Académique Documents
Professionnel Documents
Culture Documents
TELECOM Saint-Etienne
FISE 2 Math 3 – Optimisation et Estimation
Année 2021 - 22
Olivier Alata
olivier.alata@univ-st-etienne.fr
TSE FISE2 1
Déroulement du cours
Objectifs : Introduire les propriétés des estimateurs et
les méthodes d’estimation les plus classiques : méthode
des moments, moindres carrés, maximum de
vraisemblance, estimation bayésienne, méthode de
Monte-Carlo. Il sera aussi question de « détection ».
Evaluation : 2 QCM (coef 0,15 par QCM)
2 évaluations écrites (coef 0,35 par éval.)
Intervenants en TD : Elena Silaeva, Ameur Soualmi,
Olivier Alata
Cours en Amphi :
– Interruptions régulières pour échanger avec les étudiants.
– Nombreux exemples. TSE FISE2 2
Prérequis et sites web
• Cours « Probabilités et Statistiques ». Voir Partie III du
document de cours sur les statistiques inférentielles.
• Cours « Signaux aléatoires ». Partie 4 « Estimation »
dans le document de cours (pas abordée l’année
dernière).
• Cours « Traitement des signaux déterministes »
• Cours « Signaux et systèmes discrets »
• Exemples de sites web et logiciels :
– http://wikistat.fr/ & Wikistat 2.0 · GitHub
– https://scikit-learn.org/stable/
– https://www.r-project.org/
TSE FISE2 3
Example : RGB-D Image clustering
https://arxiv.org/abs/1509.01788 ou Mootse
Etape fondamentale :
Estimation des
• Clustering paramètres du modèle
– Performs joint color-spatial-axial clustering.
– Generates a set of regions.
• Region Merging
– Region Adjacency Graph (RAG).
– Merge regions which are likely to be over-segmented.
Hasnat, Alata, Trémeau, IEEE PAMI, 2016. TSE FISE2 4
Inférence statistique
• A partir d’un échantillon de taille N fini
TSE FISE2 5
Différents types de problèmes
• Les , , possèdent toutes la même
loi et sont indépendantes (N-échantillon voir T.24) :
– Trouver (approcher, estimer) les paramètres de cette
loi : moyenne, variance, kurtosis, …
– Estimation ponctuelle ou par intervalle de confiance.
• Des spécificités à prendre en compte dans le
contexte des signaux (stationnarité, ergodicité,
corrélations, …).
• et si les grandeurs à estimer possèdent aussi une
loi de probabilité (loi a priori) : Estimation
bayésienne TSE FISE2 6
Différents types de problèmes
• Etudier la relation entre et un autre N-
échantillon :
– Modèle de régression : .
– Détection / Classification :
– Dans les 2 cas, trouver / estimer les paramètres
de .
– La droite de régression (ou régression linéaire)
est un exemple.
TSE FISE2 7
Définitions
Estimation - Estimateur
• Soit une réalisation . On notera
le vecteur aléatoire dont une réalisation
est . représente la « vraie » valeur d’un paramètre
(ou d’un ensemble de paramètres) qui est inconnue.
– Une estimation de , notée est une fonction
mesurable des observations
TSE FISE2 8
Définitions
Estimation - Estimateur
• distinction entre une estimation « globale » et une
estimation « adaptative » d’une valeur :
– Méthode « globale » : prise en compte de l’intégralité du
signal.
– Méthode « adaptative » : mise à jour de l’estimation des
paramètres, calculés à partir des réalisations aux instants
m < n, en prenant en compte la réalisation à l’instant n :
• Algorithmes adaptatifs (LMS ou gradient stochastique, RLS, …),
• Filtre de Kalman,
• Filtres particulaires ou méthodes de Monte-Carlo séquentielles,
• …
TSE FISE2 9
Quelques remarques
• Dans la pratique, on travaille toujours avec un nombre fini
d’échantillons.
TSE FISE2 10
Quelques remarques
• Il n’est pas possible d’estimer une grandeur statistique à l’aide d’un
seul échantillon. Il faut un minimum de valeurs.
TSE FISE2 11
Exemple
• Estimation de la valeur d’une résistance à partir de N mesures bruitées
de l’intensité et de la tension à ses bornes.
TSE FISE2 12
Estimation de grandeurs
statistiques
• L’estimation de
TSE FISE2 13
Estimation de grandeurs
statistiques
• Estimation de la moyenne :
TSE FISE2 14
Estimation de grandeurs
statistiques
• Quand N est « faible » (mais N > 3 tout de
même)
D’où sortent ces
Variance termes qui
dépendent de N ?
Skewness
Kurtosis
TSE FISE2 15
Estimation de grandeurs
statistiques
• De manière plus générale (si le s.a.
possèdent de « bonnes » propriétés et que l’on dispose de
suffisamment d’échantillons) :
L’estimation de
TSE FISE2 16
Estimation de grandeurs
statistiques
• Estimation de la fonction d’autocorrélation :
avec ,
A éviter pour
Mais aussi OK pour
TSE FISE2 18
Estimation non paramétrique
Densité spectrale de Puissance
• Périodogramme ( réalisation
finie d’un s.a. S.S.L.) :
avec
( T.F.D. de x).
Il existe de nombreux autres estimateurs
(voir partie 4.4 cours « Signaux aléatoires »).
Lequel choisir ?
TSE FISE2 19