d'un système, qui sont les observations, avec une connaissance physique et
mathématique *a priori* du système, intégrée dans les modèles numériques, afin
d'obtenir la meilleure estimation possible de l'état réel du système et de ses
-propriétés stochastiques. On note que cet état réel (ou "état" vrai") ne peut
+propriétés stochastiques. On note que cet état réel (ou "*état vrai*") ne peut
être atteint, mais peut seulement être estimé. De plus, malgré le fait que les
informations utilisées sont stochastiques par nature, l'assimilation de données
fournit des techniques déterministes afin de réaliser l'estimation de manière
L'assimilation de données cherchant l'estimation la **meilleure possible**, la
démarche technique sous-jacente intègre toujours de l'optimisation afin de
trouver cette estimation : des méthodes d'optimisation choisies sont toujours
-intégrés dans les algorithmes d'assimilation de données. Par ailleurs, les
+intégrées dans les algorithmes d'assimilation de données. Par ailleurs, les
méthodes d'optimisation peuvent être vues dans ADAO comme un moyen d'étendre les
applications d'assimilation de données. Elles seront présentées de cette façon
dans la section pour `Approfondir l'estimation d'état par des méthodes
requiert une pondération relative, qui est choisie pour refléter la confiance
que l'on donne à chaque information utilisée. Cette confiance est représentée
par la covariance des erreurs sur l'ébauche et sur les observations. Ainsi
-l'aspect stochastique des informations, mesuré *a priori*, est essentiel pour
-construire une fonction d'erreur pour la calibration.
+l'aspect stochastique des informations est essentiel pour construire une
+fonction d'erreur pour la calibration.
Un exemple simple d'identification de paramètres provient de tout type de
simulation physique impliquant un modèle paramétré. Par exemple, une simulation
L'estimation optimale des paramètres vrais :math:`\mathbf{x}^t`, étant donné
l'ébauche :math:`\mathbf{x}^b` et les observations :math:`\mathbf{y}^o`, est
-ainsi l'"*analyse*" :math:`\mathbf{x}^a` et provient de la minimisation d'une
+ainsi "l'*analyse*" :math:`\mathbf{x}^a` et provient de la minimisation d'une
fonction d'erreur, explicite en assimilation variationnelle, ou d'une correction
de filtrage en assimilation par filtrage.
