DHET - Gestion de l’environnement

Validation de mesures
D. Maquin - 2 mars 2001
(Retranscrit en LATEX en octobre 2024
à partir d’un fichier Word 5.1)

1 Mise en évidence de l’incohérence des mesures

Afin de montrer la nécessité d’un traitement préalable des mesures prélevées sur un processus,
examinons un exemple de relevés topographiques.

On mesure, sur un terrain, les différences de hauteur entre cinq points (les flèches sur le dessin
sont dirigées vers les hauteurs décroissantes). Les résultats des mesures sont les suivants :
   
6 y1 20, 2
7 y2  40, 0
   
y3  34, 3
   
5 3 y4  = 35, 8
y=   
2 4 y5  60, 4
   
y6   5, 9 
1 y7 70, 0

On vérifie sans peine que ces mesures sont entachées d’erreurs. En effet, les dénivelés ne sont
pas indépendants. Si l’on note yi∗ les dénivelés “vrais” inconnus, on a :
 ∗ ∗ ∗
y5 − y1 − y2 = 0

y6∗ − y2∗ + y3∗ = 0
 ∗
y7 − y3∗ − y4∗ = 0


En substituant les mesures aux grandeurs “vraies”, on obtient :


y5 − y1 − y2 = 60, 4 − 20, 2 − 40 = 0, 2

y6 − y2 + y3 = 5, 9 − 40 + 34, 3 = 0.2

y7 − y3 − y4 = 70 − 34, 3 − 35, 8 = −0, 1


En fait, chaque mesure s’exprime en fonction de la grandeur vraie correspondante :

yi = yi∗ + εi i = 1, . . . , 7
Les termes εi sont des erreurs de mesure (erreur de visée, de lecture, imprécision de l’appareil,
etc.). On peut alors se poser le problème suivant : comment estimer “au mieux” les grandeurs
vraies yi∗ sur la base de la connaissance des mesures yi ?

2 Estimation des grandeurs vraies - élimination des contraintes

Pour estimer les dénivelés, on peut tout d’abord remarquer que les grandeurs yi ne sont pas
indépendantes. En effet, tous les dénivelés peuvent s’exprimer en fonction des quatre premiers ;
on a :
 = y1∗ + ε1

y1      
 y1 1 0 0 0 ε1
y2∗

y2 = + ε2



 y2  0 1 0 0  ∗   ε2 
 y1
y3∗

y3 = + ε3
     
y3  0 0 1 0  y2∗  ε3 

  
y4∗
  
y4 = + ε4 y4  = 0
soit, matriciellement    0 0 1  ∗  + 
  
 ε4 

y5  1 y 3
y1∗ + y2∗ + ε5 1 0 0  ε5 

y5 =


     y∗  
 y6  0 1 −1 0 4  ε6 
y2∗ − y3∗ + ε6
 
y6 =



 y7 0 0 1 1 ε7
y3∗ + y4∗ + ε7

y7 =


Sous une forme plus compacte, on peut écrire :

Y = HX ∗ + ε
Les grandeurs inconnues X ∗ sont déterministes et la distribution de probabilité des erreurs
de mesure est inconnue. On peut donc estimer X ∗ à l’aide de la méthode des moindres carrés.
La solution est donnée par :
1
X̂ = arg min φ = ||Y − HX ∗ ||2 = (H T H)−1 H T Y
X ∗ 2
De plus, on a : Ŷ = H X̂ = H(H T H)−1 H T Y

Numériquement, on obtient :

T
Ŷ = 20, 252 40, 095 34, 238 35, 781 60, 348 5, 857 70, 019

3 Exemple concernant la mesure d’angles

La figure ci-dessous schématise l’expérience effectuée pour relever la position d’une plate-
forme située en mer. Deux stations situées à terre effectuent, à l’aide d’un goniomètre, le relevé
de l’angle séparant la direction de l’autre station et celle de la plate-forme.

Les mesures relevées sont les suivantes : α1 = 70◦ 110 , α2 = 53◦ 240 et α3 = 54◦ 010 . Les deux
stations et la plate-forme sont disposées selon un triangle ; les trois angles sont donc liés par la
relation élémentaire :
α1∗ + α2∗ + α3∗ − 180 = 0

2
 On remarque immédiatement que les mesures ne vérifient pas cette relation. On va donc
chercher, sur la base de cette unique observation, à estimer la valeur de ces angles.

Les mesures effectuées à terre ont un écart type de un degré alors que la mesure effectuée
depuis la plate-forme a un écart type de deux degrés. Les erreurs de mesure sont supposée
indépendantes ; la matrice de variance V est donc diagonale. Le problème d’estimation des angles
revient cette fois à chercher le minimum, par rapport aux αj∗ , du critère :

3
1 X (αj∗ − αj )2
φ=
2 vjj
j=1

3
X
sous la contrainte αj∗ − 180 = 0
j=1

Ce problème est un problème d’optimisation quadratique sous contraintes égalité. Pour trou-
ver la solution, on utilise la méthode dite des multiplicateurs de Lagrange (1736-1813). On écrit
une nouvelle expression, le lagrangien, dans laquelle apparaît le critère et la contrainte multipliée
par un coefficient : le paramètre de Lagrange.
 
3 3
1 X (αj∗ − αj )2 X
L= + λ αj∗ − 180
2 vjj
j=1 j=1

On dérive alors le lagrangien pour trouver le minimum.

Pour l’exemple précédent, les conditions de stationnarité du lagrangien associé au problème

d’optimisation s’écrivent :


 ∂L α̂j − αj
= +λ=0 j = 1, 2, 3


 ∂αj∗

 vjj
α∗j =α̂j

 ∂L


 ∂λ
 = α̂1 + α̂2 + α̂3 − 180 = 0
α∗j =α̂j

Les trois premières équations permettent d’écrire :

α1 + α2 + α3 − 180 − λ(v11 + v22 + v33 ) = 0

d’où l’expression du paramètre de Lagrange :

α1 + α2 + α3 − 180
λ=
v11 + v22 + v33
Le report de l’expression du paramètre de Lagrange dans les trois premières équations achève
le calcul :
α̂j = αj − vjj λ j = 1, 2, 3
On obtient ainsi : α̂1 = 70◦ 350 , α̂2 = 53◦ 480 et α̂3 = 55◦ 370

3
4 Généralisation
De façon générale, un système est constitué de sous-ensembles interconnectés, chacun d’entre
eux ayant une fonction particulière. On peut donc représenter ce système par un graphe orienté
dans lequel :
— les arcs (voies) correspondent aux flux de matière dont les directions sont déterminées par
la structure du système,
— les nœuds représentent les unités de traitement, de transformation ou les points de jonction
de plusieurs arcs.
A chaque nœud, on associe des équations de bilan en écrivant les lois de conservation de
la matière ou éventuellement de l’énergie dans le cas des bilans calorifiques. A ce système, on
associe une matrice d’incidence M définie par :

M = (mij ) i = 1, ..., n ; j = 1, ..., v

où n est le nombre de nœuds et v le nombre de voies, et telle que :

mij = 0 si la voie j n’est pas reliée au nœud i,
mij = 1 si la voie j “entre” dans le nœud j,
mij = −1 si la voie j “sort” du nœud i.

Considérons à titre d’exemple le réseau élémentaire suivant :

Les équations de bilan total s’écrivent, pour chaque noeud, de la façon suivante :

nœud I : x∗1 + x∗2 − x∗3 = 0

nœud II : x∗3 − x∗4 − x∗5 = 0
nœud III : x∗5 − x∗2 − x∗6 = 0
où x∗i représente le ième débit volumique. La matrice d’incidence M associée à ce réseau se déduit
directement de ces équations :
 
1 1 −1 0 0 0
M = 0 0 1 −1 −1 0 
0 −1 0 0 1 −1

Pour un réseau de dimension quelconque, les équations de bilan se généralisent sous la forme
linéaire :
M X∗ = 0
où M est la matrice d’incidence de dimension n × v associée au système et X ∗ est le vecteur des
vraies grandeurs de dimension v.

4
 L’équation de mesure, dans le cas où toutes les variables sont toutes directement mesurées,
s’écrit :
X = X∗ + ε
où X est le vecteur des mesures et ε le vecteur des erreurs de mesure de dimension v.

Dans ce cas, le problème d’estimation revient à chercher le minimum par rapport à X ∗ du

critère :
1 1
φ = ||X − X ∗ ||2V −1 = (X − X ∗ )T V −1 (X − X ∗ )
2 2
sous la contrainte M X ∗ = 0
Le lagrangien qui lui est associé est donné par :

L = φ + λT M X ∗

où λ est le vecteur des paramètres de Lagrange de dimension n.

Les conditions de stationnarité de L sont :

∂L


 ∂X ∗
 = V −1 (X̂ − X) + M T λ = 0
X ∗ =X̂
 ∂L

 = M X̂ = 0
∂λ X ∗ =X̂
Ce système d’équations algébriques linéaires comporte autant d’équations que d’inconnues.
A partir de la première équation, on peut écrire :

X̂ = X − V M T λ

qui, remplacé dans la seconde, donne :

λ = (M V M T )−1 M X

L’expression de X̂ devient alors :

X̂ = P X
où la matrice de projection P est définie par :

P = I − V M T (M V M T )−1 M

On peut ensuite démontrer que la variance de l’estimation s’écrit également à l’aide de P :

Var(X̂) = P V

5
 Annexe : opérations de dérivation matricielle

Dérivée d’un scalaire par rapport à un vecteur

On considère une fonction scalaire f d’un vecteur X de dimension n :
 
x1
 .. 
X= .  a = f (X) = f (x1 , x2 , . . . , xn )
xn

Par définition, on a :
 ∂a 
∂x1  T
∂a ∂a ∂a
=  ... 
 
∂a ∂a
= ... =
 
∂X ∂X T ∂x1 ∂xn ∂X
∂a
∂xn

Dérivée d’un produit scalaire par rapport à un vecteur

On considère deux vecteurs X et Y :
   
x1 y1
 ..   .. 
X= .  Y = . 
xn yn

On a :    
∂X T Y ∂(x1 y1 +...+xn yn )
 
∂y1 x1
∂y1
∂X T Y  .   ..   . 
= .   = . =X
∂Y  . = .  .
T
∂X Y ∂(x y +...+x y )
1 1 n n xn
∂yn ∂yn

Dérivée d’une forme quadratique par rapport à un scalaire

On considère un vecteur X et une matrice carrée A de dimension n de coefficients constants.
La dérivée de la forme quadratique X T AX, par rapport au scalaire a, s’écrit :

∂X T AX ∂X T ∂X ∂X T
AX + X T A A + AT X


= =
∂a a ∂a a
Si, de plus, A est symétrique :

∂X T AX ∂X T
=2 AX
∂a ∂a

Dérivée d’une forme quadratique par rapport à un vecteur

L’expression précédente se généralise à la dérivation par rapport à un vecteur :

∂X T AX ∂X T
=2 AX = 2AX
∂X ∂X