Lundi 07 juin 2021 Durée 2h00

Documents, ordinateur, tablette et calculatrice autorisés

Attention, seule la consultation des pdf sur ordinateur ou tablette est autorisée.
La consultation d’internet ou d’une messagerie électronique entrainera l’exclusion
immédiate du candidat.

EXAMEN DE TRAITEMENT STATISTIQUE DU SIGNAL

INGE 1
(Sébastien MAIZY)

Le sujet est composé de 20 questions (sous la forme d’un QCM).

Toutes les questions valent 1 point ce qui fait un total de 20 points.

VOUS RENDREZ UNIQUEMENT CETTE PAGE COMPLETEE EN NE METTANT QUE LA

LETTRE CORRESPONDANTE A LA REPONSE DE CHAQUE QUESTION !

ATTENTION : Ne répondez pas au hasard car une réponse fausse est sanctionnée
d’un malus pour compenser le biais lié au hasard. Le malus est de – 1/3, ce qui fait
que trois réponses fausses enlèvent une réponse juste.

NOM : CLASSE :

PRENOM :

SUJET 000
EXERCICE 1 EXERCICE 2

Question Question Question Question Question Question Question Question

1 2 3 4 1 2 3 4

EXERCICE 3 EXERCICE 4

Question Question Question Question Question Question Question Question

1 2 3 4 1 2 3 4

EXERCICE 5

Question Question Question Question

1 2 3 4

1
Lundi 07 juin 2021 Durée 2h00
Documents, ordinateur, tablette et calculatrice autorisés

EXAMEN DE TRAITEMENT STATISTIQUE DU SIGNAL

INGE 1
(Sébastien MAIZY)

EXERCICE 1

Soient X1 et X 2 , deux variables aléatoires, dont on connait les moments d’ordre un et deux
suivants :

 E  X1  = 1 E X 2  = 4
     1 
  E X1 X 2  = 3
E  X 2  = 2 E  X 2  = 8
2

  

 X1 
On définit le vecteur aléatoire X =  .
X2 

On définit les variables aléatoires Y1 et Y2 de la manière suivante (avec a et b deux

paramètres réels) :

 X1  X 2
Y1 =
a

Y =
X1 + b X 2
 2 a

 Y1 
On définit le vecteur aléatoire Y =   .
 2
Y

Question 1 : Calculer la matrice d’auto-covariance  X .

 4 3 3 1 
a)  X =   b)  X =  
 3 8 1 4

 4 1 3 3 
c)  X =   d)  X =  
 1 8 3 4 

2
Question 2 : Quelle valeur doit avoir le paramètre b pour que les variables aléatoires Y1 et
Y2 soient indépendantes

3 5
a) b =  b) b =
4 4

4 4
c) b =  d) b =
5 3

Question 3 : Quelle valeur doit avoir le paramètre a pour que la variable aléatoire Y1 soit de
variance unitaire (égale à 1) ?

a) a = 3 b) a = 2

c) a = 9 d) a = 2

Question 4 : Avec les valeurs calculées lors des questions précédentes, en déduire le
vecteur moyenne m Y du vecteur aléatoire Y .

1  3 
a) m Y =  5  b) m Y =  3 
   
 1  5 

3  1 
c) m Y =  5  d) m Y =  1 
   
 3  5 

3
EXERCICE 2

Soit le bruit blanc discret centré x  n  de variance unitaire.

On définit le signal y  n  = x  n  + b x  n  1

1
On définit ensuite le signal z  n  en filtrant le signal y  n  par le filtre H  z  = avec
1 + a z 1
a 1

Question 1 : Calculer la fonction d’autocorrélation  y  k  du signal y  n 

1 + b2 si k=0 1 si k=0
 
a)  y  k  =  b si k =1 b)  y  k  = b si k =1
 0 0 sinon
 sinon 

1 + b2 si k = 0 1 si k = 0
c)  y  k  =  d)  y  k  = 
 0 sinon 0 sinon

Question 2 : En déduire la puissance Py du signal y  n 

a) Py = 1 b) Py = 1 + b

c) Py = 1 + b2 d) Py = 1 + b + b2

Question 3 : Calculer la densité spectrale de puissance Sy   du signal y  n 

a) Sy   = 1 + b2 b) Sy   = 1

c) Sy   = 1 + 2b cos  2   
d) Sy   = 1 + b2 + 2b cos  2 

Question 4 : Calculer la densité spectrale de puissance Sz   du signal z  n 

a) Sz   =
1
b) Sz   =
1 + b  + 2b cos  2 
2

1 + a 
2
+ 2a cos  2 
1 + a  + 2a cos  2 
2

1 + b2 1 + 2b cos  2 
c) Sz   = d) Sz   =
1 + a 2  + 2a cos  2  1 + a  + 2a cos  2 
2

4
EXERCICE 3

Soit le bruit blanc centré   n  de variance unitaire.

On définit le signal aléatoire discret suivant :

1
x n =  x  n  1 +   n   a   n  1 avec 0 < a < 1
a

Question 1 : Calculer la densité spectrale de puissance S   de   n 

1 b) S   = 1 + 2 cos  2 
a) Sz   =
1 + 2 cos  2 

c) S   =    d) S   = 1

Question 2 : Quel est le nom du modèle de x  n 

a) AR d’ordre 1 b) MA d’ordre 1

c) ARMA d’ordre 1 d) Pas de nom

Question 3 : Calculer la densité spectrale de puissance Sx   de x  n 

a) Sx   = a 2 b) Sx   = 1

1 d) Sx   = 1 + a 2 + 2a cos  2 
c) Sx   =
1 + a + 2a cos  2 
2

Question 4 : En déduire la variance  x du signal x  n 

2

a)  x = 1 b)  x = a 2
2 2

c)  x = 1 + a 2 1
2
d)  x =
2

1 + a2

5
EXERCICE 4

On observe un signal x  n  sur N points  0  n  N  1 .

Question 1 : On modélise le signal de la manière suivante :

x n = a +  n

Avec   n  qui représente le bruit de modélisation.

Proposer une estimation du paramètre a en utilisant la méthode des moindres carrés

a) â = x  n     n  b) â = x  n 

1 N 1 1 N 1
c) â =  x n
N n=0
d) â =   n
N n=0

Question 2 : On modélise le signal de la manière suivante :

x n = a  n +  n

Avec   n  qui représente le bruit de modélisation.

Proposer une estimation du paramètre a en utilisant la méthode des moindres carrés

N 1 N 1

 x n
n=0
 n x n
n=0
a) â = N 1
b) â = N 1

n
n=0
2
n
n=0
2

1 N 1 1 N 1
c) â =  x n
N n=0
d) â =  n x n
N n=0

Question 3 : On modélise le signal de la manière suivante :

x  n  = a  n +   n 

Avec   1 qui est un paramètre connu et   n  qui représente le bruit de modélisation.

Proposer une estimation du paramètre a en utilisant la méthode des moindres carrés

6
 N 1 N 1
a) â = 1       n x n     x n
b) â = 1   2  n

n=0 n=0

1   N 1 n 1   2 N 1 n
c) â =    x n d) â =    x n
1 N n = 0 1   2N n = 0

Question 4 : On modélise le signal de la manière suivante :

x  n  = a  n + b   n +   n 

Avec   1 et   1 , qui sont deux paramètres connus et   n  qui représente le bruit de

modélisation.

Proposer une estimation des paramètres a et b en utilisant la méthode des moindres carrés
Attention, la première matrice dans les solutions proposées est inversée (exposant – 1).

1
 1   2N 1    
N
 N 1 n 

 â   1   2 1   
    x  n 
  N 1 
n=0
a)   =  
 b̂  1     
N
1   2N 
   x  n 
n

 1   1   2  n = 0 


1
 1 N 1    
N
 N 1 n 

 â   1   1   
    x  n 
  N 1 
n=0
b)   =  
 b̂  1     
N
1  N 
   x  n 
n

 1   1    n = 0 

1
 1 1   N 1 n 
 â   1   1       x  n 
c)   =     N 1 
n=0
ˆ  
b  1 1 
   x  n 
n
1   1   
 n = 0 

1
 1 1   N 1 n 
 â   1   2 1       x  n 
d)   =     N 1 
n=0
ˆ
b  1 1   
   x  n 
n
1   1   2 
 n = 0 

7
EXERCICE 5

On observe un signal bruité y  n  = x  n  +   n 

  n  représente un bruit additionnel indépendant de x  n  de variance connue  

2

Le but de l’exercice est de débruiter le signal observé y  n  pour estimer x̂  n 

Question 1 : x  n  est modélisé par un bruit blanc centré de variance connue  x

2

Pour estimer x̂  n  on utilise un filtrage de Wiener.

Comme x  n  est un bruit blanc, le filtre de Wiener se résume à un filtre RIF d’ordre Q = 0 :

x̂  n  = h 0 y  n 

Calculer la valeur de h 0

1 N 1
 yn
a) h 0 = 1
b) h 0 =
N n=0

N 1
 x2
 x n y n
n=0
d) h 0 =
 x2 +  2
c) â = N 1

 yn
2

n=0

Question 2 : x  n  est modélisé par un modèle autorégressif d’ordre P = 1

x  n  =  a x  n  1 +   n 

Le coefficient autorégressif a est connu.

  n  est un bruit blanc de variance  2 connue

Quel algorithme peut-on utiliser pour débruiter y  n  et estimer x̂  n  ?

a) Levinson b) Yule-Walker

c) Filtre de Kalman d) Réseau de neurones

Question 3 : x  n  est toujours modélisé par un modèle autorégressif d’ordre P = 1 , mais

dont le coefficient autorégressif évolue dans le temps :

x  n  =  a  n  x  n  1 +   n 

8
L’évolution du paramètre autorégressif a  n  est connue.
  n  est un bruit blanc de variance  2 connue

Quel algorithme peut-on utiliser pour débruiter y  n  et estimer x̂  n  ?

a) Levinson b) Yule-Walker

c) Filtre de Kalman d) Réseau de neurones

Question 4 : Comment s’appelle l’opération qui consiste à estimer un signal x̂  n  à partir

d’une observation y  n  ?

a) Modélisation de système b) Problème inverse

c) Modélisation de signal d) Classification