TABLE DES MATIERES 1 LA NOTION D ERREUR ET DE BRUIT DE MESURE 1 2 METHODES D ESTIMATION 3 3 EXEMPLES D ESTIMATION DE PARAMETRES 13

Dimension: px
Commencer à balayer dès la page:

Download "TABLE DES MATIERES 1 LA NOTION D ERREUR ET DE BRUIT DE MESURE 1 2 METHODES D ESTIMATION 3 3 EXEMPLES D ESTIMATION DE PARAMETRES 13"

Transcription

1 ves JAOT Oobre 5

2 TABLE ES MATIERES LA OTIO ERREUR ET E BRUIT E MESURE METHOES ESTIMATIO 3. Paramères lés par une relaon lnéare 4.. Méhode des mondres arrés lnéares 4.. Méhode de Gauss-Marov 6. Paramères lés par une relaon non-lnéare 8.. Méhode du graden 9.. Méhode de ewon 9..3 Méhode de Marquar..4 Méhode dhoomque..5 Evaluaon de la préson de l esmaon 3 EXEMPLES ESTIMATIO E PARAMETRES 3 3. Esmaon d un seul paramère 3 3. Esmaon des oeffens d une droe Equaon Equaon Esmaon de paramères lés par une relaon non lnéare 3.3. Inerudes de mesures onsanes : exemple du «Plan haud» 3.3. Inerudes de mesure varables : ourbe de séhage Esmaon de 4 paramères fablemen déorrélés : Méhode flash «long» 3 Bblographe 3 AEXES 33 Rappel sur la ovarane 33 Exemple 4 : Programme Malab 34 Exemple 5 : Programme Malab 35 Exemple 6 : Programme Malab 36 Exemple 7, Modèle : Programmes Malab 39 Exemple 7, Modèle : Feulle de alul Exel 4 Exemple 7, Modèle 3 : Programme Malab 43 Exemple 8 : Programmes Malab 46 Méhodes d esmaon de paramères

3 LA OTIO ERREUR ET E BRUIT E MESURE On adopera les noaons e défnons suvanes pour une grandeur physque : - Valeur exae de la grandeur - Résula de la ème mesure de - e Erreur ommse lors de la ème mesure : e - - Moyenne de valeurs mesurées - Ear-ype des erreurs de mesures auour de ee moyenne - d Inerude de mesure sur : valeur maxmale possble de - Par défnon, l erreur ommse lors de la ème mesure d une grandeur physque don la valeur réelle es vau : e -. Cee erreur peu avor pluseurs auses : - Erreur dûe à l opéraeur : mauvase leure par exemple. - Erreur sysémaque : déalage du zéro de l apparel, mauvas éalonnage, dérve de l éleronque - Bru de mesure : erreur de mesure aléaore auour d une valeur moyenne. S une grandeur es esmée à parr de la mesure d une aure grandeur, l erreur d esmaon peu nlure une «erreur de modèle» (modèle nomple ne prenan pas en ompe erans phénomènes) en plus des erreurs préédemmen ées. ous nous plaerons dans e qu su dans le as où la seule soure d erreur es le bru de mesure. Ce bru es d enré s l es de moyenne nulle. Il es gaussen s sa lo de dsrbuon de valeur es une lo normale (gaussenne). Supposons que l on enregsre les valeurs mesurées oben un graphe du ype suvan : d une grandeur que l on herhe à esmer, on e Fgure : Enregsremen ype d une mesure au ours du emps Les valeurs mesurées érre : son répares de manère aléaore auour d une valeur moyenne e nous pouvons + e () Où : e Erreur de mesure varable aléaore à moyenne nulle (on fa l hypohèse que la mesure es sans bas) Valeur exae que l on herhe à esmer L ensemble des valeurs mesurées peu êre araérsé par deux grandeurs : - la moyenne que l on onsdérera omme le résula fnal de la mesure de. - une deuxème grandeur araérsan la varablé des mesures auour de la valeur moyenne. eux grandeurs peuven êre ulsées pour araérser la varablé des mesures d une grandeur auour de la valeur moyenne observée : Méhodes d esmaon de paramères

4 - L nerude (absolue) d : elle es elle que % des valeurs mesurées apparennen à l nervalle [ -d, +d ]. Cee grandeur es ben adapée à des mesures réalsées ave des nsrumens peu sensbles à leur envronnemen : mère, ped à oulsse, balane, Par onre,elle peu s avérer nadapée pour eranes mesures elles que la mesure de rès fables ensons par un osllosope. On rouvera sur la fgure une représenaon shémaque d une elle mesure. On remarque que sur un rès grand nombre de mesures, seules quelques unes s élognen de manère mporane de la moyenne orrespondan par exemple à une perurbaon élerque ponuelle au momen de es mesures. L ulsaon de l nerude absolue d pour araérser la varablé des mesures présenées sur la fgure ondura à penser que es mesures présenen une rès grande varablé e qu n es pas le as. e d Fgure : Représenaon shémaque des résulas de mesure d une rès fable enson par un osllosope - L éar-ype auour de la moyenne défn par : ( ). Cee grandeur araérse la façon don les valeurs son dspersées auour d une valeur moyenne e peu êre meux adapée dans erans as/ Selon le as de fgure, on ulsera l une ou l aure des deux noons pour araérser la préson de la mesure. ans e qu su, on ulsera la noaon d qu l suffra de remplaer par lorsque l on onsdérera pluô un éar-ype. Relaon enre nerude (absolue) e éar-ype On peu reler smplemen éar-ype e nerude dans le as où le bru de mesure su une lo de normale ou e em de Laplae-Gauss, 'es-à-dre de densé de probablé : P (e ) exp. On π rouvera sur la fgure 3 une représenaon de la densé de probablé de la lo normale enrée (moyenne nulle) rédue (éar-ype égal à ). ans le as d une erreur de mesure enrée (à moyenne nulle), la probablé P[e,e ] pour que l erreur de mesure e [e,e ] se alule par : e x P e, π [ e ] exp dx e ans le as d une erreur de mesure enrée d éar-ype, on peu aluler que : - 68% des erreurs de mesure son omprses enre e % des erreurs de mesure son omprses enre e ,7% des erreurs de mesure son omprses enre 3 e +3 On rera don que s l erreur de mesure e sur une grandeur su une lo normale enrée alors l éarype es égal à un ers de l nerude (absolue) d. Méhodes d esmaon de paramères

5 % 95% 99,7% Fgure 3 : ensé de probablé d une lo normale enrée rédue Relaon enre nerude e nombre de mesures On monre par alleurs que l nerude d sur l esmaon vare omme l nverse de la rane arrée du nombre de mesures ayan serv à aluler : d d () On rera qu en mulplan le nombre de mesures d une même grandeur par on mulple la préson de son esmaon par. METHOES ESTIMATIO On réalse, à des nsans, mesures d une grandeur dépan de n paramères,,, n e évenuellemen du emps. On suppose que l on onnaî le modèle physque exa permean de reler la valeur de à elles des paramères,,, n sous la forme f(,, n, ). Exemples : - Forme lnéare : () f (,, ) + - Forme exponenelle : () f (,, ) exp( ) Le problème posé es double : - Trouver les valeurs de,, n, elles que la ourbe f(,, n, ) représene au meux les ouples de pons expérmenaux [, ] - Esmer la préson ave laquelle les valeurs,, n son esmées. Un des problèmes annexes qu se pose es de hosr un rère don la mnmsaon permera d affrmer que les valeurs esmées,, n son elles qu représenen au meux les pons expérmenaux par la ourbe héorque. L dée la plus smple sera de hosr omme rère la somme S des dsanes des pons à la ourbe héorque mas les éars négafs peuven ompenser des éars posfs e rre e rère nadapé ans que représené sur la fgure 4. Méhodes d esmaon de paramères 3

6 S ( ) mod mas mauvase esmaon Fgure 4 : Shémasaon de la somme des éars Le rère le plus souven reenu es la somme des éars quadraques, so la somme des arrés des dsanes des pons expérmenaux à la ourbe héorque el que représené sur la fgure 5. d d ( ) mod mnmum, esmaon orree Fgure 5 : Shémasaon de la somme des éars quadraques Pluseurs méhodes d esmaon von êre déres, les deux premères : Mondres arrés lnéares e Gauss- Marov ne s applquen que s les fonons f son ndépanes des. C es le as du premer exemple f (forme lnéare) mas pas du seond (forme exponenelle) ar exp ( ) dép de e de. On peu ouefos dans e as paruler se ramener à des fonons f ndépanes des paramères à esmer en onsdéran la fonon g (,, ) ln[ f (,, )] ln() ln( ) +. On esmera alors les paramères ln( ) e. Il n es epan pas oujours possble de se ramener au as de fgure de fonons f ndépanes des, les méhodes des mondres arrés lnéares e de Gauss-Marov ne son don pas oujours applables e l faudra alors avor reours à d aures méhodes : méhode érave, du graden, de ewon ou dhoomque.. Paramères lés par une relaon lnéare On suppose dans e paragraphe que les fonons f.. Méhode des mondres arrés lnéares... Cas d une relaon lnéare son ndépanes des. Consdérons, à re de démonsraon de la méhode des mondres arrés lnéares, une relaon du ype + où e son les onsanes nonnues à esmer. On dspose de ouples (, ) de pons expérmenaux e l on herhe à esmer les valeurs de e qu Méhodes d esmaon de paramères 4

7 Méhodes d esmaon de paramères 5 ; mnmsen le rère d so ( ). Les valeurs de e qu mnmsen son elles que : e So : ( ) ( ) [ ] ( ) [ ] + + ( ) [ ] + e son don els que : ( ) [ ] + + ou ( ) [ ] + + ou Que l on peu érre sous forme marelle : On en dédu : (3)... Cas général Supposons que la relaon lan aux paramères, l, n à déermner so de la forme : mod f (,,. n, ) On peu érre sous forme d un développemen lmé au premer ordre : () j d f d On en dédu : n j e f e + + So sous forme marelle pour les mesures : n n n n e e x f f f f f f f f f - -, on noera [ ] n B [e ] [X] [e B ]

8 La mare [X] es appelée la mare de sensblé. S les ondons suvanes son remples :. La mare de sensblé [X] es ndépane de la mare [B]. La mesure ou l esmaon de es sans bas (erreur de moyenne nulle). 3. Le veeur [B] es onsan e nonnu avan esmaon 4. La mare [X] es onnue sans erreur (nerude nulle sur ) 5. L erreur de mesure ou d esmaon sur es d éar-ype onsan onnu (à une onsane mulplave près). Alors une esmaon de la mare [B] peu êre obenue par : [B] [X X] - [X] [ ] (4) Cee esmaon mnmse l éar quadraque [ ] [ ], so la somme des arrés des dsanes des pons expérmenaux à la ourbe (droe) esmée. C es la formule de «régresson lnéare» ulsée par les ableurs e les alulares. On pourra vérfer que la relaon (3) perme ben de rerouver les résulas obenus au... dans le as d une relaon de la forme +. S l nerude (ou l éar-ype de l erreur) de mesure ou d esmaon de oues les valeurs mesurées es denque e a pour valeur, on peu esmer l éar-ype de l erreur sur l esmaon des paramères,,. n à l ade de la formule : [ ov( e )] [ X X] B a a n a a n nn (5) Les varables a, a,.. a nn représenen respevemen les arrés des éars-ypes de l erreur d esmaon de,,.. n : a Ces valeurs ne doven pas êre onfondues ave le oeffen de régresson alulé par les programmes de régresson lnéare qu donne des nformaons sur la manère don les pons son dspersés auour de la ourbe esmée mas pas sur la fablé de l esmaon. A re d exemple, une régresson lnéare sur deux pons ondura à un oeffen de régresson de même s les deux pons son onnus ave une nerude relave de %! L applaon de la formule préédene perme au onrare de défnr un nervalle de onfane des valeurs esmées enan ompe de la fablé de haque pon expérmenal ayan serv à l esmaon. Remarques : - La méhode ne s applque qu s la mare [X X] es nversble. - ans le as où l on reherhe une relaon de ype polynômale : mod n n, la mare de sensblé [X] s ér smplemen : n.. Méhode de Gauss-Marov [ X ] ans la méhode des mondres arrés lnéares, on arbue à haque ouple de valeurs expérmenales le même pods ndépammen de l erreur don peu êre enahée la mesure, araérsée par son nerude ou par son n n Méhodes d esmaon de paramères 6

9 éar-ype. On renonre des as où l nerude ou l éar-ype de l erreur de mesure ou d esmaon d une grandeur n es pas onsan pour oues les mesures ou esmaons de ee grandeur. Exemple : éermnaon de la onsane de emps τ d un phénomène par mesures de à des nsans,,, n, vérfan une lo de la forme : exp, éan supposé onnu sans erreur. τ Chaque ouple de valeurs (, ) perme de aluler une esmaon ˆτ de τ par : τˆ. Les formules ln lassques de alul d nerude permeen de reler l nerude de mesure sur ˆτ à l nerude de mesure sur par : dτ d en fasan l hypohèse que les erreurs de mesure sur e sur les emps ln son néglgeables. ans e as, l nerude d esmaon sur ˆτ n es pas onsane pour oues les mesures. Ce exemple es raé de manère omplèe au 3. La méhode de Gauss-Marov dére -après perme de pondérer l mporane aordée à une mesure par l éar-ype de l erreur de mesure. Un pon expérmenal «peu fable» aura un pods fable dans le résula de l esmaon. Les ondons suvanes doven êre remples pour que l applaon de ee méhode so valde :. La mare de sensblé [X] es ndépane de la mare [B]. La mesure de es sans bas (erreur de moyenne nulle). 3. Le veeur [B] es onsan e nonnu avan esmaon 4. La mare [X] es onnue sans erreur (nerude nulle sur ) 5. L erreur de mesure sur es d éar-ype onnu (à une onsane mulplave près). Une esmaon de la mare [B] peu êre obenue par : [B] [X P - X] - [X] [P] - [ ] (6) où [P] es une mare proporonnelle à [ov(e )] : [P] s [ov(e )] Cee esmaon mnmse l éar quadraque [ ] [ ov( e )] [ ], so la somme des arrés des dsanes des pons expérmenaux à la ourbe esmée pondérées par l éar-ype de la mesure orrespondane. e ( ) e mod mnmum, esmaon orree d Fgure 6 : Shémasaon de la somme des éars quadraques pondérés Comme dans le as de la méhode des mondres arrés lnéares, on peu esmer l éar-ype de l erreur ommse sur l esmaon des paramères,,. n à l ade de la formule : Méhodes d esmaon de paramères 7

10 [ ov( e )] s [ X P X] B a a n a a n nn (7) Les varables a, a,.. a nn représenen respevemen les arrés des éars-ypes de l erreur d esmaon de,,.. n. Le prnpal problème lé à l applaon de ee méhode es le alul de la mare [ov(e )] : Méhode smplfée On suppose que les mesures ne son pas orrélées 'es-à-dre que l erreur de mesure observé sur la ème mesure es ndépan de l erreur de mesure sur la j ème mesure j. On monre qu alors la mare de ovarane des erreurs de mesures e es dagonale e s ér : ov ( e ) α s ( ) ( ) ( ) n s [ P] Méhode omplèe ans le as où les mesures son orrélées 'es-à-dre que l erreur de mesure observée sur la ème mesure n es pas ndépane de l erreur de mesure sur la j ème mesure j, la mare de ovarane des erreurs de mesures e n es pas dagonale e s ér alors : [ ov ( e) ] ov ov ov ( e,e) ov( e,e ) ov( e,e ) ( e,e ) ov( e,e ) ( ) ( ) e,e ov e,e (8) On rouvera en annexe un rappel de la formule permean de aluler la ovarane.. Paramères lés par une relaon non-lnéare Le problème à résoudre es le suvan : rouver les valeurs des paramères,, n els que la ourbe modèle mod f (,, n, ) représene au meux ouples de pons expérmenaux [, ]. La forme de la fonon f es supposée onnue, les paramères,, n son nonnus e à déermner. On se plae dans le as où les fonons f ne son pas ndépanes des, les deux méhodes préédenes ne peuven alors pas s applquer. On ne pourra pas omme dans la méhode de Gauss-Marov pondérer l mporane d une mesure par son éar-ype, on mnmsera oujours dans e qu su la somme des éars quadraques non pondérés enre les pons expérmenaux e héorques. On verra ouefos au..4 que l on peu ouefos évaluer la préson ave laquelle les paramères nonnus on éé déermnés. Méhodes d esmaon de paramères 8

11 Méhodes d esmaon de paramères 9.. Méhode du graden C es une méhode érave déallée enre aures par Trgeassou. On suppose omme dans les as préédens que l on dspose de ouples [, ] de pons expérmenaux. On onnaî la forme exple de la fonon non lnéare lan es pons dans laquelle fguren p paramères nonnus à déermner : mod () f (,,, p, ). On noe la somme des éars quadraques enre les ourbes expérmenales e smulées : [ ] ) ( ) ( ans la méhode du graden, la mare [B] des paramères nonnus se alule de manère érave par : (9) où ( ) e ( ) j son alulés ave les valeurs j, j, pj. λ es un nombre posf don le hox es mporan dans la sablé de la méhode. S la méhode dverge, l fau réessayer ave une aure valeur de λ. Ce nonvénen assoé au fa que la méhode du graden es une méhode d ordre lu fa souven préférer la méhode de ewon... Méhode de ewon C es égalemen une méhode érave mas d ordre déallée enre aures par Trgeassou. On suppose omme dans les as préédens que l on dspose de ouples [, ] de pons expérmenaux. On onnaî la forme exple de la fonon non lnéare lan es pons dans laquelle fguren p paramères nonnus à déermner : () f (,,, p, ). ans la méhode de ewon, la mare [B] des paramères nonnus j se alule de manère érave par : () La mare ["] es appelée le Hessen du rère de mnmsaon, ave omme préédemmen : [ ] [ ] λ + p B B ave : ( ) ( ) [ ] ( ) j j [ ] [ ] [ ] [ ] [ ] ' B B B " p p p p p p +

12 j l j [ ] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) j l j [ ] ( ) j l () En praque on néglge le seond erme devan le premer (approxmaon de Gauss-ewon) e on alule les ermes du pseudo-hessen par : j l ( ) ( ) ( ) j l () où ( ), ( ) j e ( ) j l son alulés ave les valeurs j, j, pj. Cee méhode n es sable que s la mare ["] es défne posve. Elle peu dverger s l on par rop lon de la soluon d où le son paruler à apporer au hox des valeurs de dépar qu pourra êre gudé par des onsdéraons physques. Cee méhode possède l avanage de la rapdé e ne néesse pas onraremen à la méhode du graden de hosr de manère un peu arbrare un paramère ( λ pour la méhode du graden) don peu dépre la onvergene...3 Méhode de Marquar La méhode du graden perme de s approher plus rapdemen du mnmum de que la méhode de ewon lorsqu on es lon de e mnmum mas onverge plus lenemen lorsqu on s approhe du mnmum. Marquar a proposé un algorhme qu ombne les avanages des deux méhodes. Il a proposé d applquer la méhode de ewon mas en remplaçan la mare " du Hessen (ou pseudo-hessen) par la mare A" défne de la manère suvane : A" " + λ I Où I es la mare uné e l un paramère auquel on arbuera les valeurs suvanes : - λ, au dépar par exemple. - Après haque la ème éraon, on ompare les valeurs de () e (-). S () < (-) alors on mulple la valeur de λ par pour effeuer l éraon suvane. Snon, on repr la ème éraon après avor dvsé la valeur de λ par...4 Méhode dhoomque ans le as où les méhodes préédenes ne s applquen pas où ne onvergen pas, on peu applquer la méhode suvane relavemen robuse mas qu ondu à des emps de aluls élevés (rère ouefos varable ave l augmenaon onnue de la pussane des ordnaeurs) : On hos pour haque paramère deux valeurs mn e max enre lesquelles l es omprs. On alule f() pour haque ensemble de valeurs [ +,5 ( max - mn ), +,5 ( max mn ),, n +,5 n ( nmax - nmn ),] où,.., n varen de à 4 pour varan de à. On reen l ensemble de valeurs [,,., n ] qu perme de mnmser l éar quadraque enre la ourbe () expérmenale e la ourbe f (,, n, ) alulée. On réère le alul en prenan omme nouvelles valeurs mnmales e maxmales : mn -,5 ( max mn ) ; max +,5 ( max mn ) mn -,5 ( max mn ) ; max +,5 ( max mn ) ) nmn n -,5 ( nmax nmn ) ; nmax n +,5 ( nmax nmn ) Méhodes d esmaon de paramères

13 Le shéma de prnpe de ee méhode es représené sur la fgure 5 dans le as de l esmaon de deux paramères e. La fonon f do êre alulée en 5 pons lors de la ère éraon pus 6 fos à haque éraon suvane dans le as de l esmaon de paramères. ans le as de l esmaon de p paramères, elle do êre alulée 5 p fos lors de la ère éraon, so par exemple 35 fos s p 5. Cee méhode es don applable pour un nombre lmé de paramères à esmer (deven rès longue pour plus de 4 paramères) e ben que relavemen sable peu dverger s l on démarre le alul ave des nervalles [ mn, max ] d ampludes rop mporanes. Le nombre d éraons suessves dép de la préson souhaée e de l amplude des nervalles de dépar, un nombre de 5 éraons es souven suffsan. En effe, s l éar relaf enre les valeurs mn e max des paramères à esmer es nalemen de %, e éar n es plus que de 3% après 5 éraons e qu es souven suffsan. max 3 mn mn max Fgure 7 : Shéma de prnpe de la méhode d esmaon dhoomque..5 Evaluaon de la préson de l esmaon..5. Inerudes sur mas pas sur La préson ave laquelle les paramères nonnus on éé esmés peur êre évaluée de manère approhée en supposan que la fonon mod (,, n, ) es lnéare par rappor à,,., p sur des nervalles de rès fables ampludes auour des valeurs opmales esmées. Cas où les brus de mesures ne son pas orrélés On suppose que les mesures ne son pas orrélées 'es-à-dre que l erreur de mesure observée sur la ème mesure es ndépan de l erreur de mesure sur la j ème mesure j. On monre qu alors la mare de ovarane des erreurs de mesures e es dagonale e s ér : [ ov( e )] ( ) ( ) ( ) Comme dans les as raés aux.. e.., on peu esmer l éar-ype de l erreur sur l esmaon des paramères,,. n à l ade de la formule (6). ans ee formule, [X] es la mare de sensblé alulée ave les valeurs opmales esmées des paramères,,.. n. Les varables a, a,.. a nn représenen respevemen les arrés des éars-ypes de n [ P] Méhodes d esmaon de paramères

14 l erreur d esmaon de,,.. n : a. Cas où les brus de mesures son orrélés ans le as où les brus de mesures son orrélés, 'es-à-dre où l erreur de mesure observée sur la ème mesure n es pas ndépane de l erreur de mesure sur la j ème mesure mesures e n es pas dagonale e peu se aluler ave la formule (7). j, la mare de ovarane des erreurs de S l on onnaî une mare [P] elle que [P] s [ov(e )] où s es une onsane, on peu esmer l éar-ype de l erreur sur l esmaon des paramères,,. n à l ade de la formule (6). Il n es pas oujours possble de déermner ee mare [ov(e)], on peu alors ulser une méhode sasque pour esmer les éars-ypes sur les paramères nonnus,,.. n. ans e as on applquera la méhode sasque dére dans le Inerudes sur e sur A parr d une sére de ouples expérmenaux [ ˆ, ] ouples de l une des manères suvanes :, on smule numérquemen p aures séres de ère méhode : smulé + r e ˆ smulé ˆ + r, Où : - r es un nombre aléaore suvan une lo normale, de moyenne nulle e d éar-ype égal à. Ce nombre peu êre généré en langage Malab ave l nsruon : r Randn(). - e son les éars-ypes des mesures de e de. S on onnaî pluô les nerudes d e d, on d d prra e ar le nombre r su une lo normale. 3 3 On smule ans des mesures ave un bru suvan une lo normale enrée représenaf de la plupar des mesures. ème méhode : smulé + r d e ˆ smulé ˆ + r d, Où : - r es un nombre aléaore de moyenne nulle omprs enre - e +. Ce nombre peu êre généré en langage Malab ave l nsruon : r *(.5-Rand), ou dans Exel ave : r *(.5-Alea()), ou dans Vsual Bas ave r *(.5-Rnd). Malheureusemen, le nombre r généré n es pas gaussen mas es répar de manère unforme sur l nervalle [-,+] e qu es mons représenaf de la dsperson réelle de mesures expérmenales auour d une moyenne. L éar-ype des nombres r ans générés es égal à. 3 - d e d son les nerudes sur les mesures de e de. S on onnaî pluô les éars-ypes e, on prra don : d 3 e d 3 ompe-enu de l éar-ype sur les r. Après avor applqué l une de es deux méhodes, on esme les paramères,,.. n pour haune des p séres smulées. On dspose ans d une mare du ype : B n p np Méhodes d esmaon de paramères

15 On peu ensue former la mare [eb][ - j ] où es le résula de l esmaon du ème paramère à parr de la sére de pons expérmenaux e j es le résula de l esmaon de e même paramère à parr de la j ème sére de pons smulés. Le alul de la mare [ov(eb)] peu alors êre effeué en ulsan la formule rappelée en annexe. Les ermes dagonaux a de ee mare représenen les arrés de l éar-ype de l erreur d esmaon des. 3 EXEMPLES ESTIMATIO E PARAMETRES 3. Esmaon d un seul paramère On se propose de déermner la onsane de emps τ araérsque d un sysème araérsé par un grandeur U don l évoluon au ours du emps es de la forme : U mod ( ) U M exp τ Le problème es d esmer le seul paramère τ à parr de ouples de pons expérmenaux [ ], Û. On suppose que l erreur de mesure sur Û d éar-ype U e que l nerude sur U M es néglgeable. On se rouve don dans le as smple de reherhe de, les aures éan nuls. On peu esmer une valeur de τ ι à haque nsan par la relaon : τ U ln Û M (3) S l on dspose de ouples de mesures [, préédene. Méhode des mondres arrés lnéares : Û ], on peu aluler valeurs τ orrespondanes par la formule Elle fa l hypohèse que oues les esmaons de τ on le même éar-ype que nous noerons τ. Les dfférenes mares nervenan dans l applaon de la méhode des mondres arrés lnéares s érven dans e as smple : [X] [.] ; [B] [τ] ; [ ] [ Û. Û ] ; e [ P ] ov( eτ) ( τ ) ( τ ) ( τ ) Une esmaon de τ peu alors êre obenue en applquan la formule : [B] [X X] - [X] [ ] qu se résume à : τ τ (4) Cee méhode d esmaon aorde à oues les valeurs τ le même pods ndépammen de l nerude don elles son enahées. es pons de mesure enahés d une fore nerude peuven alors fare dverger le résula fnal. Méhodes d esmaon de paramères 3

16 Méhode de Gauss-Marov : En fa, dans le as de fgure onsdéré dans e exemple, les erreurs d esmaon des τ ne son pas onsanes on va don applquer la méhode de Gauss-Marov qu perme de rédure l nfluene des pons expérmenaux foremen brués. ans e as paruler où les mesures ne son pas orrélées (la éme mesure n es pas nfluenée par les aures mesures) on peu applquer la méhode de Gauss-Marov smplfée. Les dfférenes mares nervenan dans l applaon de ee méhode s érven dans e as : [X] [.] ; [B] [τ] ; [ ] [ Û. Û ] e [ P ] ov( e ) α ( τ ) ( τ ) ( τ ) Une esmaon de τ peu alors êre obenue en applquan la formule : [B] [X P - X] - [X] ondu à : τ τ ( τ ) ( τ ) [P] - [ ] qu (5) où τ es l éar-ype des esmaons de τ. Ce éar-ype peu êre relé à l éar-ype de U par la relaon suvane ére en erme d nerudes : d τ du x Û U ln U M du que l on peu ransposer en erme d éar-ype : τ x U On peu esmer l éar-ype de la valeur esmée de τ en applquan la formule : [ov(e τ )] [X P - X] - qu ondu à : τ τ ( ) (6) Exemple On smule des relevés expérmenaux à parr de la ourbe obenue ave U M V e τ s en onsdéran un bru de mesure d éar-ype U, V de la manère suvane : U smulé U M exp + 3 r U τ où r es un nombre aléaore suvan une lo normale omprs enre - e +, le erme 3 r U es alors un nombre aléaore de moyenne nulle e d éar ype U. Méhodes d esmaon de paramères 4

17 Tableau : Valeurs exaes e valeurs expérmenales brués obenues par smulaon numérque (s) U mod ( ) (V), 6,65 3,679,3,353,8,498,3,83,,67 Û (V),5 6,4 3,5,6,3,84,57,36,33,8, En applquan une méhode d esmaon de paramères à es relevés expérmenaux smulés, on devra rerouver la valeur τ s. En applquan la relaon (4) de la méhode des mondres arrés lnéares, on oben τ,45s. L applaon de la relaon (5) de la méhode de Gauss-Marov ondu à une esmaon plus prése : τ 9,94s à parr des mêmes pons expérmenaux. L applaon de la relaon (6) perme de aluler l éarype de l erreur d esmaon de τ e ondu à : τ,4s. On peu don affrmer que la probablé pour que apparenne à l nervalle [9,8s,,8s] es égale à,63 e que la probablé pour que apparenne à l nervalle [9,5s,,36s] es égale à, Esmaon des oeffens d une droe 3.. Equaon On se plae dans le as /, les mesures éan déermnées ave une nerude d, on es ramené au as de l exemple prééden e on peu aluler de l une des deux manères suvanes : Méhode des mondres arrés lnéares : y (7) Méhode de Gauss-Marov : ( ) ( ) (8) Ave : y Equaon + On do dans e as esmer les deux paramères e à parr de la onnassane de n ouples de pons expérmenaux (, ŷ ). La relaon es lnéare par rappor à e à, on peu don ulser la méhode des mondres arrés lnéares ou de Gauss-Marov. Cas d un bru de mesure nul sur les Méhode des mondres arrés lnéares : On se plae dans le as où les valeurs son onnues de manère exae ou ave une nerude néglgeable e où l éar-ype de l erreur (ou l nerude) sur les mesures ŷ es onsan. Les mares [X], [B] e [ ] s érven dans e as : Méhodes d esmaon de paramères 5

18 Méhodes d esmaon de paramères 6 ( ) ; ( ) ; [ ] n X [ ] B [ ] n Le développemen de la relaon marelle [B] [X X] - [X] [ ] ondu alors à : (9) On rerouve une expresson denque à la formule (3) éable préédemmen. L éar-ype de l erreur sur les valeurs esmées de e se alule par : ( ) [ ] [ ] B X X e ov So : ( ) [ ] n B e ov ( ) [ ] e ov B où : () La somme des arrés des dsanes des pons expérmenaux à la droe esmée s ér : [ ] [ ] S so dans e as : ( ) r S où : y es l éar ype des valeurs de y donné par : ( ) ( ) n, y éan la moyenne des y. r es le oeffen de régresson donné par : ( ) ( ) [ ] ( ) [ ] n n n r Plus le oeffen de régresson r es prohe de, mons les pons (, ) son élognés de la droe. Exemple On smule des relevés expérmenaux à parr de la ourbe obenue ave 5 e en onsdéran une nerude de mesure onsane d de la manère suvane : smulé d r où r es un nombre aléaore omprs enre - e +. Les valeurs obenues son reporées dans le ableau.

19 Méhodes d esmaon de paramères 7 Tableau : Valeurs exaes e valeurs expérmenales brués obenues par smulaon numérque ,7 6,4 8,54,4 3,99 4,7 6,93 9,64,6, 4,4 En applquan une méhode d esmaon de paramères à es relevés expérmenaux smulés, on devra rerouver les valeurs 5 e. Une nerude de mesure d orrespond à un éar-ype 33, 3 d. En applquan la relaon (9) de la méhode des mondres arrés lnéares, on oben 4,579 e,3 soen des erreurs d esmaon e,4 e e,3. L applaon de la formule () ave 33, perme de aluler l éar-ype de l erreur d esmaon de es valeurs e l on oben :,9 e,3. Le oeffen de régresson es égal à r,99 alors que l éar-ype relaf sur par exemple es de % 4, x % 5,9, e qu monre ben que le oeffen r ne donne auune ndaon sur la préson de l esmaon de e de. Remarque : On vérfera en raçan la ourbe () dans un ableur e en lu applquan une ourbe de ane lnéare que l on rerouve ben les valeurs 4,579 e,3. Par onre, on n aura auune dée de l erreur d esmaon de e de. Méhode de Gauss-Marov : On se plae dans le as où les valeurs son onnues de manère exae ou ave une nerude néglgeable e où l nerude (ou l éar-ype de l erreur) sur les mesures n es pas onsan. Une esmaon de la mare [B] peu êre alulée par : S les nerudes de mesures sur les ne son pas orrélées enre elles, la mare [ov(e)] peu s érre sous la forme : ( ) [ ] [ ] P e ov n Calulons [B] : [ ] X P X [ ] X P X [B] [X P - X] - [X] [P] - [ ]

20 Méhodes d esmaon de paramères 8 ; ; [ ] X P X [ ][ ][ ] P X [ ] [] [P] [X] X] P [X B On en dédu fnalemen : () Les éars-ypes des erreurs sur e peuven êre dédues de la relaon : ( ) [ ] [ ] B X P X e ov ( ) [ ] ( ) [ ] B X e ov X e ov On en dédu : () Exemple 3 On smule des relevés expérmenaux à parr de la ourbe obenue ave 5 e en onsdéran une

21 nerude de mesure d varable : d, de la manère suvane : smulé + 5 +, r où r es un nombre aléaore omprs enre - e +. Les valeurs obenues son reporées dans le ableau 3. Tableau 3 : Pons expérmenaux brués obenus par smulaon numérque , 7, 9,,5 3,3 4,58 6,99 8,3,3 3,6 4,9 En applquan une méhode d esmaon de paramères à es relevés expérmenaux smulés, on devra rerouver les valeurs 5 e. En applquan la relaon (9) de la méhode des mondres arrés lnéares, on oben 5,95 e,95 soen des erreurs d esmaon e,95 e e,75. L nerude d esmaon de e de n es pas alulable ar l nerude de mesure sur les n es pas onsane. d En applquan la relaon () de la méhode de Gauss-Marov ave, on oben 5,98 e 3,956 soen des erreurs d esmaon e,98 e e,44. Ces valeurs son nféreures aux erreurs d esmaon aenes ave la méhode des mondres arrés lnéares. Les éars-ypes sur l erreur d esmaon de e de alulés par la relaon () on pour valeurs :,4 e,6. La méhode de Gauss- Marov es don à préférer dans le as où les nerudes (ou éar-ype des erreurs) de mesures ne son pas onsanes ar elle amélore la préson de l esmaon e perme de aluler un éar-ype de l erreur d esmaon des paramères nonnus. Cas d un bru de mesure onsan mas non nul sur les e sur les ans e as de fgure, on mesure une valeur à un nsan exa don on réalse la mesure enahée d erreur ˆ. La valeur exae que l on aura du mesurer s l on n ava omms d erreur n sur n sur es * don mod ( ). L erreur oale e sur la ème mesure de peu s érre : e * ˆ + ˆ e + e mod ( ) mod ( ) mod ( ) mod ( ),5 L éar-ype sur e es don égal à [ var( e e )] var( e ) + var( e ),5 [ ] [ + ], 5 +. On peu don penser applquer la méhode des mondres arrés lnéares e remplaer par [ + ], 5 * pour le alul des éars-ypes e par la formule (). mod ( ) e e ( ) e d * e + mnmum ˆ Fgure 8 : Shémasaon de la somme pondérée * des éars quadraques On peu alors ulser la relaon (9) de la méhode des mondres arrés lnéares pour esmer e pus remplaer par * [ + ],5 dans les relaons () pour esmer les éars-ypes e. Ben que n éan pas dans le adre sr d applablé de la méhode d un pon de vue mahémaque, les résulas obenus son sasfasans. Méhodes d esmaon de paramères 9

22 Exemple 4 On smule des relevés expérmenaux à parr de la ourbe obenue ave 5 e en onsdéran une nerude de mesure d onsane sur les mesures de e une nerude de mesure d,5 onsane sur les mesures ˆ de, de la manère suvane : 5 r d / 3 smulé + + e ˆ + r d / 3 smulé, où r es un nombre aléaore suvan une lo normale enrée, d éar-ype égal à. Les valeurs obenues son reporées dans le ableau 4. Tableau 4 : Pons expérmenaux brués obenus par smulaon numérque ˆ,9,8,5 3,44 3,74 4,83 5,74 6,99 7,86 8,88, ,67 6,7 9,33,54 3,7 5, 7,6 8,76,3 3,5 4,79 En applquan une méhode d esmaon de paramères à es relevés expérmenaux smulés, on devra rerouver les valeurs 5 e. L applaon des formules (9) de la méhode des mondres arrés lnéares perme d obenr : ˆ 4,547 e ˆ,87, so e,453 e e,87. Ces grandeurs permeen de,5. L applaon de la formule () perme alors d esmer les éarsypes de l erreur d esmaon de e de :,8 e,49. aluler * [ + ], 48 La smulaon de séres de mesures e le alul pour haune d elles de e de par la méhode des mondres arrés lnéares, pus de e e de e,87 permeen d esmer de manère sasque l nerude (éar maxmal observé) e l éar-ype de l erreur sur e. Une sére de mesures nous a ondu à d,953, d,75,,7 e,46. Les valeurs des éars-ypes e son prohes des valeurs des éars-ypes alulées par la relaon (). Les valeurs alulées de manère sasque son plus préses que elles obenues par le alul de *. Cas d un bru de mesure varable e non nul sur les e sur les ans e as de fgure, on mesure une valeur d erreur. Les nerudes sur les mesures des à un nsan exa don on réalse la mesure ˆ enahée e des ˆ ne son pas onsanes. On peu applquer dans e as la méhode des mondres arrés lnéares pour esmer les paramères,,. p. Les formules permean de aluler les nerudes des paramères esmés ne s applquen plus. On esmera es nerudes de manère sasque : on smule numérquemen mesures bruées de la manère suvane : à parr d un ouple de valeurs exaes (, ) on smule un ouple mesuré (, ) + mod ˆ + r' ( ) r d d ˆ par : On applque par exemple la méhode des mondres arrés lnéares pour aluler les paramères,,. p. On répèe p fos ee smulaon suve d une esmaon par la même méhode. On dspose alors d une mare de résulas du ype : p [ B ] (p esmaons de n paramères) n n p On alule les valeurs moyennes des ouples expérmenaux (, ) paramère à esmer : de haun des paramères, on do rerouver les valeurs esmées à parr ˆ s p es suffsammen grand. On peu ensue aluler pour haque Méhodes d esmaon de paramères

23 - l nerude (absolue) : es la valeur maxmale aene par j - - l éar-ype de l erreur d esmaon : es l éar-ype des valeurs j - auour de la moyenne (nulle). Cee nerude es lée aux pons expérmenaux e à la méhode d esmaon ulsée. On pourra ulser la même proédure pour aluler l erreur d esmaon obenue s l on ulse une méhode d esmaon aure que elle des mondres arrés lnéares (mnmsaon d un rère aure que la dfférene des éars quadraques). Exemple 5 On smule des relevés expérmenaux à parr de la ourbe obenue ave 5 e en onsdéran une nerude de mesure d, varable sur les mesures de e une nerude de mesure d,5 onsane sur les mesures ˆ de, de la manère suvane : + 5 r d / 3 e smulé + ˆ smulé + r d / 3 où les nombres r son des nombres aléaores suvan une lo normale enrée, d éar-ype égal à. Les valeurs obenues son reporées dans le ableau 5. Tableau 5 : Pons expérmenaux brués obenus par smulaon numérque ˆ,9,8,9,97 3,88 4,83 6,3 7, 8,6 9,4 9, ,94 6,88 8,97,86 3,38 5,7 7,65 8,9,,9 5,3 En applquan une méhode d esmaon de paramères à es relevés expérmenaux smulés, on devra rerouver les valeurs 5 e. L applaon des formules (9) de la méhode des mondres arrés lnéares perme d obenr : 5,553 e,99, so e,447 e e,9. On a ensue smulé numérquemen séres de mesures bruées de la manère suvane : à parr des, ˆ ', par : ouples expérmenaux de valeurs ( ˆ ), on smule séres de ouples de mesures ( ) ' 5,553 +,99 ˆ + ˆ + r d / 3 r d / 3 ' ˆ' où les nombres r son des nombres aléaores suvan une lo normale enrée, d éar-ype égal à. On réalse pour haune des séres smulées l esmaon des paramères e par la relaon (9) e on alule les valeurs moyennes e pus les éars maxmum à la moyenne e les éars-ypes de l erreur d esmaon, on oben : 5,57 ;,99 ; d,9 ; d,7 ;,7 ;,6. On onsae que les valeurs «exaes» 5 e se rouven ben dans les nervalles [ -d, +d ] e [ -d, +d ]. Pour valder ee méhode d'esmaon de l'erreur, on a reprs les mêmes aluls à parr des valeurs exaes 5 e. On a obenu les résulas suvans sur esmaons : 5,6 ;,997 ; d,6 ; d,7 ;,7 ;,63. Ces valeurs son rès prohes de elles obenues ave les valeurs esmées de e de. Le fa de aluler les erreurs d esmaon sur e à parr de valeurs esmées de e (don enahées d erreur) n a don pas une nfluene mporane, e qu valde la méhode sasque proposée. 3.3 Esmaon de paramères lés par une relaon non lnéare 3.3. Inerudes de mesures onsanes : exemple du «Plan haud» Problème posé ous allons raer l exemple de la méhode du plan haud : un réssane hauffane plane don on mesure la empéraure es nsérée enre deux éhanllons d un même maérau. On lu envoe un éhelon de enson qu Méhodes d esmaon de paramères

24 provoque le dégagemen d un flux de haleur ϕ. La haleur produe dffuse dans les éhanllons e on enregsre l évoluon de la empéraure T() de la réssane au ours du emps. On monre que la ransformée de Laplae θ(p) de ee empéraure obé à la relaon suvane : ϕ θ( p) p m p + + R E S p [ R m p + ] E S p (3) où : E Effusvé du maérau R Réssane hermque de ona enre le maérau e la réssane m Capaane hermque de la réssane. [ ] Le problème posé es d esmer es ros paramères à parr de ouples de pons expérmenaux, Tˆ ( ). S les ros paramères E, R e m son supposés onnus, la empéraure dans l espae réel peu se aluler en applquan la formule de Sehfes : T() ln() J V θ j ln() j j (4) dans laquelle θ es donné par la relaon (3). Un nombre de ermes J es suffsan pour assurer une préson sasfasane, les oeffens V j on alors pour valeur : V / V -385/ V3 7 V4-4687/3 V /6 V / V7 7735/3 V8-5/3 V9 385/ V -6565/ Eude de sensblé Une ondon néessare pour que l esmaon séparée des ros paramères so possble es que les sensblés de T() à haun des paramères soen déorrélées. Cela sgnfe qu l ne do pas exser de relaon de proporonnalé enre les fonons T (), T () e T (). E R m A re d exemple, alulons es dverses sensblés pour les ondons nomnales suvanes : E 5, R,. -3 m. C.W -, m, On a représené sur la fgure 9 : ϕ 5 W.m - S - La ourbe smulée T() ave es ondons nomnales sur s. T T T - Les ourbes E (), R () e m () enre e s. E R m T T T E E R R E sur la fgure les ourbes E (), E () e () T T T R m m R m m enre e s. On onsae que la sensblé à E es fore e non orrélée aux sensblés à R e à m ar les deux rappors T T E E E e E ne son pas onsans. Il es don possble d esmer E à parr de la ourbe T T R m R m expérmenale Tˆ (). On onsae égalemen que les sensblés à R e à m son foremen déorrélées enre e Méhodes d esmaon de paramères

25 T R R s, l sera don possble de les esmer séparémen sur e nervalle de emps. Par onre, le rappor T m m deven presque onsan après s, l n es don plus possble d esmer R e m ave la poron de ourbe Tˆ () pour > s () (b) T() (a) (s) (s) Fgure 9 : Courbe T() e ourbes de sensblés : (a) : T E E ; (b) : T m m ; () : T R R T E E T R R T E E T m m R T R T m m Fgure : Rappor des sensblés rédues aux ros paramères E, R e m Esmaon praque des paramères par la méhode de ewon On es dans le as d une relaon T() f (E, R,m, ) non lnéare par rappor à E, R e m. Les méhodes des mondres arrés lnéares e de Gauss-Marov ne peuven don pas s applquer. On va alors pluô ulser la méhode de ewon pour déermner les paramères E, R e m qu mnmsen de la somme des éars quadraques. Résoluon dans Exel : Le shéma d applaon es le suvan : - Ouverure d une feulle de alul Exel. - Affeaon de valeurs «arbrares» de E, R e m au onenu des ellules A, A, A3. - Affeaon des emps auxquels les mesures on éé effeuées au onenu de la olonne B. - Affeaon de la empéraure mesurée à l nsan orrespondan au onenu de la olonne C. - Calul dans les olonnes F à M de V j j ln() θ en fasan varer j de (olonne F) à (olonne M) Méhodes d esmaon de paramères 3

26 e où θ es alulé par la formule (4). Ce peu êre réalsé rapdemen en ulsan les possblés offeres par Exel d ére la formule de alul d une ellule à une olonne ou à une lgne. Cee remarque s applque à ous les aluls dérs -après. - Calul dans la olonne de la empéraure smulée en effeuan la somme des olonnes préédenes e ln() en mulplan ee somme par. - Calul dans la olonne E du arré de la dfférene des olonnes C e. - Calul dans la ellule A5 de la somme des ellules de la olonne E. - Ulsaon de la fonon «Solver» en enran omme paramères : - Cellule à défnr : A5 - Egale à : Mn - Cellules varables : A ; A ; A3 - Opons : Esmaon «quadraque», dérvée «enrée», méhode «ewon». - Clquer ensue sur «Résoudre», Exel effeue alors le alul de mnmsaon e modfe la valeur des ellules bles A, A e A3 onenan les valeurs de E, R e m quand la onvergene es aene. La feulle de alul ans réée peu êre réulsée pour la mnmsaon d aures relaons défnes dans l espae de Laplae. Le hangemen de fonon peu êre réalsé rès rapdemen en ulsan les possblés offeres par Exel d ére la formule de alul d une ellule à une olonne ou à une lgne. Résoluon sous Malab : On rouvera en annexe un programme Malab permean d esmer les paramères E, R e m à parr d un enregsremen de la empéraure d un plan haud en applquan la méhode de ewon. Ce programme perme égalemen de aluler l éar-ype des paramères esmés. Exemple 6 Esmer les paramères E, R e m à parr des relevés suvans de la empéraure T() obenue dans les ondons d expérenes suvanes : Elémen hauffan de surfae 4,3 m, de réssane élerque R 37,Ω almené sous une enson U 7,38V. L nerude sur les mesures de empéraure es onsane e vau dt, C. Tableau 6 : Relevés de empéraure lors d une expérene «Plan haud» T(),,6,,3,6,8,,,4,5,7,8 3, 3, 3, 3, 3,3 3,5 3,6 3,7 3, T() 3,9 4, 4, 4, 4,3 4,4 4,5 4,6 4,6 4,7 4,8 4,9 4,9 5, 5, 5, 5, 5,3 5,3 5,4 5,6 La résoluon par la méhode de ewon dans Exel ou sous Malab ondu au même résula : E 34, J.m -. C -.s -/ ; R,3 C.W - ; m,747 J. C -. L applaon de la méhode de ewon néesse le alul des dérvées parelles que l on alule numérquemen de la façon suvane : T T T ( E, R, m, ) T(, E, R, m, ) T( E, R, m, ) E, E ( E, R, m, ) T( E,, R, m, ) T( E, R, m, ) R, R ( E, R, m, ) T( E, R,, m, ) T( E, R, m, ) m, m On rouvera sur la fgure la représenaon des pons expérmenaux e de la ourbe modèle esmée. Ayan alulé les dérvées parelles, on peu onsrure la mare de sensblé [X]. S l on fa l hypohèse que le modèle es lnéare pour de fables varaons des paramères E, R e m auour des valeurs esmées, on Méhodes d esmaon de paramères 4

27 peu ensue aluler la mare de ovarane des erreurs d esmaon des paramères E, R e m par : [ov(e B )] T [X X] -,, ave T,33 C Tmod Texp (s) Fgure : Pons expérmenaux e ourbe modèle esmée pour une expérene «Plan haud» On oben : [ ov ( eb) ], ,7 84, 79,7 3,5 4,5 84, 4,5,6 où : E, , 89 J.m -. C -.s -/ R,33 3,5,7 C.W - m,33,6,59 J. C Inerudes de mesure varables : ourbe de séhage Exemple 7 On a réalsé l expérene de séhage suvane : un éhanllon de produ de masse nale M 46,3g e de eneur en eau nale X 4,559 g.g - ms a éé plaé dans un flux d ar de empéraure, humdé relave e vesse onsanes. On a relevé les valeurs Mˆ () de la masse du produ à dfférens emps supposés onnus sans erreur. Mˆ () Mˆ s La eneur en eau orrespondane du produ se alule par : Xˆ () Mˆ s Où Mˆ s es la masse sèhe mesurée du produ, elle se onserve au ours de l opéraon de séhage. Le problème posé es de rouver les valeurs opmales des paramères des dfférens modèles suvans : - A e pour le modèle : X( ) A exp( ) - A,, A e pour le modèle : ( ) A exp( ) + A exp( ) X Méhodes d esmaon de paramères 5

28 ( α) V α + eq eq, dans ee relaon, X X eq X eq es la eneur en eau d équlbre qu sera aene au bou d un emps nfn. - α, V e X eq pour le modèle 3 : X () X + ( X X ) qu représenen au meux les ouples expérmenaux présenés dans le ableau 7. On veu égalemen onnaîre l éar-ype de l erreur d esmaon de es paramères. Tableau 7 : Relevés expérmenaux de la masse au ours du séhage. (h),7,5,4,5,75,5,5,75,5 3 M() 46,3 44, 43,9 4, 4,9 38,48 36,43 34,3 3,48 3,7 9,7 6,8 3,67 (h) M(), 7,46 5,49 4,6 3,3,7,,43, 9,87 9,79 9,64 Les nerudes son : dx,43 g.g ms - ; dm,g ; dm,g. Il fau d abord aluler les valeurs Xˆ () e les nerudes orrespondanes. Mˆ 46,3 La masse sèhe du produ ms à séher se alule par : Mˆ + Xˆ + 4,559 L nerude sur ee masse sèhe vau : dmˆ s 8,39 g dm dx,,43 s + Mˆ s + 8,39 Mˆ + Xˆ 46,3 5,559,g [ ] dxˆ d Mˆ () Mˆ L nerude sur la eneur en eau vau : () Xˆ Mˆ () Mˆ s s dmˆ + Mˆ s s dmˆ () + dmˆ s dmˆ + Mˆ () Mˆ s Mˆ s s Elle n es pas onsane, elle dép de Mˆ () don de, on rouvera les valeurs alulées dans le ableau 8. Tableau 8 : Valeur des nerudes alulées sur la eneur en eau. (h),7,5,4,5,75,5,5,75,5 3 X() 4,559 4,96 4,86 4,45 3,933 3,6 3,374 3,8,9,687,49,3,84 dx() 9,8 8,76 8,63 8,46 8,3 7,95 7,65 7,35 7,8 6,83 6,59 6,6 5,8 (h) X(),45,96,86,688,576,45,33,5,5,85,75,57 dx() 5,3 4,9 4,63 4,43 4,9 4,9 3,99 3,9 3,86 3,8 3,8 3,79 Modèle : () A exp( ) X On peu ulser la méhode du graden ou elle de ewon, on rouvera les programmes orrespondans à haune des deux méhodes en annexe. La méhode de ewon onverge beauoup plus rapdemen e aepe des valeurs nales plus élognées que la méhode du graden. Les deux méhodes onvergen vers la même soluon : A 4,4849;,85 ;,76 On peu auss lnéarser le modèle en alulan () ln[x()] ln(a ). Ben que les nerudes sur () ne son pas onsanes, on peu dans un premer emps applquer la méhode des mondres arrés lnéares pour esmer ln(a ) e, on abou à la soluon : A 3,46 ;,68. Méhodes d esmaon de paramères 6

29 La dfférene enre les deux soluons en au fa que l on ne mnmse pas le même rère dans les deux as : ans le premer as on mnmse : [ X() A exp( ) ] ans le deuxème as on mnmse : ' ' X mesuré X alulé X alulé ( ) + ( ) X() A [ [ ] ( ) ] ( ) exp ex ln X() ln A + ln ln A exp A exp ln + A ex ex ( ) A exp( ) exp On mnmse don les éars relafs, e qu perme d aorder plus d mporane aux pons ayan une fable eneur en eau e d amélorer la représenaon de la fn du séhage. Le débu du séhage es par onre mons ben représené (h) Fgure : Pons alulés par les deux esmaons du modèle e pons expérmenaux Il es oujours néressan d analyser la dsperson des résdus, so des dfférenes ( ) ( ) : s les mesures son sans bas e s le modèle représene ben le phénomène éudé, on do observer un bru enré de dsperson aléaore. On rouvera sur la fgure 3 la représenaon des résdus pour la ourbe de séhage raée.,6 mod,,8 Résdus Résdus,4 -, ,8 Fgure 3 : Résdus des deux esmaons réalsées sur le modèle L analyse des résdus monre des valeurs assez élevées e une dsperson non aléaore e qu veu dre que le modèle ne représene pas orreemen le phénomène physque. Les erreurs éan prnpalemen dues à l nadéquaon du modèle, l n es pas ule d esmer l erreur due au bru de mesure ou d affner l esmaon par la méhode de Gauss-Marov. Cee onsaaon amène pluô à reherher un modèle meux adapé. (h) Modèle : () A exp( ) + A exp( ) X Le modèle n éan pas lnéare, on déermne les valeurs des paramères qu permeen de mnmser la somme des éars quadraques par la méhode de ewon. On peu ulser pour ela le Solveur d Exel omme déallé en annexe e l on abou à la soluon suvane : A 4,579 ;,3369 ; A,439 ;,439 ;,66 Méhodes d esmaon de paramères 7

30 On alule la mare de sensblé [X] omme dans l exemple 6. Ave la même hypohèse de lnéaré auour de l opmum, la mare de ovarane des erreurs d esmaon peu se aluler par : ov( e ) où la mare [P] es une mare proporonnelle à la mare [ov(e )]. [ ] s [ X P X] Les erreurs sur les mesures de (la eneur en eau X dans e exemple) ne son pas orrélées don on peu prre ( ) [ ] [ ( )] ( ) P ov e ( ) n B On oben ans : [ ( eb) ] 4 ov 3,3,384,7,3,384,5,347,367,7,347,57,5,3,367,5,347 où : Α 4,579 ; A, 74,3379 ;, 3 A,439 ; A, 6,439 ;, 86 L analyse des résdus représenés sur la fgure 4 monre que leur valeur es fable e que leur réparon semble relavemen aléaore. Ce valde à la fos la méhode d esmaon e le modèle reenu.,6 Résdus sur X,4,, -, ,4 Modèle 3 : X () X + ( X X ) eq Fgure 4 : Résdus de l esmaon réalsée sur le modèle eq ( α) V α + X X eq Le modèle n éan pas lnéare, on déermne les valeurs des paramères qu permeen de mnmser la somme des éars quadraques par la méhode de ewon en sasfasan la onrane physque : X()-dX() > X eq pour ou pon. On peu ulser pour un programme Malab el que elu déallé en annexe e l on abou à la soluon suvane : α,6 ; V -,45 g.g ms -.s - ; X eq,33 g.g ms - ;,9. On rouvera sur la fgure 5 la représenaon des pons expérmenaux e de la ourbe modèle esmée. On alule la mare de sensblé [X] omme dans l exemple 6. Ave la même hypohèse de lnéaré auour de l opmum, la mare de ovarane des erreurs d esmaon peu se aluler par : ov( e ) où la mare [P] es une mare proporonnelle à la mare [ov(e )]. [ ] s [ X P X] B Méhodes d esmaon de paramères 8

31 Les erreurs sur les mesures de (la eneur en eau X dans e exemple) ne son pas orrélées don on peu prre : ( ) [ ] [ ( )] ( ) P ov e ( ) n X mesuré X alulé (h) Fgure 5 : Pons expérmenaux e ourbe modèle esmée pour une expérene de séhage On rouvera sur la fgure 6 la représenaon des résdus pour la ourbe de séhage raée. La réparon des résdus es enrée mas pas oalemen aléaore, e qu lasse supposer que le modèle ne représene pas parfaemen la physque. La représenaon des pons expérmenaux par le modèle n en es pas mons ou à fa sasfasane Fgure 5 : Résdus de l esmaon réalsée pour une expérene de séhage On oben ans : [ ( eb) ] 4 ov,3536,889,486,889,359,887,486,887,84 où : α,6 ; α,,3536, 59 V -,45 g.g - ms.s - ; V,,359, 9 g.g - ms.s - X eq,33 g.g - - ms ; X eq,,84, 9 g.g ms Méhodes d esmaon de paramères 9

32 3.3.3 Esmaon de 4 paramères fablemen déorrélés : Méhode flash «long» On réalse une expérmenaon ave un monage de ype méhode flash mas ave une durée d élaremen de 3s. Le bu de l expérene es d esmer la dffusvé hermque a e la onduvé hermque λ de l éhanllon. On monre que la ransformée de Laplae θ(p) de la empéraure T () de la fae arrère de l éhanllon es donnée par : φ - exp( - p ) θ ( p) p C + ABh + h λqs ave : A osh( qe) ; B snh( qe) ; λ q S snh( qe) C ; q p a où : a ϕ h ffusvé hermque du maérau ensé de flux de haleur absorbé par la surfae hauffée Coeffen de ransfer de haleur par onveon sur les deux faes urée de l élaremen S les quare paramères a, λ, ϕ e h son supposés onnus, la empéraure dans l espae réel peu se aluler en applquan la formule de Sehfes : T() ln() J V θ j ln() j j dans laquelle θ es donné par la relaon préédene. Exemple 8 On rouvera dans le ableau 8 les valeurs enregsrées de la empéraure T () lors d une expérene Flash sur un éhanllon en erre ompaée d épasseur 5,3 m élaré pan 3s. Tableau 9 : Relevés expérmenaux de la empéraure T () au ours d une expérene Flash (h) T (),,,3,4,5,6,7,8,9,,,3,4,4 L ulsaon d un modèle approhé a ondu à une premère esmaon de la dffusvé hermque : a 4, m.s -. Il s avère que les méhodes du graden e de ewon ne onvergen pas vers une soluon unque sasfasane sur e exemple ar la mare du hessen n es parfos pas nversble. e plus, le alul des dérvées parelles de T par rappor aux paramères nonnus a, λ, ϕ e h ne peu s effeuer que de manère numérque e qu alourd la programmaon. On ulse don pluô la méhode dhoomque qu onverge de manère rès sasfasane. En prenan les nervalles de dépar suvans : a [4. -7, m.s - ], λ [, 3 W.m -. C - ], ϕ [5, 5 W.m - ], h [, W.m -. C - ], on abou au valeurs esmées : a 4, m.s -, λ,6 W.m -. C -, ϕ 348 W.m -, h 5, W.m -. C - qu permeen d obenr une rès bonne représenaon des pons expérmenaux omme le monre la fgure 6. Méhodes d esmaon de paramères 3

33 Fgure 6 : Courbe expérmenale e ourbe héorque ave les paramères esmés Une éude de sensblé monre que la empéraure T es nsensble au paramère h e que les paramères λ e ϕ son peu déorrélés : l esmaon séparée de es ros paramères n es don pas possble. En effe, s l on hange les nervalles de dépar, on rerouve une valeur rès prohe pour la dffusvé hermque a mas des valeurs rès dfférenes pour λ e ϕ ou en obenan une ourbe modèle représenan rès ben les pons expérmenaux. Les données expérmenales ne peuven don permere d esmer que la valeur de la dffusvé hermque a. Une esmaon de l éar-ype sur a peu êre obenue en smulan numérquemen p séres d expérenes en bruan la sére de pons expérmenaux obenus. On alule ensue l éar-ype des p esmaons de a. Ave p e dt,5 C so T,7 C, nous avons obenu : a 3,. -8 m.s - On rouvera sur la fgure 7 l hsogramme des valeurs esmées de a qu présene une forme en lohe araérsque d une dsrbuon gaussenne. Fgure 7 : Hsogramme des valeurs esmées de a(m.s - ) Méhodes d esmaon de paramères 3

34 Bblographe. Trgeassou J.Cl., Reherhe de modèles expérmenaux, Tehnque e oumenaon, Lavoser, Kurpsz K., owa A.J., Inverse hermal problems, Compuaonal mehans Publaons, Be J.V., Arnold K.J., Parameer esmaon n engneerng and sene, John Wleys & Sons, 977. Méhodes d esmaon de paramères 3

35 AEXES Rappel sur la ovarane Supposons que l on a répéé p fos la même expérene e que l on dspose don de p ourbes expérmenales f () omposées haune de ouples de pons ( j, j ), l nde ndquan le n de la ourbe ( varan de à p) e l nde j orrespondan au emps j auquel la mesure a éé effeuée (j varan de à ). Le shéma du alul de la mare de ovarane de l erreur e es alors le suvan : mesures de par expérene [e ] [e ] [e ] [ e ] e e e p e e e p e e e p p expérenes [ ov ( e )] ov ov ov ( e, e ) ( ) ( ) e, e e, e ( e, e ) ov( e, e ) ov( e, e ) ( ) ( ) ( ) e, e ov e, e ov e, e p ov(e, e ) ( e e )( e e ) j j j e e s e j (erreur de moyenne nulle) p p p Méhodes d esmaon de paramères 33

36 Exemple 4 : Programme Malab lear 4.547;.87; d; d.5; ; for j: a ; b ; ; d ; for : e() + * (-) + d* randn()/3; e - + d*randn()/3; a a + e^ ; b b + e; + e * e(); d d + e(); K(j) (a * d - b * ) / ( * a - b ^ ); K(j) ( * - b * d) / ( * a - b ^ ); ek(j)abs(k(j)-); ek(j)abs(k(j)-); Inerudemax(eK) Inerudemax(eK) Moyennemean(K) Moyennemean(K) EarType(var(K))^.5 EarType(var(K))^.5 Méhodes d esmaon de paramères 34

37 Exemple 5 : Programme Malab Esmaon de l'éar-ype des oeffens d'une droe onnassan la valeur des oeffens e les éarsypes des brus de mesure (varable sur e non nul sur ) lear 5.553;.99; d.; d.5; ; for j: a ;b ; ;d ; for : e() + * (-) + d*(+*(-))* randn()/3; e - + d*randn()/3; a a + e^ ; b b + e; + e * e(); d d + e(); K(j) (a * d - b * ) / ( * a - b ^ ); K(j) ( * - b * d) / ( * a - b ^ ); ek(j)abs(k(j)-); ek(j)abs(k(j)-); Inerudemax(eK) Inerudemax(eK) Moyennemean(K) Moyennemean(K) EarType(var(K))^.5 EarType(var(K))^.5 Méhodes d esmaon de paramères 35

38 Exemple 6 : Programme Malab Esmaon des paramères E, R e m par la méhode de ewon e esmaon des érs-ypes lear % Leure des données expérmenales e[ ]; e[e ]; lengh(e); d; for : e()(-)*d; f.6364; S.43; % Fn leure % Coeffens de Sehfes ave ermes V[ e e.79e e e4]; V[V e e e5.6465e5-3.85e4]; % Inalsaon des paramères E5; R5; m. B[E R m]; P3; % Fn nalsaon for m: % Calul des valeurs du modèle (); for :; (); for : p*log()/e(); X(f/p)*(+R*E*S*p^.5)/(m*p+(R*m*p+)*E*S*p^.5); ()()+V()*X; ()log()*()/e(); % Calul de ave E'.*E (); E.*E; for :; (); for : p*log()/e(); X(f/p)*(+R*E*S*p^.5)/(m*p+(R*m*p+)*E*S*p^.5); ()()+V()*X; ()log()*()/e(); EE/.; % Calul de ave R'.*R Méhodes d esmaon de paramères 36

39 (); R.*R; for :; (); for : p*log()/e(); X(f/p)*(+R*E*S*p^.5)/(m*p+(R*m*p+)*E*S*p^.5); ()()+V()*X; ()log()*()/e(); RR/.; % Calul de 3 ave m'.*m 3(); m.*m; for :; 3(); for : p*log()/e(); X(f/p)*(+R*E*S*p^.5)/(m*p+(R*m*p+)*E*S*p^.5); 3()3()+V()*X; 3()log()*3()/e(); mm/.; % Calul des dérvées parelles for : d(,)(()-())/(.*e); d(,)(()-())/(.*r); d(,3)(3()-())/(.*m); e()e()-(); % Fn du alul des valeurs du modèle e de ses dérvées parelles % Calul de la mares ' for : for j:p (j,); for : for j:p (j,)(j,)-*e()*d(,j); % Fn du alul de la mare ' % Calul de la mare " for :P for j:p (,j); for :P for j:p for : (,j)(,j)+*d(,)*d(,j); Méhodes d esmaon de paramères 37

40 % Fn du alul de la mare " % Calul des valeurs modfées de E, R e m BB-nv()*; EB(,) RB(,) mb(3,) f m< m; % Fn alul % Calul de l'éar quadraque ; for : +(e())^; % Fn alul % Affhage des résulas E R m % Fn affhage % Calul des sensblés rédues for : dr(,)e*d(,); dr(,)r*d(,); dr(,3)m*d(,3); % Fn alul % Calul des éars ypes 3nv(); de.*(3(,))^.5 dr.*(3(,))^.5 dm.*(3(3,3))^.5 % Fn alul Méhodes d esmaon de paramères 38

41 Exemple 7, Modèle : Programmes Malab Programme : Esmaon des deux paramères A e par la méhode du graden lear % Leure des données expérmenales e[ ]; Me[ ] Me[Me ]; lengh(e); X4.559;MsMe()/(+X); for : e()(me()-ms)/ms; % Fn leure % Inalsaon des paramères A4;.5; B[A ; ]; lam.; p; % Fn nalsaon for j: % Calul des valeurs du modèle e de ses dérvées parelles for : ()A*exp(-*e()); d(,)exp(-*e()); d(,)-a*e()*exp(-*e()); e()e()-(); %Fn du alul des valeurs du modèle e de ses dérvées parelles % Calul de la mares ' for : for j:p (j,); for : for j:p (j,)(j,)-*e()*d(,j); % Fn du alul de ' % Calul des valeurs modfées de A e BB-lam*; AB(,); B(,); % Fn alul % Calul de l'éar quadraque for : +(e())^; % Fn alul Méhodes d esmaon de paramères 39

42 % Affhage des résulas A % Fn affhage Programme : Esmaon des deux paramères A e par la méhode de ewon lear % Leure des données expérmenales e[ ]; Me[ ]; lengh(e); X4.559;MsMe()/(+X); for : e()(me()-ms)/ms; % Fn leure % Inalsaon des paramères A;.5; B[A ]; p; % Fn nalsaon for m: %Calul des valeurs du modèle e de ses dérvées parelles for : ()A*exp(-*e()); d(,)exp(-*e()); d(,)-a*e()*exp(-*e()); e()e()-(); %Fn du alul des valeurs du modèle e de ses dérvées parelles % Calul de la mares ' for : for j:p (j,); for : for j:p (j,)(j,)-*e()*d(,j); % Fn du alul de ' % Calul de la mare " for :p for j:p (,j); Méhodes d esmaon de paramères 4

43 for :p for j:p for : (,j)(,j)+*d(,)*d(,j); % Fn du alul de la mare " % Calul des valeurs modfées de A e BB-nv()*; AB(,); B(,); % Fn alul % Calul de l'éar quadraque ; for : +(()-e())^; % Fn alul % Calul de la mare de ovarane Cov*nv() % Fn du alul % Affhage des résulas A da(cov(,))^.5 d(cov(,))^.5 % Fn affhage Méhodes d esmaon de paramères 4

44 Exemple 7, Modèle : Feulle de alul Exel Esmaon des paramères A,, A e par la méhode de ewon X alulé A exp(- )+A exp(- ) H3 ($C$6*EXP(-$C$7*E3)+$C$8*EXP(-$C$9*E3)) H7($C$6*EXP(-$C$7*E7)+$C$8*EXP(-$C$9*E7)) Calul du arré des erreurs : I3(G3-H3)^ I7(G7-H7)^ Calul de la somme des éars quadraques : I8SOMME(I3:I7) Calul des valeurs de A,, A e qu mnmsen : nalsaon des paramères à, par exemple, A 5,, A,. e ulsaon du Solveur ave les opons ndquées -dessous : Résulas : A 4,579,3369 A,439,439,66 Méhodes d esmaon de paramères 4

BILAN EN ELECTRICITE : RC, RL ET RLC

BILAN EN ELECTRICITE : RC, RL ET RLC IN N TIIT :, T I. INTNSIT : = dq d en couran varable I = Q en couran connu Méhode générale d éablssemen des équaons dfférenelles : lo d addvé des ensons pus relaons dq caracérsques :, lo d Ohm u = aux

Plus en détail

Cours Thème VIII.3 CONVERSION STATIQUE D'ÉNERGIE

Cours Thème VIII.3 CONVERSION STATIQUE D'ÉNERGIE ours hème VIII.3 ONVSION SAIQU D'ÉNGI 3- Famlles de conversseurs saques Suvan le ype de machne à commander e suvan la naure de la source de pussance, on dsngue pluseurs famlles de conversseurs saques (schéma

Plus en détail

CONVERSION ÉLECTRONIQUE STATIQUE. HACHEURS. I : Ce que vous ne pouvez pas deviner. 1 ) Principes généraux des convertisseurs de puissance.

CONVERSION ÉLECTRONIQUE STATIQUE. HACHEURS. I : Ce que vous ne pouvez pas deviner. 1 ) Principes généraux des convertisseurs de puissance. ONVSON ÉONQ SAQ AS : e qe vos ne povez pas devner 1 ) Prnpes générax des onverssers de pssane es pssanes mses en je Gamme des pssanes overes par l éleronqe de pssane S AS monres, APN, 10 ordnaers, haînes

Plus en détail

ANNEXE I TRANSFORMEE DE LAPLACE

ANNEXE I TRANSFORMEE DE LAPLACE ANNEE I TRANSFORMEE DE LAPLACE Perre-Smon Lalace, mahémacen franças 749-87. Lalace enra à l unversé de Caen a 6 ans. Très ve l s néressa aux mahémaques e fu remarqué ar d Alember. En analyse, l nrodus

Plus en détail

CIFA 2004 Synthèse mixte H 2 /H par retour d état statique

CIFA 2004 Synthèse mixte H 2 /H par retour d état statique 4 Snhèse mxe H /H par reor d éa saqe SLH SLH, ENS RZELER Laboraore d nalse e commandes des ssèmes, LS-EN amps nversare, P 37 Le belvédère ns - nse Laboraore d nalse e rchecre des Ssèmes, LS-NRS 7 vene

Plus en détail

MATHEMATIQUES FINANCIERES

MATHEMATIQUES FINANCIERES MATHEMATIQUES FINANCIERES LES ANNUITES INTRODUCTION : Exemple 1 : Une personne veu acquérir une maison pour 60000000 DH, pour cela, elle place annuellemen au CIH une de 5000000 DH. Bu : Consiuer un capial

Plus en détail

Modèles de Risques et Solvabilité en assurance Vie. Kaltwasser Perrine Le Moine Pierre. Autorité de Contrôle des Assurances et des Mutuelles (ACAM)

Modèles de Risques et Solvabilité en assurance Vie. Kaltwasser Perrine Le Moine Pierre. Autorité de Contrôle des Assurances et des Mutuelles (ACAM) Modèles de Rsques e Solvablé en assurance Ve Kalwasser errne Le Mone erre Auoré de Conrôle des Assurances e des Muuelles (ACAM 6, rue abou 75436 ARIS CEDEX 9 él. : + 33 55 5 43 5 fax : + 33 55 5 4 5 perrne.kalwasser@acam-france.fr

Plus en détail

UNE ÉVALUATION EMPIRIQUE DE LA NOUVELLE TARIFICATION DE L'ASSURANCE AUTOMOBILE (1992) AU QUÉBEC * par. Georges Dionne 1,2 Charles Vanasse 2

UNE ÉVALUATION EMPIRIQUE DE LA NOUVELLE TARIFICATION DE L'ASSURANCE AUTOMOBILE (1992) AU QUÉBEC * par. Georges Dionne 1,2 Charles Vanasse 2 UNE ÉVALUATION EMPIRIQUE DE LA NOUVELLE TARIFICATION DE L'ASSURANCE AUTOMOBILE (992) AU QUÉBEC * par Georges Donne,2 Charles Vanasse 2 * Cee recherche a éé rendu possble grâce en pare au Fonds pour la

Plus en détail

AMPLIFICATEUR OPERATIONNEL EN REGIME NON LINEAIRE

AMPLIFICATEUR OPERATIONNEL EN REGIME NON LINEAIRE AMPLIFICATEUR OPERATIONNEL EN REGIME NON LINEAIRE Dans e hapire l'amplifiaeur différeniel inégré sera oujours onsidéré omme parfai, mais la ension de sorie ne pourra prendre que deux valeurs : V sa e V

Plus en détail

COMMUNICATION ENVIRONNEMENTALE

COMMUNICATION ENVIRONNEMENTALE COMMUNICATION ENVIRONNEMENTALE Por ne ommnaon responsable Toe ampagne de ommnaon a n réel mpa sr l envronnemen : onsommaon d énerge e de ressores, prodon de déhes, pollons ndrees. L éo-ommnaon a por b

Plus en détail

«Modèle Bayésien de tarification de l assurance des flottes de véhicules»

«Modèle Bayésien de tarification de l assurance des flottes de véhicules» Arcle «Modèle Baésen de arcaon de l assurance des loes de véhcules» Jean-Franços Angers, Dense Desardns e Georges Donne L'Acualé économque, vol. 80, n -3, 004, p. 53-303. Pour cer ce arcle, ulser l'normaon

Plus en détail

Mesure avec une règle

Mesure avec une règle Mesure avec une règle par Matheu ROUAUD Professeur de Scences Physques en prépa, Dplômé en Physque Théorque. Lycée Alan-Fourner 8000 Bourges ecrre@ncerttudes.fr RÉSUMÉ La mesure d'une grandeur par un système

Plus en détail

CARACTERISTIQUES STATIQUES D'UN SYSTEME

CARACTERISTIQUES STATIQUES D'UN SYSTEME CARACTERISTIQUES STATIQUES D'UN SYSTEE 1 SYSTEE STABLE, SYSTEE INSTABLE 1.1 Exemple 1: Soi un sysème composé d une cuve pour laquelle l écoulemen (perurbaion) es naurel au ravers d une vanne d ouverure

Plus en détail

Caractéristiques des signaux électriques

Caractéristiques des signaux électriques Sie Inerne : www.gecif.ne Discipline : Génie Elecrique Caracérisiques des signaux élecriques Sommaire I Définiion d un signal analogique page 1 II Caracérisiques d un signal analogique page 2 II 1 Forme

Plus en détail

Émissions d obligations rachetables :

Émissions d obligations rachetables : Émssons d oblgaons racheables : movaons e rendemens oblgaares mplqués Maxme DEBON Franck MORAUX Parck NAVATTE Unversé d Evry Unversé de Rennes Unversé de Rennes & LAREM & CREM & CREM Ocobre 2 Absrac Après

Plus en détail

Thème : Electricité Fiche 5 : Dipôle RC et dipôle RL

Thème : Electricité Fiche 5 : Dipôle RC et dipôle RL Fiche ors Thème : Elecricié Fiche 5 : Dipôle e dipôle Plan de la fiche Définiions ègles 3 Méhodologie I - Définiions oran élecriqe : déplacemen de charges élecriqes q a mesre d débi de charges donne l

Plus en détail

par Yazid Dissou** et Véronique Robichaud*** Document de travail 2003-18

par Yazid Dissou** et Véronique Robichaud*** Document de travail 2003-18 Deparmen of Fnance Mnsère des Fnances Workng Paper Documen de raval Conrôle des émssons de GES à l ade d un sysème de perms échangeables avec allocaon basée sur la producon Une analyse en équlbre général

Plus en détail

Le document unique : Évaluation des risques pour la Santé et la Sécurité des travailleurs.

Le document unique : Évaluation des risques pour la Santé et la Sécurité des travailleurs. GETION DE RIQUE Le domen nqe : Évalaon des rsqes por la ané e la éré des ravallers. L Employer do respeer ses oblgaons en maère de sané e de séré a raval. Conformémen ax prnpes générax de prévenon nsrs

Plus en détail

0707 70 70 Lot-sizing Résumé :

0707 70 70 Lot-sizing Résumé : 77 7 7 2 Lo-szng Résumé : L améloraon de la qualé des servces logsques es la garane essenelle pour la réalsaon de l avanage de ces servces, l augmenaon du nveau de sasfacon des clens e l améloraon de la

Plus en détail

ELECTRICITE. Chapitre 13 Régimes transitoires des circuits RC et RL. Analyse des signaux et des circuits électriques. Michel Piou

ELECTRICITE. Chapitre 13 Régimes transitoires des circuits RC et RL. Analyse des signaux et des circuits électriques. Michel Piou LCTICIT Analys ds sgnaux ds crcus élcrqus Mchl Pou Chapr 13 égms ransors ds crcus C L don 14/3/214 Tabl ds maèrs 1 POUQUOI T COMMNT?...1 2 GIMS TANSITOIS DS CICUITS C T L....2 2.1 xponnll décrossan....2

Plus en détail

CHAPITRE 14 : RAISONNEMENT DES SYSTÈMES DE COMMANDE

CHAPITRE 14 : RAISONNEMENT DES SYSTÈMES DE COMMANDE HAITRE 4 : RAISONNEMENT DES SYSTÈMES DE OMMANDE RAISONNEMENT DES SYSTÈMES DE OMMANDE... 2 INTRODUTION... 22 RAELS... 22 alcul de la valeur ntale de la répone à un échelon... 22 alcul du gan tatque... 22

Plus en détail

Les circuits électriques en régime transitoire

Les circuits électriques en régime transitoire Les circuis élecriques en régime ransioire 1 Inroducion 1.1 Définiions 1.1.1 égime saionnaire Un régime saionnaire es caracérisé par des grandeurs indépendanes du emps. Un circui en couran coninu es donc

Plus en détail

Le mode de fonctionnement des régimes en annuités. Secrétariat général du Conseil d orientation des retraites

Le mode de fonctionnement des régimes en annuités. Secrétariat général du Conseil d orientation des retraites CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 28 janvier 2009 9 h 30 «Les différens modes d acquisiion des drois à la reraie en répariion : descripion e analyse comparaive des echniques uilisées»

Plus en détail

République Algérienne Démocratique et Populaire Ministère de l Enseignement supérieur et de La Recherche Scientifique. Polycopie:

République Algérienne Démocratique et Populaire Ministère de l Enseignement supérieur et de La Recherche Scientifique. Polycopie: Réublque Algérenne Déocraque e Poulare Mnsère de l Ensegneen suéreur e de a Recherche Scenfque Unversé : Hassba BENBOUAI de CHEF Faculé : Scences Déareen : Physque Doane : ST-SM Polycoe: Vbraons e Ondes

Plus en détail

Notice d information contractuelle Loi Madelin. Generali.fr

Notice d information contractuelle Loi Madelin. Generali.fr parculers PRFESSINNELS enreprses Noce d nformaon conracuelle Lo Madeln General.fr Noce d nformaon conracuelle Le présen documen es rems à re de proposon e de proje de conra. Naure de la Convenon : LA RETRAITE

Plus en détail

Remboursement d un emprunt par annuités constantes

Remboursement d un emprunt par annuités constantes Sére STG Journées de formaton Janver 2006 Remboursement d un emprunt par annutés constantes Le prncpe Utlsaton du tableur Un emprunteur s adresse à un prêteur pour obtenr une somme d argent (la dette)

Plus en détail

Regional Wind Speed Evolution Identification and Longterm Correlation Application

Regional Wind Speed Evolution Identification and Longterm Correlation Application Regonal Wnd Speed Evoluon Idenfcaon and Longerm Correlaon Applcaon Idenfcaon de l évoluon régonale de la vesse du ven e applcaon à la corrélaon long erme B. Buffard, Theola France, Monpeller Exernal Arcle

Plus en détail

F 2 = - T p K 0. ... F T = - T p K 0 - K 0

F 2 = - T p K 0. ... F T = - T p K 0 - K 0 Correcion de l exercice 2 de l assisana pré-quiz final du cours Gesion financière : «chéancier e aux de renabilié inerne d empruns à long erme» Quesion : rappeler la formule donnan les flux à chaque échéance

Plus en détail

LE PARADOXE DES DEUX TRAINS

LE PARADOXE DES DEUX TRAINS LE PARADOXE DES DEUX TRAINS Énoné du paradoxe Déaillons ou d abord le problème dans les ermes où il es souen présené On dispose de deux oies de hemins de fer parallèles e infinimen longues Enre les deux

Plus en détail

Notice d information contractuelle Loi Madelin. Generali.fr

Notice d information contractuelle Loi Madelin. Generali.fr parculers PRFESSINNELS enreprses Noce d nformaon conracuelle Lo Madeln General.fr Noce d nformaon conracuelle Le présen documen es rems à re de proposon e de proje de conra. Naure de la Convenon : LA RETRAITE

Plus en détail

Comment évaluer la qualité d un résultat? Plan

Comment évaluer la qualité d un résultat? Plan Comment évaluer la qualité d un résultat? En sienes expérimentales, il n existe pas de mesures parfaites. Celles-i ne peuvent être qu entahées d erreurs plus ou moins importantes selon le protoole hoisi,

Plus en détail

Chapitre IV Les oscillations couplées «Les oscillations libres d un système à plusieurs degrés de liberté»

Chapitre IV Les oscillations couplées «Les oscillations libres d un système à plusieurs degrés de liberté» Chre IV, cours de vbrons, ondes _Phs, Pr. Bds Bennecer MD 8-9 Chre IV es oscllons coulées «es oscllons lbres d un ssèe à luseurs degrés de lberé» Dns ce chre, nous llons coencer r éuder les oscllons lbres

Plus en détail

VA(1+r) = C 1. VA = C 1 v 1

VA(1+r) = C 1. VA = C 1 v 1 Universié Libre de Bruxelles Solvay Business School La valeur acuelle André Farber Novembre 2005. Inroducion Supposons d abord que le emps soi limié à une période e que les cash flows fuurs (les flux monéaires)

Plus en détail

Exemples de résolutions d équations différentielles

Exemples de résolutions d équations différentielles Exemples de résoluions d équaions différenielles Table des maières 1 Définiions 1 Sans second membre 1.1 Exemple.................................................. 1 3 Avec second membre 3.1 Exemple..................................................

Plus en détail

TD/TP : Taux d un emprunt (méthode de Newton)

TD/TP : Taux d un emprunt (méthode de Newton) TD/TP : Taux d un emprun (méhode de Newon) 1 On s inéresse à des calculs relaifs à des remboursemens d empruns 1. On noera C 0 la somme emprunée, M la somme remboursée chaque mois (mensualié), le aux mensuel

Plus en détail

N o 12-001-XIF au catalogue. Techniques d'enquête

N o 12-001-XIF au catalogue. Techniques d'enquête N o -00-XIF au caalogue echnques d'enquêe 005 Commen obenr d aures rensegnemens oue demande de rensegnemens au suje du présen produ ou au suje de sasques ou de serces connexes do êre adressée à : Dson

Plus en détail

2. Quelle est la valeur de la prime de l option américaine correspondante? Utilisez pour cela la technique dite de remontée de l arbre.

2. Quelle est la valeur de la prime de l option américaine correspondante? Utilisez pour cela la technique dite de remontée de l arbre. 1 Examen. 1.1 Prime d une opion sur un fuure On considère une opion à 85 jours sur un fuure de nominal 18 francs, e don le prix d exercice es 175 francs. Le aux d inérê (coninu) du marché monéaire es 6%

Plus en détail

Chapitre IV- Induction électromagnétique

Chapitre IV- Induction électromagnétique 37 Chapitre IV- Indution életromagnétique IV.- Les lois de l indution IV..- L approhe de Faraday Jusqu à maintenant, nous nous sommes intéressés essentiellement à la réation d un hamp magnétique à partir

Plus en détail

Annuités. I Définition : II Capitalisation : ( Valeur acquise par une suite d annuités constantes ) V n = a t

Annuités. I Définition : II Capitalisation : ( Valeur acquise par une suite d annuités constantes ) V n = a t Annuiés I Définiion : On appelle annuiés des sommes payables à inervalles de emps déerminés e fixes. Les annuiés peuven servir à : - consiuer un capial ( annuiés de placemen ) - rembourser une dee ( annuiés

Plus en détail

Ecole des JDMACS, Angers, 19-21 Mars 2009 Commande prédictive : interaction optimisation commande

Ecole des JDMACS, Angers, 19-21 Mars 2009 Commande prédictive : interaction optimisation commande Par : Inrodcon à la ommand Prédcv Ecol ds JDMAS, Angrs, 9- Mars 009 ommand prédcv : nracon opmsaon command Plan d la présnaon. Inrodcon. Qls rpèrs. Phlosoph. s concps d la ommand Prédcv. Prncps d bas.

Plus en détail

Documentation Technique de Référence Chapitre 8 Trames types Article 8.14-1

Documentation Technique de Référence Chapitre 8 Trames types Article 8.14-1 Documenaion Technique de Référence Chapire 8 Trames ypes Aricle 8.14-1 Trame de Rappor de conrôle de conformié des performances d une insallaion de producion Documen valide pour la période du 18 novembre

Plus en détail

Texte Ruine d une compagnie d assurance

Texte Ruine d une compagnie d assurance Page n 1. Texe Ruine d une compagnie d assurance Une nouvelle compagnie d assurance veu enrer sur le marché. Elle souhaie évaluer sa probabilié de faillie en foncion du capial iniial invesi. On suppose

Plus en détail

La rentabilité des investissements

La rentabilité des investissements La renabilié des invesissemens Inroducion Difficulé d évaluer des invesissemens TI : problème de l idenificaion des bénéfices, des coûs (absence de saisiques empiriques) problème des bénéfices Inangibles

Plus en détail

Files d attente (1) F. Sur - ENSMN. Introduction. 1 Introduction. Vocabulaire Caractéristiques Notations de Kendall Loi de Little.

Files d attente (1) F. Sur - ENSMN. Introduction. 1 Introduction. Vocabulaire Caractéristiques Notations de Kendall Loi de Little. Cours de Tronc Commun Scienifique Recherche Opéraionnelle Les files d aene () Les files d aene () Frédéric Sur École des Mines de Nancy www.loria.fr/ sur/enseignemen/ro/ 5 /8 /8 Exemples de files d aene

Plus en détail

Les jeunes économistes

Les jeunes économistes Chaptre1 : les ntérêts smples 1. défnton et calcul pratque : Défnton : Dans le cas de l ntérêt smple, le captal reste nvarable pendant toute la durée du prêt. L emprunteur dot verser, à la fn de chaque

Plus en détail

STATISTIQUE AVEC EXCEL

STATISTIQUE AVEC EXCEL STATISTIQUE AVEC EXCEL Excel offre d nnombrables possbltés de recuellr des données statstques, de les classer, de les analyser et de les représenter graphquement. Ce sont prncpalement les tros éléments

Plus en détail

Calculer le coût amorti d une obligation sur chaque exercice et présenter les écritures dans les comptes individuels de la société Plumeria.

Calculer le coût amorti d une obligation sur chaque exercice et présenter les écritures dans les comptes individuels de la société Plumeria. 1 CAS nédt d applcaton sur les normes IAS/IFRS Coût amort sur oblgatons à taux varable ou révsable La socété Plumera présente ses comptes annuels dans le référentel IFRS. Elle détent dans son portefeulle

Plus en détail

CHAPITRE I : Cinématique du point matériel

CHAPITRE I : Cinématique du point matériel I. 1 CHAPITRE I : Cinémaique du poin maériel I.1 : Inroducion La plupar des objes éudiés par les physiciens son en mouvemen : depuis les paricules élémenaires elles que les élecrons, les proons e les neurons

Plus en détail

COURS GESTION FINANCIERE A COURT TERME SEANCE 3 PLANS DE TRESORERIE. François LONGIN www.longin.fr

COURS GESTION FINANCIERE A COURT TERME SEANCE 3 PLANS DE TRESORERIE. François LONGIN www.longin.fr COURS GESTION FINANCIERE A COURT TERME SEANCE 3 PLANS DE TRESORERIE SEANCE 3 PLANS DE TRESORERIE Obje de la séance 3 : dans la séance 2, nous avons monré commen le besoin de financemen éai couver par des

Plus en détail

Recueil d'exercices de logique séquentielle

Recueil d'exercices de logique séquentielle Recueil d'exercices de logique séquenielle Les bascules: / : Bascule JK Bascule D. Expliquez commen on peu modifier une bascule JK pour obenir une bascule D. 2/ Eude d un circui D Q Q Sorie A l aide d

Plus en détail

Intégration de Net2 avec un système d alarme intrusion

Intégration de Net2 avec un système d alarme intrusion Ne2 AN35-F Inégraion de Ne2 avec un sysème d alarme inrusion Vue d'ensemble En uilisan l'inégraion d'alarme Ne2, Ne2 surveillera si l'alarme inrusion es armée ou désarmée. Si l'alarme es armée, Ne2 permera

Plus en détail

TB 352 TB 352. Entrée 1. Entrée 2

TB 352 TB 352. Entrée 1. Entrée 2 enrées série TB logiciel d applicaion 2 enrées à émission périodique famille : Inpu ype : Binary inpu, 2-fold TB 352 Environnemen Bouon-poussoir TB 352 Enrée 1 sories 230 V Inerrupeur Enrée 2 Câblage sur

Plus en détail

Généralités sur les fonctions 1ES

Généralités sur les fonctions 1ES Généraltés sur les fonctons ES GENERALITES SUR LES FNCTINS I. RAPPELS a. Vocabulare Défnton Une foncton est un procédé qu permet d assocer à un nombre x appartenant à un ensemble D un nombre y n note :

Plus en détail

Oscillations forcées en régime sinusoïdal.

Oscillations forcées en régime sinusoïdal. Conrôle des prérequis : Oscillaions forcées en régime sinusoïdal. - a- Rappeler l expression de la période en foncion de la pulsaion b- Donner l expression de la période propre d un circui RLC série -

Plus en détail

Exercices de révision

Exercices de révision Exercices de révisio Exercice U ivesisseur souscri à l émissio d u bille de résorerie do les caracérisiques so les suivaes : - Nomial : 5 M - Taux facial : 3,2% - Durée de vie : 9 mois L ivesisseur doi

Plus en détail

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks Plan Geston des stocks Abdellah El Fallah Ensa de Tétouan 2011 Les opératons de gestons des stocks Les coûts assocés à la geston des stocks Le rôle des stocks Modèle de la quantté économque Geston calendare

Plus en détail

Filtrage optimal. par Mohamed NAJIM Professeur à l École nationale supérieure d électronique et de radioélectricité de Bordeaux (ENSERB)

Filtrage optimal. par Mohamed NAJIM Professeur à l École nationale supérieure d électronique et de radioélectricité de Bordeaux (ENSERB) Filrage opimal par Mohamed NAJIM Professeur à l École naionale supérieure d élecronique e de radioélecricié de Bordeaux (ENSERB) Filre adapé Définiions Filre adapé dans le cas de brui blanc 3 3 Cas d un

Plus en détail

[1] L. D. Landau, Phys. Z. Sowejetunion 11, 26, (1937) ; reprinted in Collected

[1] L. D. Landau, Phys. Z. Sowejetunion 11, 26, (1937) ; reprinted in Collected Bblography [1] L. D. Landau, Phys. Z. Sowejetunon 11, 6, (1937) ; reprnted n Colleted Papers of L. D. Landau, ed.d. Ter Haar (Pergamon Press, New York, 1965) [] V. L. Gnzburg and L. D.Landau, Zh. Eksp.

Plus en détail

n 1 LES GRANDS THÈMES DE L ITB > 2009 Les intérêts simples et les intérêts composés ( ) C T D ( en mois)

n 1 LES GRANDS THÈMES DE L ITB > 2009 Les intérêts simples et les intérêts composés ( ) C T D ( en mois) LES GRANDS THÈMES DE L ITB Les iérês simples e les iérês composés RAPPELS THÉORIQUES Les iérês simples : l'iérê «I» es focio de la durée «D» (jour, quizaie, mois, rimesre, semesre, aée) de l'opéraio (placeme

Plus en détail

Contact SCD Nancy 1 : theses.sciences@scd.uhp-nancy.fr

Contact SCD Nancy 1 : theses.sciences@scd.uhp-nancy.fr AVETISSEMENT C doumn s l fu d'un long aval appouvé pa l uy d sounan ms à dsposon d l'nsmbl d la ommunaué unvsa élag Il s soums à la popéé nllull d l'auu C mplqu un oblgaon d aon d éfénmn los d l ulsaon

Plus en détail

Dares Analyses. La répartition des hommes et des femmes par métiers Une baisse de la ségrégation depuis 30 ans

Dares Analyses. La répartition des hommes et des femmes par métiers Une baisse de la ségrégation depuis 30 ans Dares Analyses décembre 13 N 79 publcaon de la drecon de l'anmaon de la recherche, des éudes e des sasques La réparon des hommes e des femmes par méers Une basse de la ségrégaon depus 3 ans Les femmes

Plus en détail

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations Contrats prévoyance des TNS : Clarfer les règles pour sécurser les prestatons Résumé de notre proposton : A - Amélorer l nformaton des souscrpteurs B Prévor plus de souplesse dans l apprécaton des revenus

Plus en détail

Sciences Industrielles pour l Ingénieur

Sciences Industrielles pour l Ingénieur Sciences Indusrielles pour l Ingénieur Cenre d Inérê 6 : CONVERTIR l'énergie Compéences : MODELISER, RESOUDRE CONVERSION ELECTROMECANIQUE - Machine à couran coninu en régime dynamique Procédés de piloage

Plus en détail

Risque associé au contrat d assurance-vie pour la compagnie d assurance. par Christophe BERTHELOT, Mireille BOSSY et Nathalie PISTRE

Risque associé au contrat d assurance-vie pour la compagnie d assurance. par Christophe BERTHELOT, Mireille BOSSY et Nathalie PISTRE Ce aricle es disponible en ligne à l adresse : hp://www.cairn.info/aricle.php?id_revue=ecop&id_numpublie=ecop_149&id_article=ecop_149_0073 Risque associé au conra d assurance-vie pour la compagnie d assurance

Plus en détail

Cours d électrocinétique :

Cours d électrocinétique : Universié de Franche-Comé UFR des Sciences e Techniques STARTER 005-006 Cours d élecrocinéique : Régimes coninu e ransioire Elecrocinéique en régimes coninu e ransioire 1. INTRODUCTION 5 1.1. DÉFINITIONS

Plus en détail

1 Introduction à l effet Doppler.

1 Introduction à l effet Doppler. Introdution à l effet Doppler Ph. Ribière ribierep@orange.fr Merredi 9 Novembre 2011 1 Introdution à l effet Doppler. Vous avez tous fait l expériene de l effet Doppler dans la rue, lorsqu une ambulane,

Plus en détail

Fiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage

Fiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage Fche n 7 : Vérfcaton du débt et de la vtesse par la méthode de traçage 1. PRINCIPE La méthode de traçage permet de calculer le débt d un écoulement ndépendamment des mesurages de hauteur et de vtesse.

Plus en détail

CHAPITRE 13. EXERCICES 13.2 1.a) 20,32 ± 0,055 b) 97,75 ± 0,4535 c) 1953,125 ± 23,4375. 2.±0,36π cm 3

CHAPITRE 13. EXERCICES 13.2 1.a) 20,32 ± 0,055 b) 97,75 ± 0,4535 c) 1953,125 ± 23,4375. 2.±0,36π cm 3 Chapire Eercices de snhèse 6 CHAPITRE EXERCICES..a), ±,55 b) 97,75 ±,455 c) 95,5 ±,475.±,6π cm.a) 44,, erreur absolue de,5 e erreur relaive de, % b) 5,56, erreur absolue de,5 e erreur relaive de,9 % 4.a)

Plus en détail

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique Spécale PSI - Cours "Electromagnétsme" 1 Inducton électromagnétque Chaptre IV : Inductance propre, nductance mutuelle. Energe électromagnétque Objectfs: Coecents d nductance propre L et mutuelle M Blan

Plus en détail

Impact du vieillissement démographique sur l impôt prélevé sur les retraits des régimes privés de retraite

Impact du vieillissement démographique sur l impôt prélevé sur les retraits des régimes privés de retraite DOCUMENT DE TRAVAIL 2003-12 Impac du vieillissemen démographique sur l impô prélevé sur les rerais des régimes privés de reraie Séphane Girard Direcion de l analyse e du suivi des finances publiques Ce

Plus en détail

L ordinateur quantique.

L ordinateur quantique. L ordnar qanq Rhard Fnman Charls nn L ordnar qanq : por qo far? La héor lassq d l nformaon a éé dér par allrs Ell s basé sr l xsn d la noon d b, n varabl dsrè povan prndr dx éas onrasés, noés La noon d

Plus en détail

Intégration financière en Asie de l Est : l apport des tests de stationnarité et de cointégration en panel

Intégration financière en Asie de l Est : l apport des tests de stationnarité et de cointégration en panel Inégraon fnancère en Ase de l Es : l appor des ess de saonnaré e de conégraon en panel Cyrac GUILLAUMIN 1 Documen de raval CEPN 19/2008 Résumé : L objecf de ce paper es de mesurer le degré d négraon fnancère

Plus en détail

Les solutions solides et les diagrammes d équilibre binaires. sssp1. sssp1 ssss1 ssss2 ssss3 sssp2

Les solutions solides et les diagrammes d équilibre binaires. sssp1. sssp1 ssss1 ssss2 ssss3 sssp2 Les soluions solides e les diagrammes d équilibre binaires 1. Les soluions solides a. Descripion On peu mélanger des liquides par exemple l eau e l alcool en oue proporion, on peu solubiliser un solide

Plus en détail

Mesures du coefficient adiabatique γ de l air

Mesures du coefficient adiabatique γ de l air Mesures du oeffiient adiabatique γ de l air Introdution : γ est le rapport des apaités alorifiques massiques d un gaz : γ = p v Le gaz étudié est l air. La mesure de la haleur massique à pression onstante

Plus en détail

Ned s Expat L assurance des Néerlandais en France

Ned s Expat L assurance des Néerlandais en France [ LA MOBILITÉ ] PARTICULIERS Ned s Expa L assurance des Néerlandais en France 2015 Découvrez en vidéo pourquoi les expariés en France choisissen APRIL Inernaional pour leur assurance sané : Suivez-nous

Plus en détail

Montage émetteur commun

Montage émetteur commun tour au menu ontage émetteur commun Polarsaton d un transstor. ôle de la polarsaton La polarsaton a pour rôle de placer le pont de fonctonnement du transstor dans une zone où ses caractérstques sont lnéares.

Plus en détail

ANNEXES...16 Notation...16 Rente financière certaine...16. Mémo d Actuariat - Sophie Terrier @ 2004 1/16

ANNEXES...16 Notation...16 Rente financière certaine...16. Mémo d Actuariat - Sophie Terrier @ 2004 1/16 ÉO TUIT FOULS TUILLS SU TT Probbé ouo 3 dfféré4 ee gère be à ere échu 5 ee gère be à ere échu ueur fo d ée 6 ee gère à ere be d ce7 ee gère à ere be d ce ueur fo d ée8 urce décè 9 urce décè à c rbe cro

Plus en détail

Sommaire de la séquence 12

Sommaire de la séquence 12 Sommaire de la séquence 12 Séance 1........................................................................................................ Je prends un bon dépar.......................................................................................

Plus en détail

ANALYSE DES DETERMINANTS DE L EPARGNE NATIONALE DANS UN PAYS EN DEVELOPPEMENT : LE CAS DU RWANDA

ANALYSE DES DETERMINANTS DE L EPARGNE NATIONALE DANS UN PAYS EN DEVELOPPEMENT : LE CAS DU RWANDA Unvesé de Monéal Faculé des As e des Scences Dépaemen des Scences Economques ANALSE DES DETERMINANTS DE L EPARGNE NATIONALE DANS UN PAS EN DEVELOPPEMENT : LE CAS DU RWANDA Rappo de echeche pésené pa :

Plus en détail

Chapitre 2 L investissement. . Les principales caractéristiques de l investissement

Chapitre 2 L investissement. . Les principales caractéristiques de l investissement Chapire 2 L invesissemen. Les principales caracérisiques de l invesissemen.. Définiion de l invesissemen Définiion générale : ensemble des B&S acheés par les agens économiques au cours d une période donnée

Plus en détail

Rappels théoriques. -TP- Modulations digitales ASK - FSK. Première partie 1 INTRODUCTION

Rappels théoriques. -TP- Modulations digitales ASK - FSK. Première partie 1 INTRODUCTION 2 IUT Blois Déparemen GTR J.M. Giraul, O. Bou Maar, D. Ceron M. Richard, P. Sevesre e M. Leberre. -TP- Modulaions digiales ASK - FSK IUT Blois Déparemen du Génie des Télécommunicaions e des Réseaux. Le

Plus en détail

THÈSE. Pour l obtention du grade de Docteur de l Université de Paris I Panthéon-Sorbonne Discipline : Sciences Économiques

THÈSE. Pour l obtention du grade de Docteur de l Université de Paris I Panthéon-Sorbonne Discipline : Sciences Économiques Universié de Paris I Panhéon Sorbonne U.F.R. de Sciences Économiques Année 2011 Numéro aribué par la bibliohèque 2 0 1 1 P A 0 1 0 0 5 7 THÈSE Pour l obenion du grade de Doceur de l Universié de Paris

Plus en détail

S euls les flux de fonds (dépenses et recettes) définis s ent l investissement.

S euls les flux de fonds (dépenses et recettes) définis s ent l investissement. Choix d ives i s s eme e cer iude 1 Chapire 1 Choix d ivesissemes e ceriude. Défiiio L es décisios d ivesissemes fo parie des décisios sraégiques de l erepris e. Le choix ere différes projes d ivesisseme

Plus en détail

Relation entre la Volatilité Implicite et la Volatilité Réalisée.

Relation entre la Volatilité Implicite et la Volatilité Réalisée. Relaion enre la Volailié Implicie e la Volailié Réalisée. Le cas des séries avec la coinégraion fracionnaire. Rappor de Recherche Présené par : Mario Vázquez Velasco Direceur de Recherche : Benoî Perron

Plus en détail

Interface OneNote 2013

Interface OneNote 2013 Interface OneNote 2013 Interface OneNote 2013 Offce 2013 - Fonctons avancées Lancer OneNote 2013 À partr de l'nterface Wndows 8, utlsez une des méthodes suvantes : - Clquez sur la vgnette OneNote 2013

Plus en détail

Calculer comment se constituer un capitale ; Calculer comment rembourser une dette en effectuant des versements réguliers.

Calculer comment se constituer un capitale ; Calculer comment rembourser une dette en effectuant des versements réguliers. CHAP: 8 Objecifs de ce chpire : Clculer comme se cosiuer u cpile ; Clculer comme rembourser ue dee e effecu des versemes réguliers. RAPPELS : Qu'es-ce qu'ue vleur cquise? Qu'es-ce qu'ue vleur cuelle? Le

Plus en détail

Production statistique: passage d une démarche axée sur les domaines à une démarche axée sur les processus

Production statistique: passage d une démarche axée sur les domaines à une démarche axée sur les processus Nations Unies Conseil éonomique et soial Distr. générale 31 mars 2015 Français Original: anglais ECE/CES/2015/26 Commission éonomique pour l Europe Conférene des statistiiens européens Soixante-troisième

Plus en détail

MODÈLE BAYÉSIEN DE TARIFICATION DE L ASSURANCE DES FLOTTES DE VÉHICULES

MODÈLE BAYÉSIEN DE TARIFICATION DE L ASSURANCE DES FLOTTES DE VÉHICULES Cahier de recherche 03-06 Sepembre 003 MODÈLE BAYÉSEN DE TARFCATON DE L ASSURANCE DES FLOTTES DE VÉHCULES Jean-François Angers, Universié de Monréal Denise Desardins, Universié de Monréal Georges Dionne,

Plus en détail

Ce document a été mis en ligne par le Canopé de l académie de Montpellier pour la Base Nationale des Sujets d Examens de l enseignement professionnel.

Ce document a été mis en ligne par le Canopé de l académie de Montpellier pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Ce document a été mis en ligne par le Canopé de l académie de Montpellier pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Ce fichier numérique ne peut être reproduit, représenté,

Plus en détail

Finance 1 Université d Evry Val d Essonne. Séance 2. Philippe PRIAULET

Finance 1 Université d Evry Val d Essonne. Séance 2. Philippe PRIAULET Finance 1 Universié d Evry Val d Essonne éance 2 Philippe PRIAULET Plan du cours Les opions Définiion e Caracérisiques Terminologie, convenion e coaion Les différens payoffs Le levier implicie Exemple

Plus en détail

Estimation des matrices de trafics

Estimation des matrices de trafics Cédric Foruny 1/5 Esimaion des marices de rafics Cedric FORTUNY Direceur(s) de hèse : Jean Marie GARCIA e Olivier BRUN Laboraoire d accueil : LAAS & QoSDesign 7, av du Colonel Roche 31077 TOULOUSE Cedex

Plus en détail

Terminal numérique TM 13 raccordé aux installations Integral 33

Terminal numérique TM 13 raccordé aux installations Integral 33 Termnal numérque TM 13 raccordé aux nstallatons Integral 33 Notce d utlsaton Vous garderez une longueur d avance. Famlarsez--vous avec votre téléphone Remarques mportantes Chaptres à lre en prorté -- Vue

Plus en détail

ETUDE COMPARATIVE RELATIVE AU SERTISSAGE DES CANALISATIONS EN CUIVRE DANS LE SECTEUR DE LA RENOVATION

ETUDE COMPARATIVE RELATIVE AU SERTISSAGE DES CANALISATIONS EN CUIVRE DANS LE SECTEUR DE LA RENOVATION - Février 2003 - ETUDE COMPARATIVE RELATIVE AU SERTISSAGE DES CANALISATIONS EN CUIVRE DANS LE SECTEUR DE LA RENOVATION Centre d Information du Cuivre 30, avenue Messine 75008 Paris HOLISUD Ingénierie 21,

Plus en détail

Exercices d Électrocinétique

Exercices d Électrocinétique ercces d Électrocnétque Intensté et densté de courant -1.1 Vtesse des porteurs de charges : On dssout une masse m = 20g de chlorure de sodum NaCl dans un bac électrolytque de longueur l = 20cm et de secton

Plus en détail

Circuits RL et RC. Chapitre 5. 5.1 Inductance

Circuits RL et RC. Chapitre 5. 5.1 Inductance Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite

Plus en détail

Équations différentielles et systèmes dynamiques. M. Jean-Christophe Yoccoz, membre de l'institut (Académie des Sciences), professeur

Équations différentielles et systèmes dynamiques. M. Jean-Christophe Yoccoz, membre de l'institut (Académie des Sciences), professeur Équations différentielles et systèmes dynamiques M. Jean-Christophe Yooz, membre de l'institut (Aadémie des Sienes), professeur La leçon inaugurale de la haire a eu lieu le 28 avril 1997. Le ours a ensuite

Plus en détail

SYSTÈME HYBRIDE SOLAIRE THERMODYNAMIQUE POUR L EAU CHAUDE SANITAIRE

SYSTÈME HYBRIDE SOLAIRE THERMODYNAMIQUE POUR L EAU CHAUDE SANITAIRE SYSTÈME HYBRIDE SOLAIRE THERMODYNAMIQUE POUR L EAU CHAUDE SANITAIRE Le seul ballon hybride solaire-hermodynamique cerifié NF Elecricié Performance Ballon hermodynamique 223 lires inox 316L Plaque évaporarice

Plus en détail

L intégration intra-régionale des marchés boursiers de l Europe du sudest : une analyse multivariée

L intégration intra-régionale des marchés boursiers de l Europe du sudest : une analyse multivariée Busness School W O R K I N G P A P E R S E R I E S Wokng Pape 24-29 L négaon na-égonale des machés bouses de l Euope du sudes : une analyse mulvaée Khaled Guesm Duc Khuong Nguyen hp://www.pag.f/f/accuel/la-echeche/publcaons-wp.hml

Plus en détail

Le mécanisme du multiplicateur (dit "multiplicateur keynésien") revisité

Le mécanisme du multiplicateur (dit multiplicateur keynésien) revisité Le mécanisme du muliplicaeur (di "muliplicaeur kenésien") revisié Gabriel Galand (Ocobre 202) Résumé Le muliplicaeur kenésien remone à Kenes lui-même mais il es encore uilisé de nos jours, au moins par

Plus en détail

Copules et dépendances : application pratique à la détermination du besoin en fonds propres d un assureur non vie

Copules et dépendances : application pratique à la détermination du besoin en fonds propres d un assureur non vie Copules e dépendances : applicaion praique à la déerminaion du besoin en fonds propres d un assureur non vie David Cadoux Insiu des Acuaires (IA) GE Insurance Soluions 07 rue Sain-Lazare, 75009 Paris FRANCE

Plus en détail