
Le processus de détermination des valeurs des paramètres d'un modèle à partir de données observationnelles.L'estimation de paramètres est l'art d'extraire les meilleures valeurs pour les constantes ajustables d'un modèle à partir d'observations bruitées et incomplètes. En physique, chaque théorie possède des paramètres libres — la masse d'une étoile à neutrons, la rigidité d'un réseau cristallin, la force de couplage entre particules — et les données les contraignent rarement de manière exacte. Le défi est de trouver non seulement un bon ajustement, mais un ajustement défendable : dans quelle mesure chaque paramètre est-il contraint, et quelles valeurs sont exclues ? Cette discipline est au cœur de la science expérimentale, transformant des mesures brutes en affirmations quantitatives sur le monde.
La méthode des moindres carrés a été introduite par Legendre et Gauss au début du XIXe siècle pour l'ajustement des orbites astronomiques, et le principe de vraisemblance a été formalisé par Fisher dans les années 1920. L'estimation bayésienne de paramètres trouve ses racines dans le théorème de Bayes (1763), mais n'est devenue calculatoirement praticable qu'à la fin du XXe siècle.
L'approche standard consiste à définir une fonction de vraisemblance qui évalue la probabilité des données observées pour un ensemble donné de valeurs de paramètres. Les meilleurs paramètres maximisent ce score, et la courbure du score près du pic donne les barres d'erreur. Les méthodes modernes ajoutent des priors bayésiens pour intégrer les connaissances antérieures, et des algorithmes de Monte Carlo par chaînes de Markov (MCMC) pour explorer des espaces de paramètres de grande dimension lorsque le modèle est complexe. L'essentiel est de propager les incertitudes de manière honnête, afin que les conclusions soient accompagnées d'intervalles de confiance fiables.
Utilisée partout, de l'astronomie des ondes gravitationnelles (estimation des masses et des spins des trous noirs à partir des signaux des détecteurs) à la physique des plasmas (déduction des paramètres de turbulence à partir de diagnostics) et à l'imagerie médicale (reconstruction des propriétés tissulaires à partir de scans parcimonieux).
La première utilisation majeure des moindres carrés fut de prédire l'orbite de la planète naine Cérès, découverte en 1801, après qu'elle fut perdue derrière le Soleil — l'ajustement de Gauss permit aux astronomes de la retrouver exactement là où il l'avait prédit.






