ECOLE NATIONALE POLYTECHNIQUE

Département Electronique. Traitement du Signal

Séries d’exercices : ‘’Signaux aléatoires’’
Exercice 1 :
La fonction d’autocorrélation d’un signal est donnée par :
Γ(τ)= 1 N0δ(τ)
2
Ce type de signal est appelé bruit blanc. On suppose que ce signal est l’entrée d’un filtre passe bas idéal dont la
fonction de transfert est donnée par :

H(f)

-fc-B/2 -fc -fc+B/2 fc-B/2 fc fc+B/2

Déterminer la puissance du bruit à la sortie du filtre.

Exercice 2 :
Considérons le système suivant :
1
y( n) = [ x( n + k ) + x( n + k − 1) + α x( n + k − 2)]
2
où k est un paramètre entier ainsi que α . Ce système est excité par un bruit blanc stationnaire, de moyenne m=4 et
de variance σ 2 =1. En déduire la moyenne et la variance du signale de sortie.

Exercice 3 :
Trouver la fonction de corrélation des signaux y1 et y2 en fonction de h1(t), de h2(t) et de la fonction de corrélation
des signaux x1 et x2 pour les systèmes suivants :

x1 y1
h1(t)

x2 y2
h2(t)

Exercice 4 :

Un signal aléatoire a une fonction d’autocorrélation donnée par

− 2| τ|
R ( τ) = 16 e . τ) + 9
cos(314
Trouver la valeur moyenne, l’énergie et la variance ainsi que la fréquence de la composante périodique. Tracer
R( τ) pour τ compris entre -4 et 4 seconds.

Exercice 5 :
On Considère l’observation
X (t ) = S (t ) + V (t ) ,
S(t) et V(t) sont des signaux aléatoires, stationnaires au second ordre, centrés et indépendants. Les densités
spectrales de puissance moyenne de S(t) et V(t) sont respectivement,
1
γ ss ( f ) = et γ vv ( f ) = 3 .
1+ 4 f 2

t +α
Soit Y (t ) = ∫ S (u) du avec t ∈ℜ et α ∈ℜ + . On se propose de calculer le filtre qui estime Y(t) à
t
partir de X(t).

X(t) Y (t )
H(f)
 1. Montrer que
+∞
α
E[Y (t ) X (t − τ )] = ΓYX (τ ) = ∫ Π α (u + 2 ) Γ
−∞
SS (τ − u)du ,

 α
1 | u| ≤
dans cette expression, ΓSS (τ ) est la fonction d’autocorrélation de S(t) et Π α (u) =  2 .
α
0 | u| >
 2

2. Calculer γ YX ( f ) (la densité spectrale de puissance moyenne d’interaction de Y(t) avec X(t) ).
3. Déterminer le gain complexe H(f) du filtre qui estime Y(t) à partir de X(t).
4. En déduire la réponse impulsionnelle de ce filtre.

Exercice 6 :
Soit le signal aléatoire à temps continu :
X ( t ) = A exp( 2πjf0t )
A : variable aléatoire de valeur quadratique moyenne E[ A 2 ] . On échantillonne X(t) à la période Te et l’on pose :
ν 0 = f0 Te
1. Quelle condition doit vérifier ν0 pour que l’échantillonnage respecte la condition de Shannon ?
Dorénavant cette condition sera supposée remplie
Soit Y1 ( n ) = X ( nTe ) : le signal échantillonné. Calculer en fonction de ν0 et E[ A 2 ] :
2. La fonction d’autocorrélation ΓY1 ( k ) de Y1 ( n) .
3. La d.s.p. en fréquences normalisées SY1 ( ν) de Y1 ( n) .
Exercice 7 :
On appelle gigue (Jitter en anglais) les erreurs aléatoires qui s’introduisent dans la valeur de la période
d’échantillonnage. Dans ce modèle de gigue, le n-ième instant d’échantillonnage est :
Tn = n Te + ∆ n
Te : valeur certaine de la période d’échantillonnage
∆ n : variable aléatoire décrivant les erreurs.
On appellera P∆ n (δ n ) la densité de probabilité d’amplitude de ∆ n et l’on se place dans le cas où ∆ n est
équipartie sur [ −∆ 0 , ∆ 0 ] soit :
1 T
P∆ n (δ n ) = W2 ∆ 0 (δ n ) avec ∆ 0 < e
2∆ 0 2
T T
et WT ( u) = 1 pour u ∈[ − , ] , 0 ailleurs.
2 2
Les variable aléatoires ∆ n1 et ∆ n 2 décrivant les erreurs aux instants Tn1 et Tn2 sont statistiquement
indépendantes. Il s’ensuit que, quelles que soient les fonctions f(.) et g(.) :
E[ f ( ∆ n1 ) g( ∆ n 2 )] = E[ f ( ∆ n1 )] E[ g( ∆ n 2 )]
pour n1 ≠ n2 . Enfin les variables aléatoires A et ∆ n sont statistiquement indépendantes.
Le signal échantillonné est :
Y2 ( n) = X(Tn ) = X( nTe + ∆ n )

1. Calculer ΓY2 ( 0) autocorrélation de Y2 ( n) pour k = 0 .

2. Calculer ΓY2 ( k ) pour k ≠ 0 .
3. Montrer que :
ΓY2 ( k ) = α ΓY1 ( k ) + β δ ( k ) , δ( k ) = 1 si k=0; 0 sinon. Donner α et β .
4. En déduire la d.s.p. de Y2 ( n) : SY2 ( ν) .