Bonjour à tous,

Alors ça fait un moment que je me retourne la tête pour ce problème, je vous explique. J'ai des données expérimentales et les résultats d'un modèle qui me donnent des courbes de ce type:



Mes données sont discrètes:
density=[1 2 3 9];
experiment=[20 13 10 7];
model=[13 9 7 6];

J'ai plusieurs modèles qui me donnent donc des résultats différents, ce que je veux dans un premier temps c'est de les comparer aux données expérimentales pour trouver le meilleur. Au début je calculais donc l'erreur relative (model-experiment)/experiment puis je faisais une vulgaire moyenne du vecteur obtenu.

Le problème c'est que mes données ne sont pas espacées de la même façon à chaque fois (voir le vecteur 'density'), j'ai donc calculé ma moyenne en faisant l'intégrale (méthode trapèze) de mon vecteur erreur que j'ai ensuite divisé par la 'longueur' de la densité (dans mon exemple: 9-1=8). Cette méthode donne plus d'importance aux valeurs fortement espacées.

Est-ce que ça vous parait correct de faire ça ? Car en cherchant je ne trouve que des calculs de moyenne sur des données discrètes mais qui ne sont pas classées (exemple: moyenne d'un contrôle de math).

Existe-t-il une autre méthode pour comparer des résultats de ce type ?

De plus c'est pas parce qu'un modèle ne donne pas les mêmes valeurs que les données expérimentales qu'il est forcement nul. Si par exemple je peux écrire le vecteur des résultats du modèle comme étant le vecteur des données expérimentales multipliés par une constante alors ça voudrait dire qu'il a la même évolution et donc que c'est déjà pas mal! Pour voir ceci j'ai pensé à calculer l'écart type de l'erreur relative. Pour moi, plus l'écart type est petit plus les résultats du modèle seront un "multiple" des données expérimentales. Question: est-ce que c'est vrai ? Car j'avoue que j'ai jamais trop aimé les statiques et que je me souviens plus trop des cours! Par contre ensuite le problème devient le même que pour la moyenne, faut-il que je fasse une intégrale ou pas ?

Voilà, merci d'avance pour votre aide!

@+
Fabien.