République Algérienne démocratique et populaire Ministère de l’enseignement supérieur et

de la recherche scientifique

Université Mouhamed El Bachir El Ibrahim

Faculté des sciences et de la Technologie

Département d’Electronique

systèmes de télécommunication

signaux aléatoires et processus stochastiques

SAIDANI ADEL

SG 4.01

2020/2021
 I. Tp1

Objectif de tp :
Calcule de la densité de probabilité et La fonction de répartition
des signaux aléatoire
I. Introduction

Dans des domaines très différents comme les domaines scientifiques,

sociologique ou médical, on s’intéresse à de nombreux phénomènes
dans lesquels apparaît l’effet du hasard. Ces phénomènes sont
caractérisés par le fait que les résultats des observations varient
d’une expérience à l’autre.
Les fonctions déterministes étudiées jusqu’ici permettent de décrire
les signaux certains dont la forme est
parfaitement connue. C’est le cas par exemple pour un signal émis
en radar ou en sonar actif dont la forme est
choisie pour obtenir certaines propriétés (codes permettant
d’améliorer la résolution des mesures de distance,
de Doppler. . . ). Mais la plupart des signaux proviennent de
capteurs qui mesurent des niveaux avec une certaine
incertitude qui peut être liée :
— au capteur lui même : bruit de mesure, bruit “électronique”. . . La
tension délivrée par un micro n’est par
exemple jamais vraiment nulle, même en l’absence de source sonore.
— à des variations de la grandeur physique mesurée dues à des
phénomènes imprévisibles : bruit ambiant,
sources parasites. . . Un micro utilisé en extérieur enregistre
inévitablement un ensemble de variations de
pression autre que le signal recherché : bruit de fond, vent, sources
fortes dans des directions insuffisamment atténuées. . .
— au manque de connaissance sur le signal recherché : en sonar
passif, le “bruit” rayonné par les bâtiments
permet de les détecter bien que la forme du signal soit complètement
inconnue.
Pour décrire ce type de signaux, on utilise les fonctions aléatoires
II. Partie 1: Génération des variables aléatoires

rand (): crée des nombres aléatoires uniformes ("avec

remplacement") dans l'intervalle (0,1) exclusif. ...

randn (): crée un nombre aléatoire sur la distribution normale

M = mean (A) renvoie la moyenne des éléments de A le long de la

première dimension du tableau dont la taille n'est pas égale à 1. Si A
est un vecteur, alors mean (A) renvoie la moyenne des éléments. Si A
est une matrice, alors mean (A) renvoie un vecteur ligne contenant la
moyenne de chaque colonne.
 III. Partie 02: Les lois de probabilité
I. La loi normale :

pd=normpdf(x,moy,sigma);

La fonction MATLAB normpdf donne la fonction de densité de

probabilité normale. Si X est un vecteur, alors la commande normpdf
(X, mu, sigma) calcule la densité normale avec les paramètres mu et
sigma à chaque valeur de X. La commande normpdf (X) calcule la
densité normale standard à chaque valeur de X.

cd = normcdf (x)

renvoie la fonction de distribution cumulative (cdf) de la distribution

normale standard, évaluée aux valeurs de x. cd = normcdf (x, mu)
renvoie le cdf de la distribution normale avec moyenne mu et écart-
type unitaire, évalué aux valeurs en x
 II. La loi uniforme :

pd = unifpdf (x)

renvoie la fonction de densité de probabilité (pdf) de la distribution

uniforme standard, évaluée aux valeurs de x.

pd = unifpdf(x,moy,sigma)

returns the pdf of the continuous uniform distribution on the interval

[moy,sigma], evaluated at the values in x.

p = unifcdf (x, moy,sigma)

renvoie le cdf uniforme à chaque valeur de x en utilisant le point

final inférieur (minimum), moy et le point final supérieur (maximum),
sigma. x, moy et sigma peuvent être des vecteurs, des matrices ou
des tableaux multidimensionnels qui ont tous la même taille. Une
entrée scalaire est développée en une matrice constante avec les
mêmes dimensions que les autres entrées.
IV. La loi de Poisson :

La distribution de Poisson est une famille de courbes à un paramètre

qui modélise le nombre de fois qu'un événement aléatoire se produit.
Cette distribution est appropriée pour les applications qui impliquent
de compter le nombre de fois qu'un événement aléatoire se produit
dans une durée, une distance, une zone, etc. données. tout en valeurs
entières
 V. La loi exponentielle 

pd = exppdf (x, lamda)

renvoie le pdf de la distribution exponentielle avec la moyenne mu,
évaluée aux valeurs de x.
cd = expcdf(x,lamda)
returns the cdf of the exponential distribution with mean mu,
evaluated at the values in x.
VI. La loi de Rayleigh

la loi de Rayleigh, ou distribution de Rayleigh, est une loi de

probabilité à densité. Elle apparaît comme la norme d'un vecteur
gaussien bi-dimensionnel dont les coordonnées sont indépendantes,
centrées et de même variance.
VII. La loi de Chi-2 :

p = chi2cdf(x,nu)
renvoie la fonction de distribution cumulative (cdf) de la distribution
du chi carré avec degrés de liberté nu, évaluée aux valeurs de x.

y = chi2pdf(x,nu)
renvoie la fonction de densité de probabilité (pdf) de la distribution
du chi carré avec nudegrés de liberté, évaluée aux valeurs de x.
VIII. La loi rice :

Noncentral chi-square probability density function

 II. Tp2: calculi de la dsp et identification des systems

Objectif de tp :

-Analyse les estimateurs de la densité spectrale de puissance (DSP)

-Identifier des systèmes en utilisant le procédé de corrélation
linéaire et circulaire

I. Calcul de la densité spectral de puissance (DSP)

Generation du signal

f=100;fe=1000 ;t=0:1/fe:1.5;
s=cos(2*pi*f*t);

ajoute du bruit

sb=awgn(s,-20);
-20dB
Additive white gaussian noise
 IX. La méthode du periodogram

Le périodogramme est une méthode d’estimation de la densité

Spectrale de puissance d’un signal.

Cette méthode permet de calculer rapidement la densité spectrale de

puissance d’un signal échantillonné de durée finie, même s’il est
périodique.
Cet estimateur est biaisé et présente une variance non nulle.
periodogram(s,[],[],fe,'twosided');

periodogram(sb,[],[],fe,'twosided');

on peut utiliser " periodogram(sb,[],[],fe,'onesided');

" pour voir un côté de la densité spectrale
 X. La méthode de welch

Cette méthode a été proposée par Peter D. Welch en 1967. Le biais

de l'estimation est diminué en moyennant temporellement. Elle est à
comparer à la méthode de Bartlett où on utilise les propriétés
d'ergodicité du signal avec des moyennes statistiques. La méthode de
Welch, comme la méthode de Bartlett, utilise une estimation du
spectre du périodogramme ; dans les deux cas, on réduit le bruit aux
dépens de la résolution en fréquence.

L’estimation est diminué en moyennant temporellement

pwelch(s,[],[],[],fe,'twosided');

pwelch est l’instruction pour calculer par la methode de welch

 II. Partie 2: Identification des systèmes par corrélation
I. Corrélation linéaire
Cette corrélation est très souvent réduite à la corrélation linéaire
entre variables quantitatives, c’est-à-dire l’ajustement d’une
variable par rapport à l’autre par une relation affine obtenue par
régression linéaire. Pour cela, on calcule un coefficient de
corrélation linéaire1, quotient de leur covariance par le produit de
leurs écarts types. Son signe indique si des valeurs plus hautes de
l’une correspondent « en moyenne » à des valeurs plus hautes ou
plus basses pour l’autre. La valeur absolue du coefficient, toujours
comprise entre 0 et 1, ne mesure pas l’intensité de la liaison mais la
prépondérance de la relation affine sur les variations internes des
variables. Un coefficient nul n’implique pas indépendance, car
d’autres types de corrélation sont possibles.
x=ones(1,100);
rx=xcorr(x);

x est un signal rect ou bien echelon de 100 valeurs

l’instruction xcorr(x) permet de calculer la Corrélation linéaire
 III. Corrélation circulaire

x1=cos(2*pi*10*t);
rx1=fftshift(real(ifft((fft(x1)).*conj(fft(x1)))));
en utilisant la partie réelle et la partie imaginaire avaec l’instruction
fftshift pour calculer la correlation circulaire