81011755 Analyse Statistique de Donnees Experimentales

ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES

Celui-ci est ensuite publie chez 1'editeur le plus adapte. Grenoble M. • garantir les qualites scientifique et pedagogique des ouvrages retenus. Grenoble 1 Grenoble Sciences rec. du Conseil general de 1'Isere et de la Ville de Grenoble.Grenoble Sciences Grenoble Sciences poursuit un triple objectif : • realiser des ouvrages correspondant a un projet clairement defini. • proposer des ouvrages a un prix accessible au public le plus large possible. Professeur a 1'Universite Joseph Fourier. PORTESEIL.P.fr) Deux collections existent chez EDP Sciences : • la Collection Grenoble Sciences. Directeur de recherches au CNRS. HOUCHMANDZADEH. FURGET. connue pour son originalite de projets et sa qualite • Grenoble Sciences .Rencontres Scientificjues.E-mail: Grenoble. VlLLEMAIN. Maitre de conferences a 1'Universite Joseph Fourier. collection presentant des themes de recherche d'actualite. dont les noms apparaissent au debut de 1'ouvrage. Professeur a 1'Universite Joseph Fourier. Maitre de conferences a I'Universite Joseph Fourier. BERTRANDIAS. Professeur a 1'Institut National Polytechnique. Directeur de recherches au CNRS. Puis les auteurs travaillent pendant une annee (en moyenne) avec les membres d'un comite de lecture interactif. de la Region Rhone-Alpes. LESIEUR.L. Grenoble C.Sciences@ujf-grenoble. 2002 . ISBN 2-86883-456-6 ISBN 2-86883-590-2 © EDP Sciences. (Contact: Tel. Chaque projet est selectionne au niveau de Grenoble Sciences avec le concours de referees anonymes. du Ministere de la Recherche. sans contrainte de mode ou de programme. Professeur a 1'Universite Joseph Fourier. MlSBAH. Grenoble 1 P. Grenoble 1 C.oit le soutien du Ministere de 1'Education nationals. Grenoble 1 B. Directeur scientifique de Grenoble Sciences Jean BORNAREL. Grenoble 1 Comite de lecture pour "Analyse statistique des donnees experimentales" J. traites par des scientifiques de premier plan issus de disciplines differentes. Grenoble J.: (33)4 76 51 46 95 .

BP 112 91944 Les Ulis Cedex A.ANALYSE STATISTIQUE DES DONNEES EXPERIMENT ALES Konstantin PROTASSOV SCIENCES 17. France . avenue du Hoggar Pare d'Activite de Courtabceuf.

Lilensten & J. Pelmont) . Exercices et problemes corriges (E. Upjohn. Franc et al. Karnakov & V. source de sciences et de techniques (M. Lilensten & P. de la nature et de la sante (F. Foster) . Chimie des radiotraceurs et applications biologiques (sous la direction de M. Astruc) Introduction a la mecanique statistique (E.Mecanique statistique.P.La plongee sous-marine a 1'air. Le Coarer) . Blelly) . Jans) Listening Comprehension for Scientific English (J.M. Vignais) . Tomes 1 et 2 CD. Upjohn) .L'ergomotricite. fractales (M. Amadis) Grenoble Sciences .Du Soleil a la Terre.Electrochimie des solides (C.M.P. Tomes 1 et 2 (V. II Materiaux et applications (sous la direction d'E. Lafontaine) . Robert) . Gendrier) . Belorizky & W. Gignoux & B. Lesieur) Magnetisme : I Fondements.L.La symetrie en mathematiques. B. Le corps.Rencontres Scientifiques Radiopharmaceutiques.Methodes et techniques de la chimie organique (sous la direction de D. De la formulation lagrangienne au chaos hamiltonien (C. Bornarel) . du Tremolet de Lacheisserie) .H. Problemes resolus.I. Silvestre-Brac) . Deportes et al.].La turbulence (M.Analyse numerique et equations differentielles (J. M.) .Endocrinologie et communications cellulaires (S. Haug) Bacteries et environnement. Aeronomie et meteorologie de 1'espace (J. des origines a nos jours (P. S. & J. Splines. Pelmont) .La mecanique quantique.Mathematiques pour 1'etudiant scientifique. Vidal) . le travail et la sante (M. Adaptations physiologiques (/. Catalyseurs du monde vivant (J.Naissance de la physique. Kogan) Exercices corriges d'analyse.Mecanique. Atteia & J. Demailly) . Soutif) Minimum Competence in Scientific English (J. physique et chimie (J.P. Galitsky.Chimie organometallique CD.Thermodynamique chimique CM. Alibert) . Belorizky & W. Oturan & M. Bertrandias) .Introduction aux varietes differentielles (J.Mathematiques pour les sciences de la vie. Caches) .Speaking Skills in Scientific English (J. Blattes & V. Le minimum vital a savoir (/. Fries & D.) . Sivardiere) . Comet & M.Enzymes. L'adaptation de 1'organisme et ses limites (Ph. Gorecki) . Verdetti) L'Asie. Upjohn. Astruc) .La cavitation.Turbulence et determinisme (sous la direction de M.Sous les feux du Soleil. De la Sicile a la Chine CM. Vers une meteorologie de 1'espace (J.Approximation hilbertienne. Lesieur) . Idelman & J. Soutif) . Tomes 1 et 2 (Ph.La biologie. Mecanismes physiques et aspects industriels (J. ondelettes. Gorecki) .Ouvrages Grenoble Sciences edites par EDP Sciences Collection Grenoble Sciences Chimie.

d'une fagon autonome. rares sont les situations ou les conditions experimentales correspondent exactement aux conditions d'application de tel ou tel theoreme. Neanmoins. A la base de toute analyse des donnees experimentales. Le plan du livre est simple. il existe plusieurs niveaux qui sont conditionnes par notre desir d'obtenir une information plus ou moins riche. mais aussi par le temps que nous sommes prets a y consacrer. C'est pourquoi 1'accent est mis non pas sur la demonstration des resultats mathematiques mais sur leur signification et leur interpretation physique. Les questions qui correspondent a une analyse plus approfondie et qui necessitent un appareil mathematique plus complexe sont composees avec une police de caracteres speciale. Parfois. Dans 1'analyse des donnees experiment ales. C'est cet esprit assez "utilitaire" qui a determine le style de presentation. Le dernier chapitre est consacre aux methodes les plus frequemment utilisees pour 1'ajustement de parametres. Le deuxieme chapitre presente des notions plus complexes de statistique. on presente les causes d'erreurs et on definit le langage utilise. nous voulons juste obtenir la valeur d'une grandeur physique sans nous preoccuper de verifier les hypotheses a la base de notre demarche. on s'efforce de repondre aux questions les plus frequentes qui se posent dans 1'analyse des donnees experimentales. ses resultats et leurs precisions. . Dans le troisieme chapitre qui est la partie la plus importante. La partie "indispensable" du texte correspondant au premier niveau est composee avec une police de caracteres normale. Ce livre est ecrit pour permettre au lecteur de choisir le niveau d'analyse necessaire. les resultats obtenus nous paraissent etre en contradiction avec nos estimations preliminaries et ainsi nous sommes obliges d'effectuer un travail plus scrupuleux. pour alleger la presentation. Frequemment. Le premier chapitre rappelle les principaux resultats de statistique essentiels a 1'analyse des donnees. De plus. Pexperimentateur n'a pas toujours besoin de connaitre les details et les subtilites mathematiques. Dans 1'introduction. Cette partie du livre peut etre sautee lors d'une premiere lecture. il est consacre aux fonctions de varables aleatoires. Parfois. on trouve une approche statistique qui exige des considerations mathematiques rigoureuses et parfois complexes.PREFACE Le but de ce petit ouvrage est de repondre aux questions les plus frequentes que se pose un experimentateur et de permettre a un etudiant d'analyser. cependant. la rigueur mathematique est volontairement sacrifice et remplacee par une argumentation "physiquement evidente".

Elie Belorizky qui m'a encourage a ecrire ce livre et avec qui j'ai eu des discussions tres fructueuses.6 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Bien que ce livre soit particulierernent adapte au travail d'etudiants de second cycle. aux ingenieurs et a tons ceux qui sont amenes a realiser des mesures. il pourra etre egalement utile aux jeunes chercheurs. J'airnerais remercier mes collegues enseignants et chercheurs qui ont lu le manuscrit et qui m'ont fait des propositions pour arneliorer son contenu. . Je voudrais exprimer ma profonde gratitude a M.

mais elle est inevitable et. Cette variation des conditions exterieures (et la variation correspondante de la valeur physique) peut etre plus ou moins importante. C'est pourquoi meme la question de savoir quelle est la valeur d'un parametre peut ne pas etre absolument correcte. ce qui modifie la grandeur mesurable. on ne peut pas s'en affranchir. on reste proche d'une certaine valeur moyenne. Pourquoi cette dispersion existe-t-elle ? D'ou vient cette variation ? Une raison de cet effet est evidente : les conditions de deroulement d'une experience varient toujours legerement. L'experimentateur qui le fait est frequemment confronte a une situation assez interessante : s'il utilise des appareils suffisamment precis. La necessite de cette interrogation prealable devient evidente des qu'on rnesure la meme grandeur plusieurs fois. Pour cela on introduit une fonction appelee distribution de probabilite de detection d'une valeur physique. plus ils sont rares. il s'apergoit que des mesures repetees de la meme grandeur donnent parfois des resultats qui sont un peu differents de celui de la premiere mesure. Nous sommes "condamnes" a effectuer des mesures de grandeurs qui ne sont presque jamais constantes. Ce phenomene est general. dans les conditions reelles d'une experience physique. que les mesures soient simples ou sophist iquees. parfois sans nous demander prealablement si cette formulation est correcte et si nous serons capables de trouver une reponse. ou plus simplement la distribution d'une valeur physique. d'une part les resultats sont toujours un peu differents et d'autre part cette difference n'est en general pas tres grande. qui montre . mais plutot par la probabilite de trouver dans une experience telle ou telle valeur. Plus les resultats sont eloignes de cette moyenne. La solution est de caracteriser une grandeur physique non pas par une valeur. Cette definition doit refleter le fait que la valeur physique varie toujours. quand on determine plusieurs fois la longueur d'une tige metallique. Meme les mesures repetees de la longueur d'une tige metallique peuvent donner des valeurs differentes. Nous effectuons des mesures et nous avons sou vent a nous poser la question : "quelle est la valeur de telle ou telle grandeur ?".POURQUOI LES INCERTITUDES EXISTENT-ELLES ? Le but de la majorite des experiences en physique consiste a comprendre un phenomene et a le modeliser correctement. c'est la temperature ambiante qui peut varier et ainsi faire varier la longueur. Dans la plupart des cas. II faut poser cette question de maniere pertinente et trouver des moyens adequats pour decrire les grandeurs physiques. mais de temps en temps on trouve des valeurs qui sont differentes de celle-ci. La repetition de 1'experience montre que. Par exemple. II faut trouver une definition qui puisse exprimer cette particularity physique. mais que ses variations se regroupent autour d'une valeur moyenne.

Pour obtenir 1'ensemble des valeurs possibles ainsi que leurs probabilites d'apparition. trop cher. La premiere est sa valeur moyenne qui est aussi la valeur la plus probable. qui caracterise la dispersion des valeurs qui peuvent raisonnablement etre attributes a la grandeur mesuree. La solution existe : on appellera valeur physique la valeur moyenne de la distribution et incertitude ou erreur de la valeur physique la largeur de la distribution 1 . Bien sur. nous aurions du 1'appeller "la formule de propagation des incertitudes". Par exernple. puisque cette erreur ou incertitude est souvent due aux conditions experimentales. associe au resultat d'une mesure. Elle caracterise la largeur de cette distribution et est appelee 1'incertitude. C'est tres long. de ses deux parametres majeurs : la moyenne et la largeur. et personne n'en a besoin. mais parfois nous utiliserons des expressions plus habituelles pour un physicien. Comme nous pourrons le voir par la suite. Elle a deux caracteristiques. Pour determiner une distribution on doit repeter plusieurs fois une mesure pour connaitre la frequence d'apparition des valeurs. Cela signifie que 1'on presente la valeur moyenne et la largeur d'une distribution et que cette reponse a une interpretation precise en termes de probabilites. Le but des mesures physiques est la determination de cette fonction de distribution ou. La deuxieme caracteristique de cette fonction de distribution indique. permet de revenir sur la question avec laquelle nous avons commence notre discussion : "Peut-on se demander quelle est la valeur d'un parametre physique ?" II se trouve que dans le cas ou deux parametres sont necessaires et suffisants pour caracteriser une grandeur physique. cela introduit une erreur Pour des raisons historiques. il ne s'agit pas tellement de la valeur concrete d'une grandeur physique. les organismes scientifiques internationaux essaient d'introduire des normes pour utiliser correctement ces deux termes (de la meme fagon que 1'on a introduit le systeme international d'unites). Ce n'est pas tout a fait vrai.8 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES quelles sont les valeurs les plus frequentes ou les plus rares. dans cette approche. nous tacherons de suivre ces normes. Nous utiliserons toujours ce nom bien connu bien que. On verra par la suite que cette fonction — la distribution d'une valeur physique — est heureusement suffisamment simple (en tout cas. dans la plupart des experiences. Le lecteur interesse trouvera dans la bibliographie toutes les references sur les normes actuelles. . Le fait que. on peut reconcilier notre envie de poser cette question et la rigueur de 1'interpretation d'un resultat en termes de probabilites. la region autour de cette moyenne dans laquelle se regroupe la majorite des resultats des mesures. on appelle une erreur la difference entre le resultat d'une mesure et la vraie valeur de la grandeur mesuree. Bien que cette definition ne soit pas parfaitement rigoureuse. selon les normes actuelles. au moins. dans la majorite des experiences). Pour des raisons de simplicite nous appellerons cette incertitude "1'incertitude naturelle" ou "initiale" de la grandeur physique elle-meme. grosso modo. une formule tres connue dans 1'analyse des donnees experimenatles porte le nom de "la formule de propagation des erreurs". les deux termes "incertitude" et "erreur" sont utilises en physique pour decrire la largeur d'une distribution. Tandis que 1'incertitude de mesure est un parametre. Aujourd'hui. II faut souligner une fois encore que. elle est tres utile pour la comprehension. cette largeur a une interpretation rigoureuse en terme de probabilites. Depuis quelques annees. on devrait en fait effectuer un nombre infini de mesures. Dans ce livre. C'est une convention admise de dire que "la grandeur physique a une valeur donnee avec une incertitude donnee". On se limite done a un nombre fmi de mesures. le resultat puisse etre caracterise par seulement deux valeurs. mais surtout de la probabilite de trouver differentes valeurs.

Sans la determination de I'incertitude. L'appareil donne systematiquement une valeur qui est differente (plus grande ou plus petite) de la valeur "reelle". ces changements peuvent etre de deux types : I'appareil peut "decaler" la valeur moyenne et il peut elargir la distribution. Get appareil apporte inevitablement des modifications de la distribution initiale : il la deforme. mais on peut toujours le verifier en faisant des mesures repetitives. de diminuer cette erreur : il suffit d'augmenter le nombre de mesures. Cependant nos conclusions generales ne sont pas modifiees puisque. Pour cela. Evidemment. due a 1'impossibilite de mesurer avec une precision absolue la distribution initiale (naturelle). 1'experience n'est pas complete : on ne peut la comparer ni avec une theorie ni avec une autre experience. II est assez facile. Le decalage de la valeur moyenne est un exemple de ce qu'on appelle les "erreurs systematiques". il est tres difficile de combattre ce type d'erreurs : il est a la fois difficile de les deceler et de les corriger. Ce nom exprime que ces erreurs apparaissent dans chaque mesure. Dans ce livre. s'appelle 1'erreur statistique ou rerreur accidentelle. on peut la rendre negligeable devant I'incertitude initiale de la grandeur physique. la notion de probabilite est non seulement utile et naturelle. Mesurer avec un appareil dont le zero est mal regie est 1'exemple le plus frequent de ce genre d'erreurs. On verra que cette incertitude ayant la meme origine que les incertitudes initiales (naturelles) s'ajoute "simplement" a celles-ci. dans ce genre d'experience. La . il n'y a pas de methodes generates et il faut etudier chaque cas. Cependant un autre probleme plus delicat apparait. ou existe une incertitude de la valeur physique a cause de la relation d'incertitude de Heisenberg. mais elle est indispensable. Par contre. Nous avons compris que pour determiner experimentalement une valeur physique il est necessaire (mais pas toujours suffisant) de trouver la moyenne (la valeur) et la largeur (I'incertitude). Dans un grand nombre d'experiences. II suffit done de faire une seule mesure et de prendre I'incertitude de I'appareil comme incertitude de la mesure. plus ou moins complique. il faut etre sur que I'incertitude de I'appareil domine I'incertitude naturelle. entre 1'experimentateur et 1'objet mesurable. En mecanique quantique. dans chaque experience physique existe un appareil. 1'interference appareil—objet devient plus compliquee et interessante. Dans le cas le plus simple. 1'elargissement du a I'appareil permet de simplifier les mesures : supposons que nous commissions I'incertitude (la largeur) introduite par un appareil et que celle-ci soit nettement plus grande que I'incertitude initiale. La premiere est I'incertitude naturelle liee aux changements des conditions d'experience ou a la nature-meme des grandeurs (en statistique ou en mecanique quantique). Malheureusement. II faut remarquer que la separation entre incertitude d'appareillage et incertitude naturelle reste assez conventionnelle : on peut toujours dire que la variation des conditions d'experience fait partie de I'incertitude d'appareillage. En principe. L'appareil peu precis ne permettra pas d'obtenir les variations dues a la largeur initiale. on ne parle pas des mesures en mecanique quantique. Nous avons egalement vu que cette incertitude contient trois contributions possibles.POURQUOI LES INCERTITUDES EXISTENT-ELLES ? 9 (incertitude) supplementaire. Cette incertitude. il est plus facile de maitriser 1'elargissement de la distribution introduit par I'appareil. du moms en theorie. II est lie au fait que. en mecanique quantique. II est possible de negliger I'incertitude naturelle par rapport a I'incertitude d'appareillage.

car les methodes choisies doivent evoluer en fonction de la precision requise. Le lecteur qui connait les bases de la statistique peut omettre sans probleme les premiers paragraphes et chercher la reponse a sa question. II ne faut pas oublier que. le probleme de 1'incertitude peut alors etre plus important que celui de la valeur. mais c'est aussi une question de physique. La troisieme est 1'incertitude d'appareillage due a 1'irnperfection des outils de travail de Pexperimentateur. 1'incertitude statistique en augmentant le nombre de mesures. comment peuton mesurer une grandeur physique. plus generalement. La plupart des paragraphes apporte reponse a une question concrete : comment calcule-t-on les incertitudes pour une experience avec un petit nombre de mesures ? comment peut-on ajuster les parametres d'une courbe ? comment compare-t-on une experience et une theorie ? quel est le nombre de chiffres significatifs ? etc. dans ce cas. Dans la troisieme nous cherchons a obtenir une precision du meme ordre de grandeur que celle de Petalon correspondant au parametre physique mesure . de notre vision du monde. 1'incertitude doit aussi etre evaluee grossierement. Plus on cherche de precision. . L'evaluation de cette limite est non seulement une question de temps et d'argent depenses. Premierement. Un experimentateur se pose toujours deux questions. 1'incertitude d'appareillage en utilisant des appareils plus precis. nous ne pourrons jamais tenir compte de tous les facteurs physiques qui peuvent influencer sa valeur. Dans la premiere nous voulons seulement obtenir 1'ordre de grandeur de la valeur mesuree . quelle que soit la grandeur a mesurer. on ne peut pas reduire les incertitudes infiniment. De plus. Dans la seconde nous desirous obtenir une precision de 1'ordre de un a dix pour cent . mais le prix a payer est la lenteur des calculs et leur volume. comment et jusqu'ou faut-il diminuer cette incertitude (largeur) de 1'experience ? C'est pourquoi 1'experimentateur doit comprendre les relations entre les trois composantes de 1'incertitude et trouver comment les minimiser : on peut diminuer 1'incertitude naturelle en changeant les conditions de 1'experience. plus la methode doit etre elaboree. II existe une limite raisonnable de 1'incertitude. Ce cadre peut ne pas etre exact. C'est pourquoi notre probleme est de choisir des methodes experimentales et des methodes d'estimation des incertitudes en adequation avec la precision souhaitable et possible. Diverses situations existent selon la precision desiree. il faut alors faire attention en determinant les incertitudes.10 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES deuxieme est 1'incertitude statistique due a 1'impossibilite de mesurer precisement la distribution initiale. nous considerons seulement les methodes d'estimation d'erreurs dans la seconde situation. c'est-a-dire les caracteristiques de sa distribution : la moyenne et la largeur ? Deuxiemement. Dans le cas contraire. Cependant. Dans cet ouvrage. tous nos raisonnements et discussions sont effectues dans le cadre d'un modele ou. 1'ouvrage lui apporte 1'information necessaire sur les parties de la statistique utiles au traitement des incertitudes.

CHAPITRE 1 RAPPELS SUR LA THEORIE DES PROBABILITES Dans ce chapitre.4) lui est consacree car elle et est indispensable a la comprehension du reste du livre.2 et 1.1 DEFINITIONS ET PROPRIETES Supposons que 1'on observe un evenement E repete Ne fois (on dit que 1'on prend un echantillon de Ne evenements). alors la probabilite P(a) que la marque a se manifeste est definie comme On voit toute de suite que la probabilite varie de 0 a 1 . cet evenement est caracterise par une marque distinctive a (appelee aussi caractere). Dans n cas.1 PROBABILITES Pour pouvoir decrire une grandeur physique en termes de probability il faut rappeler les definitions et les proprietes les plus simples. au moins aux cartes et ainsi la notion de probabilite ne lui est pas etrangere. chaque lecteur de ce livre a deja eu 1'occasion dans sa vie de jouer. 1. Si les resultats des evenements dans cette suite sont independants.1. 1. c'est pourquoi la partie esssentielle de ce chapitre (paragraphes 1. Logiquement. celle de Gauss joue un role tres particulier. Pour les mesures les plus frequentes faites en laboratoire nous n'avons pas besoin de toute la panoplie des methodes de la statistique mathematique et notre experience du monde est largement sumsante pour comprendre et assimiler les proprietes fondamentales des probabilites. Parmi ces distributions. nous avons reuni des notions de base de la theorie des probabilites : la definition d'une probability et ses proprietes elementaires ainsi que 1'introduction des distributions les plus frequemment utilisees dans 1'analyse des donnees experimentales.

est egale a 1 Un exemple d'evenement est le tirage d'une carte du jeu. ajouter deux probabilites P(A) et P(B). Alors. defmissons par AB 1'ensemble des evenements dans lesquels ces deux signes se manifestent simultanement. Definissons par A + B 1'ensemble des evenements dans lesquels la marque a ou la marque 6. a est une categoric de couleur. alors On peut reecrire P(AB') comme Parmi les na cas ou 1'evenement A se produit. Par exemple. la probabilite d'etre soit le roi soit une carte de cceur (a etant le roi. la dame. la probabilite d'une categoric de couleur est egale a 1/4. .P("roi de cceur") Introduisons une notion un peu plus compliquee. carreau ou trefle). Pour un jeu de 52 cartes. il y a une proportion 1'evenement B s'est egalement produit. c'est-a-dire la probabilite d'observer B sous reserve que A se soit produit. 6 une carte de coeur) est egale a P("soit le roi. Pour une carte tiree au hasard. certains evenements peuvent avoir les deux signes en meme temps et on les a comptes deux fois. 6 est la valeur de la carte (le roi. sont presentes (ici a et 6 peuvent etre de nature differente). la dame. C'est pourquoi il faut soustraire la probabilite P(AB}. 1'evenement B de n^ manieres et 1'evenement AB de nab manieres.. etc. La marque distinctive serait la categoric de couleur (pique. Cependant. i = a. Si le nombre total de realisations possibles est egal a N (ne pas confondre avec le nombre Ne d'evenements introduit au debut du paragraphe). coeur. Supposons que 1'evenement A puisse se produire de na manieres differentes. d'abord.b.) De plus.c.12 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES et que la somme sur tous les caracteres (de meme nature) possibles {/}... On peut introduire la probabilite correspondante qui s'appelle la probabilite conditionnelle P(A/B) de 1'evenement B. ou les deux. C'est-a-dire. soit une carte de coeur") = P("roi") + 7>("cceur") . Prenons un jeu de 52 cartes avec 13 cartes dans chaque couleur (le roi. le valet et 10 cartes numerotees de 1 a 10). On notera par A 1'ensemble d'evenements ou ce signe s'est manifested Introduisons deux operations tres simples avec les probabilites. pour trouver la probabilite qu'un evenement possede au moins une des marques nous devons.

On utilisera cette propriete plusieurs fois dans ce livre. n^ a 13. on 1'appellera grandeur "discrete". la derniere formule prend la forme 13 Si 1'evenement A n'a pas d'influence sur la probabilite d'evenement B. On s'apergoit facilement que et ainsi ces deux evenements ne sont plus independants dans le jeu de 53 cartes ! L'explication de cette difference est relativement simple : si nous savons qu'une carte est un roi alors elle ne peut pas etre le joker.1. na.5 = 13. Soit A "un roi". Done na = 4. a nouveau. dans le deuxieme. on conclut que et ainsi. on dit alors que les deux evenements sont independents et Dans ces conditions. 77.I . est egal a 4. Les exemples de grandeurs discretes sont la categoric de couleur. Ajoutons juste une carte a notre jeu — un joker qui n'appartient a aucune categoric de couleur. "continue". mais N est egal a 53. N = 52 et les probabilites correspondantes : Vu que P(AB) = "P("roi de cceur") = 1/52. FONCTIONS DE DISTRIBUTION Une grandeur physique peut avoir une valeur numerique discrete ou continue. Dans le premier cas. la valeur de la carte. B "une carte de coeur". et ainsi nous avons deja obtenu une certaine information pour determiner sa categoric de couleur. dans le jeu de 52 cartes.2 GRANDEURS DISCRETES ET CONTINUES. Considerons 1'exemple de notre jeu de 52 cartes. Done. on obtient pour la probabilite d'apparition de deux evenements a la fois P(AB) une relation tres importante : ce qui montre que les probabilites des evenements independants se multiplient. 1. si . ces deux evenements sont independants.RAPPELS SUR LA THEORIE DBS PROBABILITES Ainsi.

ou le comptage d'un detecteur. on decrit assez souvent une grandeur continue par une valeur discrete et vice versa. Nous observerons par la suite des passages des valeurs d'un type a 1'autre. comme la longueur. Neanmoins. ces situations sont rares dans les experiences de physique.14 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES Figure 1. conventionnelle et les proprietes (ou meme Pecriture) valables pour les valeurs discretes seront utilisees pour les valeurs continues et inversement. en physique. il existe des situations ou une valeur discrete ne peut pas etre remplacee par une valeur continue. Mais plus frequemment en physique. De ce point de vue. etc. Le fait meme que nous disposions d'un decimetre avec des divisions nous oblige a decrire une grandeur continue a 1'aide de valeurs entieres done discretes (on aura un certain nombre de decimetres ou de centimetres).1 : Histogramme de la premiere serie de mesures de la longueur / : sont portees sur 1'axe des abscisses la valeur mesuree et sur 1'axe des ordonnees la frequence de son apparition Ton reprend notre exemple. Le lecteur ne doit pas en deduire que le passage a la limite s'effectue dans tous les cas sans difficulte. Cette attitude correspond a un parti pris de presentation. On peut aller plus loin et dire que la representation d'une longueur par un nombre fini de chiffres est un passage oblige d'une valeur continue a une valeur discrete. considerons un exemple de mesure de la longueur d'une chambre (il est evident que la longueur est une grandeur continue) a 1'aide d'un decimetre qui possede aussi des divisions centimetriques. en partie. Les proprietes de probabilite resteront les memes dans . Cette distinction des valeurs (ou des grandeurs) discretes et continues est tout a fait justifiee. Cependant. le courant. si 1'on considere des exemples plus physiques. cette separation est. par exemple dans le jeu de cartes. Pour illustrer le caractere conventionnel de cette distinction. meme parfois sans se rendre compte de ce que Ton fait. la duree. on mesure des grandeurs continues. Bien sur. On franchira cette frontiere regulierement.

nous ayons trouve une fois la longueur de la chambre egale a 323 centimetres.I . comprise entre 324 et 325 cm et nous ne savions pas dans quel sens il fallait Tarrondir. Chaque histogramme donne le nombre relatif de resultats se trouvant dans un inter- . lorsque le nombre de mesures tend vers I'infmi. Pour clarifler la situation nous avons pris un instrument de mesure gradue en millimetres et en augmentant sensiblement le nombre de mesures nous avons obtenu les nouveaux resultats representes sur la figure 1. Avec une autre echelle on retrouve les memes tendances : les resultats sont legerement differents et se regroupent autour d'une certaine valeur. on montre la valeur mesuree et. Sur 1'axe des abscisses.RAPPELS SUR LA THEORIE DBS PROBABILITIES 15 les deux cas. C'est pourquoi nous donnerons les demonstrations generales pour les variables continues et considererons que les resultats s'appliquent aussi aux variables discretes. le nombre relatif (HI mesures de la valeur / par rapport au nombre total N de mesures) c'est-a-dire la frequence d'apparition de chaque valeur. notre decimetre n'etait pas toujours droit. Figure 1.1 qui s'appelle un "histogramme". Le sol n'etait pas plat. D'ou la dispersion de nos resultats.2 : Histogramme de la deuxieme serie de mesures de la longueur / : sont portees sur 1'axe des abscisses la valeur mesuree et sur 1'axe des ordonnees la frequence de son apparition On peut continuer ainsi notre experience en diminuant 1'echelle et en augmentant le nombre de mesures dans chaque serie. peut etre decrite par une fonction continue f(x) (figure 1. Supposons qu'apres avoir fait une dizaine de mesures rapides. la longueur etait.2.3). la plupart du temps. sur 1'axe des ordonnees. La forme des histogrammes tendra vers une forme en cloche qui. Les resultats sont presentes sur la figure 1. Continuons notre experience mentale. cinq fois — 324 cm et quatre fois — 325 cm.

f(x) obeit a la condition ce qui signifie que la probabilite de trouver une valeur de x quelconque est egale a 1. . . peut ne pas varier dans ces limites (elle ne peut pas etre negative). Ainsi. Par commodite mathematique. la probabilite P de trouver la valeur dans 1'intervalle compris entre xi et x<i est egale a qui est la somme (1'integrale) de f(x] pour toutes les valeurs de x entre x\ et x^. Selon (2).16 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 1. dans le cas d'un grand nombre de mesures et selon notre definition (1). . } nous . par exemple la longueur. x % . Mais une grandeur physique. On 1'appellera aussi la fonction de distribution de probabilite. Pour une grandeur discrete qui prend les valeurs numeriques X{ = {x\. nous avons pris ici des limites infmies pour 1'integrale.3 : Fonction de la densite de probabilite valle donne. D'apres notre definition. x varie au hasard et s'appelle variable aleatoire. Cela signifie que la fonction /(a?) utilisee pour decrire cette grandeur doit devenir tres petite en dehors des limites que nous choisissons effectivement. le produit f(x}dx donne la probabilite que la grandeur mesuree se trouve dans 1'intervalle La fonction f(x) represente la densite de probabilite.

3. position de la courbe (c'esta-dire celle de son maximum) sur 1'axe et son etalement. et avoir la forme de la courbe presentee sur la figure 1.1. II est logique d'introduire au moins deux parametres qui decrivent la. nous supposons que cette integrate (cette somme) ainsi que les integrates (les sommes) que nous allons definir existent. C'est une hypothese physique naturelle mais nous discuterons aussi d'exemples ou elle n'est pas valable.3 PROPRIETES DE LA FONCTION DE DISTRIBUTION Comment pouvons-nous caracteriser la fonction de distribution de probabilite f(x] ? Theoriquement. Pour une variable discrete La barre sur x est la notation standard indiquant la valeur moyenne arithmetique. tendre vers zero a plus l'infini et a moins 1'infini assez rapidement pour que 1'integrale (5) existe. vu sa relation avec la probabilite. Ainsi la premiere caracteristique de la distribution de probabilite f(x) est la valeur moyenne de x Chaque valeur possible de x est multipliee par la probabilite de son apparition f(x)dx et la somme (1'integrale) est effectuee sur toutes les valeurs possibles. il faut la connaitre a chaque point x mais il est evident que ceci n'est pas realisable experimentalement : nous ne pouvons pas mesurer la probabilite pour chaque valeur x. On peut souligner que le passage d'un histogramme a une fonction continue est analogue a la notion d'integrale comme limite de la somme des aires de rectangles element aires sous la courbe representant une fonction quand le nombre de divisions tend vers 1'infini. 1. Bien evidemment. A priori. L'etalement de la distribution peut etre decrit par la variance ou le carre de I'ecarttype et defini par .I — RAPPELS SUE LA THEORIE DBS PROBABILITES avons exactement la meme relation de normalisation : 17 ou 'P(xi) est la probabilite de trouver la valeur Xi. cette fonction f(x] doit etre positive.

et par pour une variable discrete. sous cette forme. Pourquoi avoir choisi cette caracteristique plutot qu'une autre ? Parce que la simple valeur moyenne de 1'ecart est nulle.4) d'une grandeur x qui peut varier de a a & La valeur de cette constante est definie par la condition de normalisation (5). II est facile de demontrer qu'avec la definition (7) le carre de 1'ecart-type s'ecrit Prenons 1'exemple le plus simple : une distribution de probability constante (voir figure 1. Nous aurions pu prendre comme caracteristique \x — x mais nous verrons a la fin de ce paragraphe que.4 : Distribution constante La valeur moyenne de x pour cette fonction de distribution est et sa variance : .18 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES pour une variable continue. on considere 1'ecart par rapport a la valeur moyenne af et on calcule la valeur moyenne du carre de cet ecart. Pour chaque valeur de a?. Figure 1. la variance ne presente pas certaines proprietes remarquables et fort utiles.

Cependant. La connaissance de tous les moments {fi'n} (ou {pn}} donne une information complete sur la fonction de distribution de probabilite f(x). On peut alors defmir les valeurs moyennes du cube.I . peuvent ne pas etre suffisantes pour decrire la fonction f(x).RAPPELS SUR LA THEORIE DBS PROBABILITIES 19 Les deux seules caracteristiques. On demontre facilement que si deux densites de probabilites fi(x) et /2(x) ont les memes moments. determinent la distribution f(x) d'une facon unique. Parfois. il est utile d'introduire des moments sans rapport avec la valeur moyenne Les moments (ou les moments centraux). on obtient un moment central d'ordre n : Le mot "central" souligne le fait que le moment est calcule par rapport a la valeur moyenne ~x. elles sont identiques Laissons au lecteur interesse le soin d'effectuer cette demonstration. ainsi defmis. De cette facon. par definition. il est plus rationnel de travailler avec une seule fonction contenant tous les moments dans son expression. Notons que. de la quatrieme puissance de I'ecart etc. Cette fonction s'appelle la fonction generatrice des moments defmie par : La fonction exponentielle peut etre developpee en serie On voit que [i'n est le coefficient des derivees de la fonction M'x(t} : peut egalement etre determinee a partir .

on obtient ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES D'une facon analogue. Pour deux grandeurs continues.20 Done pour t = 0. Ainsi la probabilite de trouver la premiere valeur dans Pintervalle compris entre x\ et x\ + dx\ et la deuxieme valeur dans 1'intervalle compris entre avec la condition de normalisation : . L'introduction de la fonction generatrice peut etre consideree comme une astuce permettant de faciliter les diverses demonstrations (ce que nous verrons plus tard).1. on peut affirmer que I'egalite des deux fonctions g e n e r a t r i c e s . i m p l i q u e I'egalite des deux fonctions de distribution de probabilite : Pour un lecteur interesse par les aspects mathematiques du probleme. Ou encore. Mais on peut lui donner une interpretation physique plus profonde qui sort du cadre de ce livre. notons que cette definition de la fonction generatrice n'est pas la seule utilisee dans la litterature. 1. la definition est etroitement liee a la transformation de Laplace. nous mesurons la longueur et la largeur d'une piece. x ^ } . Par exemple. on introduit la fonction generatrice des moments centraux : La relation entre ces deux fonctions est done : Conformement au theoreme que Ton vient d'enoncer. On peut remplacer la fonction exponentielle d'un argument reel e^par la fonction d'un argument purement complexe etxt. on doit introduire la densite de probabilite qui depend de deux variables /(a?i. Les deux transformations integrates sont tres proches I'une de I'autre : une rotation de 7T/2 dans le plan complexe de t permet de passer d'une transformation a I'autre. nous faisons deux mesures independantes de la rneme grandeur : dans ce cas nous pouvons aussi dire que nous travaillons avec deux grandeurs. La construction et les definitions sont absolument analogues au cas d'une seule variable. alors que dans le deuxieme elle est liee a la transformation de Fourier. Dans le premier cas.4 FONCTION DE DISTRIBUTION DE PLUSIEURS VARIABLES Examinons maintenant la situation un peu plus complexe ou nous avons affaire a deux grandeurs (variables) x\ et x^.

par definition. Ces deux grandeurs x\ et x^ peuvent etre deux resultats de mesure de la meme grandeur x. C'est celui ou deux variables x\ et x-2 sont independantes. Etudions les proprietes remarquables des valeurs moyennes et des variances dans un cas particulier mais tres frequent en physique : la somme de deux grandeurs independantes x\ -+.RAPPELS SUR LA THEORIE DBS PROBABILITES La generalisation de ces definitions au cas de N variables est evidente. Alors. L'hypothese de leur independance nous permet d'utiliser la propriete (16) et.x^. X 2 ) se separe en un produit de deux fonctions : ou chaque fonction represente la densite de probabilite de la variable correspondante.I . Leur somme nous sera utile pour calculer la valeur moyenne sur deux experiences. la valeur moyenne de la somme est egale a la somme des deux valeurs moyennes. selon la formule (3). Pour calculer la variance on procede aussi par definition : . 21 Parmi toutes les fonctions il existe un cas particulierement important et interessant en physique. la fonction f ( x \ .

. on a On introduit la somme de ces grandeurs. . . avec cette definition. XN. Mais. Cette formule est la base du traitement des incertitudes et elle est utilisee continuellement en physique. pour TV grandeurs independantes x±. Nous avons dit qu'il etait "a priori" possible de caracteriser 1'etalement d'une distribution f(x) par par exemple. Pour la fonction generatrice des moments . x % .22 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES On separe cette expression en trois integrates et on utilise la propriete (16) On obtient finalement une relation simple qui montre que la variance de la somme de deux grandeurs independantes est egale a la somme de leur variance. on ne peut obtenir une relation aussi simple que celle donnee par la formule (17). On voit d'ailleurs 1'avantage d'une telle definition de la variance. La moyenne de la somme X est egale a c'est-a-dire a la somme des moyennes et la variance de X est donnee par soit la somme des variances. Par analogic. .

Ce manque de connaissance de I'appareillage conduit parfois a des erreurs systematiques et meme a de fausses decouvertes. on doit utiliser un unique appareil dont on ne connatt pas tres bien les proprietes.I — RAPPELS SUR LA THEORIE DBS PROBABILITIES 23 on obtient facilement d'apres (18) Cela signifie que la fonction generatrice des moments d'une somme de grandeurs independantes est egale au produit des fonctions generatrices individuelles. De plus. nous avons vu un tel exemple avec une carte ajoutee a un jeu normal de 52 cartes.1. Mais on rencontre aussi des variables correlees (c'est-a-dire non independantes). dans la plupart des situations reelles. Bien evidemment. pour une experience precise. il existe beaucoup de situations ou. En physique experimentale.5 CORRELATIONS Jusqu'a present. nous n'avons considere que des exemples de grandeurs physiques (variables aleatoires) independantes. nous avons affaire a des variables aleatoires independantes comme les mesures d'une meme grandeur {x. chaque mesure risque de dependre des precedentes. ce qui entrafne que la probabilite de deux evenements A et B simultanes P(AB) n'est pas egale au produit des probabilites Cette inegalite est le signe de deux evenements correles. A la fin du paragraphe 1. En effet. La statistique n'est d'aucun secours dans ce type de situations.1. C'est un exemple d'erreur systematique qu'il est assez difficile de detecter et de corriger. On peut penser que de tels exemples sont relativement rares en physique. si toutes les grandeurs dans cette somme ont la meme fonction de distribution on a la meme fonction generatrice de moments pour toutes les grandeurs et pour la somme X on obtient une expression encore plus simple 1. il existe des situations ou une mesure peut influencer la suivante.}. . comme la mesure d'un courant avec un amperemetre electromecanique (de mauvaise qualite) dont le ressort est usage et se deforme facilement.1 (voir (4)). Dans ce cas.

leurs fonctions peuvent etre correlees. Meme si les variables {a??-} sont independantes. en statistique. Si Xi est proportionnelle a X j . y2 = azixi + 022^2 = (<*2i + ^22)^- .24 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES Neanmoins. Prenons un exemple. determinons les moyennes de 7/1 et de 7/2 : yT= auxi +012^2 = aii^I+ 012^2"= (an + 012)^ . Introduisons deux grandeurs y{ et y^ qui leur sont liees par une relation lineaire : Calculons la covariance cov(2/1. Nous caracteriserons la dependance entre deux variables X{ et Xj (avec des valeurs moyennes et des variances par le coefficient de correlation q^j defmi par : Les ecarts quadratiques moyens crz et <TJ sont introduits dans la definition par commodite. pour i = j Si les variables X{ et Xj sont independantes. Soient x\ et x^ deux grandeurs physiques independantes avec la meme moyenne /j. et la meme variance a2. Nous utiliserons aussi la covariance de deux variables : En particulier. qui donne une illustration de ce mecanisme d'apparition des correlations. presque trivial. c'est-a-dire ce coefficient est egal a ±1 . Tout d'abord. Dans un cas general. le coefficient de correlation est nul : q^j — 0. il existe "un mecanisme" tout a fait nature! et frequent d'apparition des correlations.7/2) (23).

Dans cet ouvrage. A posteriori. la notion d'independance de deux variables n'est pas toujours evidente. les composantes de la vitesse (vx. par exemple la distribution de Gauss (voir paragraphe suivant) avec fj.1. = 0. Considerons I'exemple simple de la correlation des deux variables x et y = x2. Cette distribution est la plus frequente en physique. pourquoi cette distribution joue un role si particulier. . c'est-a-dire que x et x2 sont effectivement correlees. D'apres la definition (23).2 DISTRIBUTION DE GAUSS La premiere distribution continue que Ton etudie ici est la distribution de Gauss. c'est pourquoi.RAPPELS SUR LA THEORIE DBS PROBABILITES 25 On a alors : Autrement dit. pour que et pour que la correlation disparaisse ! Get exemple n'est pas tres exotique : dans le cas d'un gaz dont les vitesses des molecules obeissent a la distribution de Maxwell (voir paragraphe 3. nous utiliserons les deux denominations. les deux variables y\ et yi Get exemple donne une illustration de la notion de correlation. nous pouvons penser qu'elles sont correlees.I . Neanmoins. cette expression est differente de zero. Nous verrons. Pour 1'instant nous etudions surtout ses proprietes. dans le paragraphe suivant consacre au theoreme central limite. dans la litterature. la covariance est donnee par Dans le cas general. on Tappelle aussi la distribution normale. 1. c'est pourquoi x et x2 se trouvent decorrelees.3). vy et vz) et I'energie ne sont pas correlees. Mais il suffit que Ton prenne le cas particulier d'une fonction de distribution f(x) paire. on peut comprendre qualitativement ce resultat : la valeur de x est caracterisee par son module et son signe tandis que x2 n'est caracterise que par le module de x. dans le cas general ne sont pas independantes mais sont correlees. Les signes + et — sont equiprobables en vertu de la symetrie de f(x). A priori.

mais. dans les situations experimentales concretes. <r son etalement. et a differents : ^ donne la position de la distribution. La densite de probabilite f(x] de trouver la valeur physique aleatoire x pour une distribution normale est donnee par La distribution normale est caracterisee par deux parametres ^ et a.26 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 1. Notons que le facteur devant la fonction exponentielle est choisi pour que la probabilite totale soit normee : Nous avons deja dit. et <r Supposons qu'une valeur physique varie d'une fagon continue dans un intervalle de moins 1'infmi jusqu'a plus I'mfini 1 .5 : Les distributions de Gauss pour plusieurs jeux de parametres /j. que la plupart des valeurs physiques varient dans des limites finies. au paragraphe precedent. .5 ou nous avons presente plusieurs distributions correspondant a des /j. les valeurs reelles ne sont jamais proches des limites et ainsi 1'hypothese d'infinite de 1'intervalle de variation n'a aucune consequence sur 1'applicabilite des resultats obtenus. Leur sens est clairement visible sur la figure 1.

I — RAPPELS SUR LA THEORIE DBS PROBABILITIES
Rappelons au lecteur que le calcul de I'integrale

27

qui se rencontre souvent en physique est simple. II suffit de considerer 72 (integrale sur tout le plan xy) et de passer en coordonnees polaires dans Tintegrale double :

Calculons la moyenne et la variance de cette distribution. Par definition, la valeur moyenne de x est egale a

Ainsi, le parametre p peut etre interprete comme la valeur moyenne de x. Notons aussi que x = ^ est le maximum de la fonction f(x] et que cette distribution est symetrique par rapport a ce point. De la meme fagon, on calcule la variance de la distribution normale :

(La derniere integrale peut etre calculee, par integration par parties.) Nous voyons pourquoi, des le debut, nous avons designe par a le deuxieme parametre de cette distribution.
II est relativement facile de calculer des moments d'ordre plus eleve de la distribution de Gauss. II faut introduire la fonction generatrice des moments centraux qui, par definition, est egale a

28

ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES

Pour la calculer il suffit de faire le changement de variable completer ('argument de la fonction exponentielle en faisant apparattre Ces changements de variable nous permettent de retrouver I'integrale (25). Ainsi, pour la fonction generatrice des moments centraux on obtient I'expression

On voit que tous les moments impairs sont nuls ce qui est evident en vertu de la symetrie de la distribution normale par rapport a x = //. Les moments pairs sont

Pour voir I'utilite des fonctions generatrices, prenons un exemple qui interviendra au paragraphe suivant. Considerons la distribution d'une grandeur physique y — ax + b qui est une fonction lineaire d'une autre grandeur x distribute selon la loi normale avec une moyenne /^ et une variance <r2. La fonction generatrice des moments est egale a

done

Selon notre hypothese, la distribution de x est une distribution de Gauss (26). D'ou

Cette expression prouve que la grandeur y a aussi une distribution normale de valeur moyenne a/j, + b et de variance a 2 <r 2 . Les deux resultats sont presque evidents : la translation change juste la valeur moyenne et le changement d'echelle multiplie la moyenne par a et la variance par a 2 (le resultat etait previsible vu les dimensions de ces grandeurs).

Comme la distribution de Gauss est entierement determinee par les deux valeurs //, <r et que la plupart des grandeurs physiques peuvent etre decrites par cette distribution, les resultats experimentaux peuvent etre caracterises par deux valeurs seulement. Par convention, on presente ces derniers sous la forme

II faut expliquer ce que cette ecriture symbolique signifie. Premierement, en presentant un resultat de cette maniere, on suppose que la distribution de la grandeur
2 Les normes ISO proposent d'utiliser la notation ux plutot que Ao\ Cependant, dans ce livre, nous garderons 1'ecriture Ao: plus habituelle pour les physiciens.

I - RAPPELS SUR LA THEORIE DBS PROBABILITES

29

physique mesuree est gaussienne. Deuxiemement, on prend la valeur rnoyenne de la distribution pour la valeur "reelle" de la grandeur x et sa largeur a pour 1'erreur. Cette forme d'ecriture est une convention generate que tout le rnonde accepte en gardant bien en tete ces hypotheses. On ne peut pas dire que la valeur "reelle" de x varie de la valeur minimale xmin = [i — a a une valeur maximale C'est faux ! Sous cette ecriture se cache une interpretation en termes de probabilite. Rappelons que la probabilite de trouver une valeur physique dans un intervalle de x\ a X2 est egale a 1'integrale de la densite de probabilite dans ces limites. Pour une distribution donnee, on peut calculer les integrales qui nous interessent numeriquement. En particulier, pour la distribution de Gauss (figure 1.6), la probabilite de trouver la valeur x dans 1'intervalle

dans 1'intervalle

dans 1'intervalle

Ces resultats montrent encore une fois a quel point 1'interpretation comme valeurs maximale et rninimale possibles de x est approximative. Pour une distribution de Gauss, la probabilite de retrouver x en dehors de cet intervalle est egale a 1/3, c'est-a-dire tres importante ! Autrement dit, si Ton mesure

Figure 1.6 : La distribution de Gauss

Pour 1'instant. De ce point de vue. elle n'est pas la seule possible. II faut dire qu'elle n'est pas frequemment rencontree dans les experiences mais elle est simple et instructive. de Poisson. Nous obtiendrons la distribution de Poisson comme une certaine limite de la distribution binomiale. le fait qu'une tres grande majorite de grandeurs physiques se decrit.3 AUTRES DISTRIBUTIONS ELEMENTAIRES Au paragraphe precedent. 1'interpretation d'une telle ecriture est que la probabilite pour que la valeur physique mesuree se trouve dans cet intervalle est egale a 2/3. mais elles sont relativement complexes. nous avons souligne que la distribution de Gauss est la plus frequente dans la nature. Cette distribution est caracterisee par deux parametres : la valeur moyenne H associee a la'Vraie" valeur de la grandeur physique et la largeur a associee a 1'erreur experimentale. il n'y a rien de dramatique si le resultat sort de cet intervalle. Plus tard. qu'il existe une erreur soit dans le deroulement de 1'experience. soit dans les calculs de // et de a. D'autres distributions de probabilite interviennent frequemment dans la vie courante . Nous leur consacrerons les paragraphes speciaux dans le troixeme chapitre du livre ou nous aborderons des problemes plus avances. Dans le paragraphe 3.3 %. alors il est tres probable qu'une erreur se soit glissee dans nos mesures ou dans les calculs de /J ou de a. au moins en premiere approximation. on ne doit pas prendre a la lettre les valeurs des probabilites obtenues avec un a theorique. L'apparition du resultat en dehors de I'intervalle de 3er signifie. Si 1'on ne peut obtenir la valeur de a experimentale qu'a un facteur 2 pres. La formulation plus rigoureuse de cette propriete sera donnee au paragraphe suivant ou nous demontrerons qu'il s'agit d'un resultat general valable pour presque toutes les . nous reviendrons sur la definition de fi et de a a partir d'un nombre limite de mesures ainsi que sur la precision d'une telle determination. c'est-a-dire qu'elle est negligeable. de Lorentz. la plupart du temps. ± 3u. Si le resultat sort de I'intervalle fj. nous verrons que ces distributions se transforment en une distribution normale dans la limite d'un grand nombre de mesures. Par centre. La distribution binomiale sera la premiere etudiee parmi celles qui decrivent des grandeurs discretes. si le resultat se trouve aussi en dehors de I'intervalle la situation devient beaucoup plus preoccupante. ainsi que la distribution binomiale et celle du x 2 . environ un tiers des resultats se trouve en dehors de jU ± <T et seulement deux tiers dans I'intervalle.30 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES une grandeur x plusieurs fois. 1. vu le nombre d'experiences realisees habituellement au laboratoire (de quelques unites jusqu'a quelques dizaines). C'est la raison pour laquelle le resultat d'une experience s'ecrit sous la forme /L* ± a . que retenir sur la distribution de Gauss (ou normale) ? D'abord. mentionnons en particulier les distributions de Student. Les distributions de Student et du x2 son^ indispensables en physique. Cette circonstance explique son importance en physique. Cette "transformation" sera le premier exemple du passage d'une distribution vers une autre. par cette distribution. La probabilite d'un tel evenement pour la distribution de Gauss est seulement de 0. Cependant.1.

Ici.7.4 et B est sans importance. Dans ces conditions la probabilite P/v(n) de trouver n particules dans v est donnee par (30). Supposons qu'un evenement ait deux realisations possibles ^4 et B.RAPPELS SUR LA THEORIE DBS PROBABILITES 31 distributions. on peut determiner la probabilite PN(H) que la realisation A se produise n fois. Vu que 1'ordre de realisations . la probabilite P^(n) que la realisation A se produise n fois est egale a : Cette densite de probabilite est celle de la distribution binomiale. Soient p la probability de la realisation A. Par definition (voir (6')). il faut multiplier cette probabilite par le nombre de possibilites d'extraire n objets parmi N objets.1 DISTRIBUTION BINOMIALE Cette distribution decrit des grandeurs discretes qui peuvent prendre seulement deux valeurs. Elle est caracterisee par deux parametres N et p. Chaque particule a une position aleatoire dans ce volume et a une probabilite p = v/V de se manifester dans une partie v du volume V. il faut noter que la "transformation" d'une distribution en une autre n'est pas d'un interet purement academique ou pedagogique.3. q = I — p la probabilite de la realisation B. La probabilite d'obtenir successivement n fois la realisation A puis N — n fois la realisation B est egale . C'est un probleme pratique car une telle operation peut nous permettre de remplacer. Plusieurs exemples de cette distribution sont donnes sur la figure 1. elle est egale a . plusieurs distributions de probabilite complexes par des distributions plus simples et plus generales et trouver ainsi un langage commun pour une description uniforme de grandeurs physiques tres diverses. La seule exception (physiquement interessante) a cette regie est donnee par la distribution de Lorentz. II est facile de verifier que la densite de probabilite (30) est normee conformement a 1'equation (2) : Determinons la moyenne du nombre n. au moins dans une premiere approche. 1. Si cet evenement se repete N fois. Comme exemple physique simple. considerons N particules d'un gaz sans interaction distributes uniformement dans un volume V.I . c'est-a-dire par Finalement.

changeons la variable de sommation en posant k = n — 1 : Nous aurions pu prevoir ce resultat directement car si la probabilite de realisation A est egale a p. a la suite de Af evenements. prenons la definition (7') et utilisons 1'expression (8) : . le nombre moyen de realisations A doit etre egale a Np.7 : La distribution binomiale pour trois valeurs du parametre p. Pour calculer 1'ecart-type.32 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 1. N etant fixe : N = 10 Nous avons utilise le fait que le terme avec n — 0 est nul .

I .RAPPELS SUR LA THEORIE DBS PROBABILITIES 33 Pour calculer la premiere somme. nous utilisons la meme astuce que pour le calcul de n dans (32) : Autrement dit. Les resultats (32) et (33) peuvent paraitre triviaux mais ils sont fondamentaux pour toute la statistique : la valeur moyenne n est proportionnelle au nombre de mesures . 1'ecart-type est egal a : La fonction generatrice des moments (14) de la distribution binomiale est La premiere et la deuxieme derivees de cette fonction en t = 0 defmissent les moments Ainsi la moyenne et la variance de la distribution binomiale sont donnees par : conformement a (32) et (33).

plus 1'on fait de mesures. Nous voulons trouver la probabilite P/^(n) que la realisation A se produise n fois au cours de toutes les mesures : et du fait que . plus la precision est grande : une conclusion evidente. Ce qui est beaucoup moins evident.2 DISTRIBUTION DE POISSON Etudions maintenant un autre phenomene particulierement interessant : la transformation d'une distribution dans une autre. Nous avons obtenu la formule (35) a partir de la distribution binomiale mais elle restera valable quelle que soit la situation experimental. presque triviale. il faut multiplier le nombre d'experiences. 1. Nous reviendrons sur cette question au paragraphe 2. Nous considerons la limite quand N est tres grand mais en imposant que le produit Np reste constant Np = const = // (c'est-a-dire p —>• 0).3.1. ici. on en comprend la raison. rappelons que la valeur moyenne est associee a la valeur d'une grandeur physique xexp et 1'ecart-type a son incertitude (voir la discussion suivant la formule (29)).34 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES tandis que 1'ecart-type est proportionnel a la racine de N Pour comprendre 1'importance de ces resultats. Vu qu'une bonne precision est chere. et ainsi le cout. par 100 ! Une experience precise peut couter tres cher et. Pour augmenter la precision par un facteur de 10. Prenons comme point de depart la distribution binomiale dans laquelle nous augmentons le nombre de mesures N. C'est une question non triviale et nous y reviendrons a la fin du livre. La formule (35) montre que la precision relative decroit seulement comme la racine de N. c'est la dependance fonctionnelle de 8 avec N. Si Ton definit 1'erreur (1'incertitude) relative 6 comme le rapport on voit que cette valeur est inversement proportionnelle au nombre de mesures TV Cela signifie que. il faut savoir de quelle precision on a vraiment besoin.

35 lorsque TV tend vers Pinfini. La fonction generatrice des moments (14) de la distribution de Poisson est . Done. pour la probability P^(n). On peut verifier aisement qu'elle est normee : que sa moyenne est egale a // : et que sa variance est p.I . (soit un ecart-type Nous aurions pu prevoir ces resultats a partir des expressions relatives a la distribution binomiale (32—33).1 C'est la distribution de Poisson.. il est toujours petit par rapport a N. par centre Finalement. on obtient . On peut reecrire (1 — p)N~n comme L'expression dans le denominateur tend vers 1 quand N —> oo.RAPPELS SUR LA THEORIE DBS PROBABILITIES Rappelons que n restant fini.

Cette distribution de probability est souvent rencontree en physique atomique ou en physique nucleaire. Ces mesures seront decrites par la distribution de Poisson. La forme de cette distribution pour plusieurs valeurs de p est presentee sur la figure 1.8. Notons que la distribution de Poisson ne depend que d'un seul parametre // = Np. c'est une distribution binomiale ou la realisation A est 1'apparition d'une particule dans le detecteur et la realisation B est son absence. Pour le verifier. car le nombre de particules comptees par un detecteur est distribue selon cette loi a condition que le flux de particules reste constant. divisons notre intervalle de temps (de 1 s) en A*" petits sous-intervalles. disons de 1 nanoseconde (1 ns = 10~9 s). Figure 1. Supposons que le nombre moyen de particules enregistrees pendant 1 s soit egal a // = 8. Prenons un exemple. Alors la probabilite de detection d'une particule dans un sous-intervalle est egale a p = II est important que cette valeur soit faible pour que Ton puisse negliger la probabilite de detection de deux particules dans un sous-intervalle de temps.36 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Le lecteur interesse retrouvera aisement la moyenne et la variance de cette distribution a I'aide des deux premieres derivees de la fonction M^{t] prises en t = 0. En principe. Supposons qu'a I'aide d'un detecteur on compte des particules et que 1'on enregistre leur nombre pendant une certaine duree. Les conditions de la limite const) sont satisfaites et la distribution devient une distribution de Poisson avec une moyenne JJL = 8 . disons 1 seconde.8 : La distribution de Poisson pour plusieurs valeurs du parametre p.

9). elle donne un exemple de distribution pour laquelle les definitions standards de la statistique ne sont pas toujours valables. son interpretation est aussi claire : il represente la moitie de la largeur a mi-hauteur et caracterise ainsi 1'etalement de cette fonction. dans les experiences en travaux pratiques. la fonction de Lorentz (37) est tres importante en physique car elle decrit des systemes qui se trouvent dans un etat dit de resonance. entre autres. une resonance decrit. en particulier. II est connu et utilise en mecanique (pour mettre en marche une balangoire. c'est-a-dire en physique microscopique.I .8).3. On peut voir facilement que cette distribution est symetrique par rapport a XQ qui est aussi le maximum de cette fonction. n est le nombre de particules detectees pendant 1 seconde.RAPPELS SUR LA THEORIE DES PROBABILITES 37 (figure 1. . un enfant doit effectuer ses mouvements periodiques avec une certaine frequence) ou en electromagnetisme (tous les postes de radio ou de television utilisent le phenomene de resonance pour choisir une station). la duree de vie d'une particule ou d'un systeme de particules. On a remplace une distribution a deux parametres (binomiale) par une autre beaucoup plus simple (de Poisson) qui ne contient qu'un seul parametre. a une place particuliere en statistique. Neanmoins. En ce qui concerne le coefficient a. Le coefficient devant la fonction est choisi pour que la probabilite totale de trouver une valeur quelconque de x soit egale a 1. D'une part. En physique microscopique. on rencontre de vrais problemes quand on veut trouver la moyenne et la variance en utilisant nos definitions habituelles. la fonction de Lorentz apparait comme une distribution de probabilite surtout en mecanique quantique. qui porte parfois aussi le nom de Cauchy. Ce phenomene se caracterise par une grande amplification des parametres du systeme. Le calcul de cette integrate ne represente aucune difficulte car la primitive de cette fonction est bien connue (arctangente). La distribution de Lorentz est donnee par la fonction qui depend de deux parameteres XQ et a (figure 1. Get exemple montre un "passage" entre differentes distributions. Cependant. 1. D'autre part.3 DISTRIBUTION DE LORENTZ La distribution de Lorentz. C'est pourquoi cette distribution de probabilite se manifeste relativement rarement dans les problemes macroscopiques et. Cette raison a elle seule est suffisante pour que 1'on etudie cette distribution de maniere plus approfondie.

cette integrale est divergente. la valeur moyenne peut etre consideree egale a XQ mais 1'on constate que le calcul de 1'integrale est un peu delicat.R) et si Ton calcule ensuite la limite lorsque R —>• oo. Le vrai probleme apparait quand on veut etablir la variance. n'existe pas au sens de la definition (7). On peut dire que la premiere integrale est nulle car la fonction que Ton integre est impaire par rapport a £ — 0. Du point de vue mathematique. Formellement.9 : La distribution de Lorentz D'apres la definition (6). Autrement dit.38 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES Figure 1. ceci est faux. Done. la valeur moyenne de x est egale a Pour calculer cette integrale. 1'etalement de la fonction de Lorentz peut etre decrit par le parametre a. Neanmoins. Cela signifie que Pecart-type. qui etait pour nous la caracteristique de la largeur d'une distribution. Elle n'est egale a zero que si 1'on considere ce que Ton appelle sa valeur principale. si Ton prend d'abord un intervalle d'integration fini et symetrique (—R. . faisons le changement de variable Le deuxieme terme est egal a XQ en vertu de la normalisation de la distribution. car 1'integrale correspondante diverge.

3) : ou la fonction exponentielle d'un argument reel a ete remplacee par la fonction exponentielle d'un argument purement complexe (pour simplifier la discussion. on peut obtenir ce resultat indirectement en utilisant le fait qu'en prenant la transformation de Fourier d'une fonction puis la transformation de Fourier inverse de la fonction obtenue. Nous verrons au paragraphe suivant que c'est la seule distribution qui ne se transforme pas en une distribution de Gauss lorsque le nombre de mesures devient grand. on prend Avec cette definition. il est possible de remedier a ce probleme.RAPPELS SUR LA THEORIE DES PROBABILITIES 39 La fonction generatrice (14) ou (15) de la distribution de Lorentz n'existe pas non plus a cause de la divergence de I'integrale correspondante. Ainsi ('expression de la transformation de Fourier directe (40) nous donne la formule (39). relativement compliquee. Cependant. la fonction generatrice existe et elle est egale a : Cette integrale. Ainsi si F(t) est la transformation de Fourier de f(x) alors Dans notre cas. peut etre calculee directement en utilisant la theorie des fonctions des variables complexes. Nous sommes en presence d'une distribution pour laquelle les definitions generates des valeurs moyennes ne sont pas valables. on peut choisir pour fonction generatrice une definition issue de la transformation de Fourier (voir la discussion a la fin du paragraphe 1. Cette particularity de la distribution de Lorentz a des consequences tres importantes.I . Au lieu de la definition issue de la transformation de Laplace. on retrouve la fonction initiale. Cependant. en prenant on obtient ou nous avons utilise le fait que a > 0. .1.

x = n. on rencontre parfois I'ecriture x\ qui signifie T(x + 1)). la fonction F est une generalisation de la fonction factorielle n\ au cas d'un argument non entier. Pour x entier. nous obtenons car Autrement dit. La fonction F est defmie par I'integrale En principe. ou meme complexe (dans la litterature. Notons que (3 est simplement un parametre d'echelle.3. La distribution de probabilite liee a la fonction F est decrite par la fonction pour x > 0. ce qui se verifie facilement a I'aide . la fonction F peut aussi etre ecrite sous une forme relativement simple car I'integrale Le changement de variable la ramene a I'integrale (25). comme d'habitude. Nous n'etudierons pas toutes les proprietes de cette fonction. Notons que pour les valeurs demi-entieres x — n + 1/2. mais nous nous bornerons a la plus interessante : qui se demontre tres simplement : il suffit d'integrer (41) une fois par parties.40 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 1. Cette fonction contient deux parametres 3 .4 DISTRIBUTION GAMMA Cette distribution herite son nom d'une fonction speciale dite fonction F ou integrate d'Euler de deuxieme espece. par la normalisation de la probabilite totale. Le choix de la constante devant la fonction de x est dicte. x dans cette expression peut etre complexe.

Calculons la moyenne et la variance de cette distribution. Cependant. . par x/j3.I — RAPPELS SUR LA THEORIE DES PROBABILITES 41 Figure 1.10. Quelques exemples de la distribution gamma (pour (3 = 1) sont representes sur la figure 1. Par definition.10 : La distribution gamma pour plusieurs valeurs du parametre a. utilisons ('expression (8) : Le calcul de est relativement simple : Ainsi la variance de cette distribution est donnee par 3 Notons la ressemblance formelle entre la distribution gamma et celle de Poisson : si Ton remplace n par a et jj. il ne faut pas oublier que les roles des variables et des parametres sont inverses dans ces distributions. Nous avons utilise la definition de la fonction F et sa propriete (42). /3 etant fixe de (41). Pour calculer la variance.

1. on peut travailler avec une distribution de Gauss. alors la distribution de la valeur moyenne sur un grand nombre n de mesures tend vers une distribution de Gauss avec une moyenne // et une variance Avant de demontrer ce theoreme. soulignons un fait tres important : on ne fait aucune hypothese sur la forme de la distribution de la grandeur aleatoire x ! Elle peut meme avoir une distribution discrete. mais nous citerons un peu plus tard un exemple physique ou cette limitation est violee et ou la .2. Si <72 est fini. Cette condition est presque toujours satisfaite dans la plupart des experiences.4 THEOREME CENTRAL LIMITE Considerons maintenant un des aspects les plus importants de la statistique qui concerne le theoreme central limite.3 consacre a la distribution % 2 . dans presque toutes les experiences.42 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Completons I'etude de la distribution gamma par sa fonction generatrice. La formulation exacte de ce theoreme est la suivante : Soit x une grandeur physique aleatoire avec une moyenne ^ et une variance <r 2 . II affirme que. Par definition (14). II faut seulernent que la variance soit finie. Ce theoreme represente non seulernent un resultat mathematique puissant niais il est particulierement important pour ses applications physiques. Ecrivons /3a+1 sous la forme et introduisons une nouvelle variable L'expression pour M'(t] devient L'integrale dans cette expression est egale a F(a + l)pa+l et fmalement M'(t] s'ecrit Nous verrons un exemple physique de la distribution gamma lie a la distribution de Maxwell des vitesses au paragraphe 2.

Vu 1'importance du theoreme central limite. etre oubliee lors d'une premiere lecture. nous avons fait le developpement limite de la fonction exponentielle et nous avons utilise le fait que la valeur moyenne de x est egale a ^ et que le carre de I'ecart-type est fmi et egal a a2 (13). Considerons la fonction generatrice des moments centraux pour / —>• 0 : Ici.I . Nous pouvons ainsi utiliser le developpement (47) par rapport au parametre t/^/n : Introduisons maintenant une nouvelle variable z liee a la valeur moyenne introduite dans I'enonce du theoreme par une relation lineaire Toute les valeurs Wi apparaissant dans la derniere expression ont la meme distribution car les differents x^ ont des distributions equivalentes. nous donnons ici sa demonstration qui peut. selon laquelle la fonction generatrice des moments d'une somme de n grandeurs aleatoires ayant la meme distribution est egale a la n-ieme puissance de leur fonction generatrice : . cependant. celui-ci nous garantit que.RAPPELS SUE LA THEORIE DBS PROBABILITES 43 distribution ne tend pas vers une distribution normale. Introduisons d'abord une valeur auxiliaire dont la fonction generatrice des moments est donnee par Pour t fixe. cette situation reste rare et quand les conditions du theoreme sont remplies. Neanmoins. tend vers 0 lorsque n tend vers I'infmi. Nous pouvons alors utiliser la propriete (21) de la fonction generatrice des moments. pour obtenir un resultat precis et fiable. il faut mesurer plusieurs fois la valeur de x et calculer sa moyenne.

a une distribution de Gauss avec une moyenne p et une variance a2/n. Pour 1'instant. leur independance et leur faible influence sur la grandeur physique. ou presque. dans la limite ou n est grand. Nous pouvons encore remarquer que I'erreur relative Sx sur la valeur moyenne X. que 1'on peut aussi rencontrer dans les livres sous le nom du theoreme central limite : Si une grandeur physique subit Vinfiuence d'un nombre important de facteurs independants et si Vinfiuence de chaque facteur pris separement est petite. cette expression tend vers On reconnaft ici la fonction generatrice (26) des moments d'une distribution de Gauss avec une moyenne nulle et une variance a2 = 1. Les points importants dans cette formulation du theoreme sont la presence d'un grand nombre de facteurs exterieurs. dans la limite ou n est grand. Cependant. donnons-en une autre formulation. Soulignons que. introduite dans la formule (34). Autrement dit. il faut savoir a quel point la distribution de la grandeur mesuree est proche de la distribution de Gauss et quand le nombre de mesures est suffisant. mais pour n facteurs independants. Pour n mesures independantes on peut affirmer que les X{ ont la meme distribution et ainsi la meme valeur de <r2. la grandeur z a une distribution normale avec une moyenne nulle et une variance unite. on ne peut plus dire qu'ils vont donner la meme distribution a Xi . il s'agit d'un theoreme limite. si le nombre de mesures est suffisant. Dans une situation concrete. est inversement proportionnelle a la racine carree de n. La valeur moyenne X est liee a z par Nous avons deja demontre qu'une fonction lineaire (ici X) d'une grandeur aleatoire z avec une distribution normale a aussi une distribution normale (voir (28)). Dans la deuxieme. art. Ainsi la valeur X. plus "physique".44 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Lorsque n tend vers I'infmi. dans la demonstration.peut etre consideree comme la valeur de la grandeur x influencee par un seul facteur i. nous obtiendrons tot ou tard une valeur physique ayant une distribution bien connue. Le theoreme que nous venons de demontrer est particulierement important pour les experiences physiques car il nous donne la garantie que. Pour eclaircir cet aspect du theoreme. alors la distribution de cette grandeur est une distribution de Gauss. n joue le role du nombre de facteurs independants . aucune hypothese n'a ete faite sur la forme de la fonction de distribution de x et qu'ainsi ce resultat est tres general. de plus nous savons ce qu'il faut faire pour que la distribution devienne une distribution normale. Les deux formulations du theoreme sont relativement proches I'une de I'autre. ont une distribution de Gauss . Ainsi on retrouve presque la meme demonstration du theoreme. c'est-a-dire que le passage vers une distribution de Gauss ne se realise que si n est suffisamment grand. la conclusion physique principale du theoreme central limite est que toutes les grandeurs physiques.

pour chaque valeur de 84 calculee. choisissons 200 numeros au hasard et calculons pour chaque numero la somme s4 des quatre derniers chiffres. le nombre de realisations NS4. Commengons par un exemple numerique simple. Nous pouvons faire cette experience elementaire a la maison : dans 1'annuaire telephonique. reste neanmoins une exception. cette distribution est caracteristique de la forme d'une raie dans les transitions electromagnetiques. en vertu de (21). Donnons maintenant le contre-exemple annonce au debut du paragraphe. Done la fonction generatrice de X est. Si x est distribue selon une loi lorentzienne. bien qu'il soit tres important en physique.I . Notre exemple de la distribution de Lorentz.RAPPELS SUR LA THEORIE DBS PROBABILITES 45 avec les memes valeurs de // et de cr2.3 pour laquelle 1'ecart-type diverge. . Le lecteur. pour la distribution de Lorentz. la distribution n'etant pas gaussienne. Une telle experience a ete effectuee avec "Les Pages Blanches" du departement de 1'Isere de 1'annee 1999 ou nous avons pris les 200 premiers numeros de la page 365. Autrement dit. pour une distribution de Lorentz initiale.11 sous la forme d'histogramme : nous avons reporte. pourra mener lui-meme cette etude. C'est celui de la distribution de Lorentz discutee au paragraphe 1. La fonction generatrice de Xi/n defmie par (38) est egale a : (a comparer avec (39)). sur ces 200 numeros. amateur de rnathematiques. il faut remplacer une simple valeur moyenne arithmetique X par une expression plus complexe. Les resultats sont presenters sur la figure 1. Toutefois cela n'est pas un obstacle au theoreme. cependant.3. Pour illustrer le theoreme central limite. II est facile de voir que. le theoreme central limite ne s'applique pas. Dans ce cas les conditions du theoreme ne sont pas satisfaites et les calculs de la valeur moyenne ne peuvent sauver la situation. Pour le demontrer. la valeur moyenne a aussi la distribution de Lorentz. on peut mesurer une distribution de Gauss. il s'agit d'une lorentzienne et non d'une gaussienne ! En physique. la condition d'existence d'un ecart-type fmi est essentielle a ce theoreme et n'est pas simplement une condition pour faciliter la demonstration. que toutes les raies mesurees experimentalement ont une forme lorentzienne. Get exemple ne signifie pas. Nous verrons plus tard que 1'appareil avec lequel on efFectue les mesures modifie aussi la forme de la distribution et que. considerons quelques exernples.

S4 = 18 et aS4 w 5. 2. 75 (a comparer avec (10) et (11)). 4 A cause de la ressemblance formelle entre les distributions gamma et de Poisson.46 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES II faut comparer ce resultat avec la distribution de Gauss representee par une ligne discontinue : avec les parametres p. Figure 1. Dans notre cas. Nous laissons cet exercice au lecteur. . n = 4. La coincidence entre la courbe et 1'histogramme est impressionnante ! Notons que le theoreme central limite suppose que les distributions de Xi doivent etre les memes et independantes (ce qui semble etre credible dans notre experience).11 : La distribution de la somme 54 des quatre derniers chiffres dans un numero de telephone Un autre exemple classique nous montre comment 1'augmentation de // transforme la distribution de Poisson en une distribution de Gauss4. Alors la somme sn. dans la limite a —>• oo. aura une distribution proche de celle de Gauss lorsque n —>• oo. pour n termes dans la somme. 5 et une variance (9 . mais nous voyons que la distribution de Gauss est deja une tres bonne approximation de la distribution de §4. Les valeurs de ces parametres ont ete calculees selon (19) et (20) en supposant que chaque chiffre dans un numero telephonique est distribue selon une distribution discrete constante avec une moyenne (9 + 0)/2 = 4. la distribution gamma donne une distribution de Gauss.0) 2 /12 = 6. on peut utiliser exactement la meme approche pour demontrer que.

est un minimum de la fonction. Les nombres d'evenements HQ pour lesquels les probabilites P^(UQ} sont sensiblement differentes de zero doivent etre proches de la valeur // . dans le cas d'un grand nombre de mesures. et un ecart-type ^/Ji. pour la distribution de Poisson (36). elle est tres petite a cause de la fonction exponentielle decroissante. et nous n'avons garde que le premier terme non nul. il est tout a fait normal que la moyenne et la variance restent les memes que pour la distribution de Poisson. nous avons donne quelques exemples de la distribution de Poisson avec plusieurs valeurs de /j. Plus la valeur de p est grande. Nous avons deja vu au paragraphe 1. Notre fonction P(j.8.(n) contient deux facteurs.2 que la distribution de Poisson peut etre obtenue a partir de la distribution binomiale lorsque le nombre de mesures N est grand et que p est petit. la distribution binomiale tend vers . le premier. la probabilite P^(n] ne sera sensiblement differente de zero qu'au voisinage de n — /j.. on peut ecrire que Dans cette expression. I/A/TI. la probabilite de trouver n evenernents dans un intervalle donne est egale a Augmentons la valeur du parametre //. Au-dela de cette region.I . ainsi nous considerons la limite n » 1 pour laquelle nous pouvons utiliser la formule de Stirling donnant n\ et ecrire la probabilite P^(n) sous la forme Pour simplifier cette expression dans la limite p.n » 1. car n — p.. Au voisinage de ce point. D'ailleurs. Cela signifie egalement que. La distribution ainsi obtenue est une distribution de Gauss avec une moyenne p. utilisons une approche assez connue dite "methode du col". plus la distribution devient symetrique par rapport au maximum qui est aussi la valeur moyenne.3. qui varie lentement avec n et le deuxieme. nous avons remplace la fonction qui varie lentement avec n par sa valeur au point n = p. Comme nous 1'avons deja remarque. ici On peut voir aisement que la fonction f^(n) possede un seul minimum pour n — p. e~^ n \ qui a une variation tres rapide avec n du fait de la fonction exponentielle . et qu'elle peut etre developpee en serie de Taylor au voisinage de ce point : Nous avons utilise ici le fait que / M (//) = 0 et f'n(^) = 0. le produit p = Np restant constant.RAPPELS SUR LA THEORIE DBS PROBABILITES 47 Rappelons que. Sur la figure 1.

les experimentateurs du CERN ont eu besoin de determiner avec une tres grande precision 1'energie des particules qui tournent dans 1'anneau de Paccelerateur.48 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES la distribution de Gauss. les changements de pression barometrique. etc. il faut interpreter ces limites avec precaution. On ne peut pas dire que la distribution de Gauss est un cas particulier de celle de Poisson lorsque fj. et si 1'on ne recherche pas une trop grande precision. Soulignons les conclusions a retenir.3). La distribution de Gauss obtenue de la distribution de Poisson dans la limite // —» oo ne depend que d'un seul pararnetre. De plus. Pour etudier les proprietes fondamentales des particules elementaires. II s'agit d'une experience recente faite au CERN sur un enorme anneau d'accelerateur de particules dont le perimetre est de 27 kilometres. les facteurs qui auparavant etaient supposes negligeables deviennent importants et se manifestent sous forme d'erreurs systematiques. le mouvement de la Lune. cet effet existe aussi pour la croute terrestre et donne lieu a des deplacements d'environ trente centimetres chaque jour. La distribution de Gauss generale est caracterisee par deux parametres independants : la valeur moyenne et 1'ecart-type. En augmentant la precision de leurs mesures. On a du consacrer beaucoup de temps et d'efforts. ce meme theoreme nous indique comment on peut contourner le probleme : il faut faire plusieurs mesures et travailler sur la valeur moyenne qui est forcement decrite par la distribution normale. Ce cas. Pour 1'instant. rejeter beaucoup d'hypotheses avant d'arriver a comprendre et a demontrer que 1'origine de ce comportement bizarre se trouvait dans le mouvement de la Lune autour de la Terre. D'abord. C'est le theoreme central limite qui nous le garantit. 1'hypothese selon laquelle la distribution d'une grandeur physique est une distribution de Gauss constitue une tres bonne hypothese de depart.12. les conditions du theoreme central limite sont satisfaites et la distribution d'une valeur physique reste gaussienne. si jamais on a le moindre doute sur la forme de la distribution. Sur la figure 1. pour la plupart des experiences physiques faites au laboratoire. Si c'est le cas. . donne a la fois un exemple d'erreur systematique liee a la negligence d'un phenomene physique et donne une belle illustration du "mecanisme" du theoreme central limite (la necessite d'avoir plusieurs petits facteurs). considerons un exemple physique instructif issu d'une experience reelle ou nous verrons le fonctionnement du theoreme central limite dans sa deuxieme formulation ainsi que ses conditions de validite. Cependant. Cependant. assez curieux. —>• oo. Des qu'on veut augmenter la precision d'une experience. Chacun de ces facteurs parait etre peu important. Un autre exemple d'une distribution qui tend vers la distribution de Gauss quand le nombre de mesures augmente sera donne plus loin lorsque nous etudierons la distribution de Student (en 4. nous recapitulons les relations entre ces trois distributions. les physiciens ont decouvert a un certain stade un phenomene tres etrange : 1'energie du faisceau variait selon les heures de la journee. II y a beaucoup de facteurs qui peuvent influencer 1'energie des particules dans un accelerateur : les variations du champ magnetique terrestre. Cette variation minime cumulee sur toute la longueur de 1'accelerateur modifie sa circonference de 1 mm et change ainsi 1'energie des particules. Get effet gravitationnel est clairernent visible sur 1'ocean : c'est le phenomene des marees.

Pour controler la deviation a la loi gaussienne et savoir combien de mesures sont necessaires. . de Poisson et de Gauss Neanmoins. le nombre de mesures doit etre grand.12 : Les relations entre les distributions binomiale.RAPPELS SUR LA THEORIE DBS PROBABILITES 49 Figure 1.I . il ne faut pas oublier "le point faible" de ce theoreme : comme c'est un theoreme limite. une analyse plus approfondie est indispensable : elle est 1'objet des paragraphes suivants. et done 1'experience peut devenir chere.

.Cette page est laissée intentionnellement en blanc.

2. pour 1'instant. le phenomene de la propagation des erreurs.y et <jy) lorsque la relation entre y et x est donnee par une fonction connue y = y(x) ? C'est.1. d'une part et p. d'autre part. Nous nous limitons.CHAPITRE 2 FONCTIONS D'UNE VARIABLE ALEATOIRE On peut formuler un probleme assez general et tres important pour les applications physiques. la moyenne de cette distribution sa variance Quelle est alors la fonction de distribution de probabilite g(y) d'une variable aleatoire y (en particulier. au cas d'une seule variable y = y(x). en particulier. 2. Ceci est vrai.y et <7y. en statistique. Elles peuvent meme etre suffisantes pour decrire toute la distribution et Ton les interprete alors comme valeur de la grandeur et son incertitude (erreur).x : . C'est pourquoi nous aliens trouver d'abord la relation entre les moyennes et les variances de x et de y — y(x). dans le cas de la distribution de Gauss qui est la plus frequemment rencontree dans les experiences. La relation entre les variances porte le nom de la formule de propagation des erreurs. nous avons vu que la valeur moyenne et la variance sont les caracteristiques majeures d'une distribution de probabilites. Supposons que soit connue la fonction de distribution de probability f(x) d'une variable aleatoire x (en particulier. p.1 FORMULE DE PROPAGATION DES ERREURS Commengons simplement par chercher la relation entre px et cr^.1 PROPAGATION DES ERREURS Au chapitre precedent. Developpons cette fonction en serie de Taylor au voisinage de x — p.

52

ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES

La valeur moyenne de y est egale a

L'approximation standard consiste a negliger dans cette expression tons les termes sauf le premier :

C'est un resultat qui pourrait sembler evident mais cette expression est approximative. Elle n'est exacte que si la fonction y(x] est lineaire. D'une fagon tout a fait analogue, nous pouvons calculer la variance de y :

A partir du developpement en serie de Taylor (48) nous avons :

Pour conserver la coherence de nos expressions, gardens uniquement le terme lineaire. Alors,

soit

II s'agit encore d'une expression approchee qui ne prend une valeur exacte que si la fonction est lineaire. Nous reviendrons sur la precision de cette approximation a la fin du chapitre. Nous pouvons generaliser les resultats (49) et (50) au cas de plusieurs variables. Soit une fonction de n variables. Pour abreger, utilisons des notations "vectorielles" :

ici Developpons la fonction en serie de Taylor au voisinage de x = jl. Au premier ordre, on obtient :

Cette expression donne pour la valeur moyenne

II — FONCTIONS D'UNE VARIABLE ALEATOIRE et pour la variance :

53

Supposons que les variables xi soient independantes (nous verrons dans ce chapitre le cas plus general sans cette hypothese supplementaire). Alors

Finalement, pour 1'ecart-type <r y , on obtient :

Nous avons ainsi resolu le probleme pose au debut du paragraphe. L'expression (54) permet de calculer 1'ecart-type ay de y si les ecarts <7Z- de Xi sont connus. Reecrivons cette derniere formule en remplagant 1 ax et ay par Aa? et Ay :

Ici, toutes les derivees sont calculees pour x\ — Hi, x-2 = jJ>2, • • • , xn — Hn, c'est-a-dire que tous les x^ doivent etre remplaces par leurs valeurs moyennes fa. Soulignons encore une fois que pour obtenir cette expression nous avons utilise deux hypotheses importantes : la premiere est 1'independance des grandeurs a?,-, la deuxieme est que, dans le developpement en serie de Taylor de y, nous nous limitons seulement aux deux premiers termes. 2.1.2 EXEMPLES DE PROPAGATION DES ERREURS

Les exemples les plus simples et les plus frequents concernent la somme et le produit (ou le rapport) de deux valeurs physiques. Pour la somme de deux valeurs x\ et x-i

['expression (55) s'ecrit

car les deux derivees sont

1

Rappelons que, dans ce livre, nous conservons les "anciennes" notations A:r au lieu de ux.

54

ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES

Pour le produit de deux variables

les derivees sont

et la formule (55) donne

Dans cette expression ainsi que dans les expressions suivantes nous ecrivons x\ et x% a la place de /^i et ^. Ce choix est volontaire car experimentalement il est possible de determiner mXl et mX2 et non //i et ^2- Pour ne pas introduire chaque fois de nouvelles notations, gardens partout x\ et x-± qui ne representent pas des fonctions mais des valeurs experimentales. D'une fagon analogue, pour le rapport

nous obtenons

Les deux dernieres expressions de Ay peuvent etre reunies sous une forme plus commode si Ton passe a 1'incertitude relative Ay/y :

Cette formule se generalise facilement au cas du produit et du rapport d'un nombre arbitraire de n variables :

Les formulas (56) et (58) ont une structure similaire : la racine carree d'une somme de carres. Pour des estimations rapides et simplifiees, on applique les majorations suivantes :

et

pour des fonctions compliquees.on de diminuer 1'incertitude : il faut toujours se battre contre la plus grande incertitude. nous rencontrons des fonctions plus compliquees. Ceci s'explique simplement car 1'augmentation de 1'incertitude en fonction du nombre n des variables est en ^Jn dans 1'expression (58') et en n dans la majoration du type (60). nous obtenons toujours un resultat "complique" et qu'ainsi la probabilite d'avoir une erreur arithmetique lors de la derivation ou lors des applications numeriques est tres grande. si 1'on suppose des incertitudes relatives sur Xi de 5%. la formule exacte donne une incertitude Ay/y = 7%. Cette approximation donne une erreur supplementaire de 10% dans les calculs d'incertitude (c'est une erreur de deuxieme ordre). on peut pratiquement la negliger. Parfois. Prenons un exemple : Nous pouvons appliquer la formule (55) directement. II est preferable de proceder autrement : on decompose la fonction initiale en fonctions elementaires et on fait les operations successivement. La difference entre la vraie valeur de 1'incertitude (58) et sa majoration (60) peut etre importante. Cependant 1'utilisation de ces majorations n'est justifiee que si Ton veut une evaluation grossiere de Pincertitude. plus la difference est grande. Si une des incertitudes est seulement trois fois plus petite que les autres. . tandis que sa majoration conduit a une valeur beaucoup plus grande : 10% ! Plus les variables sont nombreuses. ce qui minimise cette incertitude.II — FONCTIONS D'UNE VARIABLE ALEATOIRE 55 (on "deduit" parfois cette formule en calculant la derivee de log y). Par exemple. Le meilleur choix des conditions experimentales (des appareils et des methodes de mesure) consiste a avoir si possible les memes contributions de toutes les variables differentes dans 1'expression (55). Pour le faire nous calculons les derivees : et obtenons 1'expression suivante de 1'incertitude sur y : Le probleme est que. L'expression (55) ou les cas particuliers (56) et (58) donnent une idee sur la fac. Dans 1'exemple precedent : Pour chaque formule. on obtient aisement les incertitudes : La probabilite d'erreur dans cette approche est beaucoup plus faible.

Nous voyons que Ax2/x% est beaucoup plus grande que A£3/£3. Le resultat est y = 2. est distribute selon une loi normale. Autrement dit. La distribution de Gauss est remplacee par la distribution ^2 (voir paragraphe 3. nous avons suppose que le developpement en serie de Taylor peut etre limite a la derivee premiere. Ainsi. Soient Nous voulons calculer 1'incertitude de y a 10% pres. II faut en profiter car le gain de temps dans le calcul de 1'incertitude peut etre assez grand. y est aussi distribute selon une loi normale. celle de permettre d'analyser facilement le role et la contribution de chaque variable #. cette analyse par etapes est utile pour elucider les veritables sources d'incertitudes et ainsi prevoir des possibilites d'amelioration de 1'experience. De plus. pour Azi. Dans sa demonstration. II faut souligner que 1'exemple precedent n'est pas artificiel. 2. La raison de ce phenomene un peu etrange est liee au fait qu'il est difficile d'effectuer une experience ou toutes les sources d'incertitudes ont la meme importance : il existe une ou deux incertitudes dominantes. 1'expression de Az2 peut etre simplifiee par Nous notons aussi que Az% ~ 1 est beaucoup plus grande que Axi = 0.1 et ainsi.-. Par exemple pour la fonction y = cotg x et . nous remplagons lafonction y = y(x) par la fonction lineaire : Cette hypothese signifie que la forme de la distribution reste inchangee : si x. par exemple.56 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES II existe un autre avantage a cette procedure. II existe des situations moins "dramatiques" ou la derivee est non nulle mais ou il faut tenir compte des derivees superieures. surtout pour des mesures repetitives. nous obtenons 1'expression Finalement.1.3). Un exemple est donne par la fonction y = x2 avec // = 0. Notons une fois de plus que notre expression (55) n'est pas une formule exacte. II existe des situations ou la derivee y'(^) s'annule et cette approche n'est plus valable. 5 ± 0. 1'incertitude sur y est egale a une expression beaucoup plus simple que (61).

la probabilite que la vraie valeur de y se trouve dans Pintervalle [yexp — Ayi. Conformement au (51). Nous considerons le passage de n variables {xj} a n variables {yi} liees entre elles par des relations generates : Nous voulons trouver la relation entre les matrices de covariance de x et de y. lors de la discussion sur les intervalles de confiance. pour les fonctions "rapides".3 CAS DES VARIABLES CORRELEES Cherchons a generaliser la formule de propagation des erreurs (54) au cas de plus de deux variables correlees. D(y) = cov(y. a peu pres 68%. Ce phenomene peut apparaitre meme pour un monorne y = xn lorsque x n'est pas tres grand par rapport a Ax. on defmit la matrice de covariance par : De meme. Nous reviendrons sur cet aspect du probleme.II — FONCTIONS D'UNE VARIABLE ALEATOIRE 57 C'est la raison assez differente de pour laquelle. 1'ecriture yexp i Ay est remplacee par :)| et At/2 = \y(x — Aar) — y(x}\. De maniere analogue a (23). cependant. nous avons : en accord avec (52). Dans notre cas. a la fin du chapitre. C'est pourquoi il faut toujours se souvenir que notre approche approximative n'est correcte que si les incertitudes restent petites. yexp + A 3/2] reste "gaussienne".1. 2. Nous utilisons la lettre D pour cette matrice dans le but de souligner sa relation avec la variance (24). y). . La valeur de y ne suit plus une distribution de Gauss.

Introduisons deux grandeurs y\ et y^ qui leur sont liees par une relation lineaire : la matrice de covariance de x est diagonale : la matrice du Jacobien s'ecrit comme . pour les valeurs moyennes apparaissant dans (63).5.1. A I'aide de cette matrice ('expression (63) s'ecrit : la matrice J^ etant la matrice transposee de J. Dans notre exemple illustratif du paragraphe 1.58 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES Un element cov(yi.yj) de la matrice de covariance D(y) s'ecrit lei. nous avons choisi une transformation lineaire Solent xi et x? deux grandeurs physiques independantes avec la meme moyenne /j et la meme variance d1. nous avons des expressions plus compliquees que (53) : L'expression (assez volumineuse) de la matrice de covariance D(y] peut etre ecrite sous une forme beaucoup plus compacte si Ton introduit la matrice du Jacobien de la transformation (62) : Toutes les derivees sont calculees au point x = jl.

nous pouvons determiner P a partir de la formule P = RI2. lei. Ou se trouve I'erreur dans notre raisonnement ? Pour obtenir I'expression (55) nous avons utilise I'independance des variables. la relation (68) n'est pas correcte. Si nous connaissons le courant / qui traverse la resistance et la tension U aux bornes de celle-ci. aux variables P.II . cette hypothese n'est pas satisfaite car R et / ne peuvent pas etre consideres comme variables independantes. nous trouvons immediatement Les incertitudes relatives sur R et P sont selon (58) et Nous aurions pu choisir une autre approche. nous donnerait en contradiction evidente avec (67). Pour montrer formellement la correlation entre R et P nous utilisons la procedure decrite au debut du paragraphe et nous calculons le Jacobien (64) de passage des variables U. R : . En ayant calcule la valeur de la resistance R — U/1. considerons un exemple dans lequel nous voulons determiner la valeur d'une resistance R ainsi que la puissance P degagee par cette resistance.FONCTIONS D'UNE VARIABLE ALEATOIRE et ainsi la matrice de covariance D(y] est donnee par : 59 Comme illustration de la formule de propagation des erreurs dans le cas des variables correllees. Done. Cette relation.I. compte tenu de (66).

P. de la tension et du courant sont identiques II s'agit d'un argument supplementaire pour effectuer les mesures en faisant en sorte que toutes les contributions des differentes sources d'incertitude soient a peu pres les memes. /). nous avons : En vertu de I'independance de deux variables / et U Done. alors que les elements non diagonaux nous donnent la covariance de R et P II est interessant de remarquer que la correlation entre P et R est nulle lorsque les contributions a I'incertitude AP et A/?. calculons d'abord cov(Pt.60 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES La matrice de covariance (65) D(P. Pour retrouver I'expression correcte de AP. D'apres (63). R) prend la forme Comme il se doit nous retrouvons sur la diagonale les expressions des incertitudes qui peuvent etre reecrites sous les formes (67) et (66) respectivement. compte tenu de la correlation entre R et /. L'incertitude sur P s'ecrit alors : En utilisant les expressions des derivees . a partir de P = R.

II . Nous presentons sur la figure 2. 2. 2. c'est-a-dire qu 'a une valeur de x correspond une seule valeur de y et inversement.FONCTIONS D'UNE VARIABLE ALEATOIRE et la formule (69). tout d'abord. nous obtenons 61 en accord avec les expressions (66) et (67).1 un exemple de fonction de ce type. Figure 2.2 DISTRIBUTION DE PROBABILITE D'UNE FONCTION DE VARIABLE ALEATOIRE Nous pouvons maintenant resoudre un probleme plus complexe et trouver la fonction de distribution de la variable y = y(x] qui est une fonction d'une variable aleatoire x.2.1 : Une fonction biunivoque y = y(x) Nous savons que la probabilite de trouver la valeur de x dans I'intervalle compris entre x et x + dx est egale a : . que cette fonction y = y(x] est biunivoque.1 FONCTION BIUNIVOQUE >us Nous supposons.

Xk = Xk(y).. introduire la fonction inverse : Ceci est possible car notre fonction y(x) est biunivoque. II faut d'abord introduire toutes les branches univoques pour la fonction inverse : x\ — x\(y\x-2 — x^y]...2 CAS GENERAL Si la fonction y = y(x] n'est pas biunivoque (figure 2. La seule difference reside dans le fait que la densite de probabilite ne peut jamais etre negative. Les deux dernieres expressions peuvent etre reunies sous une forme compacte : Les formules (72) et (73) nous donnent La comparaison avec (71) nous permet d'obtenir le resultat final : 2. . la tache devient un peu plus compliquee. .62 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Nous cherchons la fonction g(y) qui nous donne la meme probabilite de trouver la valeur de y dans I'intervalle compels entre y et y + dy : II suffit de reecrire (70) en remplacant x par y. C'est pourquoi nous defmissons si la derivee dx(y)/dy est positive.2). et si la derivee dx(y]/dy est negative. Pour cela nous devons.2. puis faire la somme sur toutes ces branches (la probabilite de trouver y dans I'intervalle entre y et y + dy est egale a la somme de toutes les probabilites d'apparition de x entre Xi et Xi -f dxi]. d'abord. On a alors II nous reste a remplacer dx par dy comme nous le faisons dans les changements de variables d'integration.

II existe done deux branches de la fonction inverse : Leurs derivees sont : Ainsi la densite de probabilite g(y] est donnee par soit .II — FONCTIONS D'UNE VARIABLE ALEATOIRE 63 Figure 2.2 : Une fonction non biunivoque y — y(%) Ainsi la generalisation de I'expression (74) s'ecrit Prenons I'exemple y(x) = x2. avec une fonction de distribution de probabilite de x egale a f(x). La fonction y(x) = x2 n'est pas biunivoque car pour deux valeurs de x differentes on peut avoir la meme valeur de y : y(x) — x2 — ( — x } 2 .

y 2 .y2j . . . . # 2 .3 b). . . quelle sera la distribution angulaire dans le systeme du laboratoire ? Avant de chercher la relation entre les deux fonctions de distribution angulaires. .. xn) = f(x) (voir (18)) se transforme en une densite de probabilite </(yi. par exemple. Supposons que nous connaissions les caracteristiques de 1'interaction dans le systeme du centre de masse avec. rappelons la relation entre les angles de diffusion dans le systeme du laboratoire (figure 2. yn}\ est la valeur absolue du Jacobien de cette transformation. c'est-a-dire dans le systeme ou. . un corps se deplace avec une vitesse VQ et le deuxieme est fixe. avant la collision. une distribution angulaire isotrope des particules apres la collision. Ainsi les lois de conservation de 1'energie et de I'impulsion . II faut introduire la transformation inverse Xi = Xi(yi..64 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Les formules obtenues sont valables dans le cas d'une fonction d'une variable y = y(x).= y«(a?i. • . II s'agit d'une collision elastique entre deux corps (deux particules) de meme masse m.yn) = X i ( y ) .3 EXEMPLE PHYSIQUE Pour montrer 1'importance de ce type de problemes. . nous savons que le mouvement des deux corps est la resultante du mouvement du centre de masse et du mouvement relatif par rapport a ce centre. • • • 5 #n) = yi(x). • • • > 2/n = y a I'aide d'une transformation y.3 a) et dans le systeme du centre de masse (figure 2. . . . • • • . £2. x < 2 . Cette formule est analogue a celle utilisee pour un changement de variables d'integration. . La densite de probabilite g(y) est ou |5(a?i. 1'etude experimentale se fait dans le systeme dit du laboratoire.. La seule difference est la presence du module deja discutee prcedemment. Apres la collision. . D'apres les principes bien connus de la mecanique. xn)/d(yi. il faudra faire la somme sur tous les branches comme on I'a fait pour une fonction y — y(x).2.yn) = d(y) a I'aide d'une relation qui est la generalisation de (74) etablie dans le cas d'une seule variable. Cependant. 2... Pour les fonctions qui ne sont pas biunivoques. Avant la collision dans le referentiel du laboratoire. xn = x a n variables independantes j/i. y % . on introduit un systeme des coordonnees correspondant au centre de masse car c'est dans ce referentiel que la description theorique de 1'interaction entre les deux corps est la plus simple. c'est-adire que la structure interne des particules reste intacte et que 1'energie cinetique est conservee. autrement dit. On peut les facilement generaliser au cas ou nous voulons passer de n variables independantes x\. non seulement pour la statistique mais egalement pour la physique en general prenons un exemple illustratif. La collision est elastique. un des corps etait au repos. les deux particules out des vitesses V\ et V<2 qui font les angles 9\ et 9-2 avec le vecteur VQ. Alors la densite de probabilite /(xi. x^. Qu'observonsnous experimentalement. 7/2. Habituellement.

3 b). les particules ont les vitesses v{ et V2 de modules egaux mais de directions opposees : Apres la collision. les modules des vitesses restent inchanges en vertu de 1'elasticite de la collision : et la collision donne lieu "simplement" a une rotation d'un angle x Qui egt 1'angle de diffusion dans le systeme du centre de masse.4). par exemple. Dans le systeme du laboratoire apres la collision.3 : Les vitesses et les angles dans le systeme du laboratoire (a) et dans le systeme du centre de masse (b) nous montrent que V\ et Vz sont perpendiculaires : La vitesse du centre de masse est egale a Dans le systeme du centre de masse (figure 2. les vitesses sont egales a : Si Ton represente graphiquement (figure 2.II — FONCTIONS D'UNE VARIABLE ALEATOIRE 65 Figure 2. la premiere relation. on voit toute de suite que .

Cela signifie que la probabilite dP que la particule 1 parte dans un angle solide dQcm divisee par d£lcm ne depend pas de Tangle : La valeur de cette constante est egale a 1/47T car la probabilite est normee a 1. L'angle azimutal. dans le systeme du centre de masse la distribution angulaire est isotrope. De plus. Du point de vue mathematique. nous avons vu que le changement des variables angulaires implique une modification de la forme de la distribution (la fonction constante a ete remplacee par une fonction lineaire).5.66 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 2. Vu la relation entre les angles solides (79). on peut economiser du temps en restreignant les mesures a 9\ < 7T/2. I'angle solide dans le systeme du centre de masse d$lcm = siuxdxdtp e§t lie a Tangle solide dans le systeme de laboratoire d£liab = sinOidOidp par la relation Comme nous 1'avons dit. nous pouvons reecrire / C m(X.4 : Relation entre les angles dans le systeme du laboratoire et dans le systeme du centre de masse Deux relations lient les angles polaires de diffusion dans les deux systemes. . bien evidemment. reste invariant et nous le designerons par <p. Par ailleurs. V7) s°us la forme Ainsi nous avons la distribution angulaire dans le systeme du laboratoire qui d'apres (78) s'ecrit : Les deux fonctions de distribution sont representees sur la figure 2. La conclusion physique est tres simple : une distribution angulaire isotrope dans le systeme du centre de masse se manifestera experimentalement par une distribution anisotrope dans le systeme du laboratoire.

2.FONCTIONS D'UNE VARIABLE ALEATOIRE 67 Figure 2.L'expression (80) contient un nombre fini de termes : une constante Ui «2 . alors que toute la statistique est basee. nous pouvons obtenir 1'expression exacte de la variance a^ sans utiliser la formule de propagation des erreurs. les contributions avec les derivees premieres et un seul terme avec les derivees secondes puisque Compte tenu de 1'independance de x\ et #2.5: Les distributions angulaires dans le systeme du cnetre de masse (s) et dans le systeme du laboratorie(b) 2.2. Considerons Pexemple tres simple d'une fonction produit de deux variables independantes : Cette fonction peut etre mise sous la forme equivalente : c'est-a-dire sous la forme d'un developpement en serie de Taylor au voisinage du point xi = //!.II . est une formule approchee (sauf dans le cas presque trivial d'une fonction lineaire). Dans certains cas. x-2 ~ fJ. nous pouvons calculer exactement la variance de y : .4 PRECISION DE LA FORMULE DE PROPAGATION DES ERREURS Nous avons deja souligne que la formule de propagation des erreurs. par la definition de la variance. sur 1'importance de la difference entre y — x2 et y ~ ~x2. largement utilisee dans le traitement des resultats experimentaux. Cette approximation est parfois assez grossiere puisque pour obtenir la formule de propagation des erreurs nous avons utilise la relation (49) : y(x) ~ y(~x).

qui caracterise I'asymetrie de la distribution de x. que dans la plupart des situations. Ainsi. on a sacrifie la simplicite de la description des grandeurs physiques. II est vrai que. La question qui se pose est de savoir s'il .68 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES La formula de propagation des erreurs (57) est obtenue en negligeant le dernier terme dans le developpement (80). pour la variance. Comme pour la formule de propagation des erreurs. Considerons 1'exemple simple d'une fonction d'une seule variable y — y(x). Techniquement. La valeur moyenne de y prend alors la forme ou apparait le troisieme moment de la distribution pxs = (x — x)3 introduit en (12). nous obtenons ou est en outre introduit le quatrieme moment ^4 = (x — x}4. Cependent des problemes majeurs apparaissent dans cette voie. nous travaillons avec des distributions gaussiennes. c'est un exercice simple. Dans le cas contraire il peut la perdre. si x est decrite par une distribution gaussienne. La prise en compte du terme lineaire dans la formule de propagation des erreurs nous garantit la conservation du langage utilise (la variable y est aussi decrite par la distribution normale). Rappelons. bien qu'il soit assez penible (il faut faire tres attention et garder correctement tous les termes de meme ordre dans le developpement et dans les calculs intermediares). Le probleme est resolu formellement mais le prix a payer est 1'introduction de moments centraux d'ordres superieurs non utilises jusqu'a present et dont la determination experimentale peut s'averer delicate. Ainsi cette formule conduit a une erreur supplemental dans le calcul de (Ay) 2 = a^ egale a 2 9 « • On pourrait penser qu'il est facile d'ameliorer la formule de propadgation des erreurs en poussant plus loin le developpement de la fonction en serie de Taylor. nous pouvons exprimer tous les moments d'ordres superieurs a 1'aide de la variance (voir (27)). Cette proposition apparait dans certains livres sur 1'analyse des donnees. un ecart-type <jy a une interpretation precise. Quand la distribution de y est gaussienne. Pour obtenir une expression plus precise de la variance. mais le probleme vient du fait que la variable y n'est plus gaussienne (on peut verifier que la distribution de y est asymetrique : ny3 7^ 0). developpons cette fonction en serie de Taylor au voisinage de x — px = ~x : Nous conservons volontairement le terme du troisieme ordre car il donnera en fait une contribution a la variance du meme ordre que le terme du seconde ordre.

• sont positives et que les incertitudes sont faibles par rapport aux valeurs moyennes (<rz.2. Soient x± et X2 deux variables gaussiennes. etudions sur un exemple le "passage" d'une distribution gaussienne a une distribution plus complexe. x% = z est egal a Ainsi I'integrale g(y) prend la forme Cette derniere integrale peut etre calculee si Ton utilise la valeur de I'integrale auxiliaire2 2 L'astuce pour calculer J(A. B) est classique : il faut utiliser la methode de derivation par rapport au parametre B : La derniere integrale se remene a I'integrale connue (25) par le changement lineaire de variable y = VAz .2. . Si /(#i) et /(x^) sont les fonctions de distribution des variables x\ et x-z selon (77). supposons que les valeurs moyennes //. II faut passer des variables x\ et x^ aux variables y et z = #2 (cette derniere joue le role d'une variable auxiliaire) et integrer sur z.II — FONCTIONS D'UNE VARIABLE ALEATOIRE 69 est Pinteressant d'obtenir une expression plus precise de 1'incertitude d'une grandeur physique si Ton ne peut plus 1'interpreter avec precision. Pour mieux comprendre.<C fJ-i). Pour simplifier les relations.B/2VA.Cela signifie que la distribution cherchee reste proche d'une distribution gaussienne. Quelle est la distribution de leur rapport Appliquons 1'approche generale presentee dans le paragraphe 2. la fonction de distribution g(y) de la variable y prend la forme Le Jacobien de la transformation x\ — yz.

lorsque les incertitudes relatives sont faibles (<TJ <C Hi). Un exemple d'une telle distribution est trace sur la figure 2.6 (pour /^i///2 — 1. mais remplacer partout ailleurs y par yo) avec une largeur ay dont le carre est egal a . On constate que. Figure 2.70 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES on trouve finalement apres quelques calculs laborieux mais sans difficulte majeure Dans cette expression La fonction (81) s'ecrit sous une forme qui ressemble beaucoup (surtout si Ton fait 1'approximation supplementaire AQ(y)/A 2 (y) w 1) a la distribution de Gauss.6 : La fonction de distribution g ( y ) de y = x\jx2 (ligne continue) comparee a une fonction gaussienne (ligne pointillee). mais sa largeur depend de y. la fonction de distribution g(y) est tres proche d'une gaussienne : c'est une fonction qui est tres piquee au voisinage de y = yo = pi/Hz (on peut done garder la dependance rapide de y dans la fonction exponentielle.

. la description des donnees experimentales devient assez lourde (pour chaque grandeur physique on est oblige d'indiquer la loi de probabilite et ses parametres). on peut remarquer que la fonction g(y] n'est pas tout a fait symetrique par rapport a y = yo et aucune gaussienne. une telle approche est indispensable pour rester precis dans la description des donnees (sans approximer les distributions de toutes les grandeurs par une loi gaussienne). Si nous conservons la meme approche. grace a 1'augmentation du nombre de termes dans le developpement en serie de Taylor.6 ou la fonction de distribution (81) est comparee avec une fonction gaussienne pour laquelle la moyenne y sup et la variance <r^u sont calculees a 1'ordre superieur du developpement en serie de Taylor3 Notons que ces valeurs sont tres proches de la moyenne /jy et de la variance cr^ calculees avec la fonction de distribution (81) : Neanmoins. demi-infini et infini . Cependant. Mais cela n'a pas beaucoup d'interet puisque 1'interpretation du resultat obtenu en termes de probabilites reste assez limite. meme avec une largeur calculee a partir de la formule de propagation des erreurs amelioree. definies sur un intervalle fini. Ce fait est illustre sur la figure 2. Si Ton veut ne pas se limiter a de cette approximation. la difference entre ces deux fonctions est evidente. des mesures precises de la fonction de distribution g(y) peuvent permettre d'avoir non seulement des informations sur la variable y mais aussi sur x\ et x<± (une des quatre caracteristiques des distributions initiales //i.2. En principe. En conclusion de ce paragraphe.FONCTIONS D'UNE VARIABLE ALEATOIRE 71 Done. on constate que "Pamelioration" de la formule de propagation des erreurs. jj. 2.3 NlVEAU DE CONFIANCE ET INTERVALLE DE CONFIANCE Nous avons deja etudie des distributions tres differentes : symetriques et asymetriques . <TI//-II et o~2/H2i tandis qu'une gaussienne ne depend que de deux variables. on retrouve une distribution gaussienne avec une moyenne yo = ^1/^2 et une incertitude ay en parfait accord avec la formule de propagation des erreurs (55). &2 restera toujours inconnue mais on pourra avoir les rapports entre elle et les autres). il est possible de 3 Nous laissons au lecteur le soin de retrouver ces expressions. ne represente aucune dimculte. ne peut decrire correctement cette distribution. On remarquera que la nouvelle fonction (81) depend de trois variable yo = ^1/^2. determinees par un ou plusieurs parametres. en premiere approximation. <TI.II . Sans doute.

— ra. bien evidemment. Dans le Tableau 2. et a donnes et Pr choisie. p. Pour fj. on calcule facilement 1'intervalle [a?i. si 1'on connait // et a on peut donner la probabilite Pr pour que x prenne une valeur dans 1'intervalle de x\ = n — r<r a #2 — H + rcr (quelle que soit la valeur de r] : Au lieu de caracteriser la variable x par \i. sont simples.1 : Probabilite Pr (en %) pour que la valeur d'une variable gaussienne x soit dans 1'intervalle [p. Autrement dit. celui d'une distribution de Gauss. 00% correspond r . et cr d'autre part. plus grand est 1'intervalle correspondant (pour que 1'on soit certain de trouver x dans cet intervalle). ecrit sous la forme // ± cr. Par exemple. + ra\ pour diverses valeurs de r A 1'inverse. alors r = 2 et on peut calculer // = \(x\ + #2) et <r = \(x-2 — x\). nous avons vu qu'une grandeur decrite par cette loi de probability est entierement definie par deux valeurs [i et a et que le resultat. 576 et a Pr = 99.2:2] et par la probabilite Pr de trouver x dans cet intervalle.72 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES proposer une autre forme de description des donnees experimentales qui permet. et cr.1 la probabilite Pr pour que x soit incluse dans 1'intervalle symetrique [ # i = / / — rcr. les relations entre les niveaux de confiance et les intervalles de confiance correspondants d'une part. Plus la probabilite est elevee. si 1'on connait [#i. on choisit les niveaux de confiance de 68 % ou 95 %. Si. Pour une distribution de Gauss. et les valeurs de fj. 290. La notion unificatrice sera. a Pr = 99. Et inversement. celle de probability. au moins en premiere approximation.960.0% correspond r = 1. x?] et la probabilite Pr. Autrement dit.2. on peut la decrire par 1'intervalle [#1. Pr = 95 %. mais les intervalles les plus frequemment utilises sont ceux qui correspondent a un (r = 1) ou deux (r = 2) ecart-types. on peut toujours determiner r et ainsi trouver 1'intervalle de confiance. On pent commencer par le cas le plus simple. #2] (voir paragraphe 2. Dans le paragraphe 1. d'unifier les resultats de distributions differentes. Bien sur. 9% correspond r = 3.2. a une interpretation rigoureuse en termes de probabilites. a une probabilite Pr = 95. on peut choisir une valeur quelconque de r (et la valeur de Pr correspondante). Cette probabilite s'appelle le niveau de confiance et 1'intervalle correspondant rintervalle de confiance. connaissant Pr. on peut retrouver // et a. X? = n + ra] est donnee pour 7 valeurs de r. . pour presenter un resultat.1). Tableau 2. par exemple.

La probabilite que x soit plus petit que x\ est alors egale a Avec une distribution de Gauss. d'autre part. Des exemples d'utilisation des niveaux et des intervalles de confiance seront presentes lors de la discussion d'utilisation de la distribution de Student (pour un nombre limite de mesures) ou encore de la distribution %2 (pour 1'ajustement des parametres). on peut considerer que ce signal est inferieur a une certaine valeur xi. D'habitude. proposee par Yukawa. qu'elle est suffisamment informative (elle nous donne le domaine de variation de la valeur de x et la probabilite de 1'y trouver) et. On a alors affaire a un intervalle unilateral (contrairement a un intervalle bilateral introduit au depart). la determination de la moyenne et de la variance a partir de Pr et [xi. par exemple. Aujourd'hui recherche le boson de Higgs (selon les modeles actuels. c'est une particule qui serait responsable de 1'existence de la masse de toutes les autres particules) : les recherches de cette particule out debute il y a plus de quarante ans mais n'ont toujours pas abouti. On a cherche ainsi la particule vehiculant 1'interaction forte. on peut facilement trouver la valeur de xi (ou de r) telle que la probabilite d'obtenir x < x\ = // + rcr. dans le domaine de variation des parametres ou la recherche a ete menee. Notons qu'un tel language permet de presenter d'une fagon tres informative un autre type de resultats experimentaux : les resultats negatifs. avec une certaine probabilitee Pr(x < xi). que. mais si Ton dispose d'une information exhaustive (forme de la distribution et autres parametres necessaires comme. le nombre de mesures effectuees) ce probleme peut etre resolu. soit egale a Pr : . on ne la trouve pas. C'est pour ce type de resultats qu'il est utile d'introduire des niveaux de confiance dont 1'intervalle est limite d'un seul cote. c'est-a-dire le fait qu'un phenomene attendu n'est pas observe. on peut decrire le resultat observe par le niveau de confiance Pr et 1'intervalle de confiance [xi. d'une part. Quelle que soit la distribution /(a?). par exemple. mais on continue jusqu'au jour ou 1'on obtient un resultat positif. on peut quantifier cet echec : on peut dire. Quand un resultat negatif est obtenu. la probabilite de trouver une particule est inferieure a une certaine valeur. une particule se manifeste par un signal x dans un detecteur. qu'elle est aisement generalisable aux autres distributions.X2] peut etre plus complexe que pour une distribution gaussienne . Quand aucun signal n'est enregistre.II — FONCTIONS D'UNE VARIABLE ALEATOIRE 73 Les avantages d'une telle presentation sont. ou du positon (antiparticule de 1'electron) dont 1'existence avait etc predite par Dirac. xz] II est vrai que pour une distribution non gaussienne. et ce. Toute la physique des particules en est une bonne illustration : pendant tres longtemps on cherche une particule.

38 99.72 99.87 99.00 69.5 Pr 50. on obtient facilement les intervalles bilateraux.2 : Probabilites Pr (en %) pour que la valeur d'une variable gaussienne x soit inferieure a /j.0 1. les intervalles unilateraux et bilateraux ne sont pas les memes.74 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Evideminent.0 2. par soustraction.5 2. Tableau 2.98 . pour une meme probabilite Pr.5 1. Quelques exemples numeriques sont donnes dans le Tableau 2.5 3.13 93. + rcr r 0.2. Par contre. et vice versa.15 84.0 3.0 0. si Ton salt calculer les intervalles unilateraux.32 97.

La seule information dont nous disposons est un ensemble de resultats. Nous essayons de montrer les differents "niveaux" d'un tel traitement. et de variance <r 2 . Le choix d'une analyse depend de la qualite du resultat que nous desirous obtenir. la moyenne et la variance experimentales ne sont plus suffisantes pour decrire la distribution de la grandeur physique x. II faut souligner qu'en physique comme dans la vie la methode de traitement des resultats est choisie pour minimiser le rapport qualite/prix. A priori. 3. D'abord.X2. il est difficile de connaitre la distribution de la valeur physique mesuree x et ainsi de determiner la valeur moyenne de la distribution /j. .CHAPITRE 3 EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES Ce chapitre presente 1'interet d'expliciter la procedure a adopter dans telle ou telle situation experimentale. A partir de ces mesures nous teutons de construire des valeurs qui tiendront lieu de moyenne fj. nous devrons les interpreter en termes de probabilite.%3. .xn. II comprend plusieurs paragraphes consacres a des questions precises qui apparaissent lors du traitement des resultats experimentaux. de 1'effort et du temps que nous sommes prets a y consacrer. Ensuite. • . VALEUR MOYENNE ET ECART-TYPE En general. c'est-a-dire un nombre fini de mesures {xi} ~ xi. Nous illustrerons ces etapes du travail et repondrons aux diverses questions precedentes. ayant obtenu un resultat. nous introduisons la moyenne et la variance experimentales. lors d'une experience. il est evident qu'avec un nombre fini de resultats {x^.1 ECHANTILLON. De plus. et sa variance <r 2 . par analogic avec les definitions "theoriques". La solution de ce probleme est construite en deux etapes. nous devons nous assurer qu'il est "raisonnable" et que notre analyse est bien autocoherente. . qui vont d'une consideration tres simple pouvant prendre quelques minutes jusqu'a une analyse assez sophistiquee a laquelle il faut consacrer beaucoup plus de temps.

3. en vertu de ce theoreme. Cette moyenne experimentale peut etre consideree comme une grandeur physique. Ainsi. Le deuxieme probleme est celui de la variance. (Arm d'alleger les demonstrations nous n'ecrivons pas les integrates multiples pour exprimer les valeurs moyennes qui sont symbolisees par une barre). Comment a partir de ces resultats obtenir des informations sur la valeur moyenne // et sur la variance cr2 ? La reponse intuitive est presque evidente. Pour n grandeurs independantes. De plus. la valeur moyenne de m est egale a (a comparer avec (19)) et la variance cr2^ a (voir la demonstration de la formule (17) et comparer avec (20)).1.1 DEFINITIONS ET PROPRIETES Une experience de physique donne un nombre fini de mesures. peut etre construite simplement comme la moyenne arithmetique de tous les resultats {x^} : Nous appellerons cette valeur la moyenne estimee a partir d'un echantillon ou plus simplement la moyenne experimental pour la distinguer de la vraie moyenne // que nous appellerons aussi la moyenne theorique. surtout compte tenu du theoreme central limite. La valeur qui remplace la moyenne /j.76 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Nous aurons done besoin de distributions plus compliquees que celles de Gauss et nous les presentons dans ce chapitre. Get ensemble de resultats {xi} s'appelle un echantillon. Soulignons le resultat deja etabli lors de la demonstration du theoreme central limite : 1'ecart-type de la valeur moyenne experimentale crm decroit comme l/^/n. Elle est la somme de n grandeurs independantes car nous supposons que les mesures {%i} sont independantes. Par analogic avec la valeur moyenne on definit la variance experimentale comme . la fonction de distribution se factorise en un produit de fonctions de distribution (voir (18)). nous pouvons dire que la distribution de m devient de plus en plus proche de la distribution normale quand le nombre de mesures n augmente (pour 1'instant nous n'avons fait aucune hypothese supplementaire sur la forme de la distribution de x ) .

le veritable argument pour ce choix est la condition d'egalite de la valeur moyenne de la variance experimentale s2 et de la variance a2. par definition. Desormais un resultat experimental sera caracterise par la valeur moyenne m (82) et par 1'ecart . la valeur moyenne de la variance experimentale s2 est egale a : Ecrivons le terme sous la somme en utilisant le fait que les valeurs moyennes de Xi et de ra sont identiques et egales a p : Le premier terme dans cette expression donne. Mais on peut la justifier meme qualitativement : une seule mesure est suffisante pour avoir une information concernant la moyenne mais on a besoin d'au moins deux mesures pour pouvoir apprecier 1'ecart par rapport a la valeur moyenne. Finalement. II faut maintenant changer les conventions decrites au paragraphe 1. cr 2 .EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 77 L'apparition de n — 1 a la place de n dans le denominateur peut paraitre un peu surprenante. Mais nous avons deja decide de travailler avec la moyenne m. En fait. nous obtenons la valeur moyenne de la variance : Ainsi nous avons construit une grandeur s2 qui. nous donne la vraie variance <r2 de la grandeur physique x. Cette definition est evidente : Lorsque n tend vers 1'infini. dans la limite d'un grand nombre de mesures. Pour calculer le deuxieme terme explicitons la difference Alors.Ill . car dans cette somme il n'existe qu'une seule contribution differente de zero pour k = i. Nous avons done a definir la variance s^ de cette grandeur (ou Fecart quadratique moyen] a partir des resultats experimentaux {xi}. le troisieme cr 2 /n.2. D'apres notre definition (85). cette valeur tend vers zero comme <r2 /n conformement a (84). en vertu de (84).

Pour la valeur moyenne m. qui peuvent etre defmis par 3. my et mxy sont les valeurs moyennes de x. Par analogic avec les formules (86) et (83). Le probleme devient facile a resoudre bien que sa demonstration soit assez longue. Malheureusement. on peut defmir la covariance. Nous devons savoir 1'estimer.2 PRECISION DE LA VARIANCE EXPERIMENTALE ET CHIFFRES SIGNIFICATIFS II faut aller plus loin dans 1'analyse des nouvelles definitions. la covariance de deux variables x et y est donnee par ou mx. Plus tard nous completerons cette description et nous en donnerons une interpretation exacte a 1'aide des probabilites. on ne peut pas obtenir un resultat general pour toute distribution . Si Ton veut determiner la variance de x il faut utiliser la definition (86).78 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES quadratique moyen s^ (88). Nous aurons egalement besoin des moments centraux m^ pour k > 3. possede sa propre incertitude. par exemple. de y et du produit xy selon la defmtion (83). Mais cette valeur sm etant une valeur determinee a partir des donnees experimentales. le coefficient de correlation et les moments d'ordre superieur pour un echantillon. autrement dit par sm. Bien evidemment. c'est pourquoi on fait 1'hypothese supplementaire que la grandeur x est distribute selon la loi normale. Le coefficient de correlation est alors egal a ou sx et Sy representent les racines carrees des variances expreimentales de x et de y defmies dans (86). Si 1'on veut calculer 1'erreur de s"L on doit calculer la variance correspondante : .1. La mesure de 1'incertitude est la racine carree de 1'ecart quadratique moyen. comme cela a deja ete fait pour la distribution de Gauss. les deux valeurs m et sm ne sont plus suffisantes pour presenter toute 1'information experimentale (les deux definitions contiennent explicitement un troisieme parametre. Ainsi. Soulignons que cet ecart est une caracteristique de m et represente ainsi 1'incertitude sur cette derniere valeur et non pas sur x. le nombre de mesures n). 1'incertitude experimentale est donnee par la racine carree de sa variance.

Nous obtenons trois termes. Le deuxieme terme est nul : car. est donne par ou nous avons introduit.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES Pour calculer s^ ecrivons d'abord s^ sous la forme 79 peut etre mis sous la forme Ainsi s^ est donnee par Prenons le carre de cette expression et calculons la valeur moyenne s^ a un facteur multiplicatif n2(n — I)2 pres. les moments centraux pour k = 2 et k — 4. il contient seulement les puissances impaires de (xi — /u) dont la valeur moyenne est nulle (voir la remarque apres .Ill . en vertu de la condition k ^ I dans la deuxieme somme. en accord avec (12). Le premier.

Le resultat final pour s^ est : Du fait que. Dans certaines situations. i = 1. la variance D(s^) est donnee par Dans cette expression. nous avons du fait que les puissances impaires de (a?. on peut connaitre de maniere assez exacte la precision sur 1'incertitude Aa?. autrement dit. S'il s'agit d'une incertitude purement statistique nous avons montre que 1'incertitude relative sur la variance experimentale est d'apres (93) . Nous reviendrons sur la formule (93) dans un paragraphe special consacre a la precision des incertitudes. ainsi. Sa connaissance est tres importante dans 1'analyse des resultats car elle est liee directement a leurs interpretations en termes de probabilites.. dans ce produit. pour le troisieme terme. il est assez difficile d'avoir une tres bonne precision sur les incertitudes dans une experience : on a besoin de plusieurs dizaines de mesures pour s'approcher de la precision de 1'ordre de 10%. les termes non nuls correspondent ai = k. pour une distribution normale. on peut utiliser le fait que. d'apres (88). Finalement. Une erreur d'un facteur 2 dans Ax peut modifier completement les conclusions. La precision d'une experience Aa? est determinee a partir des donnees experimentales et possede aussi sa propre incertitude.j = louj = k. //2 = v"2 et /i4 = 3cr4 (voir (27)) : L'incertitude relative (34) sur la valeur de la variance experimentale est egale a Une fois de plus nous retrouvons une dependance de la forme \j\fn .— /u) donnent zero .80 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES I'equation (26)).

87611 • 10~5. Figure 3.Ill . Dans le resultat final de Ax. Si la precision de 1'incertitude est de 1'ordre de 10—30%. La precision de 1'incertitude et le nombre de chiffres significatifs qu'il faut garder dans un resultat final sont directement lies (il vaut mieux conserver un peu plus de chiffres lors de calculs intermediaries pour eviter les erreurs d'arrondissement). 6&x est a peu pres egale a 1/3 et il faut effectuer une cinquantaine de mesures pour avoir une incertitude relative de 1'ordre de 10%.1 : L'erreur relative sur 1'incertitude S^^ en fonction du nombre de mesures n En travaux pratiques. nous garderons trois ou quatre chiffres pour exprimer la valeur de xm. Sa courbe est presentee sur la figure 3. Le nombre de chiffres dans la valeur x doit etre coherent avec le nombre de chiffres dans 1'incertitude. Pour 5 — 6 mesures. Selon ces deux cas. il faut retenir un ou deux chiffres significatifs dans 1'incertitude. soit xm = 1.x est plutot proche de 10%. Par exemple. 38 • 10~3 ou xm = 1.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 81 Ax est proportionnel a la racine carree de s^ et ainsi son incertitude relative est egale a Soulignons que cette fonction decroit tres lentement avec le nombre de mesures n. . nous obtenons difficilement une precision sur 1'incertitude superieure a 10%.1. Nous pouvons le regretter mais il faut s'en contenter en gagnant du temps de calcul comme nous 1'avons fait au paragraphe precedent. 37685 • 10~3 avec une incertitude Ax = 4. nous avons obtenu un resultat # exp = 1. 377 • 10~3 respectivement. il faut retenir un chiffre Ax = 5 • 10~5 si 6&x est proche de 30% ou deux chiffres Ax = 4. 9 • 10~5 si S&.

x % .82 Le resultat final s'ecrit ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 3.1. Pour la distribution de Gauss cette formule s'ecrit comrne Autrement dit. avec une moyenne nulle et une variance unite.xn par la fonction Supposons que les variables xi.xn sont distributes selon une loi normale. trouvons lafonction de distribution d'une variable aleatoire y liee aux variables aleatoires a?i. .3 DISTRIBUTION x2 Pour etidier les caracteristiques de la variance experimentale (85). . Pour une seule variable y(x) — x2 le resultat general a deja ete exprime par (76). g(y] represente une distribution gamma avec a — —1/2. /? = 2 et a une fonction generatrice Pour la somme des n variables independantes (95) nous pouvons utiliser la propriete (21) et ecrire la fonction generatrice de Xn '• Cette expression signifie que Xn a une distribution gamma avec a — n/2 — 1 et j3 = 2 : Ainsi nous avons trouve ce que Ton appelle la distribution de probabilite x2 • Sa valeur moyenne est et sa variance Quelques exemples de la distribution %2 sont donnes sur la figure 3.2. . . . # 2 . . . . .

conduit a des relations utiles. comme il se doit. deja mentionee lors de la discussion de la distribution gamma. Nous ne demontrons pas ici ce resultat. la distribution x 2 tend.8.16 Dans la limite d'un grand nombre de mesures n —> oo.2 : La distribution Xn P°ur n — 4.3) pour la distribution de Poisson et pour la distribution x2 sont lies entre eux : Pour demontrer cette relation. vers celle de Gauss. Par exemple. les intervalles de confiance (voir paragraphe 2. on fait le changement de variable z = x/2 et on integre n fois par parties : .Ill — EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 83 Figure 3. Notons simplement que le changement formel de variable y/2 —>• /j et n/2 — I —)• n nous donne la densite de probabilite pour la distribution de Poisson (36) qui tend vers la distribution de Gauss lorsque n —>• oo. Notons que la ressemblance formelle entre ces deux distributions.

k la constante de Bolzmann. dvxdvydvz se transforme en 47rv2dv. Le passage des vitesses a 1'energie fait "disparaitre" deux degres de liberte (deux variables) lors de 1'integration sur Tangle solide. Quelle est la loi de distribution de 1'energie des particules ? L'energie est liee a la vitesse par une relation du type (95) : La probability de trouver les composantes de la vitesse dans les intervalles compris entre vx et vx + dvx. . La probabilite de trouver la particule avec une energie dans 1'intervalle compris entre E et E + dE est egale a : C'est une distribution gamma avec a = 1/2 et (3 = kT. vz et vz + dvz est egale a Nous ne sommes interesses que par 1'energie des particules et ainsi les directions de la vitesse n'ont aucune importance. On en deduit la distribution de probabilite en energie. ou v est le module de la vitesse et d£lv 1'angle solide dans cet espace. Le dernier pas concerne le passage de la vitesse a 1'energie : v = ^/2E/m et dv = dE/VZmE. Dans cet exemple.ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Nous sommes passes d'une distribution a n variables a une nouvelle distribution d'une seule variable. c'est-a-dire la somme sur toutes les directions possibles. z] de la vitesse des particules du gaz a une distribution maxwellienne : ou m est la masse des particules. Nous pouvons ecrire 1'element de volume dans 1'espace de vitesses dvxdvydvz sous la forme v dvdQv. prenons un exemple bien connu de la physique statistique : un gaz de particules sans interaction qui se trouve a 1'equilibre thermodynamique a la temperature T. Une question assez naturelle peut etre posee : oil et quand les autres variables ont-elles disparu ? Pour mieux voir et comprendre la technique de ce "tour de passe-passe". Apres une telle sommation. on a soit une distribution %2 avec n = 3. En posant e = 2E/kT et g(e}de = g(E)dE. Chaque composante Vi (i — x. \2 a trois degres de liberte. y. Calculons 1'integrate sur £lv. Le parametre n dans la distribution de Xn es^ le nombre de degres de liberte. vy et vy + dvy.

= Xi — m sont liees par la relation et qu'ainsi dans la formule (100) nous avons n —1 et non pas n variables independantes. . en vertu de (77). Certains arguments qualitatifs ont ete developpes au paragraphe 2.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 85 Considerons une autre grandeur directenient liee a la variance experimentale (86) : qui peut etre mise sous la forme Nous verrons que cette grandeur est egalement distribute selon %2 mais avec n — 1 degres de liberte ! II est possible de prevoir ce resultat et meme de le comprendre qualitativement. Le Jacobien est alors egal a 1 et. . Effectuons une transformation lineaire orthogonale avec Une rotation dans I'espace euclidien a n dimensions est un exemple d'une telle transformation.. .. on utilisera la formule (77) introduite a la fin du paragraphe 2. .1. xn = x a n variables independantes yi.yn = y a I'aide d'une transformation yi = y z '(^i. II faut aussi noter que les n grandeurs z. Nous voulons passer de n variables independantes x±.Ill . y^. x-2.Pour cela. x?. . • • • . la fonction de distribution est inchangee. Le principe d'une demonstration plus rigoureuse est le suivant.2. lors de la discussion du facteur n — I dans la definition de la variance experimentale. xn) = Hi(%}. . La formule (101) nous garantit que la forme de la distribution reste gaussienne : La condition (101) peut encore s'exprimer a I'aide des coefficients c ? j sous la forme .2.1.

Les expressions (101) et (103) nous permettent de reecrire w sous la forme Autrement dit.86 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Dans le cas particulier ou la condition (102) prend la forme Pour notre fonction w (100). le nombre de degres de liberte v d'une distribution xl pour la somme de carres du type (104) est egale a ou / est le nombre de relations lineaires entre |xz-}. IMeanmoins. dans un cas general. Ainsi les variables t/» sont distributes selon une loi gaussienne avec une moyenne nulle et une variance a2. . la grandeur w est distribute selon la loi %2 avec n — l degres de liberte. Ainsi nous pouvons utiliser les resultats etablis sur la distribution x2 (98—99) et en deduire immediatement que resultats que nous avons deja obtenus difTeremment (voir (87) et (93)). les fonctions yi possedent les proprietes suivantes (rappelons que tous les Xj ont les memes // et cr) : et qui ont ete etablies en utilisant I'independance des Xi et la relation (102). choisissons et les autres yi avec i > 2 de facon arbitraire. Notons sans demonstration que.

2 DISTRIBUTION DE STUDENT Pour pouvoir interpreter les resultats experimentaux en termes de de m (82) et de sm (88). d'abord cette densite en faisant le changement de variables Transformons soit par transformation inverse Le module du Jacobien de cette transformation est egal a ^fz^ et. Ainsi nous connaissons les distributions de yi et de y? et nous voulons trouver la distribution du rapport t — yi/^/y^ en utilisant les regies connues de transformation des distributions. La variable y^ est distribute selon Xn-i comme nous venons de le demontrer (104). La solution du probleme est relativement simple si nous exprimons cette fonction sous la forme La variable y\ a une distribution normale (car tous les x± ont la meme distribution normale) avec la moyenne nulle (83) et la variance unite (84). on a besoin de la fonction de distribution de la variable ou m et sm sont definies par (82) et (88).EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 87 3. conformement a (77).Ill . La densite de probabilite de y\ et y? est egale a : avec 7/1 qui varie de —oo jusqu'a +00 et y% qui varie de 0 jusqu'a +00. la nouvelle densite de probabilite h(z\}zi) est .

L'integration sur z-i a elimine une variable (un degre de liberte) : l + (n — 1) — I = n — 1. n = 5.Z2) par rapport a z-2 et utilisons la relation f(i) — f(zi}\dz\/dt\ : Le changement de variable ramene cette integrale a une fonction F. Les variables initiates y\ et y^ (soit Xn-i} en on^ 1 et n — 1 respectivement. Figure 3. et n = oo (distribution de Gauss) Finalement la distribution f(t] s'ecrit ou t a n — I degres de liberte. La constante C dans 1'expression (107) est egale a .88 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Pour obtenir la densite de probabilite f(t] nous integrons h(zi.3 : La distribution de Student pour n = 2 (distribution de Lorentz).

les fonctions F dans la formule ci-dessus peuvent etre explicitees a 1'aidede (43) et (44).EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 89 Pour n donne. il ne faut pas oublier que les roles des variables et des parametres sont inverses dans ces distributions. Neanmoins. une certaine puissance de cette distribution. La figure 3. Notons que nous avons regroupe la distribution F (45) et celle de Poisson (36) par suite de la ressemblance formelle de leurs dependances fonctionnelles. Figure 3.3. La demonstration est simple et peut etre realisee par le lecteur interesse. la distribution t de Student represente.12 . elle montre les relations qui existent entre les differentes distributions. la distribution de Student se transforme en distribution gaussienne. Plusieurs exemples de la distribution de Student sont presentes sur la figure 3. nous pouvons tout de suite dire que. grosso modo. Pour n > 2.3.4 : Les relations entre les differentes distributions . on retrouve la distribution de Lorentz. Vu la discussion du paragraphe 1. On peut aussi calculer facilement la valeur moyenne et la variance de cette distribution lorsque cette derniere existe : Dans la limite n —>• oo. Pour n = 2. seuls les moments p^ avec k < n — 1 peuvent etre definis. pour n donne.4 est une version elargie de la figure 1.3.Ill . Cette fonction (107) est relativement simple.

de pouvoir les interpreter en termes de probabilites comme nous 1'avons fait au debut de ce livre (voir le paragraphe 1. II est logique de supposer que la vraie valeur de la longueur se trouve entre la valeur minimale et la valeur maximale mesurees et que 1'ecart entre ces deux valeurs donne une estimation de 1'incertitude. II est difficile d'interpreter cette analyse en termes de probabilites. Quelle est la longueur de la plaque ? Ier niveau d'analyse L'objectif est d'avoir une idee sur 1'ordre de grandeur des parametres du probleme. en outre. la longueur /). Nous avons obtenu une idee de la valeur mesuree et 1'interpretation de la derniere formule ne peut aller au-dela de ce que nous avons fait : la valeur cherchee est la moyenne entre les valeurs maximale et minimale mesurees et 1'incertitude est la moitie de 1'ecart correspondant. // est la vraie valeur de la grandeur mesuree (dans notre cas. 14 = 4338 mm. alors la valeur est decrite par la distribution de Student / n _i(t) (107). Supposons de plus que la distribution de la longueur / est celle de Gauss. Nous avons vu que si une grandeur physique est distribute selon une loi normale. Peut-on lui donner credit ? Pourquoi pas ? Quels sont les justificatifs mathematiques d'un tel resultat ? Nous ne les avons pas.Solent n = 6. ou Le resultat est simple et rapide.2. lmax = 4372 mm et lmin — 4330 mm. m la moyenne estimee a partir des resultats experimentaux (82) et s^ la variance experimentale de cette moyenne (88) . Avec cette hypothese supplementaire.2).2. • • • . /i = 4372 mm. Dans cette expression. nous pouvons utiliser la distribution de Student etudiee au debut du paragraphe 3.90 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES 3. / 2 = 4364 mm.1 PETIT NOMBRE DE MESURES Commengons par un exemple concret : nous mesurons n fois la longueur / d'une plaque metallique et ainsi obtenons des resultats {/i. Nous prenons comme estimation : Dans notre cas. /3 = 4342 mm. IP niveau d'analyse Son but est d'obtenir la valeur de la longueur et de 1'incertitude sur cette valeur et. ln}. 15 = 4354 mm et /6 = 4330 mm. l^.

Us donnent la valeur de t^p a prendre pour que. la probabilite de trouver la vraie valeur dans 1'intervalle compris entre m — smtvp et m-\rsmtv-p soit egale a P. Ces resultats numeriques sont representes dans le tableau 3. la phrase "t a la distribution de Student" signifie que la probabilite de trouver la vraie valeur /j de / dans 1'intervalle compris entre m — smt^p et m + smivp est egale a : (comme toujours. Nous connaissons la fonction fv(t) pour un nombre de mesures donne. c'est 1'aire de la surface sous la courbe de la fonction de distribution . FintervaUe de confiance qui ont ete definis dans le paragraphe 2. pour n = v-}-\ mesures. La forme de la distribution de Student est relativement proche de celle de Gauss (elle est la meme dans la limite n —>• oo) et ainsi nous aliens vite comprendre par analogic avec la distribution de Gauss comment nous pouvons 1'utiliser.Ill — EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 91 Soulignons une fois de plus que m et sm sont entierement definis par les resultats experimentaux. Dans la notation tvp nous avons introduit les deux parametres dont depend ce coefficient : v = n — I qui est le nombre de degres de liberte de notre probleme et la probabilite P desiree. Cette probability est le niveau de confiance et 1'intervalle correspondant.5). Figure 3.1.5 : La distribution de Student pour n = 6 . c'est pourquoi nous pouvons etablir une bijection entre la valeur de t^-p qui nous definit 1'intervalle et la probabilite P (109). Nous pouvons calculer la probabilite qui nous interesse et determiner numeriquement la valeur correspondante du coefficient tvp qui s'appelle le coefficient de Student.3. voir la figure 3. En termes de probabilites.

638 1.765 0.6 0.265 0.259 0.258 0.703 0.363 1.120 2.258 0.134 1.674 1.812 1.718 0.947 2.067 1.645 En pratique cela signifie que la valeur de 1'incertitude depend du nombre de mesures et de la probabilite avec laquelle nous voulons connaitre la vraie valeur dans 1'intervalle indique : Dans les conditions limites d'un grand nombre de mesures.533 0.860 1.861 0.258 0.861 2.228 2.071 1.119 1.397 1.325 1. pour une probabilite (un niveau de confiance) de 95%.066 1.706 4.536 0.604 4.055 1.108 1.250 3.796 1.182 2.540 0.886 1.842 1.699 1.538 0.499 3.253 0.079 1.533 0.539 0.711 0.376 1.697 0.350 1.190 1.069 1.259 0.854 0.345 1.729 1.093 2.289 0.372 1.160 2. le coefficient ti/ =0 o.106 3.537 0.447 2.761 1.257 0.257 0.061 0.889 0.156 1.7>=0.093 1.756 2.727 0.386 1. pour la meme probabilite il faut prendre Al beaucoup plus grand £t/=2.045 1.866 0.694 0.963 1. pour un nombre fini n de mesures.534 0. par exemple n — 3.657 9.689 0.690 0.015 1.333 1.692 0.330 1.277 0.753 1.896 0.2 0.145 2.534 0.088 1.860 0.841 4.201 2.415 1.92 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Tableau 3.314 2.5 0.706 0.687 0.771 1.868 0.100 1.341 1.303 3.262 2.95 = 1.920 2.879 0.524 1.700 0.546 0.960 0. .328 1.355 3.535 0.110 2.876 0.356 1.870 0.311 1.559 0.263 0.95 12.260 0.169 3. les coefficients de Student tv-p coincident avec les valeurs donnees par la distribution de Gauss (voir la derniere ligne du tableau 3.873 0.734 1.617 0.064 1.1).921 2.101 2.95 = 4.012 2.727 0.530 0.542 0.132 2.1 : Les coefficients de Student tv-p correspondant a un nombre v de degres de liberte et a une probabilite T p V 0.782 1.740 1.746 1.845 2.925 5.076 1.078 1.476 1.000 0.688 0.440 1.683 0.533 1.898 2. Par exemple.261 0.306 2.571 2.943 1.260 0.282 6.553 0.032 3.325 0.941 0.074 1.776 2.036 3.257 0.7 0. notre resultat s'exprimera sous la forme dont 1'interpretation est un peu plus compliquee que dans le cas de la distribution de Gauss : nous sommes obliges de donner le nombre de mesures effectuees et la probabilite choisie pour pouvoir utiliser un coefficient de Student.365 2.576 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 30 oo 0.271 0.883 0.816 0.8 0.543 0.878 2.920 0.7>=o.549 0.584 0.862 0.083 1.267 0.132 2.865 0. 3.977 2.086 2.99 63.179 2.256 0.691 0.836 1.9 0.863 0.383 1.569 0.4 0.978 0. Quand le nombre de mesures n'est pas eleve.725 1.353 2.257 0.250 1.741 0.906 0. 96.688 0.262 0.695 0.337 1.055 3.707 3.895 1. Desormais.

57 et A/ = 17 mm. s — A/6 . alors le coefficient de Student ^_ 5 . ime probability de 95%. nous avons garde deux chiffres significatifs mais on aurait pu n'en garder qu'un seul. L'incertitude A/ dans cette expression est 1'incertitude sur la moyenne ra et non pas sur la longueur / elle-meme ! Dans le cas d'un grand nombre de mesures. Nous voyons que le deuxieme niveau d'analyse est plus rigoureux et plus riche d'information que le premier.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES Dans l'exemple de la longueur de la plaque.6 . chaque mesure Xi est supposee avoir une distribution de Gauss.-p =095 = 2. et conduit pour 1'incertitude relative a Rappelons que pour obtenir cette estimation.Ill . on utilise les formules (94) et (93) . II est possible d'obtenir une estimation experimental e de cette valeur a partir des donnees obtenues. par exemple. Ainsi la valeur moyenne de la longueur est : avec un niveau de confiance de 95% pour les 6 mesures effectuees. Soulignons un point tres important deja mentionne au debut du paragraphe 2. L 'estimation "theorique" obtenue dans (94) ne depend que du nombre de mesures n. choisissons. mais il est aussi notablement plus lourd dans son traitement et surtout dans son interpretation. 93 et Pour presenter le resultat final (111).3. C'est la raison pour laquelle nous avons ecrit "la valeur moyenne de la longueur" et non pas "la longueur" tout court. Pour cela. Si nous voulons avoir une estimation de la veritable variance il nous faut utiliser la definition (85) Dans notre exemple. la variance de la valeur moyenne s^ tend vers zero et non pas vers la veritable variance cr 2 . Montrons comment evaluer 1'incertitude de 1'incertitude. 6 mm — 16 mm. Dans le resultat final.

surtout si 1'on se souvient que s a aussi son incertitude et qu'elle n'est pas negligeable (son incertitude est egale a 5 mm . Pour utiliser la distribution de Student. La moindre des choses est de remesurer la longueur de la plaque pour augmenter sensiblement (!) la statistique. 4337.1). Soit ces resultats sont lies a la faible statistique (6 mesures. Supposons que dans nos 6 mesures nous ayons trouve les resultats : 4334. les resultats semblent se regrouper autour de deux valeurs et non autour d'une seule. Finalement. Ill 6 niveau d'analyse En fait.94 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES et les valeurs experiment ales de 0(8^) et s^. + <r et un peu moins de la moitie dans 1'intervalle compris entre // — cr/2 et // -f 0"/2 (ceci est facile a verifier en utilisant la derniere ligne du tableau 3. Dans notre exemple. ce n'est pas beaucoup). II existe deux explications possibles. Une analyse supplementaire n'est pas du tout superflue. Si la distribution de la longueur est vraiment gaussienne. Pour D(s^). Soit c'est un veritable phenomene lie probablement a une erreur systematique (par exemple la plaque est legerement courbee et. Ceci n'est pas mal. L'experience nous donne 2 et 4 respectivement. on utilise la formule generale (92) dans laquelle les moments "theoriques" ^ et ^4 sont remplaces par leurs valeurs experimentales m^ et 7714 introduites dans (91). 4363 et 4366 mm. on ne trouve aucune mesure dans 1'intervalle compris entre 4342 mm et 4358 mm et 6 dans 1'intervalle compris entre 4334 mm et 4366 mm (au lieu de 2 — 3 et 4) ! Qu'est-ce que cela signifie ? On peut remarquer que. on obtient en parfait accord I'estimation "theorique". nous avons fait 1'hypothese supplemental que la longueur / est distribute selon la loi normale. pour <J^. surtout pour un nombre si faible de mesures. Mais dans ces conditions. Est-ce vrai ? Nos mesures correspondent-elles a une telle hypothese ? II n'est pas tres facile de trouver la reponse a ces questions. on mesure deux valeurs differentes). Dans notre exemple. il faut elucider ce probleme. avant de presenter le resultat final. la conclusion est la meme : nos resultats ne sont apparemment pas coherents avec le traitement choisi et. nous pouvons aller plus loin dans notre analyse des donnees experimentales. pour deux cotes. Nous ne connaissons ni n ni <T mais nous pouvons les estimer a partir de m et s. En tout cas. estimation que 1'on obtient a partir de la formule (92)). Neanmoins nous pouvons essayer. on doit s'attendre a avoir a peu pres deux tiers de resultats dans 1'intervalle compris entre fi — cr et {J. 4335. s = 16 mm. pour cette deuxieme serie de mesures. on obtient exactement les memes valeurs de m et de sm. On peut verifier aisement que. Ainsi nous pouvons attendre 2 — 3 mesures dans 1'intervalle compris entre 4342 mm et 4358 mm et 4 dans 1'intervalle compris entre 4334 mm et 4366 mm. dans la deuxieme serie. 4365. m — 4350 mm. .

Ces problemes sont importants surtout pour une experience reelle de physique. II donne les resultats avec une interpretation precise. Cette procedure est basee sur la verification des relations precises qui existent entre les moments centraux differents d'une distribution gaussienne (voir (27)). il donne tout a fait correctement la valeur de la grandeur physique (a a pres). Dans notre exemple. mais ils necessitent des resultats statistiques beaucoup plus fournis que ceux que nous pouvons obtenir lors de travaux pratiques classiques. On peut dire que le deuxieme niveau est un niveau fondamental. bien qu'il ne possede pas de bases mathematiques profondes et qu'il ne soit fonde que sur notre "bon sens". II touche des aspects un peu differents de la statistique : il essaie d'analyser la validite des hypotheses qui forment notre theorie. Le premier niveau d'analyse des donnees est utile. En fait. ils ne sont pas souvent utilises. Dans ce livre. surtout si Ton tient compte de la facilite avec laquelle les resultats sont obtenus. Cette etape est indispensable lors d'une experience effectuee en travaux pratiques. il existe une procedure relativement simple (criteres de Pearson) qui permet de voir si la distribution a laquelle on a affaire est une gaussienne. donne presque toujours des resultats acceptables. La plupart du temps. dans les experiences simples. Notons que le premier niveau. nous avons tente de verifier 1'hypothese sur la forme de la distribution pour la longueur. Nous avons compris que la methode d'analyse des donnees experimentales depend de la rigueur et de la precision du resultat que nous voulons obtenir. nous ne presentons pas ces criteres car. .Ill — EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 95 On aurait pu voir qu'il y a probablement un probleme dans les donnees experimentales en comparant les estimations "theorique" et experimental de 6<\x. 1'incertitude estimee dans cette methode peut etre assez differente de 1'incertitude exacte par un facteur deux-trois ou meme plus (dans notre exemple. La valeur "theorique" est tres differente de celle obtenue a partir des donnees experimentales : Cette difference peut servir d'indication sur 1'existence d'un probleme dans les donnees. c'est cette hypothese qui doit etre verifiee en premier lieu. nous verrons d'autres exemples ou cette difference est encore plus grande). Jusqu'ici nous n'avons pas considere ce type de problemes en statistique. Compte tenu de fait que pour obtenir 1'estimation "theorique" nous n'avons utilise que 1'hypothese de normalite de la distribution. Le troisieme niveau est presque obligatoire si nous effectuons une veritable experience de physique en laboratoire. Par centre. y compris pour 1'analyse posterieure plus sophistiquee. nous avons obtenu une estimation de 21 mm au lieu de s = 16 mm .

pouvons-nous les regrouper d'une certaine fagon pour augmenter la statistique et ainsi ameliorer la precision ? 3. Encore une fois. Soient deux series de nx et de ny mesures {xi. 2 °C. 7 °C doit etre comparee avec 0. . on veut savoir si la temperature dans une piece varie dans le temps. 2 ± 0.3 DEUX RESULTATS EXPERIMENTAUX Un autre probleme apparait lorsque Ton veut comparer des resultats experimentaux. nous montrerons deux niveaux de solutions possibles. il faut introduire leur difference X = x\ — xi qui a egalement une distribution gaussienne avec une moyenne nulle et une variance AX2 = Ax± + Ax%. xHx} et {yi. #2. 2 °C et T2 = 24.2. IIe niveau d'analyse Formulons d'abord cette question d'une fagon plus generale et plus precise.1.T2 = 0. 5 ± 0. commenc. .. A partir de deux resultats. On voit que cette valeur depasse la? (avec UT = 0. Etudions maintenant un exemple de deux grandeurs decrites par la distribution de Student. nous pouvons calculer les moyennes mx et my (82) et les variances s%lx et s^ (88) experimentales. Avant de discuter le cas de deux grandeurs decrites par la distribution de Student.ons par celui de deux grandeurs decrites par une distribution gaussienne. yny}. • • • . On voit que les deux resultats se recouvrent compte tenu des incertitudes presentees et notre conclusion est immediate : les deux valeurs sont compatibles. Si la valeur de X est compatible avec 0. 3 °C) et 1'on peut raisonnablement conclure que la temperature a effectivement varie.. Supposons qu'un collegue ait mesure la longueur de la meme plaque metallique et qu'il ait obtenu la valeur avec la meme probabilite P = 95% mais pour n = 10 mesures. Rappelons que notre resultat. x\ ± A#i et £2 i A#2. Dans chaque cas.3. nous ne pouvons pas dire exactement quelle est la probabilite d'avoir cette difference entre les resultats. Ier niveau d'analyse II est tres simple. Si oui.96 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 3. y?. compte tenu de son incertitude. pour n = 6 mesures.. On a effectue deux mesures a une heure d'intervalle et on a obtenu deux valeurs TI = 25. Par exemple.1 COMPARAISON DE DEUX RESULTATS EXPERIMENTAUX Comme au paragraphe 3. alors les deux resultats sont compatibles. est Ces deux valeurs sont legerement differentes et nous voulons savoir si elles sont compatibles. dans cette approche. La difference T = TI .

Leurs fonctions generatrices des moments sont . Le denominateur Y? represente.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 97 Nous desirons savoir quelle est la probabilite pour que la valeur absolue de la difference \mx — my | soit superieure ou inferieure a une valeur donnee. Le probleme est a nouveau 1'absence d'information sur les veritables valeurs de fi et de <r 2 .(17)).Ill . a un facteur I/a2 pres. La variance de YI est I'unite car la variance de mx est <r 2 fn x . C'est pourquoi ne seront notees que les petites modifications a apporter. II peut etre contourne en utilisant le fait que la variable ou a une distribution de Student avec v = nx + ny — 2 degres de liberte. la somme de deux variables independantes qui ont les distributions Xnx-i avec nx — 1 degres de liberte et %2 _1 avec ny — I degres de liberte respectivement (voir (104)). La demonstration de cette propriete suit exactement la demonstration utilisee pour obtenir la distribution de Student (voir paragraphic 3. La moyenne de cette distribution est nulle car elle est proportionnelle a la difference des moyennes rn^ — rn^ — p. Reecrivons t sous la forme t et Le numerateur Y\ est la somme de deux grandeurs distributes selon la loi normale et sa distribution est done normale. — p — 0.2). la variance de my est <T2/ny et la variance de la difference mx — my est done egale a cr 2 /n x + cr 2 /«y (voir eq.

4. Autrement dit. . nx = 10. Dans notre exemple. A partir de sa valeur de Ara^. my = 4350 mm. nous voyons que la probabilite qui correspond au coefficient de Student t c± 0. Ensuite nous retrouvons la demonstration du paragraphe 3.98 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES (voir (96)). ny = 6. Dans notre experience II faut calculer la somme correspondante a Texperience faite par notre collegue. 55 pour v = 14 degres de liberte est P ~ 0. Ainsi la fonction generatrice de la somme est egale a ou nous avons utilise la propriete (21). Nous sommes maintenant en mesure de repondre a notre question puisque nous avons etabli une relation univoque (109) entre la valeur de t et la probability T. et la valeur de t correspondante a s2 est egale a Dans le tableau 3. mx = 4355 mm. cette somme a la distribution Xnx+n -2 avec v —nx +ny — 2 degres de liberte (nous avons nx + ny mesures avec deux relations lineaires qui fixent mx et my .1. Pour connaitre s2 nous devons calculer les sommes (112). = 13 mm et des relations nous avons Done.2. voir la remarque (105)).

.Ill . Notons que le critere qualitatif applique dans la premiere approche (recouvrement des barres d'erreurs) est rapide mais parfois assez dangereux. La valeur de \mx — my\ = 15 mm correspondrait ainsi a 1.2. Le traitement correct nous donne un coefficient de Student t ~ 1. la probabilite de trouver un evenement en dehors de 1'intervalle \ji — I .2. ^ + cr] est relativement grande. //+ 1. 5cr] est aussi de 1'ordre de 10%. mx + Ara^]. Pour cela. Ainsi le "disaccord" de nos deux experiences est tout a fait acceptable et nous pouvons confirmer notre conclusion intuitive par une consideration plus rigoureuse. Pour la distribution de Gauss. il faut introduire une distribution speciale de ce rapport que Ton peut obtenir a partir des distributions connues de s^ et Sy et en utilisant des regies generales formulees au paragraphic 2. ou inversement la probabilite pour que my se trouve dans 1'intervalle [mx — Ara x . 65 auquel correspond une probabilite de presque 90%. la probabilite d'apparition d'un evenement en dehors de 1'intervalle [fji — cr.2 "ADDITION" DE DEUX RESULTATS EXPERIMENTAUX Nous sommes assez convaincus que les deux resultats ne sont pas contradictoires et desirons savoir comment les "reunir" pour avoir une meilleure statistique et plus de precision sur la grandeur mesuree.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 99 Ceci signifie que la probabilite de trouver la difference \mx — my\ inferieure a 5 mm etait de 40%. II etait meme plus probable (60%) de trouver cette difference superieure a 5 mm. La methode qualitative basee sur la distribution de Gauss donne une probabilite trois fois plus forte que celle attendue avec notre methode correcte basee sur la distribution de Student ! La contradiction apparente s'explique par le fait que notre estimation de a (pour laquelle nous avons choisi la demi-somme de Am x et de Am y ) etait grossiere. designee par le critere J7 de Fisher. a peu pres 1/3. Meme pour une difference \mx — my — 15 mm notre conclusion basee sur ce critere reste la meme car cette difference est compatible avec les incertitudes des deux series de mesures (A = ^(Amx + Ara y ) = 15 mm). La conclusion est la suivante : on peut utiliser le critere de recouvrement des incertitudes a condition de les recalculer en utilisant la methode decrite ci-dessous. Nous verrons que 1'incertitude dans 1'experience qui accumule les resultats de deux experiences est plutot de 10 mm. qui donne la probabilite pour que le rapport s^/s y soit different de 1. de 1'ordre de 10%. Quand nous utilisons de telles notions nous nous referons a la distribution de Gauss et nous examinons la probabilite pour que mx se trouve dans 1'intervalle [my — Ara y .ray + Am y ]. Ainsi nous retrouvons la coherence entre les deux approches. 5<r. cela apparaft surtout sur les moyennes et dans une moindre mesure sur les variances.3. Nous avons montre comment il est possible de comparer les moyennes de deux experiences. Pour la distribution de Gauss. nous ne presentons pas ce critere car cette distribution est relativement complexe et son utilite pratique bien moindre que la distribution de Student : si deux echantillons sont vraiment incompatibles. 5«r. Dans ce livre. Cela signifie que la probabilite de trouver une difference de 15 mm ou plus est tres faible. II existe une methode analogue pour comparer les variances experimentales. 3.

moins importante est sa contribution (faible valeur de l/(Amj) 2 ) dans le calcul de la moyenne (115).100 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Nous obtenons assez facilement la formula exprimant la moyenne pour les deux series de mesures si nous connaissons les moyennes pour les deux experiences separement remplagons les sommes dans (113) par mxnx et myny : II est utile de reecrire cette formule autrement. Cette formule a une signification tres simple : moins 1'experience est precise (grande valeur de Am^). (88) et (110)) Quand le nombre de mesures dans chaque experience est relativement grand. Alors nous pouvons rmplacer dans (114) et obtenir 1'expression ou est introduite 1'incertitude Amx+y comme ou wx et wy peuvent etre interpretes comme les poids relatifs de deux experiences. Rappelons les relations entre les variances experimentales s2 de la grandeur et celles de ses valeurs moyennes slm (voir eqs. .

que mx+y soit plus proche de sa valeur mx. t change seulement de 10% quand v passe de 10 a 30. fait Pobjet de ce paragraphe. en d'autres termes. comment il modifie la fonction de distribution initiale. Ces erreurs s'appellent les erreurs systematiques. done 1'appareil mesure une valeur systematiquement plus grande (ou plus petite) que la valeur "reelle". 1'erreur introduite par cette procedure est tres faible. Nous voulons savoir quelle est Pinfluence de 1'appareil sur la valeur physique ou. C'est la raison pour laquelle cette approche est tres utilisee en physique quand on veut profiter de resultats d'experiences differentes (parfois assez couteuses) pour obtenir la valeur "universelle" de telle ou telle constante physique fondamentale. L'appareil peut decaler la valeur moyenne. nous sousentendons non seulement 1'appareillage utilise pour faire une experience mais. Elles ne sont pas forcement de nature aleatoire et ne pourront pas etre traitees directement a 1'aide des techniques qui ont ete presentees jusqu'ici.1. c'est une correction de deuxieme ordre.4 AUTRES SOURCES D'ERREURS L'incertitude naturelle d'une grandeur physique n'est pas la seule possible. ce qui signifie que les erreurs d'appareil s'ajoutent aux erreurs naturelles de la grandeur physique.95.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES Dans notre exemple de deux experiences. L'analyse de ce type d'erreurs. qui est plus complexe. . S'il a ete possible de verifier auparavant que ces series de mesures sont compatibles (compatibility des moyennes et des variances). Meme 1'hypothese d'egalite des coefficients de Student pour un grand nombre de mesures n'est pas mauvaise. 101 II est logique. on voit que le coefficient de Student varie peu avec v. 3. Cependant. cette variation est une correction dans 1'incertitude. la methode de mesure choisie. Am r+y = 10 mm. Une autre source importante d'incertitude est 1'appareil de mesure. une autre modification de la fonction de distribution est aussi possible.Ill . Dans le tableau 3. compte tenu du fait que les mesures du collegue etaient plus precises. plus generalement. Les formules (115) et (116) peuvent etre generalisees facilement pour un nombre arbitraire n d'experiences : II est vrai que cette fagon de calculer la moyenne sur plusieurs experiences n'est pas toujours mathematiquement irreprochable mais elle donne la possibilite d'avancer et de reunir les connaissances obtenues dans des experiences parfois tres differentes. autrement dit. De plus. nous obtenons mx+y = 4353 mm. Par 1'appareil. Nous verrons qu'il y a d'abord une modification "triviale" de cette distribution : celle-ci s'elargit. Par exemple pour "P = 0.

102

ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES

3.4.1

INCERTITUDES D'APPAREIL

Pour etudier 1'influence d'un appareil sur la valeur mesuree, choisissons d'abord un appareil tres simple — un pese-personne mecanique. Son principe de fonctionnement est elementaire : le poids d'un objet dont nous voulons connaitre la masse m est compense par la contraction d'un ressort. Ce dernier est lie a une aiguille qui indique sur un cadran la valeur de la masse. Si le coefficient de raideur est egal a k, le deplacement du ressort et celui de 1'aiguille est

ou g est 1'acceleration du champ de pesanteur. Supposons que 1'incertitude sur la valeur de g soit negligeable devant les autres incertitudes. Ainsi, 1'incertitude sur Ax s'ecrit conformement a (58)

(—) - (-^-J + (-T) •
La particularity de cette formule vient du fait que 1'incertitude de mesure comprend deux contributions, 1'une issue de 1'incertitude naturelle Am et 1'autre issue de 1'appareil de mesure Ak. Une expression analogue peut etre obtenue dans un cas plus general. La probabilite de trouver une valeur physique x, caracterisee par sa fonction de distribution f ( x ) , dans 1'intervalle [ x , x + dx] est egale a f ( x ) d x . Cependant, la probabilite pour que 1'appareil donne cette valeur dans un autre intervalle [x',x' + dx'} n'est pas nulle. Designons cette probabilite par S(x, x'}dx'. Pour determiner la probabilite (F(x')dx'] de detection par 1'appareil de la valeur physique dans 1'intervalle [x', x' + dx'], on doit multiplier la probabilite (f(x}dx] pour que cette valeur se trouve dans [x, x + dx], par la probabilite (S(x, x')dx') pour que 1'appareil donne la valeur dans [x', x' + dx'] et calculer la somme (ou 1'integrate) pour toutes les valeurs x possibles :

/Ax\2_/Am\2

(Ak\2

soit

On peut dire qu'au lieu de la vraie fonction de distribution f ( x ) , 1'appareil nous donne une fonction de distribution modifiee F ( x ) . La fonction S ( x , x ' ) s'appelle la fonction de resolution (la terminologie vient de 1'optique). Quelle est la forme de cette fonction ? La reponse a cette question est difficile. La plupart du temps, la fonction de resolution S(x,x') ne depend que du module de la difference x — x' :

Ill - EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES

103

Cette propriete signifie que 1'appareil n'introduit pas d'erreur systematique, c'est-adire qu'il ne modifie pas la valeur moyenne de la distribution.
La valeur moyenne p,p pour la distribution F(x) est

A I'aide de (120) et en introduisant la variable t = x — x' nous obtenons

Nous avons tenu compte de la normalisation de f(x] et de S(t) :

et du fait que S(\t\) est une fonction paire. II n'y a pas d'erreur systematique :

Dans les memes conditions, nous pouvons montrer facilement que I'appareil ne peut qu'elargir la distribution initiale. La variance de la distribution F(x] est

D'ou

Comme pour les fonctions de distribution, on peut affirmer que si les conditions du theoreme central limite sont satisfaites (c'est-a-dire s'il y a plusieurs facteurs independants qui agissent sur la fonction de resolution et si 1'influence de chacun de ces facteurs est petite), cette fonction a la forme de Gauss :

104

ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES

avec une variance <r|. Cette fonction ne depend que de \x — x'\ et la moyenne de F(x) coincide avec la moyenne de f ( x ) . En resume, dans les conditions du theoreme central limite, il n'y a pas d'erreur systematique et 1'appareil ne change pas la valeur moyenne. Nous ne considererons que le cas ou la fonction de resolution S(x — x'} et la fonction de distribution f(x) sont decrites par des fonctions de Gauss. Soient <r| la variance de S(x-x'), n et d1, la moyenne et la variance de f ( x ) . On peut alors calculer I'integrale (119) et obtenir la fonction de distribution F ( x ) , donnee par 1'appareil, qui a aussi une forme gaussienne :

II existe deux facons de calculer I'integrale

La premiere est directe : on fait le changement de variable

pour retrouver I'integrale bien connue (25). La deuxieme est plus elegante : il faut passer par la transformation de Fourier de cette integrale et utiliser deux proprietes de la transformation de Fourier (la transformee de Fourier d'une gaussienne est une gaussienne et la transformee de Fourier d'une convolution de deux fonctions est le produit de leurs transformees). Nous laissons cet exercice aux lecteurs familiers de la transformation de Fourier.

Ce calcul permet de verifier que la variance ffp de la fonction F(x) est egale a la somme des variances 0-| et crj :

Dans une experience reelle deux situations extremes peuvent etre rencontrees. Celle ou la variance de 1'appareil est negligeable devant la largeur naturelle (<j| <C <r?) et 1'appareil ne change rien ; celle ou la variance d'appareil est plus importante que la variance initiale (<r| ^> <r?) et on peut alors prendre 1'incertitude de 1'appareil comme 1'incertitude de 1'experience. En general, la determination de la fonction de resolution n'est pas aisee. Pour les appareils simples utilises en travaux pratiques, la connaissance precise de la fonction S(x, x') n'est pas indispensable. On peut se limiter a la calibration de 1'appareil avec une fonction f(x] bien defrnie. Dans 1'exemple d'un pese-personne, on doit peser des poids connus (les etalons) et reperer les indications correspondantes. Ainsi on obtient

100 Pour diminuer 1'incertitude de mesure. telles que Ry ^> Rx ^ RA.6) ou (II) on peut mesurer la tension aux bornes de la resistance et de 1'amperemetre (figure 3. etablir la forme de cette fonction. Pour les experiences plus sophistiquees. Dans la plupart des cas. Pour un appareil digital.4. 1'incertitude de mesure est indiquee dans la description. . on travaille avec des appareils de classe 0. 1. 3. la precision est caracterisee par la classe de 1'appareil qui est toujours marquee sur son cadran au-dessus du symbole de position de 1'appareil. L'experimentateur doit faire une etude approfondie du nouvel appareil pour avoir le maximum d'informations sur la fonction de resolution S ( x ' . pour un assez grand domaine de valeurs de la resistance Rx. On peut la mesurer a 1'aide d'un voltmetre ayant une resistance Ry et d'un amperemetre ayant une resistance RASupposons que ces valeurs soient inconnues . Pour un appareil a aiguille. on sait seulement que Ry est grande par rapport a Rx et que RA est petite par rapport a Rx.2 ERREURS SYSTEMATIQUES On peut mentionner trois sources d'erreurs systematiques : la methode de mesure choisie. sinon. on a Rexp — Rexp — RX. Erreurs liees a la methode de mesure Un exemple simple d'erreur systematique provenant de la methode de mesure est donne par la determination d'une resistance inconnue Rx.0 .5 ou 2. Les fonctions obtenues de cette maniere se presentent souvent sous la forme d'une courbe ou d'une table d'etalonnage. 1. Si on determine la valeur experimentale RGXp de la resistance inconnue Rx comme le rapport de la tension amchee sur le voltmetre et du courant traversant 1'amperemetre. le mauvais fonctionnement de 1'appareillage et les erreurs d'experimentateur.5 . x ) : verifier si elle ne depend que de \x — x' ou. divise par 100 : classe • pleine echelle incertitude — . etc. Le branchement du voltmetre peut etre effectue de deux fagons : (I) on peut mesurer la tension aux bornes de la resistance Rx (figure 3.5. pour ces deux branchements. Nous allons etudier toutes ces sources d'erreurs et de voir ce qu'il faut faire dans ces cas. on obtient les relations suivantes entre ReXp et Rx : Si les appareils choisis sont de bonne qualite. il faut done toujours travailler avec les echelles les plus sensibles possibles (les echelles qui donnent la deviation maximale acceptable). On branche 1'amperemetre en serie avec la resistance inconnue.Neanmoins.Ill — EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 105 une echelle de 1'appareil utilisable pour la mesure de poids inconnus. cette procedure simple n'est plus suffisante.7). L'incertitude de 1'appareil est egale au produit de sa classe par la pleine echelle utilisee pour la mesure.

de deux resistances identiques R et d'un appareil de mesure (d'un amperemetre ou d'un voltmetre. Cependant les deux methodes donnent une erreur systematique qu'on ne peut eliminer qu'en connaissant les valeurs de Ry et RAProposons une troisieme fagon de mesurer la resistance.106 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 3.7 : Deuxieme schema possible pour mesurer la valeur d'une resistance On peut done dire que la premiere methode est preferable pour mesurer des petites resistances tandis que la deuxieme est plus adaptee aux grandes resistances.8. Dans les deux cas. Le schema de branchement est presente sur la figure 3. nous avons besoin d'une resistance variable dont nous pouvons etablir la valeur Rv. RA e^ RX • (II) Figure 3. Si Rx est egale a Rv. Pour cela. on a une erreur systematique plus ou moins importante en fonction des relations entre Ry. On peut le voir a partir de 1'expression de Ia : I etant le courant aux bornes du circuit.6 : Premier schema possible pour mesurer la valeur d'une resistance la premiere methode donne toujours des valeurs systematiquement plus petites que la vraie valeur de Rx. alors le courant Ia qui passe par 1'amperemetre (ou le voltmetre) est nul. ou Ra est la resistance de 1'appareil (R^ ou RV)- . au choix). tandis que la deuxieme donne des valeurs systematiquement plus grandes.

Ill . il n'y a pas d'erreurs systematiques liees a la methode. Ix et /2 en fonction de /. \\ est possible d'ecrire Cette relation nous donne la formule (121). Si nos appareils sont precis nous obtiendrons exactement la valeur . 1%. h.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 107 Figure 3. 1-2 (figure 3. Ia et I\ et obtenons deux equations En eliminant I\. Quels sont les avantages d'une telle methode par rapport aux methodes precedentes ? Premierement.8 : Troisieme schema possible pour mesurer la valeur d'une resistance L'expression (121) peut etre obtenue de la facon suivante. Nous devons faire varier la resistance Rv jusqu'a annuler le courant Ia.8) et ecrivons le systeme de 5 equations Nous exprimons /„. Nous introduisons les courants Iv.

la temperature du liquide peut varier avec la variation de la temperature ambiante et ce changement modifie la viscosite du liquide. le systeme a besoin d'un certain temps pour se mettre en equilibre et les indications des appareils peuvent etre instables pendant quelques secondes. nous comparons directement la valeur inconnue a 1'etalon. Les inconvenients possibles de cette methode sont la difficulte de trouver une resistance variable de bonne qualite et la duree d'une telle experience. nous devons d'abord calibrer les appareils de mesure (voltmetre et amperemetre) a 1'aide d'etalons et ensuite les utiliser pour mesurer des valeurs physiques inconnues. mais tellement petite que notre amperemetre n'arrive pas a le detecter. II ne faut pas se precipiter pour faire les mesures.108 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Deuxiemement. afm que le courant Ia augmente aussi d'un facteur n (voir (121)) et qu'il redevienne detectable. Erreurs liees au fonctionnement d'appareils Le deuxieme type d'erreurs systematiques est lie au mauvais fonctionnement de 1'appareillage ou au changement des conditions de deroulement de 1'experience. soit a 1'aide d'une balance qui equilibre la masse inconnue par des poids connus. Ainsi nous pouvons corriger la valeur de Rv pour retablir le zero. L'instabilite des conditions de deroulement de 1'experience donne lieu a une derive systematique des mesures. Ces deux conceptions de mesure sont utilisees partout dans la vie courante. Dans la premiere approche. Par exemple nous pouvons mesurer une masse. Supposons que la valeur du courant est non nulle Ia — IQ =t 0. quand on modifie les parametres d'une experience. Par exemple la position du zero d'un wattmetre pent varier lors d'une experience. Ou encore. La deuxieme approche est generalement plus precise mais elle est aussi plus couteuse. soit a 1'aide d'un pese-personne qui utilise un ressort prealablement calibre. il est relativement facile de verifier si le zero est bien etabli. nos mesures sont extremement simples : nous voulons annuler le courant et nous ne devons faire aucun calcul. Ces erreurs peuvent etre diverses et elles dependent de 1'experience concrete. Lors des mesures d'un intervalle de temps. Pour s'affranchir du probleme. Si cette experience dure longtemps. Erreurs d'experimentateur Finalement les erreurs de 1'experimentateur constituent le troisieme type d'erreurs systematiques. Cette verification ne prend pas beaucoup de temps mais elle permet d'eviter des erreurs grossieres et elle doit devenir une habitude pour 1 'experimentateur. Avant toute mesure il faut s'assurer que le zero est regie correctement. Par exemple certaines personnes evitent tel ou tel chiffre lors des estimations de fractions de divisions d'echelle d'un appareil. Le choix depend de la precision recherchee et des moyens disponibles. il suffit d'augmenter le courant exterieur / d'un facteur n. . Un autre exemple d'une telle erreur est la mesure de la vitesse d'une boule metallique dans un liquide visqueux. Troisiemement. une erreur systematique peut etre introduite par le fait que des personnes differentes ont des vitesses de reaction differentes. L'exemple le plus simple est le mauvais reglage du zero de 1'appareil. Dans 1'example precedent apparaissent deux conceptions differentes d'une experience. Dans la deuxieme approche.

Ce dernier paragraphe contient quelques recommandations generates qui permettront d'eviter une grande partie de ces erreurs. sur la figure 3.3 COMMENT EVITER LES ERREURS SYSTEMATIQUES ? Pour eviter ces erreurs on peut donner quelques recommandations pratiques. C'est pourquoi il faut commencer par la preparation de la place de travail : on ne laisse que les objets indispensables (le cahier d'experience. Commengons par les questions de planification et de realisation d'une experience sont d'une importance fondamentale. subjectives. il y aura une erreur liee au choix de la valeur retenue. Pour eviter ce probleme il faut verifier 1'etat des piles avant 1'experience.). Si nous utilisons un circuit electrique alimente directement par le reseau EDF. Les appareils alimentes par des piles ont la "mauvaise habitude" de tomber en panne d'alimentation au moment le plus important de 1'experience. si 1'aiguille se trouve entre deux divisions d'echelle.4. De plus. il faut eviter les courants d'air. Les erreurs systematiques proviennent souvent du mauvais fonctionnement de 1'appareillage ou de 1'experimentateur lui-meme.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 109 Une erreur presque inevitable intervient lors de la lecture des indications des appareils a aiguille : il existe toujours une certaine distance entre 1'aiguille et 1'echelle et le resultat lu depend de 1'angle de vision. la temperature ambiante ne doit pas etre trop elevee et surtout rester stable. Si la base de 1'appareil est consideree comme horizontale il faut. la calculatrice. Toutes ces erreurs sont presque inevitables. 1'endroit doit etre bien eclaire. 3. de la responsabilite de 1'experimentateur. Verification des choses evidentes Parfois.8.Ill . Par exemple. II faut placer 1'appareillage de fagon telle que les appareils les plus frequemment utilises soient facilement accessibles. L'experimentateur peut etre fatigue et il peut se tromper. Ainsi nous eviterons beaucoup d'erreurs systematiques et le processus experimental sera accelere. Quels sont les points auxquels il faut faire attention ? Les conditions de deroulement de 1'experience Une manipulation dure plusieurs heures et demande un effort mental assez important. Symetrie apparente Si le montage possede des elements identiques. la condition importante est 1'alignement de tous les appareils sur un meme axe. au moins. Les appareils ne doivent pas bouger. En optique. etc. le verifier a 1'oeil nu. nous devons mesurer la tension car elle peut etre differente de 220 V. Meme dans le cas d'une manipulation relativement simple en travaux pratiques il faut leur consacrer quelques minutes. nous avons un schema pour determiner une . La stabilite de la temperature rend le travail plus confortable et diminue les erreurs systematiques liees aux changement des conditions de 1'experience. un stylo. il faut les interchanger et repeter la mesure. II faut savoir les estimer en sachant bien que ces estimations sont personnelles. il vaut mieux verifier des choses qui paraissent evidentes.

En travaux pratiques. la puissance P degagee par une resistance en fonction du courant / qui passe dans le circuit et qui varie de 0 a 10 A (la limite de notre amperemetre). le courant devient different du zero. Quand on mesure la difference de deux temperatures avec deux thermometres differents il faut aussi les interchanger. celle de la fonction lineaire par Feffet Peltier et celle de la fonction quadratique par I'effet Joule. Experience preliminaire Une experience scientifique est toujours precedee d'une manipulation preliminaire. Si nous voulons augmenter la precision sur ces valeurs. s'entrame a effectuer les operations qui seront les plus frequentes.110 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES resistance inconnue Rx dans lequel nous utilisons deux resistances supposees identiques R. Si. Si le resultat n'est pas le meme on doit prendre la demi-somme des deux mesures comme valeur experimentale. Dans cette manipulation. pendant 1'experience. par exemple. II faut s'en assurer experimentalement en permutant ces resistances lorsque le courant qui passe par 1'amperemetre est nul. En travaux pratiques. frequence. il faut soit remplacer les resistances soit augmenter 1'incertitude de mesure. Si 1'un des thermometres (ou les deux) est affecte par une erreur systematique. il faut changer d'echelle et si on ne sait pas effectuer cette operation. on risque non seulement de perdre du temps mais aussi de perdre une partie des donnees. on peut les interchanger et verifier la stabilite du resultat. Son but est multiple. Meme en travaux pratiques il faut essayer d'effectuer une experience preliminaire. au moins. il faut cerner exactement les points les plus delicats et les plus importants du point de vue physique ainsi que 1'enchainement entre les differentes parties de 1'experience. Cette manipulation preliminaire permet de determiner la strategic future pour toute 1'experience. avec les resistances interchangees. L'experimentateur "apprend" la manipulation. bien que le temps soit tres limite. Si. a et b. temperature. Un autre aspect important de la planification est 1'ordre chronologique des mesures lorsqu'il s'agit de determiner une dependance en fonction d'un parametre (courant. etc. Si on cherche. on essaie d'obtenir une idee sur 1'intervalle des valeurs de chaque grandeur physique ainsi que sur leurs incertitudes. II faut. verifie le fonctionnement des divers elements.). Planification d'une experience La manipulation preliminaire fait partie d'un probleme plus general de planification d'une experience. prendre connaissance de 1'appareillage et surtout de ses composantes qui n'ont pas ete etudiees auparavant. cette procedure permettra de s'en affranchir. Si 1'on utilise deux appareils de ce type dans la meme experience. . on s'attend a une dependance telle que : La presence de la constante PQ peut etre expliquee par 1'existence de sources de chaleur. on utilise frequemment des appareils polyvalents qui peuvent mesurer le courant. la tension ou meme la resistance. Six points (entre 0 et 10 A avec un pas de 2 A) sont largement suffisants pour definir les parametres PQ.

Le probleme concernant 1'ordre des mesures apparait quand il existe une source d'erreurs systematiques (par exemple. L'avantage est que notre systeme trouvera chaque fois son equilibre assez rapidement. Avec 1'ordre precedent nous ne trouverons jamais cette source d'erreurs : la fonction P(I} sera toujours reguliere et continue. L'ecriture doit etre simple. 2. Un simple changement de 1'ordre des mesures peut nous aider a detecter une erreur systematique. Cependant. Par centre. nous nous attendons a une dependance reguliere P(I) et pouvons controler que la puissance varie lentement avec la variation du courant. 6 A. .Ill .9). 4. 8.9).EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 111 nous pouvons prendre un pas plus petit. le but est de ne pas introduire d'erreurs supplementaires. 10. Le but de cette etape est de determiner approximativement la position de la resonance : nous voyons que z/o se trouve entre 30 et 50 Hz. G'est a Texperimentateur de decider quel est 1'aspect de la manipulation le plus important : la rapidite et la simplicite des mesures ou la securite. Si nous etudions une grandeur dont la dependance en fonction d'une variable est assez rapide comme. concise et elle doit contenir un minimum d'explications necessaires pour que nous puissions plus tard comprendre et interpreter ces resultats sans aucune ambigui'te. Enregistrement des resultats Lorsque nous enregistrons les resultats. 00 A. la logique doit etre differente. II n'y aucun interet a faire des mesures avec ce petit pas loin de i/o si nous ne nous interessons qu'a la position de la resonance. il ne faut pas perdre de temps en fixant les valeurs de / exactement a 1 A ou 2 A. Le remede est trivial : nous devons noter immediatement tous les resultats pour ne rien oublier. Ensuite. les points experimentaux "oscilleront" autour d'une courbe continue et ces oscillations seront plus grandes que les incertitudes des mesures. De plus. Dans notre systeme. Une ecriture claire et facilement lisible depend de notre experience personnelle et elle viendra au fil des annees. si nous choisissons un ordre different des mesures : / = 0. 1 A. par exemple. Si nous mesurons la puissance pour I — 1. Ces exemples elementaires montrent que 1'ordre et le pas des mesures dependent de differents facteurs et I'experimentateur doit chaque fois decider quels sont les criteres les plus importants pour effectuer ces choix. nous devons repeter nos mesures au voisinage de VQ avec un pas beaucoup plus faible. elle modifie le parametre PQ). La tension aux bornes de la resistance peut etre approchee par la formule L'experience comprend deux etapes. Pour accelerer la manipulation nous pouvons faire les mesures en augment ant progressivement le courant avec un pas de 2 A d e O a l O A . si la temperature de la piece monte progressivement pendant 1'experience. la recherche de la frequence propre d'un circuit RLC par une mesure de la tension en fonction de la frequence. 95 A au lieu de / = 2. D'abord. 15 Hz (quatre points noirs sur la figure 3. 2 Hz (carres blancs sur la figure 3. nous determinons le comportement general U(v} avec un pas qui peut etre assez grand. il n'y a pas de dependance rapide en fonction du parametre et il vaut mieux choisir des points de mesures distribues de maniere uniforme sur tout intervalle de variation du courant. la precision sur les parametres sera la meme.

Cependant. Dans le bilan d'une experience. nous nous trompons lors de la multiplication par 5 nous ne serons plus capables de corriger cette erreur plus tard. II est utile de numeroter ses pages et de reserver une page au debut pour la table des matieres. L'inconvenient est que meme les mesures simples ne s'effectuent jamais dans un ordre parfait et que notre enregistrement peut etre assez disparate. Inscription des resultats Tous les resultats doivent etre notes immediatement. Si. dans leur forme brute et sans la moindre modification. par hasard. dans le cahier d'experience il faut noter le nombre de divisions d'echelle ainsi que la valeur de pleine echelle. on decide que telle ou telle mesure n'est pas tres parlante ou simplement . nous ne pouvons pas eviter la selection. nous pouvons introduire des erreurs supplementaires. si 1'echelle d'un voltmetre est de 5 V. L'avantage principal d'un tel cahier par rapport aux feuilles separees est qu'il est plus difficile de le perdre. Par exemple. II n'est pas toujours commode de coller dans ce cahier des feuilles de papier millimetre avec des courbes ou des listings d'ordinateur. Deuxiemement.9 : Determination de la position d'une resonance La fagon la plus traditionnelle d'enregistrement des resultats est 1'utilisation d'un cahier d'experience. nous perdons du temps. Recopier des resultats est tres dangereux. II ne faut jamais utiliser les brouillons pour copier ensuite les resultats dans le cahier de manipulation.112 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 3. Assez frequemment. le cahier d'experience reste le meilleur moyen pour eviter la perte d'information. Cette operation est triplement dangereuse. on n'utilise pas toutes les mesures effectuees. Premierement. Mais le danger le plus important vient du fait que. lorsque nous copious les resultats.

Par exemple. On a parfois besoin d'un schema complet dans lequel 1'echelle est soigneusement respectee. II doit contenir le minimum necessaire d'informations en expliquant Pidee de Pexperience.Ill . Cependant.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 113 inutile. etc. nous mesurons des differences de temperatures a 1'aide des deux thermometres. Nous devons enregistrer les indications de deux appareils et ensuite calculer la difference. une valeur fausse nous pourrons trouver plus facilement cette erreur si nous avons deux enregistrements separes. Schemas et tableaux Les schemas et les tableaux sont des formes tres pratiques pour limiter Pecriture et eviter ainsi les erreurs inutiles. 1'echelle est consciemment modifiee. car Poeil compare plus facilement deux chiffres ecrits Pun sous Pautre. La seule solution a ce probleme est de conserver tous les resultats des mesures. nous decidons que nous nous sommes trompes dans le choix des criteres. Ce phenomene pose un vrai probleme : 1'acquisition automatique des donnees rend difficile la determination de 1'incertitude de mesure car 1'appareil de mesure est souvent inaccessible.) et 1'ordinateur ne sait pas arrondir correctement le resultat. Nous verrons alors les fluctuations dans les indications de ce thermometre. Simplement. Par exemple. Si 1'un des appareils fonctionne mal et donne. un thermometre. sous la forme d'un tableau. Tous les resultats des mesures doivent etre ecrits de preference. il faut comprendre que 1'ordinateur ne peut pas faire des miracles et la precision d'une seule mesure faite avec 1'ordinateur n'augmente pas pour autant ! Quand Pecran de 1'ordinateur afflche huit chiffres significatifs. nous selectionnons les resultats. 1'appareil qui sert d'interface entre Pappareil de mesure (un voltmetre. nous devons savoir qu'en realite le nombre de chiffres significatifs reste le meme que si nous avions fait la mesure nous-memes.4. Si nous ne notons que la difference nous ne saurons jamais lequel des deux thermometres fonctionne mal. de temps en temps. dans le schema presente sur la figure 4. Cette procedure est parfaitement correcte a condition que nos criteres de selection soient objectifs et justes. Ordinateur L'ordinateur devient de plus en plus present en travaux pratiques. son symbole et ses unites. La premiere ligne de chaque colonne doit contenir le nom de la grandeur. Si. Dans cette experience. ces resistances jouent le meme role et le dessin souligne leur "equivalence". Mais dans la plupart des situations. C'est tres bien car il permet d'accelerer 1'acquisition des donnees d'une fagon spectaculaire. II vaut mieux noter les valeurs de la meme grandeur physique dans une colonne. en donnant une description de Pappareillage et les notations utiles. Autrement dit. plus tard. Nous obtiendrons des resultats differents et determinerons ainsi 1'incertitude en utilisant 1'approche decrite dans ce livre. La solution consiste a repeter 1'experience ou une partie de celle-ci. II ne faut pas que le schema d'une experience soit trop detaille et qu'il soit proche d'une photographic. Le nombre de chiffres am dies est defini par le nombre de digits d'ordinateur et non par la veritable precision de 1'experience. II . il faut preparer les tableaux avant la manipulation. nous devons avoir la possibilite de revoir Fensemble des mesures initiales. Si possible. la vraie taille de la resistance inconnue Rx peut etre de quelques millimetres tandis que la resistance variable Rv represente un appareil d'une dizaine de centimetres.

nous chauffons ce recipient a 1'aide d'une petite resistance plongee dans le liquide. 7 s. Elles peuvent etre necessaires pour noter immediatement les incertitudes sur les valeurs (surtout si elles varient lors de 1'experience) ou. les echelles de ces appareils ne sont pas des multiples de 10. il vaut mieux preparer des colonnes supplementaires pour noter les mesures brutes comme nous Tavons discute auparavant. Calculs arithmetiques Lors des calculs arithmetiques. U = 10. si nous negligeons les pertes de chaleur (par la surface de la boite ou pour chauffer la resistance elle-meme. trois remarques s'imposent. de plus. il est utile de reecrire Favant-derniere expression sous la forme . SI) : nous separons les chiffres et les unites : nous faisons les operations arithmetiques a 1'aide d'une calculatrice et nous transformons les unites : Ici. la duree du chauffage r. 6 g. Pour cela. les resultats obtenus lors du traitement des donnees. r = 23. nous devons preparer six colonnes : pour la tension et son incertitude. plus tard. L'ordre de calculs doit etre le suivant.114 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES est toujours utile de reserver quelques colonnes supplementaires. Nous determinons la valeur de la chaleur specifique C d'un liquide de masse m contenu dans une boite. En premiere approximation. il ne faut pas se precipiter sur la calculatrice. la tension aux bornes de celle-ci [/. Prenons un exemple. Le courant qui passe par la resistance est /. Par exemple.) la chaleur specifique est donnee par : ou AT est la difference des temperatures apres et avant le chauffage. Premierement. etc. si nous mesurons la resistance inconnue comme rapport de la tension a ses bornes au courant qui la traverse. Si. 36 K. 7 V. / = 42 mA. Soient les valeurs experimentales : m = 17. pour le courant et son incertitude et pour la resistance et son incertitude. Dans 1'expression initiale nous reecrivons toutes les valeurs dans le meme systeme d'unites (par exemple. AT = 0.

68.18 kJ/kg-K et cette valeur nous est tres familiere. cela signifie que la difference entre les deux valeurs de la puissance est due a la variation reelle de la puissance dans le circuit.Ill . cette ecriture suppose une interpretation . dans notre cahier d'experience nous devons noter ce phenomene et que 1'incertitude a ete calculee non pas a partir de la classe de 1'appareil mais qu'elle a ete estimee grossierement par AP = (. probablement.49 W. si nous effectuons la mesure d'une puissance electrique supposee constante a 1'aide d'un wattmetre. II faut obligatoirement noter ce phenomene dans le cahier d'experience. apres avoir calcule 1'incertitude sur C. les deux s'ecrivent sous la meme forme ±Ax. mais pour les calculs ulterieurs on prendra une valeur de la puissance P = (4. Nous le faisons volontairement pour eviter les erreurs supplementaires d'arrondi.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 115 ou nous avons separe les chiffres significatifs et les ordres de grandeur : si la valeur de x • 10n est plus grande que 5 • 10n nous 1'ecrivons cornrne 0. pour les erreurs statistiques. Dans le resultat final. nous ne laisserons que le nombre de chiffres significatifs correspondant a cette incertitude (peut etre un seul). nous avons note une valeur de 4. au moins. on ne peut pas eliminer la source de ces erreurs mais on peut introduire une correction permettant de diminuer Ferreur. Troisiemement. A la fin de notre experience. II ne faut pas oublier que. il vaut mieux les eviter ou. bien que les valeurs de AT et de / n'en contiennent que deux. Si 1'appareil debranche indique une valeur 0. trois chiffres significatifs 1. 0 2 ) W. sera alors de 1'ordre de 1 (de 0. il faut toujours avoir les reperes physiques qui peuvent servir comme moyens de controle de la validite de notre resultat. La valeur de la premiere fraction. verifier la position du zero de Pappareil). pour des raisons de commodite. nous devons utiliser lors des calculs ulterieurs une valeur de la puissance P = (4. a la precision de nos mesures. Meme si le liquide dans le recipient n'est pas de 1'eau.04) W .4 COMMENT TRAVAILLER AVEC LES ERREURS SYSTEMATIQUES ? Que faire avec les erreurs systematiques ? Comment peut-on travailler avec ? Si c'est possible. x • 10n+1. Cependant. 3. 0 7 W. La difference par rapport a la valeur initiale est due. Dans ce cas.4. car nous connaissons la chaleur specifique de 1'eau 4. Par exemple.1 a 10). sinon nous ne changeons rien.42 W. cela signifie que le zero de 1'appareil a derive et que la puissance mesuree a la fin de 1'experience etait egale en fait a 4. L'avantage d'une telle representation est que nous voyons immediatement 1'ordre de grandeur : 103. dans la derniere expression.02 W. Deuxiemement. 46 ±0. essayer d'eliminer ces sources d'erreurs (comme.Pmax — -P m m)/2. nous avons choisi les unites kJ/kg-K et non pas J/kg-K. dans le resultat intermediaire nous gardens. nous voyons que le wattmetre indique une valeur de 4. Que devons-nous faire dans cette situation ? II faut debrancher le wattmetre du circuit et voir la valeur affichee. par exemple. Les erreurs systematiques et statistiques sont de nature differente. Parfois.50 W et nous savons que 1'incertitude sur cette valeur determinee a partir de la classe de 1'appareil est de 0. Au debut de 1'experience. pour 1'instant. 50 ± 0 . dans la plupart des situations. S'il indique — 0 .00 W.

par exemple. Neanmoins. on peut utiliser la formule de propagation d'erreurs a condition d'introduire les correlations entre les erreurs. le module du coefficient de correlation est egal a 1. le resultat final d'une experience se presente sous la forme ou Ax s tat est une erreur statistique et Axi et Aa?2 sont des erreurs systematiques introduites par des raisons differentes.4 V et AV? = 0. Dans notre cas. Ainsi. celle de 1'appareil ou celle de la lecture. quand nous effectuons des mesures avec les appareils a aiguille. En particulier. la formule de propagation des erreurs (55) ne peut pas etre appliquee aux erreurs systematiques. nous obtenons la valeur La seule incertitude presente est statistique et calculee selon (56). L'incertitude de mesure est alors .1 V. A 1'aide d'un voltmetre nous avons mesure deux tensions V\ = 7. 2 A. Les incertitudes statistiques sont respectivement AVi = 0. C'est pourquoi. par exemple dans la comparaison rapide de deux resultats experimentaux. On peut le voir dans un exemple tres simple. Nous conseillons au lecteur interesse d'obtenir la formule correspondante. En principe. II existe aussi une erreur dans la position du zero du voltmetre que nous estimons a AVb = 0. Supposons que notre appareil de mesure soit un amperemetre de la classe 4 avec une pleine echelle de 5 A et que cette echelle possede 100 divisions. 5 V et V-2 = 6. L'ecriture d'un resultat sous la forme (122) est la seule acceptable. 3 V. quelle incertitude il faut choisir.ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES precise en termes de probabilites. le resultat sera Les erreurs systematiques sur la position du zero s'ajoutent dans ce cas. 3 V. Formellement. dans la litterature scientifique. C'est pourquoi on introduit aussi une incertitude totale de 1'experience qui reunit toutes les sources d'incertitudes : Cette expression n'est pas mathematiquement irreprochable mais elle est tres pratique. En revanche. nous pouvons ecrire Si nous voulons calculer la difference v — V\ — Vz. Par contre. Ainsi 1'erreur d'appareil est egale a Aar app = 0. pour les erreurs systematiques il n'en est pas de meme : leurs valeurs sont obtenues par des estimations parfois grossieres et subjectives. si nous voulons calculer la somme V = V\ + V?. 025 A. Le decalage du zero d'appareil ne peut pas influencer la difference des deux tensions. Nous estimons que notre incertitude de lecture est egale a la moitie de la division d'echelle : Aa?iect = 0. Cette formule nous aide a comprendre. le travail avec une telle expression devient complique. ces erreurs n'obeissent pas aux memes lois que les incertitudes statistiques.

Ill . on peut dire que 1'incertitude de mesure est approximativement egale a la division d'echelle. Par exemple. .EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES Si notre amperemetre est de la classe 0. 1'incertitude peut etre estimee grossierement a 1 dans le dernier digit (a condition. notre amperemetre devrait etre de la classe 1 ou 0. bien evidemment. Dans ces conditions.5. tous les appareils ont une echelle telle que 1'incertitude de lecture soit compatible avec celle de 1'appareil : Autrement dit. Cette estimation est utilisee quand on ne dispose pas d'information sur la classe de 1'appareil. 005 A et 117 Ces deux examples ne sont pas ties realistes : ils servent surtout a illustrer la procedure a appliquer pour estimer les incertitudes. pour les appareils avec Paffichage numerique. que les indications de 1'appareil aient ete stables tout le long de la mesure).1. alors Aa?app = 0. En pratique.

Cette page est laissée intentionnellement en blanc. .

Par exemple. Cette procedure est appelee ajustement des parametres.x^. mais on aurait pu egalement parler d'un parametre X. • • • . Habituellement. Avant d'evoquer des approches concretes d'ajustement. les deux estimations peuvent etre utilisees dans des situations differentes.XN. on peut proposer comme valeur de X la moyenne de tous les resultats ou la moyenne des valeurs maximale x max et minimale xmln Xi et X<2 sont des estimations differentes de la meme grandeur X. differentes expressions peuvent etre proposees pour definir la valeur d'un parametre a partir des donnees experimentales. Par exemple. defmissons quelques propretes generales des parametres deduits des donnees experimentale. on cherche la meilleure valeur du parametre. La premiere est 1'existence d'une erreur systematique.CHAPITRE 4 AJUSTEMENT DES PARAMETRES On rencontre des nombreuses situations dans lesquels on des parametres sont determines a partir des donnees experimentales. Si Ici. si Ton fait une serie de TV mesures d'une grandeur1 X pour laquelle on obtient les resultats xi. Comme nous 1'avons deja discute dans ce livre. On peut donner quelques importantes caracteristiques des telles estimations. . son incertitude et une maniere d'evaluer la qualite de la description des donnees par la fonction choisie. En principe. on parle d'une grandeur X pour utiliser les exemples deja abordes dans ce livre. on a une fonction qui depend d'un parametre et on veut trouver la valeur de ce dernier pour que cette fonction reproduit bien les donnees.

Autrement dit. • • -PN-i) soit minimale.1. ont la meme moyenne ~x\ — ~x^ = .'} : Cette condition donne La variance de X se calcule tres facilement en ecrivant Tindependance des {xj} : cr^x peut etre consideree commefonction de TV—1 variablesindependantes pi. on dit egalement qu'elle est correcte. il faut que les derivees partielles correspondantes soient nulles : . • • • .. On a deja vu 1'importance de cette notion dans la discussion de la variance experimental e au paragraphe 3. pour eviter une erreur systematique dans cette definition.2). on a du diviser la somme par N — 1 et non pas par TV. Dans la definition (86). • • • >PN-i (pN doit etre exprimee en fonction des autres variables a partir de (123)) : Pour que &'x(piip2. #AT qui. on peut construir une combinaison lineaire dans laquelle les difFerents resultats sont ponderes par des poids inconnus pi. Avant de calculer la variance de X. La deuxieme caracteristique importante d'une estimation est son efficacite. Parmi toutes les estimations possibles.X2. on cherche a ce que la variance de X soit minimale.1. precisement. Regardons le role de cette notion d'efficacite sur un exemple deja etudie : 1'addition de resultats experimentaux (voir paragraphe 3. Quelle est la meilleure fagon de calculer la moyenne de resultats experimentaux differents ? Soient N resultats a?i. &x-2 — °~2. on impose que X ait la meme moyenne fi que les {*.3. Si 1'estimation n'est pas biaisee. • • • ) &XN — VNA partir de ces donnees. — F/v = ^ mais des variances differentes aXl = <TI.. en tant que variables aleatoires.p2.120 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 1'estimation est dite biaisee. 1'estimation efficace est celle dont la variance est la plus petite. Choisissons ces poids en imposant comme condition Pefficacite de 1'estimation.

on trouve les poids pi qui sont inversement proportionnels aux variances ~2 .En faisant la somme de ces equations on obtient : soit Finalement. Nous allons exposer maintenant deux methodes les plus frequemment utilisees (la methode des moindres carres et celle du maximum de vraisemblance) pour ajuster des parametres. .IV — AJUSTEMENT DBS PARAMETRES Ainsi on obtient N — 1 conditions : 121 On pent ecrire a nouveau ce systeme sous la forme ou A = pi + Pi + • • • + PN-I. Ainsi pour X et <r^. emcacite) sont tres importantes pour pour optimiser le choix des parametres. on retrouve 1'expression (118) : On voit que ces caracteristiques (estimation biaisee.

1.122 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES 4. akCette formulation du probleme suppose que les valeurs y. C'est pourquoi nous faisons 1'hypothese supplementaire que y est une fonction lineaire de ses parametres {aj} qui s'ecrit . Ainsi les parametres {ctj} sont egalement decrits par les variables aleatoires dont nous devons determiner non seulement les valeurs moyennes mais aussi les variances. quelle est la meilleure fagon de tracer une droite qui passe par les points experimentaux representes sur la figure 4. • • • . Supposons que notre fonction y = y(x] depende aussi de k parametres {dj} — ai.} sont definis d'une fagon deterministe. c'est un probleme assez complexe.1 IDEE DE LA METHODS DES MOINDRES CARRES Dans un cas general.xn. cette hypothese signifie que les incertitudes Axt.sont negligeables.1 METHODE DES MOINDRES CARREES Revenons sur la question posee au debut de ce chapitre : si dans notre fonction theorique.. • • • . des parametres libres existent. comment pouvons-nous les choisir pour avoir le meilleur accord avec les points experimentaux ? Par exernple.sont decrites par les variables aleatoires tandis que les {#.a?2. 4. En pratique. 02 .1 : Trace de la fonction lineaire Nous disposons de n mesures independantes {y^v} = yr P '^2 X p > • • • > ?/nXp d'une grandeur physique y pour n valeurs de son argument {%i} — xi.1 ? Figure 4.

Dans cette methode on affirme que les meilleurs parametres {aj} sont tels qu'ils minimisent la somme des carres : C'est une sornme sur tous les points experimentaux i = 1. malgre cette hypothese sur la linearite par rapport aux coefficients {ctj}. dans ce cas nous cherchons les coefficients de developpement en serie de Taylor ou de fonctions trigonometriques cosinus et sinus et obtenons un developpement en serie de Fourier. nous ne pouvons obtenir que les valeurs experimentales (Ay 2 exp ) 2 . . Xi) calculee pour cette valeur de Xi. Ainsi. nous ne donnons pas ici sa demonstration. II faut noter que la methode des moindres carres est souvent utilisee dans des situations ou ses conditions de validite ne sont pas vraiment remplies (ou si 1'on n'est pas sur qu'elles soient remplies).IV . II peut s'agir de monomes comme fi(x] — xl. pour une droite. Cette affirmation reste vraie quelle que soit la forme de la distribution de probabilite (autrement dit.AJUSTEMENT DBS PARAMETRES 123 ou les fonctions {fi(x)} sont connues. Le lecteur interesse peut la retrouver dans les livres de mathematiques. 0 2 . nous avons besoin d'au moms deux points pour definir la pente et la constante a 1'origine. on peut demontrer un theoreme mathematique (dit de Gauss-Markov) selon lequel les parametres determines par la methode des moindres carres sont les plus precis : leur variance sera plus petite que les variances des coefficients obtenues avec tous autres criteres. En pratique. . . Plus grande est <rz-. Pour determiner k parametres.2. il faut que le nombre de points experimentaux n soit egal ou superieur a k. Une approche assez generale pour choisir des parametres est donnee par la methode des moindres carres.2). . notre probleme reste assez general et particulierement utile pour les applications physiques. Notons simplement que 1'idee de la demonstration est proche de celle que nous avons utilisee au debut de ce chapitre pour retrouver la formule (118). Chaque terme est pondere par un poids conformement a son erreur <T. Plus proches sont la theorie et 1'experience. De plus. plus petite est la contribution de ce terme. 2 . . Le critere utilise (le minimum de la somme des carres) n'est pas le seul critere possible. . La raison pour cela en est simple : on ne dispose pas d'autre methode presentant la meme simplicite et la meme puissance. . Dans ce livre. (voir le paragraphe 3. n qui reunit ainsi la totalite de 1'information experimentale. Par exemple. moins importante est la contribution de ce point. nous nous sommes surtout interesses a la demarche et nous allons montrer maintenant comment appliquer la methode pour obtenir les valeurs des parametres et leurs incertitudes. Nous supposons done que n > k. il n'est pas necessaire de supposer que les l^f XP } s°ient distributes selon la loi normale et le critere reste toujours valable). . nous supposons que nous connaissons les vraies variances de chaque point af. Cependant. a^'. Malgre 1'importance de ce theoreme. Chaque terrne de la somme est le carre de la difference entre la valeur mesuree y^xp et la valeur theorique y(a\. .

introduisons la matrice T de n lignes et de k colonnes : le vecteur (soit la matrice d'une colonne et de n lignes) et le vecteur (soit la matrice d'une colonne et de k lignes) Avec ces notations matricielles. II est plus facile de travailler avec une ecriture matricielle.124 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Pour trouver le minimum de la somme nous devons resoudre un systeme d'equations lineaires : soit Dans le cas general. nous obtenons le resultat : . la somme R (125) s'ecrit et les equations (126) Nous voulons trouver le vecteur A a partir du vecteur connu 3^ En multipliant (127) par la matrice (^7T^7)~1. Pour cela.

Bien que la matrice D(y] soit diagonale.j} ne sont pas independants).IV . I'expression (129) prend la forme Grace aux formules (128) et (130) nous avons trouve les valeurs des parametres {aj} et leurs incertitudes. c'est pourquoi nous pouvons utiliser la relation (65) pour les variances : La matrice de covariance D(y] est diagonale car toutes les mesures y"p sont independantes. la matrice D(A) ne Test pas (les parametres {a.77) devient un nombre De meme Le resultat (128) prend la forme .AJUSTEMENT DBS PARAMETRES 125 Les vecteurs A et y sont lies par une transformation lineaire avec un Jacobien J. De plus elle est egale a la matrice unitaire vu la normalisation du vecteur y : Ainsi. Fonction constants la matrice T se degenere en une seule colonne : La matrice (.77T. Explicitons (128) et (130) pour les cas les plus simples.

.126 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES et 1'expression (130) pour la variance devient Si toutes les erreurs sont les memes. nous retrouvons nos formules pour la moyenne (82) et pour la variance (84) : Fonction lineaire la matrice F prend la forme : la matrice (F^F] est une matrice (2 x 2) et La matrice inverse de (J-^ J-} qui est aussi la matrice de covariance (130) s'ecrit ou . = an = a. . <TI = &i = .

A cause de cette relation avec la distribution % 2 . conformement a la formule (105).IV . Les conditions de minimisation (126) ou (128) fixent k relations entre les {yzexp}.Rappelons que la valeur moyenne de Xmin sel°n (98) est alors que son erreur est selon (99) Autrement dit. la methode de moindre carres est egalement appelee la methode % 2 . la somme Rmin ou nous avons remplace les {aj} par leurs valeurs venant de la minimisation (128) a une distribution x2 avec (n — k) degres de liberte.3 Dans le cas general. I'element D(A)i2 est different de 0. Ainsi. si tous nos calculs sont corrects et coherents et si toutes nos hypotheses sont verifiees. L'hypothese de la forme gaussienne des distributions y^ donne une autre interpretation du critere du minimum des carres. Supposons que toutes les valeurs {yzexp} soient distribuees selon une loi normale. nous devons obtenir pour la somme de carres jR^Pn une valeur proche de (n — k ) . Pour les {yjxp} distributes selon une loi normale.AJUSTEMENT DBS PARAMETRES Les expressions (128) donnent 127 Les elements D(A)\\ et D(A}<2-2 de la matrice de covariance defmissent 1'incertitude sur cti et sur 0. La probability dP que les y{ se trouvent dans les . ce qui signifie que les deux parametres a\ et a-i sont correles : Remarque tres importante. la notation standard de cette somme est x2 : Rmin = Xmin.

Nous avons pris conscience de cette correlation lors de notre analyse rapide : pour passer . a/j).2 EXEMPLE D'UNE FONCTION LINEAIRE Sur la figure 4.. La valeur approximative et son erreur peuvent etre definies simplement comme : Dans notre cas. On peut dire que les "meilleures valeurs" de 0 1 .. 0 2 .128 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES intervalles [yj xp . Les valeurs numeriques correspondantes sont reunies dans le tableau 4. o&. done ces parametres sont fortement correles..2. nous avons presente un exemple de donnees experiment ales (10 points) pour lesquelles nous voulons ajuster une droite y = a\ + a-^x. A Poeil nu. nous avons explicite tous les resultats intermediaires necessaires pour calculer 01 et a 2 . . y^xp + dyi] s'ecrit alors ou R est defini par (124). Ier niveau d'analyse Pour une estimation rapide on peut utiliser une procedure presque intuitive. . le meme nombre de chifFres significatifs dans a^x et dans 01Nous pouvons estimer aussi le coefficient de correlation (22) de deux parametres Sa valeur absolue est relativement grande. . .1. Ainsi le minimum de R(ai.2. pour les lignes (1) et (2) on obtient IIe niveau d'analyse Dans le tableau 3. . .1. fonction des parametres 0 1 .a. . . correspond au maximum de cette probability.. a^ sont celles qui attribuent la plus grande probabilite au resultat observe. L'application directe des formules (133) —(134) nous donne le resultat final : Nous gardens deux chifFres significatifs dans 1'incertitude Aa2 afin d'avoir. 0 2 . . on trace toute la famille des courbes lineaires qui passent par les points experimentaux et on choisit les valeurs maximale et minimale de a. pour les grandes valeurs de x.2. 4.

6 8 2.0 1.25 62.5 0.4 £ vr ^r (A^F (Ayfxp)2 2.4 4.0 0.0 10 (»r (A2/r ) p -vjph42) 2 de la droite (1) a la droite (2) il faut changer non seulement la pente a^ mais aussi la constante a\.3 300 64 70 35 56.8 0.AJUSTEMENT DBS PARAMETRES Tableau 3.25 445. mais une constante : II applique les formules (131) et (132) et il obtient .3 1.5 4 20 6 2. le passage d'une droite extreme a une autre se fait seulement par la modification de la pente 02.4 2.7 2.0 3 3.2 25 225 1 0 1.6 7 2. Ceci n'est pas toujours le cas.5 0.5 10.83 16.7 (A3/rp)2 (Aj/^ x p P 2/eXP'^i I? 3 15. Ceci peut egalement se voir grace a la formule (135).4 6.3 0.4 2.78 2.2 : L'ajustement des coefficients ai et a? pour une droite xt 129 1 5. Supposons que notre collegue affirme que la meilleure approximation de ces points experimentaux n'est pas une fonction lineaire y(x) = a\ + a^x. IIP niveau d'analyse Dans Interpretation d'une experience de physique.1 0.L'erreur sur la constante et le coefficient de correlation sont petits dans ce cas-la.5 106.8 913.IV .8 1. selon laquelle les resultats experimentaux peuvent etre decrits par une fonction lineaire.7 2025 625 t/r p 27.0 2.7 1.5 4 16 5 3.3 3.0 0.7 3334 201. nous ne pouvons pas nous limiter aux calculs des parametres et a leurs incertitudes. la somme correspondante est proche de zero.5 74.4 4.0 1.0 1.7 0.1 9 1.0 0.2 247. Dans une situation ou I'origine x = 0 se trouve a peu pres au milieu des points experimentaux.6 0. Quand tous les {a?.6 3.9 4. Quand I'origine x = 0 se trouve au milieu des points experimentaux.2 0.1 0.6 6.78 0.1 225 100 64 16 100 14 100 5.6 (Ay^p 15.8 0.1 53 1.0 6. est correcte.3 J/*hi 5.7 19.1 3 4.} sont du meme signe.4 13.78 2.6 2 3.4 0.9 0.1 0. Nous devons aussi nous assurer que notre hypothese.8 136 8.83 1.2 25 75 4 4. le coefficient de correlation est grand.

725 26.145 ! Voi|a la contradiction ! Nous pouvons reformuler ces conclusions en termes de probabilite car nous avons deja etudie la distribution %2 au paragraphe 2.307 11.987 17.345 13.032 2.656 11.645 12.566 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Dans notre cas. Conformement a (136) et (137).148 9.383 9.338 19.781 12.624 13. Pour notre collegue.665 4.393 7.900 25. Pour illustrer ses proprietes dans notre cas.339 15.985 6.304 7.017 13.465 21.10 2.446 1.578 32. dans notre ajustement de 10 points avec 2 parametres.085 10.3 : Les valeurs x^> et les probabilites P pour que \2 > x?.490 4.357 4.527 6.059 3.418 19.030 12.337 0.547 9.90 0.000 3.016 0.168 4.980 7. la probabilite de trouver x2 > 10 Pour v — 8 est approximativement egale a 25%.721 12.Xmin = 4.20 1.812 16. La probabilite de trouver x2 proche de 100 est alors negligeable. En fait.610 2. on obtient Xmin = & avec une incertitude A.98 0.651 12.231 8.152 12.601 21.857 13.609 4.338 17. la probabilite de trouver x2 P'US grand que 21.064 0.210 11.219 4.191 37. nous presentons les valeurs %2 et les probabilites P pour que %2 soit plus grande ou egale a %2 avec un nombre donne de degres de liberte.865 5.671 5.141 30.352 16.467 10.30 1.760 23.558 9.151 19.311 20.195 3.642 3.429 0.779 9.989 7.204 28.237 0.342 10.338 18.408 3.038 0.277 15.341 11.564 2.217 27.368 5.209 24.822 4.01 6.011 15.064 7.343 3.424 2.034 9.615 22.821 11.511 20.713 1.211 0.444 0.549 19.064 22.002 12. Son hypothese est fausse.204 2.070 3. Ainsi son hypothese est refutee.178 4.684 15.307 23.251 7.236 10.649 2.631 15.La valeur obtenue dans la derniere ligne du tableau 3.242 13. divisons les valeurs de %2 en 4 .344 8.926 10.338 16.346 7.865 11.706 4.348 6.040 0.185 0.752 1.179 6.985 18.989 27.80 0.475 20.803 11.584 1.339 14.635 9.594 5.605 6.3 pour voir qu'il se trompe.775 0.386 2.812 21.542 24.090 21.086 16.769 25.064 1.805 36.442 14.412 0.362 14.3.524 10.688 29.614 7.119 16. Dans le tableau 3.134 1.70 0.634 9.812 18.878 6.343 9.380 6.666 23.455 1. cette valeur est assez grande. mais comment pouvons-nous le prouver ? La difference entre nos deux resultats se trouve dans la valeur de la somme Xmin clu '' faut calculer apres avoir choisi les valeurs des parametres {a z }.001 0.2.642 5.267 8.042 7. Tableau 3.828 4. pour v degres de liberte pour une droite T V 0.833 3.3. Par centre.906 8.351 5.312 10.222 17.578 0.689 22.130 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES II suffit de regarder la figure 3.532 3.899 14.322 18.255 7.275 18.2 (Xmm)exp — 10 est en tres bon accord avec cette estimation (les valeurs de y\^ sont calculees avec les parametres (139)).409 34.074 2.440 15.578 6.765 5.531 14.366 3.807 8.289 8. pour I'analyse de notre collegue.7 pour v — 9 est inferieure a 1%.50 0. II faut se rappeler que la distribution X 2 est asymetrique et que ('interpretation des resultats avec cette distribution est un peu particuliere.716 14.562 9.005 1.000 33.148 0.790 8. on s'attendrait a obtenir Xmin = ® avec ^Xmin — ^ tandis que la valeur experimental est (Xmm)eXP .340 13.340 12.266 0.

On peut demontrer que cette condition peut etre legerement affaiblie mais que.15.2 METHODE DU MAXIMUM DE VRAISEMBLANCE Une des hypotheses utilisees pour developper la methode des moindres carres etait la forme gaussienne de la distribution des y t -. Utilisons la demarche adaptee a la fin du paragraphe 4. En physique. nous supposons qu'il n'y qu'un seul parametre a . C'est pourquoi on peut chercher a proposer une approche plus generale du probleme. 4.xn. notons que la comparaison des deux premiers niveaux d'analyse montre bien deux particularity caracteristiques de ce genre d'evaluation rapide : 1'approche simple reproduit assez bien les valeurs de 01 et de 0.2. Neanmoins. ou nous avons interprete la methode des moindres carres comme celle qui donne la probabilite maximale de retrouver les valeurs experimentales avec une fonction theorique.15. PI ~ 0. on utilise une autre approche plus generale basee sur la fonction dite de vraisemblance. cette approche n'est pas valable pour une distribution quelconque. En conclusion. de toute facon. il existe des situations ou on ne peut pas 1'appliquer. 4.IV .8[. La difference entre a^ et Ay^xp peut etre de I'ordre de 10%. Nous voyons que les probabilites d'obtenir de tres grandes et de tres petites valeurs de x2 sont faibles.40. Rappelons que nous avons remplace partout dans nos calculs les vraies variances cr? par les valeurs experimentales (Ay^ xp ) 2 . . L'avantage du troisieme niveau reside en la possibilite de confirmer ou d'infirmer le choix de la dependance fonctionnelle. 30. . PS ~ 0. par exemple lorsque le nombre d'evenements est petit et que Ton ne peut pas evaluer correctement les incertitudes. A I'aide du tableau 3.xi. ^2 — 0..3. ou quand les incertitudes sur x ne sont pas negligeables x\. 73 = [8.1.12[ et 74 = [12. car nous ne connaissons que ces dernieres. La methode des moindres carres est une approche tres efficace et elle est largement suffisante pour les experiences faites en travaux pratiques.3.. nous evaluons les probabilites pour que la valeur de x2 se trouve dans I'intervalle correspondant : P\ ~ 0.1 L'IDEE DE LA METHODE DU MAXIMUM DE VRAISEMBLANCE L'idee de la methode du maximum de vraisemblance est assez simple (pour simplifier encore la presentation. Leur apparition signifie que le choix de la fonction etait mauvais. on considere que le choix d'une fonction est correct si la valeur de x2 Par degre de liberte est proche de 1.AJUSTEMENT DBS PARAMETRES 131 intervalles : /i = [0. Le pas correspond a la racine carree de la variance. Dans ces situations.. Ainsi nous sommes capables de determiner %2 a 10 — 20% pres.4[. la generalisation au cas de plusieurs parametres est relativement simple).oo[.1. 72 = [4. mais les incertitudes sur ces valeurs peuvent etre tres differentes des valeurs exactes. II existe un autre argument important qui conduit a interpreter ces probabilites avec beaucoup de prudence.

on peut trouver la valeur la plus vraisemblable 2 Pour avoir la meme ecriture qu'au debut du chapitre. On desire. II est parfois plus commode de minimiser le logarithme de cette fonction que la fonction elle-meme. dans ce cas simple. et la condition du maximum de vraisemblance prend naturellement la forme A partir de cette condition.132 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES En utilisant les fonctions de distribution /(# z . Bien evidemment. + dxi] Pour que cette probabilite soit maximale. par exemple. trouver la moyenne /j. Mais cette methode est vraiment tres generale. Supposons que la fonction de distribution est la meme pour tous les Xi (avec la meme variance inconnue cr2) : Le logarithme de la fonction de vraisemblance s'ecrit alors et sa derivee s'annule pour Le signe^sur p souligne que la methode du maximum de vraisemblance nous indique comment estimer ce parametre . Cette fonction s'appelle la fonction de vraisemblance. autrement dit. Par exemple. on trouve la valeur du parametre a. la variable aleatoire est representee par la lettre x. pour une distribution binomiale (qui est une distribution discrete !).£. a) des variables 2 independantes X{. . inconnue d'une fonction de distribution gaussienne. il faut que la fonction ait un maximum. on retrouve une expression connue de la moyenne. on ecrit la probabilite de trouver les valeurs de Xi dans les intervalles [#.. elle fournit une estimation.

par exemple. d'apres (30). un evenement se produit x fois. En conclusion de ce paragraphe. La derivation de cette expression par rapport a u conduit a ('equation soit Comme nous I'avons deja vu plusieurs fois. (85)). au cours de N experiences. Tout d'abord. Revenons a I'exemple d'une distribution gaussienne avec le logarithme de la fonction de vraisemblance et determinons I'estimation pour la variance. la valeur la plus vraisemblable de p est Malheureusement.AJUSTEMENT DES PARAMETRES 133 de la probabilite inconnue p si. la methode des moindres carres peut etre consideree comme un cas particulier de la methode du maximum de vraisemblance : si Ton prend comme fonction de . En particulier.IV . La fonction de vraisemblance. la methode du maximum de vraisemblance ne peut pas resoudre tous les problemes. donnons quelques remarques concernant les relations entre les deux methodes proposes d'ajustement des parametres. pour avoir une estimation correcte (non biaisee) il faut diviser la somme par TV — 1 et non pas par N (voir. les estimations obtenues par cette methode peuvent etre biaisees. Autrement dit. s'ecrit et son maximum correspond au maximum du logarithme (dans cette expression. Alors pour np = x. nous avons volontairement omis une constante qui ne depend pas de p).

la parabole correspondante est presentee sur la Figure 4. ou p est defmi par (142).2 INEGALITE DE CRAMER-RAO-FRECHET Un aspect important de la methode du maximum de vraisemblance est le calcul des incertitudes sur les valeurs des parametres. par exemple. ce type de critere n'existe pas. On peut ajouter a cette expression une constante independante de p comme. Nous avons deja calcule le logarithme de la fonction de vraisemblance dans (141) de cette distribution. compte tenu de ('argumentation choisie pour developper la methode du maximum de vraisemblance. Enfm. on reprend les .x z ) dependant de un (ou plusieurs) parametre(s). Commencons par la fonction de vraisemblance d'une distribution normale (140) et cherchons ('incertitude sur p. Ainsi le maximum de vraisemblance correspond au minimum de la somme des carres. 3 Pour retrouver exactement les meme expressions que dans la methode de x 2 > notations yj pour les variables aleatoires et x^ pour 1'argument des fonctions. elle permet d'utiliser la puissance de la methode des rnoindres carres pour evaluer. les incertitudes sur les valeurs des parametres (voir le paragraphe suivant). on a et le logarithme de la fonction de vraisemblance donne (a une constante pres) la somme R (125) avec le signe moins. Pour N = 1. Cette correspondance n'est pas surprenante.134 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES distribution3 de y"p une gaussienne avec des "moyennes" y th (a. si la methode du maximum de vraisemblance soit plus souple que la methode des moindres carres. par exemple. De plus. On obtient alors La representation de cette fonction de p est une parabole dont le maximum se trouve au point p = p. dans la methode du maximum de vraisemblance.2.2. Rappelons que la methode des moindres carres (par la valeur de x2 obtenue) peut nous dire si notre hypothese sur la forme de la fonction a ajuster est correcte ou non. Au contraire. on doit se souvenir qu'elle n'est pas parfaite : les estimations qu'elle propose peuvent etre biaisees et il est plus difficile d'avoir un jugement sur la qualite de I'ajustement des parametres. 4.

dans le cas d'une distribution binomiale abordee dans le paragraphe precedent. on peut tracer le logarithme de la fonction de vraisemblance en fonction de p. cette fonction est presentee sur la Figure 4. D'ailleurs.45 %.3 (dans cette expression. caracterise un intervalle de confiance correspondant a une probabilite de 68.27 %. D'une facon analogue.2 : Le logarithme de la fonction de vraisemblance d'une distribution gaussienne Cette courbe est a la base de ('analyse des fonctions de vraisemblance dependant d'un parametre. Par exemple. le segment de droite reliant les deux branches de la parabole pour \nL = —2 correspond a un intervalle de confiance de 95. On peut demontrer pour une classe assez large de distributions (pas forcement gaussiennes) qui ne dependent que d'un seul parametre. Pour x = 2 et A" = 10. on peut souvent approximer les fonctions de ce type par des paraboles au voisinage du maximum (ce qui signifie qu'on peut approcher la . Le segment de droite reliant les deux branches de la parabole pour InL = — 1/2. on a ajoute une constante pour que la valeur maximale de InL(p) soit egale a 0). qu'il est possible de trouver les intervalles de confiance de la meme facon.IV — AJUSTEMENT DES PARAMETRES 135 Figure 4. Ce n'est pas une parabole mais elle lui ressemble quelque peu. pour une distribution gaussienne.

Elle est beaucoup plus pratique. surtout lorsque la fonction de vraisemblance depend de plusieurs parametres. Cette estimation est biaisee par une erreur systernatique f3(a).45 %. c'est-a-dire que la valeur moyenne de a est egale a 4 4 Pour simplifier la presentation des formule. Figure 4. Une autre approche existe pour determiner ("incertitude sur la valeur des parametres dans la methode du maximum de vraisemblance. 0.2. nous pouvons facilement trouver tous les intervalles de confiance desires. Soit a I'estimation du parametre a.2. la solution de I'equation donne [0.3 : Le logarithme de la fonction de vraisemblance pour une distribution binomiale avec x = 2 et N = 10 A partir de cette courbe. Cette approche porte le nom d'inegalite de Cramer-Rao-Frechet.505]. La position du maximum de cette fonction nous donne la valeur de I'estimation (143) : p= 0. On remarque que cet intervalle n'est pas symetrique par rapport ap=0. Donnons sa demonstration dans le cas ou la vraisemblance L(a) ne depend que d'un seul parametre a.136 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES fonction de distribution par une gaussienne).036 . nous utiliserons 1'ecriture / • • • dX qui signifie une integrate multiple sur toutes les variables xt. . Parexemple. pour un intervalle de confiance de 95. mais le resultat peut etre generalise au cas de plusieurs parametres.

on obtient Cette relation peut encore s'ecrire sous la forme Calculons maintenant la derivee par rapport a a de la relation de normalisation de la vraisemblance que Ton peut mettre sous la forme En multipliant cette relation par a et en le soustrayant de (145). Ainsi 1'equation + g(x))2dx est n'a pas de racines reelles non nulles.IV . Cette condition nous donne I'inegalite recherchee. Done.AJUSTEMENT DBS PARAMETRES 137 En derivant cette relation par rapport a a et utilisant le fait que I'estimation a n'est fonction que des donnees experimentales {xi}. le discriminant doit etre negatif. pour laquelle on obtient fmalement I'inegalite recherchee : 5 Pour demontrer cette inegalite. on obtient Si Ton applique I'inegalite de Schwartz 5 aux fonctions on trouve La premiere integrale represente la variance <r% du parametre a. il suffit de remarquer que 1'integrale f ( X f ( x ) positive quelque soit la valeur de A. .

dans I'inegalite de Schwartz. les fonctions / et g soient les memes a un facteur multiplicatif A pres. N). . considerons la distribution de Maxwell deja etudiee dans le paragraphe 3.. Supposons que soit mesure le module de la vitesse des molecule d'un gaz et que nous voulions determiner la temperature a partir des resultats de N mesures effectuees : i.3. il suffit de calculer la derivee de 1'equation (146) par rapport a a). . la vraisemblance doit avoir une forme gaussienne (a comparer avec 1'equation (144)) Notons que.138 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES La valeur moyenne du carre de la derivee logarithmique de la vraisemblance peut etre mise sous la forme (pour obtenir cette relation. c'est-a-dire que Autrement dit. on obtient soit Comme exemple d'utilisation de la formule de Cramer-Rao-Frechet. pour la variance. la derivee seconde du logarithme de la vraisemblance est une constante : Ainsi. Ainsi I'inegalite (147) prend une autre forme equivalente Pour que cette inegalite devient une egalite. il faut que.. dans ce cas..? (i — 1.1.

egale a On obtient. La valeur moyenne du carre de la vitesse pour chaque molecule i.AJUSTEMENT DBS PARAMETRES 139 La fonction de distribution f(v) du module de vitesse v s'ecrit done. le logarithme de la vraisemblance prend (a une constante pres qui ne nous interesse pas) la forme L'estimation de la temperature T s'obtient en annulant la derivee par rapport a T de cette expression : Ainsi. De meme. calculons la valeur moyenne de T en utilisant la forme explicite de la distribution de Maxwell (151). est d'apres (27). ce qui signifie que sa valeur moyenne est egale a T : Pour demontrer ce resultat.IV . on calcule la variance de ce parametre en utilisant la procedure appliquee pour obtenir la formule (84) : . ainsi pour Le parametre T n'est pas biaise. On peut verifier aisement que cette estimation n'est pas biaisee (elle ne contient pas d'erreur systematique). done. on obtient Cette expression correspond a I'intrepretation physique bien connue de la temperature comme mesure de I'energie cinetique moyenne des molecules.

On peut aisement verifier que la condition (149) est satisfaite et que la vraisemblance peut encore s'ecrire sous la forme (150). IMous laissons au lecteur le soin de retrouver la valeur de A correspondante ainsi que le coefficient de normalisation. D'apres la formule de Cramer-Rao-Frechet.140 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Pour obtenir ce resultat. . I'inegalite devient I'egalite. la variance de la temperature est donnee par On peut calculer facilement la denominateur de cette expression : Ainsi. d'apres (27). dans le cas de la distribution de Maxwell. On voit que I'estimation de la temperature defmie par (152) est une estimation non biaisee et efficace. nous avons utilise I'independance des variables Vi et le fait que.

il faut souligner que rien ne peut remplacer le bon sens de 1'experimentateur. par exemple. . Quelques ouvrages de reference sont donnes dans la bibliographic pour permettre d'approfondir certaines questions ou pour trouver d'autres exemples d'application. On comprend ainsi qu'il est toujours necessaire d'avoir une estimation. nous ne pouvons plus repondre facilement a la question par laquelle nous avons commence cet ouvrage : "Quelle est la valeur de telle grandeur ?" Mais en donnant comme reponse la valeur et son erreur (et les autres parametres si. C'est tres important dans les applications car il doit y avoir adequation entre la methode choisie pour obtenir la valeur moyenne avec son erreur et la precision recherchee : il ne faut pas utiliser des methodes lourdes et complexes si 1'on cherche une precision de 10%. L'incertitude est evaluee avec sa propre precision. une litterature abondante sur ce domaine. En utilisant ce langage probabiliste. certes. on retiendra les points suivants. ni dans le choix de la methode d'analyse ni dans 1'appreciation des resultats. Nous esperons que les differents aspects qui ont ete abordes contribueront a demystifier un domaine qui rebute souvent les experimentateurs. la determination de 1'incertitude n'est pas plus difficile que la determination de la valeur elle-meme. mais elle a ses limites : elle doit etre appliquee avec beaucoup de precautions aux erreurs systematiques qui mettent en jeu des parametres plus difficiles a analyser. Sans connaitre 1'incertitude il est impossible de savoir si Ton peut avoir confiance en une valeur mesuree : avons-nous obtenu seulement un ordre de grandeur ou avons-nous reussi a avoir plusieurs chiffres significatifs ? C'est 1'incertitude qui donne 1'information sur la fiabilite des resultats et sur leur qualite. En fait. II existe.CONCLUSION En conclusion. de 1'erreur experimentale. mais les problemes les plus courants ont ete traites dans cet ouvrage volontairement synthetique. notamment dans les pays anglo-saxons. mais souvent tres specialisee ou dispersee. Finalement. la distribution de probabilite n'est pas gaussienne). nous apportons une information plus riche et surtout plus coherente. Le probleme de la determination de la valeur d'une grandeur physique est inseparable de celle de son incertitude car toutes deux font partie d'une description unique en termes de probabilites. L'approche statistique est une approche extremement puissante et informative. meme grossiere.

.Cette page est laissée intentionnellement en blanc.

L. Lavoisier. Belorizky.L. BIPM. E. 1994 (http://physics. . Taylor. Mc-Graw-Hill. New York. Cambridge University Press.R. M. L. Lyons. "Statistics for nuclear and particle physicists"./'expression de 1'incertitude de mesure". UICPA. "Guidelines for Evaluating and Expressing the Uncertainty ofNIST Measurement Results". CERN 63-29. Dunod. "Statistique mathematique". Van der Waerden. ISO. ISBN 92-67-20188-3.gov/cuu/Uncertainty/bibliography. 1968. Hudson.J. Oxford. Brisbane. B. 1991 . "Guide pour . Londres. Technique et Documentation. 1998. "Probabilites et statistiques dans les sciences experiment ales". Jonh Wiley fe Sons. New York. Kuyatt. "Practical Physics".E. Toronto. 1995 (http://www. 1989. Hudson. 1987. McGraw-Hill. 1986.iso. Cambridge University Press. L. M. Clarendon Press. Paris. 1998. Singapore.ch/iso/fr/prods-services/otherpubs/Metrology. 1967.N.J. Cowan.html). Spiegel. 1987. D. D. B. Londres. CEI. G. Chichester. Lyons. Paris. "Lectures on Elementary Statistics and Probability". Nathan. Neuilly et CETAMA. CERN 64-18. Squires. Paris. Ch. 1963 . "Theorie et applications de la statistique".J. "Statistical Data Analysis". "Modelisation et estimation des erreurs de mesure". FICC.html) .nist.BlBLIOGRAPHIE R. Londres. "A practical guide to Data Analysis for Physical Sciences Students". Londres. Barlow. NIST Technical Note 1297. OIML. UIPPA. Oxford. "A Guide to the Use of Statistical Methods in the Physical Sciences". "Statistics Lectures II: Maximum Likelihood and Least Squares Theory". G. 1964.

Cette page est laissée intentionnellement en blanc.

INDEX
"Addition" de deux mesures Ajustement des parametres Chiffres significatifs Coefficient de correlation Coefficient de Student Comparaison de deux resultats Correlations Covariance (voir aussi matrice de covariance) Degre de liberte Distribution binomiale Distribution constante Distribution gamma Distribution de Gauss (normale) Distribution de Lorentz (de Cauchy) Distribution de Maxwell Distribution de Poisson Distribution de Student Distribution x2 Ecart quadratique moyen Ecart-type Echantillon Erreur Erreur systematique Estimation 99 119 78 24, 127 91, 97 96 23, 57, 125 29 91, 97, 127, 130 31,49 18, 66 40, 89 25, 42, 89 37, 45, 89 25, 84, 139 34, 49, 89 87, 89, 90 82, 89, 127, 130 77 18 76 8 9, 101, 105, 116 119

146

ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES

Estimation biaisee Estimation efficace Fonction de distribution Fonction de distribution de plusieurs variables Fonction generatrice des moments Fonction generatrice des moments centraux Incertitude d'appareil Incertitude naturelle Incertitude statistique Intervalle de confiance Matrice de covariance Methode de moindres carres (% ) Methode de maximum de vraisemblance Moments Moments centraux Moyenne Moyenne experimentale Niveau de confiance Probabilite Propagation des erreurs Precision de la variance experimentale Theoreme central limite Variable (grandeur) continue Variable (grandeur) discrete Variables independantes Variance Variance experimentale Vraisemblance
2

120, 140 120, 140 16, 17 20 19 20 9, 102 8, 101 9, 116 72, 91 57, 125 122 131 19 19 17 76 72, 91 11 51, 53 78 42 14, 16, 17 14, 16, 17 13, 21, 23 18 77 132

5.3. Distribution de Lorentz 1.1.4.1.2. Distribution de Poisson 1. Propagation des erreurs 2.3.3.3.1.3.3. Theoreme central limite Chapitre 2. fonction de distribution 1.3.2. Fonction de distribution de plusieurs variables 1.2. Exemples de propagation des erreurs 2. Cas des variables correlees 2. Distribution binomiale 1. Rappels sur la theorie des probabilites 1. Formule de propagation des erreurs 2.1.1.1.2.1.4. Grandeurs discretes et continues. Fonction biunivoque 2. Distribution de Gauss 1. Distribution de probabilite d'une fonction de variable aleatoire 2.2.1. Definitions et proprietes 1.3. Distribution gamma 1. Fonctions d'une variable aleatoire 2. Auitres distributions elementaires 1.4.2. Proprietes de la fonction de distribution 1.2.TABLE DES MATIERES Preface 5 Pourquoi les incertitudes existent-elles ? Chapitre 1.1.1. Correlations 1.1.1.1. Cas general 2. Probabilites 1.2.1. Exemple physique 7 11 11 11 13 17 20 23 25 30 31 34 37 40 42 51 51 51 53 57 61 61 62 64 .2.3.

4.3.4.2. Idee de la methode des moindres carres 4.1. Methode du maximum de vraisemblance 4. Inegalite de Cramer-Rao Conclusion Bibliographie Index Table des matieres 3.3. " Addition " de deux resultats experimentaux 3.4. Experiences avec un nombre limite de mesures 3.1.1. Methode des moindres carres 4.2. Petit nombre de mesures 3. Echantillon. Niveau de confiance et intervalle de confiance 67 71 75 75 76 82 87 90 96 96 99 101 102 105 109 115 119 122 122 128 131 131 134 141 143 145 147 Chapitre 3.2.1.2.1. Distribution x2 3. Incertitudes d'appareil 3.2. Deux resultats experimentaux 3.4.1..2.2.3. Distribution de Student 3.1. Erreurs systematiques 3. Precision de la variance experimentale et chifFres significatifs .1. Exemple d'une fonction lineaire 4.3.4.1.2.1.1.2. valeur moyenne et ecart-type 3.2. Precision de la formule de propagation des erreurs 2. Idee de la methode du maximum de vraisemblance 4.3. Ajustement des parametres 4. Comment eviter les erreurs systematiques ? 3. Comment travailler avec les erreurs systematiques ? Chapitre 4.1. Definitions et proprietes 3.3.148 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 2. 78 . Comparaison de deux resultats experimentaux 3.1. Autres sources d'erreurs 3.3.4.2.

Sign up to vote on this title
UsefulNot useful