d'un modèle dynamique donné**. Dans ce cas, l'analyse est conduite de manière
itérative, lors de l'arrivée de chaque observation. On utilise pour cet exemple
le même système dynamique simple [Welch06]_ que celui qui est analysé dans les
-:ref:`section_ref_algorithm_KalmanFilter_examples` du Filtre de Kalman.
+:ref:`section_ref_algorithm_KalmanFilter_examples` du Filtre de Kalman. Pour
+une bonne compréhension de la gestion du temps, on se reportera au
+:ref:`schema_d_AD_temporel` et aux explications décrites dans la section pour
+:ref:`section_theory_dynamic`.
A chaque étape, l'analyse 3DVAR classique remet à jour uniquement l'état du
système. Moyennant une modification des valeurs de covariances *a priori* par
l'analyse itérative 3DVAR remet à jour uniquement l'état et non pas sa
covariance. Comme les hypothèses d'opérateurs et de covariance *a priori*
restent inchangées ici au cours de l'évolution, la covariance *a
- posteriori* est constante. Le tracé qui suit de cette covariance *a
- posteriori* permet d'insister sur cette propriété tout à fait attendue de
- l'analyse 3DVAR. Une hypothèse plus évoluée est proposée dans l'exemple qui
- suit.
+ posteriori* est constante. Le tracé de cette covariance *a posteriori*, sur
+ la seconde figure qui suit, permet d'insister sur cette propriété tout à
+ fait attendue de l'analyse 3DVAR. Une hypothèse plus évoluée est proposée
+ dans l'exemple d'après.
