Eléments de correction des exercices de

BTS

Maurice Charbit

1 Echantillonnage
Exercice 1
Comme 300 > Fe /2 = 250, il y a du repliement et le signal reconstruit contient 3 raies : 50, 100 et 200.

Exercice 2
Il faut effectuer un filtrage dans la bande (−2000, 2000) avant de prendre un échantillon sur 2.

Exercice 3
On note X − (f ) (cf X + (f )) la partie de X(f ) dans les fréquences négatives (respectivement positives). Pour
éviter il faut choisir fe de telle sorte les k-ème et (k + 1)-ème translatées de X − (f ) ne recouvrent pas X + (f ),
soit :
−fm + kfe < fm et − fM + (k + 1)fe > fM
et donc choisir fe dans les plages définies par :
2fM 2fm
< fe <
k+1 k
2fM 2fm
où k désigne un entier tel que cette relation puisse être vérifiée et donc que k+1 < k , soit

fm
k<
fM − f m
Evidemment pour k = 0 on retrouve fe > 2fM .

Exercice 4
1. F = 0.36 × 8000 = 2880Hz.
2. F = 2880 + kFe .

2 Signaux à temps discret

Exercice 1
1. H(1/z) = h0 +h1 z+· · ·+hM −1 z M −1 = z M −1 (hM −1 +. . . ) du fait que h(n) = h(M −n), H(1/z) = z M −1 H(z).
Si H(z0 ) = 0 alors H(1/z0 ) = 0 et donc il y a des zéros des deux côtés du cercle unité.
2. H(e2jπf ) = 2ejπ(M −1)f /2 (h0 cos(π(M − 1)f /2) + . . . ). Sa phase est donc Φ(f ) = jπ(M − 1)f /2 ± π (±π est
lié au signe du terme entre parenthèses qui peut être positif ou négatif.).

Exercice 2
1. Le filtre g(n) est passe-bas autour de f0 = 3000/8000 = 2/8. Par conséquent G(e2jπf ) = H(e2jπ(f −f0 ) ) +
H(e2jπ(f +f0 ) ) et donc g(n) = 2h(n) cos(2πf0 n).
2. 2/8 en fréquence réduite soit 2000Hz.

1
Exercice 3
1. H(z) = (1 − 2z −1 )/(1 − 2ρz −1 + ρ2 z −2 ) avec z tel que le cercle unité appartienne au domaine de convergence,
soit |z| > ρ si ρ < 1 et |z| < ρ si ρ > 1.
2. La causalité impose que le domaine de convergence soit de la forme |z| > c et donc ici que ρ < 1.
3. RII.
4. Non car le zéro est en z0 = 2. Il faut remplacer (1 − z0 z −1 ) par (z −1 − z0∗ ). Et donc Hm (z) = (z −1 − 2)/(1 −
2ρz −1 + ρ2 z −2 ) avec le même domaine de convergence.
5. Décomposer Hm (z) en éléments simples et utiliser le développement classique de 1/(1 − u) pour |u| < 1.

Exercice 4
1. (1 − az −1 )/(z −1 − a∗ ) est de module 1 pour |z| = 1. Pn Pn
2. h(n) = q(n)−aq(n−1) et g(n) = q(n−1)−a∗ q(n). Par conséquent n1 |h(n)|2 − n1 |g(n)|2 = (1−|a|2 )|q(n)|2 .
Et donc si |a| < 1, ²(n0 ) ≥ 0 pour tout n0 . L’énergie dissipée par le filtre(H(z) à phase minimale est plus grande.
Pour n0 = ∞ ²(n0 ) = 0.

Exercice 5
1. si les zéros sont distincts, H contient 2M fonctions qui ne varient que par la position des zéros et qui ont
toutes même module sur le cercle unité. Celui à phase minimale est celui qui a tous ses zéros à l’intérieur du
cercle unité.
2. comme les signaux sont causaux, y(0) = lim¯z→∞ H(z)X(z). En notant a, ¯avec |a| < 1, un zéro du filtre
à phase minimale on a donc |ym (0)| = |y(0)| ¯limz→∞ (1 − az −1 )/(z −1 − a∗ )¯ = |y(0)|/|a|. En conséquence
|ym (0)| > |y(0).

Exercice 6
1. Causal et stable ssi les racines de z 2 + a1 z + a2 à l’intérieur du cercle unité.
2.
1 (1 + a2 ) + 2a1 z −1 + (1 + a2 )z −2
G(z) = (1 + A(z)) =
2 2(1 + a1 z −1 + a2 z −2 )
G(z) s’annule sur le cercle unité. Par conséquent ce filtre rejette la fréquence réduite f = arccos(−a 1 /(1+a2 ))/2π.

Exercice 7
1. filtre RII. Comme les pôles sont dans les basses fréquences ce filtre est un pase-bas.
2.Il faut mettre les deux zéros sur le cercle unité à la fréquence réduite f0 = 350/1000.

Exercice 8
Dans l’exo, X(z) est noté X2 (z) et X1 (z) est l’entrée de la deuxième cellule.
1.
z −1
· ¸ · ¸· ¸
X2 (z) k X1 (z)
= 2
U2 (z) 1 k2 z −1 U2 (z)

2.
z −1 z −1
· ¸ · ¸· ¸· ¸
X2 (z) k k1 Y (z)
= 2
U2 (z) 1 k2 z −1 1 k1 z −1 Y (z)
Et donc X2 (z) = (k1 k2 + z −1 + k2 z −1 + k1 z −2 )Y (z). Le filtre est causal et stable si les racines du polynôme
sont à l’intérieur du cercle unité.
La suite de l’exercice se déduit simplement de l’équation matricielle.

Exercice 9
1. évident.
2. notons u(n) = 2ré(y(n)) = y(n) + y ∗ (n) et donc U (k) = Y (k) + Y ∗ (−k) = 2X(k) puisque X(k) = X ∗ (−k).
Et donc u(n) = x(n).

Exercice 10
1.
N −1
X 1 − e−2jπ(f −f0 )N sin(π(f − f0 )N )
X(e2jπf ) = A e−2jπ(f −f0 )n = A =A
n=0
1 − e−2jπ(f −f0 ) sin(π(f − f0 ))

2
La résolution est liée à la largeur du lobe principal et est donc de l’ordre de 1/N .
2.
N
X −1
Xh (e2jπf ) = AC e−2jπ(f −f0 )n wh (n)
n=0
PN −1
En f = f0 il vient AC n=0 wh (n) = A soit C = 1/... Le lobe principal est à présent de largeur double mais
les lobes secondaires sont plus bas. Il y a donc un compromis.
3. La précision est 1/L soit en fréquence Fe /L.
4. Pour la fenêtre rectangulaire qui a son sixième lobe secondaire à −30dB il faut prendre pour la largeur du
lobe principal 1/6 de la résolution R = 2/Fe = 1/50 soit R/6 = 2/N soit N = 600 points.
Pour la fenêtre de Hamming qui a son premier lobe secondaire à −40dB il suffit de prendre pour la largeur
du lobe principal la résolution R = 2/Fe = 1/50 = 2/N soit N = 100 points.
Pour avoir une précision de B = 0.5 Hz, il faut prendre 1/L = Fe /B soit 200 points. En pratique on prendra
L = 256.
Exercice 11
1. voir littérature.
2. gain de calcul de l’ordre de L/ log2 (L) ≈ 100.
3. On pose x(k) = a(k) + jb(n). Avec des notations évidentes X(n) = A(n) + jB(n) (attention A(n) et B(n)
ne sont pas les parties réelles y(k) = j(A(k) − jB(k)) donc Y (n) = j(A(n) + jB(n)).
Exercice 12 PN −1
1. on obtient w(n) = k=0 u(k)v(n − k) où les indices sont calculés modulo N .
2. On prend la réponse impulsionnelle finie h(n) de longueur L que l’on complète par 2N − L zéros (en général
on prend pour 2N une puissance de 2). On en calcule la TFD (par un algorithme de fft). On obtient H(k).
Ensuite on prend successivement des blocs du signal d’entrée x(n) de longueur 2N sur lesquels on effectue
une TFD. On obtient X(k). On multiplie terme à terme par H(k) puis on en prend la TFD inverse. On obtient
une suite de 2N termes dont les 2N − L premiers correspondent à un bloc du signal de sortie du filtre. Au
bloc suivant il faut effectuer un recouvrement entre les blocs d’entrée sur L valeurs. En pratique si on prend
N = L. on a deux fft de longueur 2N soit 2 × 2N log 2 (2N ) opérations d’addition-multiplication (on néglige ici
les 2N multiplications) pour calculer N points de sortie. Un calcul direct nécessite N × N opérations d’addition-
multiplication. Le gain est donc d’environ N/2 log 2 (N ). Pour N = 128 il vient un gain de 128/14 ≈ 8.
Exercice 13
1. Y (e2jπf ) =
P P
PM −1 m y(m) exp(−2jπmf ) = m x(mM ) exp(−2jπmf ). Mais rappelons que : p(n) =
(1/M ) k=0 exp(2jπknM ) = 1 pour n = 0 modulo M . Et donc :
X
Y (e2jπf ) = x(n)p(n) exp(−2jπnM f )
m
M
X −1 X
= (1/M ) x(n) exp(2jπknM ) exp(−2jπnM f )
k=0
M
X −1
= (1/M ) X(exp(2jπ(f − r)M ))
r=0

2. Si M = 2, il vient 2Y (e2jπf ) = X(e2jπf ) + X(e2jπ(f −1) ). On a deux termes un ”dilaté par un facteur 2” et
un ”translaté de 1”. Par conséquent il y a du repliement.
3. Pour l’éviter il faut préalablement filtré dans la bande (−1/4, 1/4). Ce filtre est dit demi-bande.
Exercice 14
1. En utilisant Poisson
+∞
P+∞ X
n=+∞ Y (f − 4nB) = (4B)−1 y(n) exp(−2jπnf 4B)
n=+∞
+∞ +∞
X 1 X
= (4B)−1 x(n) exp(−2jπnf 2B) = X(f − 2nB)
n=+∞
2 n=+∞

2. Pour obtenir la suite des échantillons à la cadence double, on peut (1) intercaler des zéros, (2) effectuer un
filtrage passe-bas de gain complexe 2 dans la bande (−1/4, 1/4) et 0 ailleurs.

3
Exercice 15
A faire.

Exercice 16
1. C(z) = (1 − z −M )/(1 − z −1 = (1 + z −1 + · · · + z −(M −1) . Le filtre est équivalent à un RIF de réponse
impulsionnelle h(n) = 1 pour n ∈ {0, . . . , N − 1} et 0 sinon.
2. C(e2jπf ) possède un lobe principal de largeur 2/M et des lobes secondaires dont le premier est à −13dB.
C’est une sorte de passe-bas mais beaucoup moins sélectif que le filtre passe-bas idéal nécessaire à l’opération
de sous-échantillonnage.
3. Il suffit de vérifier que, de façon générale, la cascade filtre H(z M ) suivi d’une décimation de M est équivalente
à la cascade décimation par M suivie du filtre H(z).

Exercice 17
Voir le cours.

Exercice 18
1.

2Y (z) = [G0 (z)H0 (z) + G1 (z)H1 (z)] X(z) +

[G0 (−z)H0 (z) + G1 (−z)H1 (z)] X(−z)
= T (z)X(z) + A(z)X(−z)

La reconstruction parfaite est assurée lorsque Y (z) = z −r X(z). On en déduit les deux conditions :

2T (z) = G0 (z)H0 (z) + G1 (z)H1 (z) = 2z −r

2A(z) = G0 (−z)H0 (z) + G1 (−z)H1 (z) = 0

2. Une première solution consiste pour annuler A(z) à imposer a priori que :

H0 (z) = G1 (−z) et H1 (z) = −G0 (−z) (1)

L’autre condition devient alors :

H0 (z)G0 (z) − G0 (−z)H0 (−z) = 2z −1 (2)

Si H0 (z) et G0 (z) sont deux polynômes en z −1 , l’équation ?? s’écrit α(z) − α(−z) = 2z −r , où on a posé
α(z) = H0 (z)G0 (z). Dans α(z) − α(−z) seuls restent les coefficients de degré impair de α(z). Par conséquent,
les coefficients d’ordre impair de α(z) doivent tous être nuls, sauf celui de degré r. Cela implique d’ailleurs que
r est impair. Il faut ensuite factoriser α(z) = H0 (z)G0 (z). Les deux contraintes ?? étant toujours supposées
satisfaites, deux solutions simples apparaissent :
–On impose que G0 (z) = G1 (−z). Si on passe aux TFTD, il vient G0 (e2jπf ) = G1 (e2jπ(f −1/2) ). Comme les
filtres sont réels, cette expression implique que les réponses en fréquence des deux filtres ont une symétrie
“miroir” par rapport à la fréquence 1/4. On dit que l’on a affaire à un banc de filtres QMF (pour Quadrature
Mirror Filters). Malheureusement il y a très peu de solutions et elles ne sont pas sélectives. En effet, en
portant G0 (z) = G1 (−z) dans la première expression de ??, à savoir H0 (z) = G1 (−z), on a G0 (z) = H0 (z).
En portant dans ??, il vient :
H02 (z) − H02 (−z) = 2z −r
Pour que cette condition soit satisfaite, H0 (z) ne doit pas avoir plus de deux coefficients non nuls. Ce qui
s’écrit H0 (z) = h0 z −k0 + h1 z −k1 . Par identification il vient :

4h0 h1 z −(k0 +k1 ) = 2z −r

et donc k0 et k1 sont quelconques à condition que la somme soit impaire, par exemple k 0 = 0 et k1 = 1,√et
h0 h1 = 1/2. En imposant que les filtres soient à phase linéaire, et donc que h0 = h1 , il vient h0 = h1 = 1/ 2.

4
3 Signaux aléatoires
Exercice 1
2 2
1. £ On note Xc (n) = X(n) − mx le processus centré. On a alors : σX (τ ) = E [X(n + τ ) − X(n)] =
2
¤
E (Xc (n + τ ) − Xc (n)) . Soit :
2
σX (τ ) = E [(Xc (n + τ ) − Xc (n))(Xc (n + τ ) − Xc (n))] = 2(RX (0) − RX (τ ))
2
Comme RX (τ ) est maximum maximorum à l’origine, −RX (0) = RX (τ ) = RX (0) et donc σX (τ ) =≤ 4RX (0).
Une borne plus fine pour les faibles valeurs de τ peut être obtenue de la façon suivante : R X (0) − RX (τ ) =
RB RB
−B
(1 − e2jπf τ )SX (f )df = −B (1 − cos(2πf τ ))SX (f )df puisque Sx (f ) est paire. Et donc RX (0) − RX (τ ) =
RB RB RB
−B
2 sin2 (πf τ )SX (f )df = −B Sx(f )2π 2 f 2 τ 2 df = 2π 2 B 2 τ 2 − −B SX (f )df et donc σX
2
(τ ) ≤ 4π 2 B 2 τ 2 RX (0).
L’inégalité de Tchebischev, appliquée à la variable aléatoire centrée Y = X(n + τ ) − X(n), a pour forme :
2
∀² > 0, P[|X(n + τ ) − X(n)| > ²)] ≤ σX (τ )/²2 ≤ 4π 2 B 2 τ 2 RX (0)/²2
La probabilité pour que X(n + τ ) s’écarte de X(n) (de plus de ²) mesure la ”ressemblance” entre deux valeurs
séparées d’un intervalle de temps τ . Plus cette probabilité est faible, plus la ressemblance est forte et donc cette
ressemblance est d’autant plus forte : (i) que l’intervalle entre les deux instants observés est petit (τ faible) (ii)
que le processus aléatoire contient de la puissance dans les fréquences basses et donc contient des variations
faibles (B petit). (iii) que l’amplitude des fluctuations est faible (Puissance R X (0) petite).
Exercice 2
On note Xc (n) = X(n) − mx le processus centré. D’après l’inégalité de Schwarz pour tout k, on a
2
|E [(Xc (n + k + T0 ) − Xc (n + k))Xc (n)]| ≤ E |Xc (n)|2 E |Xc (n + k + T0 )|2 − Xc (n + k)|2
£ ¤ £ ¤

= 2Rx (0)(Rx (0) − Rx (T0 )) = 0

et donc E [(Xc (n + k + T0 ) − Xc (n + k))Xc (n)] = 0. En développant cette expression on obtient Rx (n + T0 ) =
Rx (n). La fonction d’autocovariance est donc périodique de période T0 . Sa distribution spectrale charge des
”raies” de Dirac régulièrement espacées de T0 .
Exercice 3
à faire
Exercice 4
E [y(n)y ∗ (p)] = E [(A exp(2jπf0 n) + b(n))(A exp(−2jπf0 p) + b ∗ (p))]. En développant et en utilisant que b(n)
est un bruit blanc centré, il vient : E [y(n)y ∗ (p)] = A2 exp(2jπf0 (n − p)) + σ 2 δn,p . On en déduit que :
N −1 N −1
1 X X 2
E [PN (f )] = A exp(2jπ(f0 − f )(n − p)) + σ 2 δn,p
N n=0 p=0
¯2
A2 ¯¯ sin(πN (f − f0 )) ¯¯
¯
= + σ2
N ¯ sin(π(f − f0 )) ¯
Dans la détection d’une sinusoı̈de dans du bruit blanc, quand N augmente, le maximum N A 2 ”jaillit” du bruit
σ2 .
Exercice 5
fait en cours
Exercice 6
On prend comme estimateur du processus aléatoire réel centré x(t) à l’instant t, le prédicteur x̂(t) = a 1 x(t −
2
1)£+ · · · + ap x(t¤ − p). On suppose
£ connuPRpx (k). Minimisons¤ l’erreur quadratique moyenne définie par e =
2 2 2
E |x(t) − x̂(t)| . Il vient e = E |x(t) − k=1 ak x(t − k)| . En annulant le gradient par rapport à a1 , . . . , ap
on obtient :
Rx (0) Rx (1) ··· Rx (p − 1)
 
 ..    
 Rx (1) Rx (0) Rx (1) .  a1 Rx (1)
..
 
 .. .. ..   a2   Rx (2) 
  = 
. . . .  .. ..
 

 ..  .ap .R x (p)
 . Rx (1) 
Rx (p − 1) Rx (p − 2) ··· Rx (1) Rx (0)

5
Exercice 7
1. fE = 8kHz.
2.On sait (voir exercice suivant) que (S/B) ≈ 6N = 48dB. Et donc le bruit dû à la quantification est de 48dB
en dessous de la puissance du signal. Ce qui donne 10 log 10 (S/B) = 48 donc (S/B) = 63000. La puissance du
bruit dû à la quantification est donc de 0.16 mW.

Exercice 8
En adoptant la règle des 3σ qui garantit une absence d’écrêtage avec une probabilité de 95%, on prend A ≈ 3σ
et donc la puissance du signal gaussien est donnée par S = A2 /9. Si on dispose de N bits le pas de quantification
uniforme est q = 2A/2N . Comme le bruit de quantification est supposé uniforme sa puissance est donnée par
B = q 2 /12. Et donc
A2 12 × 22N 1
(S/B) = = 22N
9 4A2 3
et donc en décibel :
(S/B) = 6N − 4.8
Il faut retenir que l’on gagne en pratique 6dB par bit de codage supplémentaire.

Exercice 9
à faire

Exercice 10
à faire

Exercice 11
1. h(n) = 1/N pour n ∈ {0, . . . , N − 1} et zéro ailleurs.
2. H(e2jπf ) = (1/N ) exp(jπ(N − 1)f ) sin(N πf )/ sin(πf ).
3. Sx (e2jπf ) = 1 − cos(2πf ) = 2 sin2 (πf )
4. Sy£(e2jπf¤) = |H(e2jπf )|2 .
5. E y(n)2 = 1/N 2 .
6. si x(n) est gaussien alors, par transformation linéaire, y(n) gaussien. Comme y(n) est centré, on a :
p
pY (y) = N/2π exp(−N 2 y 2 /2)

Exercice 12
1. E [X(n)] = E [A cos(2πf0 n + Φ)] = 0. Rx (k) = E [X(n + k)X(n)] = A2 cos(2πf0 k) +
E [cos(2πf0 (2n + k)) + 2Φ]. En notant que Φ est uniforme sur (−π, π), il vient Rx (k) = A2 cos(2πf0 k).
2. E [Y (n + k)B(n)] = E [(X(n + k) + B(n + k))B(n)]. Comme X(n) et B(n) sont non corrélés pour tout couple
d’instants et que B(n) est centré et blanc, il vient E [Y (n + k)B(n)] = σ 2 δ(k).
3. E [Y n] = 0. E [Y (n + k)Y (n)] = E [(X(n + k) + B(n + k))(X(n) + B(n))]. En développant il vient : R y (k) =
A2 cos(2πf0 k) + σ 2 δ(k).
4. Calculons Ry (k − 1) et Ry (k + 1). Il vient Ry (k − 1) = A2 cos(2πf0 (k − 1)) + σ 2 δ(k − 1). De même
Ry (k + 1) = A2 cos(2πf0 (k + 1)) + σ 2 δ(k + 1). En additionnant on obtient Ry (k − 1) + Ry (k + 1) =
2A2 cos(2πf0 k) cos(2πf0 ) + σ 2 (δ(k + 1) + δ(k − 1)). En notant que A2 cos(2πf0 k) = Ry (k) − σ 2 δ(k), on a
Ry (k + 1) + aRy (k) + bRy (k − 1) = δ(k + 1) + aδ(k) + bd(k − 1) où a = −2 cos(2πf0 ) et b = 1.
5. En utilisant l’équation précédente pour k = −1, k = 0 et k = 1 et en utilisant que R y (k) = Ry (−k), il vient
R[1 a 1]T = σ 2 [1 a 1]T . Le vecteur [1 a 1] est donc le vecteur propre de R associé à la valeur propre σ 2 . Comme
le problème est de trouver la sinusoı̈de la plus proche de l’échantillon observé y(n), on peut déduire a et par
conséquent f0 du vecteur propre associé à la plus petite valeur propre de R.