5. Phoenix2

Question 1

Analyse compartimentale

Modélisation (2)

Answer 1

estimation des paramètres PK

minimisation de la fonction objective (OF)

Question 2

OF :

Answer 2

observé (vrai) - prédit ( par phoenix)

on veut la OF la plus petite

Question 3

EStimation des paramètres :

minimums locaux

Answer 3

=> réinitialiser le modèle avec différents estimés initiaux

=> certaines méthodes de convergences

Question 4

Estimation des paramètres :
algorithmes de minimisation
(4)

Answer 4

• steepest descent
• gauss newton
• marquardt
• simplex

Question 5

Minimisation de la OF

avec quelle méthode ?

Answer 5

méthode des moindres carrés

=> problème : [c] élevées sont très high => tiennent en compte => ptite variation va changer bcp

Question 6

meilleure méthode pour minimiser OF

1/obs et 1/obs^2

1/pred et 1/pred^2

Answer 6

Méthode des moindres carrés pondérés

1. sensible aux valeurs extr^mes
2. biaisé qd modèle structural est erroné

Question 7

variance de l’erreur résiduelle:

homoscédastique
ou
hétéroscédastique ?

Answer 7

les grandes [c] seraient bcp mieux représentées en termes de % de déviation que les petites valeurs
=> on assigne une pondération (poids) pour équilibrer l,importance relative de chacune des observations

Question 8

Critères d’évaluation du modèle

choix de modèle approprié

Answer 8

les points à la fin doit être alignées à la courbe

Question 9

Critères d’évaluation du modèle

prédite vs observée

Answer 9

tous les points devraient être sur la ligne

pas tous en haut ou tous en bas

Question 10

Critères d’évaluation du modèle

résiduelle vs prédite

ajout du poids (avec pondération) => meilleur graphique

Answer 10

points soient distribués de façon symétrique p/r à la ligne et autant de points ds les [c] high que faible

Question 11

ajout de poids va

Answer 11

faire + attention aux [c] faibles

Question 12

tests diagnostiques

critère d’AIC

outil permettant de comparer la validité du lissage entre des modèles concurrents pr un mm ensemble de données

Answer 12

aic = ofv + 2 (nbr paramètre)

==> pénalise les modèles ak bcp de paramètres

“est -ce que l’ajout de 2 paramètres amène une petite amélioration ( best of) en vaut la peine ? “

Question 13

Test F

réalisable ?

Answer 13

discrimination entre 2 modèles rivaux

méthode de calcul de la OF est la mm

modèles comparés sont hiérarchiques

Question 14

modèles hiérarchiques

Answer 14

2 modèles hiérarchiques qd ils contiennent les mm termes et que l’un deux contient au moins un terme additionnel

1 est emboité ds 2

1 est réduit, 2 est complet

Question 15

test F

formule

Answer 15

4 param - 2 param

Question 16

aic réalisable qd ?

Answer 16

méthode de calcul de la of est la mm

Question 17

principe de parcimonie

Answer 17

entre 2 modèles : prend + simple

Question 18

bon modèle = (4)

Answer 18

• valeurs prédites représentent celles observées
• résiduelles distribuées random
• paramètres estimés = n-biaisés et précis
• différents paramètres sont peu corrélés