diff --git a/455-Codage_Sources/Cours/chap2.tex b/455-Codage_Sources/Cours/chap2.tex
index e6380d4..b9b3ccf 100644
--- a/455-Codage_Sources/Cours/chap2.tex
+++ b/455-Codage_Sources/Cours/chap2.tex
@@ -171,6 +171,15 @@ On peux aussi tracer la courbe distortion- débit (R= f(D))
 
 On considère une source $X$ décrite par sa ddp $f_X(x)$, quantifiée par un quantificateur uniforme à $M$ niveaux de pas $\Delta$. Si $M$ est fini on peux considérer deux type de quantificateur:
 
+\paragraph{Exercice}
+  \begin{enumerate}
+  \item Générer N réalisation d'une source Gaussienne $\mathcal{N}(0,1)$.
+  \item Implanter un quantificateur uniforme sans zone morte et la fonction de reconstruction associée.
+  \item Faire de Meme pour un quantificateur avec zone morte.
+  \item Tracer dans les deux cas la courbe débit distorsion en supposant que les index de quantification sont codées à l'aide d'un codeur entropique.
+  \end{enumerate}
+
+
 \begin{figure}[H]
   \centering
   \begin{subfigure}{0.5\textwidth}
@@ -182,13 +191,15 @@ On considère une source $X$ décrite par sa ddp $f_X(x)$, quantifiée par un qu
       xtick={-2,-1,1,2},
       ytick={-1.5,-0.5,0.5,1.5},
       xticklabels={$-2\Delta$,$-\Delta$,$\Delta$,$2\Delta$},
-      yticklabels={$-3\frac{\Delta}{2}$,$\frac{\Delta}{2}$,$\frac{\Delta}{2}$,$3\frac{\Delta}{2}$},
+      yticklabels={$\frac{-3\Delta}{2}$,$\frac{-\Delta}{2}$,$\frac{\Delta}{2}$,$\frac{3\Delta}{2}$},
+      x tick label style={font=\tiny},
+      y tick label style={font=\tiny,anchor=center,xshift=-(sign(\ticknum-1.5))*1em},
       ]
-      \addplot[black, jump mark left]coordinates {(-2,-1.5)
+      \addplot[black, jump mark left,thick]coordinates {(-2,-1.5)
         %(-1,-1.5)
       (-1,-0.5)
       (0,0.5)
-      (1,1.5) (3,1.5)};
+      (1,1.5) (2,1.5)};
     \end{axis}
   \end{tikzpicture}
   \subcaption{Quantificateur sans zone morte}
@@ -202,16 +213,16 @@ On considère une source $X$ décrite par sa ddp $f_X(x)$, quantifiée par un qu
       xtick={-3,-2,-1,1,2,3},
       ytick={-2.5,-1.5,1.5,2.5},
       xticklabels={$-d-2\Delta$,$-d-\Delta$,$-d$,$d$,$d+\Delta$,$d+2\Delta$},
-      yticklabels={$-d-3\frac{\Delta}{2}$,$-d-\frac{\Delta}{2}$,$d+\frac{\Delta}{2}$,$d+3\frac{\Delta}{2}$},
-      x tick label style={yshift={mod(\ticknum,2)*1.5em}},
-      y tick label style={xshift={3em}}
-      ]
+      yticklabels={$-d-\frac{3\Delta}{2}$,$-d-\frac{\Delta}{2}$,$d+\frac{\Delta}{2}$,$d+\frac{3\Delta}{2}$},
+      x tick label style={font=\tiny},
+      y tick label style={anchor=center,font=\tiny,xshift=-(sign(\ticknum-1.5))*2em}]
       \addplot[black,thick, jump mark left]coordinates {(-3,-2.5)
         %(-1,-1.5)
         (-2,-1.5)
         (-1,0)
-      (1,0.5)
-      (2,1.5) (3,2.5)};
+      (1,1.5)
+      (2,2.5)
+      (3,2.5)};
     \end{axis}
   \end{tikzpicture}
   \subcaption{Quantificateur avec zone morte}
@@ -226,14 +237,43 @@ On cherche à minimiser la distorsion
 
 \begin{align*}
 D &= \underbracket{\int_{-\infty}^{(-M/2+1)\Delta} (x-Q(x))^2f_X(x)dx }_{\text{distorsion de surcharge}}\\
-  &+ \underbracket{\sum_{i=1}^{M-2} \int_{-\frac{M}{2}\Delta+i\Delta}^{-\frac{M}{2}\Delta+(i+1)\Delta}}_{\text{distorsion de granularité}} (x-Q(x))^2f_X(x)dx \\
+  &+ \underbracket{\sum_{i=1}^{M-2} \int_{-\frac{M}{2}\Delta+i\Delta}^{-\frac{M}{2}\Delta+(i+1)\Delta} (x-Q(x))^2f_X(x)dx}_{\text{distorsion de granularité}} \\
   &+\underbracket{\int_{(\frac{M}{2}-1)\Delta}^{+\infty} (x-Q(x))^2f_X(x)dx}_{\text{distorsion de surcharge}}\\
 \end{align*}
 
-Pour M fixé on a :
+On peux bornée l'erreur de quantification au centre entre $\frac{-\Delta}{2}$ et $\frac{\Delta}{2}$à l'extérieur l'erreur n'est pas bornée:
+Pour $M$ fixé on a:
+\begin{figure}[H]
+  \centering
+  \begin{tikzpicture}
+    \begin{axis}
+      [axis lines=middle,
+      xmin=-0.5, xmax=6,ymin=-0.5,ymax=3,
+      xlabel=$\Delta$,ylabel=$D$,
+      ytick={2},yticklabels={$\sigma_X^2$},
+      xtick={2.95},xticklabels={$\Delta_{opt}$},
+      domain=0:6]
+      \addplot[red,smooth, no marks]{8/(x+2)^2};
+      \addlegendentry{surcharge}
+      \addplot[green,smooth, no marks]{1/(-x+6)};
+      \addlegendentry{granularité}
+      \addplot[blue,smooth,no marks,tension=1]coordinates{(0,2) (3.5,1) (6,4)};
+      \addlegendentry{total}
+      \addplot[dotted,black]coordinates{(2.95,0)(2.95,0.9)};
+    \end{axis}
+  \end{tikzpicture}
+  \caption{Evolution de la distorsion en fonction du pas de quantification}
+\end{figure}
 
 
+\subsection{Quantification non uniforme}
 
+On considère une source $X$ à valeur réelle $\mathcal{X} =\R$ décrite par une ddp $f_X(x)$. On chercje à quantifier cette source à l'aide d'un quantificateur non uniforme sur $M$ niveau décrit par:
+\begin{itemize}
+\item $M+1$ bornes des intervalles de quantification $b_0=\infty < b_1 < ... <b_M=+\infty$
+\item $M$ valeurs de reconstruction $y_1 ... y_M$.
+\end{itemize}
+On choisit les paramètres de quantificateur de manière à minimiser une distorsion construite à partir d'une mesure quadratique.
 
 Les conditions nécessaires pour avoir $D$ minimale sont :
 \begin{itemize}
@@ -247,20 +287,28 @@ Les conditions nécessaires pour avoir $D$ minimale sont :
 & = - 2 \int_{b_{i-1}}^{b_i} (x-y_i) f_X(x) dx
 \intertext{Ainsi,}
 \derivp[D]{y_i} = 0 & \Leftrightarrow \int_{b_{i-1}}^{b_i} xf_X(x)dx = y_i \int_{b_{i-1}}^{b_i} f_X(x)dx \\
-& \Rightarrow y_i = \frac{\int_{b_{i-1}}^{b_i} xf_X(x)dx}{\int_{b_{i-1}}^{b_i} f_X(x)dx}, \quad i = 1 \dots M
+& \Rightarrow\boxed{ y_i = \frac{\int_{b_{i-1}}^{b_i} xf_X(x)dx}{\int_{b_{i-1}}^{b_i} f_X(x)dx}, \quad i = 1 \dots M}
 \intertext{2ème condition d'optimalité}
-\derivp[D]{b_i} & = \derivp{}{b_i} \int_{b_i}^{b_{i+1}} (x-y_{i+1})^2f_X(x)dx + \derivp{}{b_i}\int_{b_{i-1}}^{b_i} (x-y_i)^2 f_X(x)dx \\
+\derivp[D]{b_i} & = \derivp{b_i} \int_{b_i}^{b_{i+1}} (x-y_{i+1})^2f_X(x)dx + \derivp{b_i}\int_{b_{i-1}}^{b_i} (x-y_i)^2 f_X(x)dx \\
 & = -(b_i-y_{i+1})^2 f_X(b_i) + (b_i-y_i)^2 f_X(b_i)
 \intertext{Ainsi, }
 \derivp[D]{b_i} = 0 & \Leftrightarrow -(b_i-y_{i+1})^2 + (b_i-y_i)^2 = 0 \\
 & \Leftrightarrow (y_{i+1}-y_i)(b_i-y_{i+1}+b_i-y_i) = 0 \\
-& \Leftrightarrow b_i = \frac{y_i+y_{i+1}}{2}, \quad i=1 \dots M-1
+& \Leftrightarrow \boxed{b_i = \frac{y_i+y_{i+1}}{2}, \quad i=1 \dots M-1}
 \end{align*}
-
-\subsection{Quantification non uniforme}
+\begin{prop}
+Les bornes des intervalles de quantification sont au milieu de deux valeurs de reconstructions consécutives.
+\[
+b_i = \frac{y_i+y_{i+1}}{2}, \quad i=1 \dots M-1
+\]
+et les valeurs de reconstructions optimales vérifient:
+\[
+  \hat{y_i}= E[\{X|X\in[b_i,b_{i+1}]\}] =  \frac{\displaystyle\int_{b_{i-1}}^{b_i} xf_X(x)dx}{\displaystyle\int_{b_{i-1}}^{b_i} f_X(x)dx}
+\]
 
 
-\subsection{Algorithme de Lloyd -Max}
+\end{prop}
+\subsubsection{Algorithme de Lloyd -Max}
 \begin{enumerate}
 \item Initialisation : $b_0^{(0)} < b_1^{(0)} < \dots < b_n^{(0)}$ choisis arbitrairement, $k=1$.
 \item $y_i^{(k)}$ obtenus à partir des $b_i^{(k-1)}, i=0 \dots M$ en utilisant la 1ère condition d'optimalité
@@ -293,8 +341,8 @@ La plupart du temps, les quantifications sont uniformes (JPEG, JPEG200, H264...)
 \end{rem}
 
 
-\section{Comportement asymptotique}
-Pour étudier le comportement asymptotique d'un quantificateur, on suppose $M$ grand (les intervalles de quantification seront petits), $f_X(x) \approx f_X(y_i)$ sur $[b_{i-1},b_i]$. On note $\Delta_i = b_i - b_{i-1}$.\\
+\subsubsection{Comportement asymptotique}
+Pour étudier le comportement asymptotique d'un quantificateur non uniforme, on suppose $M$ grand (les intervalles de quantification seront petits), $f_X(x) \approx f_X(y_i)$ sur $[b_{i-1},b_i]$. On note $\Delta_i = b_i - b_{i-1}$.\\
 
 On a \[P_i = Pr(X\in[b_{i-1},b_i]) \approx f_X(y_i)\Delta_i\]
 
@@ -310,7 +358,7 @@ D & = \frac{1}{12} \sum_{i=1}^M \alpha_i^3
 \intertext{Si on calcule}
 \sum_{i=1}^M \alpha_i & = \sum_{i=1}^M (f_X(y_i))^{1/3} \Delta_i \approx \int_{-\infty}^{+\infty} (f_X(x))^{1/3} dx = cste
 \intertext{On doit trouver les $\Delta_i$ et les $\alpha_i$ qui minimisent $D$ sous la contrainte $\sum_{i=1}^M \alpha_i = C$. On introduit donc le Lagrangien du problème :}
-L(\alpha_1,\dots\alpha_M,\lambda) & = \frac{1}{12}\sum_{i=1}^M\alpha_i^3 + \lambda (\sum_{i=1}^M \alpha_i - C)
+L(\alpha_1,\dots\alpha_M,\lambda) & = \frac{1}{12}\sum_{i=1}^M\alpha_i^3 + \lambda \left(\sum_{i=1}^M \alpha_i - C\right)
 \intertext{Condition d'optimalité :}
 \derivp[L]{\alpha_i} = 0 & \Rightarrow \frac{1}{4}\alpha_i^2 + \lambda = 0, \quad i = 1 \dots M \\
 & \Rightarrow \alpha_i^2 = -4\lambda
@@ -323,19 +371,31 @@ On avait $\alpha_i^3 = f_X(y_i) \Delta_i^3$. Ainsi, si $f_X(y_i)$ est grand, $\D
 
 On peut donc calculer la distorsion :
 \begin{align*}
-D & = \frac{1}{12} \sum_{i=1}^M \frac{1}{M^3}(\int_{-\infty}^{+\infty} (f_X(x))^{1/3}dx)^3 \\
-& = \frac{1}{12} (\int_{-\infty}^{+\infty} (f_X(x))^{1/3}dx)^3.\frac{1}{M^2}
+D & = \frac{1}{12} \sum_{i=1}^M \frac{1}{M^3}\left(\int_{-\infty}^{+\infty} (f_X(x))^{1/3}dx\right)^3 \\
+& = \frac{1}{12} \left(\int_{-\infty}^{+\infty} (f_X(x))^{1/3}dx\right)^3.\frac{1}{M^2}
 \intertext{Or, $M=2^R$ d'où}
-D & = \frac{1}{12}(\int_{-\infty}^{+\infty} (f_X(x))^{1/3}dx)^3.2^{-2R}
+D & = \frac{1}{12}\left(\int_{-\infty}^{+\infty} (f_X(x))^{1/3}dx\right)^3.2^{-2R}
 \end{align*}
 
-\begin{rem}
+\begin{prop}
 Comme pour la quantification uniforme, on a une décroissance en $2^{-2R}$ de la distorsion en fonction du débit. Ici, il y a un facteur multiplicatif qui dépend de la ddp de la source.
 
-Pour une source quelconque, le comportement débit / distorsion sera :
-\[ \boxed{ D(R) = \epsilon_X \sigma_X^2 2^{-2R} \text{ avec } \epsilon_X = \frac{1}{12\sigma_X^2}(\int_{-\infty}^{+\infty} (f_X(x))^{1/3}dx)^3 } \]
+Pour une source quelconque de variance $\sigma_X^2$ le comportement débit / distorsion sera :
+\[ \boxed{ D(R) = K \sigma_X^2 2^{-2R} \text{ avec } K = \frac{1}{12\sigma_X^2}(\int_{-\infty}^{+\infty} (f_X(x))^{1/3}dx)^3 } \]
+Soit un rapport signal sur bruit:
+\[
+  RSB = \frac{\sigma_X^2}{D} = K . 2^{2R}
+\]
+\end{prop}
+
+\begin{rem}
+  Pour une source Gaussienne centrée on peux calculer $K$ et on a:
+  \[
+    D = \sigma^2 2^{-2R}
+  \]
 \end{rem}
 
+
 \section{Quantification vectorielle}
 \begin{defin}
   Un quantificateur vectoriel pour une source $\vec{X}\in\R^n$ est défini: