) Dmodulation

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


m1(t) x(t)
g(t) h(t) + e(t)
Passe-Bas Canal hertzien
Passe-Bas
cos( 2..fp.t) n(t)
cos (2..fp.t)
CNAM ELE 103 D. Roviras 9
Introduction
Perturbations

Entre Sortie
Systme

Caractrisation temporelle et frquentielle des


signaux dentre, de sortie et des perturbations

Relations entre/sortie ?

Quel traitement raliser ?

CNAM ELE 103 D. Roviras 10


Introduction
ELE103
ELE102-103 ELE102-112 ELE102-112

Codeur Codeur
CAN
source canal
Source
ELE102-103-112 Modulateur

Exemple dun chane de Canal


ELE103-112
transmission numrique
ELE102-103-112
Rcepteur

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

2. Rappel sur les distributions

CNAM ELE 103 D. Roviras 12


Filtrage
Systme Linaire Invariant Temporellement (SLIT)

Linarit :
x1 (t ) SLIT y1 (t ) x2 (t ) SLIT y2 (t )

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

Invariance temporelle :

x1 (t ) SLIT y1 (t ) x1 (t ) SLIT y1 (t )

CNAM ELE 103 D. Roviras 13


Filtrage
Systme Linaire Invariant Temporellement (SLIT)
Exemple de systme Non Linaire : comparateur

Entre (x) Sortie (y)


Systme

y : amplitude de la sortie
A

0 x: amplitude de lentre

x1(t)=constante = 1 y1(t)=constante=A

x2(t)=constante = 2 y2(t)=constante=A

x3(t)= x1(t)+x2(t) y3 (t ) = A y1 (t ) + y2 (t )

CNAM ELE 103 D. Roviras 14


Filtrage
Systme Linaire Invariant Temporellement (SLIT)
Exemple de systme Non Linaire : diode

Entre (x) Sortie (y)


Systme

y : amplitude de la sortie

Pente de 1

0 x: amplitude de lentre

x1(t)=constante = -1 y1(t)=constante=0

x2(t)=constante = 1 y2(t)=constante=1

x3(t)= x1(t)+x2(t) y3 (t ) = 0 y1 (t ) + y2 (t )

CNAM ELE 103 D. Roviras 15


Filtrage
Systme Linaire Invariant Temporellement (SLIT)
Exemple de systme Variant Temporellement :

x(t) Systme y(t)

x(t) y(t)

g(t)

x1 (t ) y1 (t ) = g (t ) x1 (t )
x2 (t ) = x1 (t ) y2 (t ) = g (t ) x1 (t ) y1 (t )

CNAM ELE 103 D. Roviras 16


Filtrage
Systme Linaire Invariant Temporellement (SLIT)
Exemple de systme Variant Temporellement :

x(t) y(t)

g(t)

g(t)
2
1

t
x1(t) x2(t)=x1(t-)

y1(t) y2(t)

t
CNAM ELE 103 D. Roviras 17
Filtrage
Systme Linaire Invariant Temporellement (SLIT)
Caractrisation dun SLIT : Rponse frquentielle H(f)
H( f )

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

f f

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

Phase de(H ( f 0 ) ) = 1
A1
H ( f0 ) =
A0
CNAM ELE 103 D. Roviras 18
Filtrage
Systme Linaire Invariant Temporellement (SLIT)
Caractrisation dun SLIT : Rponse impulsionnelle h(t)
h(t)

(t ) SLIT h(t )


1/
(t ) = lim
0
t
0

H ( f ) = TF [h(t )]
CNAM ELE 103 D. Roviras 19
Filtrage
Relation entre/sortie dun SLIT
x(t ) SLIT y (t )
h(t)
x(t )

Rponse au rectangle de
largeur D et de hauteur
t
x(k.D): V(t-kD)

Invariance temporelle
et linarit
xe (t ) ye (t )

SLIT
h(t)
t t
k.D
Rectangle de largeur D et de hauteur x(k.D)

CNAM ELE 103 D. Roviras 20


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

Si D tend vers 0 alors on a xe(t) qui tend vers x(t)

1 +
D (t ) tend vers (t)
D ye (t ) x(kD).D.h(t kD)
k =
1
V (t ) tend vers h(t) +
D
y (t ) =

x( ).h(t )d
CNAM ELE 103 D. Roviras 21
Filtrage
Relation entre/sortie dun SLIT

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

De faon ne pas alourdir les notations on crira plus simplement :

y (t ) = x(t ) * h(t )
On verra dans le chapitre suivant que lon a :

Y ( f ) = X ( f ).H ( f )

CNAM ELE 103 D. Roviras 22


Filtrage
Proprits de la relation de convolution

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


1 t ) * x2 (t ) = x2 (t ) * x1 (t )
h (t ) * x (t )

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

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

Transforme de
TF [x(t ) * h(t )] = X ( f ).H ( f )
Fourier
Transforme de TF [x(t ).h(t )] = X ( f ) * H ( f )
Fourier

CNAM ELE 103 D. Roviras 23


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

h( )

h(t0 )

+
t0
x( ).h(t

0 )d


y (t )

t
CNAM ELE 103 D. Roviras 24
Filtrage
Notion de causalit

Les systmes physiques rels sont causaux. Cela veut dire


que la sortie du systme ne peut pas varier avant que lon ait
appliqu lentre

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

h( )

Remarque : dans certains calculs thoriques nous utiliserons des filtres non
causaux. Cest une libert qui permet de simplifier les calculs mais il est bien
clair que ces systmes non causaux sont non ralisables physiquement.

Exemple: un filtre passe-bas idal

CNAM ELE 103 D. Roviras 25


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

On tronque temporellement la rponse impulsionnelle :


h(t)

On dcale temporellement la rponse impulsionnelle tronque :


h(t)

CNAM ELE 103 D. Roviras 26


Filtrage
Rappels sur les distributions
Remarque : Ces rappels ne sont pas un cours sur les Distributions mais quelques
notions physiques sur limpulsion de Dirac et les proprits associes

Soit x(t) un rectangle centr sur 0 de largeur D et de hauteur 1/D. Laire de x(t) vaut 1.

En faisant tendre D vers 0 on a x(t) qui tend vers une impulsion baptise impulsion de
Dirac
1
D (t ) (t )
D
1/D

D tend vers 0
-D/2 D/2 t 0 t

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

CNAM ELE 103 D. Roviras 27


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

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

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


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

CNAM ELE 103 D. Roviras 28


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

c
b

Re
a

b
phase de c = arctg = Angle du vecteur c
a

mod ule de c = c = a 2 + b 2 = Longueur du vecteur c


CNAM ELE 103 D. Roviras 29
Filtrage
Rappel sur les nombres complexes
b
c = a + j.b c = c . exp( j ) avec c = a 2 + b 2 et = arctg
a
c1 et c2
c1.c2 = c1 . c2 (c1.c2 ) = (c1 ) + (c2 )
deux complexes
c = a + j.b c * = a j.b c = c* (c) = (c * )
c = a + j.b c = c.c *
2

*
An des + +
An = An*
complexes n = n =
An des *
+ +
An = ( An )
*
complexes
n = n =
exp( j ) = cos( ) + j sin( ) exp( 2jft ) = cos( 2ft ) + j. sin( 2ft )
exp( 2jft ) = 1
(exp(2jft ) )* = exp(2jft )
exp( a ). exp(b) = exp( a + b)
d
(exp( K .t ) ) = K . exp( K .t )
dt
CNAM ELE 103 D. Roviras 30
Filtrage
Rappel sur les fonctions trigonomtriques
sin( a ) sin(b) = 1 cos(a b) 1 cos(a + b)
2 2
cos(a ) cos(b) = 1 cos(a b) + 1 cos(a + b)
2 2
sin( a ) cos(b) = 1 sin( a b) + 1 sin( a + b)
2 2

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


2 2

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

sin( a b) = sin( a ) cos(b) cos(a ) sin(b)


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

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

CNAM ELE 103 D. Roviras 31


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

1
sin(u)du = cos(u) sin( k .u ) du =
k
. cos( k .u)

exp(u) exp(k .u)


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

2. Transforme de Fourier

CNAM ELE 103 D. Roviras 33


SF et TF
Srie de Fourier pour les signaux dterministes
priodiques :

Soit x(t) un signal priodique de priode T

x(to)=x(to+T)

x(t) est dcomposable en srie de Fourier c.a.d. en une


somme de sinusodes de frquences multiples de 1/T

On a un spectre de raies

Deux dcompositions duales: somme de sinus/cosinus ou


somme dexponentielles

CNAM ELE 103 D. Roviras 34


SF et TF
Dcomposition en somme dexponentielles

Forme bilatrale avec frquences positives et ngatives

+
n
x(t ) = X n exp 2j t
n = T

to +T
1 n
Xn = x(t ) exp 2j t dt
T to T

Rappel : ( j ) = 1
2

CNAM ELE 103 D. Roviras 35


SF et TF
Dcomposition en somme de sinus et cosinus

Forme mono latrale avec frquences positives seulement

a0 + n n
x(t ) = + an cos 2 t + bn sin 2 t
2 n =1 T T
to +T
2 n
an = x(t ) cos 2 t dt
T to T
to +T
2 n
bn = x(t ) sin 2 t dt
T to T
CNAM ELE 103 D. Roviras 36
SF et TF
Quelques proprits des coefficients de Fourier

Rappel : (a + jb ) = a jb
*

x(t ) relle X n = X *
n

Xn Phase( X n )

n n

En gnral, Xn tend vers 0 quand n tend vers linfini

X n = (an jbn ) pour n positif


1
2
ao
X0 = reprsente la composante continue du signal
2
CNAM ELE 103 D. Roviras 37
SF et TF
Rsultats dune troncature des coefficients de Fourier

5
3 1
1
3
9
7 Signal sinusodal redress
en simple alternance:
21 1, 3 et 9 harmoniques
Signal carr: 1, 3, 5, 7 et 21 harmoniques

CNAM ELE 103 D. Roviras 38


SF et TF
Quelques proprits des coefficients de Fourier

Calcul de la puissance dans le domaine temporel et spectral :

Identit de Parseval :

to +T + 2
1
Puissance = x(t ) dt = X
2
n
T to n =

CNAM ELE 103 D. Roviras 39


SF et TF
Exercices sur la srie de Fourier

Dmonstration de lidentit de Parseval *


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

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

T to
T to n = T n = T

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

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

CNAM ELE 103 D. Roviras 40


SF et TF
Exercices sur la srie de Fourier

Dmonstration de lexpression des coefficients Xn

+
n
x(t ) = X n exp 2j t
n = T
p + n p
x(t ) exp 2j t = X n exp 2j t exp 2j t
T n = T T
to +T to +T +
p n p
x(t ) exp 2j t dt =
T
n =
X n exp 2j t exp 2j t dt
T T
to to

to +T to +T +
n p
= X p dt +
n =
X n exp 2j t exp 2j t dt
T T
to to

Intgrale gale 0

CNAM ELE 103 D. Roviras 41


SF et TF
Exercices sur la srie de Fourier

Calcul des coefficients de SF dun signal carr


D +D
x(t ) = A pour t et 0 ailleurs
2 2
A

-D/2 D/2 t
-T 0
T

nD
sin
AD T AD nD sin(x)
Xn = = sin c Dfinition : sin c( x) =
T nD T T x

CNAM ELE 103 D. Roviras 42


SF et TF
Exercices sur la srie de Fourier

Calcul des coefficients de SF dun signal carr


nD AD sin (fD )
sin Coefficient X1 T fD
AD T AD nD
Xn = = sin c
T nD T T
T

AD/T

0 f
-2/D -1/D -1/T 1/T 2/T 3/T 1/D 2/D

CNAM ELE 103 D. Roviras 43


SF et TF
Exercices sur la srie de Fourier

Calcul des coefficients de SF dun signal carr

Si la priode tend vers linfini


Les raies spectrales deviennent infiniment serres : spectre continu (Srie
de Fourier)

Si A tend vers linfini et D vers 0 de faon ce que A.D=1 et la priode


T est constante

Le signal priodique tend vers un peigne de Dirac en temporel

La reprsentation spectrale dun peigne de Dirac temporel est un peigne


de Dirac frquentiel

CNAM ELE 103 D. Roviras 44


SF et TF
Transforme de Fourier :
Existence de la TF:
Fonctions de carr intgrable, signaux nergie finie
Signaux puissance finie
Distributions: Dirac et peigne de Dirac

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

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

CNAM ELE 103 D. Roviras 45


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

+ + + + *

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


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

+ + + +

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

CNAM ELE 103 D. Roviras 46


SF et TF
Proprits de la Transforme de Fourier :
Proprit Temporel Frquentiel
x(t) X(f)
Linarit a.x(t)+b.y(t) a.X(f)+b.Y(f)
Conjugaison x(t)* X(-f)*
Fonction relle x(t) rel Symtrie Hermitienne
X ( f ) fonction paire

Phase( X ( f ) ) fonction impaire

Dcalage temporel x(t-to) X ( f ) exp(2jfto )

Dcalage x(t ) exp(2jf ot ) X ( f fo )


frquentiel
CNAM ELE 103 D. Roviras 47
SF et TF
Proprits de la Transforme de Fourier :
Proprit Temporel Frquentiel
Drive d nx X ( f )(2jf )
n

dt n
Symtrie X(t) x(-f)
Multiplication x(t)y(t) X ( f )* Y ( f )
Convolution x(t)*y(t) X ( f ).Y ( f )

x(t ) cos(2f ot )
1 1
Modulation 2
X ( f fo ) + X ( f + fo )
2

SF et TF
CNAM ELE 103 D. Roviras 48
Proprits de la Transforme de Fourier :
Dmonstrations :
Conjugaison : changement de variable
Fonction relle : changement de variable
Dcalage temporel : changement de variable
Dcalage frquentiel : changement de variable
Multiplication et convolution
+
TF ( x(t ) * y (t ) ) = (x(t ) * y(t ))exp( 2jft )dt

+ + +

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

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

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

SF et TF
CNAM ELE 103 D. Roviras 49
Proprits de la Transforme de Fourier :
Dmonstrations :
Conjugaison : changement de variable
Fonction relle : changement de variable
Dcalage temporel : changement de variable
Dcalage frquentiel : changement de variable
Multiplication et convolution
+
TF ( x(t ) ) = x(t ) exp( 2jft )dt posons u = t

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

+
=

x(u ) exp( 2jfu )du. exp(2jf )
= TF (x(t ) ). exp(2jf )

SF et TF
CNAM ELE 103 D. Roviras 50
Transforme de Fourier usuelles (1/5)
x(t)= Rectangle = T (t ) T.sinc(f.T)= T.[sin(.f.T)/.f.T]
amplitude=1, largeur=T, centr sur 0

x(t)= Triangle T.sinc2(f.T)


amplitude=1, largeur=2.T, centr sur 0

exp( 2. . j . fo. t ) ( f fo)

cos( 2. . fo. t ) 1
.[ ( f + fo ) + ( f fo ) ]
2
1 ( f )

(t ) 1

sin( 2. . fo.t ) j
.[ ( f + fo ) ( f fo ) ]
2

1 1
cos( 2 . . fo .t + 0 ) ( f + fo ). exp( j . 0 ) + ( f fo ). exp( j . 0 )
2 2

SF et TF
CNAM ELE 103 D. Roviras 51
Transforme de Fourier usuelles (2/5)
sin ( Bt ) X(f) = Rectangle de largeur B
x (t ) = B
( Bt ) entre - B/2 et + B/2 de hauteur 1

sin ( Bt )
2
X(f) = Triangle de largeur 2B
x ( t ) = B
( Bt ) entre - B et + B de hauteur 1

SF et TF
CNAM ELE 103 D. Roviras 52
Transforme de Fourier usuelles (3/5)
U(t) = Echelon unit 1 1
. ( f ) +
2 j .2. . f
Signe(t) 1
j. . f
exp(-a.t).U(t) 1
(U(t) = Echelon unit de temps) a + j .2. . f

2. a
exp(-a.|t|) a 2 + ( 2. . f ) 2

exp( . t 2 ) exp( . f 2 )

exp( a . t ).cos( 2. . fo. t ).U ( t ) a + j.2. . f


( a + j.2. . f ) 2 + ( 2. . fo) 2

2. . fo
exp( a . t ).sin( 2. . fo. t ).U ( t )
( a + j.2. . f ) 2 + ( 2. . fo) 2

SF et TF
CNAM ELE 103 D. Roviras 53
Transforme de Fourier usuelles (4/5)

. ( exp( a . t ) exp( b. t ) ).U ( t )


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

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

n =
X n . exp( 2 . . j.
T
.t ) X n . ( f T )
n =

SF et TF
CNAM ELE 103 D. Roviras 54
Transforme de Fourier usuelles (5/5)
+
n

n =
X n . ( f
T
)
+
avec X n = A.sin c ( n / 2 )
2. A. T ( t n. T ) A
n =
Signal carr de largeur T/2, entre +A et -A et X n = 0 pour n pair ou nul
priodique de priode T
2. A
avec X n = pour n = 1, 5,....
n.
2. A
X n = pour n = 3, 7, ....
n.
+ +
n
A.
n =
( t n. T )
n =
X n . ( f )
T
Signal carr de largeur , entre 0 et +A et A.
avec X n = .sin c( n / T )
priodique de priode T T

+ 1 + n
. ( f )
(t n.T )
n =
T n = T

SF et TF
CNAM ELE 103 D. Roviras 55
Exemple de calcul de TF usuelles :
Calcul classique
Rectangle = T (t )
x(t)= Triangle Convolution de deux rectangles
damplitude=1, largeur=2.T,
centr sur 0
Calcul par TF-1 de (f-fo)
exp(2. . j. fo. t )
Dcomposition en
cos(2. . fo. t ) exponentielles
Dcomposition en
sin( 2. . fo.t ) exponentielles
Calcul classique ou limite du
(t )
rectangle
1 Limite du rectangle

Peigne de Dirac temporel signal carr priodique et


passage la limite
SF et TF
CNAM ELE 103 D. Roviras 56
TF de signaux borns temporellement
Si x(t) est un signal born temporellement alors sa TF stend de moins linfini
plus linfini
x(t)

t
T(t)

t
sin(fT )
x(t ) = x(t ). T (t ) X ( f ) = X ( f ) * T
fT
La fonction sin(fT)/fT stendant de moins linfini plus linfini, le support
spectral de X(f) est donc infini

SF et TF
CNAM ELE 103 D. Roviras 57
Allure gnrale dun signal et de sa TF
Si x(t) est trs pointu, sa TF sera trs tale

x(t)

t
X(f)

Si x(t) est trs tal, sa TF sera trs pointue

x(t)

t
X(f)

SF et TF
CNAM ELE 103 D. Roviras f 58
TF de signaux priodiques
Soit x(t) un signal priodique de priode T
x(t) est dcomposable en srie de Fourier
+
n
x(t ) = X n exp 2j t
n = T
+
n
X ( f ) = X n ( f )
n = T

Une fonction priodique prsente un spectre de


raies espaces de 1/T
SF et TF
CNAM ELE 103 D. Roviras 59
Peigne de Dirac et chantillonnage
Objectif de la numrisation dun signal :
Transformer un signal continu (dfini quelque soit t et prenant une infinit de valeurs
damplitude) en une suite de points prenant leurs valeurs dans un ensemble fini.

Signal Bits
x(t) Numrisation
mettre

Signal Bits
Quantification
x(t) sur n bits mettre

chantillonnage Fe Deux oprations


Pour numriser
Echantillonnage du signal : Fe chantillons par seconde

SF et TF Quantification : n bits par chantillon

CNAM ELE 103 D. Roviras 60


Peigne de Dirac et chantillonnage
Signal
x(t) x(k.Te)

Echantillonnage
Fe

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


Rappel du thorme dchantillonnage

Dmonstration

Notion de repliement de spectre

Fe > 2. fmax CNAM ELE 103 D. Roviras 61


SF et TF
Peigne de Dirac et chantillonnage
Signal x(t) x(k.Te)

Echantillonnage Fe=1/Te

Objectif : partir de la suite de valeurs x(k.Te) pouvoir revenir au


signal original x(t)
+
xe (t ) = x(k.Te) (t k.Te)
n =
SLIT x(t )

Calcul du spectre de xe(t)


+ + +
xe (t ) = x(k.Te) (t k.Te) = x(t ) (t k.Te) = x(t ) (t k.Te)
k = k = k =

+ 1 + k
X e ( f ) = X ( f ) * TF (t k .Te) = X ( f ) * f
k = Te k = Te
1 + k
Xe( f ) = X f
Te k = Te
CNAM ELE 103 D. Roviras 62
SF et TF
Peigne de Dirac et chantillonnage
1 +
Xe( f ) = X ( f k .Fe )
Te k =

k=-1 Xe( f ) k=1

Fe>2.B k=0
X(f )
f
-B 0 +B
-Fe Fe

-B +B f
k=-1 X e ( f ) k=1 k=2
k=-2

Fe<2.B
f
k=0
-2Fe -Fe Fe 2Fe

CNAM ELE 103 D. Roviras 63


SF et TF
Peigne de Dirac et chantillonnage
Recouvrement (ou repliement) de spectre si Fe<2.B avec B= bande du signal

Reconstitution de x(t) par filtrage possible si pas de repliement de spectre


c.a.d. si Fe>2.B

Pour chantillonner correctement un signal de


bande B, il faut que la frquence
dchantillonnage Fe soit telle que:

Fe>2.B
Passage du signal chantillonn au signal temporel : voir TD

CNAM ELE 103 D. Roviras 64


SF et TF
Peigne de Dirac et chantillonnage
Signal
x(t) x(k.Te)

Echantillonnage
Fe > 2. fmax Fe

Plus Fe est grande plus le dbit est grand (Db=Fe.n)

Choix de Fe ?

Notion de Qualit de Service (QoS)

Limitation de la bande du signal transmis

Exemples de Fe pour signaux de parole et de musique

CNAM ELE 103 D. Roviras 65


SF et TF
Peigne de Dirac et chantillonnage

Signal
x(t) x(k.Te)
Echantillonnage
Fe > 2. fmax Fe

Exemples de Fe pour signaux de parole et de musique

Parole en tlphonie fixe classique


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

Musique sur CD audio


fmax transmise = 20000 Hz
Meilleure qualit de restitution du son
Fe=44.1 KHz
CNAM ELE 103 D. Roviras 66
SF et TF
Peigne de Dirac et chantillonnage
n bits par
x(k.Te) Quantification
chantillon

Plus n est grand plus le dbit sortant est grand (Db=Fe.n)

Choix de n ?

Li au bruit de quantification

n petit Db faible et bruit de quantification grand

n grand Db grand et bruit de quantification faible

Notion de QoS

CNAM ELE 103 D. Roviras 67


SF et TF
Peigne de Dirac et chantillonnage
n bits par
x(k.Te) Quantification
chantillon

Pas de
quantification

N =2n plages de quantification

n bits par chantillon

2/12 (voir TD n6)


Puissance du bruit de quantification =
CNAM ELE 103 D. Roviras 68
SF et TF
Peigne de Dirac et chantillonnage

n bits par
x(k.Te) Quantification
chantillon

Exemples de quantification pour signaux de parole et de musique

Parole en tlphonie fixe classique


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

Musique sur CD audio


16 bits par chantillon
Db=705 Kbps
CNAM ELE 103 D. Roviras 69
SF et TF
Peigne de Dirac et chantillonnage
Signal Bits
x(t) Quantification
mettre
Echantillonnage
Fe

Signal Filtre Db
x(t) Anti CAN
Bits
repliement mettre
n Bits par
chantillon

Echantillonnage
Fe

Db = Fe . n
CNAM ELE 103 D. Roviras 70
SF et TF
Signaux nergie finie
1. Notion de corrlation

2. Densit spectrale dnergie

Signal nergie finie : +


Energie = x(t ) dt = Valeur finie
2


Signaux borns temporellement
Signaux de carr intgrable

Objectifs :
Dualit corrlation/spectre
Introduction de la notion de corrlation

CNAM ELE 103 D. Roviras 71


SEF
Dualit corrlation/spectre :

Si un signal varie lentement : ce signal est pauvre en hautes frquences


Si un signal varie lentement : le signal va ressembler une version dcale de lui-mme :
x(t) ressemblera x(t+t)

La vitesse de variation, cest--dire la richesse frquentielle est donc lie la notion de


ressemblance

Comment mesurer la ressemblance dun signal avec une version dcale de lui-mme ?
3

-1

-2
Signal x1(t)
-3

-4
0 100 200 300 400 500 600 700 800 900 1000

1
Signal x2(t)
0

-1

-2

-3
0 100 200 300 400 500 600 700 800 900 1000

CNAM ELE 103 D. Roviras 72


SEF
x1(n) et x1(n-10)
4

2 2

0 0

-2
-2
-4
0 100 200 300 400 500 600 700 800 900 1000 630 632 634 636 638 640 642 644 646 648 650

4
4
x2(n) et x2(n-10)
2
2
0
0
-2
-2
-4
0 100 200 300 400 500 600 700 800 900 1000
632 634 636 638 640 642 644 646 648

+
Mesure de ressemblance entre x(t) et x(t + ) : x(t ) x(t + )dt

CNAM ELE 103 D. Roviras 73


SEF
x1(t) x2(t)

t t

Ressemblance entre x(t) et x(t+)


Fonction de corrlation
Kx1() Kx2()

Transforme de Fourier :
Densit
Spectrale dnergie

Sx2(f)
Sx1(f)

f f

CNAM ELE 103 D. Roviras 74


SEF
Dfinition de la fonction de corrlation pour les
signaux nergie finie

+
K xx( ) = (t)x(t + )dt
*
Autocorrlation x

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

CNAM ELE 103 D. Roviras 75


SEF
Proprits de la fonction de corrlation
Autocorrlation Intercorrlation

Symtrie Hermitienne
K xx( ) = K xx* ( ) K xy( ) = K *yx ( )

+ 2

K xx( 0 ) = x(t)

dt = Energie de x(t)

Ingalit de Schwartz 2
K xx() K xx( 0) K xy() K xx( 0) K yy( 0)

Si x(t) est rel, Kxx() est une fonction relle et Si x(t) et y(t) sont rels, Kxx()
paire est relle
K xx( ) = x * ( ) * x( ) K xy( ) = x * ( ) * y ( )

(K xx( ) )' = K x x( ) = K xx ( )
' '
(K xy( ) ) = K x ' y( ) = K xy ' ( )
'

Rappel de + 2 + +

A(u ).B (u )du A(u ) du. B (u ) du


lingalit * 2 2

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



CNAM ELE 103 D. Roviras 76
SEF
Dfinition de la densit spectrale dnergie

Pourquoi densit spectrale dnergie ? :


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

[ ]
X ( f ) = X ( f ) X ( f ) = TF x * ( t ) .TF [x(t )] = TF x * ( t ) * x(t )
2 *
[ ]
[ ]
X ( f ) = TF x* (t ) * x(t ) = TF [K xx (t )]
2

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


2

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

f2 +f2

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

CNAM ELE 103 D. Roviras 77


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

+
K xx (0) = S

x ( f )df

S x ( f ) 0, fonction relle non ngative

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


2

Sx(f) est insensible aux dcalages temporels de x(t)

Si x(t) est un signal rel alors Sx(f) est relle et paire

Units:
Si x(t) est en Volts, Kxx(t) est en V2s et Sx(f) en V2s/Hz soit en V2s2

Si x(t) est en Unit-arbitraire, Kxx(t) est en (Unit-arbitraire)2s


et Sx(f) en (Unit-arbitraire)2s2
CNAM ELE 103 D. Roviras 78
SEF
Exemple de calcul de fonction dautocorrlation et de DSE

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


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

exp(+ a ) exp(a )
K xx( ) = si < 0 K xx( ) =
2a 2a

CNAM ELE 103 D. Roviras 79


SEF
Exemple de calcul de fonction dautocorrlation et de DSE

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


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

2a 2a
+ +
1
0
1

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

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

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


2a
= + [ a - 2jf ] =
0 2a [a - 2jf ] 0

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

CNAM ELE 103 D. Roviras 80


SEF
Exemple de calcul de fonction dautocorrlation et de DSE
x(t)
Vrifier les proprits de 1
Kxx() et Sx(f)

0 1/a t
Faire varier a,
1/2a Kxx()
Consquences ?

0 1/a
Sx(f)
1/a2
1/(2a2)

0 a/(2.) f

CNAM ELE 103 D. Roviras 81


SEF
Signaux puissance finie
1. Corrlation
2. Densit Spectrale de Puissance
3. Cas des signaux priodiques

Signal puissance finie : +T / 2


1
Puissance = lim x(t ) dt = Valeur finie
2

T + T
T / 2
Signaux physiquement ralisables
Signaux priodiques

CNAM ELE 103 D. Roviras 82


SPF
Dfinition de la fonction de corrlation

+T / 2
1
K xx( ) = lim (t)x(t + )dt
*
Autocorrlation x
T + T
T / 2

+T / 2
1
Intercorrlation K xy( ) = lim (t)y(t + )dt
*
x
T + T
T / 2

Units:
Si x(t) est en Volts, Kxx(t) est en V2
Si x(t) est en Unit-arbitraire, Kxx(t) est en (Unit-arbitraire)2

CNAM ELE 103 D. Roviras 83


SPF
Proprits de la fonction de corrlation

Autocorrlation Intercorrlation

Symtrie Hermitienne
K xx( ) = K xx* ( ) K xy( ) = K *yx ( )
+T / 2 2
1
K xx( 0 ) = lim
T + T x(t)
T / 2
dt = Puissance de x(t)

Ingalit de Schwartz 2
K xx() K xx( 0) K xy() K xx( 0) K yy( 0)

Si x(t) est rel, Kxx() est relle et paire Si x(t) et y(t) sont rels, Kxy()
est relle
(K xx( ) )' = K x x( ) = K xx ( )
' ' (K xy( ) ) = K x ' y( ) = K xy ' ( )
'

CNAM ELE 103 D. Roviras 84


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

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

f2 +f2

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

Units:
Si x(t) est en Volts, Sx(f) est en V2/Hz
Si x(t) est en Unit-arbitraire, Sx(f) est en (Unit-arbitraire)2/Hz
CNAM ELE 103 D. Roviras 85
SPF
Proprits de la Densit Spectrale de Puissance

+
K xx ( ) = TF 1
[S x ( f )] = S x ( f ) exp(+2jf )df

+
K xx (0) = S

x ( f )df

S x ( f ) 0, fonction relle non ngative

Sx(f) est insensible aux dcalages temporels de x(t)

Si x(t) est un signal rel alors Sx(f) est relle et paire

CNAM ELE 103 D. Roviras 86


SPF
Exemple de calcul de fonction dautocorrlation et de DSP

x(t)=A.cos(2fot+)
+T / 2 + To / 2
1 1
K xx( ) = lim x (t)x(t + )dt = (t)x(t + )dt avec To = 1/f o
* *
x
T + T To
T / 2 To / 2
+ To / 2
A2
K xx( ) =
To cos(2f t + ) cos(2f
To / 2
o o (t + ) + )dt
1 1
Rappel : cos(a) cos(b) = cos(a + b) + cos(a b)
2 2
+ To / 2
A2
K xx( ) =
2To {cos(4f t + 2 ) + cos(2f )}dt
To / 2
o o

+ To / 2 + To / 2
A2 A2 A2
K xx( ) = cos( 4f o t + 2 )dt + cos( 2f o )dt = cos( 2f o )
2To To / 2
2To To / 2
2

A2
K xx( ) = cos(2f o ) Vrifier les proprits de la fonction
dautocorrlation de signaux puissance finie
2
CNAM ELE 103 D. Roviras 87
SPF
Exemple de calcul de fonction dautocorrlation et de DSP

A2
K xx( ) = cos(2f o )
2

A2
K xx( 0) = : Puissance d' un cosinus d' amplitude A et de phase quelconque
2

A2 A2 A2
S x(f ) = TF cos(2f o ) = ( f + fo ) + ( f fo )
2 4 4

Vrifier les proprits de la DSP de signaux puissance finie

CNAM ELE 103 D. Roviras 88


SPF
Autre exemple de calcul de fonction dautocorrlation et de DSP

x(t)=A.exp(2jfot)

+ To / 2 2 + To / 2
1 A
K xx( ) = (t)x(t + )dt = exp(2jf t ) exp(2jf (t + ))dt
*
x o o
To To / 2
To To / 2

2 + To / 2
A
K xx( ) = exp(2jf )dt = A exp( 2jf o )
2
o
To To / 2

K xx( ) = A exp(2jf o ) S x (f ) = A ( f f o )
2 2

Application aux signaux priodiques

CNAM ELE 103 D. Roviras 89


SPF
Fonction dautocorrlation et DSP de signaux priodiques
+
n
x(t ) = X n exp 2j t avec T = priode
n = T
+
+
n n
Sx ( f ) = X n f
2
K xx ( ) = X exp 2j
2

n =
n
T n = T
Vrifier quen intgrant Sx(f) on retrouve Parseval, ou bien que la fonction dautocorrlation
en zro est bien la puissance

La fonction dautocorrlation dun signal priodique est


priodique de mme priode

La densit spectrale de puissance dun signal priodique est un


spectre de raies espaces de k/T
CNAM ELE 103 D. Roviras 90
SPF
Exemple de fonction dautocorrlation et DSP de signaux priodiques
+
x(t ) = Signal priodique de priode T = xT (t ) * (t n.T ) avec xT (t ) = x(t ) T (t )
n =

+T / 2 +T / 2 +
1 1 1
K xx ( ) = x (t)x(t + )dt = + = T (t)x(t + )dt
* * *
x T (t)x(t )dt x
T T / 2
T T / 2
T
+ +
1 1
K xx ( ) = xT (t)x(t + )dt = xT ( u)x( u)du avec u = -t
* *

T T
[ ] *
k = +
1 * 1
K xx ( ) = xT ( u) * x(u ) (u = ) = xT ( u) * xT (u ) * (u kT ) (u = )
T T k =

{ }
k = + k = +
1 * 1
K xx ( ) =
T
x
T

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

(u = ) = K
T xT

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

k = + k = +
1 1 k
K xx ( ) = K xT ( ) * ( kT ) S x ( f ) = 2 S xT ( f ). ( f )
T k = T k = T
CNAM ELE 103 D. Roviras 91
SPF
Exemple de fonction dautocorrlation et DSP de signaux priodiques
k = + k = +
1 1 k
K xx ( ) = K xT ( ) * ( kT ) S x ( f ) = 2 S xT ( f ). ( f )
T k = T k = T

TF
KxT() SxT(f)
xT(t)

0 T t -T 0 T 0 f

x(t) Kx()
TF Sx(f)

0 t -T 0 T 0 f
-T T
-1/T 1/T

CNAM ELE 103 D. Roviras 92


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

CNAM ELE 103 D. Roviras 93


Probabilits
Proprits gnrales

Notion de probabilit:
Nombre tirages avec 4
Tirage dun d six faces : Proba(4) = lim
nombre de tirages Nombre total de tirages

Probabilit :
Ensemble des rsultats de lexprience alatoire :
= partition de lensemble
Probabilit : Application de vers lensemble [0,1]

Tirage dun d six faces :

={1,2,3,4,5,6}
[0,1]
Calculer P(1), P(2), P(3), P(4), P(5), P(6)
Calculer P(1,2,3) = P(tirage = 1 ou 2 ou 3)

CNAM ELE 103 D. Roviras 94


Probabilits
Proprits gnrales
Proprits:
P( ) = 1 P(Ensemble vide) = 0
0 P ( A) 1
P ( A) = 1 P ( A )
P( A U B ) = P( AouB) = P( A) + P( B) P( A I B)
N
Avec : = {a1 , a2 ,...., a N } on a : P(a ) = 1i
i =1

Exemple : Tirage dun d six faces

Calculer Proba(tirage = {1 ou2} ou {2 ou 3 ou5} = Proba({1,2} U {2,3,5})


Calculer Proba(tirage = nombre pair)
Calculer Proba(tirage = nombre entier)
Calculer Proba(tirage = nombre premier)
Calculer Proba(tirage >3)
Calculer Proba(tirage<10)
CNAM ELE 103 D. Roviras 95
Probabilits
Proprits gnrales : probabilits conditionnelles

, P()=1
AI B
B, P(B)

A, P(A)

P(A I B) = P( A / B )P(B) = P( B / A) P( A)

CNAM ELE 103 D. Roviras 96


Probabilits
Proprits gnrales : probabilits conditionnelles
Surface ( A)
P(A) = A B
Surface ()
Surface ( B )
P(B) = B A
Surface ()

B vrifi
A
Surface ( A B )
P(B / A) =
Surface ( A)
Surface ( A B ) Surface ( A B ) Surface ( A)
P(A B ) = = .
Surface () Surface ( A) Surface ()

P(A B ) = P(B / A) / P ( A)
CNAM ELE 103 D. Roviras 97
Proprits gnrales : formule des probabilits totales
Probabilits et vnements disjoints et complets:
A
A
B

AIB AIB

P(B) = P( A I B ) + P( A I B)

P(B) = P(B / A)P ( A) + P(B / A )P( A)


Plus gnralement, si les vnements Ai sont disjoints et complets :

Ai I Aj = vide si i j N
N P(B) = P(B / Ai )P ( Ai )
U Ai =
i =1
i =1

CNAM ELE 103 D. Roviras 98


Probabilits
Proprits gnrales : Rgle de Bayes
Probabilits conditionnelles:
P(B I A) = P(B/A)P(A) = P(A/B)P(B)

Probabilits conditionnelles

P( A / B ) =
rgle de Bayes : P( B / A) P ( A)
P( B)
Exemple : Transmission de 0 et de 1 travers un canal de transmission
Emission : P(0)=0.9 P(1)=0.1
p
0 0
Canal binaire symtrique
p = Probabilit de ne pas faire une erreur
1-p = Probabilit derreur = 0.1 1-p
1 p 1
Calculer P(0 reu/1 mis)= P(dtecter 0/1mis)
Calculer P(1 reu/ 1 mis)
Calculer P(0 mis/ 1 reu)
Calculer P(1 mis/ 1 reu)
Calculer P(0 mis/ 0 reu) et P(1 mis/ 0 reu)
CNAM ELE 103 D. Roviras 99
Probabilits
Proprits gnrales : formule de Bayes

Autre exemple : sondage avec 3 tranches dge :


Les tranches dge:
TR1 ge <30 ans, proba(TR1)=30%
TR2 30 ans<ge <50 ans, proba(TR2)=50%
TR3 50 ans <ge, proba(TR3)=20%

Le sondage : choix dun CD parmi 3


TR1 TR2 TR3
CD1 80 30 10
CD2 15 50 20
CD3 5 20 70

Calculer Proba(choisir CD1/tranche ge = TR1)=P(CD1/TR1)


Calculer P(CD3/TR2)
Calculer P(tre dans la tranche TR2/ CD1 choisi) = P(TR2/CD1)
Calculer P(tre dans la tranche TR2/ CD2 choisi) = P(TR2/CD2)
Calculer P(tre dans la tranche TR2/ CD3 choisi) = P(TR2/CD3)
Calculer P(tre dans la tranche TR1/ CD3 choisi) = P(TR1/CD3)

CNAM ELE 103 D. Roviras 100


Probabilits
Proprits gnrales : formule de Bayes
0.8
(30%) TR1 CD1
0.15 0.3

0.5
(50%) TR2 CD2
0.1 0.05
0.2 0.2
(20%) TR3 CD3
0.7

P(CD1/TR1) = 0.8 (donn par lnonc)


P(CD3/TR2) = 0.2 (donn par l nonc)

P(TR 2 / CD1) =
P(CD1 / TR 2) P(TR 2) 0.3 . 0.5
=
( Bayes ) P (CD1) P(CD1)
3
P(CD1) =
(Probabilits totales)
P(CD1 / TRi) P(TRi) = 0.8.0.3 + 0.3.0.5 + 0.1.0.2 = 0.41
i =1

P(TR 2 / CD1) =
0.3 . 0.5
= 0.3659
0.41

CNAM ELE 103 D. Roviras 101


Probabilits
Proprits gnrales : formule de Bayes

P(TR 2 / CD 2 ) =
P(CD 2 / TR 2) P(TR 2) 0.5 . 0.5
=
( Bayes ) P(CD 2) P(CD 2)
3
P(CD2) =
(Probabilits totales)
P(CD2 / TRi) P(TRi) = 0.15.0.3 + 0.5.0.5 + 0.2.0.2 = 0.335
i =1

P(TR 2 / CD 2 ) =
0.5 . 0.5
= 0.7463
0.335

P(TR 2 / CD3) =
P(CD3 / TR 2) P(TR 2) 0.2 . 0.5
=
( Bayes ) P(CD3) P(CD3)
3
P(CD3) =
(Probabilits totales)
P(CD3 / TRi) P(TRi) = 0.05.0.3 + 0.2.0.5 + 0.7.0.2 = 0.255
i =1

P(TR 2 / CD3) =
0.2 . 0.5
= 0.3922
0.255
On peut vrif ier que :
3
P(TR2) =
(Probabili ts totales)
P (TR 2 / CDi ) P (CDi ) =0.3659.0.41 + 0.7463.0.335 + 0.3922.0.255 = 0.5
i =1

P(TR1 / CD3) =
P (CD3 / TR1) P (TR1) 0.05 . 0.3
= = 0.0588
( Bayes ) P(CD3) 0.255

CNAM ELE 103 D. Roviras 102


Probabilits
Variables alatoires discrtes et continues

Variable alatoire : Rsultat dune exprience alatoire.

Une variable alatoire sera note dans le cours par une majuscule.

Une VA est dite discrte si elle prend un nombre fini de valeurs


Par exemple suite des valeurs de la face dun tirage de d

Une VA est dite continue si elle prend un nombre infini de valeurs


Par exemple, une tension continue perturbe par un bruit

x(t)
Vo + Suite de valeurs
VA : X
n(t)

Si Vo=1V on aura la suite de valeurs qui sera:


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

CNAM ELE 103 D. Roviras 103


Probabilits
Variables alatoires discrtes et continues
Caractrisation des VA :

VA discrte : Probabilit des diffrentes valeurs prises par la VA

VA continue :
Proba(X=1.025083947)=0
La notion de probabilit dapparition dune valeur na pas de sens

On introduit la notion de fonction de rpartition et de densit de


probabilit

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

FX ( ) = 0 FX ( + ) = 1

CNAM ELE 103 D. Roviras 104


Probabilits
Variables alatoires discrtes et continues

Exemple de fonction de rpartition de la VA X :

X est dfinie par la suite de valeurs dun tirage de d six faces

Tracer la fonction de rpartition de la VA X

Exemple de fonction de rpartition de la VA X :

X est dfinie par la suite de valeurs de lexprience suivante:


Tirage 1er d : v1
Tirage 2me d : v2
Valeurs de X : v1+v2

Tracer la fonction de rpartition de la VA X

Sur les deux exemples prcdents, vrifier les proprits de la fonction de rpartition
Programme Matlab : ELE103_VA_1_et_2dim.m

CNAM ELE 103 D. Roviras 105


Probabilits
Variables alatoires discrtes et continues
Rpartition des familles selon le nombre d'enfants

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

champ : France mtropolitaine


source : Insee, recensement 1999.

Tracer la fonction de rpartition de la VA X qui est le nombre denfants dun


couple dactifs tous deux occups

CNAM ELE 103 D. Roviras 106


Probabilits
Variables alatoires discrtes et continues
Proprits de la Fonction de rpartition dune VA :

FX (uo ) = P( X < uo )
FX(u) est non dcroissante et comprise entre 0 et 1

FX ( ) = 0 FX ( + ) = 1

P( x0 X < x1 ) = FX ( x1 ) FX ( x0 )

CNAM ELE 103 D. Roviras 107


Probabilits
Variables alatoires discrtes et continues

1
FX(u)
X : VA discrte

x1 x2 x3 x4 x5 u

1
FX(u)
X : VA continue

CNAM ELE 103 D. Roviras 108


Probabilits
Variables alatoires discrtes et continues

Notion de densit de probabilit :

FX ( x)
uo

FX (uo ) = P ( X < uo ) = dx

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

La drive de la fonction de rpartition sappelle la densit de probabilit :

FX (x)
p X (x) =
x

CNAM ELE 103 D. Roviras 109


Probabilits
Variables alatoires discrtes et continues
Proprits de la densit de probabilit :

FX (x)
p X (x) = pX(u)
X : VA continue
x
pX(x) est une fonction positive ou nulle u

+
pX(u) X : VA discrte

p

X (x)dx = 1

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

X (x)dx = FX (uo )

x1

P( x0 X < x1 ) = p X (x)dx = FX ( x1 ) FX ( x0 )
x0

Probabilits
CNAM ELE 103 D. Roviras 110
Variables alatoires discrtes et continues
Exemple de densit de probabilit de VA :
X est uniformment rpartie entre -1 et +1. Cela veut dire que la probabilit est
identique quelque soit x sur -1/+1
Calculer la densit de probabilit de cette VA continue
Tracer la densit de probabilit
Vrifier les proprits de la densit de probabilit
Calculer et tracer la fonction de rpartition de la VA X
Calculer P(0<X<0.5)
Calculer P(X=0.5)

Exemple de densit de probabilit de VA :


X est uniformment rpartie entre -1 et +1
Y est uniformment rpartie entre -1 et +1
Z=X+Y
Calculer et tracer la fonction de rpartition de la VA Z
Calculer la densit de probabilit de la VA continue Z
Tracer la densit de probabilit
Vrifier les proprits de la densit de probabilit
Programme Matlab : ELE103_VA_1_et_2dim.m

CNAM ELE 103 D. Roviras 111


Probabilits
Exemple de VA continue
Loi Normale ou Gaussienne :

La loi normale est caractrise par une densit de probabilit symtrique en


forme de cloche :

pX(u)

uo
u

1 (u uo )
2 uo=moyenne
p X (u) = exp
= cart type
2 2 2
2 = variance

CNAM ELE 103 D. Roviras 112


Probabilits
Variables alatoires discrtes et continues
Loi Normale ou Gaussienne Programme Matlab : ELE103_TP_TS_Gauss
Signal 1 (b), Signal 2 (r)
0.4
Signal 1
Signal 2

0.35

Densit de probabilit de deux fonctions


0.3 Gaussiennes

0.25
Signal 1 : Gaussienne de moyenne 0 et
dcart type sigma = 1
0.2

0.15 Signal 2 : Gaussienne de moyenne 1 et


dcart type sigma = 2
0.1

0.05

0
-5 0 5 10

CNAM ELE 103 D. Roviras 113


Probabilits
Variables alatoires discrtes et continues
Loi Normale ou Gaussienne Programme Matlab : ELE103_TP_TS_Gauss

Trac temporel Signal 1 (b), Signal 2 (r)


20
Signal 2 Trac temporel des deux
Signal 1
signaux suivant une loi
15 Gaussienne

10

-5
0 500 1000 1500 2000 2500

Signal 1 : Gaussienne de moyenne 0 et Signal 2 : Gaussienne de moyenne 10 et


dcart type sigma = 1 dcart type sigma = 2
CNAM ELE 103 D. Roviras 114
Probabilits
Variables alatoires discrtes et continues
Loi Normale ou Gaussienne

+ + 1 (u uo )2
P( X > S ) = p X (u ) du = exp du

S S
2 2 2

u uo
Changement de variable : v =

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

v S uo
2
+ 1
P ( X > S ) = S u o exp dv = Q



2 2
CNAM ELE 103 D. Roviras 115
Probabilits
Variables alatoires discrtes et continues
Loi Normale ou Gaussienne
Q(z)

Loi Normale rduite


2.27 e-2

p( z ) =
1 1 2
exp z

3.17 e-5
2. 2

+ 9.87 e-10
Q( z ) = p(u). du
z

1.28 e-12
0 2 4 6 7 z
CNAM ELE 103 D. Roviras 116
Probabilits
Variables alatoires discrtes et continues
+
Loi Normale rduite 1 1
Q(z) = z 2 .
exp u 2 .du
2

z>0 Q(z) (voir table de la fonction Q(z))

0 z u

z<0
Q(z) (non tabule)

z 0 u
+ z
1 1 1 1
Q(z) =
z 2 .
exp u 2 .du = 1
2

2 .
exp u 2 .du =
2
+
1 1
= 1
z 2 .
exp u 2 .du = 1 Q ( z )
2
CNAM ELE 103 D. Roviras 117
Probabilits
Variables alatoires discrtes et continues
Loi Normale ou Gaussienne

Relations entre Q(z) et erfc(z)


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

1 z
Q ( z ) = .erfc
2 2

CNAM ELE 103 D. Roviras 118


Probabilits
Variables alatoires discrtes et continues

Histogramme et estimation de la densit de probabilit :

Soit une suite finie de points issus de la ralisation dune VA X


Suite = {x1 , x2 ,...., x N }
Xmin=valeur minimale de la suite de valeurs
Xmax=valeur maximale de la suite de valeurs

On partage le segment [Xmin, Xmax] en C classes quidistantes


On compte le nombre de valeurs dans chaque classe
On a une estimation de la densit de probabilit
Nombre de points dans la classe Valeurs entre Vi et Vi +1
= P (Vi X < Vi +1 ) p X (Vi ).
Nombre total de points Nombre total de valeurs
Avec = largeur dune classe = (Xmax-Xmin)/C
CNAM ELE 103 D. Roviras 119
Probabilits
Variables alatoires discrtes et continues

Histogramme et estimation de la densit de probabilit :

Xmax
C3

C2

C1
Xmin
1 2 3 4 5 . N

CNAM ELE 103 D. Roviras 120


Probabilits
Variables alatoires discrtes et continues
Exemple : histogramme dune VA Gaussienne :

Histogramme d'une Gaussienne avec 1000 points et 5 classes Histogramme d'une Gaussienne avec 1000 points et 100 classes
500 35

450
30
400

350 25

300
20
250

200 15

150
10
100

50 5

0
-4 -3 -2 -1 0 1 2 3 4 0
-4 -3 -2 -1 0 1 2 3 4

Trop peu de points pour lestimation de la densit de probabilit


Programme Matlab : ELE103_Illustration_Histogramme.m

CNAM ELE 103 D. Roviras 121


Probabilits
Variables alatoires discrtes et continues
Exemple : histogramme dune VA Gaussienne :
4
Histogramme d'une Gaussienne avec 100000 points et 100 classes
x 10 Histogramme d'une Gaussienne avec 100000 points et 5 classes 4000
7

3500
6

3000
5

2500
4
2000
3
1500

2
1000

1
500

0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4

Trop peu de classes pour lestimation Estimation correcte de la densit de


de la densit de probabilit probabilit

Programme Matlab : ELE103_Illustration_Histogramme.m

CNAM ELE 103 D. Roviras 122


Probabilits
Moments dune variable alatoire

Moyenne dune variable alatoire discrte :

Petit Jeu :
Pendant 50% du temps je gagne 1
Pendant 50% du temps je gagne -1.5 (en fait cest une perte de 1.5)
Combien vais-je gagner en moyenne ?

Solution du petit Jeu :


Combien vais-je gagner en moyenne : 0.5 x 1 + 0.5 x (-1.5) = -0.25

VA X : {x1 , x2 ,...., x N } avec les probabilits associes P( xi )


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

CNAM ELE 103 D. Roviras 123


Probabilits
Moments dune variable alatoire

Moyenne dune variable alatoire continue :

Soit X une VA continue caractrise par sa densit de probabilit pX(u)


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

Cette expression est aussi applicable aux VA discrtes

Lesprance dune VA est encore appel moment dordre 1 de la VA

+
Moment d ' ordre k = E ( X k ) = u k . p X (u )du

CNAM ELE 103 D. Roviras 124


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

1 avec un bonus de 10% = bonus(1) = 1.1


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

Soit X une VA continue caractrise par sa densit de probabilit pX(u)


Soit Y=f(X) une nouvelle VA

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

CNAM ELE 103 D. Roviras 125


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

1000g 1/g = 1000


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

Soit X une VA continue caractrise par sa densit de probabilit pX(u)


Soit Y=f(X) une nouvelle VA

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

CNAM ELE 103 D. Roviras 126


Probabilits
Moments dune variable alatoire
Moments dune fonction de VA :
Petit Jeu :
Dans 90% des recherches je trouve un diamant de 1 carat que je peux vendre 1/carat
Dans 10% des recherches je trouve un diamant de 100 carat que je peux vendre
100/carat
Combien vais-je gagner en moyenne pour chaque recherche ?

1 carat 1/carat = 1
100 carats 100/carat = 10000
Je gagne en moyenne pour chaque recherche : 0.9 x 1 + 0.1 x 10000 = 1000.9

Soit X une VA continue caractrise par sa densit de probabilit pX(u)


Soit Y=f(X) une nouvelle VA

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

CNAM ELE 103 D. Roviras 127


Probabilits
Exemple

Le Taux dErreur de Bit (TEB) lorsque le gain du canal est de 1 est donn par
lexpression suivante:

( )
TEB ( gain = 1) = Q 1 .SNR
2


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

TEB( gain = g ) = Q (g ) .SNR


2

CNAM ELE 103 D. Roviras 128


Probabilits
Exemple Programme Matlab : ELE103_TP_TS_Gauss

Fonction Q(z)
0
10

-1
10

-2
10

-3
10

-4
10

-5
10

-6
10

-7
10
1 1.5 2 2.5 3 3.5 4 4.5 5
CNAM ELE 103 D. Roviras 129
Probabilits
Exemple
Exemple :
g est une VA discrte qui prend trois valeurs : 0.5, 1 et 2
P(g=0.5)=0.25, P(g=1)=0.5, P(g=2)=0.25
Calculer le TEB pour g gal une constante de 1 et un SNR de 5dB
Calculer le TEB pour g qui suit la loi de la VA discrte et un SNR de 5dB

SNRdB = 10 log10 ( SNRlin ) Exemple :


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

SNRdB=5dB SNRlin=3.162


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

CNAM ELE 103 D. Roviras 130


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


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

( ) (
TEB( g = 2) = Q 2 .SNRlin = Q 4 . 3.162


2


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

= 0.25(0.187) + 0.5(0.0377) + 0.25(1.87 10 4 ) = 0.0653


CNAM ELE 103 D. Roviras 131
Probabilits
Exemple
g est une VA discrte qui prend trois valeurs : 0.5, 1 et 2
P(g=0.5)=0.25, P(g=1)=0.5, P(g=2)=0.25
TEB avec canal g=1 (b) et canal avec g variable (r)
0
10
Gain constant de 1
Gain variable

-1
10

-2
10

-3
10

-4
10
0 1 2 3 4 5 6 7 8 9 10

Programme Matlab : ELE103_Illustration_TEB_Canal_gain_variable


CNAM ELE 103 D. Roviras 132
Probabilits
Moments dune variable alatoire

Moments principaux dune VA :


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

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

CNAM ELE 103 D. Roviras 133


Probabilits
Moments dune variable alatoire
Sens physique des moments dune VA :

E(X)=X : Valeur moyenne = composante continue

[E(X)]2=X2 : Puissance de la composante continue

E(X2) : Puissance totale du signal

X-E(X) : Fluctuations autour de la composante continue

X2 = E([X-E(X)]2 ) : Puissance des fluctuations

E(X2)= X2 + X2 = P(composante continue)+P(fluctuations)


CNAM ELE 103 D. Roviras 134
Probabilits
Variables alatoires multidimensionnelles

Variable alatoire plusieurs dimensions (encore appel


vecteur de VA): Rsultat dpendant de plusieurs caractres
alatoires.

Exemple de VA discrte deux dimensions:


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

Exemple de VA continue deux dimensions:


VA X deux dimensions X1 et X2
X1 : taille
X2 : poids

CNAM ELE 103 D. Roviras 135


Probabilits
Variables alatoires multidimensionnelles

Caractrisation dune VA multidimensionnelle:


Fonction de rpartition
FX 1,.., Xn (u1 ,...., u n ) = P( X 1 < u1 ,...., X n < u n )

Densit de probabilit
n
p X 1,..., Xn (u1 ,...., un ) = FX 1,..., Xn (u1 ,...., u n )
u1u2 ...un

Proprits
FX1,..,Xn(u1,,un) : fonction non dcroissante et positive ou
nulle
FX 1,..., Xn ( ,...., ) = 0 FX 1,..., Xn (+ ,....,+ ) = 1
pX1,,Xn(u1,,un) : fonction positive ou nulle

CNAM ELE 103 D. Roviras 136


Probabilits
Variables alatoires multidimensionnelles
Exemple de VA multidimensionnelle:
Tracer la fonction de rpartition et la densit de probabilit de la VA suivante:
VA X deux dimensions X1 et X2
X1 : tirage dune pice en pile ou face (0 ou 1)
X2 : tirage dune pice en pile ou face (0 ou 1)

1
Fonction de rpartition :
1/2
1/2
1 1/4
0

0 1

X2
Densit de probabilit :
1
0 X1
0 1
CNAM ELE 103 D. Roviras 137
Probabilits
Variables alatoires multidimensionnelles

Exemple de VA multidimensionnelle:
Tracer la fonction de rpartition et la densit de
probabilit de la VA suivante:
VA X deux dimensions X1 et X2
X1 : tirage dun d six faces
X2 : tirage dune pice en pile ou face (0 ou 1)

Exemple de VA multidimensionnelle:
Tracer la fonction de rpartition et la densit de
probabilit de la VA suivante:
VA X deux dimensions X1 et X2
X1 : tirage dun d six faces
X2 : somme du tirage du premier d et dun second d

Programme Matlab : ELE103_VA_1_et_2dim.m

CNAM ELE 103 D. Roviras 138


Probabilits
Variables alatoires multidimensionnelles
Exemple de VA multidimensionnelle:
Tracer la densit de probabilit de la VA suivante:
VA X deux dimensions X1 et X2
X1 : Gaussienne de moyenne nulle et de variance un
X2 : Uniformment rpartie entre +1 et -1

Exemple de VA multidimensionnelle:
Tracer la densit de probabilit de la VA suivante:
VA X deux dimensions X1 et X2
X1 : Gaussienne de moyenne nulle et de variance un
X2 : Gaussienne de moyenne nulle et de variance un

Exemple de VA multidimensionnelle:
Tracer la densit de probabilit de la VA suivante:
VA X deux dimensions X1 et X2
X1 : Gaussienne de moyenne nulle et de variance un
X2 : Somme de X1 et dune autre Gaussienne de moyenne nulle et de variance un

Programme Matlab : ELE103_Illustration_VA_continues_2dim.m

CNAM ELE 103 D. Roviras 139


Probabilits
Variables alatoires multidimensionnelles
Exemple de VA multidimensionnelle:
X1 : Gaussienne de moyenne nulle et de variance un
X2 : Uniformment rpartie entre +1 et -1
Histogramme VA multidimensionnelle

600

400

100
200
80
0 60
100
80 40
60
40 20
Programme Matlab : 20
0 0
ELE103_Illustration_VA_continues_2dim.m

CNAM ELE 103 D. Roviras 140


Probabilits
Variables alatoires multidimensionnelles
Exemple de VA multidimensionnelle:
X1 : Gaussienne de moyenne nulle et de variance un
X2 : Gaussienne de moyenne nulle et de variance un

Histogramme VA multidimensionnelle

2000

1500

1000

500

0
100
100
80
50 60
Programme Matlab : 40
ELE103_Illustration_VA_continues_2dim.m 20
0 0

CNAM ELE 103 D. Roviras 141


Probabilits
Variables alatoires multidimensionnelles
Exemple de VA multidimensionnelle:
X1 : Gaussienne de moyenne nulle et de variance un
X2 : Somme de X1 et dune autre Gaussienne de moyenne nulle et de variance un
Histogramme VA multidimensionnelle

Programme Matlab :
ELE103_Illustration_VA_continues_2dim.m
2500

2000

1500

1000

500

0
100

50 100
80
60
40
0 20
0
CNAM ELE 103 D. Roviras 142
Probabilits
Variables alatoires multidimensionnelles
Exemple de VA multidimensionnelle:
X1 : Gaussienne de moyenne nulle et de variance un
X2 : Somme de X1 et dune VA uniformment rpartie entre +1 et -1
Programme Matlab :
Histogramme VA multidimensionnelle ELE103_Illustration_VA_continues_2dim.m
2500

2000

1500

1000

500

0
100

80

60

40

20

0
0 10 20 30 40 50 60 70 80 90 100

CNAM ELE 103 D. Roviras 143


Probabilits
Variables alatoires multidimensionnelles
Exemple de VA multidimensionnelle:
X 1 N (0,1) N (3,1)
X 2 = N (0,1) ou bien N (3,1)

Programme Matlab :
Histogramme VA multidimensionnelle ELE103_Illustration_VA_continues_2dim.m
1500

1000

500

0
100

80

60

40

20

0
0 10 20 30 40 50 60 70 80 90 100

CNAM ELE 103 D. Roviras 144


Probabilits
Variables alatoires multidimensionnelles

Lois de probabilits marginales :


2
p X 1, X 2 (u1 , u 2 ) = FX (u1 , u2 )
x1x2

VA continues VA discrtes
+ n
p X 1 (u1 ) = p X 1, X 2 (u1 , u2 )du2 p X 1 (u1 ) = PX 1, X 2 (u1 , ui )
i =1

+ m
p X 2 (u2 ) = p X 1, X 2 (u1 , u2 )du1 p X 2 (u2 ) = PX 1, X 2 (u j , u2 )
j =1

CNAM ELE 103 D. Roviras 145


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

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

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

Cxy
Coefficient de corrlation : XY =
XY
CNAM ELE 103 D. Roviras 146
Probabilits
Variables alatoires multidimensionnelles
Proprits :

E (aX + bY ) = a.E ( X ) + b.E (Y )

RXY = C XY + X Y

2
X +Y = + + 2.C XY
2
X
2
Y

CNAM ELE 103 D. Roviras 147


Probabilits
Indpendance de Variables alatoires

Deux variables alatoires sont dites indpendantes si la


connaissance dune VA napporte rien sur lautre VA
Pour des VA indpendantes on a :

p XY (u1 , u 2 ) = p X (u1 ). pY (u2 )


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

CNAM ELE 103 D. Roviras 148


Probabilits
Changement de variables
Soit X une VA continue caractrise par sa densit de probabilit pX(u)
alors la VA continue Y=f(X) a une densit de probabilit donne par :

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

pY (v1,..., vn) = J .[ p X 1.. Xn (u1,..., un)]u1,..,un = f 1 ( v1,...,vn )


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

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

CNAM ELE 103 D. Roviras 149


Probabilits
Changement de variables

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

Soit X une VA continue uniformment rpartie entre [-1, +1]. Calculer la


densit de probabilit de X2 et de X3

Soient X1 et X2 deux VA continues indpendantes et uniformment


rpartie entre [-1, +1]. Calculer la densit de probabilit de X1.X2

Soient X1 et X2 deux VA continues indpendantes caractrises par


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

Programme Matlab : ELE103_VA_chgt_var

CNAM ELE 103 D. Roviras 150


Probabilits
Changement de variables, Exemple, pdf de Y=X2
Soit X une VA continue uniformment rpartie entre [-1, +1]. Calculer la
densit de probabilit de X2

X
pY (v) = J .[ p X (u )] u = f 1 ( v ) = .[ p X (u )] u = f 1 ( v )
Y
X 1 1 1
Y = X 2 X = Y = Y 1/ 2 = 0.5 1/ 2 J = 0.5 1/ 2 = 0.5
Y Y v v
u v = u 2 u = + v et v
[ p X (u )] u = f 1 (v ) = [ p X (u )] u =+ v et v = 1 / 2 + 1 / 2 = 1

1
0.5 pour 0 v 1
pY (v) = v
0 ailleurs

CNAM ELE 103 D. Roviras 151


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

X 1 Y1 X 1 X 1
X 2 Y 2 = f =
X 2 X 1 + X 2
X 1 X 1

1 2 1 2
Y 1
pY 1Y 2 (v1 , v2 ) = J .[ p X 1 X 2 (u1 , u 2 )] (u ,u ) = f 1 ( v ,v ) = det
X 2
[
Y 2 . p
X 2 X 1 X 2 1 2
(u , u ) ] ( u1 ,u 2 ) = f 1 ( v1 ,v2 )

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


Y 1 Y 2

CNAM ELE 103 D. Roviras 152


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

pY 1Y 2 (v1 ,v 2 ) = 1. p X 1 X 2 (v1 , v2 v1 ) = p X 1 X 2 (v1 , v2 v1 )


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

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

+ +
= p

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

X1 (v1 ). p X 2 (v2 v1 )dv1

p X 1+ X 2 (v) = p X 1 (v) * p X 2 (v)

CNAM ELE 103 D. Roviras 153


Probabilits
Densit de probabilit dune somme de VA indpendantes

Si X1 et X2 sont deux VA indpendantes


caractrises par pX1(u) et pX2(v), alors la
densit de probabilit de la somme de ces
deux VA est gale la convolution des
deux densits de probabilit

p X 1+ X 2 (v) = p X 1 (v) * p X 2 (v)


CNAM ELE 103 D. Roviras 154
Probabilits
Changement de variables
X une VA continue uniformment X = VA continue uniformment
rpartie entre [-1 ,+1] et Y= 2.X+3 rpartie entre [-1, +1] et Y= X2

4 Histogramme VA X et Y
Histogramme VA X et Y x 10
8
6000 X VA unif rpartie entre [-1,+1]
X VA unif rpartie entre [-1,+1]
Y=2.X+3 Y=X.X
7
5000
6

4000
5

3000 4

3
2000

1000
1

0 0
-6 -4 -2 0 2 4 6 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Programme Matlab : ELE103_VA_chgt_var

CNAM ELE 103 D. Roviras 155


Probabilits
Changement de variables
X = VA continue
X et Y= VA continue uniformment
uniformment rpartie entre
rpartie entre [-1, +1] et Z= X.Y
[-1, +1] et Y= X3

4 Histogramme VA X et Y 4
x 10 x 10 Histogramme VA X et Z=X.Y
18
X VA unif rpartie entre [-1,+1] 3.5 X VA unif rpartie entre [-1,+1]
Y=X.X.X Z=X.Y
16
3
14
2.5
12

10 2

8
1.5

6
1
4

2 0.5

0 0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Programme Matlab : ELE103_VA_chgt_var

CNAM ELE 103 D. Roviras 156


Probabilits
Changement de variables

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


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

Histogramme VA X et Z=X+Y Histogramme VA X1 et Z=X1+X2+X3


6000 6000
X VA unif rpartie entre [-1,+1] X VA unif rpartie entre [-1,+1]
Z=X+Y Z=X1+X2+X3

5000 5000

4000 4000

3000 3000

2000 2000

1000 1000

0 0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -3 -2 -1 0 1 2 3

Programme Matlab : ELE103_VA_chgt_var

CNAM ELE 103 D. Roviras 157


Probabilits
Thorme de la limite centrale

La distribution statistique de la somme de n


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

Les bruits physiques sont souvent


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

CNAM ELE 103 D. Roviras 158


Probabilits
Thorme de la limite centrale

Signaux indpendants et uniformment rpartis entre -0.5 et +0.5


Somme de N=10 signaux (bleu)

Bruit rsultant de la somme des N signaux indpendants (b) et signal individuel (r) Histogramme de la somme des N signaux indpendants
3 12000

2 10000

1 8000

0 6000

-1 4000

-2 2000

-3 0
0 100 200 300 400 500 600 700 800 900 1000 -6 -4 -2 0 2 4 6

Programme Matlab : ELE103_Illustration_limite_centrale.m

CNAM ELE 103 D. Roviras 159


Probabilits
Thorme de la limite centrale

Signaux indpendants avec frquence et phase alatoire


Somme de N=10 signaux (bleu)

Bruit rsultant de la somme des N signaux indpendants et signal individuel (r) Histogramme de la somme des N signaux indpendants
6 8000

4 7000

6000
2

5000
0

4000
-2
3000

-4
2000

-6
1000

-8 0
0 100 200 300 400 500 600 700 800 900 1000 -10 -8 -6 -4 -2 0 2 4 6 8 10

Programme Matlab : ELE103_Illustration_limite_centrale.m

CNAM ELE 103 D. Roviras 160


Probabilits
Thorme de la limite centrale
Signaux indpendants avec suite de +1 et -1 alatoires
Somme de N=10 signaux (bleu)

Histogramme de la somme des N signaux indpendants


Bruit rsultant de la somme des N signaux indpendants et signal individuel (r)
6000
8

6
5000

4
4000
2

0 3000

-2
2000

-4

1000
-6

-8 0
0 100 200 300 400 500 600 700 800 900 1000 -10 -8 -6 -4 -2 0 2 4 6 8 10

Programme Matlab : ELE103_Illustration_limite_centrale.m

CNAM ELE 103 D. Roviras 161


Probabilits

Vous aimerez peut-être aussi