MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ‫وزارة التعليـم العالـي و البحـث العلمـي‬

ET DE LA RECHERCHE SCIENTIFIQUE
.‫املدرسة العليا العلوم التطبيقية بتلمسان‬
ECOLE SUPERIEURE DES SCIENCES APPLIQUEES
DE TLEMCEN

Traitement du Signal. Rattrapage 1er semestre 2021-2022.

3ème année ingénieur Automatique/Electrotechnique

Questions de cours

1- Quelle est la différence entre un signal aléatoire et un signal déterministe, un signal

analogique et un signal numérique. (2.0pt)
2- Interpréter les deux relations mathématiques suivantes : (𝑠(𝑡) est un signal) (2.0pt)
+∞
0<𝐸=∫ |𝑠(𝑡)|2 𝑑𝑡 < +∞
−∞
1 +∞
0 < 𝑃̅ = lim ∫ |𝑠(𝑡)|2 𝑑𝑡 < +∞
∆𝑡→+∞ ∆𝑡 −∞

3- Tracer les signaux élémentaires suivants : échelon unité, rampe, triangle, Dirac,
peigne de Dirac et sinus cardinal. (3.0pt)
4- On appelle produit de convolution du signal x(t) par le signal y(t) l’opération notée
définie par:

+∞
𝑧(𝑡) = (𝑥 ∗ 𝑦)(𝑡) = ∫ 𝑥(𝜏) 𝑦(𝑡 − 𝜏) 𝑑𝜏
−∞

Donner l’élément neutre de ce produit et calculer ce produit entre le signal x(t) et

le peigne de Dirac 𝛿𝑇 (𝑡) (2.0pt)

5- Donner la transformer de Fourier du produit de convolution (𝑥 ∗ 𝑦)(𝑡) (théorème de

Plancherel) (1.0pt)

Exercice 1 (5.0pt) : Déterminer la transformer de Fourier de la fonction de support

limité suivante :
1 − |𝑡| si t ∈ [−1 , +1]
𝑓(𝑡) = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟

Exercice 2 (5.0pt): Soit le processus stochastique 𝑥(𝑡) = 𝑟 𝑐𝑜𝑠(𝜔𝑡 + 𝜑) ou 𝑟 est une

variable aléatoire, 𝜑 et 𝜔 sont des constantes (ou variables réelles). Montrer que 𝑥(𝑡) n’est
pas un processus aléatoire stationnaire au sens large.
 Solution
Questions de cours

1- Quelle est la différence entre un signal aléatoire et un signal déterministe, un signal

analogique et un signal numérique.

Le signal déterministe est celui que nous pouvons caractériser par une fonction ou un
modèle mathématique ce qui nous permet de connaitre avec certitude sont amplitude
en fonction du temps (ou autre variable), alors que si le signal est aléatoire on ne
peut pas prédire l’amplitude avec certitude a un instant quelconque donc on il ne peut
pas être décris par un modèle mathématique bien définie. Dans ce cas pour étudier
ce signal on est obligé de faire appel aux outils mathématiques de probabilité et de
statistique. (1.0pt)

On dit que le signal est analogique si sont amplitude est continue dans le temps
(connue à chaque instant), alors que dans un signal numérique le temps est discrétisé
et l’amplitude est quantifier. (1.0pt)

2- Interpréter les deux relations mathématiques suivantes : (𝑠(𝑡) est un signal)

Dans la relation :
+∞
0<𝐸=∫ |𝑠(𝑡)|2 𝑑𝑡 < +∞
−∞
E est l’énergie du signal 𝑠(𝑡) qui est finie mais pas nulle. Cette relation caractérise
les signaux à énergie finie. (1.0pt)
Dans le cas ou le signal est à énergie infinie celui-ci est caractériser par sa puissance
moyenne 𝑃̅ qui doit être finie (1.0pt)
1 +∞
0 < 𝑃̅ = lim ∫ |𝑠(𝑡)|2 𝑑𝑡 < +∞
∆𝑡→+∞ ∆𝑡 −∞

3- Tracer les signaux élémentaires suivants : échelon unité, rampe, triangle, Dirac,
peigne de Dirac et sinus cardinal.

a) Fonction échelon unité (0.5pt)

La fonction échelon unité ou marche d'escalier ou encore fonction de Heaviside u(t)
+1 𝑠𝑖 𝑡 ≥ 0
𝑢(𝑡) = {
0 𝑠𝑖 𝑡 < 0
 b) La fonction Rampe (0.5pt)

La fonction rampe r(t) est une fonction réelle élémentaire définie par

𝑡 𝑝𝑜𝑢𝑟 𝑡 ≥ 0
𝑟(𝑡) = {
0 𝑠𝑖 𝑡<0

c) Fonction Triangulaire (0.5pt)

La fonction triangulaire ou chapeau est une fonction dont la représentation graphique

est un triangle de hauteur 1 et de base 2. Elle est définie comme
1 − |𝑡| 𝑝𝑜𝑢𝑟 |𝑡| < 1
𝑇𝑟𝑖(𝑡) = {
0 𝑠𝑖 |𝑡| > 1

Notons que l’aire de la fonction triangle unité vaut 1 et que

la largeur de son support vaut 2.

d) Fonction Dirac (0.5pt)

La fonction Dirac 𝛿(𝑡), impulsion de Dirac, Distribution Delta ou impulsion unité vérifie
les propriétés suivantes

𝛿(𝑡) = 0 𝑠𝑖 𝑡 ≠ 0
{ +∞
∫−∞ 𝛿(𝑢)𝑑𝑢 = 1

La fonction Dirac se représente par une flèche verticale d’amplitude 1 localisée en t = 0.

La fonction translatée de 𝜏, notée 𝛿(𝑡 − 𝜏) est aussi représentée à la figure ci-dessus

ainsi que la translatée de 𝜏 et d’amplitude 2.

Le produit d’une fonction 𝑥(𝑡) par une la fonction Dirac 𝛿(𝑡 − 𝑡0 ) (voire figure ci-dessous)
s’écrit :

𝑥(𝑡)𝛿(𝑡 − 𝑡0 ) = 𝑥(𝑡0 )𝛿(𝑡 − 𝑡0 )

car la fonction 𝛿(𝑡 − 𝑡0 ) est nulle partout sauf en 𝑡 = 𝑡0 .

 e) Peigne de Dirac (0.5pt)

Pour échantillonner un signal avec une période d’échantillonnage régulière T, il est

pratique de définir une suite d’impulsions de Dirac, périodique et de période T. Cette
distribution, appelée peigne de Dirac et notée 𝛿𝑇 (𝑡), est définie (figure ci-dessous) par :

+∞

𝛿𝑇 (𝑡) = ∑ 𝛿(𝑡 − 𝑘𝑇)

𝑘=−∞

Pour échantillonner une fonction x(t), c’est-à-dire prélever des échantillons infiniment
brefs, avec une période T, il suffit donc d’effectuer le produit de x(t) par un peigne de
Dirac :

+∞

𝑥𝑒 (𝑡) = 𝑥(𝑡)𝛿𝑇 (𝑡) = ∑ 𝑥(𝑡)𝛿(𝑡 − 𝑘𝑇)

𝑘=−∞

La figure en face montre la Peigne de Dirac de période T (en haut).

Cette distribution permet d’effectuer l’échantillonnage régulier

(en bas) d’un signal x(t) (au milieu) par simple produit 𝑥(𝑡)𝛿(𝑡)

f) Fonction sinus cardinal (0.5pt)

La fonction sinus cardinal est très courante en traitement du signal où elle intervient
comme transformée de Fourier d’une fonction rectangle. Cette fonction est définie en
théorie du signal par :

sin(𝜋𝛼)
sinc(𝛼) =
𝜋𝛼
4- On appelle produit de convolution du signal x(t) par le signal y(t) l’opération notée
définie par:

+∞
𝑧(𝑡) = (𝑥 ∗ 𝑦)(𝑡) = ∫ 𝑥(𝜏) 𝑦(𝑡 − 𝜏) 𝑑𝜏
−∞

Donner l’élément neutre de ce produit et calculer ce produit entre le signal x(t) et

le peigne de Dirac 𝛿𝑇 (𝑡).

L’élément neutre du produit de convolution est la distribution 𝛿(𝑡) de Dirac. En

effet, la convolution par un Dirac est (1.0pt)
+∞ +∞ +∞
(𝑥 ∗ 𝛿)(𝑡) = ∫ 𝑥(𝜏) 𝛿(𝑡 − 𝜏) 𝑑𝜏 = ∫ 𝑥(𝑡) 𝛿(𝑡 − 𝜏) 𝑑𝜏 = 𝑥(𝑡) ∫ 𝛿(𝑡 − 𝜏) 𝑑𝜏 = 𝑥(𝑡)
−∞ −∞ −∞

La convolution du signal x(t) par un peigne de Dirac 𝛿𝑇 (𝑡), de période T, est une
périodisation du signal x(t) tous les kT (k entier) on retarde (ou on avance) le signal
x(t) de T, de 2T, de 3T, etc... (1.0pt)
+∞ +∞ +∞ +∞

(𝑥 ∗ 𝛿𝑇 )(𝑡) = ∑ ∫ 𝑥(𝜏)𝛿(𝑡 − 𝜏 + 𝑘𝑇) 𝑑𝜏 = ∑ 𝑥(𝑡) ∗ 𝛿(𝜏 − 𝑘𝑇) = ∑ 𝑓(𝑡 − 𝑘𝑇)

𝑘=−∞ −∞ 𝑘=−∞ 𝑘=−∞

Figure II.3 . Convolution d’une fonction par un peigne de Dirac a pour effet de périodiser la
fonction. (A) : à gauche la fonction (gaussienne), au centre le peigne (de période 2) et à droite
le résultat de la convolution qui est une fonction périodique de même période que le peigne,
et dont le motif est la gaussienne. (B) : même chose avec une gaussienne plus large : le
résultat de la convolution montre un recouvrement entre les diffèrent motifs.
 5- Donner la transformer de Fourier du produit de convolution (𝑥 ∗ 𝑦)(𝑡) (théorème de
Plancherel)
Soit X(f) et Y(f) les transformés de Fourier des signaux x(t) et y(t), alors (1.0pt)
ℱ[(𝑥 ∗ 𝑦)(𝑡)] = ℱ[𝑥(𝑡)] ∙ ℱ[𝑦(𝑡)] = 𝑋(𝑓) ∙ 𝑌(𝑓)

Exercice 1 : Déterminer la transformer de Fourier de la fonction de support limité

suivante :
1 − |𝑡| si t ∈ [−1 , +1]
𝑓(𝑡) = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟
Solution
La fonction f(t) est définie seulement dans l’intervalle t ∈ [−1 , +1] alors
+∞ +1

𝐹(𝑓) = ∫ 𝑑𝑡 𝑓(t)𝑒 −𝑗2𝜋𝑓𝑡 = ∫ 𝑑𝑡 (1 − |𝑡|)𝑒 −𝑗2𝜋𝑓𝑡 (1.0pt)

−∞ −1
La fonction f(t) est pair alors

+1

𝐹(𝑓) = 2 ∫ 𝑑𝑡 (1 − 𝑡) cos(2𝜋𝑓𝑡) (1.0pt)

0
L’intégration par partie nous permet d’écrire

+1 +1
𝑠𝑖𝑛(2𝜋𝑓𝑡) +1 sin(2𝜋𝑓𝑡) 1
𝐹(𝑓) = 2 [(1 − 𝑡) ] − 2 ∫ 𝑑𝑡 (−1) = ∫ 𝑑𝑡 𝑠𝑖𝑛(2𝜋𝑓𝑡)
2𝜋𝑓 0
2𝜋𝑓 𝜋𝑓
0 0
Ou
2
1 𝑠𝑖𝑛(𝜋𝑓)
𝐹(𝑓) = (1 − 𝑐𝑜𝑠(2𝜋𝑓)) = ( ) (2.0pt)
2(𝜋𝑓)2 𝜋𝑓
Comme 𝑓(𝑡) ∈ 𝐿2 , sa TF F(f) doit être continue sur ℝ. Il en est bien ainsi en 𝑓 = 0.
2
𝑠𝑖𝑛(𝜋𝑓)
lim 𝐹(𝑓) = lim ( ) = 1 (1.0pt)
𝑓→0 𝑓→0 𝜋𝑓
Ce que confirme le calcul direct de F(0)
+1 +1 +1
𝑡2
𝐹(0) = ∫ 𝑑𝑡 (1 − |𝑡|) = 2 ∫ 𝑑𝑡 (1 − 𝑡) = 2 [𝑡 − ] =1
2 0
−1 0
F(f) est une fonction réelle et paire.

Exercice 2 : Soit le processus stochastique 𝑥(𝑡) = 𝑟 𝑐𝑜𝑠(𝜔𝑡 + 𝜑) ou 𝑟 est une variable

aléatoire, 𝜑 et 𝜔 sont des constantes (ou variables réelles). Montrer que 𝑥(𝑡) n’est pas un
processus aléatoire stationnaire au sens large.
Solution

Définition : Un processus aléatoire est dit stationnaire au sens large si toutes ses propriétés
statistiques d’ordre 1 et 2 sont invariantes à un changement d’origine du temps.

La moyenne de x(t) est donnée par :

𝑥̅ (𝑡) = 𝐸[𝑥(𝑡)] = 𝐸[𝑟 𝑐𝑜𝑠(𝜔𝑡 + 𝜑)] = 𝑐𝑜𝑠(𝜔𝑡 + 𝜑)𝐸[𝑟] (1.0pt)

Celle-ci n’est constante (indépendante du temps) que si 𝐸[𝑟] = 0 (1.0pt).

Prenons deux instants différents 𝑡1 = 𝑡 et 𝑡2 = 𝑡 + 𝜏, l’autocorrélation peut s’écrire :

𝑅𝑥𝑥 (𝑡, 𝑡 + 𝜏) = 𝐸[𝑥(𝑡)𝑥(𝑡 + 𝜏)] = 𝑐𝑜𝑠(𝜔𝑡 + 𝜑)𝑐𝑜𝑠(𝜔(𝑡 + 𝜏) + 𝜑)𝐸[𝑟 2 ] (1.0pt)

On obtient,

𝐸[𝑟 2 ]
𝑅𝑥𝑥 (𝑡, 𝑡 + 𝜏) = [𝑐𝑜𝑠(𝜔𝜏) + 𝑐𝑜𝑠(2𝜔𝑡 + 2𝜑 + 𝜔𝜏)] (1.0pt)
2

Cette dernière expression dépend explicitement de t et de 𝜏. Le processus stochastique 𝑥(𝑡) =

𝑟 𝑐𝑜𝑠(𝜔𝑡 + 𝜑) n’est donc pas stationnaire au sens large. (1.0pt)