Compensations avancées Tayeb TACHALLAIT

CHAPITRE 1 : RAPPEL

1.1. DEFINITION DU PROBLEME DE COMPENSATION

En général, toute expérience se traduit par des relations mathématiques (géométrique ou
physique), présentés par un système d’équations :

(̂
̅ ̅̂ ) Modèle mathématique

X, L : ensemble de variables aléatoires liées par les fonctions F

( ) : Variables mesurables (données, observations, observables, mesures, …etc.)

( ): Variables inconnues (paramètres).

r = nombre d’équations dans le modèle mathématique F.

n = nombre d’observations dans le vecteur L.

u = nombre de paramètres dans le vecteur X.

Exemple : Définition de la forme d’un triangle.

 Qu’est ce qui définit la forme d’un triangle : les angles ? Ou les côtés ?
 Quel est le nombre de variables qui définissent la forme d’un triangle ?

Un triangle est définit au minimum par trois paramètres :

 La forme : définit par deux angles

 L’échelle : par la longueur d’un coté

Pour notre cas de la forme :

= nombre minimum de variables distinctes, indépendantes nécessaires à la solution du

problème ( = 2) ; Il suffit de mesurer (α, β) ou (α, γ) ou (β, γ).

n = nombre de variables indépendantes mesurées.

 Si n = → solution unique du modèle mathématique.

 Si n ‹ → pas de solution.
 Si n › → surabondance, solutions multiples → solution unique donnée par le
principe des moindres carrés.

υ=n– = r – u (cas général)→ degré de liberté (degré de surabondance).

si υ › → surabondance → compensation existe.

Page 1
 Compensations avancées Tayeb TACHALLAIT

Ex : Trouver le degré de liberté et le nombre d’équations du modèle mathématique définissant

la forme d’un triangle dans les cas suivants :

1- On mesure (α, β)
- n=2
- = 2
- u = 1 → paramètre γ
- υ = n – = 2 – 2 = 0 → solution unique : pas de compensation.
- υ=r–u→r=υ+u=0+1=1
 Modèle mathématique constitué d’une équation :
α + β + γ – 180° = 0

2- On mesure (α1, α2, β)

- n=3
- = 2
- u = 1 → paramètre γ
- υ = n – = 3 – 2 = 1 › → surabondance → compensation existe.
- υ=r–u→r=υ+u=1+1=2
 Modèle mathématique constitué de 2 équations :
α1 + β + γ – 180° = 0
α2 + β + γ – 180° = 0

3- On mesure (α1, α2, β1, β2, γ)

- n=5
- = 2
- u = 0 → pas de paramètre.
- υ = n – = 5 – 2 = 3 › → surabondance → compensation existe.
- υ=r–u→r=υ+u=3+0=3
 Modèle mathématique constitué de 3 équations :
α1 + β1 + γ – 180° = 0 (1)
α1 + β2 + γ – 180° = 0 (2) Equations indépendantes (équations de condition)
α2 + β1 + γ – 180° = 0 (3)

α2 + β2 + γ – 180° = 0 (4) Equation dépendante

(4) = (1) + (2) – (3)

4- On mesure (α1, α2, β1, β2, γ). On demande, en plus de la forme du triangle, de déterminer
l’angle θ (l’oriontation).
- n=5
- = 2
- u = 1 → paramètre θ à déterminer.
- υ = n – = 5 – 2 = 3 › → surabondance → compensation existe.
- υ=r–u→r=υ+u=3+1=4

Page 2
 Compensations avancées Tayeb TACHALLAIT

 Modèle mathématique constitué de 4 équations :

θ + α1 – 90° = 0 (1)
θ + α2 – 90° = 0 (2)
β1 + γ – θ – 90° = 0 (3)
β2 + γ – θ – 90° = 0 (4)

Remarque :
On peut éliminer le paramètre θ par substitution et ainsi on retrouve le modèle du cas
précédent à 3 équations.

1.1.1. Méthodes de compensation : cas limites

1er cas : u = et r = n

- r = n– +u =n
- ̂̅ = ( ̅
̂ ) Méthode de variation des paramètres = méthode des équations
d’observations.

2ème cas : u = 0 et r = υ

- r = n– +u =υ
- ( ̂̅ ) = C Méthode des conditions

3ème cas : 0 < u <

- r = υ+u
- (̂̅ ̂̅ ) = 0 Méthode générale

Remarques :

1. Le nombre maximum de paramètres qu’on peut introduire dans un problème de

compensation est u = .

- Si u › alors r › n → pas de solution.

2. Le modèle mathématique dans un problème de compensation doit toujours satisfaire les

conditions suivantes :

0 u υ r

1.1.2. Principe de la compensation

La compensation consiste à définir un estimé ̂̅ pour ̅ qui satisfait le modèle

mathématique (qui donne la solution unique du modèle mathématique) :

Page 3
 Compensations avancées Tayeb TACHALLAIT

̂ ̂̅ ) = 0 ; avec :
(̅

̂ = ̅
̅ ̂ et ̂̅ = ̅ + ̂

̂ : Vecteur des accroissements à ajouter aux valeurs approchées des paramètres

̂ : Vecteur des accroissements à ajouter aux observations (résiduelles)

̅ : Valeurs approchées des paramètres

̅ : Observations effectuées

 (̅̂ ̂̅ ) = ( ̅ ̂, ̅ + ̂)=0 Méthode générale

 (̂̅ ) = ̂̅ ̅ + ̂ Méthode de variation des paramètres
 ( ̂̅ ) = C = ( ̅ + ̂ ) Méthode des conditions

La compensation s’appuie sur le principe des moindres carrés, qui consiste à minimiser la
fonction Ф = ̂ P ̂ (principe, critère, condition des moindres carrés).

P : Matrice des poids des observations ̅ ; P= ∑̅

 Modèle linéaire :

Le modèle mathématique de base est en général non linéaire, d’où la nécessité de sa

linéarisation en utilisant le développement en série de Taylor.

1) Cas général :

̂ ̂̅ ) = 0 =
(̅ (̅ , ̅ ) + ̂
(̅ ̅ ) + ( ̂̅ ̅ )+…

W A ̂ B ̂

Modèle linéaire : (
̂
) ( )+ (
̂
) ( ) + ( ) = ( )

 A= /̅ ̅ Matrice des coefficients des paramètres (r, u).

 B= /̅ ̅ Matrice des coefficients des observations (r, n).

 W= ( ̅ , ̅ ) Vecteur des corrections (r, 1).

Page 4
 Compensations avancées Tayeb TACHALLAIT

2) Cas variation des paramètres :

(̂
̅ ) =̂
̅ >>> ̂– ̂ + = 0 >>> ̂ = ̂+ ; B =

Méthode des conditions

( ̂̅ ) = C >>> B̂ + =0 ; A=0

Procédure à suivre dans un problème de compensation :

1. Identifier les variables du problème ( ̅̂ et ̅̂ ), paramètres et observations : déterminer les

dimensions u et n.
2. Vérifier la validité des observations en éliminant toutes les erreurs systématiques, et
définir la matrice des poids des observations : P= ∑ .
3. Vérifier la surabondance des observations (υ › ).
4. Formuler le modèle mathématique : déterminer (r = υ + u).
5. Linéarisation du modèle mathématique (calculer A, B et W).
6. Solution du problème par moindres carrés (déterminer ̂ ̂ )
7. Evaluation statistique des estimés, par calcul des matrices cofacteurs (précision)
̂ ̂

Principe des moindres carrés :

Consiste à minimiser la fonction ̂ P ̂ tout en satisfaisant le modèle mathématique :

(̂
̅ ̅̂ ) = ̂ + ̂ + =0

Mathématiquement, c’est le problème de la recherche du minimum (extremum) d’une

fonction assujettie à une contrainte donnée. Ce problème est solutionné par la méthode des
coefficients de Lagrange, où l’on recherche le minimum de la fonction :

Ф = ̂ P ̂ – 2̂ ( ̂ + ̂ + )

̂( ): Vecteur des coefficients de Lagrange

 Equations normales :
T
̂ P ̂ B=0
̂
=0
̂ A=0

̂
=0 ̂ + ̂ + =0

̂ + ̂ + =0

Page 5
 Compensations avancées Tayeb TACHALLAIT

( )
P̂ ̂=0
P̂ ̂ =0
̂=0
̂ =0 ̂ ← ̂ + ̂ + =0
[ ] [̂ ] [ ]=0
̂ + B̂ + =̂0

̂
[ ] [̂ ] [ ]=0 Système des équations normales
̂

̃ ̃ ̃

 ̃= ̃ ̃

La solution des équations normales consiste à trouver : ̂, ̂ et ̂.

Solution par méthode d’élimination :

̂= ( A) W= U

M=B

̂= ( ̂ + )

̂= ̂ = ( ̂ + )

̂ =̅
̅ ̂

̅̂ = ̅ + ̂

Détermination de ̂ ̂ ̂

̂
[ ] [̂ ] [ ] est assimilée à une matrice :
̂

* +* ++* + * + (1 avec :
)(2
)
(1 x+ y+ =0 y=( )
)
(2 x+ y+ =0 x+ ( )+ =0
)

Page 6
 Compensations avancées Tayeb TACHALLAIT

 Elimination de X :

[ ][ ] + [ ]=0

Y= [ ] [ ]

D est une matrice non singulière.

Remplacer Y dans (2) pour obtenir X.

 Détermination de ̂
 Elimination de ̂ :

D=-P; [ ]; * +; * +

̂
X= ̂ [ ] * +
̂

̂
* + * + ( ) [ ][ ]+* + * +( ) [ ]=* +
̂

̂
* + [ ][ ] * + * +
̂

̂
[ ][ ] * + * +
̂

̂
* +[ ] * + * + avec : , symétrique et inversible.
̂

 Elimination de ̂ par identification:

D= M ; E=A ; ; G=0 ; X= ̂ ̂; R=W; S=0

[ ][̂ ] + [ ]=[ ]

( )̂ =0

̂= U= ( )

 Détermination de ̂ :

̂ ̂ ̂ (A ̂ )

 Détermination de ̂

̂ ̂  ̂ ̂ (A ̂ )

Page 7
 Compensations avancées Tayeb TACHALLAIT

Détermination des matrices de variances-covariances :

Propriétés :

Z= E.W 
1

2 (̅ ̅) ( ) ̅ ( )

- Determination de ̂

On a : ̂ = ( ) = E.W

E W

̂ ( ) [ ( ) ]

̂ ( ) ( )

̂ = =( ) = ̂
̅

- Determination de ̂ :

̂ (A ̂ )=- [ (( ) ) ]

̂ [ ( ) ]

Et K= E.W ̂

E est une matrice symétrique

̂ [ ]

̂ [ ]

̂ [ ( ) ]

D’où E est symétrique 

Page 8
 Compensations avancées Tayeb TACHALLAIT

̂ ; [ ( ) ]

̂ ( ( ) )

EM= T-I  E= ( T-I)

̂ ( ) ( ) ( )

Et (T-I)²= T²-2T+I=I-T

 ̂ ( ( ) )
 ̂ = [ ]

Détermination de ̂ :

̂ ̂ ̂

 ̂ ̂ = [ ( ) ]

̂ = [ ]

Donc pour assembler les règles :

̂= U= ( )

̂ ̂ (A ̂ )

̂ = =( )

̂ = [ ]

̅̂ ̅ +̂  ̂=
̅ ̂

̅̂ ̅+ ̂  ̂̅ = ̅ – ̂ avec ̅

̅ = matrice des cofacteurs = matrice des coefficients des poids

∑= = matrice des variances covariances

= (̂ P ̂)

∑=

1.2. Loi de la covariance (loi de propagation des covariances)

On a ̌( ) ( ̌( )) ; connaissant ̌ déterminer ̌

̌ ⁄ ̌ ; ⁄
̅ La matrice jacobéenne
⁄
(u,n)
(n,n) (n,u) (u,u)

Page 9
 Compensations avancées Tayeb TACHALLAIT

= matrice des cofacteurs = matrice des coefficients des poids

Σ=matrice des variances covariances

Σ= ; ̌( ) ( ̌( ))  ̌ ⁄ ̌ ⁄ ̌

On a * + * +* + * +

Connaissant , déterminer avec :

* +
* + * +
* +

Réponse :

( )( )

Remarque :

Si on néglige les termes constants ( dans notre cas), la multiplication symbolique aura
pour résultat : (x symétrique, on néglige le )

Même chose avec

Même chose pour

( )

On généralise Y= AX+C

Z= BV+D

( )( ) ̌ ̌

 ̌

( ) 

Page
10
 Compensations avancées Tayeb TACHALLAIT

Exercice : Déterminer la distance entre deux points A et B à partir des 5 observations

indépendantes suivantes. Ces observations ont été effectuées avec une précision = 25 mm 2.
Traiter le problème en utilisant la méthode des conditions et la méthode de variation des
paramètres.

L = [l1, l2, l3, l4, l5]T = [10.01, 9.98, 10.01, 10.02, 9.99] m

1) méthode des conditions :

Analyse du problème :

n=5 ; n0=1 ; ʋ=4>0 ; µ=0 ; r=4+0=4

Modèle mathématique :

̅ ̅

( ̅̂ ) ̅ ̅

̅ ̅

̅ ̅

Linéarisation du modèle :

̂ ; ̅ =[ ]

Même si le modèle est linéaire, on doit le linéairiser, c’est suggéré dans la compensation par
moindre carrée : ̂ ̂

Matrice de poids de ̅ :

̅ ̅ ̅

[ ̅ ]

Nous avons : ̅ ̅ ̅ ̅ ̅ ̅

Solution du problème :

Page
11
 Compensations avancées Tayeb TACHALLAIT

̂ (A ̂ )=

Avec : puisque P=I

̂ ( ) et ̅̂ ̅ ̂

[ ] [ ]

 ̂̅ ̂̅ ̂̅ ̂̅ ̂̅

̂ [ ̂ ]

̂ ( )

̂̅ = ̅ – ̂ ̂

̂ ̂
= (̂ P ̂) = 0.0027 m²

2) méthode des variations des paramètres:

̅̂ ( ̅̂ ) ( ̅̂ )- ̅̂ ; ̂ ̂  ̂ ̂

B=-I ; ̅ [ ]

Analyse du problème :

n=5 ; n0=1 ; ; r=

Modèle mathématique :

̅̂ ( ̅̂ ) ̂̅ = ̂̅ ̂̅ ̂̅ ; ( ̅̂ )- ̅̂ ̂ ̂

̂̅ = ̂̅ ̂̅ ̂̅ =0

̂̅ = ̂̅ ̂̅ ̂̅ =0

̂̅ = ̂̅ ̂̅ ̂̅ = 0

̂̅ = ̂̅ ̂̅ ̂̅

A= /̅ ̅ ; B= /̅ ̅ ; W= ( ̅ ) ̅

Page
12
 Compensations avancées Tayeb TACHALLAIT

( ) ; ( ) = ; (̅ ) ̅

[ ] [ ] [ ]

Matrice de poids de ̅ :

P= ∑̅ = ̅

[ ̅ ]

̅ ̅ ̅ ̅ ̅ ̅ ; On prend ̅ 
̅

̂= U= ( ) ( )

M=B

̂  ̅̂ ̅ ̂

̂=
̅ ̂ ( )

̂ ( ̂ )

Montrer que la moyenne arithmétique est un estimé par moindres carrés ?

̂( ) ( )( ) ( ) ; ⁄

̅ ̂̅
̅ ̂̅ ̂̅ )
W= [ ] =∑ ( ̅

[ ̅ ̂̅ ]

W=∑ ̅ ∑ ̂̅ ̅ ∑ ̂̅

∑ ̂̅
 ̂ ( ̅ ∑ ̂̅ ) ̅
∑ ̂̅ ∑ ̂̅ ∑ ̂̅
 ̅̂ ̅ +̂ ̅ ̅

Conclusion :

La moyenne arithmétique (pondérée) n’est qu’une application du principe des moindres

carrés.

Page
13
 Compensations avancées Tayeb TACHALLAIT

CHAPITRE 2 :
Compensations avec les contraintes sur les paramètres

Une contrainte sur les paramètres est définie comme une condition que doivent satisfaire ces
paramètres dans la solution d’un problème donné.

Dans certains cas, il est nécessaire d’imposer des contraintes pour que la solution du problème
soit possible. On les appelle contraintes minimales.

Exemple : pour le calcul d’un réseau de nivellement géomètrique où les paramètres sont les
altitudes des repères, il est nécessaire de fixer l’altitude d’au mois un des repères à une valeur
donnée.

En plus des contraintes minimales, des contraintes supplémentaires peuvent également être
imposées aux paramètres.

1. Solution directe des contraintes :

1.1 Expression de ̂ et ̂ :
 Modèle mathématique principal :

̂ ̅̂ )
(̅
 Modèle des contraintes :
(̂
̅)
 Forme linéarisée :

( )̂( ) ( ) ̂( ) ( )
Modèle global
( )̂( ) ( )

r : nombre d’équations dans le modèle principal F.

s : nombre d’équations dans le modèle des contraintes G.

̂|̅
̅ ̂| ̅
̅
(̅ ̅ )

| (̅ )
̂
̅ ̅

=r+s–u

 Principe des M.C :

Page
14
 Compensations avancées Tayeb TACHALLAIT

Il s’agit de minimiser

Ф = ̂ P ̂ – 2̂ ( ̂ + ̂ + )–2̂ ( ̂ + )

Système des équations normales:

̂
=0 -P̂ + ̂ =0

̂ + ̂ =0
̂
=0
̂ +B̂ + =0
̂ +B̂ + =0
̂ + =0
̂ + =0

Sous forme matricielle :

̂
̂
[ ] [̂] + [ ] = [ ] (matrice non inversible)
̂

Solution obtenue par la méthode d’élimination :

 Elimination de ̂

̂
[ ] *̂+ + [ ] = [ ]
̂

M=B

 Elimination de ̂

̂
[ ] [̂ ] + [ ] = * +

N=

U=

 Elimination de ̂

(C ) ̂ - (C - )=0

̂ ( ) (C - )

̂ - U + ( ) (C - )

Page
15
 Compensations avancées Tayeb TACHALLAIT

>> ̂ ̂ + ̂

Remarque :

L’expression de ̂ est composée de 2 parties ̂ et ̂ où ̂ est la solution obtenue sans

l’introduction des contraintes.

̂ - (Â + W)

̂ =- (Â + W)

 L’expression de ̂ :
̂ ̂ ̂ ̂
̂

̂ ̂ ̂ ̂ ̂

Avec :

̂ =

̂ [ ] ̂ [ ̂ ] ̂

̂ = ̂ puisque ̂
̅ =̅ ̂
̅

̂ (M - A )

̂
̅ = ̅- ̂ = - ̂ ; ̅̂ = ̅ + ̂

Propriété :

̂ = – [ ] = – =0

̂( ) ( ) ( )

C’est un moyen de vérification et de contrôle.

 Simplification (cas particulier) : méthode de variation des paramètres :

B = -I  M = B =

N= A= A

U= W= W

 Méthode de conditions :

Pas de paramètres donc pas de contraintes.

Page
16
 Compensations avancées Tayeb TACHALLAIT

2. Solution par élimination des équations de contraintes :

2.1 Modèle de la méthode générale :

Modèle général : ̂ ̂

Modèle des contraintes : ̂

Ecrivons les modèles sous la forme suivante :

̂ ( )
̂( ) [ ]
̂ ( )

( ) [ ( ) ( )] ( ) [ ( ) ( )]

̂ ( )
[ ( ) ( )] [ ] ̂
̂ ( )
̂ ( )
[ ( ) ( )] [ ]
{ ̂ ( )

Le modèle s’écrit sous forme :

( )̂ ( ) ( )̂ ( ) ̂ ( )
{
( )̂ ( ) ( )̂ ( ) ( )

De l’équation (2) on a :

̂ ( ) ( ) ( ( )̂ ( ) ) (3)

Remarque : doit être non singulière.

En substituant l’équation 3 dans 1 on aura :

( ( ) ( ) ( ) ( ))
̂ ( )
̂ ( ( ) ( ) )

̃ ̃
Ainsi nous aurons comme solution du paramètre :

̂ ̃ ̃ Avec

̃ (̃ ̃) , ̃ (̃ ̃ ) et

Autrement dit :

̂ (̃ ̃) ( ̃ ̃)

Page
17
 Compensations avancées Tayeb TACHALLAIT

Connaissant ̂ on peut alors calculer ̂ à l’aide de l’équation suivante :

̂ ( ) ( ) ( ( )̂ ( ) )

Expression de ̂ :

̌ ( ̂ ) (̌̂ ̌)

Matrice de variance- covariance :

̂ ̂ ̂
̂ ̂ ( )
[ ] Avec ̂ ̂ ̂ ̂
[ ] ̂ ̂ ̂
̂ ( )

∑̂ ̂
̂
∑̅

̂ (̃ ̃)

̂ ( ) ( ) ̂ ( ) ( ( ) )

̂ ̂ ( ) ( ) ̂

̂ ̂ ̂ ̂ ̂ ( ) ( ( ) )

̂ [ ̂ ]

̅̂ ̅ +̂  ̂=
̅ ̂

̅̂ ̅+ ̂  ̂
̅ ̅ ̂ ̂

̂ ̂
̂

 Application à la méthode de variation des paramètres :

B = -I
M=B =
Alors :
̂ = ̃ ̃ = (̃ ̃) ( ̃ ̃) (̃ ̃) ( ̃ ̃)

Remarque:

Il n’y a pas d’application pour la méthode des conditions.

Page
18
 Compensations avancées Tayeb TACHALLAIT

Exercice :

La figure suivante représente un réseau de nivellement où les altitudes des repères 1,2, et 3
sont à déterminer, et celle du repère A est connue (contrainte minimale).

Les observations des différents altitudes et l’estimé de leur variance sont données dans le
tableau suivant :

hA= 110.322

Section ( ) ( )
1 7.528 0.0003
2 3.460 0.0003
3 5.174 0.0004
4 5.800 0.0004
La contrainte imposée est : ̅̂ ̅̂

Solution :

- Sans contrainte :

1) analyse du problème (sans contrainte):

n=4 ; n0=3 ; u=3 ; ʋ=1 ; r=4

2) identification des variables :

̅ [̅ ̅ ̅ ̅] ̂ [̂ ̂ ̂ ̂]

̅̂ ̂
[̅ ̂
̅ ̂ ] avec ̂
̅ ̅ =̅ ̂

3) modèle mathématique :

 Modèle général : ̅̂ ( ̅̂ )
 Modèle linéarisé : ̂ ̂

Expression du modèle général :

̂ ̂
̅ ̂
̅ ̂
̅ ̂
̅ ̂

̂ ̂
̅ ̂
̅ ̂
̅ ̂
̅ ̂

̂ ̂
̅ ̂
̅ ̂
̅ ̂
̅ ̂

̂ ̂
̅ ̂
̅ ̂
̅ ̂
̅ ̂

4) calcul des valeurs approchées :

Page
19
 Compensations avancées Tayeb TACHALLAIT

̅ [ ]; [ ]

5) solution du problème :

̂= U avec : N=ATPA et U= ATPW ; A= /̅ ̅ [ ]

P= ∑̅ ( )

( );

A la fin on a :

( ) [ ]; ( ) [ ] ; et ̂ [ ]

Solution avec contrainte :

- Modèle général : ( ̅̂ ) 
- Modèle linéarisé : ̅̂

( ̅̂ )
Avec : ̅ =0 ; [ ] et ̅ ̅
̅̂

Solution du problème : ̂ ̂ ̂ avec :

̂ ( ) ( )

̂ ( ) ( ̂ )

 ̂ [ ] ̂( ( ) ( ) ;
)

( )

̂ ( ( ) )
( )

Page
20
 Compensations avancées Tayeb TACHALLAIT
CHAPITRE 3 :
Compensations avec quasi-observations

Définition : Quasi observation sont des paramètres considérés comme observations.

Les contraintes sont fixes avec un poids très grand et les quasis observations sont des
paramètres prédéterminés avec un poids donné.

1. compensation en considérant les paramètres comme quasi-observation :

Les paramètres : ̅ sont connus à priori avec un degré de précision donné caractérisé par la

matrice var-cov ∑̅ ̅

Modèle mathématique principale associé à ̅ (standard)

̅ Sont caractérisés par : ̅ ̅

̂, ̅̂ )=0 >>> Â+B̂+W = 0

F(̅

Avec : ( ) | ; ( ) | ; ( ) (̅ ̅ )
̅ ̅ ̅ ̅

̅ : Vecteur

̅ : Quasi-observation.

̂ : Correction

̂ : Vecteur résiduel

Modèle des quasi observations associé a ̅ :

̅ Caractérisé par : ̅  ̅ ̅

̂ : Vecteur de correction à apporter à ̅

̂= ̅ + ̂
̅  ̂ ̅̂ )
(̅  Ê + F ̂ + ̂ = 0

Avec ; | ; | ( ̅ ̅)
̅ ̅ ̅ ̅ ̅

Page
21
 Compensations avancées Tayeb TACHALLAIT

Modèle linéaire :

̂
̅= ̅⏟ ̂ ̅ ̂

̂ - ̂ +(̅ ̂)

̂ ̂

(
̂
) ( ) ( )
̂ ̂
( ) ( )

Donc

Cas particulier  ̅ ̅

Pour plus de simplification on prend ̅ ̅ ;

Regroupons les deux modèles : F et H

̂ ̅̂ )
(̅ ̂ ̂
, Modèle globale { ̂ ̂ ̂
̂ ̅̅)
(̅

On a trois inconnus à déterminer ̂ ̂ ̂ :

̂
* + ̂ * + [̂ ] [ ]
⏟ ⏟ ⏟ ⏟
̃ ̃ ̃ ̃

Application du principe des M.C :̂

̌ ̌ ̂
̌

Avec : ̃ [ ]

La solution est donnée par :

̂ ̃ ̃ ou ̃ ̃ ̃ ̃ et ̃ ̃ ̃ ̃ et ̃ ̃ ̃ ̃

̃ [ ] [ ]

̂ ( ) ( ) ( ) ( )

̂ ( ) ( )

Page
22
 Compensations avancées Tayeb TACHALLAIT

̂
̂ ̃̃ ̂ ̃̂ ̂ ̂

Matrice de variance covariance :

̂
̅ ̅ ̂

La compensation avec les paramètres comme quasi observation est une situation très
fréquente dans le développement des réseaux géodésiques .au lieu d’arrêter les points comme
étant fixes, on peut les considérer comme des quasis observations.

̂
̅ ̂ et ̂
̅ ̂ ̂ et ̂ ̃ ( ) ( )

II généralisation avec contraintes :

̂ ̅̂ )
(̅

(̂
̅)

̂ ̅̂ )
(̅ ̅

Modèle linéarisé :

̂ ̂
Modèle globale : , ̂
̂ ̂

Pour résoudre X on va ajouter à (̂

̅) des observations fictifs donc (̂
̅ ̅ ) ;̅
et dont ̅

̂ ̂
Donc , ̂ ̂
̂ ̂

Donc :

̂
[ ]̂ [ ] *̂ + [ ]
̂

Page
23
 Compensations avancées Tayeb TACHALLAIT

(
̂
) ( ) (
̂
) ( ) ( )

(
̂
) ( ) ( )
̂ ( )
( )

( ) (
̂ ) ( )
̂
( ) ( )

Avec ;

| , | , (̅ ̅ )
̅ ̅ ̅ ̅

| , |
̅̅̅ ̅ ̅̅̅
, (̅ ̅)
̅ ̅

| , |
̅ ̅ ̅
, ( ̅ ̅)
̅ ̅

̃ [ ] et ̃ [ ] et ̃ [ ]

Solution :

̃ ̃ ̃ (̃ ̃ ̃) ( ̃ ̃ ̃)

Avec :

̃ (̃ ̃ ̃ ) [ ] et ̃ ̃ [ ]

Donc : ̃ [ ] donc à la fin on aboutit à :

̃ [ ] [ ]

Avec :

̂ ( )( ) ( )( )

L’ajout des quasi-obsrvations  mise à jour de N

̂
̂ ̃̃ ̃ ( ̃̂ ̃) ̂
* +
̂

Page
24
 Compensations avancées Tayeb TACHALLAIT

̂ ( ̂ )

̂ ( ̂ )

̂ ( ̂ ) ̂

̅ ̂
̃ *̅ + ̂
̃ * ̂ + ̂̃ ̃ ̂
̃
̅ ̂

̂
On doit effectuer un control : ̅ ̅ ̂ ̅ ̂

Matrice de variance covariance :

̃ ̃ ( )

̂ ̂̂ ̂̂

̂
̅
̃ ̃ ̃ (̃̃ ̃̃ )̃ ̃̃ * ̂̂ ̂ ̂ ̂ +
̂̂ ̂ ̂ ̂

̂ ( ̂ )

̂ ̅ ̃

̂
̅ ̅ ̂ Contrôle à effectuer

̂
̅ ̅ ̂ ̂

̃ ̃̂
̃

Exercices 1:

La figure ci-dessous représente un repère de nivellement ou les altitudes des repères 1,2 et 3
sont à déterminer, celle de A est connue.

Fig1 .Exercice1-schéma de nivellement

Page
25
 Compensations avancées Tayeb TACHALLAIT

Les observations des dénivelés et leur variance sont données dans le tableau suivant :

Section ̅

1 7.528 0.0003

2 3.460 0.0003

3 5.174 0.0004

4 5.800 0.0004

En considérant que les altitudes des repères 1,2 et 3 ont été prédéterminées et ont les valeurs
appropriés suivantes :

̅ [ ] Avec : ̅ ̅

Cas particulier Ux =3  U=Ux

Refaire l’exercice avec la contrainte ̅̂

̅̅̅ ̅̂
̅̅̅

(̂
̅ ) (̂
̅ ̅̂ )  ̂
̅ ̂
̅ ̅

(
̂
) ( ) ( )
̂ ( )
( )

( ) [ ]

( ) [ ]

Exercice 2 :

En utilisant l’approche générale déterminer l’equation d’une droite ax+by+z=0 passant par 4
points dont les coordonnées ont été observées d’une facon indépendante avec égale
pré[Link] droite doit de plus passer par le point 5 dont les coordonnées sont données :

point

1 -4.0 -1.9

2 -2.0 -0.2

3 2.0 4.2

4 4.0 6.1

5 1.0 3.0

Page
26
 Compensations avancées Tayeb TACHALLAIT

Les précisions a,b ont été prédéterminés ,il ont une valeur apriori

̅ ̅ ̅ ̅

Solution du problème :

̂ ̂

Donc

Analyse du problème :

et et

̅
̅̂ ̅
[ ]
̅
̅

̂
̅
̂
̅ [̂
̅ ]
̂
̅

̂
̂
̂
̂
[̂ ]

̂
Avec : ̅ ̅ ̂

Modèle mathématique :

̂)
(̅ ̅̂

̂
̅ ̂
̅ ̂̅

̂
̅ ̂
̅ ̂̅

̂
̅ ̂
̅ ̂̅

̂
̅ ̂
̅ ̂̅

ux=u=3

Page
27
 Compensations avancées Tayeb TACHALLAIT

̂
̅ ̅̂

̂
̅ ̅̂ ̅ ̅

̂
̅ ̅̂

Ê + F ̂ + ̂ = 0

Solution du problème :

( ) | * +
̅ ̅

( )

(̅ ̅ ) * +

E=I3 ; F=-I3

( ) ̅ ̅ [ ]

̂ ( ) ( ) ̃ ̃

Avec ̃ et

̃ et

( ) ( )

[ ]

[ ]

Page
28
 Compensations avancées Tayeb TACHALLAIT

[ ] [ ] [ ]

Et donc : ̂ [ ] ̂ [ ]

̂ [ ]

̂ [ ]

̂ [ ]

̂ [ ]

Comme type de contrôle on doit vérifier que :

̅ ̂ ̅ ̂

̂ ̅ ̂

̅ ( )

Modèle de contrainte :

Analyse de problème :

n =3 n0 =3 ; ; u= 3 ; r=4 ;s=1 ; ux=3

Modèle mathématique :

̂̅
̂̅
Équation de contrainte :
̂̅
̂̅

Equations des quasi-observations :

Page
29
 Compensations avancées Tayeb TACHALLAIT

̅̂
̅̅̅

̂
̅̅̅̅

̂
̅̅̅̅

̂ ̂
, ̂ ̂
̂ ̂

̂ ̂
̃̃ ̂

Avec

̃ ( )

( )

̃ ( ) ( )

Modèle de contrainte :

̂ ̅̂ )
(̅ ̂
̅̅̅ ̂
̅̅̅

̅̅̅ [̅̅̅] [ ̂
] ̅̅̅ ̂
̅̅̅ ̅̅̅

|
̅ ̅ ̅̅̅

̃ ( )

( )

Page
30
 Compensations avancées Tayeb TACHALLAIT

( )

̃ ( )

̃ ̃ ̃̃ ( )

̃ ̃ ̃̃ [ ]

̃ ̃ ̃ [ ] ̂
̅ [ ]

̂
̃ ̂̃

( ) ( )

( )

Exercice 3 :

̂, ̅̂ )=Â+B̂+W = 0
Modèle principale : F(̅

Analyse du problème :

n =8 n0 =4 ; ; u= 2 ; r=4

les équations :

ax1-y1+b=0

ax2-y2+b=0

ax3-y2+b=0

Page
31
 Compensations avancées Tayeb TACHALLAIT

ax4-y4+b=0

( ) | ( ) ( )
̂
̅ ̅

( ) | ( )
̅ ̂̅

( ) (̅ ̅ ) ( )

Modèle de contraintes :

L’équation : : G(̂ ̂)= Ĉ+D ̂ +Wc = 0

̅, ̅̅̅

Analyse de problème :

b=1 ;c=2

L’équation ̅̂ ̅̂

a-3+b=0 ̅̅̅ * + * +

( ) | [ ]
̅ ̅

| [̅̂ ] [ ]
̅ ̅ ̅̅̅

[ ] (̅ ̅̅̅) ̅ ̅ ̅ ̅

Modèle quasi-observations :

(̂
̅ ̅̂ ) ̂ ̂ ̂

ux=2=u E=I2 ; F=-I2

̅ [̅ ̅] [̅ ̅ ]

( ) * +

Page
32
 Compensations avancées Tayeb TACHALLAIT

Restitution des matrices :

̃ ̂+̃ ̂
̃ ̃ =0

[ ]
̃[ ] * [ ]+ * +
[ ]

̃[ ] ( )

̃[ ] ( )

[ ]
̃[ ] ( [ ] )
[ ]

̃[ ]

[ ]

̃ * + ̃ * +

̃ * + ̂ ̃ ̃ * +

̂
̅ ̅ ̂ * +

̂
̃[ ]

[ ]

On contrôle l’égalité :

Page
33
 Compensations avancées Tayeb TACHALLAIT

̂
̅ ̅ ̂ ̂

̅̂ [ ] [ ]

̃ ̃̂
̃
̂

̂
̃ ̃̃ ̃ ̃̂ ̃ ̃̂ ̃ ̃̂

On utilise l’approche généralisé, déterminer l’équation d’une sphère passant par les points 1 à
6 ; les coordonnées de ces points ont les mêmes variances.

Cette sphère doit passer par le point A de coordonnée :

(XA ;YA ;ZA) données .

Les paramètres sont (a,b,c,R) pour les quasi-observations on va prendre u=ux.

u>ux
les paramètres sont prédéterminés d’une façon indépendante et en comme valeur apriori

̅ ̅ ̅

i ( ) ( ) ( )

1 1010.10 1511.96 2311.73

2 985.06 1389.09 2291.23

3 971.86 1540.91 2308.56

4 1034.21 1356.12 1725.41

5 1201.22 1520.05 1762.26

6 992.00 1457.00 1691.10

Contrainte A 1120.00 1469.00 1713.00

Page
34
 Compensations avancées Tayeb TACHALLAIT

(X-a)2+(Y-b)2+(Z-c)2=R2

Page
35
 Compensations avancées Tayeb TACHALLAIT

CHAPITRE 4 :
compensations en étapes (en phases, en séquence,
séquentielles)
Application :
1. Possibilité d’ajouter un supplément d’observations donnée à une solution
donnée sans avoir à reprendre les calculs.
2. La possibilité de traiter l’information en étapes.
1. Compensation en phases :
C’est le traitement de tout problème de compensation en le subdivisant en
phases, pour vue que dans chaque phase on considère comme quasi-observation,
avec leur matrice de coefficient de poids, les variables qui ont été estimé dans
les phases précédentes.

Démonstration :

 L1 ( n1,2) 
L ( n ,1)   
 L 2( n2 ,2)  avec n=n1 +n2

L1 ( n1,1) 
r1

 F1 X (u1 ,1) , L1( n1,1)  0 
L2 ( n1,2) 
r2

 F2 X (u2 ,1) , L 2( n2,1)  0 
avec r=r1+r2

on a :

deux phases

memes paramètres dans chaque phases

L1 ( n1,2)
observations et L2( n ,2) propre à chaque phases.
2

Modèle linéarisé :

A1 X  B1V1  W1  0  L1( n1,1)  L1 ( n1,2)  V1

A2 X  B2V2  W2  0  L2( n2,1)  L2( n2 ,2)  V2

X  X  X

Page
36
 Compensations avancées Tayeb TACHALLAIT

Solution en phases :

Phase 1 :

 
F1 X (u1 ,1) , L1( n1,1)  0

( X )i : l’éstimé de X à l’étape i .

A1 ( X 1 )1  B1 (V1 )1  W1  0

( X 1 )1   N 11U1  [ AT 1M 11 A1 ]1 AT 1M 11W1.

(V 1 )1   P11B1M 11[ A1 ( X )i  Wi ]
( X 1 )1  X   ( X )1
Q( X )  N 1[ A1T M 11 A1 ]1  P 1 ( X )1
1

Forme Quadratique :
T
(V T PV )1  (V ) P1 (V )1  W1T M 11W1  U1T ( X )1.
T
2 (V )1 P1 (V )1
( o )1 
v1 Avec : v1 =r1 – u1

Phase 2 : L2( n ,2) est quasi-observation X (u ,1) .

2 1

Modèle associé à l’observation L2( n ,2) 2

 
F2 X (u2 ,1) , L 2( n2,1)  0

A2 X  B2V2  W2  0

Page
37
 Compensations avancées Tayeb TACHALLAIT

Modèle associé aux quasi  observations X i considéré :

(Q )1  P( X )1
X

( X ) 2  X  ( X ) 2  ( X )1  V X  ( X ) 2  V X
( X ) 2  ( X )1  V X

( X ) 2  ( X )1  V X  0 (2)

E ( X 2 )  FV X  WX  0

Modèle globale 1 et 2 :

 A2   B2 0  (V2 )2   W2 
 I  ( X )2   0  
 I   V X  WX 
0
    

[Link].2) Développement des expressions séquentielles :

Modèle :

F1  X , L1   0  A1 X  B1V1  W1  0  P1
 

F2  X , L2   0  A2 X  B2 V2  W2  0  P2 , PX1
 
.
.

Fi  X , Li   0  Ai X  Bi Vi  Wi  0  Pi , PX i1
 

De la décomposition en phase, on a (résultats précédents) :

 N i   N i 1  AiT M i1 Ai
U i  U i 1  AiT M i1Wi
 X   N 
i
1
i
U i

!
La procédure séquentielle consiste à évaluer
 X  à partir de  X 
i i 1 et

non pas à partir de  N i et  i .

1
U

 X     N 
i i 1
-
1
 AiT M i1 Ai  U i 1  AiT M i1Wi 
-

Page
38
 Compensations avancées Tayeb TACHALLAIT

+ : On ajoute des observations.

- :On retranche des observations.

Appliquons la relation de base (1) :

X  X   
1
  N i 1 AiT  M i  Ai  N i 1 AiT   Ai X  Wi 
1 1

i i 1 +  -   i 1 
X  X i i 1
 X

[Link]) Développement des expressions en appliquant la méthode des

conditions :

Exercice :

Résumé des expressions séquentielles :

1
 
Q X   N i
1
 Q X  Q X A  M i  AQ T
AiT  AQ
  i
 i1  i1+  i
 -i1  i  X i1
i
X

Sachant que :

  N i 1
1
QX
  i 1

   
1

 
 WiT  X

AiT   M i  AQ

T T T
V PV  V PV AiT  AQ
i i 1-  i  -
i
 X
i 1 
i
 X i1

 v i   v i1  vi
-

 T

  
V PV
2 i
i  v i

4.2.2) Cas où le nombre de paramètres varie d’une étape à l’autre :

[Link]) Relation de base (voir avant) :

[Link]) Développement des expressions séquentielles :

Page
39
 Compensations avancées Tayeb TACHALLAIT

 L1  n ,1 
L n ,1   
1

 L2  n ,1  n  n  n
 2  ; 1 2

F1  X , L1   0  A1 X  B1V1  W1  0
 
F2  X , Y , L2   0  A2 X  D2 Y  B2V2  W2  0
 

Ou
Fi  
Ai  / X , Y , Li
 Xi
Fi  
Bi  / X , Y , Li
 Li
Fi  
v2  / X ,Y , L2
Y

 
W1  F X , L1


W  F  X ,Y , L 
 
2 2

Réécrivons le modèle sous la forme :

AX  BV  W  0

X  V 
X    V   1  W  W1  A   A1 0 B
B 1
0
 Y  V2  W  A D2  B2 
; ;  2 ;  2 ; 0 .

Solutions : X et V
1
X  N U
1 T 1
V P B M

Remplaçons les matrices :

1 N N XY   A1T M11 A1  A2T M 21 A2 A1T M11D2 

N  A M A   N 2 ; N   N 2   X
T
 
 NYX NY   D2T M 21W2 D2T M 21D2 

1 U   AT M 1W  AT M 1W 
U  A M W  U 2 ;U  U 2   X    1 1 T 1 1 2 2 2 
T

U Y   D2 M 2 W2 

Page
40
 Compensations avancées Tayeb TACHALLAIT

La procédure séquentielle s’applique sur le calcul de :

 N 2 ; U 2 ;   X 2
1

( N )i1 et (U )i  X   i

X  i
1
= - ( N )i (U )i

 NX N XY 
 T NY  1
avec ( N )i =  N XY ; N X  ( N )i 1  Ai M i Ai
T

N XY  AiT M i 1Di (2)

NY  DiT M i 1Di

U X 
U  1
 Y  U X  Ui 1  Ai M i Wi
T
(U )i =

UY  DiT M i 1Wi

1
 NX N XY   R11 R12 
   T 
Calcul de ( N )1i =  N XY NY 
=  R 21 R22 

 NX N XY   R11 R12   I 0 
  
 N XY NY   RT 21 R22   0 I 
=

La résolution du système donne :

R11 [ N X  N XY NY 1 N XY T ]1
(3)

R12  R11 N XY NY 1

R21  R12 1

R22  NY 1  NY 1 N XY T R12 1 1 1 1
= R22  NY  NY N XY [ N X  N XY NY N XY ]N XY NY
T T
(4)

Appliquons aux relations (2), (3) et (4) la relation de base (1) :

Page
41
 Compensations avancées Tayeb TACHALLAIT

1 1
de (4) : R22  [ NY  N XY N X N XY ]
T

1 1 1
de (3) : R11  N X  N X N XY R22 N XY N X
T

1 1 1 1 T 1 1
de (2) : N X  ( N ) i 1  ( N ) i 1 A i [ M i  Ai ( N ) i 1 A i ] Ai ( N ) i 1
T

[Link]) Séquence des opérations de calcul pour le cas où le nombre de

paramètres augmente en ajoutant des observations :

a) calcul de N X1 :

N X 1  ( N )1i 1  ( N )1i 1 AT i [M i  Ai ( N )1i 1 AT i ]1 Ai ( N )1i 1

b) calcul de N XY et NY :

N XY  AiT M i 1Di

NY  DiT M i 1Di

c) Calcul de R11 , R22 et R12 :

R22  [ NY  N XY T N X 1 N XY ]1

R11  N X 1  N X 1 N XY R22 N T XY N X 1

R12  R11 N XY NY 1

R R12 
 N i
1
d) former   11T
 R21 R22 

2) calcul de U X et U Y :

U X  Ui 1  AiT M i 1Wi

UY  DiT M i 1Wi

U X 
f) former U i   
U Y 

g) calcul de la solution :

Page
42
 Compensations avancées Tayeb TACHALLAIT

X 
 Y   ( N ) 1 (U )
  i i

[Link]) Séquence des opérations de calcul pour le cas où le nombre de

paramètres diminue en retranchant des observations :

Considérons le cas précédent on passant de l’étape i-1 pour lesquels on

avait le modèle mathématique

Ai X  Bi Vi  Di Y  Wi  0

X 
Ni    (U i )  0
  ( N )i 1 et (U )i On veut tirer
et les équations normales  Y 
( N )i 11 et (U )i 1

1 1
Le problème qui se pose est de calculer ( N )i 1 et (U )i 1 à partir de ( N )i et
(U )i

Notons que la dimension de ( N )i 1 est inférieur à la dimension de ( N )i

Et dim (U )i 1 <dim (U )i

 R11 R12 
1  T 
On sait que ( N ) =  R 21
i
R22 
Il n’y a que R11 qui nous
intéresse

dim ( N )i 1 = dim R11

R111  N X  N XY NY 1 N T XY

1 1 T
On a N X  R 11  N XY NY N XY

Appliquons la relation de base à N X :

N X 1  R11  R11 N XY [ NY  N T XY R11 N XY ]1 N T XY R11

Sachant que : N X  ( N )i 1  AiT M i 1 Ai

Page
43
 Compensations avancées Tayeb TACHALLAIT

On a ( N )i 1  N X  AiT M i 1 Ai

( N )1i 1  N 1X  N 1X AiT [M i  Ai N 1X AiT ] Ai N 1X

Egalement on sait que :

U X  Ui 1  AiT M i 1Wi

1
On a Ui 1  U X  Ai M i Wi
T

On pose i-1=j et i=j-1

On réécrit les expressions:

( N )1 j  N 1X  N 1X Aj T [M j  Aj N 1X Aj T ] Aj N 1X

U j  U X  AjT M j 1W j

Séquence des opérations de calculs :

Subdiviser la matrice ( N )1 j de façon à ne garder que la sous matrice qui

correspond aux paramètres qui restent à l’étape j

Dénotons cette sous-matrice par R j 1 :

 R j 1   N X  j 1 
 N  j 1  
1
  N  j 1   
  ;  

b) calcul de N XY et NY

N XY  Aj T M j 1D j

NY  D j T M j 1D j

c) calcul de ( N X )1 j 1 :

( N X )1 j 1  R j 1  R j 1 N XY [ NY  N T XY R j 1N XY ]1 N XY R j 1

d) Calcul de  N  j :
1

1
Nj   N  j 1   N X  j 1 ATj  M j  Aj  N X  j 1 ATj  Aj  N X  j 1
1 1 1 1 1
 

Page
44
 Compensations avancées Tayeb TACHALLAIT

e)Calcul de U  j :

U  j  U X  j 1
 ATj M j 1W j

f) Calcul de la solution :

X  j
   N  j U  j
1

Exercice :

Le tableau suivant donne les observations d’un réseau de nivellement

défini par les repères 1 à [Link] le réseau, l’altitude du point 1 est
considérée comme connue h1 =100.00m et le sens des flèches indique les
directions des différences d’altitude positives .De plus, les observations
sont indépendantes et d’égale précision.

i l c  hi (m)

1 5.013

2 2.985

3 7.982

4 10.014

5 4.981

6 1.982

7 14.982

8 25.017

9 17.013

En appliquant la technique de compensation séquentielle, faire les

calculs de compensation en procédant suivant les étapes suivantes :

Utiliser les observations l 1 , l 2 , l 3 , l 4 , l 7

Page
45
 Compensations avancées Tayeb TACHALLAIT

Ajouter l 5 , l 6 u constant

Retrancher l 6

Ajouter l 8 et l 9

Retrancher les observations l 7 , l 8 et l 9 u diminue

Ajouter l 8 et l 9 u augmente

NB : Faire la vérification pour chaque étape en utilisant le traitement

simultané (global) de toutes les observations.

h  
 2  95 , 000 
m

 h   98, 000 


X   3   


 h   90, 000 
 4   115, 000 
 h5   

[Link].2.
1 1
 N i 1  AiT M i1 Ai    N i 1   N i 1 AiT  M i  Ai  N i 1 AiT  Ai  N 
1 1 1 1
 
C
On remplace de (*)

 X     N  U  T   M i  Ai  N 1 AiT  Ai W i 1  W 1 AiT M i1Wi  

1
 
1 1 1
 N A  M W 
i i 1 i 1 i 1 i i i  i 1   i 1  

 X    X   N 
i i 1
1
i 1 i  
1
  
AT C  M i  Ai  N i 1 AiT  M i1Wi  Ai X i 1  Ai  N i 1 AiT M i1Wi
1

X  X 
i i 1
1
 1
 
  N i 1 AiT C Wi  Ai  N i 1 AiT M i1Wi  Ai X i 1  Ai  N i 1 AiT M i1Wi
1

Ainsi :

X  X   
1
T 
i 1   N i 1 Ai  M i  Ai  N i 1 Ai 
T 
Wi 
1 1
A X
i
 i i 1


Revenons à [Link]. Développement des expressions en appliquant la

méthode des conditions :

I 
I   1
I2 

Page
46
 Compensations avancées Tayeb TACHALLAIT

Etape 1 : Modèle associé à I1 :

 
F1  X ; L1   0  A1 X
 1 
  BV 1
1 1  W1  0  P1

 X     N  U     A M
1
1
1 1
T
1 1
1 1
Ai  A1T M 11W1

X   XX 
1 1

Q X   N 1
1

 1

Etape 2 : Modèle associé aux quasi-observations X  X  PX  P X 

1
  1

  ; X   0   X  V
H  X
 2 2
X  WX  0  PX

Modèle associé aux observations L2  P2

  ; L   0  A  X   B V
F2  X
 2
2 2
2
2 2  W2  0

Eliminer le système des quasi-observations.

 X  V W  0
2
X X
(1)

A X   B V W  0 2 2 2
(2)
2

A partir de (1) :

X  2
 VX  WX  VX   X   X 
 1
 
X  2
 VX  X   1

A substituer dans (2) ,on aura :

V 
A2 X  1
  A2 P2   X   W2  0
 V2 
 
B
W

BV  W  0  La méthode des conditions.

Page
47
 Compensations avancées Tayeb TACHALLAIT

F  L  0
 

X Vx
Avec L   
 L 2 V 2 

P 0  ( N ) L 0
P x 
0 P2   0 P1 

Solution :
1 T 1
V  P B M W

V X   N11 0   A2T 
V      1   T
 M 2  A2 N11 A2T  W2  A2 ( X )1 
 
 V 2   0 P2   B2 

1
V X   N11 A2T  M 2  A2 N 2 1 A2T   A2 ( X )2  W2 
 
( X ) 2  ( X )1  V X
( X ) 2  ( X )1  V X
1
( X ) 2  ( X )1  N11 A2T  M 2  A2 N 2 1 A2T   A2 ( X ) 2  W2 
 

Page
48
 Compensations avancées Tayeb TACHALLAIT

 A2   B2 0   (V2 ) 2   W2 
   0
 I  0  I   V X  WX 
( X ) 2
    
A( X ) 2  BV  W  0
Solution :
1
( X ) 2   N U    AM A 
1 1 1
AT M W .
 
avec
1 T
M  BP B
 P2 0 
P
0 PX 1 

( X ) 2    N1  N 2  U1U 2 
1

( X ) 2  [ AT 1M 11 A1  AT 2 M 12 A2 ]1  AT 1M 11W1  AT 2 M 2 1W2 

1
Q( X )  N
2

( X ) 2  X   ( X ) 2  ( X )1  V X
T T T T
(V PV ) 2  V PV  V1 PV
1 1  V2 P2 V2

V 1   P11 B1T M 11  A1 ( X ) 2  W1 

 
V 2   P2 1 B2T M 2 1  A2 ( X ) 2  W2 
 
T
(V PV ) 2  W1T M 11W1  W2T M 2 1W2  U1T  U 2T 
T
(V PV ) 2
 2 
(v ) 2
(v) 2  (v)1  v2  r1  r2  u
puisque
uX  u

Page
49
 Compensations avancées Tayeb TACHALLAIT

CHAPITRE 5 : La collocation

Définition du problème :
Pour illustrer le principe de la collocation, nous allons considérés le cas particulier d’un
modèle de différents paramètres :

[ ̅̂ ]= ̅̂ =A ̅̂ et ̅̂ = ̅ + ̂ ainsi ̅ = A ̅̂ - ̂ = ( ̅ ̂)- ̂

Donc A ̅ ̂ ( ̂ - ̅ )=0 posons

̂ - ̅ = W et - ̂ = ̂ c’est le bruit ou résiduel

Le modèle mathématique :

 En compensation : ̅ = A ̅̂ + ̂

 En collocation : ̅ = A ̅̂ + ̂ + ̂

En collocation : on introduit en plus du bruit (résiduel) une 2èmequantité aléatoire appelée

signal. Les observations sont alors constituées de trois composantes :

 Composante systématique : A ̅̂
 Composante aléatoire formée de 2 parties :
 Résiduel : signifie la présence des erreurs accidentelles dans les
observations
 Bruit : le signal présente la différence du modèle mathématique ; le signal
peut être définit que des points autre que les observations

Avec

S’ : signal au point ou il y a l’observation

S0’ : signal au point ou il n’y a pas l’observation

La collocation : est constituer de

 compensation : estimation de X
 filtrage : estimation du bruit
 interpolation : estimation du signal ̂

Le signal est soumis à la même hypothèse que le bruit CAD

 le signal est une quantité aléatoire (accidentelle)

Page
50
 Compensations avancées Tayeb TACHALLAIT

 les éléments du signal sont statistiquement indépendants

̂ ̂ ̂
Signal=[ ] caractérisé par : ̂ =[ ]
̂ [ ]
̂ ̂ ̂

Développement des équations de la collocation :

Model mathématique :
Cas général : [ ̅̂ , ̅̂ ]=0 ̂ ̅

 En compensation par moindre carré : [ ̅̂ , ̅̂ ]= [ ̅ ̂ ̅ ̂] =0

A ̂ +B ̂

 En collocation par moindre carré : [̅ ̂ ̅ ̂ ̂ ]=0

A ̂ +B ̂ ̂

̂
Notons : ̂ [ ̂ ] avec ̂ ̂
̂
La matrice de poids associée aux observations : ̅ a la quelle on associe la matrice poids ̅

Par analogie aux observations, on associe une matrice des poids au signal

̂ ̂ ̂
[ ] ̂ =[ ]
̂ [
̂
] ̂ ̂

Supposons que les paramètres ̅ sont connus à priori ̅ ̅

Le modèle global aura la forme suivante :

Â+ B̂ le modele associé à ̅

I ̂- I ̂ le modele associé à ̅

Ou B’= [ ] = B[ ]

On peut réécrire le modèle de la forme suivante :

̃̂+ ̃ ̂ ̃

̂
̂
̃ * + ̃ =* + ̂ [ ] ̃ =[ ] ̃ =[ ]
̂ ̅
̂ ̅

Page
51
 Compensations avancées Tayeb TACHALLAIT

̂ ̂
[ ]
̂̃ = ̃ ̂̃ ̃= ̃ avec ̃ =
̂ ̂
̅
[ ̅]

Equation de la collocation : solution du problème :

On a ̂ = ̃ ̃ avec ̃ ̃ ̃̃ et ̃ ̃ ̃ ̃ et ̃ (̃ ̃ ̃ )

Ainsi ̂ ( ( ( ̂ ̅ ) ) ) ( ( ( ̂ ̅ ) ) )

̂ ̂ ( ( ̂ ̅ ) ) (A ̂ )

̂ ̂ ( ( ̂ ̅ ) ) (A ̂ )

̂ ̅ ( ( ̂ ̅ ) ) (A ̂ ) et ̂ ̂

Remarque :

Les formules de la collocation sont très générales. L’intéressant dans l’application de la

collocation est le signal, cad l’évaluation de la fonction au point ou l’observation n’a pas au
lieu. Tous les cas de la compensation que nous avons étudiés sont des cas particuliers de la
formule générale de la collocation développée ci-dessus. L’élément de la matrice de
corrélation du signal sont notés par : fonction de corrélation. Cette fonction est définie en
général par la fonction de GAUSS c.à.d.

Avec

Page
52
 Compensations avancées Tayeb TACHALLAIT

CHAPITRE 6 : Analyse statistique

Les analyses statistique interviennent au niveau de la vérification à l’aide des tests

statistique de la qualité d’observation et de leurs résiduelles.

Le résiduels est le principal outil d’analyse d’une compensation

1. Analyse statistique des résiduelles

6.1.1 test de la moyenne échantionnelles des résiduelles (test du 1ière moment central)

Rappel : moment d’une variable aléatoire x :

Le kième moment d’une variable aléatoire x, par rapport à un point donnée c est défini par :

[( ) ]

Lorsque : c =0  moment par rapport à l’origine

c =μx  moment par rapport à la moyenne (moments centraux)

Exemple : 1ière moment central

[( ) ]

Remarque : Les concepts de la moyenne et de la variance ne sont que des cas particuliers du
moment statistique

[( ) ] [( ) ]

Propriété : Pour une distribution normale (symétrique) ,les moments centraux impaires sont
nuls ( K= 1 ,3 ,5,…,2n+1 ),par conséquent on peut vérifier si la valeur de la moyenne
échantionnelle du résiduel qui est égale au 1er moment central s’écarte de 0

Population Echantillon
̂
̅̂ ∑

∑̂
( )

Page
53
 Compensations avancées Tayeb TACHALLAIT

Le test statistique porte sur la distribution suivante :

̂ ̂
 ( ) ( )
̂ ( )

̅̂ ̂
Avec : ∑

̂ ∑ ̂
( )

L’énoncé de la probabilité est exprimé par :

̂ ̂
* ( ) ( )
+
̂ ( )

Avec

Les limites du test sont :

[ ̂ ( ) ̂ ̂ ̂ ( ) ]
( ) ( )

AN : les applications numériques considérés dans ce chapitre se rapporte à l’échantillon du

résiduelle de l’exercice 2 (chapitre 3 ,paragraphe 3.2 : ajustement d’une droite avec la
contrainte qu’il passe par un point fixe )

( )

Où la moyenne échantionnalle = 0 et n=8 , ̂ , , ( )

Page
54
 Compensations avancées Tayeb TACHALLAIT

[ -0.0676 < 0 < 0.0676 ] , l’inégalité est vérifié

6.1.2 Test de degré d’asymétrie ( test du 3ième moment central )

Le 3ième moment central est exprimé par :

[( ) ]

On définit une quantité

̅
̅̅̅̅

Le test statistique porte sur la distribution suivante :

̅̅̅̅
 ( ) ( )
̂ ( )

̂
Avec : [ ∑ ] ̅ ∑ ̂
( )

L’énoncé de la probabilité est exprimé par :

̅̅̅̅
[ ( ) ( )
]
̂ ( )

Avec

Les limites du test sont :

[ ( ) ̂ ( ) ̅̅̅̅ ( ) ̂ ( ) ]

AN : ̂

( )

Page
55
 Compensations avancées Tayeb TACHALLAIT

Où ̅ = 0 et n=8 , ̅̅̅̅ , , ( )

[ -0.0676 < 0 < 0.0676 ] , l’inégalité est vérifié

6.1.3 Test de degré d’aplatissement ( le 4ième moment central )

[( ) ]

Les moments centraux paire sont donnés par :

( ) avec q = 2,4,…,2n

Pour q=2  =

Pour q= 4  =

On définit une quantité

̅
̅̅̅̅

̂
Avec : ̅ ∑ ̂ ,[ ∑ ]
( )

Le test statistique porte sur la distribution suivante :

̅̅̅̅
 ( ) ( )
̂ ( )

L’énoncé de la probabilité est exprimé par :

̅̅̅̅
[ ( ) ( )
]
̂ ( )

Avec

Les limites du test sont :

Page
56
 Compensations avancées Tayeb TACHALLAIT

[ ( ) ̂ ( ) ̅̅̅̅ ( ) ̂ ( ) ]

AN : ̂

( )

Où ̅ = 4.722*10-5 et n=8 , ̅̅̅̅ , ,

( )

[2.994 < 1.2771 < 3.0671 ] , l’inégalité n’est pas vérifié

6.1.4 Test de rejet des résiduelles

Ce test est le plus important, il correspond à l’hypothèse suivante : les résiduelles Vi

appartiennent à un échantillon compatible avec une distribution normale.

̂  (̂ ̂ ̂ )

La résiduelle standardisée est définie par :

̂

(̂ ) Distribution normale réduite

2 approches peuvent être considéré :

[Link] Approche « hors contexte »

Chaque observation est testée pour elle-même indépendamment des autres dans l’échantillon

L’énoncé de la probabilité est exprimé par :

̂
[ ]

Avec

Page
57
 Compensations avancées Tayeb TACHALLAIT

Les limites du test sont :

[ ]

AN : ,

̂  ̃

( ) ( )

[ ̃ ] ( )

[Link]. Approche « Dans le contexte »

Chaque observation est testé en tenant compte de l’ensemble .on considère la probabilité
simultané que toute les résiduelles standardiser soit dans l’intervalle.

L’énoncé de la probabilité est exprimé par :

̂
[ ]

Avec

Les limites du test sont :

Page
58
 Compensations avancées Tayeb TACHALLAIT

[ ]

AN : ,n=8 ,

[ ]

Donc aucune résiduelle n’est rejeté

Remarque : il est préférable d’utiliser cette approche dans le contexte dont le niveau de risque
est plus faible .avant de rejeter des observations et recommencer la compensation.

6.1.5 Test pour

Hypothèse ̂

̃ ̃ ̂
Sachant que la qualité : =ν 

Est appelé distribution chi-carré à ν degré de liberté

L’énoncé de la probabilité est exprimé par :

̂
[ ]

Les limites du test sont :

̂ ̂
* +

AN : ̂ ,n=8 , ,

Page
59
 Compensations avancées Tayeb TACHALLAIT

Inégalité vérifié  hypothèse vérifié

Remarque :

Si une hypothèse est rejeté c’est une indication de la présence d’une anomalie dans le
problème :

- Présence d’erreur systématique dans les observations

- Mauvaise évaluation de la matrice variance covariance par des observations
- Présence de contrainte erronée .
- Modèle mathématique
- Mauvais choix de

Page
60