import TD du drive
Pierre-antoine Comby
5 years ago
parent
45afaf066f
commit
5ba8134c8d
@ -0,0 +1,197 @@
|
||||
\documentclass[main.tex]{subfiles}
|
||||
\begin{document}
|
||||
\subsection*{Optimisation d'un laminoir}
|
||||
|
||||
\begin{enumerate}
|
||||
\item Y désigne la longueur de barres perdue, qui est de X (la totalité de la barre) si la barre est trop courte, ou de X-l si la barre est trop longue.
|
||||
\[
|
||||
Y = \left\{
|
||||
\begin{array}{ll}
|
||||
X & \text{ si } X < l \\
|
||||
X-l & \text{ si } X >l
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
m_Y & = E_Y[Y] = E_X[Y] \\
|
||||
& = \int_0^lxf_X(x)dx + \int_l^{\infty} (x-l)f_X(x)dx \\
|
||||
& = \int_0^{\infty} xf_X(x)dx - \int_l^{\infty}lf_X(x)dx \\
|
||||
m_Y & = m_X - l\int_l^{\infty}f_X(x)dx
|
||||
\end{align*}
|
||||
|
||||
\item On suppose que X est une variable aléatoire gaussienne, alors \[f_X(x) = \frac{1}{\sigma_X\sqrt{2\pi}}e^{-\frac{(x-m_X)^2}{2\sigma_X^2}} \]
|
||||
\begin{itemize}
|
||||
\item $m_X$ représente la moyenne de $X$, c'est-à-dire la valeur sur laquelle la gaussienne est centrée
|
||||
\item $\sigma_X$ représente la dispersion des valeurs autour de $m_X$. En effet, à $m_X \pm \sigma_X$, on a $f_X(x) = 0.6\frac{1}{\sigma_X\sqrt{2\pi}}$.
|
||||
\begin{align*}
|
||||
\int_{m_X-\sigma_X}^{m_X+\sigma_X} f_X(x)dx = 0.68 \\
|
||||
\int_{m_X-2\sigma_X}^{m_X+2\sigma_X} f_X(x)dx = 0.95 \\
|
||||
\int_{m_X-3\sigma_X}^{m_X+3\sigma_X} f_X(x)dx = 0.99
|
||||
\end{align*}
|
||||
\end{itemize}
|
||||
Le modèle est valable si la probabilité d'avoir des événements "non-physiques" reste faible, c'est-à-dire si $m_X-3\sigma_X > 0$ de sorte à ce que $P(X<0) < 0.5 \%$.
|
||||
|
||||
\item Sans contrainte sur l'intervalle de variation de $m_X$, une condition nécessaire à l'obtention d'un minimum $m_X^{opt}$ est $\frac{dm_Y}{dm_X} = 0$.
|
||||
\begin{align*}
|
||||
\frac{dm_Y}{dm_X} & = 1 - l\int_l^{+\infty} \frac{\partial f_X(x,m_X)}{\partial m_X}dx \\
|
||||
&\quad \text{Or, on a ici une gaussienne, donc } \frac{\partial f_X}{\partial m_X} = - \frac{\partial f_X}{\partial x} \\
|
||||
\frac{dm_Y}{dm_X} & = 1 + l\int_l^{\infty} \frac{df_X(x,m_X)}{dx}dx \\
|
||||
& = 1 + l(f_X(+\infty)-f_X(l)) = 1 - lf_X(l) \\
|
||||
\text{Ainsi, } \frac{dm_Y}{dm_X} & = 0 \quad \Leftrightarrow \quad f_X(l) = \frac{1}{l}
|
||||
\end{align*}
|
||||
|
||||
\begin{align*}
|
||||
f_X(l) = \frac{1}{l} & \Leftrightarrow 1 = \frac{l}{\sqrt{2\pi}\sigma_X}e^{-\frac{1}{2}(\frac{x-m_X}{\sigma_X})^2} \\
|
||||
& \Leftrightarrow m_X = l \pm \sigma_X\sqrt{-2\ln\frac{l}{\sqrt{2\pi}\sigma_X}} \text{ avec } l > \sqrt{2\pi}\sigma_X
|
||||
\end{align*}
|
||||
|
||||
Pour qu'il s'agisse d'un minimum, il faut que $\frac{d^2m_Y}{d^m_X} > 0$.
|
||||
\begin{align*}
|
||||
\frac{d^2m_Y}{d^m_X} & = -l \frac{df_X(l)}{dm_X} \\
|
||||
& = \frac{-l}{\sqrt{2\pi}\sigma_X^3}(l-m_X)e^{-\frac{1}{2}(\frac{x-m_X}{\sigma_X})^2} \\
|
||||
\text{ et on obtient } \frac{d^2m_Y}{d^m_X}|_{m_X+} & > 0 \text{ et } \frac{d^2m_Y}{d^m_X}|_{m_X-} & < 0
|
||||
\end{align*}
|
||||
|
||||
Le minimum de $m_Y$ est donc bien atteint pour $m_{Xopt} = l + \sigma_X\sqrt{-2\ln\frac{l}{\sqrt{2\pi}\sigma_X}}$
|
||||
|
||||
\item Application numérique : \\
|
||||
\[ m_X = 1 + 0,01\sqrt{2\ln\frac{1}{\sqrt{2\pi}0,01}} = 1,027 m \]
|
||||
Remarque : on obtient $l \approx l + 3\sigma_X$, donc le modèle est valable, en accord avec la question 4.
|
||||
\end{enumerate}
|
||||
|
||||
\subsection*{Changement de variable aléatoire}
|
||||
\begin{enumerate}
|
||||
\item Traçons l'évolution de la VA $Y$ en fonction de $X$ : \\
|
||||
\begin{tikzpicture}
|
||||
|
||||
\draw [>=latex,<->] (8,0) node[right]{$x$} -- (0,0) -- (0,5) node[left]{$y$};
|
||||
|
||||
\draw [dashed] (0,0) -- (2,2);
|
||||
\draw [dashed] (3,3) -- (5,5) node[right]{$y=x$};
|
||||
\draw (2,2)-- (3,3);
|
||||
|
||||
\draw[dashed] (4,1) -- (6,3) node[right]{$y=x-l$};
|
||||
\draw (3,0) -- (4,1);
|
||||
|
||||
\draw[dashed] (0,2) node[left]{$l-\Delta$} -- (2,2) -- (2,0) node[below]{$l-\Delta$};
|
||||
\draw[dashed] (0,3) node[left]{$l$} -- (3,3) -- (3,0) node[below]{$l$};
|
||||
\draw[dashed] (4,1) -- (4,0) node[below]{$l+\Delta$};
|
||||
|
||||
\draw[dashed,blue] (-0.5,2.6) node[left]{$y\in[l-\Delta,l]$} -- (2.6,2.6) -- (2.6,-0.5) node[below]{$y$};
|
||||
\draw[dashed,red] (-0.5,0.3) node[left]{$y\in[0,\Delta]$} -- (3.3,0.3) -- (3.3,-0.5) node[below]{$y+l$};
|
||||
\end{tikzpicture}
|
||||
|
||||
Avec l'aide du dessin, on voit immédiatement que :
|
||||
\begin{itemize}
|
||||
\item si $y\in[0,\Delta[$, alors $F_Y(y) = P[0 \leq Y < y] = P[l \leq x < y+l] = F_X(y+l) - F_X(l)$
|
||||
\item si $y\in[l-\Delta,\Delta]$, alors $F_Y(y) = P[0 \leq Y < y] = F_X(l+\Delta) - F_X(l) + F_X(y) - F_X(l-\Delta)$
|
||||
\item sinon, $F_Y(y) = $ cste.
|
||||
\end{itemize}
|
||||
|
||||
Ainsi, on en déduit la densité de probabilité en dérivant par rapport à $y$ :
|
||||
\[
|
||||
f_Y(y) = \left\{
|
||||
\begin{array}{ll}
|
||||
f_X(y) & \text{ si } y\in[l-\Delta,\Delta] \\
|
||||
f_X(y+l) & \text{ si } y\in[0,\Delta[ \\
|
||||
0 & \text{ sinon}
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
|
||||
\item On a le changement de variable $g: X \Rightarrow Y=g(X)$ où :
|
||||
\[
|
||||
g(X) = \left\{
|
||||
\begin{array}{ll}
|
||||
X+l & \text{ si } Y = X-l \in [0,\Delta] \\
|
||||
X & \text{ si }Y = X \in [l-\Delta,\Delta]
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
On utilise la formule générale du changement de variables :
|
||||
\[ f_Y(y) = F_X(x) |\frac{dx}{dy}| |_{x,g(x)=y} \]
|
||||
|
||||
On retrouve ainsi le résultat précédent.
|
||||
|
||||
\item On considère que la variable $X$ est uniformément répartie sur l'intervalle $[l-\Delta,l+\Delta]$. Ainsi, $f_X(x) = C$ (constante) sur cet intervalle et comme on a :
|
||||
\[ \int_{-\infty}^{+\infty} f_X(x) dx = \int_{l-\Delta}^{l+\Delta} f_X(x) dx = 2\Delta C = 1 \]
|
||||
alors
|
||||
\[ f_X(x) = \left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{2\Delta} & \text{ si } x \in [l-\Delta,l+\Delta] \\
|
||||
0 & \text{ sinon }
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
d'où
|
||||
\[ f_Y(y) = \left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{2\Delta} & \text{ si } y \in [0,\Delta]\cup[l-\Delta,l] \\
|
||||
0 & \text{ sinon }
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
\textbf{Propriété importante :} Si une densité de probabilité a une symétrie en $x_0$ et que sa moyenne existe, sa moyenne est sur l'axe de symétrie, donc vaut $x_0$.\\
|
||||
Preuve :
|
||||
\begin{align*}
|
||||
\int_{-\infty}^{+\infty} x f_X(x) dx & = \int_{-\infty}^{+\infty} (y+x_0) f_X(y+x_0) dy \\
|
||||
& = x_0 \int_{-\infty}^{+\infty} f_X(y+x_0)dy + \int_{-\infty}^{+\infty} y f_X(y+x_0)dy \\
|
||||
& = x_0 \times 1 + 0 = x_0
|
||||
\end{align*}
|
||||
|
||||
Ainsi, on obtient $m_Y = \frac{l}{2}$
|
||||
|
||||
\item On considère le changement de variable : $\Phi \rightarrow Y = \cos(\Phi)$.
|
||||
|
||||
Comme $\cos(\Phi) \in [-1,1]$, on a pour $y < -1, F_Y(y) = 0$ et pour $y \geq 1, F_Y(y) = 1$.
|
||||
|
||||
Pour $y\in[-1,1]$,
|
||||
\begin{align*}
|
||||
F_Y(y) & = P(\cos(\Phi) < y) \\
|
||||
& = P(-pi \leq \Phi < -\arccos(y)) + P(\arccos(y) \leq \Phi < \pi)\\
|
||||
& = F_{\Phi}(-\arccos(y)) - F_{\Phi}(\arccos(y)) + F_{\Phi}(\pi) - F_{\Phi}(-\pi) \\
|
||||
& = F_{\Phi}(-\arccos(y)) - F_{\Phi}(\arccos(y)) + 1\\
|
||||
f_Y(y) & = \frac{1}{\sqrt{1-y^2}}f_{\Phi}(-\arccos(y)) + \frac{1}{\sqrt{1-y^2}}f_{\Phi}(\arccos(y))
|
||||
\end{align*}
|
||||
|
||||
\item On utilise le résultat général sur les changements de VA avec $\phi = \arccos(y)$ si $y>0$ et $\phi = -\arccos(y)$ si $y<0$
|
||||
\begin{align*}
|
||||
f_Y(y) & = f_{\Phi}(\phi) |\frac{d\phi}{dy}||_{\phi,g(\phi)=y} \\
|
||||
& = \left\{
|
||||
\begin{array}{ll}
|
||||
0 & \text{ si } y \notin [-1,1] \\
|
||||
f_{\Phi}(\phi) |\frac{d\phi}{dy}||_{\phi=\arccos(y)} + f_{\Phi}(\phi) |\frac{d\phi}{dy}||_{\phi=-\arccos(y)}& \text{ si } y\in[-1,1]
|
||||
\end{array}
|
||||
\right. \\
|
||||
& = \left\{
|
||||
\begin{array}{ll}
|
||||
0 & \text{ si } y \notin [-1,1] \\
|
||||
\frac{1}{\sqrt{1-y^2}}f_{\Phi}(-\arccos(y)) + \frac{1}{\sqrt{1-y^2}}f_{\Phi}(\arccos(y))& \text{ si } y\in[-1,1]
|
||||
\end{array}
|
||||
\right.
|
||||
\end{align*}
|
||||
|
||||
\item Si la VA$\Phi$ est uniformément répartie sur $[-\pi,\pi]$, alors on a
|
||||
\begin{align*}
|
||||
f_{\Phi}(\phi) & =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{2\pi} & \text{si } \phi \in [-\pi,\pi] \\
|
||||
0 & \text{ sinon }
|
||||
\end{array}
|
||||
\right. \\
|
||||
f_Y(y) & =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{\pi\sqrt{1-y^2}} & \text{si } y \in [-1,1] \\
|
||||
0 & \text{ sinon }
|
||||
\end{array}
|
||||
\right. \\
|
||||
\end{align*}
|
||||
\end{enumerate}
|
||||
|
||||
\end{document}
|
||||
@ -0,0 +1,194 @@
|
||||
\documentclass[main.tex]{subfiles}
|
||||
\begin{document}
|
||||
$(X,Y)$ est un couple de variables aléatoires uniformément réparti sur un disque $D$ centré en 0 et de rayon $R_{max}$.
|
||||
\begin{enumerate}
|
||||
\item Donner la densité de probabilité conjointe des VA $X$ et $Y$.
|
||||
|
||||
Les variables aléatoires $X,Y$ sont uniformément réparties sur le disque donc $\forall (x,y) \in D$, $f_{XY}(x,y)=A $ constante.
|
||||
|
||||
Or, $\int\int_{\mathbb{R}^2} f_{XY}(x,y)dxdy = 1$ donc $\int\int_{D} f_{XY}(x,y)dxdy = 1$ d'où $\pi R_{max}^2A=1$
|
||||
\[
|
||||
f_{XY}(x,y) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{\pi R_{max}^2} & \si (x,y)\in D \\
|
||||
0 & \sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
\item Discuter de l'indépendance de $X$ et $Y$.
|
||||
\begin{itemize}
|
||||
\item Est-ce qu'une information sur $X$ implique une information sur $Y$ ?
|
||||
|
||||
Pour la réalisation $x_1$ de $X$, on voit que \[y_1\in[y_1^-,y_1^+]=[-\sqrt{R_m^2-x_1^2},\sqrt{R_m^2-x_1^2}]\] Ainsi, $X$ et $Y$ ne peuvent pas être indépendantes.
|
||||
|
||||
\item On sait que : si $X$ et $Y$ sont indépendantes, alors la ddp est séparable.
|
||||
\begin{align*}
|
||||
f_{XY}(x,y) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{\pi R_{max}^2} & \si x^2 + y^2 \leq R_{max}^2 \\
|
||||
0 & \sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\end{align*}
|
||||
On ne peut pas l'écrire sous la forme (fonction de $x$) x (fonction de $y$) à cause de la condition $x^2 + y^2 \leq R_{max}^2$ donc $X$ et $Y$ ne sont pas indépendantes.
|
||||
|
||||
\item On sait que : si $X$ et $Y$ sont indépendantes, alors $f_{XY}(x,y)=f_X(x)f_Y(y)$. Exhibons un contre-exemple.
|
||||
|
||||
Prenons un point donné par \[ |x|\leq R_{max},|y|\leq R_{max},\text{ tel que } x^2 + y^2 > R_{max}^2\] (Dans le carré mais pas dans le cercle). Ainsi, $f_{XY}(x,y)=0$ alors que $f_X(x)\neq0$ et $f_Y(y)\neq0$, donc $X$ et $Y$ ne sont pas indépendantes.
|
||||
|
||||
\item On sait que : si $X$ et $Y$ sont indépendantes, alors $F_{XY}(x,y)=F_X(x)F_Y(y)$.
|
||||
|
||||
\[F_{XY}(-\frac{R_{max}}{\sqrt{2}},\frac{R_{max}}{\sqrt{2}}) = P(X<-\frac{R_{max}}{\sqrt{2}},Y<\frac{R_{max}}{\sqrt{2}}) = 0\] alors que $F_X(x)\neq0$ et $F_Y(y)\neq0$, donc $X$ et $Y$ ne sont pas indépendantes.
|
||||
\end{itemize}
|
||||
|
||||
\medskip
|
||||
|
||||
Valeur moyenne de x : on peut voir que par symétrie par rapport à l'axe des ordonnées, $m_X=0$. (Ne pas oublier de vérifier que l'intégrale existe.)
|
||||
\begin{align*}
|
||||
m_X=E_X[X]& =\int_{\mathbb{R}}xf_X(x)dx=\int_{\mathbb{R}}x (\int_{\mathbb{R}}f_{XY}(x,y)dy) dx \\
|
||||
& = \int\int_{\mathbb{R}^2} x f_{XY}(x,y)dxdy \\
|
||||
& = \int\int_D \frac{x}{\pi R_{max}^2} dxdy = 0
|
||||
\end{align*}
|
||||
|
||||
Coefficient de corrélation : $\rho_{XY} = \frac{E[(X-m_X)(Y-m_Y)]}{\sigma_X\sigma_Y}$
|
||||
|
||||
Le coefficient de corrélation détermine le degré de linéarité entre $X$ et $Y$. Ici, il n'y a pas de direction privilégiée, donc $\rho_{XY} = 0$.
|
||||
|
||||
Par le calcul, $\rho_{XY} = \frac{E[XY]}{\sigma_X\sigma_Y}$ car les moyennes sont nulles.
|
||||
\begin{eqnarray*}
|
||||
E[XY] & = & \int\int_{\mathbb{R}^2} xyf_{XY}(x,y)dxdy \\
|
||||
& = & \int\int_{Q_{++}} xyf_{XY}(x,y)dxdy + \int\int_{Q_{+-}} xyf_{XY}(x,y)dxdy \\ & &+ \int\int_{Q_{-+}} xyf_{XY}(x,y)dxdy + \int\int_{Q_{--}} xyf_{XY}(x,y)dxdy \\
|
||||
& = 0
|
||||
\end{eqnarray*}
|
||||
|
||||
\item $f_X(x) = \int_{\mathbb{R}}f_{XY}(x,y)dy, \forall x \in \mathbb{R}$
|
||||
|
||||
\begin{itemize}
|
||||
\item \[ \forall x / |x| \leq R_{max}, f_X(x) = \int_{-\sqrt{R_{max}^2-x^2}}^{\sqrt{R_{max}^2-x^2}} \frac{1}{\pi R_{max}^2}dy=\frac{2\sqrt{R_{max}^2-x^2}}{\pi R_{max}^2}\]
|
||||
|
||||
\[
|
||||
f_X(x) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{2\sqrt{R_{max}^2-x^2}}{\pi R_{max}^2} &\si |x| < R_{max} \\
|
||||
0 &\sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
P[x\leq X<x+\Delta x] & = f_X(x) \Delta x \\
|
||||
& = P[(X,Y) \in D_x ] \\
|
||||
& = \frac{Aire D_x}{\pi R_{max}^2}
|
||||
\end{align*}
|
||||
\end{itemize}
|
||||
|
||||
On calcule de même $f_Y(y)$ et on remarque que $f_{XY}(x,y) \neq f_X(x)f_Y(y), \forall (x,y) \in D$.
|
||||
|
||||
X et Y ne sont pas indépendantes.
|
||||
|
||||
\item On pose $X = R \cos(\Phi)$ et $Y = R \sin(\Phi)$ avec $R\geq 0$ et $Pphi \in ]-\pi,\pi[$.
|
||||
|
||||
La répartition est isotrope : $f_{R\Phi}(r,\phi)$ ne dépend pas de $\phi$ si $|\phi|<\pi$.
|
||||
Ainsi,
|
||||
\[
|
||||
f_{R\Phi}(r,\phi) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
0 &\si r \notin [0,R_{max}] \text{ ou } \phi \notin ]-\pi,\pi[ \\
|
||||
g_R(r) &\sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
La fonction est séparable donc $R$ et $\Phi$ sont indépendantes.
|
||||
|
||||
Expliciter $f_\Phi(\phi)$.
|
||||
\begin{itemize}
|
||||
\item On voit que $\Phi$ suit une loi uniforme sur $]-\pi,\pi[$.
|
||||
\item
|
||||
\begin{align*}
|
||||
P[\phi \leq \Phi < \phi + \Delta \phi ] & = f_{\Phi}(\phi)\Delta \phi \\
|
||||
& = P[(R,\Phi)] \in D_{\phi} = P[(X,Y) \in D_{\phi}] \\
|
||||
& = \frac{\frac{\Delta \phi}{2\pi}\pi R_{max}^2}{\pi R_{max}^2} = \frac{\Delta \phi}{2 \pi}
|
||||
\end{align*}
|
||||
\end{itemize}
|
||||
|
||||
Expliciter $f_R(r)$.
|
||||
Attention, la loi n'est pas uniforme ! On applique le même raisonnement que ci-dessus avec un domaine $D_r$ en couronne.
|
||||
\[
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
f_R(r) = \frac{2r}{R_{max}^2} & \si r \notin [0,R_{max}] \\
|
||||
0 &\sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
|
||||
\item En utilisant les formules de changement de variables, on exprime $f_{R\Phi}(r,\phi)$
|
||||
\begin{align*}
|
||||
f_{R\Phi}(r,\phi) & = f_{XY}(x,y) |J| \text{ avec } |J| =
|
||||
\left(
|
||||
\begin{array}{ll}
|
||||
\cos(\phi) & \-r\sin(\phi) \\
|
||||
\sin(\phi) & r\cos(\phi)
|
||||
\end{array}
|
||||
\right) \\
|
||||
f_{R\Phi}(r,\phi) & =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
f_{XY}(r\cos(\phi),r\sin(\phi))|r| & \si r\in[0,R_{max}[ \text{ et } \phi \in ]-\pi,\pi] \\
|
||||
0 & \sinon
|
||||
\end{array}
|
||||
\right. \\
|
||||
\text{ Or, } f_{XY}(x,y) & =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{\pi R_{max}^2} & \si x^2 + y^2 \leq R_{max}^2 \\
|
||||
0 & \text{ sinon}
|
||||
\end{array}
|
||||
\right. \\
|
||||
\text{Donc }
|
||||
f_{R\Phi}(r,\phi) & =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{r}{\pi R_{max}^2} & \si r\in[0,R_{max}[ \text{ et } \phi \in ]-\pi,\pi] \\
|
||||
0 & \text{ sinon}
|
||||
\end{array}
|
||||
\right. \\
|
||||
\end{align*}
|
||||
|
||||
On peut écrire $ f_{R\Phi}(r,\phi) = g_R(r)g_{\Phi}(\phi) $, $ f_{R\Phi}(r,\phi)$ est séparable donc $R$ et $\Phi$ sont indépendantes.
|
||||
|
||||
\begin{multicols}{2}
|
||||
Si $r\in[0,R_{max}[$,
|
||||
\begin{align*}
|
||||
f_R(r) & = \int_{\mathbb{R}} f_{R\Phi}(r,\phi) d\phi \\
|
||||
& = \frac{r}{\pi R_{max}^2} \int_{-\pi}^{\pi} d\phi \\
|
||||
& = \frac{2r}{R_{max}^2}
|
||||
\end{align*}
|
||||
|
||||
Si $\phi\in]-\pi,\pi]$,
|
||||
\begin{align*}
|
||||
f_{\Phi}(\phi) & = \int_{\mathbb{R}} f_{R\Phi}(r,\phi) dr \\
|
||||
& = \int_0^{R_{maxint}} \frac{r}{\pi R_{max}^2}dr \\
|
||||
& = \frac{1}{2\pi}
|
||||
\end{align*}
|
||||
\end{multicols}
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
m_R & = E[R] \\
|
||||
& = \int_{\mathbb{R}}rf_R(r)dr \\
|
||||
& = \int_0^{R_{max}} \frac{2r^2}{R_{max}} dr \\
|
||||
& = \frac{2}{3}R_{max}
|
||||
\end{align*}
|
||||
\end{enumerate}
|
||||
|
||||
|
||||
|
||||
\end{document}
|
||||
@ -0,0 +1,226 @@
|
||||
\documentclass[main.tex]{subfiles}
|
||||
\begin{document}
|
||||
\begin{enumerate}
|
||||
|
||||
\item À l'extérieur du carré, $f_{XY}(x,y) = 0$. À l'intérieur, le couple ($X,Y$) est uniformément réparti donc :
|
||||
\[ f_{XY}(x,y) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{a^2} & \si x\in[0,a[, y\in[0,a[ \\
|
||||
0 & \sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
$f_{XY}(x,y) = g_X(x)g_Y(x)$, $f_{XY}$ est séparable donc $X$ et $Y$ sont indépendantes.
|
||||
|
||||
\item On considère la VA $Z = X + Y$. Comme $X\in[0,a[$ et $Y\in[0,a[$, $Z\in[0,2a[$
|
||||
|
||||
Calculons la fonction de répartition de la VA Z.
|
||||
\begin{align*}
|
||||
F_Z(z) & =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
1 & \si z > 2a \\
|
||||
? & \si z \in [0,2a] \\
|
||||
0 & \si z < 0
|
||||
\end{array}
|
||||
\right.\\
|
||||
\intertext{Si $z\in[0,2a[$, l'expression de la fonction de répartition n'est pas immédiate :}
|
||||
F_Z(z) & = P[Z<z] \\
|
||||
& = P[(X,Y) \in D_z] \\
|
||||
& =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{z^2/2}{a^2} & \si z\in[0,a] \\
|
||||
\frac{a^2-\frac{(2a-z)^2}{2}}{a^2} & \si z\in[a,2a]
|
||||
\end{array}
|
||||
\right.
|
||||
\end{align*}
|
||||
|
||||
\begin{center}
|
||||
\begin{tikzpicture}[scale=0.5]
|
||||
\draw [>=latex,->] (-1,0) -- (7,0) node[right]{$x$} ;
|
||||
\draw [>=latex,->] (0,-1) -- (0,7) node[left]{$y$};
|
||||
|
||||
\draw (3,0) node[below]{$a$} -- (3,3) -- (0,3) node[left]{$a$};
|
||||
\draw [dashed,blue] (-1,2) node[left]{$D_z, z\in[0,a[$} -- (2,-1);
|
||||
\draw (0,6) node[left]{$2a$} -- (6,0) node[below]{$2a$};
|
||||
|
||||
\fill [color=blue] (0,1) -- (1,0) -- (0,0);
|
||||
|
||||
\draw [>=latex,->] (9,0) -- (17,0) node[right]{$x$} ;
|
||||
\draw [>=latex,->] (10,-1) -- (10,7) node[left]{$y$};
|
||||
|
||||
\draw (13,0) node[below]{$a$} -- (13,3) -- (10,3) node[left]{$a$};
|
||||
\draw [dashed,red] (9,5) node[left]{$D_z, z\in[a,2a[$} -- (15,-1);
|
||||
\draw (10,6) node[left]{$2a$} -- (16,0) node[below]{$2a$};
|
||||
|
||||
\fill [color=red] (10,3) -- (11,3) -- (13,1) -- (13,0) -- (10,0);
|
||||
|
||||
\end{tikzpicture}
|
||||
\end{center}
|
||||
|
||||
On peut donc résumer les résultats comme suit :
|
||||
\begin{multicols}{2}
|
||||
\[F_Z(z) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
0 & \si z < 0 \\
|
||||
\frac{z^2/2}{a^2} & \si z\in[0,a] \\
|
||||
\frac{a^2-\frac{(2a-z)^2}{2}}{a^2} & \si z\in[a,2a] \\
|
||||
1 & \si z > 2a
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
\[f_Z(z) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
0 & \si z < 0 \text{ ou } z > 2a \\
|
||||
\frac{z}{a^2} & \si z\in[0,a] \\
|
||||
\frac{2a-z}{a^2} & \si z\in[a,2a]
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
\end{multicols}
|
||||
|
||||
\begin{center}
|
||||
\begin{tikzpicture}[scale=1]
|
||||
\draw [>=latex,<->] (5,0) node[right]{$z$} -- (0,0) -- (0,2) node[left]{$f_Z(z)$};
|
||||
|
||||
\draw (0,0) node[below]{$0$} -- (2,1) -- (4,0) node[below]{$2a$};
|
||||
\draw [dashed] (0,1) node[left]{$1/a$} -- (2,1) -- (2,0) node[below]{$a$};
|
||||
\end{tikzpicture}
|
||||
\end{center}
|
||||
|
||||
\item On commence par expliciter $F_Z(z)$ en fonction de $f_{XY}(x,y)$ :
|
||||
\begin{align*}
|
||||
F_Z(z) & = P[Z<z] = \int_{-\infty}^z f_Z(w)dw \\
|
||||
& = P[(X,Y) \in D_z] \\
|
||||
& = \int \int_{D_z} f_{XY}(x,y)dxdy \\
|
||||
F_Z(z) & = \int_ {-\infty}^{+\infty} ( \int_{-\infty}^{z-x} f_{XY}(x,y)dy)dx
|
||||
\end{align*}
|
||||
|
||||
\begin{center}
|
||||
\begin{tikzpicture}[scale=1]
|
||||
\fill [color=red!10] (4.5,-2.5) -- (-2,4) -- (-2,-2.5);
|
||||
|
||||
\draw [>=latex,->] (-2,0) -- (5,0) node[right]{$x$} ;
|
||||
\draw [>=latex,->] (0,-2) -- (0,3) node[left]{$y$};
|
||||
|
||||
\draw [dashed] (-1,3) -- (4,-2);
|
||||
|
||||
\draw [>=latex,->,red] (3,-2.5) -- (3,-1.5);
|
||||
\draw [red] (3,-1.5) -- (3,-1) ;
|
||||
\draw [dashed, red] (0,-1) node[left]{$y=z-x$} -- (3,-1) -- (3,0) node[above]{$x$};
|
||||
\end{tikzpicture}
|
||||
\end{center}
|
||||
|
||||
On en déduit $f_Z(z)$
|
||||
\begin{align*}
|
||||
f_Z(z) & = \frac{dF_Z(z)}{dz} = \frac{d}{dz} \int_ {-\infty}^{+\infty} ( \int_{-\infty}^{z-x} f_{XY}(x,y)dy)dx \\
|
||||
& = \int_ {-\infty}^{+\infty} \frac{\partial}{\partial z} ( \int_{-\infty}^{z-x} f_{XY}(x,y)dy)dx \\
|
||||
f_Z(z) & = \int_ {-\infty}^{+\infty} f_{XY}(x,z-x)dx
|
||||
\end{align*}
|
||||
|
||||
\item Les VA $X$ et $Y$ indépendantes donc la ddp $f_{XY}(x,y)$ est séparable :
|
||||
\begin{align*}
|
||||
f_Z(z) & = \int_ {-\infty}^{+\infty} f_{XY}(x,z-x)dx \\
|
||||
& = \int_{-\infty}^{+\infty} f_X(x)f_Y(z-x)dx \\
|
||||
f_Z(z) & = (f_X * f_Y)(z)
|
||||
\end{align*}
|
||||
|
||||
\item Par définition de la fonction caractéristique de la VA $Z$ :
|
||||
\begin{align*}
|
||||
\phi_Z(u) & = E[e^{juZ}] \\
|
||||
& = \int_{\mathbb{R}} f_Z(z) e^{juz} dz \\
|
||||
\intertext{Ainsi, on peut réécrire }
|
||||
\phi_Z(u) & = TF[f_Z(z)]_{f=-\frac{u}{2\pi}} \\
|
||||
& = E[e^{ju(X+Y)}] = E[e^{juX}e^{juY}] \\
|
||||
\intertext{Et par indépendance de $X$ et $Y$,}
|
||||
\phi_Z(u) & = \phi_X(u)\phi_Y(u) \\
|
||||
f_Z(z) & = TF^{-1}[\phi_Z(u)](z) \\
|
||||
& = (TF^{-1}[\phi_X(u)] * TF^{-1}[\phi_Y(u)])(z) \\
|
||||
f_Z(z) & =(f_X * f_Y)(z)
|
||||
\end{align*}
|
||||
|
||||
\item $X_1,...X_n$ indépendantes dans leur ensemble
|
||||
\begin{eqnarray*}
|
||||
Y_{12} = & X_1 + X_2 & \rightarrow f_{Y_{12}}(y) = (f_{X_1}*f_{X_2})(y) \\
|
||||
Y_{123} = & X_1 + X_2 + X_3 = Y_{12} + X_3 & \rightarrow f_{Y_{123}}(y) = (f_{Y_{12}} * f_{X_3})(y) = (f_{X_1}*f_{X_2}*f_{X_3})(y)
|
||||
\end{eqnarray*}
|
||||
Par récurrence, on montre alors que pour $Y = X_1 + ... + X_n$,
|
||||
\[f_Y(y) = (f_{X_1}* ... * f_{X_n})(y) \]
|
||||
|
||||
|
||||
On montre que pour $X_n, n=1,...,N$ VA réelles et scalaires indépendantes et identiquement distribuées, centrées et d'écart-type $\sigma$,
|
||||
\[Z_N = \frac{\sum_{n=1}^N X_n}{\sqrt{N}} \text{ tend vers une VA gaussienne quand N tend vers } +\infty \]
|
||||
|
||||
\item Par linéarité de l'espérance, et comme les variables $X_N$ sont centrées ($E[X_N] = 0$),
|
||||
\[ E[Z_N] = E[\frac{\sum_{n=1}^N X_n}{\sqrt{N}}] = \frac{\sum_{n=1}^N E[X_n]}{\sqrt{N}} = 0 \]
|
||||
|
||||
De plus,
|
||||
\begin{align*}
|
||||
\sigma_Z^2 & = E[(Z_N - m_{Z_N})^2] = E[Z_N^2] \\
|
||||
& = \frac{1}{N} E[(\sum_{n=1}^N X_n)^2] \\
|
||||
& = \frac{1}{N} E[ \sum_{n=1}^N X_n^2 + \sum_{i\neq j} X_iX_j] \\
|
||||
& = \frac{1}{N} (\sum_ {n=1}^N E[X_n^2] + \sum_{i\neq j} E[X_iX_j]) \\
|
||||
& = \frac{1}{N} \sum_{n=1}^N \sigma^2 \\
|
||||
& = \sigma^2
|
||||
\end{align*}
|
||||
\newpage
|
||||
\item Deux personnes se donnent rendez-vous entre 18h et 19h. On associe aux deux instants d'arrivées deux VA X et Y indépendantes, de ddp uniforme sur l'intervalle [18,19].
|
||||
|
||||
On introduit la VA $\Delta = |Y-X|$. Calculons sa fonction de répartition.
|
||||
\begin{align*}
|
||||
F_{\Delta}(\delta) & = P[\Delta \leq \delta] \\
|
||||
& = P[ |Y-X| \leq \delta ] \\
|
||||
& = P[ Y-X \leq \delta \et X-Y \leq \delta ] \\
|
||||
& = P[ Y \leq X + \delta \et Y \geq X - \delta ]
|
||||
\end{align*}
|
||||
|
||||
\begin{figure}[h!]
|
||||
\centering
|
||||
\begin{tikzpicture}[scale=0.8]
|
||||
\draw [>=latex,->] (-1,0) -- (7,0) node[right]{$x$} ;
|
||||
\draw [>=latex,->] (0,-1) -- (0,7) node[left]{$y$};
|
||||
|
||||
\draw [dashed] (1,0) node[below]{$18$} -- (1,7);
|
||||
\draw [dashed] (5,0) node[below]{$19$} -- (5,7);
|
||||
\draw [dashed] (0,1) node[left]{$18$} -- (7,1);
|
||||
\draw [dashed] (0,5) node[left]{$19$} -- (7,5) ;
|
||||
|
||||
\draw [blue] (0,1.5) -- (6,7.5) node[right]{$y=x+\delta$};
|
||||
\draw [blue] (1.5,0) -- (7.5,6) node[right]{$y=x-\delta$};
|
||||
|
||||
\fill [color=blue!20] (1,1) -- (1,2.5) -- (3.5,5) -- (5,5) -- (5,3.5) -- (2.5,1) -- (1,1);
|
||||
|
||||
\draw [dashed] (2.5,-1) -- (2.5,1);
|
||||
\draw [<->] (1,-1) -- (2.5,-1);
|
||||
\draw (1.75,-1) node[below]{$\delta$};
|
||||
\draw [<->] (5,-1) -- (2.5,-1);
|
||||
\draw (3.75,-1) node[below]{$1-\delta$};
|
||||
\end{tikzpicture}
|
||||
\end{figure}
|
||||
|
||||
Ainsi, \[F_{\Delta}(\delta) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
0 & \si \delta < 0 \\
|
||||
1 - (1-\delta)^2 & \si 0 \leq \delta < 1\\
|
||||
1 & \si \delta \geq 1
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
Donc \[f_{\Delta}(\delta) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
2 - 2 \delta & \si 0 \leq \delta < 1\\
|
||||
0 & \sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
\end{enumerate}
|
||||
\end{document}
|
||||
@ -0,0 +1,121 @@
|
||||
\documentclass[main.tex]{subfiles}
|
||||
\begin{document}
|
||||
|
||||
On considère une variable aléatoire scalaire et réelle $Y$ de densité de probabilité :
|
||||
\[ f_Y(y) = \frac{1}{X}e^{-\frac{y}{X}}u(x) \]
|
||||
où $u(y)$ est la fonction échelon d'Heaviside et X un paramètre réel, inconnu, positif et supposé certain dans un premier temps.
|
||||
|
||||
\begin{enumerate}
|
||||
\item Calcul de la valeur moyenne et de l'écart type de la VA $Y$
|
||||
\begin{multicols}{2}
|
||||
\begin{align*}
|
||||
m_Y & = E[Y] = \int_{\mathbb{R}} y f_Y(y) dy \\
|
||||
& = \int_0^{\infty} y \frac{1}{X} e^{-\frac{y}{x}} dy \\
|
||||
& = [y(-e^{-\frac{y}{X}})]_0^{\infty} - \int_0^{\infty} (-e^{-\frac{y}{X}}) dy \\
|
||||
& = \int_0^{\infty} (-e^{-\frac{y}{X}}) dy \\
|
||||
& = [-Xe^{-\frac{y}{X}}]_0^{\infty} \\
|
||||
& m_Y = X \\
|
||||
\intertext{De plus,}
|
||||
\sigma_Y^2 & = E[(Y-m_Y)^2] \\
|
||||
& = E[Y^2] - m_Y^2 \\
|
||||
E[Y^2] & = \int_0^{\infty} y^2\frac{1}{X}e^{-\frac{y}{X}}dy \\
|
||||
& = [y^2(-e^{-\frac{y}{X}})]_0^{\infty} + 2X\int_0^{\infty}y\frac{1}{X}e^{-\frac{y}{X}}dy \\
|
||||
& = 2Xm_Y = 2X^2\\
|
||||
\sigma_Y^2 & = 2X^2 - X^2 = X^2 \\
|
||||
\sigma_Y & = X
|
||||
\end{align*}
|
||||
\end{multicols}
|
||||
\[ \boxed{m_Y = \sigma_Y = X} \]
|
||||
|
||||
\item On considère $N$ VA $Y_n, n=1..N$ indépendantes et identiquement distribuées.
|
||||
|
||||
On note $(y_1,...y_N)$ les réalisations de $(Y_1,...Y_N)$.\\
|
||||
|
||||
Grâce au résultat précédent $m_Y = X$, on peut estimer
|
||||
\[ \hat{x} = \frac{\sum_{n=1}^Ny_n}{N} \]
|
||||
\[ \hat{X} = \frac{\sum_{n=1}^NY_n}{N} \]
|
||||
|
||||
De plus, l'estimateur est non biaisé car
|
||||
\[ E[\hat{X}] = \frac{\sum_{n=1}^N E[Y_n]}{X} = X \]
|
||||
|
||||
\item On souhaite exprimer la ddp conjointe des VA $Y_1,...Y_N$
|
||||
\begin{align*}
|
||||
f_\mathbf{Y}(\mathbf{y}) & = f_{Y_1, ... Y_N}(y_1,...y_N) \\
|
||||
& = \prod_ {n=1}^N f_{Y_n}(y_n) \text{ par indépendance de } Y_1,...Y_N \\
|
||||
& = \frac{1}{X^N} \exp(-\frac{\sum_ {n=1}^N Y_n}{X}) u(y_1)...u(y_N)
|
||||
\end{align*}
|
||||
|
||||
\item On utilise l'estimateur du maximum de vraisemblance
|
||||
\[ \hat{x}_{MV} = \arg \max_X f_\mathbf{Y}(\mathbf{y}) \]
|
||||
$\hat{x}_{MV}$ est la valeur de $x$ qui rend les valeurs $y_1,...y_N$ les plus probables.
|
||||
|
||||
Condition nécessaire (non suffisante) :
|
||||
\begin{align*}
|
||||
\frac{d f_{\mathbf{Y}} (\mathbf{y}) }{dX} |_{X = \hat{x}_{MV}} = 0 & \Leftrightarrow ...\\
|
||||
& \Leftrightarrow (-\frac{N}{X} + \frac{\sum_{n=1}^N y_n}{X^2}) f_{\mathbf{Y}}(\mathbf{y}) |_{X = \hat{x}_{MV}} = 0 \\
|
||||
& \Rightarrow \frac{-N}{\hat{x}_{MV}} + \frac{\sum_{n=1}^N y_n}{\hat{x}_{MV}^2} = 0 \\
|
||||
& \Rightarrow \hat{x}_{MV} = \frac{\sum_{n=1}^N y_n}{N} \\
|
||||
& \Rightarrow \hat{X}_{MV} = \frac{\sum_{n=1}^N Y_n}{N}
|
||||
\intertext{Vérifier que c'est un maximum :}
|
||||
\frac{d^2 f_{\mathbf{Y}} (\mathbf{y}) }{dX^2} > \text{ ou }& < 0 ? \\
|
||||
\frac{d f_{\mathbf{Y}} (\mathbf{y}) }{dX} > 0 & \text{ pour } x\rightarrow 0^+ \\
|
||||
\end{align*}
|
||||
|
||||
Calculons la moyenne et l'écart type de $\hat{X}_{MV}$
|
||||
\begin{align*}
|
||||
E[\hat{X}_{MV}] & = ... = X \\
|
||||
\sigma_{MV}^2 & = E[(\hat{X}_{MV} - X)^2] \\
|
||||
& = E[(\frac{\sum_{n=1}^N Y_n}{N} - \frac{NX}{N})^2] \\
|
||||
& = E[(\frac{\sum_{n=1}^N (Y_n-X)}{N})^2] \\
|
||||
& = \frac{1}{N^2} (\sum_{n=1}^N E[(Y_n-X)^2] + \sum_{i \neq j} E[(Y_i-X)(Y_j-X)] \\
|
||||
& = \frac{NX^2}{N^2} \\
|
||||
\sigma_{MV} & = \frac{X}{\sqrt{N}}
|
||||
\end{align*}
|
||||
|
||||
\item On a beaucoup plus d'\textit{a priori} (d'informations sur X sans faire l'expérience) avec $\alpha = 1$ qu'avec $\alpha = 10$.
|
||||
|
||||
\begin{figure}[h!]
|
||||
\centering
|
||||
\begin{tikzpicture}[scale=2,samples=50,domain=0:5]
|
||||
\draw[-stealth] (0,0) -- (5,0) node[right] {$x$};
|
||||
\draw[-stealth] (0,0) -- (0,1.5) node[above] {$f_X(x)$};
|
||||
\draw plot (\x,{exp(-\x)});
|
||||
\draw[dashed] plot (\x,{0.1*exp(-\x*0.1)});
|
||||
\end{tikzpicture}
|
||||
\caption{Tracé de $f_X(x)$ pour $\alpha=1$ (--) et $\alpha=10$ (- -)}
|
||||
\end{figure}
|
||||
|
||||
La courbe pour $\alpha=10$ est beaucoup plus étalée : \[ \sigma_{X,\alpha = 1} < \sigma_{X,\alpha = 10} \]
|
||||
|
||||
|
||||
|
||||
\item $\hat{x}_{MAP} = \arg \max_X f_{X/\mathbf{Y} = \mathbf{y}} (x) $
|
||||
|
||||
Or,
|
||||
\begin{align*}
|
||||
f_{X/\mathbf{Y} = \mathbf{y}} (x) & = f_{\mathbf{Y}, X = x} (\mathbf{y}) \frac{f_X(x)}{f_{\mathbf{Y}}(\mathbf{y})} \\
|
||||
& = \prod_{n=1}^N f_{Y_i,X=x(y_i)}\frac{f_X(x)}{f_{\mathbf{Y}}(\mathbf{y})} \\
|
||||
& = g(x)u(y_1)...u(y_N)\frac{1}{f_{\mathbf{Y}}(\mathbf{y})}
|
||||
\intertext{Ainsi,}
|
||||
\hat{x}_{MAP} & = \arg \max_X f_{X/\mathbf{Y} =\mathbf{y}} (x) = \arg \max g(x)
|
||||
\end{align*}
|
||||
|
||||
Condition nécessaire :
|
||||
\begin{align*}
|
||||
\frac{dg(x)}{dx}|_{x=\hat{X}_{MAP}} = 0 & \Leftrightarrow \hat{X}_{MAP} = \frac{-N\alpha + \sqrt{\alpha^2N^2 + 4\alpha \sum_{n=1}^Ny_n}}{2} \\
|
||||
& \Leftrightarrow \hat{X}_{MAP} = \frac{-N\alpha + \alpha N \sqrt{1 + \frac{4}{\alpha N^2} \sum_{n=1}^Ny_n}}{2}
|
||||
\end{align*}
|
||||
|
||||
\item Si $\alpha \rightarrow +\infty$,
|
||||
\begin{align*}
|
||||
\hat{X}_{MAP} & \approx \frac{-N\alpha + \alpha N (1 + \frac{1}{2}\frac{4}{\alpha N^2} \sum_{n=1}^Ny_n}){2} \\
|
||||
\hat{X}_{MAP} & \approx \frac{\sum_{n=1}^NY_n}{N} = \hat{X}_{MV}
|
||||
\end{align*}
|
||||
On n'a pas d'a priori sur X, on n'a que les observations.\\
|
||||
|
||||
|
||||
Si $\alpha \rightarrow 0$, $m_X$ et $\sigma_X \rightarrow 0$ : $\hat{X}_{MAP} \rightarrow 0$.
|
||||
|
||||
L'a priori est fort.
|
||||
\end{enumerate}
|
||||
\end{document}
|
||||
@ -0,0 +1,235 @@
|
||||
\documentclass[main.tex]{subfiles}
|
||||
\begin{document}
|
||||
|
||||
\subsection*{Signal sinusoïdal à phase équirépartie}
|
||||
On considère le signal aléatoire \[X_t=x(t)=E_0\sin(2\pi f_o t + \Phi) \]
|
||||
|
||||
$\phi$ est une variable aléatoire uniformément répartie sur $[0,2\pi[$
|
||||
|
||||
$E_0$, $f_0$ sont des grandeurs déterministes strictement positives.
|
||||
|
||||
\begin{enumerate}
|
||||
\item À $t$ donné, $f_{X,t}(x,t)=f_{Xt}(x)=f_X(x,t)$
|
||||
|
||||
Méthode : changement de variable
|
||||
\[ \Phi \rightarrow X_t = x(t) = g(\Phi) = E_0\sin(2\pi f_0t + \Phi) \]
|
||||
|
||||
\[f_{\Phi}(\phi) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
\frac{1}{2\pi} & \si \phi \in [0,2\pi[ \\
|
||||
0 & \sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
$X_t = x(t) \in [-E_0,E_0]$ donc $f_{Xt}(x) = 0,$ pour tout $x$ tel que $|x| >E_0$.
|
||||
|
||||
Théorème de changement de variables aléatoires.
|
||||
|
||||
Soit $x$ tel que $|x| < E_0$
|
||||
|
||||
\[f_{Xt}(x) = f_X(x,t) = f_{\Phi}(\phi)|\frac{d\phi}{dx}||_{\phi,g(\phi)=x}\]
|
||||
|
||||
|
||||
Pour tout $x\in[-E_0,E_0]$ (sauf les points où la dérivée s'annule, ensemble de mesure nulle), il y a deux points d'intersection $\phi_i\in[0,2\pi[$
|
||||
|
||||
\[f_X(x,t) = \sum_{i=1}^2 f_{\Phi}(\phi_i)\frac{1}{|\frac{dx}{d\phi}|}|_{\phi_i,g(\phi_i)=x} \]
|
||||
|
||||
\[\frac{dx}{d\phi}=E_0\cos(2\pi f_0t + \phi) \text{ donc }
|
||||
|\frac{dx}{d\phi}|_{\phi=\phi_1} = |\frac{dx}{d\phi}|_{\phi=\phi_2}
|
||||
\]
|
||||
\[\frac{dx}{d\phi}|_{\phi=\phi_i} = \sqrt{E_0^2\cos^2(2\pi f_0t + \phi_i)}=\sqrt{E_0^2(1-\sin^2(2\pi f_0t + \phi_i))}=\sqrt{E_0^2-x^2}\]
|
||||
|
||||
Ainsi, on a
|
||||
\[f_{X_t}(x) = f_X(x,t) =
|
||||
\left\{
|
||||
\begin{array}{ll}
|
||||
0 \si |x| \geq E_0 \\
|
||||
\frac{1}{\pi \sqrt{E_0^2-x^2}} & \sinon
|
||||
\end{array}
|
||||
\right.
|
||||
\]
|
||||
|
||||
Remarque : $f_X(x,t)$ est finie en $x=\pm E_0$ car $\Phi$ VA continue et g fonction continue $\rightarrow X_t$ est une VA continue.
|
||||
|
||||
Pour conclure quant à la stationnarité à l'ordre un, on regarde si $E[x(t)]$ dépend du temps
|
||||
|
||||
Or, $E[x(t)]=\int_{\mathbb{R}} x_t f_X(x_t,t)dx_t$ et $f_X(x_t,t)$ ne dépend pas de $t$, donc la VA $x(t)$ est stationnaire à l'ordre un.
|
||||
|
||||
Autre méthode : fonction de répartition
|
||||
|
||||
$F_X(x,t = F_{X_t}(x) = P[X_t < x]$
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
E[x(t)] & = \int_{\mathbb{R}}xf_X(x,t)dx = ... = 0 \\
|
||||
\text{ ou } & = E[E_0\sin(2\pi f_0 t+\phi)] \\
|
||||
& = \int_{\mathbb{R}}E_0\sin(2\pi f_0 t + \phi) f_{\phi}(\phi)d\phi \\
|
||||
& = E_0 \int_0^{2\pi} \frac{1}{2\pi}\sin(2\pi f_0t + \phi) d\phi = 0 \\
|
||||
\intertext{La moyenne statistique ne dépend pas de l'origine des temps : stationnarité du moment d'ordre 1.}
|
||||
\overline{x(t)} & = \frac{1}{T_0} \int_{[T_0]}E_0\sin(2\pi f_0t + \phi) dt = 0
|
||||
\end{align*}
|
||||
|
||||
La moyenne temporelle ne dépend pas de $\phi$ (de la réalisation) : ergodicité du moment d'ordre 1.
|
||||
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
E[x(t)x(t-\tau)] & = \gamma_{xx}(t,t-\tau) \\
|
||||
& = E[E_0^2\sin(2\pi f_0 t + \phi) \sin(2\pi f_0 (t-\tau)+\phi) ] \\
|
||||
& = \frac{E_0^2}{2} E[\cos(2\pi f_0 \tau) - \cos(4\pi f_0t - 2\pi f_0 \tau + 2\phi) ]\\
|
||||
& = \frac{E_0^2}{2} \cos(2\pi f_0 \tau)
|
||||
\intertext{$E[x(t)x(t-\tau)]$ ne dépend pas de l'origine des temps, donc on a $E[x(t)x(t-\tau)]=\gamma_{xx}(\tau)$ : stationnarité du moment d'ordre 2}
|
||||
\overline{x(t)x(t-\tau)} & = \frac{E_0^2}{2} (\overline{\cos(2\pi f_0\tau)} - \overline{\cos(4\pi f_0 t - 2\pi f_0 \tau + 2 \phi)}) \\
|
||||
& = \frac{E_0^2}{2} \cos(2\pi f_0 \tau)
|
||||
\intertext{$\overline{x(t)x(t-\tau)}$ ne dépend pas de $\phi$ (de la réalisation) : ergodicité du moment d'ordre 2}
|
||||
\end{align*}
|
||||
|
||||
On a donc ergodicité et stationnarité, à l'ordre 1 et 2.
|
||||
|
||||
Remarque : on a donc égalité des moments d'ordre 1 et 2 :
|
||||
\[ \gamma_{xx}(\tau) = \overline{x(t)x(t-\tau)}\]
|
||||
\[ \gamma_{xx}(0) = P_x = \frac{E_0^2}{2} < \infty \text{ et stationnarité du moment d'ordre 1 et 2} \longrightarrow \text{ stationnaire au sens large}\]
|
||||
|
||||
\item Pour calculer une DSP d'un signal stationnaire au sens large : $\Gamma_{xx}(f) = TF[\gamma_{xx}(\tau)]$
|
||||
\begin{align*}
|
||||
\Gamma_{xx}(f) & = TF[\gamma_{xx}(\tau)] \\
|
||||
& = TF[\frac{E_0^2}{2}\cos(2\pi f_0 \tau) ] \\
|
||||
& = \frac{1}{2} \frac{E_0^2}{2} (\delta(f_0-f) + \delta(f_0+f))
|
||||
\end{align*}
|
||||
|
||||
\end{enumerate}
|
||||
|
||||
\subsection*{Propriétés de la fonction de corrélation}
|
||||
|
||||
On considère $x(t)$ un SA scalaire et stationnaire.
|
||||
|
||||
\begin{enumerate}
|
||||
\item
|
||||
\begin{align*}
|
||||
m_{x(t)} & = m_x \text{ par stationnarité} \\
|
||||
& = E[x(t)] \\
|
||||
\gamma_{xx}(\tau) & = E[x(t)x^*(t-\tau)] \\
|
||||
\Gamma_{xx}(f) & = TF[\gamma_{xx}(\tau)](f)
|
||||
\end{align*}
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
P_x & = E[|x(t)|^2] \\
|
||||
& = E[x(t)x^*(t)] \\
|
||||
& = \gamma_{xx}(0) \\
|
||||
\gamma_{xx}(\tau) & = TF^{-1}[\Gamma_{xx}(f)](\tau) \\
|
||||
& = \int_{\mathbb{R}} \Gamma_{xx}(f)e^{j2\pi f \tau} df \\
|
||||
P_x & = \int_{\mathbb{R}} \Gamma_{xx}(f)df
|
||||
\end{align*}
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
\gamma_{xx}(-\tau) & = E[x(t)x^*(t+\tau)] \\
|
||||
& = E[x(t)x^*(t+\tau)]^{**} \\
|
||||
& = E[x^*(t)x(t+\tau)]^* \\
|
||||
& = E[x(t+\tau)x^*(t)]^* \\
|
||||
& = \gamma_{xx}(\tau)^*
|
||||
\intertext{Ainsi,}
|
||||
\Gamma_{xx}^*(f) & = ( \int_{\R} \gamma_{xx}(\tau)e^{-j2\pi f\tau} d\tau)^* \\
|
||||
& = \int_{\R} \gamma_{xx}^*(\tau)e^{j2\pi f\tau} d\tau \\
|
||||
& =\int_{\R} \gamma_{xx}(-\tau)e^{j2\pi f\tau} d\tau \\
|
||||
& =\int_{\R} \gamma_{xx}(\tau')e^{-j2\pi f\tau'} d\tau' \\
|
||||
& = \Gamma_{xx}(f)
|
||||
\intertext{Donc $\Gamma_{xx}(f) \in \R$}
|
||||
\end{align*}
|
||||
|
||||
|
||||
\item
|
||||
On suppose que $x(t) \in \mathbb{R}$
|
||||
Montrons que $\Gamma_{xx}(\tau)$ est paire :
|
||||
\begin{align*}
|
||||
\Gamma_{xx}(-f) &= \int_\mathbb{R} \gamma_{xx}(\tau)e^{-j2\pi(-f)\tau} d\tau\\
|
||||
&= \int_\mathbb{R} \gamma_{xx}(-\tau)e^{-j2\pi f\tau} d\tau \text{en posant $\tau = -\tau'$}\\
|
||||
&= \int_\mathbb{R} \gamma_{xx}^*(\tau)e^{-j2\pi f\tau} d\tau\\
|
||||
&= \int_\mathbb{R} \gamma_{xx}(\tau)e^{-j2\pi f\tau} d\tau \text{ car $x$ est réel} \\
|
||||
&=\Gamma_{xx}(f)
|
||||
\end{align*}
|
||||
Ainsi, $\Gamma_{xx}(f)$ est bien paire.
|
||||
|
||||
\item
|
||||
Montrons que $\gamma_{xy}(-\tau)=\gamma_{yx}^*(-\tau)$\\
|
||||
\begin{align*}
|
||||
\forall \tau \in \mathbb{R}\\
|
||||
\gamma_{xy}(-\tau) &= E[x(t)y^*(t+\tau)]*^*\\
|
||||
&= E[y(t+\tau)x^*(t)]^*\\
|
||||
&=\gamma_{xy}(\tau)^*
|
||||
\end{align*}
|
||||
Remarque : on retrouve la formule du 3. si y(t) = x(t).
|
||||
|
||||
|
||||
\item
|
||||
\begin{itemize}
|
||||
\item $\gamma_{xx}(0)$ est le maximum de l'autocorrélation.
|
||||
\item donc sa dérivée en 0 est nulle.
|
||||
\item et sa dérivée seconde est négative pour assurer la concavité (car maximum).
|
||||
\end{itemize}
|
||||
|
||||
Remarque : FL(filtre linéaire) = SL(système linéaire) + temps invariant.\\
|
||||
si x(t) est stationnaire alors x'(t) aussi et :
|
||||
$m_{x'} = E[x'(t)] = E[\frac{dx(t)}{dt}] = \frac{d}{dt}E[x(t)]$ car l'espérance ne dépent pas du temps donc l'interversion est possible.\\
|
||||
$\gamma_{xx}'(\tau) = \frac{d}{d\tau}E[x(t)x^*(t-\tau)] = E[x(t)\frac{\partial}{\partial \tau}x^*(t-\tau)] = -\gamma_{xx}(\tau)$\\
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
\gamma_{xx}(\tau) &= \int_\mathbb{R} \Gamma_{xx}(f)e^{+j2\pi f\tau}df\\
|
||||
\gamma_{xx}'(\tau) &= \frac{d}{d\tau} \gamma_{xx}(\tau) = \int_\mathbb{R}(j2\pi f) \Gamma_{xx}(\tau)e^{+j2\pi f \tau} df\\
|
||||
\gamma_{xx}''(\tau) &= \int_\mathbb{R}(j2\pi f)^2 \Gamma_{xx}(\tau)e^{+j2\pi f \tau} df\\
|
||||
|\gamma_{xx}(\tau)| &\leq \int_\mathbb{R} |\Gamma_{xx}(f)|df = \int_\mathbb{R} \Gamma_{xx}(f)df = \gamma_{xx}(0)\\
|
||||
%|\gamma_{xx}(\tau)| &< + \infty \texte{ si $\Gamma_{xx}(f)$ décroit plus vite que $\frac{1}{f}$ en $\pm \infty$}\\
|
||||
|\gamma_{xx}'(\tau)| &\leq \int_\mathbb{R} 2 \pi |f| \Gamma_{xx}(f) df < + \infty \text{ si $\Gamma_{xx}(f)$ décroit plus vite que $\frac{1}{f^2}$ en $\pm \infty$}\\
|
||||
\intertext{et ainsi de suite pour des ordres supérieurs}
|
||||
\gamma_{xx}'(0)&=0 \intertext{ car $f\Gamma_{xx}(f)$ est impaire donc l'intégrale est nulle sur $\mathbb{R}$. Ou alors, $\gamma'$ est réelle et égal à $j$ fois un réel, donc est nulle.}
|
||||
\end{align*}
|
||||
|
||||
\item
|
||||
$s(t) = (h*e)(t) = \int_\mathbb{R}h(\theta)e(t-\theta) d\theta$ avec h la réponse impulsionnelle.\\
|
||||
\begin{align*}
|
||||
m_s &= E[s(t)]\\
|
||||
&= E[\int_\mathbb{R} h(\theta)e(t-\theta)d\theta]\\
|
||||
&= \int_\mathbb{R}h(\theta)E[e(t-\theta)] d\theta\\
|
||||
&= m_e \int_\mathbb{R} d\theta\\
|
||||
&= H(0) m_e \\
|
||||
H(f) &= \int_\mathbb{R}h(t)e^{-j2\pi ft}dt\\
|
||||
H(0) &= \int_\mathbb{R}h(t)dt
|
||||
\end{align*}
|
||||
|
||||
\item
|
||||
$\Gamma_{ss}(f)$ en fonction de $H(f)$, $\Gamma_{ee}(f)$. Formules des interférences :
|
||||
\begin{align*}
|
||||
\Gamma_{ss}(f) &= H(f)H^*(f)\Gamma_{ee}(f)\\
|
||||
&= |H(f)|^2\Gamma_{ee}(f)df\\
|
||||
P_s &= \int_\mathbb{R} \Gamma_{ss}(f) df = \int_\mathbb{R} |H(f|^2 \Gamma_{ee}(f) df \geq 0
|
||||
\end{align*}
|
||||
On suppose par l'absurde qu'il existe $f_0 \in \mathbb{R}$ tel que $\Gamma_{ee}(f_0) < 0$
|
||||
|
||||
$\Rightarrow \exists(f_1,f_2) \in \mathbb{R}^2 \avec f_2 > f_0 > f_1$ tel que \[\forall f \in ]f_1,f_2[, \Gamma_{ee}(f) < 0\]
|
||||
On utilise un filtre passe-bande idéal de gain unitaire et :
|
||||
\[P_s = \int_\mathbb{R}\Gamma_{ss}(f)df = \int_{f_1}^{f_2}|H(f)|^2 \Gamma_{ee}(f) df < 0\]
|
||||
Impossible donc $\forall f \in \R, \Gamma_{ee}(f) \geq 0$.
|
||||
|
||||
|
||||
\item
|
||||
On considère deux signaux stationnaires dans leur ensemble. La formule des interférences donne :
|
||||
\begin{align*}
|
||||
\Gamma_{s_1s_2}(f) &= H_1(f)H_2^*(f)\Gamma_{e_1e_2}(f)\\
|
||||
\intertext{Montrons que : } \gamma_{xx'}(\tau) &= -\gamma_{xx}'(\tau)
|
||||
\intertext{Avec $H_1(f) = 1$ et $H_2(f) = j2\pi f$ (dérivateur de $x$), on a :}
|
||||
\Gamma{xx'}(f) &= -j2\pi f \Gamma{xx}(f)
|
||||
\intertext{Par transformée de Fourier inverse il vient :}
|
||||
\gamma_{xx'}(\tau) &= -\gamma_{xx}'(\tau)\\
|
||||
\intertext{De même, avec $H_1(f) = H_2(f) = j2\pi f$, on a :}
|
||||
\Gamma{x'x'}(f) &= -(j2\pi f)^2\Gamma{xx}(f)
|
||||
\intertext{avec la transformée inverse de Fourier il vient :}
|
||||
\gamma_{x'x'}(\tau) &= -\gamma_{xx}''(\tau)\\
|
||||
\end{align*}
|
||||
|
||||
\end{enumerate}
|
||||
|
||||
\end{document}
|
||||
@ -0,0 +1,100 @@
|
||||
\documentclass[main.tex]{subfiles}
|
||||
\begin{document}
|
||||
|
||||
On envoie un signal x(t) binaire de valeur a de probabilité p et de valeur -a de probabilité 1-p. On reçoit $y(t) = x(t) + b(t)$ avec $x(t)$ la partie utile du signal et $b(t)$ le bruit.\\
|
||||
|
||||
A chaque instant $t$, $x(t)$ et $b(t)$ sont des VA réelles notées $X_t$ et $B_t$, et indépendantes.
|
||||
Le bruit $B_t$ suit une loi gaussienne $N(0,\sigma^2)$.\\
|
||||
|
||||
On observe à l'instant $t_0$, $Y_0 = X_0 +B_0$ que l'on compare au seuil $S$. La détection, c'est le cas particulier de l'estimation mais avec un nombre discret de valeurs possibles.\\
|
||||
|
||||
\begin{enumerate}\setlength{\itemsep}{5mm}
|
||||
|
||||
\item Avec p = 0.5, les valeurs $+a$ et $-a$ interviennent avec la même probabilité. Le bruit est centré. Le problème est symétrique. Il n'y a pas de raison de privilégier les valeurs strictement positive, ou négative. On pose donc $S = 0$.
|
||||
|
||||
\item $B$ est une VA gaussienne centrée et d'écart type $\sigma$ :\[f_B(b) = \frac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{b^2}{2\sigma^2})\]
|
||||
|
||||
\item $X$ est certain et $Y=X+B$ avec $B$ : $N(0,\sigma^2)$, donc on peut intuiter que $Y$ suit la loi gaussienne : $N(X,\sigma^2)$.
|
||||
|
||||
Sinon : Théorème de changement de variable : $f_Y(y) = f_B(b)|\frac{db}{dy}|_{b tq y =X+b} = f_{B}(y-X)$
|
||||
|
||||
\[f_Y(y) = \frac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{(y-x)^2}{2\sigma^2})\]
|
||||
|
||||
\item
|
||||
\begin{align*}
|
||||
F_Y(S) & = Pr[Y<S] = \int_{-\infty}^{S} f_Y(y) dy \\
|
||||
& = \int_{-\infty}^S \frac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{(y-x)^2}{2\sigma^2})dy \\
|
||||
& = \int_{-\infty}^{\frac{S-X}{\sigma}} \frac{1}{\sqrt{2\pi}\sigma}\exp(-\frac{1}{2}t^2)dt \\
|
||||
& = P(\frac{S-X}{\sigma})
|
||||
\intertext{On en déduit donc}
|
||||
F_Y(X+3\sigma) & = P(3) = 0.9987 \\
|
||||
F_Y(X-3\sigma) & = 1 - P(3) = 0.0013
|
||||
\end{align*}
|
||||
|
||||
\item On cherche $\frac{a^2}{\sigma^2}$\\
|
||||
\begin{align*}
|
||||
P_X = E[X^2] = pa^2+(1-p)(-a)^2 = a^2\\
|
||||
P_B = E[B^2] = \int_\mathbb{R} \frac{b^2}{\sqrt{2\pi}\sigma}exp(-\frac{1}{2}\frac{b^2}{\sigma ^2}) db = \sigma ^2
|
||||
\end{align*}
|
||||
Ainsi, $\frac{a^2}{\sigma^2}$ est égal au rapport signal sur bruit (RSB).
|
||||
|
||||
\item Comme $X$ et $B$ sont indépendants, si on fixe $X=a$, on se ramène au cas précédent avec $X$ certain, donc
|
||||
\[ f_{Y/X=a}(y) = f_B(y-a) \]
|
||||
|
||||
Ainsi,
|
||||
\begin{align*}
|
||||
Pr[Y<S/X=a] & = \int_{-\infty}^S f_{Y/X=a}(y)dy \\
|
||||
& = P(\frac{S-a}{\sigma}
|
||||
\end{align*}
|
||||
|
||||
\item On commet une erreur si
|
||||
\begin{itemize}
|
||||
\item on envoie $a$ (probabilité $p$) et qu'on reconstruit $-a$
|
||||
\item ou si on envoie $-a$ (probabilité $1-p$ et qu'on reconstruit $a$
|
||||
\end{itemize}
|
||||
|
||||
\begin{align*}
|
||||
P_{\epsilon} & = Pr[(Y<S \et X=a) \ou (Y>S \et X = -a)] \\
|
||||
& = Pr[(Y<S \et X=a)] + Pr[(Y>S \et X = -a)] \\
|
||||
& = Pr[(Y<S / X=a)]Pr[X=a] + Pr[(Y>S / X = -a)]Pr[X=-a] \\
|
||||
P_{\epsilon} & = P(\frac{S-a}{\sigma})p+(1-P(\frac{S+a}{\sigma}))(1-p)
|
||||
\end{align*}
|
||||
|
||||
Remarque : \\
|
||||
Si $S\rightarrow+\infty$ (i.e. on reconstruit toujours $-a$), alors on a $P_{\epsilon} \rightarrow p$ (i.e. la probabilité d'erreur correspond à la celle d'envoyer un $a$).
|
||||
|
||||
Si $S\rightarrow-\infty$ (i.e. on reconstruit toujours $a$), alors on a $P_{\epsilon} \rightarrow 1-p$ (i.e. la probabilité d'erreur correspond à la celle d'envoyer un $-a$).
|
||||
|
||||
\item Condition nécessaire pour avoir un optimum (attention à vérifier aux bornes) :
|
||||
|
||||
\[ \frac{dP_{\epsilon}}{dS}|_{S=S_{opt}} =0 \]
|
||||
|
||||
\begin{align*}
|
||||
\frac{dP_{\epsilon}}{dS}|_{S=S_{opt}} =0 & \leftrightarrow \frac{p}{\sigma}P(\frac{S-a}{\sigma}) - \frac{1-p}{\sigma}P(\frac{S+a}{\sigma}) = 0 \\
|
||||
& \leftrightarrow pe^{-\frac{1}{2}(\frac{S-a}{\sigma})^2} - (1-p)e^{-\frac{1}{2}(\frac{S+a}{\sigma})^2} = 0 \\
|
||||
& \leftrightarrow S_{opt} = \frac{\sigma^2}{2a}\ln(\frac{1-p}{p})
|
||||
\end{align*}
|
||||
|
||||
Pour montrer qu'il s'agit d'un minimum, on peut calculer $\frac{d^2P_{\epsilon}}{dS^2}|_{S=S_{opt}}$ et vérifier que c'est positif, ou vérifier que $\frac{dP_{\epsilon}}{dS}$ change de signe en $S_{opt}$.
|
||||
|
||||
\item Lorsque $p$ tend vers 1, $S_{opt}$ tend vers $-\infty$. En effet, si on envoie toujours un $a$, pour reconstruire uniquement $a$, il faut toujours être au dessus du seuil.
|
||||
|
||||
Lorsque $p$ tend vers 0, alors $S_{opt}$ tend vers $+\infty$.
|
||||
|
||||
\item Lorsque $p=\frac{1}{2}$, $S_{opt} = 0$.
|
||||
|
||||
\begin{align*}
|
||||
P_{\epsilon} & = \frac{1}{2}P(-\frac{a}{\sigma}) + (1-P(\frac{a}{\sigma}))\frac{1}{2} \\
|
||||
& = \frac{1}{2}(1+P(-\frac{a}{\sigma})-P(\frac{a}{\sigma}))\\
|
||||
P_{\epsilon} & = P(-\frac{a}{\sigma})
|
||||
\end{align*}
|
||||
|
||||
Lorsque $a/\sigma$ "grand" (bon RSB), alors $P_{\epsilon} = P(-\frac{a}{\sigma}) = 1 - P(\frac{a}{\sigma}) \rightarrow 0$. Si le bruit est faible, l'erreur aussi.
|
||||
|
||||
Lorsque $a/\sigma$ "petit", alors $P_{\epsilon} \rightarrow \frac{1}{2}$. Si le bruit est élevée, on a autant de chance d'avoir la bonne valeur que de se tromper.\\
|
||||
|
||||
$a/\sigma=3$ : $P_{\epsilon} = 1 - P(3) = 0.0013$
|
||||
|
||||
\item Pour diminuer la probabilité d'erreur, on peut par exemple réaliser deux mesures au lieu d'une sur chaque intervalle de temps : cela permet de "moyenner" l'effet du bruit. En effet, pour deux VA $Y_1$ et $Y_2$ décrites par $N(0,\sigma^2)$, on a pour la VA $Y=\frac{Y_1+Y_2}{2}$ un écart type de $\sigma' = \frac{\sigma}{\sqrt{2}}$.
|
||||
\end{enumerate}
|
||||
\end{document}
|
||||
@ -0,0 +1,219 @@
|
||||
\documentclass[main.tex]{subfiles}
|
||||
|
||||
\begin{document}
|
||||
|
||||
\newcommand{\hth}{\hat{\theta}}
|
||||
\newcommand{\hx}{\hat{x}}
|
||||
\newcommand{\bY}{\mathbf{Y}}
|
||||
\newcommand{\bH}{\mathbf{H}}
|
||||
\newcommand{\erth}{\tilde{\theta}}
|
||||
\newcommand{\erx}{\tilde{x}}
|
||||
\newcommand{\gxx}{\gamma_{xx}}
|
||||
|
||||
\subsection{Introduction}
|
||||
|
||||
\begin{itemize}
|
||||
\item Grandeur à estimer : VA $\theta = x(t+\Delta t)$, $\Delta t >0$.
|
||||
\item Information a priori : $x(t)$ SA réel, scalaire, centré ($\forall t \in \R, E[x(t)] = 0$), stationnaire ($E[x(t)] = m_x(t) = m_x$).
|
||||
|
||||
\item Observations / mesures : dans la partie II, $Y=x(t)$ et dans la partie III, $\bY=\vect{ x(t) \\ x'(t) }$
|
||||
\item Choix de l'estimateur : estimateur linéaire : $\hth = \bH \bY$
|
||||
\begin{itemize}
|
||||
\item Partie II : $\hth = \hx (t+\Delta t) = Hx(t)$
|
||||
\item Partie III : $\hth = \hx (t+\Delta t) = \bH \vect{x(t) \\ x'(t) } = [a \quad b]\vect{ x(t) \\ x'(t)} =ax(t) + bx'(t)$
|
||||
\end{itemize}
|
||||
|
||||
\item Calcul des caractéristiques statistiques de l'estimateur
|
||||
\begin{itemize}
|
||||
\item $ \erth = \hx(t+\Delta t) - x(t+\Delta t)$
|
||||
\item $E[\erth] = $ biais(moyen)
|
||||
\item $E[\erth^2] = P_{\erth} = E[(\hth-\theta)^2] =$ erreur quadratique moyenne (puissance de l'erreur)\\
|
||||
\end{itemize}
|
||||
\end{itemize}
|
||||
|
||||
Objectif : Minimiser $P_{\erth}$\\
|
||||
|
||||
\begin{itemize}
|
||||
\item Variations lentes : $x(t+\Delta t) \approx x(t)$.
|
||||
|
||||
$\hx(t+\Delta t) = x(t) = 1.x(t)$. L'erreur d'estimation vient de celle de $x(t+\Delta t) \approx x(t)$.
|
||||
|
||||
$\hx(t+\Delta t) = 1.x't) + \Delta t x'(t)$
|
||||
|
||||
\item Fortement corrélé : $\gxx(\Delta t) \approx \gxx(0)$.
|
||||
|
||||
On obtient les mêmes expressions que précédemment pour $\hx(t+\Delta t)$.
|
||||
|
||||
\item Faiblement corrélé : la fonction d'autocorrélation est "plus étroite" : $\gxx(\Delta t) \approx 0$
|
||||
|
||||
$\hx(t+\Delta t) = 0$ i.e. $a=0,b=0$
|
||||
|
||||
\item Signal sinusoïdal
|
||||
|
||||
$\hx(t+\Delta t) = \frac{x_1(t+\Delta t) + x_2(t+\Delta t)}{2}$ si on a seulement accès à $x(t)$
|
||||
|
||||
$\hx(t+\Delta t) = x(t+\Delta t)$ si on a accès à $x(t)$ et $x'(t)$.
|
||||
\end{itemize}
|
||||
|
||||
\subsection{Estimateur à partir de $x(t)$}
|
||||
|
||||
On utilise l'estimateur suivant :
|
||||
\[\hx(t+\Delta t) = a.x(t) \]
|
||||
\begin{enumerate}\setlength{\itemsep}{5mm}
|
||||
\item Calculons l'erreur moyenne :
|
||||
\begin{align*}
|
||||
E[\erx(t+\Delta t)] & = E[\hx(t+\Delta t) - x(t+\Delta t)] \\
|
||||
& = E[a.x(t) - x(t+\Delta t)] \\
|
||||
& = aE[x(t)] - E[x(t+\Delta t)] \\
|
||||
& = 0 \text{ car le signal est centré}
|
||||
\end{align*}
|
||||
L'estimateur est non biaisé car la moyenne de l'estimateur est égale à la moyenne du signal.
|
||||
|
||||
\item Calculons l'erreur quadratique :
|
||||
\begin{align*}
|
||||
P_{\erth} & = E[\erx(t+\Delta t)^2] \\
|
||||
& = E[(ax(t)-x(t+\Delta t))^2] \\
|
||||
P_{\erth}(a) & = a^2 \gxx(0) -2a\gxx(\Delta t)+\gxx(0)
|
||||
\end{align*}
|
||||
|
||||
$P_{\erth}(a)$ est une parabole et $\gxx(a)>0$ donc on a la CNS de maximum :
|
||||
\[ \frac{dP_{\erth}(a)}{da}|_{a_{opt}} = 0 \Leftrightarrow a_{opt} = \frac{\gxx(\Delta t)}{\gxx(0)} \in [-1,1] \]
|
||||
|
||||
On en déduit l'erreur quadratique minimale :
|
||||
\[P_{min} = P_{\erth}(a_{opt}) = \gxx(0) - \frac{\gxx^2(\Delta t)}{\gxx(0)} = \gxx(0)(1-(\frac{\gxx(\Delta t)}{\gxx(0)})^2)\]
|
||||
|
||||
Calculons l'erreur moyenne de $\erx(t+\Delta t)x(t)$ :
|
||||
\begin{align*}
|
||||
E[\erx(t+\Delta t)x(t)] & = E[(ax(t) - x(t+\Delta t)) x(t)] \\
|
||||
& = a \gxx(0) - \gxx(\Delta t)
|
||||
\intertext{Pour $a = a_{opt}$,}
|
||||
E[\erx(t+\Delta t)x(t)] & = 0 \text{ (principe d'orthogonalité)}
|
||||
\intertext{On peut réécrire ce résultat :}
|
||||
E[\erx(t+\Delta t)x(t)] & = \gamma_{x\erx}(\Delta t) = 0
|
||||
\end{align*}
|
||||
Autrement dit, il ne reste plus d'information commune entre $\erx(t+\Delta)$ et $x(t)$. On a extrait ce qu'on pouvait. Si on ne l'avait pas fait ($\gamma_{x\erx}(\Delta t) \neq 0$), on pourrait trouver un meilleur estimateur.
|
||||
|
||||
\item Dans le cas du bruit blanc $\gxx(\Delta t) = 0$ donc $a_{opt}=0$.
|
||||
|
||||
Dans le cas du faiblement corrélé, $\gxx(\Delta t)=0$.
|
||||
|
||||
Fortement corrélé : $\gxx(\Delta t) \approx \gxx(0)$ donc $a_{opt}\approx 1$
|
||||
\end{enumerate}
|
||||
|
||||
\subsection{Estimateur à partir de $x(t)$ et $x'(t)$}
|
||||
|
||||
On considère l'estimateur :
|
||||
\[ \hx(t+\Delta t) = ax(t) + bx'(t) \]
|
||||
|
||||
Hypothèses :
|
||||
\begin{itemize}
|
||||
\item $\tau \rightarrow \gamma_{xx}(\tau)$ est dérivable 2 fois
|
||||
\item $\gxx'(0)=0$
|
||||
\item $\gxx''(0) <0$
|
||||
\end{itemize}
|
||||
|
||||
\begin{enumerate}\setlength{\itemsep}{5mm}
|
||||
\item Biais de l'estimateur ?
|
||||
\begin{align*}
|
||||
E[\erx(t+\Delta t)] & = E[(\hx(t+\Delta t) - x(t-\Delta t)] \\
|
||||
& = E[ax(t) + bx'(t) - x(t+\Delta t)]\\
|
||||
& = a E[x(t)] + bE[x'(t)] - E[x(t+\Delta t)] \\
|
||||
& = 0
|
||||
\end{align*}
|
||||
L'estimateur est non biaisé, et e $\forall a,b\in\R^2$.
|
||||
|
||||
\item Erreur quadratique moyenne de l'estimateur ?
|
||||
\begin{align*}
|
||||
P_{\erth} &= E[\erx(t+\Delta)^2] \\
|
||||
& = E[(ax(t)+bx'(t)-x(t+\Delta t))^2] \\
|
||||
& = a^2E[x(t)^2] + b^2E[x'(t)^2]+E[x(t+\Delta t)^2] + 2abE[x(t)x'(t)] \\& \qquad - 2aE[x(t)x(t+\Delta t) - 2bE[x'(t)x(t+\Delta t)] \\
|
||||
\intertext{D'après les résultats démontrés au TD précédent (via formule des interférences) : }
|
||||
P_{\erth} & = a^2\gxx(0) -b^2\gxx''(0)+\gxx(0) -2ab\gxx'(0)-2a\gxx(\Delta t) +2b\gxx'(\Delta t) \\
|
||||
& = (1+a^2)\gxx(0) -b^2\gxx''(0) -2a\gxx(\Delta t) +2b\gxx'(\Delta t)
|
||||
\end{align*}
|
||||
|
||||
Ceci définit sans conteste un fantastique paraboloïde tourné ver le haut ! En effet, les coefficients de vant $a^2$ et $b^2$ ont le bon goût d'être positifs (car $gxx(0)=P_x>0$ et $\gxx''(0)<0$ (puissance maximum en 0)).
|
||||
|
||||
Tout ça pour ne pas minimiser la belle fonction à deux variables, car on a maintenant une CNS de minimum de l'erreur quadratique :
|
||||
\[ \frac{\partial P_{\erth}}{\partial a}|_{a=a_{opt}} = 0 \quad \et \quad \frac{\partial P_{\erth}}{\partial b}|_{b=b_{opt}} \]
|
||||
|
||||
On en déduit donc :
|
||||
\[ a_{opt} = \frac{\gxx(\Delta t)}{\gxx(0)} \quad \et \quad b_{opt} = \frac{\gxx'(\Delta t)}{\gxx''(0)} \]
|
||||
puis
|
||||
\[P_{\erth}(a_{opt},b_{opt}) = \gxx(0) - \frac{\gxx^2(\Delta t)}{\gxx(0)} + \frac{\gxx'^2(\Delta t)}{\gxx''(0)} \]
|
||||
|
||||
On compare les 2 estimateurs :
|
||||
\[P_{min,2} = \gxx(0)[1 -(\frac{\gxx(\Delta t)}{\gxx(0)})^2] + \frac{\gxx'^2(\Delta)}{\gxx''(0)} = P_{min,1} + \frac{\gxx'^2(\Delta)}{\gxx''(0)} \]
|
||||
|
||||
Or, $\frac{\gxx'^2(\Delta)}{\gxx''(0)}<0$ donc $P_{min,2} < P_{min,1}$
|
||||
|
||||
\begin{align*}
|
||||
E[\erx(t+\Delta t)x(t)] & = E[(ax(t)+bx'(t)-x(t+\Delta t))x(t) \\
|
||||
& = a\gxx(0) - b\gxx'(0) - \gxx(\Delta t) \\
|
||||
& = a\gxx(0) - \gxx(\Delta t) \\
|
||||
& = 0 \avec a=a_{opt}
|
||||
\end{align*}
|
||||
|
||||
\begin{align*}
|
||||
E[\erx(t+\Delta t)x(t)] & = E[(ax(t)+bx'(t)-x(t+\Delta t))x'(t)] \\
|
||||
& = a\gxx'(0) - b\gxx''(0) +\gxx'(\Delta t) \\
|
||||
& = - b\gxx''(0) +\gxx'(\Delta t) \\
|
||||
& =0 \avec b = b_{opt}
|
||||
\end{align*}
|
||||
|
||||
On aurait pu utiliser ce résultat (principe d'orthogonalité) pour trouver les valeurs de $a_{opt}$ et $b_{opt}$.\\
|
||||
|
||||
\textbf{Résumé : } dans le cadre d'un estimateur linéaire : \[\hth = \hx (t+\Delta t) = \bH \vect{x(t) \\ x'(t) } = [a \quad b]\vect{ x(t) \\ x'(t)} =ax(t) + bx'(t)\]
|
||||
\begin{itemize}
|
||||
\item 1ère méthode : exprimer $P_{\erth}=E[\erth^2]$, chercher le $\bH_{opt} = [a_{opt} \quad b_{opt}]$ tel que $P_{\erth}$ est minimale. On en déduit $\hth=\bH_{opt} \bY$.
|
||||
\item 2ème méthode : Principe d'orthogonalité, revient à chercher $\bH$ tel que $E[\erth\bY^T]=0$.
|
||||
\end{itemize}
|
||||
|
||||
\[E[\erth\bY^T]=0 \Leftrightarrow \text{Chercher } P_{\erth} min + \text{ estimateur lin. } \]
|
||||
|
||||
\textit{Remarque :} Innovation = l'erreur $\erx(t+\Delta t)$ dans le cas où l'estimateur minimise $P_{\erth}$
|
||||
\end{enumerate}
|
||||
|
||||
\subsection{Comparaison}
|
||||
\begin{enumerate}\setlength{\itemsep}{5mm}
|
||||
\item \begin{itemize}
|
||||
\item Les deux estimateurs sont non biaisés.
|
||||
\item $P_{min,2} \leq P_{min,1}$ : le 2ème est cool !
|
||||
\end{itemize}
|
||||
|
||||
\item On suppose $\Delta t$ "petit". Au début du TD, on avait alors intuité que \[\hx(t+\Delta t) = 1.x't) + \Delta t x'(t)\] soit $a_{opt} = 1$ et $b_{opt} =\Delta t$.
|
||||
\[a_{opt} = \frac{\gxx(\Delta t)}{\gxx(0)} \approx \frac{\gxx(0) + \Delta t \gxx'(0)}{\gxx(0)}=1\]
|
||||
\[b_{opt} = \frac{\gxx'(\Delta t)}{\gxx''(0)} \approx \frac{\gxx'(0) + \Delta t \gxx''(0)}{\gxx''(0)}=\Delta t\]
|
||||
|
||||
WIRKLICH WUNDERBAR !
|
||||
|
||||
\end{enumerate}
|
||||
|
||||
\subsection{Application}
|
||||
|
||||
On s'intéresse maintenant au signal :
|
||||
\[ x(t) = E_0\sin(2\pi f_0 t+\phi) \] où $\Phi$ est une VA uniformément répartie sur $[0,2\pi[$
|
||||
|
||||
On a montré dans un TD précédent que ce signal est stationnaire et ergodique (à l'ordre 2).
|
||||
|
||||
\begin{enumerate}\setlength{\itemsep}{5mm}
|
||||
\item $E[x(t)] = 0$ car $\Phi$ est une VA uniforme. Par ergodicité et stationnarité au 1er ordre, $\overline{x(t)} = E[x(t)] = 0$.
|
||||
|
||||
On calcule la fonction d'autocorrélation et comme on l'a déjà vu :
|
||||
\[ \gxx(\tau) = \frac{E_0^2}{2}\cos(2\pi f_0 t) \]
|
||||
|
||||
\item $\gxx(\tau)=\frac{E_0^2}{2}\cos(2\pi f_0 t)$ a sensiblement l'air périodique, d'amplitude $\frac{E_0^2}{2}$ et de fréquence $f_0$.
|
||||
|
||||
\item 1er estimateur : $\hx_1(t+\Delta t) = a_{opt}x(t)$.
|
||||
|
||||
Or, $a_{opt} = \frac{\gxx(\Delta t)}{\gxx(0)} = \cos(2\pi f_0 \Delta t)$, donc
|
||||
\[ \hx_1(t+\Delta t)= E_0 \cos(2\pi f_0 \Delta t)x(t) = E_0 \cos(2\pi f_0 \Delta t) \sin(2\pi f_0 t + \phi) \]
|
||||
|
||||
\item 2ème estimateur : $\hx_2(t+\Delta t) = a_{opt}x(t) + b_{opt}x'(t)$.
|
||||
|
||||
Or, $a_{opt} = \frac{\gxx(\Delta t)}{\gxx(0)} = \cos(2\pi f_0 \Delta t)$ et
|
||||
$b_{opt} = \frac{\gxx'(\Delta t)}{\gxx''(0)} = \frac{\sin(2\pi f_0 \Delta t)}{2\pi f_0}$, donc
|
||||
\[ \hx_2(t+\Delta t) = E_0 \cos(2\pi f_0 \Delta t) \sin(2\pi f_0 t + \phi) + E_0 \frac{\sin(2\pi f_0 \Delta t)}{2\pi f_0} (2\pi f_0 \cos(2\pi f_0 t + \phi)) \]
|
||||
\[ \hx_2(t+\Delta t) = E_0\sin(2\pi f_0(t+\Delta t) + \phi) = x(t+\Delta t)\]
|
||||
\end{enumerate}
|
||||
\end{document}
|
||||
@ -0,0 +1,205 @@
|
||||
\documentclass[main.tex]{subfiles}
|
||||
|
||||
\begin{document}
|
||||
\newcommand{\snn}{\sum_n}
|
||||
On cherche à estimer $V$ (paramètre constant).
|
||||
|
||||
On relève la position du véhicule le long du rail à des instants $t_n=nT$.
|
||||
|
||||
On considère $Y_n=nTV+B_n$, avec $B_n~N(0,\sigma_B^2)$.
|
||||
|
||||
À $t_n=t_0=0$, le mobile se trouve en 0.
|
||||
|
||||
\section{Expériences}
|
||||
|
||||
\begin{enumerate}\setlength{\itemsep}{10mm}
|
||||
\item On trace la droite qui passe au mieux par tous les points et l'origine, on trouve une pente d'environ 1 m/s.
|
||||
|
||||
L'hypothèse "bruit blanc" a l'air de marcher mais ne pas faire de conclusion rapide (on n'a que 10 mesures).
|
||||
|
||||
\item La "meilleure droite" ne passe pas par l'origine. Les causes possibles sont : un bruit non centré, ou une position non nulle à $t_0=0$. On a l'impression que le bruit est corrélé, mais on ne peut pas tirer de conclusion.
|
||||
|
||||
\item Pour obtenir la ddp de $\hat{V}$ :
|
||||
\begin{itemize}
|
||||
\item Méthode basée sur l'expérience : chaque jeu d'observation donne $\hat{v}_i$ et on trace l'histogramme (voir TP d'initiation à Matlab).
|
||||
\item Méthode de changement de variable : ddp de $B_n$, puis ddp de $Y_n$ et enfin (passage difficile) ddp de $\hat{V}$.
|
||||
\end{itemize}
|
||||
|
||||
Remarque : $\hat{V}~N(m_{\hat{v}},\sigma_{\hat{V}}^2)$
|
||||
\begin{itemize}
|
||||
\item 1er estimateur (non biaisé) : $m_{\hat{v}}=1m/s$ et $\sigma_{\hat{V}}=0,08m/s$
|
||||
\item 2ème estimateur (non biaisé) : $m_{\hat{v}}=1m/s$ et $\sigma_{\hat{V}}=0,04m/s$, meilleur estimateur car meilleur écart-type.
|
||||
\end{itemize}
|
||||
|
||||
\end{enumerate}
|
||||
|
||||
\subsection{Estimateur empirique}
|
||||
Dans cette partie, $Y_n=nTV+B_n$ avec bruit faible, donc $V=\frac{y_n}{nT}$.
|
||||
|
||||
\begin{enumerate}\setlength{\itemsep}{10mm}
|
||||
\item On mesure $y_n$. \[\hat{V}_{emp}=\frac{Y_n}{nT}\]
|
||||
\[E[\hat{V}_{emp}] = \frac{E[Y_n]}{nT}=\frac{E[nTV+B_n]}{nT} = V+\frac{E[B_n]}{nT} = V\]
|
||||
donc l'estimateur est non biaisé.
|
||||
\[\sigma_{\hat{V}_{emp}}^2 = E[(\hat{V}_{emp}-m_{\hat{V}_{emp}})^2] = E[(\frac{Y_n}{nT}-V)^2] = E[(\frac{nTV+B_n}{nT}-V)^2] = \frac{1}{(nT)^2}E[B_n^2]\]
|
||||
\[\sigma_{\hat{V}_{emp}}=\frac{\sigma_B}{nT}\]
|
||||
Ainsi, pour minimiser $\sigma_{\hat{V}_{emp}}$, on prend $n=N$ (la plus grande mesure).
|
||||
|
||||
\item On dispose de $N$ mesures $y_1,...y_N$
|
||||
\[\hat{V}_{emp}=\frac{\snn \frac{Y_n}{nT}}{n}\]
|
||||
L'estimateur n'est pas biaisé car :
|
||||
\[ E[\hat{V}_{emp}] = \frac{\snn \frac{E[Y_n]}{nT}}{N}=V\]
|
||||
Écart-type de l'estimateur :
|
||||
\begin{align*}
|
||||
\sigma_{\hat{V}_{emp}}^2 & = E[(\hat{V}_{emp}-m_{\hat{V}_{emp}})^2]\\
|
||||
& = E[(\hat{V}_{emp}-V)^2] \\
|
||||
& = E[(\frac{\snn V+\frac{B_n}{nT}}{N}- \frac{NV}{N})^2] \\
|
||||
& = \frac{1}{N^2}E[(\snn\frac{B_n}{nT})^2] \\
|
||||
& = \frac{1}{(NT)^2}E[(\snn \frac{B_n}{n})^2] \\
|
||||
& = \frac{1}{(NT)^2}(\snn\frac{E[B_n^2]}{n^2}+\sum_{n\neq m}\frac{E[B_nB_m]}{nm}) \\
|
||||
\intertext{Le bruit est blanc, donc les $E[B_nB_m]=0$}
|
||||
\sigma_{\hat{V}_{emp}}^2 & = \frac{\sigma_B^2}{(NT)^2}\snn\frac{1}{n^2} \\
|
||||
\sigma_{\hat{V}_{emp}} & = \frac{\sigma_B}{nT}\sqrt{S_1}
|
||||
\end{align*}
|
||||
|
||||
Or, $\frac{\sigma_B}{nT}\sqrt{S_1} > \frac{\sigma_B}{nT}$. Cela signifie que notre estimateur avec 1 mesure est "meilleur" que celui avec $n$ mesures. On est triste d'avoir considéré les premières mesures qui sont très sensibles, comme nous, mais au bruit.
|
||||
\end{enumerate}
|
||||
|
||||
\subsection{Préliminaires}
|
||||
$V$ grandeur certaine mais inconnue, $Y_n=nTV+B_n$ et $B_n=N(0,\sigma_B^2)$.
|
||||
\begin{enumerate}
|
||||
\item Moyenne de $Y_n$ : $m_n = E[Y_n] = nTV$.
|
||||
|
||||
Écart-type de $Y_n$ : $\sigma_n^2=E[(Y_n-m_n)^2] = E[B_n^2]$ donc $\sigma_n=\sigma_B$
|
||||
|
||||
Coefficient de corrélation : \[\rho_{mn} = \frac{E[(Y_n-m_n)(Y_m-m_m)]}{\sigma_n\sigma_m} = \frac{E[B_nB_m]}{\sigma_B^2} = \left\{\begin{array}{cc} 1 & \si m=n \\ 0 & \si m\neq n \end{array}\right. = \delta_{n-m}\]
|
||||
|
||||
\item Par changement de variables aléatoires si ça t'amuse,
|
||||
\[f_{Y_n}(y_n) = f_{B_n}(y_n-nTV) = \\frac{1}{\sqrt{2\pi \sigma_b^2}}e^{-frac{(y_n-nTV)^2}{2\sigma_b^2}}\]
|
||||
|
||||
Le caractère gaussien se conserve par transformation linéaire, i.e. toute combinaison linéaire de VA suivant une loi gaussienne suit aussi une loi gaussienne. Attention, ne pas sommer les ddp.
|
||||
|
||||
Les $Y_i$ étant indépendants (car les $B_i$ sont indépendants car blancs) :
|
||||
\[f_{Y_1,...Y_n}(y_1,...y_n)=\prod_{i=1}^N f_{Y_i}(y_i)=\frac{1}{(2\pi)^{N/2}\sigma_B^N}\exp(-\frac{1}{2}\frac{\snn(y_n-nTV)^2}{\sigma_B^2})\]
|
||||
\[f_{\mathbf{Y}}(\mathbf{y}) =\frac{1}{(2\pi)^{N/2}\sigma_B^N}\exp(-\frac{1}{2}\frac{(\mathbf{y}-E[\mathbf{y}])^T(\mathbf{y}-E[\mathbf{y}])}{\sigma_B^2})\]
|
||||
\end{enumerate}
|
||||
|
||||
\noindent Rappel : la décorrélation n'implique pas l'indépendance, il faut le caractère "gaussiens dans leur ensemble".
|
||||
|
||||
\subsection{Estimateur des moindres carrés}
|
||||
|
||||
\begin{enumerate}\setlength{\itemsep}{10mm}
|
||||
\item L'estimateur au sens des moindres carrés de $V$ est :
|
||||
\[ \hat{v}_{MC} = \arg_V \min \sum_{n=1}^N (y_n-nTV)^2\]
|
||||
|
||||
En posant $J_{MC} : V \rightarrow \sum_{n=1}^N(y_n-nTV)^2$, $J_{MC}$ est une parabole (concavité tournée vers le haut). On a alors une condition nécessaire et suffisante à la minimisation :
|
||||
\begin{align*}
|
||||
\frac{dJ_{MC}}{dV}|_{V =\hat{V}_{MC}} = 0 & \Leftrightarrow \sum_{n=1}^N 2(-nT)(y_n-nTV) = 0 \\
|
||||
& \Leftrightarrow \sum_{n=1}^N ny_n - \hat{v}_{MC} T \sum_{n=1}^N n^2 = 0 \\
|
||||
& \Leftrightarrow \hat{v}_{MC} = \frac{\snn ny_n}{T\sum_{n=1}^N n^2} \\
|
||||
& \Leftrightarrow \hat{V}_{MC} = \frac{\snn nY_n}{TS_2}
|
||||
\end{align*}
|
||||
|
||||
\item Calculons la moyenne de l'estimateur.
|
||||
|
||||
\[m_{MC} = E[\hat{v}_{MC}] = \frac{\snn n E[Y_n]}{T S_2} = \frac{\snn n (nTV)}{T S_2} = V\]
|
||||
L'estimateur non biaisé.\\
|
||||
|
||||
On s'intéresse à son écart-type.
|
||||
\begin{align*}
|
||||
\sigma_{MC}^2 & = E[(\hat{V}_{MC}-m_{MC})^2]\\
|
||||
& = E[(\hat{V}_{MC}-V)^2] \\
|
||||
& = E[(\frac{\snn nY_n}{TS_2}-V)^2] \\
|
||||
& = E[(\frac{\snn n^2 (TV + nB_n) - TV\snn n^2}{TS_2})^2] \\
|
||||
& = E[(\frac{\snn nB_n}{TS_2})^2]
|
||||
\intertext{Comme les $B_n$ sont décorrélés, les doubles produits sont tous nuls}
|
||||
\sigma_{MC}^2 & = \frac{\snn n^2 E[B_n^2]}{T^2 S_2^2} \\
|
||||
\sigma_{MC} & = \frac{\sigma_B}{T\sqrt{S_2}}
|
||||
\end{align*}
|
||||
|
||||
Comme $S_2=\snn n^2 > N^2$, on a $\sqrt{S_2} > N$ donc $\sigma_{MC} < \sigma_{emp} = \frac{\sigma_B}{NT}$.
|
||||
|
||||
Notre estimateur est meilleur que l'estimateur empirique.
|
||||
\end{enumerate}
|
||||
|
||||
\newpage
|
||||
\subsection{Estimateur du maximum de vraisemblance}
|
||||
|
||||
\begin{enumerate}\setlength{\itemsep}{10mm}
|
||||
\item L'estimateur du maximum de vraisemblance de $V$ est donné par
|
||||
\[ \hat{v}_{MV} = \arg_V \max f_{\textbf{Y}}(\mathbf{y}) \]
|
||||
|
||||
Remarque : dans le cas où $V$ est incertain, $\arg_v \max f_{\mathbf{Y}/V=v}(\mathbf{y})$.\\
|
||||
|
||||
$Y$ suit une loi gaussienne donc :
|
||||
\[ \hat{v}_{MV} = \arg_V \max f_{\textbf{Y}}(\mathbf{y}) = \arg_V \min \snn (y_n-nTV)^2 = \arg \min J_{MC}(V)\]
|
||||
|
||||
\item Identique à la partie précédente car $\hat{V}_{MV} = \hat{V}_{MC}$.
|
||||
\end{enumerate}
|
||||
|
||||
\subsection{Estimateur du maximum a posteriori}
|
||||
\begin{itemize}
|
||||
\item $V$ suit une loi gaussienne $N(V_0,\sigma_V^2)$
|
||||
\item les VA $B_n$ et $V$ sont indépendantes 2 à 2
|
||||
\end{itemize}
|
||||
\medskip
|
||||
On a 2 types d'informations :
|
||||
\begin{itemize}
|
||||
\item celle qui vient des mesures $y_n$
|
||||
\item celle qui vient de l'a priori $V$
|
||||
\end{itemize}
|
||||
|
||||
\begin{enumerate}\setlength{\itemsep}{10mm}
|
||||
\item Dans le cas où $V=v$ ($v$ est certain), on ne change pas pour autant le comportement de $B_1,...B_n$, donc de $Y_1...Y_n$ :
|
||||
\[ f_{\mathbf{Y}/V=v}(\mathbf{y}) = \frac{1}{(2\pi)^{N/2}\sigma_B^N}\exp(-\frac{1}{2}\frac{\snn(y_n-nTv)^2}{\sigma_B^2}) \]
|
||||
|
||||
\item On utilise la règle de Bayes :
|
||||
\[f_{V/\mathbf{Y}=\mathbf{y}}(v) = \frac{f_{\mathbf{Y}/V=v}(\mathbf{y}) f_V(v)}{f_{\mathbf{Y}}(\mathbf{y})} \]
|
||||
$f_{\mathbf{Y}}(\mathbf{y})$ ne dépend pas de $v$ car on peut la calculer selon $f_{\mathbf{Y}}(\mathbf{y}) = \int_{\R} f_{\mathbf{Y},V}(\mathbf{y},v)dv$.
|
||||
|
||||
\item L'estimateur du maximum a posteriori de $V$ est donné par :
|
||||
\[\hat{v }_{MAP} = \arg_v \max f_{V/\mathbf{Y}=\mathbf{y}}(v)\]
|
||||
|
||||
Or \[ f_{V/\mathbf{Y}=\mathbf{y}}(v) = cste \times \exp(-\frac{1}{2}(\frac{\snn (y_n - nvT)^2}{\sigma_B^2} + \frac{(v-V_0)^2}{\sigma_V^2})) \]
|
||||
|
||||
On pose $J_{MAP} = \frac{\snn (y_n - nvT)^2}{\sigma_B^2} + \frac{(v-V_0)^2}{\sigma_V^2}$ et on a alors $\hat{v}_{MAP} = \arg_v \min J_{MAP}(v)$.
|
||||
|
||||
CNS de maximisation :
|
||||
\begin{align*}
|
||||
\frac{dJ_{MAp}}{dV}|_{V =\hat{v}_{MAP}} = 0 & \Leftrightarrow -2T \frac{\snn (y_n - nvT)n}{\sigma_B^2} + 2\frac{(v-V_0)}{\sigma_V^2} = 0 \\
|
||||
& \Leftrightarrow \hat{v}_{MAP} = \frac{\frac{T\snn ny_n}{\sigma_B^2}+\frac{V_0}{\sigma_V^2}}{\frac{T^2 \snn n^2}{\sigma_B^2} + \frac{1}{\sigma_V^2}} \\
|
||||
& \Leftrightarrow \hat{v}_{MAP} = \frac{\frac{\hat{v}_{MV}}{\sigma_{MV}^2} + \frac{V_0}{\sigma_V^2}}{\frac{1}{\sigma_{MV}^2} + \frac{1}{\sigma_V^2}}
|
||||
\end{align*}
|
||||
|
||||
Donc
|
||||
\[ \hat{V}_{MAP} = \frac{\frac{\hat{V}_{MV}}{\sigma_{MV}^2} + \frac{V_0}{\sigma_V^2}}{\frac{1}{\sigma_{MV}^2} + \frac{1}{\sigma_V^2}} \]
|
||||
C'est un barycentre entre les mesures représentées par $\hat{v}_{MV}$ et l'a priori $V_0$.
|
||||
|
||||
\begin{itemize}
|
||||
\item Si $\sigma_V$ "petit", alors $\hat{V}_{MAP} \approx V_0$ : beaucoup d'a priori donc on n'a pas exploité les mesures.
|
||||
\item Si $\sigma_V$ "grand", alors $\hat{V}_{MAP} \approx \hat{V}_{MV}$ : l'a priori est tellement pourri qu'on n'en tient pas compte.
|
||||
\end{itemize}
|
||||
|
||||
\item On forme l'erreur d'estimation
|
||||
\[ \tilde{V}_{MAP} = \hat{V}_{MAP} - V \]
|
||||
|
||||
\begin{itemize}\setlength{\itemsep}{10mm}
|
||||
\item Biais ?
|
||||
\[ E[\tilde{V}_{MAP}] = E[\hat{V}_{MAP}] - E[V] = 0 \]
|
||||
|
||||
\item Variance de l'erreur d'estimation : puissance de l'erreur dans le cas non biaisé.
|
||||
\begin{align*}
|
||||
\sigma_{MAP}^2 & = E[ (\tilde{V}_{MAP} - E[\hat{V}_{MAP}])^2] \\
|
||||
& = E [(\hat{V}_{MAP} - V)^2] \\
|
||||
& = E [ (\frac{\frac{\hat{V}_{MV}-V}{\sigma_{MV}^2} + \frac{V_0-V}{\sigma_V^2}}{\frac{1}{\sigma_{MV}^2} + \frac{1}{\sigma_V^2}})^2]\\
|
||||
& = \frac{1}{(\frac{1}{\sigma_{MV}^2} + \frac{1}{\sigma_V^2})^2} E [(\frac{\hat{V}_{MV}-V}{\sigma_{MV}^2} + \frac{V_0-V}{\sigma_V^2})^2] \\
|
||||
& = \frac{1}{(\frac{1}{\sigma_{MV}^2} + \frac{1}{\sigma_V^2})^2}( \frac{E[(\hat{V}_{MV}-V)^2]}{\sigma_{MV}^4} + \frac{E[(V_0-V)^2}{\sigma_V^4}) \\
|
||||
& = \frac{1}{(\frac{1}{\sigma_{MV}^2} + \frac{1}{\sigma_V^2})^2}( \frac{\sigma_{MV}^2}{\sigma_{MV}^4} + \frac{\sigma_V^2}{\sigma_V^4}) \\
|
||||
\sigma_{MAP}^2 & = (\frac{1}{\sigma_{MV}^2} + \frac{1}{\sigma_V^2})^{-1}
|
||||
\end{align*}
|
||||
On a donc $ \sigma_{emp} > \sigma_{MV} > \sigma_{MAP}$.
|
||||
\end{itemize}
|
||||
|
||||
\end{enumerate}
|
||||
|
||||
|
||||
\end{document}
|
||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
@ -0,0 +1,48 @@
|
||||
\documentclass{../../td}
|
||||
\usepackage{../../raccourcis}
|
||||
\usepackage{multicol}
|
||||
% Mise en page
|
||||
\title{Correction de TD}
|
||||
\author{Pierre-Antoine Comby (basé sur le travail de ?)}
|
||||
\teacher{Cécile Durieu}
|
||||
\module{451}
|
||||
|
||||
\renewcommand{\thesection}{TD\arabic{section}}
|
||||
|
||||
\newcommand{\et}{\quad\text{ et }\quad}
|
||||
\newcommand{\avec}{\quad\text{ avec }\quad}
|
||||
\newcommand{\sinon}{\quad\text{ sinon}\quad}
|
||||
\newcommand{\ou}{\quad\text{ ou}\quad}
|
||||
\renewcommand{\si}{\quad\text{ si }\quad}
|
||||
\makeatletter
|
||||
\def\l@section{\@dottedtocline{1}{1em}{3em}}
|
||||
\makeatother
|
||||
|
||||
\begin{document}
|
||||
|
||||
\maketitle
|
||||
\tableofcontents
|
||||
\section{Variable aléatoire scalaires}
|
||||
\subfile{TD1.tex}
|
||||
\section{Étude d'un couple de VA}
|
||||
\subfile{TD2.tex}
|
||||
\section{Somme de VA et TCL}
|
||||
\subfile{TD3.tex}
|
||||
\section{Lois marginale, loi conditionnelles et estimation}
|
||||
\subfile{TD4.tex}
|
||||
\section{Signaux aléatoire}
|
||||
\subfile{TD5.tex}
|
||||
\section{Détection}
|
||||
\subfile{TD6.tex}
|
||||
\section{Prédiction}
|
||||
\subfile{TD7.tex}
|
||||
\section{Estimation de la vitesse d'un véhicule}
|
||||
\subfile{TD8.tex}
|
||||
\end{document}
|
||||
|
||||
%%% Local Variables:
|
||||
%%% mode: latex
|
||||
%%% TeX-master: t
|
||||
%%% End:
|
||||
|
||||
|
||||
Loading…
Reference in New Issue