Méthodes D'éstimation de Paramètres

Yves JANNOT
Octobre 2005
TABLE DES MATIERES
1 2
LA NOTION DERREUR ET DE BRUIT DE MESURE METHODES DESTIMATION
1 3
4 4 6 8 9 9 10 10 11
2.1 Paramtres lis par une relation linaire 2.1.1 Mthode des moindres carrs linaires 2.1.2 Mthode de Gauss-Markov 2.2 Paramtres lis par une relation non-linaire 2.2.1 Mthode du gradient 2.2.2 Mthode de Newton 2.2.3 Mthode de Marquart 2.2.4 Mthode dichotomique 2.2.5 Evaluation de la prcision de lestimation
3
3.1
EXEMPLES DESTIMATION DE PARAMETRES

Estimation dun seul paramtre
13
13 15 15 15 21 21 25 30 32
3.2 Estimation des coefficients dune droite 3.2.1 Equation Y = k1 t 3.2.2 Equation Y = k0 +k1 t 3.3 Estimation de paramtres lis par une relation non linaire 3.3.1 Incertitudes de mesures constantes : exemple du Plan chaud 3.3.2 Incertitudes de mesure variables : courbe de schage 3.3.3 Estimation de 4 paramtres faiblement dcorrls : Mthode flash long Bibliographie
ANNEXES
Rappel sur la covariance Exemple 4 : Programme Matlab Exemple 5 : Programme Matlab Exemple 6 : Programme Matlab Exemple 7, Modle 1 : Programmes Matlab Exemple 7, Modle 2 : Feuille de calcul Excel Exemple 7, Modle 3 : Programme Matlab Exemple 8 : Programmes Matlab
33
33 34 35 36 39 42 43 46
Mthodes destimation de paramtres
1 LA NOTION DERREUR ET DE BRUIT DE MESURE

On adoptera les notations et dfinitions suivantes pour une grandeur physique Y : Y Yi eYi
Y
Valeur exacte de la grandeur Rsultat de la ime mesure de Y

Erreur commise lors de la ime mesure : eYi = Y - Yi Moyenne de N valeurs mesures Y
i
Yi
dYi
Ecart-type des erreurs de mesures autour de cette moyenne Incertitude de mesure sur Y : valeur maximale possible de Yi -Y
Par dfinition, lerreur commise lors de la ime mesure dune grandeur physique dont la valeur relle est Y vaut : eYi = Y - Yi . Cette erreur peut avoir plusieurs causes : - Erreur de loprateur : mauvaise lecture par exemple. - Erreur systmatique : dcalage du zro de lappareil, mauvais talonnage, drive de llectronique - Bruit de mesure : erreur de mesure alatoire autour dune valeur moyenne. Si une grandeur est estime partir de la mesure dune autre grandeur, lerreur destimation peut inclure une erreur de modle (modle incomplet ne prenant pas en compte certains phnomnes) en plus des erreurs prcdemment cites. Nous nous placerons dans ce qui suit dans le cas o la seule source derreur est le bruit de mesure. Ce bruit est dit centr sil est de moyenne nulle. Il est gaussien si sa loi de distribution de valeur est une loi normale (gaussienne).
Supposons que lon enregistre les valeurs mesures Yi dune grandeur Y que lon cherche estimer, on obtient un graphe du type suivant :
eYi
Yi
Figure 1 : Enregistrement type dune mesure au cours du temps

Les valeurs mesures Yi sont rparties de manire alatoire autour dune valeur moyenne Y et nous pouvons crire :
Yi = Y + eYi
O : eYi Y
(1)
Erreur de mesure = variable alatoire moyenne nulle (on fait lhypothse que la mesure est sans biais) Valeur exacte que lon cherche estimer
Lensemble des N valeurs mesures Yi peut tre caractris par deux grandeurs : - la moyenne Y que lon considrera comme le rsultat final de la mesure de Y. - une deuxime grandeur caractrisant la variabilit des mesures autour de la valeur moyenne.
Deux grandeurs peuvent tre utilises pour caractriser la variabilit des mesures dune grandeur Y autour de la valeur moyenne observe Y :
Lincertitude (absolue) dYi : elle est telle que 100% des valeurs mesures Yi appartiennent lintervalle [ Yi -dYi, Yi +dYi]. Cette grandeur est bien adapte des mesures ralises avec des instruments peu sensibles leur environnement : mtre, pied coulisse, balance, Par contre,elle peut savrer inadapte pour certaines mesures telles que la mesure de trs faibles tensions par un oscilloscope. On trouvera sur la figure 2 une reprsentation schmatique dune telle mesure. On remarque que sur un trs grand nombre de mesures, seules quelques unes sloignent de manire importante de la moyenne correspondant par exemple une perturbation lectrique ponctuelle au moment de ces mesures. Lutilisation de lincertitude absolue dYi pour caractriser la variabilit des mesures prsentes sur la figure 2 conduirait penser que ces mesures prsentent une trs grande variabilit ce qui nest pas le cas.
2 eYi 2 dYi
Figure 2 : Reprsentation schmatique des rsultats de mesure dune trs faible tension par un oscilloscope
2 1 N 2 Yi Y . Cette grandeur caractrise Lcart-type Yi autour de la moyenne dfini par : Yi = N i =1 la faon dont les valeurs sont disperses autour dune valeur moyenne et peut tre mieux adapte dans certains cas/
Selon le cas de figure, on utilisera lune ou lautre des deux notions pour caractriser la prcision de la mesure. Dans ce qui suit, on utilisera la notation dYi quil suffira de remplacer par Yi lorsque lon considrera plutt un cart-type. Relation entre incertitude (absolue) et cart-type On peut relier simplement cart-type et incertitude dans le cas o le bruit de mesure suit une loi dite normale ou 1 eY eY 2 1 m de Laplace-Gauss, c'est--dire de densit de probabilit : P(eYi ) = exp i . On 2 2 trouvera sur la figure 3 une reprsentation de la densit de probabilit de la loi normale centre (moyenne nulle) rduite (cart-type gal 1). Dans le cas dune erreur de mesure centre ( moyenne nulle), la probabilit P[eY1,eY2] pour que lerreur de mesure eYi [eY1,eY2] se calcule par : eY2 1 x 2 1 [eY1 , eY2 ] = P exp dx 2 2 eY1
Dans le cas dune erreur de mesure centre dcart-type , on peut calculer que : - 68% des erreurs de mesure sont comprises entre Y et +Y - 95% des erreurs de mesure sont comprises entre 2Y et +2Y - 99,7% des erreurs de mesure sont comprises entre 3Y et +3Y On retiendra donc que si lerreur de mesure eY sur une grandeur Y suit une loi normale centre alors lcarttype Y est gal un tiers de lincertitude (absolue) dY.
0.3 0.25 0.2 0.15 0.1 0.05 0 -4 -3 -2 -1 0 1 2 3 4
68% 95% 99,7%
Figure 3 : Densit de probabilit dune loi normale centre rduite
Relation entre incertitude et nombre de mesures On montre par ailleurs que lincertitude dY sur lestimation Y varie comme linverse de la racine carre du nombre N de mesures ayant servi calculer Y :
dY = dYi N
(2)
On retiendra quen multipliant le nombre de mesures dune mme grandeur par 100 on multiplie la prcision de son estimation par 10.
2 METHODES DESTIMATION
On ralise, des instants ti, N mesures Yi dune grandeur Y dpendant de n paramtres k0, k1, , kn et
ventuellement du temps t. On suppose que lon connat le modle physique exact permettant de relier la valeur de Y celles des paramtres k0, k1, , kn sous la forme Y= f(k0, k1, kn, t). Exemples : - Forme linaire : Y(t) = f (k0, k1, t) = k0 + k1 t - Forme exponentielle : Y(t) = f (k0, k1, t) = k0 exp(k1 t) Le problme pos est double : - Trouver les valeurs de k0, k1, kn, telles que la courbe Y= f(k0, k1, kn, t) reprsente au mieux les N couples de points exprimentaux [ Yi ,ti] Estimer la prcision avec laquelle les valeurs k0, k1, kn sont estimes. Un des problmes annexes qui se pose est de choisir un critre dont la minimisation permettra daffirmer que les valeurs estimes k0, k1, kn sont celles qui reprsentent au mieux les points exprimentaux par la courbe thorique. Lide la plus simple serait de choisir comme critre la somme S des distances des points la courbe thorique mais les carts ngatifs peuvent compenser des carts positifs et rendre ce critre inadapt ainsi que reprsent sur la figure 4.
S = Yi Ymod = 0
i =1 i
mais mauvaise estimation
Figure 4 : Schmatisation de la somme des carts Le critre le plus souvent retenu est la somme D des carts quadratiques, soit la somme des carrs des distances des points exprimentaux la courbe thorique tel que reprsent sur la figure 5.
di
D = d i 2 = Yi Ymod
i =1 i =1
minimum, estimation correcte
Figure 5 : Schmatisation de la somme D des carts quadratiques Plusieurs mthodes destimation vont tre dcrites, les deux premires : Moindres carrs linaires et Gauss f sont indpendantes des ki . Cest le cas du premier exemple Markov ne sappliquent que si les fonctions k i
f = k k exp (k t ) dpend de k0 et de k1 . (forme linaire) mais pas du second (forme exponentielle) car 0 1 1 k 1 f indpendantes des paramtres On peut toutefois dans ce cas particulier se ramener des fonctions k i estimer en considrant la fonction g (k0, k1, t) = ln[ f (k0, k1, t)]= ln(Y) = ln(k0) + k1 t . On estimera alors les paramtres ln(k0) et k1. f indpendantes des Il nest cependant pas toujours possible de se ramener au cas de figure de fonctions k i ki , les mthodes des moindres carrs linaires et de Gauss-Markov ne sont donc pas toujours applicables et il faudra alors avoir recours dautres mthodes : mthode itrative, du gradient, de Newton ou dichotomique.
2.1
Paramtres lis par une relation linaire

sont indpendantes des ki .
f On suppose dans ce paragraphe que les fonctions k i
2.1.1
2.1.1.1
Mthode des moindres carrs linaires

Cas dune relation linaire
Considrons, titre de dmonstration de la mthode des moindres carrs linaires, une relation du type Y = k0 + k1 t o k0 et k1 sont les constantes inconnues estimer. On dispose de N couples ( Yi ,ti) de points exprimentaux et lon cherche estimer les valeurs de k0 et k1 qui
minimisent le critre D = d i 2 soit D = (Yi k 0 k 1 t i )2 .

i =1 i =1
Les valeurs de k0 et k1 qui minimisent D sont telles que :

Soit :
D k 0
= 0 et
D k 1
=0
D k 0
D k 1
= 2 ( 1) [Yi (k 0 + k 1 t )] = 2 [Yi (k 0 + k 1 t )]
N N i =1 i =1
= 2 t i [Yi (k 0 + k 1 t )]
N i =1
k0 et k1 sont donc tels que :
i =1 N
[Yi (k 0 + k 1 t )] = 0 ou
N
N k 0 + k 1 t i = Yi
i =1 i =1
i =1
t i [Yi (k 0 + k 1 t )] = 0 ou
k 0 t i + k 1 t i 2 = t i Yi
i =1 i =1 i =1
N Que lon peut crire sous forme matricielle : N ti i =1
N Yi ti k 0 i =1 i =1 N k = N 1 t i 2 t i Yi i =1 i =1
On en dduit :
k0 =
i =1
2 t i Yi t i t i Yi i =1 N i =1 i =1
N ti2 ti i =1 i =1
; k1 =
N t i Yi t i Yi
i =1 i =1
N ti2 ti i =1 i =1
i =1 2
(3)
2.1.1.2
Cas gnral
Supposons que la relation liant Y aux paramtres k0, kl,kn dterminer soit de la forme : Ymod = f (k0, k1,.kn, t) On peut crire sous forme dun dveloppement limit au premier ordre : k f dk dY( t ) = i j= 0 k i t
On en dduit : Yi = Y + e Yi = Y +
f e ki j= 0 i t i
n
Soit sous forme matricielle pour les N mesures : f f k 0 k 1 t0 t0 Y1 - Y1 f f k 0 t k 1 t = 1 2 Y - Y N N f f k k 0 tN 1 tN [eY] [X]
e k 0 x , e k n f k n tN f k n f k n t0 t1
on notera
k 0 [B] = k n
[eB]
La matrice [X] est appele la matrice de sensibilit. Si les conditions suivantes sont remplies : 1. 2. 3. 4. 5. La matrice de sensibilit [X] est indpendante de la matrice [B] La mesure ou lestimation de Y est sans biais (erreur de moyenne nulle). Le vecteur [B] est constant et inconnu avant estimation La matrice [X] est connue sans erreur (incertitude nulle sur ti) Lerreur de mesure ou destimation sur Y est dcart-type constant connu ( une constante multiplicative prs).
Alors une estimation de la matrice [B] peut tre obtenue par :

[B] = [Xt X]-1 [X]t[ Y ]
(4)
Cette estimation minimise lcart quadratique
t D = [Y Y ] [Y Y ] , soit la somme des carrs des distances
des points exprimentaux la courbe (droite) estime. Cest la formule de rgression linaire utilise par les tableurs et les calculatrices. On pourra vrifier que la relation (3) permet bien de retrouver les rsultats obtenus au 2.1.1.1 dans le cas dune relation de la forme Y = k0 + k1 t.
Si lincertitude (ou lcart-type de lerreur) de mesure ou destimation de toutes les valeurs mesures Yi est identique et a pour valeur Y, on peut estimer lcart-type de lerreur sur lestimation des paramtres k0, k1,.kn laide de la formule :
[cov(e B )] = 2 [X t
a 00 = a n 0
a 0n a nn
(5)
Les variables a00, a11, .. ann reprsentent respectivement les carrs des carts-types de lerreur destimation de k0, k1,.. kn : k i = a ii Ces valeurs ne doivent pas tre confondues avec le coefficient de rgression calcul par les programmes de rgression linaire qui donne des informations sur la manire dont les points sont disperss autour de la courbe estime mais pas sur la fiabilit de lestimation. A titre dexemple, une rgression linaire sur deux points conduira un coefficient de rgression de 1 mme si les deux points sont connus avec une incertitude relative de 100% ! Lapplication de la formule prcdente permet au contraire de dfinir un intervalle de confiance des valeurs estimes tenant compte de la fiabilit de chaque point exprimental ayant servi lestimation.
Remarques : - La mthode ne sapplique qui si la matrice [XtX] est inversible. - Dans le cas o lon recherche une relation de type polynmiale : Ymod = k0 + k1 t +..+kn tn , la matrice de sensibilit [X] scrit simplement : 1 t1 t1n t2n 1 t2 [X ] = 1t n tN N
2.1.2
Mthode de Gauss-Markov
Dans la mthode des moindres carrs linaires, on attribue chaque couple de valeurs exprimentales le mme poids indpendamment de lerreur dont peut tre entache la mesure, caractrise par son incertitude ou par son
cart-type. On rencontre des cas o lincertitude ou lcart-type de lerreur de mesure ou destimation dune grandeur Y nest pas constant pour toutes les mesures ou estimations Yi de cette grandeur. Exemple : Dtermination de la constante de temps dun phnomne par N mesures Yi de Y des instants t1,
t t2, , tn, Y vrifiant une loi de la forme : Y = Y0 exp , Y0 tant suppos connu sans erreur. ti Chaque couple de valeurs ( Yi , ti) permet de calculer une estimation i de par : i = . Les formules Yi ln Y 0 classiques de calcul dincertitude permettent de relier lincertitude de mesure sur i lincertitude de mesure sur
dYi en faisant lhypothse que les erreurs de mesure sur Y0 et sur les temps ti 2 i Y ln 0 Yi Yi sont ngligeables. Dans ce cas, lincertitude destimation sur i nest pas constante pour toutes les mesures. Cet exemple est trait de manire complte au 3.
Yi par : d i =
ti
La mthode de Gauss-Markov dcrite ci-aprs permet de pondrer limportance accorde une mesure par lcart-type de lerreur de mesure. Un point exprimental peu fiable aura un poids faible dans le rsultat de lestimation. Les conditions suivantes doivent tre remplies pour que lapplication de cette mthode soit valide : 1. 2. 3. 4. 5. La matrice de sensibilit [X] est indpendante de la matrice [B] La mesure de Y est sans biais (erreur de moyenne nulle). Le vecteur [B] est constant et inconnu avant estimation La matrice [X] est connue sans erreur (incertitude nulle sur ti) Lerreur de mesure sur Y est dcart-type connu ( une constante multiplicative prs).
Une estimation de la matrice [B] peut tre obtenue par :

[B] = [Xt P-1X]-1 [X]t [P]-1[ Y ]
(6)
o [P] est une matrice proportionnelle [cov(eY)] : [P] = s [cov(eY)]

t Cette estimation minimise lcart quadratique D = [Y Y ] [cov(e Y )]1 [Y Y ] , soit la somme des carrs des
distances des points exprimentaux la courbe estime pondres par lcart-type de la mesure correspondante.
D=
ei 2 Y
2 i
i =1
N Y Y ( ) mod t i = i i =1 Y 2 i
ei dYi
D minimum, estimation correcte
Figure 6 : Schmatisation de la somme D des carts quadratiques pondrs
Comme dans le cas de la mthode des moindres carrs linaires, on peut estimer lcart-type de lerreur commise sur lestimation des paramtres k0, k1,.kn laide de la formule :
a 00 1 [cov(eB )] = s X t P 1 X = a n 0
a 0n a nn
(7)
Les variables a00, a11, .. ann reprsentent respectivement les carrs des carts-types de lerreur destimation de k0, k1,.. kn. Le principal problme li lapplication de cette mthode est le calcul de la matrice [cov(eY)] :
Mthode simplifie
On suppose que les mesures ne sont pas corrles c'est--dire que lerreur de mesure observ sur la ime mesure Yi est indpendant de lerreur de mesure sur la jme mesure Y j . On montre qualors la matrice de covariance des erreurs de mesures eYi est diagonale et scrit :
Y 1 0 cov(e ) = s 0
( )
( )
Y2
( )
= s [P] 0 Y 2 n 0
Mthode complte
Dans le cas o les mesures sont corrles c'est--dire que lerreur de mesure observe sur la ime mesure Yi nest pas indpendante de lerreur de mesure sur la jme mesure Y j , la matrice de covariance des erreurs de
mesures eYi nest pas diagonale et scrit alors :

cov(e Y1, e Y1 ) cov(e Y1, e Y 2 ) cov(e , e ) cov(e , e ) Y 2 Y1 Y2 Y2 [cov(eY )] = cov(e YN , e Y1 ) cov(e Y1, e YN ) cov(e YN , e YN )
(8)
On trouvera en annexe un rappel de la formule permettant de calculer la covariance.
2.2
Paramtres lis par une relation non-linaire
Le problme rsoudre est le suivant : trouver les valeurs des paramtres k0, k1, kn tels que la courbe modle Ymod = f (k0, k1, kn, t) reprsente au mieux N couples de points exprimentaux [ Yi ,ti]. La forme de la fonction f est suppose connue, les paramtres k0, k1, kn sont inconnus et dterminer. On se place ici dans le cas o les f ne sont pas indpendantes des ki , les deux mthodes prcdentes ne peuvent alors pas fonctions k i sappliquer. On ne pourra pas comme dans la mthode de Gauss-Markov pondrer limportance dune mesure par son cart-type, on minimisera toujours dans ce qui suit la somme D des carts quadratiques non pondrs entre les points exprimentaux et thoriques. On verra toutefois au 2.2.4 que lon peut toutefois valuer la prcision avec laquelle les paramtres inconnus ont t dtermins.
2.2.1
Mthode du gradient
Cest une mthode itrative dtaille entre autres par Trigeassou. On suppose comme dans les cas prcdents que lon dispose de N couples [ Yi ,ti] de points exprimentaux. On connat la forme explicite de la fonction non linaire liant ces points dans laquelle figurent p paramtres inconnus dterminer : Ymod(t) = f (k0, k1,, kp, t). On note D la somme des carts quadratiques entre les courbes exprimentales et simules :
D = [Y( t i ) Y( t i )]
N i =1 2
Dans la mthode du gradient, la matrice [B] des paramtres inconnus se calcule de manire itrative par :
D k 0 D [B i +1 ] = [B i ] k 1 D k p
Y k j
avec :
D k j
= 2 [Y(t i ) Y(t i )]
N i =1
Y k j
(t i )
(9)
Y(t i ) et
(t i ) sont calculs avec les valeurs k0j, k1j,kpj .
est un nombre positif dont le choix est important dans la stabilit de la mthode. Si la mthode diverge, il faut ressayer avec une autre valeur de . Cet inconvnient associ au fait que la mthode du gradient est une mthode dordre 1 lui fait souvent prfrer la mthode de Newton.
2.2.2
Mthode de Newton
Cest galement une mthode itrative mais dordre 2 dtaille entre autres par Trigeassou. On suppose comme dans les cas prcdents que lon dispose de N couples [ Yi ,ti] de points exprimentaux. On connat la forme explicite de la fonction non linaire liant ces points dans laquelle figurent p paramtres inconnus dterminer : Y(t) = f (k0, k1,, kp, t). Dans la mthode de Newton, la matrice [B] des paramtres inconnus kj se calcule de manire itrative par :
2D 2 k 0 2 D [B i +1 ] = [B i ] k 0 k 1 2D k 0 k p 2D k 1 k 0 2D k 1 2 2D k p k 0 2D k p k 1 2D k p 2
1
2D k 1 k p
D k 0 " = [B i ] D D k p
[ ]1
[ D' ]
(10)
La matrice [D"] est appele le Hessien du critre de minimisation, avec comme prcdemment :
D k j
(t i ) = 2 [Y(t i ) Y(t i )] Y (t i )
N i =1
k j
2D k j k l
(t i ) = 2
Y k j
i =1
(t i )
Y k l
(t i ) 2 [Y(t i ) Y(t i )]
N i =1
2Y k j k l
(11)
(t i )
En pratique on nglige le second terme devant le premier (approximation de Gauss-Newton) et on calcule les termes du pseudo-hessien par :
2D k j k l
(t i ) = 2
Y k j
i =1
(t i ) Y (t i )
k l
(12)
o Y(t i ) ,
Y k j
(t i )
et
2Y k j k l
(t i )
sont calculs avec les valeurs k0j, k1j,kpj .
Cette mthode nest stable que si la matrice [D"] est dfinie positive. Elle peut diverger si lon part trop loin de la solution do le soin particulier apporter au choix des valeurs de dpart qui pourra tre guid par des considrations physiques. Cette mthode possde lavantage de la rapidit et ne ncessite pas contrairement la mthode du gradient de choisir de manire un peu arbitraire un paramtre ( pour la mthode du gradient) dont peut dpendre la convergence.
2.2.3
Mthode de Marquart
La mthode du gradient permet de sapprocher plus rapidement du minimum de D que la mthode de Newton lorsquon est loin de ce minimum mais converge plus lentement lorsquon sapproche du minimum. Marquart a propos un algorithme qui combine les avantages des deux mthodes. Il a propos dappliquer la mthode de Newton mais en remplaant la matrice D" du Hessien (ou pseudo-hessien) par la matrice A" dfinie de la manire suivante :
A" = D" + I
O I est la matrice unit et l un paramtre auquel on attribuera les valeurs suivantes : - = 0,1 au dpart par exemple. - Aprs chaque la ime itration, on compare les valeurs de D(i) et D(i-1). Si D(i) < D(i-1) alors on multiplie la valeur de par 10 pour effectuer litration suivante. Sinon, on reprend la ime itration aprs avoir divis la valeur de par 10.
2.2.4
Mthode dichotomique
Dans le cas o les mthodes prcdentes ne sappliquent pas o ne convergent pas, on peut appliquer la mthode suivante relativement robuste mais qui conduit des temps de calculs levs (critre toutefois variable avec laugmentation continue de la puissance des ordinateurs) : On choisit pour chaque paramtre deux valeurs kimin et kimax entre lesquelles il est compris. On calcule f(t) pour chaque ensemble de valeurs [k0+0,25 i0 (k0max - k0min), k1+0,25 i1 (k1max k1min), , kn+0,25 in (knmax - knmin),] o i0, i1 .., in varient de 0 4 pour t variant de t1 tN. On retient lensemble de valeurs [k0, k1, ., kn] qui permet de minimiser lcart quadratique entre la courbe Y (t) exprimentale et la courbe Y= f (k0, k1, kn, t) calcule. On ritre le calcul en prenant comme nouvelles valeurs minimales et maximales : k0min = k0 - 0,25 (k0max k0min) ; k0max = k0 + 0,25 (k0max k0min) k1min = k1 - 0,25 (k1max k1min) ; k1max = k1 + 0,25 (k1max k1min) ) knmin = kn - 0,25 (knmax knmin) ; knmax = kn + 0,25 (knmax knmin)
10
Le schma de principe de cette mthode est reprsent sur la figure 5 dans le cas de lestimation de deux paramtres k0 et k1. La fonction f doit tre calcule en 25 points lors de la 1re itration puis 16 fois chaque itration suivante dans le cas de lestimation de 2 paramtres. Dans le cas de lestimation de p paramtres, elle doit tre calcule 5p fois lors de la 1re itration, soit par exemple 3125 fois si p = 5. Cette mthode est donc applicable pour un nombre limit de paramtres estimer (devient trs longue pour plus de 4 paramtres) et bien que relativement stable peut diverger si lon dmarre le calcul avec des intervalles [kimin, kimax] damplitudes trop importantes. Le nombre ditrations successives dpend de la prcision souhaite et de lamplitude des intervalles de dpart, un nombre de 5 itrations est souvent suffisant. En effet, si lcart relatif entre les valeurs min et max des paramtres estimer est initialement de 100%, cet cart nest plus que de 3% aprs 5 itrations ce qui est souvent suffisant. k1 max 2 3 1
k1 min k0 min k0 max

Figure 7 : Schma de principe de la mthode destimation dichotomique
2.2.5
2.2.5.1
Evaluation de la prcision de lestimation

Incertitudes sur Yi mais pas sur ti
La prcision avec laquelle les paramtres inconnus ont t estims peur tre value de manire approche en supposant que la fonction Ymod (k0, k1, kn, t) est linaire par rapport k0, k1, ., kp sur des intervalles de trs faibles amplitudes autour des valeurs optimales estimes.
Cas o les bruits de mesures ne sont pas corrls
On suppose que les mesures ne sont pas corrles c'est--dire que lerreur de mesure observe sur la ime mesure Yi est indpendant de lerreur de mesure sur la jme mesure Y j . On montre qualors la matrice de covariance des erreurs de mesures eYi est diagonale et scrit :
Y 1 [cov(eYi )] = 0 0
( )2
( Y )
2
( )
= 0 Yn 2 0
[P]
Comme dans les cas traits aux 2.1.1 et 2.1.2, on peut estimer lcart-type de lerreur sur lestimation des paramtres k0, k1,.kn laide de la formule (6). Dans cette formule, [X] est la matrice de sensibilit calcule avec les valeurs optimales estimes des paramtres k0, k1,.. kn. Les variables a00, a11, .. ann reprsentent respectivement les carrs des carts-types de
11
lerreur destimation de k0, k1,.. kn : k i = a ii .
Cas o les bruits de mesures sont corrls
Dans le cas o les bruits de mesures sont corrls, c'est--dire o lerreur de mesure observe sur la ime mesure Yi nest pas indpendante de lerreur de mesure sur la jme mesure Y j , la matrice de covariance des erreurs de mesures eYi nest pas diagonale et peut se calculer avec la formule (7). Si lon connat une matrice [P] telle que [P] = s [cov(eY)] o s est une constante, on peut estimer lcart-type de lerreur sur lestimation des paramtres k0, k1,.kn laide de la formule (6). Il nest pas toujours possible de dterminer cette matrice [cov(eY)], on peut alors utiliser une mthode statistique pour estimer les carts-types sur les paramtres inconnus k0, k1,.. kn. Dans ce cas on appliquera la mthode statistique dcrite dans le 2.2.5.2.
2.2.5.2
Incertitudes sur Yi et sur ti
t A partir dune srie de N couples exprimentaux i , Yi , on simule numriquement p autres sries de N couples de lune des manires suivantes :
1re mthode : Yi simul = Yi + ri Yi et i simul = i + ri t i , t t O : - ri est un nombre alatoire suivant une loi normale, de moyenne nulle et dcart-type gal 1. Ce nombre peut tre gnr en langage Matlab avec linstruction : ri = Randn(1). - Yi et ti sont les carts-types des mesures de Yi et de ti . Si on connat plutt les incertitudes dYi et dti, on dYi dt et t i = i car le nombre ri suit une loi normale. prendra Yi = 3 3 On simule ainsi des mesures avec un bruit suivant une loi normale centre reprsentatif de la plupart des mesures. 2me mthode : Yi simul = Yi + ri dYi et i simul = i + ri dt i , t t O : - ri est un nombre alatoire de moyenne nulle compris entre -1 et +1. Ce nombre peut tre gnr en langage Matlab avec linstruction : ri = 2*(0.5-Rand), ou dans Excel avec : ri = 2*(0.5-Alea()), ou dans Visual Basic avec ri = 2*(0.5-Rnd). Malheureusement, le nombre ri gnr nest pas gaussien mais est rparti de manire uniforme sur lintervalle [-1,+1] ce qui est moins reprsentatif de la dispersion relle de mesures 1 . exprimentales autour dune moyenne. Lcart-type des nombres ri ainsi gnrs est gal 3 - dYi et dti sont les incertitudes sur les mesures de Yi et de ti . Si on connat plutt les carts-types Yi et ti, on prendra donc : dYi = 3 Yi et dt i = 3 t i compte-tenu de lcart-type sur les ri. Aprs avoir appliqu lune de ces deux mthodes, on estime les paramtres k0, k1,.. kn pour chacune des p sries simules. On dispose ainsi dune matrice du type :
k 01 B= k n1 k 0p k np
12
On peut ensuite former la matrice [eB]=[ki-kij] o ki est le rsultat de lestimation du ime paramtre partir de la srie de points exprimentaux et kij est le rsultat de lestimation de ce mme paramtre partir de la jme srie de points simuls. Le calcul de la matrice [cov(eB)] peut alors tre effectu en utilisant la formule rappele en annexe. Les termes diagonaux aii de cette matrice reprsentent les carrs de lcart-type de lerreur destimation des ki.
3 EXEMPLES DESTIMATION DE PARAMETRES

3.1 Estimation dun seul paramtre
On se propose de dterminer la constante de temps caractristique dun systme caractris par un grandeur t U dont lvolution au cours du temps est de la forme : U mod (t i ) = U M exp Le problme est ici destimer le seul paramtre partir de N couples de points exprimentaux [t , U ] . On
i i
suppose que lerreur de mesure sur U i dcart-type U et que lincertitude sur UM est ngligeable. On se trouve
donc dans le cas simple de recherche de k0, les autres ki tant nuls. On peut estimer une valeur de chaque instant ti par la relation :
i = ti U ln M U i
(13)
Si lon dispose de N couples de mesures [ti, U i ], on peut calculer N valeurs i correspondantes par la formule
prcdente.
Mthode des moindres carrs linaires :
Elle fait lhypothse que toutes les estimations de ont le mme cart-type que nous noterons . Les diffrentes matrices intervenant dans lapplication de la mthode des moindres carrs linaires scrivent dans ce cas simple : [X]t = [1 .1] ; [B] = [] ; [ Y ] = [ U 1 . U N ] ;
(1 )2 0 [P] = cov(e) = 0
et
( 2 )
0 0 ( N )2 0
Une estimation de peut alors tre obtenue en appliquant la formule : [B] = [Xt X]-1 [X]t[ Y ] qui se rsume :
1 N
i =1
(14)
Cette mthode destimation accorde toutes les valeurs i le mme poids indpendamment de lincertitude dont elles sont entaches. Des points de mesure entachs dune forte incertitude peuvent alors faire diverger le rsultat final.
13
Mthode de Gauss-Markov :
En fait, dans le cas de figure considr dans cet exemple, les erreurs destimation des i ne sont pas constantes on va donc appliquer la mthode de Gauss-Markov qui permet de rduire linfluence des points exprimentaux fortement bruits. Dans ce cas particulier o les mesures ne sont pas corrles (la ime mesure nest pas influence par les autres mesures) on peut appliquer la mthode de Gauss-Markov simplifie. Les diffrentes matrices intervenant dans lapplication de cette mthode scrivent dans ce cas :
[X]t = [1 .1] ; [B] = [] ; [ Y ] = [ U 1 . U N ]
(1 )2 0 et [P] = cov(e ) = 0
( 2 )
0 0 ( N )2 0
Une estimation de peut alors tre obtenue en appliquant la formule : [B] = [Xt P-1X]-1 [X]t [P]-1[ Y ] qui conduit :
i =1
( i )2
1
(15)
i =1
( i )2
o i est lcart-type des estimations de i. Cet cart-type peut tre reli lcart-type de Ui par la relation suivante crite en terme dincertitudes :
d i = ti U U i ln i U M
2
dU i = x i dU i
que lon peut transposer en terme dcart-type :
i = x i U i
On peut estimer lcart-type de la valeur estime de en appliquant la formule : [cov(e)] = [Xt P-1 X]-1 qui conduit :
=
N
1 1
(16)
i =1
(i )2
Exemple 1
On simule des relevs exprimentaux partir de la courbe obtenue avec UM = 10V et = 10s en considrant un bruit de mesure dcart-type U = 0,1V de la manire suivante : t U i simul = U M exp i + 3 ri U o ri est un nombre alatoire suivant une loi normale compris entre -1 et +1, le terme 3 ri U est alors un nombre alatoire de moyenne nulle et dcart type U .
14
Tableau 1 : Valeurs exactes et valeurs exprimentales bruits obtenues par simulation numrique
ti (s) Umod(ti) (V) U (V)

i
0 10,00 10,15
5 6,065 6,14
10 3,679 3,51
15 2,231 2,26
20 1,353 1,23
25 0,821 0,84
30 0,498 0,57
35 0,302 0,36
40 0,183 0,33
45 0,111 0,08
50 0,067 0,21
En appliquant une mthode destimation de paramtres ces relevs exprimentaux simuls, on devrait retrouver la valeur = 10s. En appliquant la relation (14) de la mthode des moindres carrs linaires, on obtient = 10,45s. Lapplication de la relation (15) de la mthode de Gauss-Markov conduit une estimation plus prcise : = 9,94s partir des mmes points exprimentaux. Lapplication de la relation (16) permet de calculer lcarttype de lerreur destimation de et conduit : = 0,14s. On peut donc affirmer que la probabilit pour que t appartienne lintervalle [9,80s , 10,08s] est gale 0,63 et que la probabilit pour que t appartienne lintervalle [9,52s , 10,36s] est gale 0,997.
3.2
3.2.1
Estimation des coefficients dune droite

Equation Y = k1 t
On se place dans le cas k1 = Y/t , les mesures Yi tant dtermines avec une incertitude dYi, on est ramen au
cas de lexemple prcdent et on peut calculer k1 de lune des deux manires suivantes :
Mthode des moindres carrs linaires :
k1 =
1 N
i =1
yi ti
(17)
N
k1 =
i =1
(k1i )2 (k1i )2
1
k1i
(18)
i =1
Y t Avec : k = k 1 i i + i 1i ti yi
3.2.2
Equation Y = k0 +k1 t
On doit dans ce cas estimer les deux paramtres k0 et k1 partir de la connaissance de n couples de points exprimentaux (ti, y i ). La relation est linaire par rapport k0 et k1, on peut donc utiliser la mthode des moindres carrs linaires ou de Gauss-Markov.
Cas dun bruit de mesure nul sur les ti Mthode des moindres carrs linaires :
On se place dans le cas o les valeurs ti sont connues de manire exacte ou avec une incertitude ngligeable et o lcart-type de lerreur (ou lincertitude) sur les mesures y i est constant. Les matrices [X] , [B] et [ Y ] scrivent dans ce cas :
15
1 t 1 [X] = 1 t n
[B] =
k 0 k1
Y1 [Y] = Y n
Le dveloppement de la relation matricielle [B] = [Xt X]-1 [X]t[ Y ] conduit alors :

2 t i Yi t i t i Yi
k0 =
N t i 2 ( t i
)2
k1 =
N t i Yi t i Yi N t i 2 ( t i
)2
(19)
On retrouve une expression identique la formule (3) tablie prcdemment.

1 Soit : [cov(e B )] = Y 2 t 1 1 t 1 1 tN 1 t n N 2 ti i =1 N ti i =1
1
Lcart-type de lerreur sur les valeurs estimes de k0 et k1 se calcule par : [cov(e B )] = Y 2 X t X

N 2 = Y N ti i =1 ti i =1 N ti2 i =1
[cov(e B )] =
N
Y 2
t
i i =1
i =1
ti2
N ti i =1
Y 2
Do :
k 0 2 = N
t
i =1
i =1
N ti2 ti i =1
; k 1 2 =
N
N Y 2
i =1
N ti2 ti i =1
(20)
La somme des carrs des distances des points exprimentaux la droite estime scrit : S = Y Y soit dans ce cas : S = 1 r 2 Y 2
] [Y Y]
t
o :
y est lcart type des valeurs de y donn par : Y 2 = r2 est le coefficient de rgression donn par : r 2 =
(n t i Yi t i Yi ) [n t i 2 ( t i )2 ] [n Yi 2 ( Yi )2 ]
(n 1)
2 (Yi Y ) , y tant la moyenne des yi.
Plus le coefficient de rgression r2 est proche de 1, moins les points (ti, Yi ) sont loigns de la droite.
Exemple 2
On simule des relevs exprimentaux partir de la courbe obtenue avec k0 = 5 et k1 = 2 en considrant une incertitude de mesure constante dY = 1 de la manire suivante : Yi simul = 2 t i + 5 + ri d Y
o ri est un nombre alatoire compris entre -1 et +1. Les valeurs obtenues sont reportes dans le tableau 2.
16
Tableau 2 : Valeurs exactes et valeurs exprimentales bruits obtenues par simulation numrique
ti Yi Yi
0 5 4,27
1 7 6,04
2 9 8,54
3 11 10,41
4 13 13,99
5 15 14,70
6 17 16,93
7 19 19,64
8 21 20,61
9 23 22,10
10 25 24,41
En appliquant une mthode destimation de paramtres ces relevs exprimentaux simuls, on devrait retrouver les valeurs k0 = 5 et k1 = 2. dY 0,33 . En appliquant la relation (19) Une incertitude de mesure dY = 1 correspond un cart-type Y 3 de la mthode des moindres carrs linaires, on obtient k0 = 4,579 et k1 = 2,023 soient des erreurs destimation ek0 = 0,421 et ek1 = 0,023. Lapplication de la formule (20) avec Y = 0,33 permet de calculer lcart-type de lerreur destimation de ces valeurs et lon obtient : k0 = 0,19 et k1 = 0,031. Le coefficient de rgression est 0,19 x 100% = 4,0% , ce qui montre bien gal r2 = 0,99 alors que lcart-type relatif sur k0 par exemple est de 5 que le coefficient r2 ne donne aucune indication sur la prcision de lestimation de k0 et de k1.
Remarque : On vrifiera en traant la courbe Yi ( t ) dans un tableur et en lui appliquant une courbe de tendance
linaire que lon retrouve bien les valeurs k0 = 4,579 et k1 = 2,023. Par contre, on naura aucune ide de lerreur destimation de k0 et de k1.
On se place dans le cas o les valeurs ti sont connues de manire exacte ou avec une incertitude ngligeable et o lincertitude (ou lcart-type de lerreur) sur les mesures Yi nest pas constant. Une estimation de la matrice [B] peut tre calcule par :
[B] = [Xt P-1X]-1 [X]t [P]-1[ Y ]
Si les incertitudes de mesures sur les Yi ne sont pas corrles entre elles, la matrice [cov(eY)] peut scrire sous la forme : Y1 2 0 0 2 0 Y2 0 = [P] [cov(eY )] = 0 0 Yn 2 Calculons [B] :
1 2 Y1 0 1 tN 0 N ti i =1 Y 2 i N ti2 i =1 Y 2 i 0 1 Y2 2 0 1 YN 2 0 1 t 1 1 t N
[X t P 1 X] = t1
N 1 2 i =1 Yi t 1 X P X = N ti i =1 Y 2 i
17
[X t P 1 X]1 =
i =1
1
N
1 Yi 2
[X t ][P 1 ][Y] = t1
N t i i =1 2 i =1 Y 2 Yi i 1 0 Y1 2 1 0 1 Y2 2 tN 0 0
N
ti2
N ti2 i =1 Yi 2 N t i i 2 =1 Yi
i =1 Y 2 i N 1 i =1 Y 2 i
N
ti
1 YN 2 0 N ti2 i =1 Yi 2 N t i i 2 =1 Yi
Y1 N Y2 i =1 = N Y i =1 N
Yi Yi 2 t i Yi Yi 2
[B] = [X t P -1 X] - [X] t [P] - [Y] =

i =1
1
N
1 Yi 2
i =1
ti2 Yi 2
N t i i =1 2 Yi
N 2 i =1 Y i =1 i N 1 N i =1 i =1 Y 2 i
N
ti
Yi Yi 2 t i Yi 2 Yi
On en dduit finalement :
N
k0 =
i =1
ti2 Yi 2
N
i =1
Yi Yi 2
N
ti Yi 2
i =1
i =1 Y 2 i
N t i i =1 Y 2 i =1 Y 2 i i ti2
i =1 Y 2 i 2
t i Yi
; k1 =
i =1
1 Yi 2
i =1
i =1
t i Yi Yi 2
N
ti Yi 2
i =1
1 Yi 2
N t i i =1 Y 2 i =1 Y 2 i i ti2
i =1 Y 2 i 2
Yi
(21)
Les carts-types des erreurs sur k0 et k1 peuvent tre dduites de la relation : [cov(e B )] = X t P 1 X
[cov(e B )] = [X t cov(e Y ) X]
=
i =1
1
N
1 Yi 2
N t i i =1 Y 2 i =1 Y 2 i i
N
ti2
N ti2 i =1 Yi 2 N t i i =1 Yi 2
i =1 Y 2 i N 1 i =1 Y 2 i
N
ti
On en dduit :
N
k 0 2 =
i =1
i =1 N
ti2 Yi
2 2
1 Yi 2
N t i i =1 Y 2 i =1 Y 2 i i
N
ti2
; k12 =
i =1
i =1 N
1 Yi 2
2
1 Yi 2
N t i i =1 Y 2 i =1 Y 2 i i
N
ti2
(22)
Exemple 3
On simule des relevs exprimentaux partir de la courbe obtenue avec k0 = 5 et k1 = 2 en considrant une
18
incertitude de mesure dYi variable : d Y = 0,1 t i de la manire suivante :

i
Yi simul = 2 t i + 5 + 0,1 ri t i
o ri est un nombre alatoire compris entre -1 et +1. Les valeurs obtenues sont reportes dans le tableau 3.
Tableau 3 : Points exprimentaux bruits obtenus par simulation numrique
ti Yi Yi
0 5 5,00
1 7 7,02
2 9 9,02
3 11 11,25
4 13 13,31
5 15 14,58
6 17 16,99
7 19 18,3
8 21 20,32
9 23 23,06
10 25 24,19
En appliquant une mthode destimation de paramtres ces relevs exprimentaux simuls, on devrait retrouver les valeurs k0 = 5 et k1 = 2. En appliquant la relation (19) de la mthode des moindres carrs linaires, on obtient k0 = 5,195 et k1 = 1,925 soient des erreurs destimation ek0 = 0,195 et ek1 = 0,075. Lincertitude destimation de k0 et de k1 nest pas calculable car lincertitude de mesure sur les Yi nest pas constante. dYi , on obtient k0 = 5,098 et En appliquant la relation (21) de la mthode de Gauss-Markov avec Yi 3 k1 = 1,956 soient des erreurs destimation ek0 = 0,098 et ek1 = 0,044. Ces valeurs sont infrieures aux erreurs destimation atteintes avec la mthode des moindres carrs linaires. Les carts-types sur lerreur destimation de k0 et de k1 calculs par la relation (22) ont pour valeurs : k0 = 0,040 et k1 = 0,016. La mthode de GaussMarkov est donc prfrer dans le cas o les incertitudes (ou cart-type des erreurs) de mesures ne sont pas constantes car elle amliore la prcision de lestimation et permet de calculer un cart-type de lerreur destimation des paramtres inconnus.
Cas dun bruit de mesure constant mais non nul sur les ti et sur les Yi Dans ce cas de figure, on mesure une valeur Yi un instant exact ti dont on ralise la mesure entache t derreur i . La valeur exacte que lon aurait du mesurer si lon navait commis derreur ni sur ti ni sur Yi est donc Ymod(ti). Lerreur totale eYi* sur la ime mesure de Y peut scrire : e Yi * = Ymod (t i ) Yi = Ymod (t i ) Ymod i + Ymod i Yi = k 1 e ti + e Yi t t
( )
( )
Lcart-type sur eYi est donc gal [var(k 1 et i + eYi )]0,5 = k 1 2 var(et i ) + var(eYi )
Y* = k 1 2 t i 2 + Yi 2
0 ,5
= k 1 2 t i 2 + Yi 2
0 ,5
On peut donc penser appliquer la mthode des moindres carrs linaires et remplacer Y par
0,5
pour le calcul des carts-types k0 et k1 par la formule (20).
Yi Ymod(ti) eYi
Yi
eY(ti) eYi k1 dti
D* =
ei 2 k12 t i 2 + Yi 2
i =1
minimum
i t
ti
Figure 8 : Schmatisation de la somme pondre D* des carts quadratiques
On peut alors utiliser la relation (19) de la mthode des moindres carrs linaires pour estimer k0 et k1 puis remplacer Y par Y* = [ Y2 + k12 t2 ]0,5 dans les relations (20) pour estimer les carts-types k0 et k1. Bien que ntant pas dans le cadre strict dapplicabilit de la mthode dun point de vue mathmatique, les rsultats obtenus sont satisfaisants.
19
Exemple 4
On simule des relevs exprimentaux partir de la courbe obtenue avec k0 = 5 et k1 = 2 en considrant une incertitude de mesure dY = 1 constante sur les mesures Yi de Y et une incertitude de mesure dt = 0,5 constante
t sur les mesures i de t, de la manire suivante : Yi simul = 2 t i + 5 + ri dY / 3 et i simul = t i + ri dt / 3 , t
o ri est un nombre alatoire suivant une loi normale centre, dcart-type gal 1. Les valeurs obtenues sont reportes dans le tableau 4.
ti t
0 0,19 5 4,67
1 1,08 7 6,71
2 2,15 9 9,33
3 3,44 11 10,54
4 3,74 13 13,17
5 4,83 15 15,21
6 5,74 17 17,06
7 6,99 19 18,76
8 7,86 21 21,31
9 8,88 23 23,25
10 10,02 25 24,79
Yi Yi
En appliquant une mthode destimation de paramtres ces relevs exprimentaux simuls, on devrait retrouver les valeurs k0 = 5 et k1 = 2. Lapplication des formules (19) de la mthode des moindres carrs linaires permet dobtenir : k 0 = 4,547 et k 1 = 2,087, soit ek0 = 0,453 et ek1 = 0,087. Ces grandeurs permettent de calculer Y* = k 1 2 t i 2 + Yi 2
0 ,5
= 0,481 . Lapplication de la formule (20) permet alors destimer les carts-
types de lerreur destimation de k0 et de k1 : k0 = 0,28 et k1 = 0,049. La simulation de N sries de mesures et le calcul pour chacune delles de k0 et de k1 par la mthode des moindres carrs linaires, puis de ek0 = k0 - 4.547 et de ek1 = k1 2,087 permettent destimer de manire statistique lincertitude (cart maximal observ) et lcart-type de lerreur sur k0 et k1. Une srie de 10000 mesures nous a conduit dk0 = 0 ,953 , dk1 = 0,175, k0 = 0,27 et k1 = 0,046. Les valeurs des carts-types k0 et k1 sont proches des valeurs des carts-types calcules par la relation (20). Les valeurs calcules de manire statistique sont plus prcises que celles obtenues par le calcul de Y*.
Cas dun bruit de mesure variable et non nul sur les ti et sur les Yi Dans ce cas de figure, on mesure une valeur Yi un instant exact ti dont on ralise la mesure i entache t t derreur. Les incertitudes sur les mesures des Yi et des i ne sont pas constantes.
On peut appliquer dans ce cas la mthode des moindres carrs linaires pour estimer les paramtres k0, k1,.kp. Les formules permettant de calculer les incertitudes des paramtres estims ne sappliquent plus. On estimera ces incertitudes de manire statistique : on simule numriquement N mesures bruites de la manire suivante : t partir dun couple de valeurs exactes (ti, Yi) on simule un couple mesur ( i , Yi ) par :
Yi = Ymod (t i ) + ri dYi = t + r ' dt ti i i i
On applique par exemple la mthode des moindres carrs linaires pour calculer les paramtres k0, k1,.kp. On rpte p fois cette simulation suivie dune estimation par la mme mthode. On dispose alors dune matrice de rsultats du type : k0p k 01 (p estimations de n paramtres) [B] = k knp n1 On calcule les valeurs moyennes k i de chacun des paramtres ki, on doit retrouver les valeurs estimes partir
t des N couples exprimentaux ( i , Yi ) si p est suffisamment grand. On peut ensuite calculer pour chaque
paramtre ki estimer :
20
lincertitude (absolue) : cest la valeur maximale atteinte par kij- k i lcart-type de lerreur destimation : cest lcart-type des valeurs kij- k i autour de la moyenne (nulle).
Cette incertitude est lie aux points exprimentaux et la mthode destimation utilise. On pourra utiliser la mme procdure pour calculer lerreur destimation obtenue si lon utilise une mthode destimation autre que celle des moindres carrs linaires (minimisation dun critre autre que la diffrence des carts quadratiques). Exemple 5 On simule des relevs exprimentaux partir de la courbe obtenue avec k0 = 5 et k1 = 2 en considrant une incertitude de mesure dYi = 0,1Yi variable sur les mesures Yi de Y et une incertitude de mesure dt = 0,5 constante sur les mesures
ti
de t,
de la manire suivante :
Yi simul = 2 t i + 5 + ri dYi / 3
et
t i simul = t i + ri dt / 3 o les nombres ri sont des nombres alatoires suivant une loi normale centre, dcart-type
gal 1. Les valeurs obtenues sont reportes dans le tableau 5.

ti t
0 0,09 5 4,94
1 0,81 7 6,88
2 1,91 9 8,97
3 2,97 11 11,86
4 3,88 13 13,38
5 4,83 15 15,70
6 6,13 17 17,65
7 7,10 19 18,91
8 8,06 21 21,11
9 9,04 23 21,19
10 9,95 25 25,03
Yi Yi
En appliquant une mthode destimation de paramtres ces relevs exprimentaux simuls, on devrait retrouver les valeurs k0 = 5 et k1 = 2. Lapplication des formules (19) de la mthode des moindres carrs linaires permet dobtenir : k0 = 5,553 et k1 = 1,909, soit ek0 = 0,447 et ek1 = 0,091. On a ensuite simul numriquement 10000 sries de 11 mesures bruites de la manire suivante : partir des t t couples exprimentaux de valeurs ( i , Yi ) , on simule 10000 sries de 11 couples de mesures (' i , Y' i ) par :
Y' i = 5,553 + 1,909 i + ri dYi / 3 t ' = + r dt / 3 t i ti i i
o les nombres ri sont des nombres alatoires suivant une loi normale centre, dcart-type gal 1. On ralise pour chacune des 10000 sries simules lestimation des paramtres k0 et k1 par la relation (19) et on calcule les valeurs moyennes k 0 et k 1 puis les carts maximum la moyenne et les carts-types de lerreur destimation, on obtient : k 0 = 5,570 ; k 1 = 1,909 ; dk0 = 1,19 ; dk1 = 0,27 ; k0 = 0,27 ; k1 = 0,062. On constate que les valeurs exactes k0 = 5 et k1 = 2 se trouvent bien dans les intervalles [ k 0 -dk0, k 0 +dk0] et [ k 1 -dk1, k 1 +dk1]. Pour valider cette mthode d'estimation de l'erreur, on a repris les mmes calculs partir des valeurs exactes k0 = 5 et k1 = 2. On a obtenu les rsultats suivants sur 10000 estimations : k0 = 5,016 ; k1 = 1,997 ; dk0 = 1,06 ; dk1 = 0,27 ; k0 = 0,27 ; k1 = 0,063. Ces valeurs sont trs proches de celles obtenues avec les valeurs estimes de k0 et de k1. Le fait de calculer les erreurs destimation sur k0 et k1 partir de valeurs estimes de k0 et k1 (donc entaches derreur) na donc pas une influence importante, ce qui valide la mthode statistique propose.
3.3
3.3.1
Estimation de paramtres lis par une relation non linaire

Incertitudes de mesures constantes : exemple du Plan chaud
Problme pos
Nous allons traiter ici lexemple de la mthode du plan chaud : un rsistance chauffante plane dont on mesure la temprature est insre entre deux chantillons dun mme matriau. On lui envoie un chelon de tension qui
21
provoque le dgagement dun flux de chaleur 0. La chaleur produite diffuse dans les chantillons et on enregistre lvolution de la temprature T(t) de la rsistance au cours du temps. On montre que la transforme de Laplace (p) de cette temprature obit la relation suivante :
(p ) =
p mc p + [R c mc p + 1] E S p
1+ R c E S p
(23)
o :
E Rc mc
Effusivit du matriau Rsistance thermique de contact entre le matriau et la rsistance Capacitance thermique de la rsistance.
Le problme pos est destimer ces trois paramtres partir de N couples de points exprimentaux [t i , T(t i )] .
Si les trois paramtres E, Rc et mc sont supposs connus, la temprature dans lespace rel peut se calculer en appliquant la formule de Stehfest :
T(t) = ln(2) t
J j ln(2) V j j=1 t
(24)
dans laquelle est donn par la relation (23). Un nombre de termes J = 10 est suffisant pour assurer une prcision satisfaisante, les coefficients Vj ont alors pour valeur : V1 = 1/12 V2 = -385/12 V3 = 127 V4 = -46871/3 V5 = 505465/6 V6 = -473915/2 V7 = 1127735/3 V8 = -1020215/3 V9 = 328125/2 V10 = -65625/2
Etude de sensibilit
Une condition ncessaire pour que lestimation spare des trois paramtres soit possible est que les sensibilits de T(t) chacun des paramtres soient dcorrles. Cela signifie quil ne doit pas exister de relation T T T (t ) , ( t ) et (t ) . de proportionnalit entre les fonctions E R c mc A titre dexemple, calculons ces diverses sensibilits pour les conditions nominales suivantes : E = 500, Rc = 1,2.10-3 m2.C.W-1 , mc = 2 , 0 = 500 W.m-2 S On a reprsent sur la figure 9 : La courbe simule T(t) avec ces conditions nominales sur 100s. T T T Les courbes E (t ) , R c ( t ) et mc ( t ) entre 0 et 100s. E R c mc
E T E ( t ) , T E T E ( t ) et T Rc T R c T
Et sur la figure 10 les courbes

Rc
( t ) entre 0 et 100s.
mc mc R c mc mc On constate que la sensibilit E est forte et non corrle aux sensibilits Rc et mc car les deux rapports T T E E E E et ne sont pas constants. Il est donc possible destimer E partir de la courbe T T Rc mc R c mc
exprimentale T( t ) . On constate galement que les sensibilits Rc et mc sont fortement dcorrles entre 0 et
22
Rc
T R c T
20s, il sera donc possible de les estimer sparment sur cet intervalle de temps. Par contre, le rapport
mc
mc devient presque constant aprs 20s, il nest donc plus possible destimer Rc et mc avec la portion de courbe T( t ) pour t > 20s.
10 8 6 T(t) 4 2 0 0 20 40 t (s) 60 80 100
(c)
0 -2 -4
(b)
(a)
-6 -8 0 20 40 t (s) 60 80 100
Figure 9 : Courbe T(t) et courbes de sensibilits : (a) : E
T E
; (b) : mc
T mc
; (c) : Rc
T Rc
0 -3 -6 -9 -12
E Rc
T E T R c
6 5 4 3 2
E mc
T E T mc
Rc
-0.1
T R c T mc
mc
-0.2
-0.3
-15 -18 0 20 40 60 80 100
1 0 0 20 40 60 80 100
-0.4 0 20 40 60 80 100
Figure 10 : Rapport des sensibilits rduites aux trois paramtres E, Rc et mc Estimation pratique des paramtres par la mthode de Newton
On est ici dans le cas dune relation T(t) = f (E, Rc,mc, t) non linaire par rapport E, Rc et mc. Les mthodes des moindres carrs linaires et de Gauss-Markov ne peuvent donc pas sappliquer. On va alors plutt utiliser la mthode de Newton pour dterminer les paramtres E, Rc et mc qui minimisent de la somme des carts quadratiques D. Rsolution dans Excel : Le schma dapplication est le suivant : Ouverture dune feuille de calcul Excel. Affectation de valeurs arbitraires de E, Rc et mc au contenu des cellules A1, A2, A3 . Affectation des temps t auxquels les mesures ont t effectues au contenu de la colonne B. Affectation de la temprature mesure linstant t correspondant au contenu de la colonne C. j ln(2) en faisant varier j de 1 (colonne F) 10 (colonne M) Calcul dans les colonnes F M de V j t
23
et o est calcul par la formule (14). Ceci peut tre ralis rapidement en utilisant les possibilits offertes par Excel dtendre la formule de calcul dune cellule une colonne ou une ligne. Cette remarque sapplique tous les calculs dcrits ci-aprs. - Calcul dans la colonne D de la temprature simule en effectuant la somme des 10 colonnes prcdentes et ln(2) en multipliant cette somme par . t - Calcul dans la colonne E du carr de la diffrence des colonnes C et D. - Calcul dans la cellule A5 de la somme des cellules de la colonne E. - Utilisation de la fonction Solver en entrant comme paramtres : - Cellule dfinir : A5 - Egale : Min - Cellules variables : A1 ; A2 ; A3 - Options : Estimation quadratique , drive centre , mthode Newton . - Cliquer ensuite sur Rsoudre , Excel effectue alors le calcul de minimisation et modifie la valeur des cellules cibles A1, A2 et A3 contenant les valeurs de E, Rc et mc quand la convergence est atteinte. La feuille de calcul ainsi cre peut tre rutilise pour la minimisation dautres relations dfinies dans lespace de Laplace. Le changement de fonction peut tre ralis trs rapidement en utilisant les possibilits offertes par Excel dtendre la formule de calcul dune cellule une colonne ou une ligne. Rsolution sous Matlab : On trouvera en annexe un programme Matlab permettant destimer les paramtres E, Rc et mc partir dun enregistrement de la temprature dun plan chaud en appliquant la mthode de Newton. Ce programme permet galement de calculer lcart-type des paramtres estims.
Exemple 6
Estimer les paramtres E, Rc et mc partir des relevs suivants de la temprature T(t) obtenue dans les conditions dexpriences suivantes : Elment chauffant de surface 24,3 cm2, de rsistance lectrique R = 237,2 aliment sous une tension U = 17,38V. Lincertitude sur les mesures de temprature est constante et vaut dT = 0,1C.
Tableau 6 : Relevs de temprature lors dune exprience Plan chaud
t T(t) t T(t) 0 0,0 21 3,9 1 0,6 22 4,0 2 1,0 23 4,1 3 1,3 24 4,2 4 1,6 25 4,3 5 1,8 26 4,4 6 2,0 27 4,5 7 2,2 28 4,6 8 2,4 29 4,6 9 2,5 30 4,7 10 2,7 31 4,8 11 2,8 32 4,9 12 3,0 33 4,9 13 3,0 34 5,0 14 3,1 35 5,1 15 3,2 36 5,2 16 3,3 37 5,2 17 3,5 38 5,3 18 3,6 39 5,3 19 3,7 40 5,4 20 3,8 41 5,6
La rsolution par la mthode de Newton dans Excel ou sous Matlab conduit au mme rsultat : E = 341,2 J.m-2.C-1.s-1/2 ; Rc = 1,13 C.W-1 ; mc = 0,747 J.C-1 . Lapplication de la mthode de Newton ncessite le calcul des drives partielles que lon calcule numriquement de la faon suivante :
T(E, R c , mc, t ) T(1,001 E, R c , mc, t ) T(E, R c , mc, t ) = 0,001 E E
T(E, R c , mc, t ) T(E, 1,001 R c , mc, t ) T(E, R c , mc, t ) = 0,001 R c R c T(E, R c , mc, t ) T(E, R c , 1,001 mc, t ) T(E, R c , mc, t ) = 0,001 mc mc
On trouvera sur la figure 11 la reprsentation des points exprimentaux et de la courbe modle estime. Ayant calcul les drives partielles, on peut construire la matrice de sensibilit [X]. Si lon fait lhypothse que le modle est linaire pour de faibles variations des paramtres E, Rc et mc autour des valeurs estimes, on
24
peut ensuite calculer la matrice de covariance des erreurs destimation des paramtres E, Rc et mc par : [cov(eB)] 0,1 0,033C = T2 [Xt X]-1, avec T 3
6 5 4 3 2 1 0 0 10 20 t (s) 30 40 50
Tmod Texp
Figure 11 : Points exprimentaux et courbe modle estime pour une exprience Plan chaud
6971 279,7 84,2 On obtient : [cov(eB)] = 0,033 279,7 13,5 4,5 84,2 4,5 1,6
Do :
E = 0,033 Rc = 0,033 mc = 0,033
6971 = 3,89 J.m-2.C-1.s-1/2 13,5 = 0,17 C.W-1 1,6 = 0,059 J.C-1
3.3.2
Incertitudes de mesure variables : courbe de schage
Exemple 7
On a ralis lexprience de schage suivante : un chantillon de produit de masse initiale M0 = 46,30g et de teneur en eau initiale X0 = 4,559 kg.kgms-1 a t plac dans un flux dair de temprature, humidit relative et vitesse constantes. On a relev les valeurs M( t ) de la masse du produit diffrents temps ti supposs connus sans erreur. M( t ) M s La teneur en eau correspondante du produit se calcule par : X( t ) = M
s
O M s est la masse sche mesure du produit, elle se conserve au cours de lopration de schage.
Le problme pos est de trouver les valeurs optimales des paramtres des diffrents modles suivants : A1 et k1 pour le modle 1 : A1, k1, A2 et k2 pour le modle 2 : X( t ) = A 1 exp(k 1 t )
X( t ) = A 1 exp(k 1 t ) + A 2 exp( k 2 t )
25
(1 ) V t 1 0 , V0 et Xeq pour le modle 3 : , dans cette relation, X( t ) = X eq + X 0 X eq 1 + X 0 X eq Xeq est la teneur en eau dquilibre qui serait atteinte au bout dun temps infini.
qui reprsentent au mieux les N couples exprimentaux prsents dans le tableau 7. On veut galement connatre lcart-type de lerreur destimation de ces paramtres.
Tableau 7 : Relevs exprimentaux de la masse au cours du schage.
t (h) M(t) t (h) M(t) 0 46,30 4 20,11 0,17 44,11 5 17,46 0,25 43,19 6 15,49 0,42 42,02 7 14,06 0,5 41,09 8 13,13 0,75 38,48 10 11,70 1 36,43 12 11,02 1,25 34,30 14 10,43 1,5 32,48 16 10,12 1,75 30,71 18 9,87 2 29,07 20 9,79 2,5 26,08 22 9,64 3 23,67
Les incertitudes sont : dX0 = 0,0043 kg.kgms-1 ; dM0 = 0,02g ; dMi = 0,02g.
Il faut dabord calculer les valeurs X( t ) et les incertitudes correspondantes. M0 46,30 La masse sche du produit mis scher se calcule par : M s = = = 8,329 g 1 + X 0 1 + 4,559 dM dX 0 0 Lincertitude sur cette masse sche vaut : dM s = + M 0 1+ X0 M = 0,02 + 0,0043 8,329 = 0,01 g s 46,30 5,559
Lincertitude sur la teneur en eau vaut :
d[M( t ) M s ] dM s dM( t ) + dM s dM s dX (t ) = + = + X M( t ) M s Ms M( t ) M s Ms
Elle nest pas constante, elle dpend de M( t ) donc de t, on trouvera les valeurs calcules dans le tableau 8.
Tableau 8 : Valeur des incertitudes calcules sur la teneur en eau.

t (h) X(t) 1000 dX(t) t (h) X(t) 1000 dX(t) 0 4,559 9,08 4 1,415 5,30 0,17 4,296 8,76 5 1,096 4,92 0,25 4,186 8,63 6 0,860 4,63 0,42 4,045 8,46 7 0,688 4,43 0,5 3,933 8,32 8 0,576 4,29 0,75 3,620 7,95 10 0,405 4,09 1 3,374 7,65 12 0,323 3,99 1,25 3,118 7,35 14 0,252 3,91 1,5 2,900 7,08 16 0,215 3,86 1,75 2,687 6,83 18 0,185 3,82 2 2,490 6,59 20 0,175 3,81 2,5 2,131 6,16 22 0,157 3,79 3 1,842 5,81
Modle 1 : X( t ) = A 1 exp(k 1 t ) On peut utiliser la mthode du gradient ou celle de Newton, on trouvera les programmes correspondants chacune des deux mthodes en annexe. La mthode de Newton converge beaucoup plus rapidement et accepte des valeurs initiales plus loignes que la mthode du gradient. Les deux mthodes convergent vers la mme solution : A1 = 4,4849; k1 = 0,2815 ; D = 0,2276 On peut aussi linariser le modle en calculant Y(t) = ln[X(t)] = ln(A1) k1 t . Bien que les incertitudes sur Y(t) ne sont pas constantes, on peut dans un premier temps appliquer la mthode des moindres carrs linaires pour estimer ln(A1) et k1, on aboutit la solution : A1 = 3,416 ; k1 = 0,1682 .
26
La diffrence entre les deux solutions tient au fait que lon ne minimise pas le mme critre dans les deux cas : Dans le premier cas on minimise : D = Dans le deuxime cas on minimise :
D' =
[X(t) A
i =1
exp( k 1 t )]2
2
[ln[X(t)] ln(A ) + k
1 i =1 N
t] =
2 2
i =1 N i =1
N X( t ) ln = A 1 exp( k 1 t ) i =1
A 1 exp( k 1 t ) + eX ln A 1 exp( k 1 t )
D' =
i =1
eX ln 1 + A 1 exp( k 1 t )
eX A 1 exp( k 1 t )
On minimise donc les carts relatifs, ce qui permet daccorder plus dimportance aux points ayant une faible teneur en eau et damliorer la reprsentation de la fin du schage. Le dbut du schage est par contre moins bien reprsent.
5
X mesur
4 3 2 1 0 0 5 10 t (h) 15 20 25
X calcul1 X calcul2
Figure 12 : Points calculs par les deux estimations du modle 1 et points exprimentaux
Il est toujours intressant danalyser la dispersion des rsidus, soit des diffrences Y(t i ) Ymod (t i ) : si les
mesures sont sans biais et si le modle reprsente bien le phnomne tudi, on doit observer un bruit centr de dispersion alatoire. On trouvera sur la figure 13 la reprsentation des rsidus pour la courbe de schage traite.
1,6 1,2 0,8 0,4 0 -0,4 -0,8 t (h) 0 5 10 15 20 25 Rsidus1 Rsidus2
Figure 13 : Rsidus des deux estimations ralises sur le modle 1
Lanalyse des rsidus montre des valeurs assez leves et une dispersion non alatoire ce qui veut dire que le modle ne reprsente pas correctement le phnomne physique. Les erreurs tant principalement dues linadquation du modle, il nest pas utile destimer lerreur due au bruit de mesure ou daffiner lestimation par la mthode de Gauss-Markov. Cette constatation amne plutt rechercher un modle mieux adapt. Modle 2 : X( t ) = A 1 exp(k 1 t ) + A 2 exp( k 2 t ) Le modle ntant pas linaire, on dtermine les valeurs des paramtres qui permettent de minimiser la somme des carts quadratiques par la mthode de Newton. On peut utiliser pour cela le Solveur dExcel comme dtaill en annexe et lon aboutit la solution suivante : A1 = 4,1579 ; k1 = 0,3369 ; A2 = 0,4039 ; k2 = 0,0439 ; D = 0,0066
27
On calcule la matrice de sensibilit [X] comme dans lexemple 6. Avec la mme hypothse de linarit autour de loptimum, la matrice de covariance des erreurs destimation peut se calculer par : [cov(eB )] = s X t P 1 X o la matrice [P] est une matrice proportionnelle la matrice [cov(eYi)]. Les erreurs sur les mesures de Yi (la teneur en eau X dans cet exemple) ne sont pas corrles donc on peut prendre ici Y 2 0 0 1 2 Y 0 2 [P] = [cov(eYi )] = 0 0 0 Y 2 n
]1
( )
( )
( )
On obtient ainsi : [cov(eB)] = 10 4
0,384 0,302 2,70 3,03 0,384 0,0512 0,347 0,0367 2,70 0,347 2,57 0,251 0,302 0,0367 0,251 0,0347 A 1 = 0,0174 k 1 = 0,00223 A 2 = 0,0160 k 2 = 0,00186
Do :
1 = 4,1579 ; k1 = 0,3379 ; A2 = 0,4039 ; k1 = 0,0439 ;
Lanalyse des rsidus reprsents sur la figure 14 montre que leur valeur est faible et que leur rpartition semble relativement alatoire. Ceci valide la fois la mthode destimation et le modle retenu.
Rsidus sur X 0,060 0,040 0,020 0,000 0 -0,020 -0,040 5 10 15 20 25
Figure 14 : Rsidus de l estimation ralise sur le modle 2

(1 ) V t 1 0 1 + X 0 X eq
1
Modle 3 : X( t ) = X eq + X 0 X eq
Le modle ntant pas linaire, on dtermine les valeurs des paramtres qui permettent de minimiser la somme des carts quadratiques par la mthode de Newton en satisfaisant la contrainte physique : X(t)-dX(t) > Xeq pour tout point. On peut utiliser pour un programme Matlab tel que celui dtaill en annexe et lon aboutit la solution suivante : = 1,062 ; V0 = -1,425 kg.kgms-1.s-1 ; Xeq = 0,133 kg.kgms-1 ; D = 0,0090. On trouvera sur la figure 15 la reprsentation des points exprimentaux et de la courbe modle estime. On calcule la matrice de sensibilit [X] comme dans lexemple 6. Avec la mme hypothse de linarit autour de loptimum, la matrice de covariance des erreurs destimation peut se calculer par : [cov(eB )] = s X t P 1 X o la matrice [P] est une matrice proportionnelle la matrice [cov(eYi)].
]1
28
Les erreurs sur les mesures de Yi (la teneur en eau X dans cet exemple) ne sont pas corrles donc on peut prendre ici : Y 2 0 0 1 2 Y 0 2 [P] = [cov(eYi )] = 0 0 0 Y 2 n
( )
( )
( )
5 4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 0 5 10

t (h) X mesur X calcul
15
20
25
Figure 15 : Points exprimentaux et courbe modle estime pour une exprience de schage
On trouvera sur la figure 16 la reprsentation des rsidus pour la courbe de schage traite. La rpartition des rsidus est centre mais pas totalement alatoire, ce qui laisse supposer que le modle ne reprsente pas parfaitement la physique. La reprsentation des points exprimentaux par le modle nen est pas moins tout fait satisfaisante.
0.05 0.04 0.03 0.02 0.01 0 -0.01 -0.02 -0.03 -0.04 0 5 10 15 20 25 30
Figure 15 : Rsidus de lestimation ralise pour une exprience de schage
On obtient ainsi : [cov(eB)] = 10
0,3536 0,0889 0,4816 0,0889 0,0359 0,0887 0,4816 0,0887 0,8420 = 0,01 X eq = 0,01 0,3536 = 0,0059 0,0359 = 0,0019 kg.kgms-1.s-1 0,842 = 0,0092 kg.kgms-1
Do :
= 1,062 ;
Xeq = 0,133 kg.kgms-1 ;
V0 = -1,425 kg.kgms-1.s-1 ; V0 = 0,01
29
3.3.3
Estimation de 4 paramtres faiblement dcorrls : Mthode flash long
On ralise une exprimentation avec un montage de type mthode flash mais avec une dure dclairement de 30s. Le but de lexprience est destimer la diffusivit thermique a et la conductivit thermique de lchantillon. On montre que la transforme de Laplace (p) de la temprature T2(t) de la face arrire de lchantillon est donne par : 1 - exp(- pt 0 ) 2 (p ) = 0 p C + 2ABh + Dh 2 avec : A = D = cosh (qe ) ; B = o : a 0 h t0
1 sinh (qe ) ; C = q S sinh (qe ) ; q = qS
p a
Diffusivit thermique du matriau Densit de flux de chaleur absorb par la surface chauffe Coefficient de transfert de chaleur par convection sur les deux faces Dure de lclairement
Si les quatre paramtres a, , 0 et h sont supposs connus, la temprature dans lespace rel peut se calculer en appliquant la formule de Stehfest :
T(t) = ln(2) t
J j ln(2) V j j=1 t
dans laquelle est donn par la relation prcdente.
Exemple 8
On trouvera dans le tableau 8 les valeurs enregistres de la temprature T2(t) lors dune exprience Flash sur un chantillon en terre compacte dpaisseur 5,3 cm clair pendant 30s.
Tableau 9 : Relevs exprimentaux de la temprature T2(t) au cours dune exprience Flash
t (h) T2(t) 0 0 294 0,1 398 0,2 465 0,3 528 0,4 649 0,5 716 0,6 785 0,7 870 0,8 950 0,9 1040 1 1180 1,1 1334 1,2 1623 1,3 1800 1,4 2100 1,4
Lutilisation dun modle approch a conduit une premire estimation de la diffusivit thermique : a = 4,36.10-7 m2.s-1. Il savre que les mthodes du gradient et de Newton ne convergent pas vers une solution unique satisfaisante sur cet exemple car la matrice du hessien D nest parfois pas inversible. De plus, le calcul des drives partielles de T2 par rapport aux paramtres inconnus a, , 0 et h ne peut seffectuer que de manire numrique ce qui alourdit la programmation. On utilise donc plutt la mthode dichotomique qui converge de manire trs satisfaisante. En prenant les intervalles de dpart suivants : a [4.10-7 , 6.10-7 m2.s-1] , [1 , 3 W.m-1.C-1] , 0 [5000 , 15000 W.m-2] , h [0 , 10 W.m-2.C-1], on aboutit au valeurs estimes : a = 4,97.10-7 m2.s-1 , = 2,16 W.m-1.C-1 , 0 = 13428 W.m-2 , h = 5,0 W.m-2.C-1 qui permettent dobtenir une trs bonne reprsentation des points exprimentaux comme le montre la figure 16.
30
Figure 16 : Courbe exprimentale et courbe thorique avec les paramtres estims
Une tude de sensibilit montre que la temprature T est insensible au paramtre h et que les paramtres et 0 sont peu dcorrls : lestimation spare de ces trois paramtres nest donc pas possible. En effet, si lon change les intervalles de dpart, on retrouve une valeur trs proche pour la diffusivit thermique a mais des valeurs trs diffrentes pour et 0 tout en obtenant une courbe modle reprsentant trs bien les points exprimentaux. Les donnes exprimentales ne peuvent donc permettre destimer que la valeur de la diffusivit thermique a. Une estimation de lcart-type sur a peut tre obtenue en simulant numriquement p sries dexpriences en bruitant la srie de points exprimentaux obtenus. On calcule ensuite lcart-type des p estimations de a. Avec p = 1000 et dT = 0,5C soit T = 0,17 C, nous avons obtenu : a = 3,0.10-8 m2.s-1 On trouvera sur la figure 17 lhistogramme des 1000 valeurs estimes de a qui prsente une forme en cloche caractristique dune distribution gaussienne.
Figure 17 : Histogramme des 1000 valeurs estimes de a(m2.s-1)
31
Bibliographie
1. 2. 3.
Trigeassou J.Cl. , Recherche de modles exprimentaux, Technique et Documentation , Lavoisier, 1988. Kurpisz K., Nowak A.J., Inverse thermal problems, Computational mechanics Publications, 1995. Beck J.V., Arnold K.J., Parameter estimation in engineering and science, John Wileys & Sons, 1977.
32
ANNEXES
Rappel sur la covariance
Supposons que lon ait rpt p fois la mme exprience et que lon dispose donc de p courbes exprimentales Y = f (t) composes chacune de N couples de points (Yij, tij), lindice i indiquant le n de la courbe (i variant de 1 p) et lindice j correspondant au temps tj auquel la mesure a t effectue (j variant de 1 N). Le schma du calcul de la matrice de covariance de lerreur eY est alors le suivant : N mesures de Y par exprience [eY1] [eY2] [eYN]
e Y11 e Y12 [e Y ] = e Y 1p cov e Y1 , e Y1 cov e , e Y2 Y1 [cov(e Y )] = cov e Y , e Y 1 N
e Y21 e Y22
e Y2 p
e YN1 e YN 2 e YNp
p expriences
( (
) )
cov e Y2 , e Y2
1 1
( ) cov(e Y , e Y )
)
1
cov e Y2 , e YN
cov e Y1 , e YN cov e Y1 , e YN cov e YN , e YN
( (
) )
cov(e Yi , e Yj ) =
(e p
p k =1
Yik
e Yi e Yjk e Yj =
)(
e p
k =1
Yik
e Yjk
si e Yi = 0 (erreur de moyenne nulle)
33
Exemple 4 : Programme Matlab
clear k0=4.547; k1=2.087; dY=1; dt=0.5; N=11; for j=1:10000 a = 0; b = 0; c = 0; d = 0; for i = 1:N Ye(i) = k0 + k1 * (i-1) + dY* randn(1)/3; te = i-1 + dt*randn(1)/3; a = a + te^ 2; b = b + te; c = c + te * Ye(i); d = d + Ye(i); end K0(j) = (a * d - b * c) / (N * a - b ^ 2); K1(j) = (N * c - b * d) / (N * a - b ^ 2); eK0(j)=abs(K0(j)-k0); eK1(j)=abs(K1(j)-k1); end Incertitudek0=max(eK0) Incertitudek1=max(eK1) Moyennek0=mean(K0) Moyennek1=mean(K1) EcartTypek0=(var(K0))^.5 EcartTypek1=(var(K1))^.5
34

Estimation de l'cart-type des coefficents d'une droite connaissant la valeur des coefficients et les cartstypes des bruits de mesure (variable sur Yi et non nul sur ti)
clear k0=5.553; k1=1.909; dY=.1; dt=0.5; N=11; for j=1:10000 a = 0;b = 0;c = 0;d = 0; for i = 1:N Ye(i) = k0 + k1 * (i-1) + dY*(k0+k1*(i-1))* randn(1)/3; te = i-1 + dt*randn(1)/3; a = a + te^ 2; b = b + te; c = c + te * Ye(i); d = d + Ye(i); end K0(j) = (a * d - b * c) / (N * a - b ^ 2); K1(j) = (N * c - b * d) / (N * a - b ^ 2); eK0(j)=abs(K0(j)-k0); eK1(j)=abs(K1(j)-k1); end Incertitudek0=max(eK0) Incertitudek1=max(eK1) Moyennek0=mean(K0) Moyennek1=mean(K1) EcartTypek0=(var(K0))^.5 EcartTypek1=(var(K1))^.5
35

Estimation des paramtres E, Rc et mc par la mthode de Newton et estimation des crts-types
clear % Lecture des donnes exprimentales Ye=[0 0.6 1.0 1.3 1.6 1.8 2.0 2.2 2.4 2.5 2.7 2.8 3.0 3.0 3.1 3.2 3.3 3.5 3.6 3.7 3.8]; Ye=[Ye 3.9 4.0 4.1 4.2 4.3 4.4 4.5 4.6 4.6 4.7 4.8 4.9 4.9 5.0 5.1 5.2 5.2 5.3 5.3 5.4 5.6]; N=length(Ye); dt=1; for i=1:N te(i)=(i-1)*dt; end fi=0.6364; S=0.00243; % Fin lecture % Coefficients de Stehfest avec N=10 termes V=[8.3333333333333333333e-2 -3.208333333333333e1 1.279e3 -1.5623666666666667e4 8.4244166666666666667e4]; V=[V -2.369575e5 3.75911666666666e5 -3.40071666666666667e5 1.640625e5 -3.28125e4]; % Initialisation des paramtres E=500; Rc=05; mc=.1 B=[E Rc mc]; P=3; % Fin initialisation for m=1:10 % Calcul des valeurs Y du modle Y(1)=0; for k=2:N; Y(k)=0; for i=1:10 p=i*log(2)/te(k); X=(fi/p)*(1+Rc*E*S*p^.5)/(mc*p+(Rc*mc*p+1)*E*S*p^.5); Y(k)=Y(k)+V(i)*X; end Y(k)=log(2)*Y(k)/te(k); end % Calcul de Y1 avec E'=1.001*E Y1(1)=0; E=1.001*E; for k=2:N; Y1(k)=0; for i=1:10 p=i*log(2)/te(k); X=(fi/p)*(1+Rc*E*S*p^.5)/(mc*p+(Rc*mc*p+1)*E*S*p^.5); Y1(k)=Y1(k)+V(i)*X; end Y1(k)=log(2)*Y1(k)/te(k); end E=E/1.001; % Calcul de Y2 avec Rc'=1.001*Rc
36
Y2(1)=0; Rc=1.001*Rc; for k=2:N; Y2(k)=0; for i=1:10 p=i*log(2)/te(k); X=(fi/p)*(1+Rc*E*S*p^.5)/(mc*p+(Rc*mc*p+1)*E*S*p^.5); Y2(k)=Y2(k)+V(i)*X; end Y2(k)=log(2)*Y2(k)/te(k); end Rc=Rc/1.001; % Calcul de Y3 avec mc'=1.001*mc Y3(1)=0; mc=1.001*mc; for k=2:N; Y3(k)=0; for i=1:10 p=i*log(2)/te(k); X=(fi/p)*(1+Rc*E*S*p^.5)/(mc*p+(Rc*mc*p+1)*E*S*p^.5); Y3(k)=Y3(k)+V(i)*X; end Y3(k)=log(2)*Y3(k)/te(k); end mc=mc/1.001; % Calcul des drives partielles for k=1:N dY(k,1)=(Y1(k)-Y(k))/(.001*E); dY(k,2)=(Y2(k)-Y(k))/(.001*Rc); dY(k,3)=(Y3(k)-Y(k))/(.001*mc); eY(k)=Ye(k)-Y(k); end % Fin du calcul des valeurs du modle et de ses drives partielles % Calcul de la matrices D' for i=1:N for j=1:P D1(j,1)=0; end end for i=1:N for j=1:P D1(j,1)=D1(j,1)-2*eY(i)*dY(i,j); end end % Fin du calcul de la matrice D' % Calcul de la matrice D" for i=1:P for j=1:P D2(i,j)=0; end end for i=1:P for j=1:P for k=1:N D2(i,j)=D2(i,j)+2*dY(k,i)*dY(k,j); end
37
end end % Fin du calcul de la matrice D" % Calcul des valeurs modifies de E, Rc et mc B=B-inv(D2)*D1; E=B(1,1) Rc=B(2,1) mc=B(3,1) if mc<0 mc=0; end % Fin calcul end % Calcul de l'cart quadratique D=0; for i=1:N D=D+(eY(i))^2; end % Fin calcul % Affichage des rsultats E Rc mc D % Fin affichage % Calcul des sensibilits rduites for k=1:N dYr(k,1)=E*dY(k,1); dYr(k,2)=Rc*dY(k,2); dYr(k,3)=mc*dY(k,3); end % Fin calcul % Calcul des carts types D3=inv(D2); dE=.1*(D3(1,1))^.5 dRc=.1*(D3(2,2))^.5 dmc=.1*(D3(3,3))^.5 % Fin calcul
38
Exemple 7, Modle 1 : Programmes Matlab

Programme1 : Estimation des deux paramtres A1 et k1 par la mthode du gradient
clear % Lecture des donnes exprimentales te=[0 0.17 0.25 0.42 0.5 0.75 1 1.25 1.5 1.75 2 2.5 3 4 5 6 7 8 10 12 14 16 18 20 22]; Me=[46.3 44.11 43.19 42.02 41.09 38.48 36.43 34.3 32.48 30.71 29.07 26.08 23.67 20.11 17.46 15.49 14.06 ] Me=[Me 13.13 11.7 11.02 10.43 10.12 9.87 9.79 9.64]; N=length(te); X0=4.559;Ms=Me(1)/(1+X0); for i=1:N Ye(i)=(Me(i)-Ms)/Ms; end % Fin lecture
% Initialisation des paramtres A1=4; k1=.5; B=[A1 ; k1]; lam=.001; p=2; % Fin initialisation
for j=1:1000 % Calcul des valeurs du modle et de ses drives partielles for i=1:N Y(i)=A1*exp(-k1*te(i)); dY(i,1)=exp(-k1*te(i)); dY(i,2)=-A1*te(i)*exp(-k1*te(i)); eY(i)=Ye(i)-Y(i); end %Fin du calcul des valeurs du modle et de ses drives partielles
% Calcul de la matrices D' for i=1:N for j=1:p D1(j,1)=0; end end for i=1:N for j=1:p D1(j,1)=D1(j,1)-2*eY(i)*dY(i,j); end end % Fin du calcul de D' % Calcul des valeurs modifies de A1 et k1 B=B-lam*D1; A1=B(1,1); k1=B(2,1); % Fin calcul end % Calcul de l'cart quadratique D=0 for i=1:N D=D+(eY(i))^2; end % Fin calcul
39
% Affichage des rsultats A1 k1 D % Fin affichage
Programme2 : Estimation des deux paramtres A1 et k1 par la mthode de Newton
clear
% Lecture des donnes exprimentales te=[0 0.17 0.25 0.42 0.5 0.75 1 1.25 1.5 1.75 2 2.5 3 4 5 6 7 8 10 12 14 16 18 20 22]; Me=[46.3 44.11 43.19 42.02 41.09 38.48 36.43 34.3 32.48 30.71 29.07 26.08 23.67 20.11 17.46 15.49 14.06 13.13 11.7 11.02 10.43 10.12 9.87 9.79 9.64]; N=length(te); X0=4.559;Ms=Me(1)/(1+X0); for i=1:N Ye(i)=(Me(i)-Ms)/Ms; end % Fin lecture % Initialisation des paramtres A1=2; k1=.5; B=[A1 k1]; p=2; % Fin initialisation
for m=1:100
%Calcul des valeurs du modle et de ses drives partielles for i=1:N Y(i)=A1*exp(-k1*te(i)); dY(i,1)=exp(-k1*te(i)); dY(i,2)=-A1*te(i)*exp(-k1*te(i)); eY(i)=Ye(i)-Y(i); end %Fin du calcul des valeurs du modle et de ses drives partielles % Calcul de la matrices D' for i=1:N for j=1:p D1(j,1)=0; end end for i=1:N for j=1:p D1(j,1)=D1(j,1)-2*eY(i)*dY(i,j); end end % Fin du calcul de D' % Calcul de la matrice D" for i=1:p for j=1:p D2(i,j)=0; end
40
end for i=1:p for j=1:p for k=1:N D2(i,j)=D2(i,j)+2*dY(k,i)*dY(k,j); end end end % Fin du calcul de la matrice D"
% Calcul des valeurs modifies de A1 et k1 B=B-inv(D2)*D1; A1=B(1,1); k1=B(2,1); % Fin calcul
end
% Calcul de l'cart quadratique D=0; for i=1:N D=D+(Y(i)-Ye(i))^2; end % Fin calcul % Calcul de la matrice de covariance Cov=D*inv(D2) % Fin du calcul % Affichage des rsultats A1 k1 D dA1=(Cov(1,1))^.5 dk1=(Cov(2,2))^.5 % Fin affichage
41
Exemple 7, Modle 2 : Feuille de calcul Excel

Estimation des paramtres A1, k1, A2 et k2 par la mthode de Newton
X calcul = A1 exp(-k1t)+A2 exp(-k2t)
H3 =($C$6*EXP(-$C$7*E3)+$C$8*EXP(-$C$9*E3)) H27=($C$6*EXP(-$C$7*E27)+$C$8*EXP(-$C$9*E27))
Calcul du carr des erreurs :
I3=(G3-H3)^2 I27=(G27-H27)^2
Calcul de la somme des carts quadratiques : I28==SOMME(I3:I27) Calcul des valeurs de A1, k1, A2 et k2 qui minimisent D : initialisation des paramtres , par exemple, A1=5, k1=1, A2=1, k2=.1 et utilisation du Solveur avec les options indiques ci-dessous :
Rsultats :
A1 = 4,1579 k1 = 0,3369 A2 = 0,4039 k2 = 0,0439 D = 0,0066
42
Exemple 7, Modle 3 : Programme Matlab

Estimation des paramtres a, V0 et Xeq par la mthode de Newton et estimation des carts-types
clear % Lecture des donnes exprimentales te=[0 0.17 0.25 0.42 0.5 0.75 1 1.25 1.5 1.75 2 2.5 3 4 5 6 7 8 10 12 14 16 18 20 22]; Me=[46.3 44.11 43.19 42.02 41.09 38.48 36.43 34.3 32.48 30.71 29.07 26.08 23.67 20.11 17.46 15.49 14.06 13.13 11.7 11.02 10.43 10.12 9.87 9.79 9.64]; N=length(te); X0=4.559;Ms=Me(1)/(1+X0); for i=1:N Ye(i)=(Me(i)-Ms)/Ms; end % Fin lecture
% Initialisation des paramtres a=1.1; V0=-(Ye(1)-Ye(2))/(te(2)-te(1)) Xeq=Ye(N); B=[a;V0;Xeq] P=3; dX(1)=0.0043; for i=1:N dX(i)=0.03/(Me(i)-Ms)+0.01/Ms; end % Fin initialisation
for m=1:100 % Calcul des valeurs Y du modle Y(1)=X0; for k=2:N; Y(k)=Xeq+(X0-Xeq)*(1+(1-a)*V0*te(k)/(X0-Xeq))^(1/(1-a)); end
% Calcul de Y1 avec a=1.001*a a=1.001*a; Y1(1)=X0; for k=2:N; Y1(k)=Xeq+(X0-Xeq)*(1+(1-a)*V0*te(k)/(X0-Xeq))^(1/(1-a)); end a=a/1.001; % Calcul de Y2 avec V0'=1.001*V0 V0=1.001*V0; Y2(1)=X0; for k=2:N; Y2(k)=Xeq+(X0-Xeq)*(1+(1-a)*V0*te(k)/(X0-Xeq))^(1/(1-a)); end V0=V0/1.001; % Calcul de Y3 avec Xeq'=1.001*Xeq Xeq=1.001*Xeq; Y3(1)=X0; for k=2:N; Y3(k)=Xeq+(X0-Xeq)*(1+(1-a)*V0*te(k)/(X0-Xeq))^(1/(1-a)); end Xeq=Xeq/1.001;
43
% Calcul des drives partielles for k=1:N dY(k,1)=(Y1(k)-Y(k))/(.001*a); dY(k,2)=(Y2(k)-Y(k))/(.001*V0); dY(k,3)=(Y3(k)-Y(k))/(.001*Xeq); eY(k)=Ye(k)-Y(k); end %Fin du calcul des valeurs du modle et de ses drives partielles % Calcul de la matrices D' for i=1:N for j=1:P D1(j,1)=0; end end for i=1:N for j=1:P D1(j,1)=D1(j,1)-2*eY(i)*dY(i,j); end end % Fin du calcul de la matrice D' % Calcul de la matrice D" for i=1:P for j=1:P D2(i,j)=0; end end for i=1:P for j=1:P for k=1:N D2(i,j)=D2(i,j)+2*dY(k,i)*dY(k,j); end end end % Fin du calcul de la matrice D" % Calcul des valeurs modifies de E, Rc et mc B=B-inv(D2)*D1; a=B(1,1) V0=B(2,1) Xeq=B(3,1) if Xeq>(Ye(N)-dX(N)) Xeq=Ye(N)-dX(N); end % Fin calcul end % Calcul de l'cart quadratique D=0; for i=1:N D=D+(eY(i))^2; end % Fin calcul % Affichage des rsultats a V0 Xeq D
44
% Fin affichage
% Calcul des sensibilits rduites for k=1:N dYr(k,1)=a*dY(k,1); dYr(k,2)=V0*dY(k,2); dYr(k,3)=Xeq*dY(k,3); end % Fin calcul % Calcul de la matrice de covariance de X for i=1:N for j=1:N P(i,j)=0; end end for i=1:N P(i,i)=dX(i)^2; end % Calcul des carts types Q=inv(P); D4=inv(dY'*Q*dY) da=(D4(1,1))^.5 dV0=(D4(2,2))^.5 dXeq=(D4(3,3))^.5
45
Exemple 8 : Programmes Matlab

Programme 1 : Estimation des paramtres de la mthode flash long par une mthode dichotomique
clear
% Lecture des donnes tm=[0 294 398 465 528 588 649 716 785 870 950 1040 1180 1334 1623 1800 2100] Tm=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1 1.1 1.2 1.3 1.4 1.4 1.4] e=.053;N=16 t0=30; % Fin lecture des donnes % Coefficients de Stehfest avec N=10 termes V=[8.3333333333333333333e-2 -3.208333333333333e1 1.279e3 -1.5623666666666667e4 8.4244166666666666667e4]; V=[V -2.369575e5 3.75911666666666e5 -3.40071666666666667e5 1.640625e5 -3.28125e4]; % a = effusivit % b = conductivit % c = densit de flux % d = coefficient de convection % Entre des valeurs extrmes des paramtres bmin=1;bmax=3;% Conductivit cmin=5000;cmax=15000;% Flux dmin=0;dmax=10;% Coefficient de convection amin=4e-7;amax=6e-7; % Diffusivit db=bmax-bmin;dc=cmax-cmin;dd=dmax-dmin;da=amax-amin; b=(bmin+bmax)/2;c=(cmax+cmin)/2;dm=(dmax+dmin)/2;a=(amax+amin)/2; dmin0=dmin;bmin0=bmin;cmin0=cmin;amin0=amin; dmax0=dmax;bmax0=bmax;cmax0=cmax;amax0=amax; % Fin de l'entre des valeurs extrmes des paramtres
% Estimation des paramtres for u=1:10 Ecartmin=10000000; db=db/2;bmin=b-db;bmax=b+db; dc=dc/2;cmin=c-dc;cmax=c+dc; dd=dd/2;dmin=dm-dd;dmax=dm+dd; da=da/2;amin=a-da;amax=a+da; if bmin<bmin0 bmin=bmin0; end if bmax>bmax0 bmax=bmax0; end if cmin<cmin0 cmin=cmin0; end if dmin<dmin0 dmin=dmin0; end if dmax>dmax0 dmax=dmax0; end if amin<amin0
46
amin=amin0; end if cmax>cmax0 cmax=cmax0; end if amax>amax0 amax=amax0; end for l=1:5 b=bmin+(l-1)*.25*(bmax-bmin); for n=1:5 d=dmin+(n-1)*.25*(dmax-dmin); for s=1:5 a=amin+(s-1)*(amax-amin)*.25; for m=1:5 c=cmin+(m-1)*.25*(cmax-cmin); % Calcul de Tc(t) Tc(1)=0; for k=1:N; t=tm(k+1); Tc(k+1)=0; for i=1:10 p=i*log(2)/t; q=(p/a)^.5; X=(c/p)*(1-exp(-t0*p))/(b*q*sinh(q*e)+2*d*cosh(q*e)+d*d*sinh(q*e)/b/q); Tc(k+1)=Tc(k+1)+V(i)*X; end Tc(k+1)=log(2)*Tc(k+1)/t; end % Fin du calcul de Tc(t) Ecart2=0; for w=2:N Ecart2=Ecart2+((Tm(w)-Tc(w)))^2; end if Ecart2<Ecartmin Ecartmin=Ecart2; lmin=l; mmin=m; nmin=n; smin=s; end end end end end b=bmin+(lmin-1)*.25*(bmax-bmin) c=cmin+(mmin-1)*.25*(cmax-cmin) d=dmin+(nmin-1)*.25*(dmax-dmin) a=amin+(smin-1)*(amax-amin)*.25 end % Fin de l'estimation plot(tm(1:N+1),Tm(1:N+1),'b',tm(1:N+1),Tc(1:N+1),'r') grid
47
Programme 2 : Estimation des carts-types des paramtres de la mthode flash long par une mthode statistique
clear
% Lecture des donnes tm=[0 294 398 465 528 588 649 716 785 870 950 1040 1180 1334 1623 1800 2100]; Tm=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1 1.1 1.2 1.3 1.4 1.4 1.4]; e=.053;N=length(tm) t0=30; % Fin lecture des donnes % Coefficients de Stehfest avec N=10 termes V=[8.3333333333333333333e-2 -3.208333333333333e1 1.279e3 -1.5623666666666667e4 8.4244166666666666667e4]; V=[V -2.369575e5 3.75911666666666e5 -3.40071666666666667e5 1.640625e5 -3.28125e4];
% a = effusivit % b = conductivit % c = densit de flux % d = coefficient de convection R=randn(1000,N) for z=1:1000 for i=1:N Tm(i)=Tm(i)+.016*R(z,i); % Bruitage des donnes end
% Entre des valeurs extrmes des paramtres bmin=.1;bmax=5;% Conductivit cmin=1000;cmax=20000;% Flux d=5 ; % Coefficient de convection amin=4e-7;amax=6e-7; %Diffusivit db=bmax-bmin;dc=cmax-cmin;da=amax-amin; b=(bmin+bmax)/2;c=(cmax+cmin)/2;d=(dmax+dmin)/2;a=(amax+amin)/2; bmin0=bmin;cmin0=cmin;amin0=amin; bmax0=bmax;cmax0=cmax;amax0=amax; % Fin de l'entre des valeurs extrmes des paramtres % Estimation des paramtres for u=1:10 Ecartmin=10000000; db=db/2;bmin=b-db;bmax=b+db; dc=dc/2;cmin=c-dc;cmax=c+dc; da=da/2;amin=a-da;amax=a+da; if bmin<bmin0 bmin=bmin0; end if bmax>bmax0 bmax=bmax0; end if cmin<cmin0 cmin=cmin0; end if amin<amin0 amin=amin0; end if cmax>cmax0 cmax=cmax0; end
48
if amax>amax0 amax=amax0; end for l=1:5 b=bmin+(l-1)*.25*(bmax-bmin); for s=1:5 a=amin+(s-1)*(amax-amin)*.25; for m=1:5 c=cmin+(m-1)*.25*(cmax-cmin); % Calcul de T(t) T(1)=0; for k=2:N; t=tm(k); T(k)=0; for i=1:10 p=i*log(2)/t; q=(p/a)^.5; X=(c/p)*(1-exp(-t0*p))/(b*q*sinh(q*e)+2*d*cosh(q*e)+d*d*sinh(q*e)/b/q); T(k)=T(k)+V(i)*X; end T(k)=log(2)*T(k)/t; end % Fin du calcul de T(t) Ecart2=0; for w=2:N Ecart2=Ecart2+((Tm(w)-T(w)))^2; end if Ecart2<Ecartmin Ecartmin=Ecart2; lmin=l; mmin=m; smin=s; end end end end b=bmin+(lmin-1)*.25*(bmax-bmin); c=cmin+(mmin-1)*.25*(cmax-cmin); a=amin+(smin-1)*(amax-amin)*.25; end % Fin de l'estimation A(z)=a;B(z)=b;C(z)=c; end
% Calcul des carts-types da=(var(A))^.5 dlam=(var(B))^.5 dfi=(var(C))^.5
49

Méthodes D'éstimation de Paramètres

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Méthodes D'éstimation de Paramètres

Încărcat de

Drepturi de autor:

Formate disponibile

Yves JANNOT

TABLE DES MATIERES

LA NOTION DERREUR ET DE BRUIT DE MESURE METHODES DESTIMATION

EXEMPLES DESTIMATION DE PARAMETRES

Mthodes destimation de paramtres

1 LA NOTION DERREUR ET DE BRUIT DE MESURE

Valeur exacte de la grandeur Rsultat de la ime mesure de Y

Figure 1 : Enregistrement type dune mesure au cours du temps

Mthodes destimation de paramtres

Mthodes destimation de paramtres

0.3 0.25 0.2 0.15 0.1 0.05 0 -4 -3 -2 -1 0 1 2 3 4

68% 95% 99,7%

Figure 3 : Densit de probabilit dune loi normale centre rduite

Mthodes destimation de paramtres

mais mauvaise estimation

minimum, estimation correcte

Paramtres lis par une relation linaire

f On suppose dans ce paragraphe que les fonctions k i

Mthode des moindres carrs linaires

Mthodes destimation de paramtres

minimisent le critre D = d i 2 soit D = (Yi k 0 k 1 t i )2 .

Les valeurs de k0 et k1 qui minimisent D sont telles que :

k0 et k1 sont donc tels que :

N Que lon peut crire sous forme matricielle : N ti i =1

Soit sous forme matricielle pour les N mesures : f f k 0 k 1 t0 t0 Y1 - Y1 f f k 0 t k 1 t = 1 2 Y - Y N N f f k k 0 tN 1 tN [eY] [X]

Mthodes destimation de paramtres

Alors une estimation de la matrice [B] peut tre obtenue par :

Cette estimation minimise lcart quadratique

t D = [Y Y ] [Y Y ] , soit la somme des carrs des distances

Mthodes destimation de paramtres

Une estimation de la matrice [B] peut tre obtenue par :

o [P] est une matrice proportionnelle [cov(eY)] : [P] = s [cov(eY)]

D minimum, estimation correcte

Figure 6 : Schmatisation de la somme D des carts quadratiques pondrs

Mthodes destimation de paramtres

mesures eYi nest pas diagonale et scrit alors :

On trouvera en annexe un rappel de la formule permettant de calculer la covariance.

Paramtres lis par une relation non-linaire

Mthodes destimation de paramtres

(t i ) sont calculs avec les valeurs k0j, k1j,kpj .

Mthodes destimation de paramtres

sont calculs avec les valeurs k0j, k1j,kpj .

Mthodes destimation de paramtres

k1 min k0 min k0 max

Evaluation de la prcision de lestimation

Mthodes destimation de paramtres

lerreur destimation de k0, k1,.. kn : k i = a ii .

Cas o les bruits de mesures sont corrls

Incertitudes sur Yi et sur ti

Mthodes destimation de paramtres

3 EXEMPLES DESTIMATION DE PARAMETRES

Mthodes destimation de paramtres

que lon peut transposer en terme dcart-type :

Mthodes destimation de paramtres

ti (s) Umod(ti) (V) U (V)

Estimation des coefficients dune droite

Mthodes destimation de paramtres

Le dveloppement de la relation matricielle [B] = [Xt X]-1 [X]t[ Y ] conduit alors :

On retrouve une expression identique la formule (3) tablie prcdemment.

Lcart-type de lerreur sur les valeurs estimes de k0 et k1 se calcule par : [cov(e B )] = Y 2 X t X

2 (Yi Y ) , y tant la moyenne des yi.

Mthodes destimation de paramtres

Mthodes destimation de paramtres