UNIVERSITÉ SAAD DAHLAB BLIDA-1

FACULTE DE TECHNOLOGIE
DÉPARTEMENT DES ÉNERGIES RENOUVELABLES

TP N°6 (15)
METHODE DU MAXIMUM DE
VRAISEMBLANCE

Module :

Méthode numérique

Nom et prénom :

DJATOU ABDELHAK

Spécialité :
CONVERSION THERMIQUE

Année universitaire
2020/2021
Introduction :
Dans ce TP nous ferons une étude sur la méthode du maximum de vraisemblance
pour résolution le problème à une seul variable avec deux coefficients non
linaire.
Bien sûr nous prenons les exemples pour connue comment faire et métrisé ça, et
pour réaliser tout ça on doit utiliser un logiciel qui s'appelle «MATLAB».
Méthode du Maximum de Vraisemblance :
En statistique, l'estimateur du maximum de vraisemblance est un estimateur
statistique utilisé pour inférer les paramètres de la loi de probabilité d'un
échantillon donné en recherchant les valeurs des paramètres maximisant
la fonction de vraisemblance.
Cette méthode a été développée par le statisticien Ronald Aylmer Fisher en 1922.
Le critère d'efficacité permet de comparer des estimateurs. On peut aussi s'en servir
pour construire un estimateur. Soit X une variable aléatoire de densité de
probabilité f(x,θ) connue analytiquement mais dont l'un des paramètres θ est
inconnu (numériquement).
Le problème consiste donc à construire une expression analytique fonction des
réalisations de cette variable dans un échantillon de taille n, permettant de trouver
la valeur numérique la plus vraisemblable pour le paramètre θ.
Si {x1, x2, …, xn} sont des réalisations indépendantes de la variable aléatoire.
On peut dire que :
𝑥𝑥1 𝑋𝑋1
𝑥𝑥⃑ = � ⋮ � est une réalisation d'un vecteur aléatoire 𝑋𝑋⃑ = � ⋮ �
𝑥𝑥𝑛𝑛 𝑋𝑋𝑛𝑛
Talque x : échantillon ; X : le modèle
Dont les composantes Xi sont indépendantes deux à deux.
L'approche retenue consiste à chercher la valeur de θ qui rend le plus probable les
réalisations que l'on vient d'obtenir. La probabilité d'apparition a priori de
l'échantillon en question peut alors être caractérisée par le produit des probabilités
d'apparition de chacune des réalisations (puisque celles-ci sont supposées
indépendantes deux à deux). Soit :
𝑛𝑛

𝑝𝑝�𝑋𝑋⃑ = 𝑥𝑥⃑� = � 𝑓𝑓(𝑥𝑥𝑖𝑖 , 𝜃𝜃)

𝑖𝑖=1
La méthode du maximum de vraisemblance consiste à rechercher la valeur de θ
qui rend cette probabilité maximale. Comme nous l'avons vu plus haut, le produit
des valeurs f (xi,θ) est aussi noté L(x1, x2, …, xn,θ) et appelé fonction de
vraisemblance.
La valeur 𝜃𝜃� qui rend maximum la fonction de vraisemblance L est donc la solution
de :
𝜕𝜕 ln(𝐿𝐿) 𝜕𝜕² ln(𝐿𝐿)
= 0 𝑒𝑒𝑒𝑒 <0
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕²
L'emploi du logarithme sur la fonction L permet de passer de la maximisation d'un
produit à celle d'une somme, le résultat restant le même car la fonction logarithme
est monotone strictement croissante.

Théorème
S’il existe un estimateur efficace sans biais, il sera donné par la
méthode du maximum de vraisemblance.

Méthode de newton :
La méthode de Newton (également connue sous le nom de La méthode de
Newton-Raphson «NR») est un moyen de trouver rapidement une bonne
approximation pour la racine d'une fonction à valeur réelle f(x)=0. Il utilise l'idée
qu'une fonction continue et différentiable peut être approchée par une ligne droite
tangente à elle.
L’utilisation :
Supposons que vous avez besoin de trouver la racine d'une fonction «f(x)»
continue et différentiable et que vous sachiez que la racine que vous recherchez
est proche du point «x = x0».
Ensuite, la méthode de Newton nous dit qu'une meilleure approximation pour la
racine est :
𝑓𝑓(𝑥𝑥0 )
𝑥𝑥1 = 𝑥𝑥0 −
𝑓𝑓′(𝑥𝑥0 )
Ce processus peut être répété autant de fois que nécessaire pour obtenir la
précision souhaitée. En général, pour toute valeur de x à xn , la valeur suivante est
donnée par :
𝑓𝑓(𝑥𝑥𝑛𝑛 )
𝑥𝑥𝑛𝑛+1 = 𝑥𝑥𝑛𝑛 −
𝑓𝑓′(𝑥𝑥𝑛𝑛 )
Le principe de cette équation :
Par développement limité « DL » de série du Taylor on a :
∆𝑥𝑥²
𝑓𝑓(𝑥𝑥 + ∆𝑥𝑥 ) = 𝑓𝑓(𝑥𝑥 ) + 𝑓𝑓 ′ (𝑥𝑥 )∆𝑥𝑥 + 𝑓𝑓 ′′ (𝑥𝑥 ) +⋯
2!
Avec ∆𝑥𝑥 2 ≪≪ ∆𝑥𝑥 très petit Donc :
𝑓𝑓(𝑥𝑥 + ∆𝑥𝑥 ) = 𝑓𝑓(𝑥𝑥 ) + 𝑓𝑓 ′ (𝑥𝑥 )∆𝑥𝑥
𝑓𝑓(𝑥𝑥+∆𝑥𝑥)−𝑓𝑓(𝑥𝑥)
∆𝑥𝑥 = ……….(*)
𝑓𝑓 ′ (𝑥𝑥)

Problématique : résolution d’équation f(x)=0 ;

Si (𝑥𝑥 + ∆𝑥𝑥) est la solution ⇒ f (𝑥𝑥 + ∆𝑥𝑥)=0

On substitue sur (*) :

𝑓𝑓(𝑥𝑥 )
∆𝑥𝑥 = − = 𝑥𝑥𝑛𝑛+1 − 𝑥𝑥𝑛𝑛
𝑓𝑓 ′ (𝑥𝑥 )
𝑓𝑓(𝑥𝑥𝑛𝑛 )
⇒ 𝑥𝑥𝑛𝑛+1 = 𝑥𝑥𝑛𝑛 −
𝑓𝑓′(𝑥𝑥𝑛𝑛 )
La Méthode des Moindres Carrés (MMC) :
La méthode des moindres carrés, indépendamment élaborée
par Legendre et Gauss au début du XIXe siècle, permet de comparer des données
expérimentales, généralement entachées d’erreurs de mesure, à un modèle
mathématique censé décrire ces données.
Ce modèle peut prendre diverses formes. Il peut s’agir de lois de
conservation que les quantités mesurées doivent respecter. La méthode des
moindres carrés permet alors de minimiser l’impact des erreurs expérimentales
en « ajoutant de l’information » dans le processus de mesure.
Principe de MMC :
-Passer le plus près possible de l’ensemble des points.
-observer le nuage et proposé un modèle.
-ajustement (trouver les coefficients du modèle)
-mesurer la précision (coefficient de corrélation R où 0<R<1)
R>0.7 ⟹ le modèle est OK.
R<0.7 ⟹ retrouvé un autre modèle.
Algorithme de la Méthode du Newton :
La méthode consiste en :
- Choisir une tolérance ε.
- Choisir un vecteur initial des variables non linéaires.
- Calculer les valeurs théoriques du modèle.
- Construire la fonction à minimiser :
- Calculer sa dérivée.
- Calculer le nouveau vecteur des estimés
- Vérifier que l’écart est inférieur ε.
- Sinon recommencer.
 Organigramme d’exemple (2)
(Méthode de maximum de vraisemblance)
Début

y = f (x, λ, β)
Donné : x, y et l’estimation de l’équation du graph
y=f(x) et des paramètres non linaire (λ, β ...)

Calcule le dérivé Calcule les

𝛿𝛿𝛿𝛿 coefficients
𝛽𝛽̂ (λ) = (𝛽𝛽̂ (λ),𝜆𝜆̂(𝛽𝛽)…)
𝛿𝛿𝛿𝛿
𝑒𝑒𝑒𝑒
Calcule la fonction
𝛿𝛿𝛿𝛿 R=𝛽𝛽̂ − 𝛽𝛽
𝜆𝜆̂(𝛽𝛽) =
𝛿𝛿𝛿𝛿

Non
|R|<1e-3
Oui

Affiché
Les nouvelles valeurs de y = f (x) sur un
graph

End
 Organigramme d’exemple (2)
(Méthode de newton ajusté)
Début

y = f (x, λ, β)
Donné : 10 valeur de x, y et l’estimation de
l’équation du graph y=f(x) et des paramètres non
linaire (λ, β ...)

Calcule les
coefficients
(a,…)

Calcule la fonction
𝑦𝑦�=f(x) ; R=y−𝑦𝑦�

Calcule le dérivé
𝛿𝛿𝛿𝛿 𝛿𝛿𝛿𝛿
𝑔𝑔 = 𝑒𝑒𝑒𝑒 𝑗𝑗 =
𝛿𝛿𝛿𝛿 𝛿𝛿𝛿𝛿

𝛽𝛽=𝛽𝛽-𝑔𝑔\R
𝜆𝜆=𝜆𝜆-𝑗𝑗\R

Non
|R|<1e-3
Oui

Affiché
Les valeurs de y = f(x) sur un graph

End
Exemple (1) :
Soit X une loi normale N (m,σ). L'objectif est de construire un estimateur de m et
un estimateur de σ, étant donné un échantillon de réalisation 𝑥𝑥⃑=(x1, x2, …, xn).
Pour cela, on part de la fonction de vraisemblance de cet échantillon :
𝑛𝑛
1 1 𝑥𝑥 −𝑚𝑚 2
−2� 𝑖𝑖 σ �
𝐿𝐿(𝑥𝑥⃑, 𝑚𝑚, σ) = � 𝑒𝑒
𝑖𝑖=1
σ√2𝜋𝜋
𝑛𝑛 𝑛𝑛
1 1 𝑥𝑥 −𝑚𝑚 2
−2� 𝑖𝑖 σ �
𝐿𝐿(𝑥𝑥⃑, 𝑚𝑚, σ) = � � � 𝑒𝑒
σ√2𝜋𝜋 𝑖𝑖=1
𝑛𝑛
11 𝑥𝑥𝑖𝑖 − 𝑚𝑚 2
ln�𝐿𝐿(𝑥𝑥⃑, 𝑚𝑚, σ)� = 𝑛𝑛 ln � �− �� �
σ√2𝜋𝜋 2 σ
𝑖𝑖=1

Les estimés de m et σ sont solution de :

𝑛𝑛 𝑛𝑛
𝜕𝜕ln(𝐿𝐿) 𝑥𝑥𝑖𝑖 − 𝑚𝑚 1
=0 ⟹ �� �=0 ⟹ 𝑚𝑚
� = � 𝑥𝑥𝑖𝑖
𝜕𝜕𝜕𝜕 σ 𝑛𝑛
𝑖𝑖=1 𝑖𝑖=1
𝑛𝑛 𝑛𝑛
𝜕𝜕ln(𝐿𝐿) 𝑛𝑛 1 1
=0 ⟹ − + 3 �(𝑥𝑥𝑖𝑖 − 𝑚𝑚)² = 0 ⟹ σ2 = �(𝑥𝑥𝑖𝑖 − 𝑚𝑚)²
𝜕𝜕σ σ σ 𝑛𝑛
𝑖𝑖=1 𝑖𝑖=1

La moyenne arithmétique est l'estimateur le plus efficace de l'espérance

mathématique dans le cas de la loi normale. On trouve le biais de cet estimateur :
𝑛𝑛
1
� = � 𝑋𝑋𝑖𝑖
𝑚𝑚
𝑛𝑛
𝑖𝑖=1

Où Xi est une variable aléatoire N (m,σ) :

𝑛𝑛 𝑛𝑛
1 1
𝐸𝐸 (𝑚𝑚
� ) = 𝐸𝐸 � � 𝑋𝑋𝑖𝑖 � = � 𝐸𝐸(𝑋𝑋𝑖𝑖 ) = 𝑚𝑚
𝑛𝑛 𝑛𝑛
𝑖𝑖=1 𝑖𝑖=1

La propriété de linéarité de l'opérateur espérance mathématique. L'estimateur est

donc sans biais.
Exemple (2) :
Dans cet exemple ont comparé avec la méthode de newton ajusté avec la méthode
vraisemblance, on utilise cette équation : Note :
𝛽𝛽 𝑥𝑥 𝛽𝛽−1 −�𝑥𝑥�𝛽𝛽 Cette équation « y » représente
𝑦𝑦 = . � � . 𝑒𝑒 𝜆𝜆 distribution de Wei-bull.
𝜆𝜆 𝜆𝜆 𝑦𝑦 ∈ [0,1] 𝑥𝑥 ∈ [0, ∞]

Exemple d’utilisation :
1 application :
er 𝛽𝛽: Représente facteur de forme « k ».
� Dans domaine d’éolienne (PER)
𝜆𝜆: Représente facteur d’échelle « C ».
On prendre : C’est pour ça il divisé des valeurs « y » sur 100 dans leur correction pour
avoir le pourcentage entre 0 et 1.
𝛽𝛽 𝑥𝑥 𝛽𝛽
𝛽𝛽−1 −�𝜆𝜆 �
𝛽𝛽 𝛽𝛽−1 −�𝑥𝑥�𝛽𝛽
𝑦𝑦 = . 𝑥𝑥 . 𝑒𝑒 = 𝛽𝛽 . 𝑥𝑥 . 𝑒𝑒 𝜆𝜆
𝜆𝜆. 𝜆𝜆𝛽𝛽−1 𝜆𝜆
𝛽𝛽
a = 𝛽𝛽 𝑥𝑥 ∈ [0: 20]
𝜆𝜆

Ensuite ploté le graphe 𝑦𝑦(𝑥𝑥) est prendre 10 valeur sur ce graphe de 𝒙𝒙 𝒆𝒆𝒆𝒆 𝒚𝒚 pour chercher
les coefficients a, 𝛽𝛽 𝑒𝑒𝑒𝑒 𝜆𝜆 de l’équation ce qui nous avons pensé qu’il pourrait être la
solution :
𝑥𝑥 𝛽𝛽
𝛽𝛽−1 −� �
𝑦𝑦 = 𝑎𝑎 × 𝑥𝑥 × 𝑒𝑒 𝜆𝜆
Je sais que nous avons utilisé cette équation pour dessiner ce graph. Mais le but est de
trouver des équations adaptées aux graphiques que nous essayons de traiter par des défirent
méthodes comme la méthode que nous allons travailler « la méthode de newton ajusté ».
On sépare y à X1 et X2 tel que :
𝑥𝑥 𝛽𝛽
−� �
𝑋𝑋1 = 𝑥𝑥 𝛽𝛽−1 ; 𝑋𝑋2 = 𝑒𝑒 𝜆𝜆
𝑋𝑋 = 𝑋𝑋1 × 𝑋𝑋2
𝑦𝑦 = 𝑎𝑎 × 𝑋𝑋
On trouve 𝑎𝑎 : 𝛼𝛼 = 𝑎𝑎 = 𝑦𝑦\𝑋𝑋
On calcule 𝑦𝑦� : 𝑦𝑦� = 𝑎𝑎 × 𝑋𝑋
On calcule l’erreur : f = 𝑦𝑦� − y
On calcule la dérivée de X par rapport 𝛽𝛽 :
dX 𝛽𝛽−1
𝑥𝑥 𝛽𝛽
−� � 𝑥𝑥 𝑥𝑥 𝛽𝛽 −�𝑥𝑥�𝛽𝛽 𝛽𝛽−1
𝑋𝑋𝑝𝑝1 = = 𝑎𝑎 �ln(𝑥𝑥) . 𝑥𝑥 . 𝑒𝑒 𝜆𝜆 − ln � � . � � . 𝑒𝑒 𝜆𝜆 . 𝑥𝑥 �
d𝛽𝛽 𝜆𝜆 𝜆𝜆
On calcule la dérivée de X par rapport 𝛽𝛽 :
dX 𝛽𝛽−1
𝑥𝑥 𝛽𝛽
𝛽𝛽 −𝛽𝛽−1 −�𝜆𝜆 �
𝑋𝑋𝑝𝑝2 = = 𝑎𝑎. 𝑥𝑥 �𝛽𝛽. 𝑥𝑥 . 𝜆𝜆 . 𝑒𝑒 �
d𝜆𝜆
𝑋𝑋𝑋𝑋 = [𝑋𝑋𝑝𝑝1 𝑋𝑋𝑝𝑝2 ]
On calcule 𝛽𝛽 𝑒𝑒𝑒𝑒 𝜆𝜆:
𝛽𝛽 = 𝛽𝛽 − Xp\f

𝜆𝜆 = 𝜆𝜆 − Xp\f
−3
Et on refait jusqu’à l’erreur f < 10 .
Le programme :
clear all
close all
clc
% On déclarer les coefficients et les variables x0,y0 par modèle proposé.
bit=1.6;
lam=6;
x0=0:0.1:20;
xl=x0/lam;
y0=(bit/(lam)*xl.^(bit-1).*exp(-xl.^bit))';
% On dessinons le graphe y(x).
plot(x0,y0);grid on
% prendre 10 valeur sur ce graphe de x et y.
[x,y]=ginput(10);
% déclarer i pour limité l'itération et f
pour on peut entré dans la boucle.
f=1;i=0;
%clear x0 y0 ... %comme vous voulez
while f>10^-3
% On sépare y à X1 et X2
X1=x.^(bit-1);
X2=exp(-(x./lam).^bit);
X=X1.*X2;
% On trouve coefficients a Fig. 1 : représentation graphique de la
a=X\y; variation de ‘y0’ en fonction de ‘x0’ et
% On calcule y estimé choisir les point (x, y) dans ce graphe.
ye=a.*X;
% On calcule l’erreur
f=(ye-y); %ff=norm(f); pour la valeur soit positive
% On calcule la dérivée de X par rapport 'bit'.
Xp1=a.*(x.^(bit-1).*log(x).*X2-x.^(bit-1).*log(x./lam).*(x./lam).^bit.*X2);
% On calcule la dérivée de X par
rapport 'lamda'.
Xp2=a.*X1.*bit.*x.^bit.*lam.^(-
bit-1).*X2;
Xp=[Xp1 Xp2];
% On calcule 'bit'.
bit=bit-Xp1\f;
lam=lam-Xp2\f;
% la boucle arrête quand i devin
supérieur à 20.
if i>20
break
end
i=i+1;
end

% Mettre le pas petit pour le Fig. 2 : représentation graphique du nuage des

graph devin liesse
points par méthode du newton ajusté exprime
x0=0:0.1:20;
y1=a*x0.^(bit-1).*exp(-(x0./lam).^bit); la variation de ’y1’ en fonction de ‘x0’
% on affiche notre graphe
figure(1);plot(x,y,'*',x0,y1);grid on
xlabel('x') >> x >> y >> lam >> bit
ylabel('y') x= y= lam = bit =
legend('y = f (x)','y1 = f (xo)') 0.2995 0.0411 5.9950 1.5992
0.7604 0.0763
Test : 1.6820 0.1111
3.2949 0.1267
5.7373 0.1013 𝜆𝜆 ≈ 6 𝛽𝛽 ≈ 1.6
7.3502 0.0755
𝟏𝟏.𝟓𝟓𝟓𝟓𝟓𝟓𝟓𝟓
−�
𝒙𝒙
� 9.1014 0.0501
𝟎𝟎.𝟓𝟓𝟓𝟓𝟓𝟓𝟓𝟓
𝒚𝒚 = 𝟎𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 × 𝒙𝒙 . 𝒆𝒆 𝟓𝟓.𝟗𝟗𝟗𝟗𝟗𝟗 11.1290 0.0260
14.0323 0.0096
16.8433 0.0031
2ème application :
𝑛𝑛 𝑛𝑛
𝛽𝛽 𝑥𝑥 𝛽𝛽−1 𝑥𝑥 𝛽𝛽
−� �
𝐿𝐿(𝑥𝑥⃑ , 𝛽𝛽, 𝜆𝜆) = � 𝑓𝑓(𝑥𝑥⃑ , 𝛽𝛽, 𝜆𝜆) = � . � � . 𝑒𝑒 𝜆𝜆
𝜆𝜆 𝜆𝜆
𝑖𝑖=1 𝑖𝑖=1
𝑛𝑛
𝛽𝛽 𝑛𝑛 𝑥𝑥 𝛽𝛽−1 −�𝑥𝑥�𝛽𝛽
𝐿𝐿(𝑥𝑥⃑, 𝛽𝛽, 𝜆𝜆) = � � � � � . 𝑒𝑒 𝜆𝜆
𝜆𝜆 𝜆𝜆
𝑖𝑖=1
𝑛𝑛 𝑛𝑛
𝛽𝛽 𝑥𝑥𝑖𝑖 𝑥𝑥𝑖𝑖 𝛽𝛽
𝑙𝑙𝑙𝑙�𝐿𝐿(𝑥𝑥⃑, 𝛽𝛽, 𝜆𝜆)� = 𝑛𝑛 𝑙𝑙𝑙𝑙 � � − (𝛽𝛽 − 1) � 𝑙𝑙𝑙𝑙 � � − � � �
𝜆𝜆 𝜆𝜆 𝜆𝜆
𝑖𝑖=1 𝑖𝑖=1
Les estimés de β et λ sont solutions de :
𝑛𝑛
𝜕𝜕 𝑙𝑙𝑙𝑙(𝐿𝐿) 𝛽𝛽 𝛽𝛽 𝑥𝑥𝑖𝑖 𝛽𝛽
=0 ⟹ −𝑛𝑛 + � � � = 0
𝜕𝜕𝜕𝜕 𝜆𝜆 𝜆𝜆 𝜆𝜆
𝑖𝑖=1
𝑛𝑛
1
⟹ 𝜆𝜆𝛽𝛽 = � 𝑥𝑥𝑖𝑖 𝛽𝛽
𝑛𝑛
𝑖𝑖=1

𝑛𝑛 𝑛𝑛 𝑛𝑛
𝜕𝜕 𝑙𝑙𝑙𝑙(𝐿𝐿) 𝑛𝑛 𝑥𝑥𝑖𝑖 𝛽𝛽 𝑥𝑥𝑖𝑖 𝛽𝛽
= 0 ⟹ − 𝑛𝑛 𝑙𝑙𝑙𝑙(𝜆𝜆) + � 𝑙𝑙𝑙𝑙(𝑥𝑥𝑖𝑖 ) − � � � 𝑙𝑙𝑙𝑙(𝑥𝑥𝑖𝑖 ) + � � � 𝑙𝑙𝑙𝑙(𝜆𝜆) = 0
𝜕𝜕𝜕𝜕 𝛽𝛽 𝜆𝜆 𝜆𝜆
𝑖𝑖=1 𝑖𝑖=1 𝑖𝑖=1

𝑛𝑛 𝑛𝑛
1 1 1
⟹ = � 𝛽𝛽 � 𝑥𝑥𝑖𝑖 𝛽𝛽 𝑙𝑙𝑙𝑙(𝑥𝑥𝑖𝑖 ) + � 𝑙𝑙𝑙𝑙(𝑥𝑥𝑖𝑖 )�
𝛽𝛽 𝑛𝑛 𝜆𝜆
𝑖𝑖=1 𝑖𝑖=1

Puis que 𝛽𝛽(λ) et λ(𝛽𝛽) donc :

-on initialise 𝛽𝛽 = 1.6 ;
-ensuit trouvé λ ;
-résoudre 𝛽𝛽 = 𝛽𝛽(λ).
Le programme :
clear all
close all
clc
% On déclarer les coefficients et les variables x0,y0 par modèle proposé pour
schématiser le graph de y=f(x).
bit=1.6;
lam=6;
x0=0:0.1:20;
xl=x0/lam;
y0=(bit/(lam)*xl.^(bit-1).*exp(-xl.^bit))';
% On dessinons le graphe y(x).
plot(x0,y0);grid on
% prendre 10 valeur sur ce graphe de x et y.
[x,y]=ginput(10);
% déclarer i pour limité l'itération et f pour
on peut entré dans la boucle et n pour calcule
la moyenne
f=1;i=0;
n=length(x);
%clear x0 y0 a %comme vous voulez
while f>1e-3 %choisr épcilen jusqu'a tu
trouve la valeur favorable
% On calcule y à X.
X=sum(x.^bit)/n; Fig. 3 : représentation graphique de la
a=(sum(log(x).*x.^bit)-sum(log(x)))/(X*n); variation de ‘y0’ en fonction de ‘x0’ et
%a=(sum(log(x).*x.^bit-log(x)))/X; choisir les point (x, y) dans ce graphe.
% On calcule bita estimé
bite=1/a;
% On calcule l’erreur
f=abs(bit-bite);
bit=(bit+bite)/2;
% la boucle arrête quand i
devin supérieur à 100.
if i>100
break
end
i=i+1;
end
% pour affiché les valeur.
f=f
bit=1/bit
i=i
lam=X^(bit)
% Mettre le pas petit pour le
graph devin liesse Fig. 4 : représentation graphique du nuage
x0=0:0.1:20;
y1=(bit/lam).*xl.^(bit-1).*exp(-xl.^bit); des points par méthode du maximum de
% on affiche notre graphe vraisemblance exprime la variation de ’y1’ en
figure(1);plot(x,y,'*',x0,y1);grid on fonction de ‘x0’
xlabel('x0')
ylabel('y0')
legend('y = f (x)','y1 = f (xo)')
Test : >> x >> y >> lam >> bit
x= y= lam = bit =
0.1152 0.0235 5.0796 1.5574
0.6221 0.0669
1.3594 0.1001
2.5576 0.1238
4.4470 0.1189
6.1060 0.0972 𝜆𝜆 ≈ 6 𝛽𝛽 ≈ 1.6
7.7189 0.0698
9.1475 0.0497
12.0046 0.0182
15.2765 0.0039
Conclusion :
Méthode du Newton Rafeson ajuster par La méthode des moindres carrés (MMC)
c’est une méthode très fiable pour l'analyse des graphes et pour réalisation des
équations soit linaire ou non linaire, elle est très simples, et beaucoup pratique,
une méthode qui donne des résultats précisés.
Dans notre domaine ENERGIE RENOUVELABLES on utilise cette méthode
dans plusieurs cas, par exemples l’étude des graphes des variations de
l’éclairement obtenue dans la journée, un autre exemple les mesure de la
variation de la température des fluides dans les capteurs plans... il existe plusieurs
cas.
On utilise cette méthode dans les cas où on aurons des graphes sous forme de
nuage des point , et à l’aide de cette méthode on peut estimer un peu pris la
forme de cet graphe pour le tracer de manière continue ,et pour la réaliser on doit
passer par des étapes on doit premièrement observer le nuage des point, en suite
on propose un modèle soit linaire ou non linaire , après on doit ajuster ainsi on
trouvons les coefficients de modèle, en suite on doit mesurer la précision par
calculer le coefficient de corrélation, qui vas affirmer la précisons de modèle
proposé ou on donne l’erreur ensuite, nous obtenons le nombre des itérations.
Mais la méthode du maximum de vraisemblance n’est pas valide pour faire certains
équation comme notre exemple il y a beaucoup l’erreur bien que nous ayons obtenu
de bons résultats mais ça marche pas pour représenter des graphes, par conséquent
la méthode newton ajusté c’est très fiable.