ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES

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

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

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

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

il pourra etre egalement utile aux jeunes chercheurs. aux ingenieurs et a tons ceux qui sont amenes a realiser des mesures. 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. . Je voudrais exprimer ma profonde gratitude a M. J'airnerais remercier mes collegues enseignants et chercheurs qui ont lu le manuscrit et qui m'ont fait des propositions pour arneliorer son contenu.

dans les conditions reelles d'une experience physique. quand on determine plusieurs fois la longueur d'une tige metallique. Pour cela on introduit une fonction appelee distribution de probabilite de detection d'une valeur physique.POURQUOI LES INCERTITUDES EXISTENT-ELLES ? Le but de la majorite des experiences en physique consiste a comprendre un phenomene et a le modeliser correctement. on reste proche d'une certaine valeur moyenne. qui montre . Meme les mesures repetees de la longueur d'une tige metallique peuvent donner des valeurs differentes. L'experimentateur qui le fait est frequemment confronte a une situation assez interessante : s'il utilise des appareils suffisamment precis. Nous effectuons des mesures et nous avons sou vent a nous poser la question : "quelle est la valeur de telle ou telle grandeur ?". ce qui modifie la grandeur mesurable. mais elle est inevitable et. Ce phenomene est general. on ne peut pas s'en affranchir. 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. La repetition de 1'experience montre que. mais de temps en temps on trouve des valeurs qui sont differentes de celle-ci. Nous sommes "condamnes" a effectuer des mesures de grandeurs qui ne sont presque jamais constantes. Dans la plupart des cas. que les mesures soient simples ou sophist iquees. II faut trouver une definition qui puisse exprimer cette particularity physique. mais plutot par la probabilite de trouver dans une experience telle ou telle valeur. La necessite de cette interrogation prealable devient evidente des qu'on rnesure la meme grandeur plusieurs fois. Par exemple. C'est pourquoi meme la question de savoir quelle est la valeur d'un parametre peut ne pas etre absolument correcte. parfois sans nous demander prealablement si cette formulation est correcte et si nous serons capables de trouver une reponse. La solution est de caracteriser une grandeur physique non pas par une valeur. ou plus simplement la distribution d'une valeur physique. Plus les resultats sont eloignes de cette moyenne. mais que ses variations se regroupent autour d'une valeur moyenne. Cette variation des conditions exterieures (et la variation correspondante de la valeur physique) peut etre plus ou moins importante. c'est la temperature ambiante qui peut varier et ainsi faire varier la longueur. plus ils sont rares. Cette definition doit refleter le fait que la valeur physique varie toujours. d'une part les resultats sont toujours un peu differents et d'autre part cette difference n'est en general pas tres grande. II faut poser cette question de maniere pertinente et trouver des moyens adequats pour decrire les grandeurs physiques. 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.

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

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

Dans la seconde nous desirous obtenir une precision de 1'ordre de un a dix pour cent . Ce cadre peut ne pas etre exact. nous ne pourrons jamais tenir compte de tous les facteurs physiques qui peuvent influencer sa valeur. il faut alors faire attention en determinant les incertitudes. 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. Diverses situations existent selon la precision desiree. de notre vision du monde. Dans la premiere nous voulons seulement obtenir 1'ordre de grandeur de la valeur mesuree . Dans la troisieme nous cherchons a obtenir une precision du meme ordre de grandeur que celle de Petalon correspondant au parametre physique mesure . Le lecteur qui connait les bases de la statistique peut omettre sans probleme les premiers paragraphes et chercher la reponse a sa question. plus la methode doit etre elaboree. le probleme de 1'incertitude peut alors etre plus important que celui de la valeur. . Premierement. II existe une limite raisonnable de 1'incertitude. tous nos raisonnements et discussions sont effectues dans le cadre d'un modele ou. Cependant. Un experimentateur se pose toujours deux questions. nous considerons seulement les methodes d'estimation d'erreurs dans la seconde situation. Dans cet ouvrage. quelle que soit la grandeur a mesurer. II ne faut pas oublier que. mais le prix a payer est la lenteur des calculs et leur volume. 1'incertitude doit aussi etre evaluee grossierement. on ne peut pas reduire les incertitudes infiniment. Dans le cas contraire. 1'incertitude statistique en augmentant le nombre de mesures. 1'ouvrage lui apporte 1'information necessaire sur les parties de la statistique utiles au traitement des incertitudes. plus generalement. L'evaluation de cette limite est non seulement une question de temps et d'argent depenses. De plus. dans ce cas. mais c'est aussi une question de physique. car les methodes choisies doivent evoluer en fonction de la precision requise.10 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES deuxieme est 1'incertitude statistique due a 1'impossibilite de mesurer precisement la distribution initiale. comment peuton mesurer une grandeur physique. 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. 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. c'est-a-dire les caracteristiques de sa distribution : la moyenne et la largeur ? Deuxiemement. La troisieme est 1'incertitude d'appareillage due a 1'irnperfection des outils de travail de Pexperimentateur. Plus on cherche de precision. 1'incertitude d'appareillage en utilisant des appareils plus precis.

Logiquement.CHAPITRE 1 RAPPELS SUR LA THEORIE DES PROBABILITES Dans ce chapitre. 1. Dans n cas.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). chaque lecteur de ce livre a deja eu 1'occasion dans sa vie de jouer. au moins aux cartes et ainsi la notion de probabilite ne lui est pas etrangere. 1.2 et 1. Si les resultats des evenements dans cette suite sont independants. Parmi ces distributions.1 PROBABILITES Pour pouvoir decrire une grandeur physique en termes de probability il faut rappeler les definitions et les proprietes les plus simples. 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. 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 .4) lui est consacree car elle et est indispensable a la comprehension du reste du livre. celle de Gauss joue un role tres particulier. c'est pourquoi la partie esssentielle de ce chapitre (paragraphes 1. 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. cet evenement est caracterise par une marque distinctive a (appelee aussi caractere).1.

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

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

comme la longueur. on mesure des grandeurs continues. ou le comptage d'un detecteur. il existe des situations ou une valeur discrete ne peut pas etre remplacee par une valeur continue. Cependant. meme parfois sans se rendre compte de ce que Ton fait. Les proprietes de probabilite resteront les memes dans . etc. Cette distinction des valeurs (ou des grandeurs) discretes et continues est tout a fait justifiee. en partie. Bien sur. Pour illustrer le caractere conventionnel de cette distinction. 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. par exemple dans le jeu de cartes. Cette attitude correspond a un parti pris de presentation. On franchira cette frontiere regulierement. Neanmoins. la duree. Le lecteur ne doit pas en deduire que le passage a la limite s'effectue dans tous les cas sans difficulte. 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.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.14 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES Figure 1. ces situations sont rares dans les experiences de physique. en physique. De ce point de vue. cette separation est. si 1'on considere des exemples plus physiques. conventionnelle et les proprietes (ou meme Pecriture) valables pour les valeurs discretes seront utilisees pour les valeurs continues et inversement. le courant. 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). Mais plus frequemment en physique. 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.

Continuons notre experience mentale. lorsque le nombre de mesures tend vers I'infmi. Le sol n'etait pas plat. cinq fois — 324 cm et quatre fois — 325 cm. La forme des histogrammes tendra vers une forme en cloche qui.2. la longueur etait. nous ayons trouve une fois la longueur de la chambre egale a 323 centimetres. Figure 1. on montre la valeur mesuree et.3). la plupart du temps.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.RAPPELS SUR LA THEORIE DBS PROBABILITIES 15 les deux cas. 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. Les resultats sont presentes sur la figure 1. sur 1'axe des ordonnees. notre decimetre n'etait pas toujours droit.1 qui s'appelle un "histogramme". Avec une autre echelle on retrouve les memes tendances : les resultats sont legerement differents et se regroupent autour d'une certaine valeur. D'ou la dispersion de nos resultats. 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. Sur 1'axe des abscisses. Supposons qu'apres avoir fait une dizaine de mesures rapides. comprise entre 324 et 325 cm et nous ne savions pas dans quel sens il fallait Tarrondir.I . peut etre decrite par une fonction continue f(x) (figure 1. Chaque histogramme donne le nombre relatif de resultats se trouvant dans un inter- . C'est pourquoi nous donnerons les demonstrations generales pour les variables continues et considererons que les resultats s'appliquent aussi aux variables discretes.

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

position de la courbe (c'esta-dire celle de son maximum) sur 1'axe et son etalement. C'est une hypothese physique naturelle mais nous discuterons aussi d'exemples ou elle n'est pas valable.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. 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.3.1. 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. et avoir la forme de la courbe presentee sur la figure 1.3 PROPRIETES DE LA FONCTION DE DISTRIBUTION Comment pouvons-nous caracteriser la fonction de distribution de probabilite f(x] ? Theoriquement. vu sa relation avec la probabilite. Pour une variable discrete La barre sur x est la notation standard indiquant la valeur moyenne arithmetique. II est logique d'introduire au moins deux parametres qui decrivent la. L'etalement de la distribution peut etre decrit par la variance ou le carre de I'ecarttype et defini par . Bien evidemment. A priori. cette fonction f(x] doit etre positive. 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. tendre vers zero a plus l'infini et a moins 1'infini assez rapidement pour que 1'integrale (5) existe. nous supposons que cette integrate (cette somme) ainsi que les integrates (les sommes) que nous allons definir existent. 1.

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

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 . Parfois.I . il est utile d'introduire des moments sans rapport avec la valeur moyenne Les moments (ou les moments centraux). ainsi defmis. On peut alors defmir les valeurs moyennes du cube.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. de la quatrieme puissance de I'ecart etc. La connaissance de tous les moments {fi'n} (ou {pn}} donne une information complete sur la fonction de distribution de probabilite f(x). peuvent ne pas etre suffisantes pour decrire la fonction f(x). Cependant. il est plus rationnel de travailler avec une seule fonction contenant tous les moments dans son expression. elles sont identiques Laissons au lecteur interesse le soin d'effectuer cette demonstration. par definition. De cette facon. Notons que. 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. determinent la distribution f(x) d'une facon unique.

La construction et les definitions sont absolument analogues au cas d'une seule variable. x ^ } . on obtient ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES D'une facon analogue. Dans le premier cas. la definition est etroitement liee a la transformation de Laplace. Pour deux grandeurs continues.20 Done pour t = 0. On peut remplacer la fonction exponentielle d'un argument reel e^par la fonction d'un argument purement complexe etxt.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^. notons que cette definition de la fonction generatrice n'est pas la seule utilisee dans la litterature. 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. Par exemple. on doit introduire la densite de probabilite qui depend de deux variables /(a?i. nous mesurons la longueur et la largeur d'une piece. 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. alors que dans le deuxieme elle est liee a la transformation de Fourier. on introduit la fonction generatrice des moments centraux : La relation entre ces deux fonctions est done : Conformement au theoreme que Ton vient d'enoncer. Ou encore. 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 : . nous faisons deux mesures independantes de la rneme grandeur : dans ce cas nous pouvons aussi dire que nous travaillons avec deux grandeurs. 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.1. on peut affirmer que I'egalite des deux fonctions g e n e r a t r i c e s . Mais on peut lui donner une interpretation physique plus profonde qui sort du cadre de ce livre.

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

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. . x % . On voit d'ailleurs 1'avantage d'une telle definition de la variance. avec cette definition. Cette formule est la base du traitement des incertitudes et elle est utilisee continuellement en physique. XN. on a On introduit la somme de ces grandeurs. Nous avons dit qu'il etait "a priori" possible de caracteriser 1'etalement d'une distribution f(x) par par exemple. pour TV grandeurs independantes x±. . Pour la fonction generatrice des moments . Mais.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).

1. dans la plupart des situations reelles. chaque mesure risque de dependre des precedentes. Bien evidemment. En physique experimentale. 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. .5 CORRELATIONS Jusqu'a present. 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.1. De plus. Dans ce cas. comme la mesure d'un courant avec un amperemetre electromecanique (de mauvaise qualite) dont le ressort est usage et se deforme facilement.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.1 (voir (4)). C'est un exemple d'erreur systematique qu'il est assez difficile de detecter et de corriger. Mais on rencontre aussi des variables correlees (c'est-a-dire non independantes). nous avons affaire a des variables aleatoires independantes comme les mesures d'une meme grandeur {x. 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. nous n'avons considere que des exemples de grandeurs physiques (variables aleatoires) independantes. il existe beaucoup de situations ou. pour une experience precise. En effet. nous avons vu un tel exemple avec une carte ajoutee a un jeu normal de 52 cartes. La statistique n'est d'aucun secours dans ce type de situations. On peut penser que de tels exemples sont relativement rares en physique.

pour i = j Si les variables X{ et Xj sont independantes. et la meme variance a2. Tout d'abord. qui donne une illustration de ce mecanisme d'apparition des correlations. c'est-a-dire ce coefficient est egal a ±1 . Nous utiliserons aussi la covariance de deux variables : En particulier. en statistique. Si Xi est proportionnelle a X j . Dans un cas general. Soient x\ et x^ deux grandeurs physiques independantes avec la meme moyenne /j. leurs fonctions peuvent etre correlees. determinons les moyennes de 7/1 et de 7/2 : yT= auxi +012^2 = aii^I+ 012^2"= (an + 012)^ .24 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES Neanmoins. Meme si les variables {a??-} sont independantes. Prenons un exemple. y2 = azixi + 022^2 = (<*2i + ^22)^- . le coefficient de correlation est nul : q^j — 0. il existe "un mecanisme" tout a fait nature! et frequent d'apparition des correlations. Introduisons deux grandeurs y{ et y^ qui leur sont liees par une relation lineaire : Calculons la covariance cov(2/1.7/2) (23). presque trivial. 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.

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

<r son etalement. . 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 . 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. 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. dans les situations experimentales concretes. et a differents : ^ donne la position de la distribution. au paragraphe precedent. Leur sens est clairement visible sur la figure 1.5 : Les distributions de Gauss pour plusieurs jeux de parametres /j.26 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 1. que la plupart des valeurs physiques varient dans des limites finies. Notons que le facteur devant la fonction exponentielle est choisi pour que la probabilite totale soit normee : Nous avons deja dit.5 ou nous avons presente plusieurs distributions correspondant a des /j. mais.

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

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

Soient p la probability de la realisation A.RAPPELS SUR LA THEORIE DBS PROBABILITES 31 distributions. elle est egale a .I . Si cet evenement se repete N fois. considerons N particules d'un gaz sans interaction distributes uniformement dans un volume V. 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. 1. 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. 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.7. Vu que 1'ordre de realisations . Par definition (voir (6')). La seule exception (physiquement interessante) a cette regie est donnee par la distribution de Lorentz. on peut determiner la probabilite PN(H) que la realisation A se produise n fois. Comme exemple physique simple. il faut multiplier cette probabilite par le nombre de possibilites d'extraire n objets parmi N objets. 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. c'est-a-dire par Finalement. il faut noter que la "transformation" d'une distribution en une autre n'est pas d'un interet purement academique ou pedagogique. Elle est caracterisee par deux parametres N et p. q = I — p la probabilite de la realisation B.4 et B est sans importance. au moins dans une premiere approche. Ici. II est facile de verifier que la densite de probabilite (30) est normee conformement a 1'equation (2) : Determinons la moyenne du nombre n.3. La probabilite d'obtenir successivement n fois la realisation A puis N — n fois la realisation B est egale . Dans ces conditions la probabilite P/v(n) de trouver n particules dans v est donnee par (30).1 DISTRIBUTION BINOMIALE Cette distribution decrit des grandeurs discretes qui peuvent prendre seulement deux valeurs. Supposons qu'un evenement ait deux realisations possibles ^4 et B.

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

I . 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). nous utilisons la meme astuce que pour le calcul de n dans (32) : Autrement dit.RAPPELS SUR LA THEORIE DBS PROBABILITIES 33 Pour calculer la premiere somme.

on en comprend la raison. et ainsi le cout. plus la precision est grande : une conclusion evidente. Pour augmenter la precision par un facteur de 10. Nous avons obtenu la formule (35) a partir de la distribution binomiale mais elle restera valable quelle que soit la situation experimental. 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 . 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). presque triviale. c'est la dependance fonctionnelle de 8 avec N. il faut multiplier le nombre d'experiences. 1. par 100 ! Une experience precise peut couter tres cher et. plus 1'on fait de mesures.2 DISTRIBUTION DE POISSON Etudions maintenant un autre phenomene particulierement interessant : la transformation d'une distribution dans une autre. Nous reviendrons sur cette question au paragraphe 2. 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)). Vu qu'une bonne precision est chere.3. La formule (35) montre que la precision relative decroit seulement comme la racine de N. Ce qui est beaucoup moins evident. C'est une question non triviale et nous y reviendrons a la fin du livre. Prenons comme point de depart la distribution binomiale dans laquelle nous augmentons le nombre de mesures 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.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. ici.1.

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

Supposons que le nombre moyen de particules enregistrees pendant 1 s soit egal a // = 8.8.8 : La distribution de Poisson pour plusieurs valeurs du parametre p. Figure 1. Ces mesures seront decrites par la distribution de Poisson. 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. Les conditions de la limite const) sont satisfaites et la distribution devient une distribution de Poisson avec une moyenne JJL = 8 . Pour le verifier. Prenons un exemple. 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. Cette distribution de probability est souvent rencontree en physique atomique ou en physique nucleaire. divisons notre intervalle de temps (de 1 s) en A*" petits sous-intervalles. Notons que la distribution de Poisson ne depend que d'un seul parametre // = Np. disons 1 seconde. car le nombre de particules comptees par un detecteur est distribue selon cette loi a condition que le flux de particules reste constant. 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.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. La forme de cette distribution pour plusieurs valeurs de p est presentee sur la figure 1. disons de 1 nanoseconde (1 ns = 10~9 s).

I . D'une part. 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). elle donne un exemple de distribution pour laquelle les definitions standards de la statistique ne sont pas toujours valables. On a remplace une distribution a deux parametres (binomiale) par une autre beaucoup plus simple (de Poisson) qui ne contient qu'un seul parametre. entre autres.3. C'est pourquoi cette distribution de probabilite se manifeste relativement rarement dans les problemes macroscopiques et. son interpretation est aussi claire : il represente la moitie de la largeur a mi-hauteur et caracterise ainsi 1'etalement de cette fonction. Cette raison a elle seule est suffisante pour que 1'on etudie cette distribution de maniere plus approfondie. n est le nombre de particules detectees pendant 1 seconde. II est connu et utilise en mecanique (pour mettre en marche une balangoire. . 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 1.9). Cependant.3 DISTRIBUTION DE LORENTZ La distribution de Lorentz. c'est-a-dire en physique microscopique. a une place particuliere en statistique. D'autre part. Get exemple montre un "passage" entre differentes distributions. en particulier. Neanmoins. on rencontre de vrais problemes quand on veut trouver la moyenne et la variance en utilisant nos definitions habituelles. Le coefficient devant la fonction est choisi pour que la probabilite totale de trouver une valeur quelconque de x soit egale a 1. En physique microscopique.8). 1. Ce phenomene se caracterise par une grande amplification des parametres du systeme. On peut voir facilement que cette distribution est symetrique par rapport a XQ qui est aussi le maximum de cette fonction.RAPPELS SUR LA THEORIE DES PROBABILITES 37 (figure 1. une resonance decrit. qui porte parfois aussi le nom de Cauchy. En ce qui concerne le coefficient a. la fonction de Lorentz apparait comme une distribution de probabilite surtout en mecanique quantique. 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. la duree de vie d'une particule ou d'un systeme de particules.

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

Nous sommes en presence d'une distribution pour laquelle les definitions generates des valeurs moyennes ne sont pas valables.I . Cependant. on retrouve la fonction initiale. Cette particularity de la distribution de Lorentz a des consequences tres importantes. peut etre calculee directement en utilisant la theorie des fonctions des variables complexes. on prend Avec cette definition.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. Au lieu de la definition issue de la transformation de Laplace. il est possible de remedier a ce probleme. relativement compliquee. 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. on peut choisir pour fonction generatrice une definition issue de la transformation de Fourier (voir la discussion a la fin du paragraphe 1.3) : ou la fonction exponentielle d'un argument reel a ete remplacee par la fonction exponentielle d'un argument purement complexe (pour simplifier la discussion. Cependant.1. la fonction generatrice existe et elle est egale a : Cette integrale. . en prenant on obtient ou nous avons utilise le fait que a > 0. 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. Ainsi ('expression de la transformation de Fourier directe (40) nous donne la formule (39). Ainsi si F(t) est la transformation de Fourier de f(x) alors Dans notre cas.

La distribution de probabilite liee a la fonction F est decrite par la fonction pour x > 0. comme d'habitude. mais nous nous bornerons a la plus interessante : qui se demontre tres simplement : il suffit d'integrer (41) une fois par parties. Le choix de la constante devant la fonction de x est dicte. Pour x entier.4 DISTRIBUTION GAMMA Cette distribution herite son nom d'une fonction speciale dite fonction F ou integrate d'Euler de deuxieme espece. Nous n'etudierons pas toutes les proprietes de cette fonction. Notons que (3 est simplement un parametre d'echelle. la fonction F est une generalisation de la fonction factorielle n\ au cas d'un argument non entier. ou meme complexe (dans la litterature. par la normalisation de la probabilite totale.3.40 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 1. 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). nous obtenons car Autrement dit. Notons que pour les valeurs demi-entieres x — n + 1/2. Cette fonction contient deux parametres 3 . on rencontre parfois I'ecriture x\ qui signifie T(x + 1)). x = n. ce qui se verifie facilement a I'aide . x dans cette expression peut etre complexe. La fonction F est defmie par I'integrale En principe.

Cependant. /3 etant fixe de (41). Quelques exemples de la distribution gamma (pour (3 = 1) sont representes sur la figure 1. Calculons la moyenne et la variance de cette distribution. 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.10. par x/j3. Nous avons utilise la definition de la fonction F et sa propriete (42).I — RAPPELS SUR LA THEORIE DES PROBABILITES 41 Figure 1. . il ne faut pas oublier que les roles des variables et des parametres sont inverses dans ces distributions. Pour calculer la variance.10 : La distribution gamma pour plusieurs valeurs du parametre a. Par definition.

2. Ce theoreme represente non seulernent un resultat mathematique puissant niais il est particulierement important pour ses applications physiques. 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. Par definition (14).3 consacre a la distribution % 2 . 1. II affirme que. on peut travailler avec une distribution de Gauss. Cette condition est presque toujours satisfaite dans la plupart des experiences. 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. II faut seulernent que la variance soit finie. La formulation exacte de ce theoreme est la suivante : Soit x une grandeur physique aleatoire avec une moyenne ^ et une variance <r 2 . Si <72 est fini. mais nous citerons un peu plus tard un exemple physique ou cette limitation est violee et ou la .4 THEOREME CENTRAL LIMITE Considerons maintenant un des aspects les plus importants de la statistique qui concerne le theoreme central limite.42 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Completons I'etude de la distribution gamma par sa fonction generatrice. 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. dans presque toutes les experiences.

Considerons la fonction generatrice des moments centraux pour / —>• 0 : Ici. 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). celui-ci nous garantit que.I . Vu 1'importance du theoreme central limite. cependant. 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 : . pour obtenir un resultat precis et fiable. Introduisons d'abord une valeur auxiliaire dont la fonction generatrice des moments est donnee par Pour t fixe. Neanmoins.RAPPELS SUE LA THEORIE DBS PROBABILITES 43 distribution ne tend pas vers une distribution normale. cette situation reste rare et quand les conditions du theoreme sont remplies. 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 pouvons alors utiliser la propriete (21) de la fonction generatrice des moments. nous donnons ici sa demonstration qui peut. tend vers 0 lorsque n tend vers I'infmi. il faut mesurer plusieurs fois la valeur de x et calculer sa moyenne.

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

Pour le demontrer. pour une distribution de Lorentz initiale. la valeur moyenne a aussi la distribution de Lorentz. Si x est distribue selon une loi lorentzienne. Donnons maintenant le contre-exemple annonce au debut du paragraphe. Nous pouvons faire cette experience elementaire a la maison : dans 1'annuaire telephonique. II est facile de voir que. la distribution n'etant pas gaussienne. Toutefois cela n'est pas un obstacle au theoreme. 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. Le lecteur. on peut mesurer une distribution de Gauss. Notre exemple de la distribution de Lorentz. 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.I .RAPPELS SUR LA THEORIE DBS PROBABILITES 45 avec les memes valeurs de // et de cr2. cependant. il faut remplacer une simple valeur moyenne arithmetique X par une expression plus complexe. Commengons par un exemple numerique simple. Autrement dit. pour chaque valeur de 84 calculee. pour la distribution de Lorentz. il s'agit d'une lorentzienne et non d'une gaussienne ! En physique. que toutes les raies mesurees experimentalement ont une forme lorentzienne.3 pour laquelle 1'ecart-type diverge. le theoreme central limite ne s'applique pas. cette distribution est caracteristique de la forme d'une raie dans les transitions electromagnetiques. Pour illustrer le theoreme central limite. pourra mener lui-meme cette etude. reste neanmoins une exception. Nous verrons plus tard que 1'appareil avec lequel on efFectue les mesures modifie aussi la forme de la distribution et que. bien qu'il soit tres important en physique. le nombre de realisations NS4. . choisissons 200 numeros au hasard et calculons pour chaque numero la somme s4 des quatre derniers chiffres. Done la fonction generatrice de X est. sur ces 200 numeros. considerons quelques exernples. en vertu de (21). Les resultats sont presenters sur la figure 1. La fonction generatrice de Xi/n defmie par (38) est egale a : (a comparer avec (39)). Dans ce cas les conditions du theoreme ne sont pas satisfaites et les calculs de la valeur moyenne ne peuvent sauver la situation. amateur de rnathematiques. Get exemple ne signifie pas. C'est celui de la distribution de Lorentz discutee au paragraphe 1.11 sous la forme d'histogramme : nous avons reporte.3.

Nous laissons cet exercice au lecteur. pour n termes dans la somme. mais nous voyons que la distribution de Gauss est deja une tres bonne approximation de la distribution de §4. on peut utiliser exactement la meme approche pour demontrer que. 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. dans la limite a —>• oo. Alors la somme sn.S4 = 18 et aS4 w 5. Dans notre cas. 5 et une variance (9 . Figure 1. aura une distribution proche de celle de Gauss lorsque n —>• oo. 2. n = 4. .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. 75 (a comparer avec (10) et (11)). 4 A cause de la ressemblance formelle entre les distributions gamma et de Poisson. 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).0) 2 /12 = 6.46 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES II faut comparer ce resultat avec la distribution de Gauss representee par une ligne discontinue : avec les parametres p.

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

Sur la figure 1. le mouvement de la Lune. Des qu'on veut augmenter la precision d'une experience. nous recapitulons les relations entre ces trois distributions. les conditions du theoreme central limite sont satisfaites et la distribution d'une valeur physique reste gaussienne. 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. II y a beaucoup de facteurs qui peuvent influencer 1'energie des particules dans un accelerateur : les variations du champ magnetique terrestre. les facteurs qui auparavant etaient supposes negligeables deviennent importants et se manifestent sous forme d'erreurs systematiques. . Pour etudier les proprietes fondamentales des particules elementaires. —>• oo. On a du consacrer beaucoup de temps et d'efforts. Pour 1'instant. Soulignons les conclusions a retenir. 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. Cette variation minime cumulee sur toute la longueur de 1'accelerateur modifie sa circonference de 1 mm et change ainsi 1'energie des particules. 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. Get effet gravitationnel est clairernent visible sur 1'ocean : c'est le phenomene des marees.12. Chacun de ces facteurs parait etre peu important. Ce cas. 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. On ne peut pas dire que la distribution de Gauss est un cas particulier de celle de Poisson lorsque fj.3). les physiciens ont decouvert a un certain stade un phenomene tres etrange : 1'energie du faisceau variait selon les heures de la journee. La distribution de Gauss obtenue de la distribution de Poisson dans la limite // —» oo ne depend que d'un seul pararnetre. En augmentant la precision de leurs mesures.48 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES la distribution de Gauss. etc. assez curieux. et si 1'on ne recherche pas une trop grande precision. 1'hypothese selon laquelle la distribution d'une grandeur physique est une distribution de Gauss constitue une tres bonne hypothese de depart. les changements de pression barometrique. il faut interpreter ces limites avec precaution. cet effet existe aussi pour la croute terrestre et donne lieu a des deplacements d'environ trente centimetres chaque jour. si jamais on a le moindre doute sur la forme de la distribution. De plus. D'abord. Cependant. La distribution de Gauss generale est caracterisee par deux parametres independants : la valeur moyenne et 1'ecart-type. 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. pour la plupart des experiences physiques faites au laboratoire. Si c'est le cas. Cependant. 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. C'est le theoreme central limite qui nous le garantit. 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).

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

Cette page est laissée intentionnellement en blanc. .

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

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

Parfois. nous rencontrons des fonctions plus compliquees. La difference entre la vraie valeur de 1'incertitude (58) et sa majoration (60) peut etre importante. Pour le faire nous calculons les derivees : et obtenons 1'expression suivante de 1'incertitude sur y : Le probleme est que. II est preferable de proceder autrement : on decompose la fonction initiale en fonctions elementaires et on fait les operations successivement. pour des fonctions 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). Par exemple. . on peut pratiquement la negliger. 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. Cette approximation donne une erreur supplementaire de 10% dans les calculs d'incertitude (c'est une erreur de deuxieme ordre). 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). si 1'on suppose des incertitudes relatives sur Xi de 5%. L'expression (55) ou les cas particuliers (56) et (58) donnent une idee sur la fac. Prenons un exemple : Nous pouvons appliquer la formule (55) directement.II — FONCTIONS D'UNE VARIABLE ALEATOIRE 55 (on "deduit" parfois cette formule en calculant la derivee de log y). Cependant 1'utilisation de ces majorations n'est justifiee que si Ton veut une evaluation grossiere de Pincertitude. 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.on de diminuer 1'incertitude : il faut toujours se battre contre la plus grande incertitude. ce qui minimise cette incertitude. la formule exacte donne une incertitude Ay/y = 7%. on obtient aisement les incertitudes : La probabilite d'erreur dans cette approche est beaucoup plus faible. Dans 1'exemple precedent : Pour chaque formule. plus la difference est grande.

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

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

nous avons choisi une transformation lineaire Solent xi et x? deux grandeurs physiques independantes avec la meme moyenne /j et la meme variance d1.yj) de la matrice de covariance D(y) s'ecrit lei. 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. pour les valeurs moyennes apparaissant dans (63). 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.5.1. 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 .

En ayant calcule la valeur de la resistance R — U/1. Done. compte tenu de (66). cette hypothese n'est pas satisfaite car R et / ne peuvent pas etre consideres comme variables independantes. la relation (68) n'est pas correcte. lei.II . Si nous connaissons le courant / qui traverse la resistance et la tension U aux bornes de celle-ci.I. considerons un exemple dans lequel nous voulons determiner la valeur d'une resistance R ainsi que la puissance P degagee par cette resistance. Cette relation. aux variables P.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. nous pouvons determiner P a partir de la formule P = RI2. nous donnerait en contradiction evidente avec (67). Ou se trouve I'erreur dans notre raisonnement ? Pour obtenir I'expression (55) nous avons utilise I'independance des variables. R : . 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. nous trouvons immediatement Les incertitudes relatives sur R et P sont selon (58) et Nous aurions pu choisir une autre approche.

Pour retrouver I'expression correcte de AP. 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. a partir de P = R. /). 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/?. L'incertitude sur P s'ecrit alors : En utilisant les expressions des derivees . D'apres (63). nous avons : En vertu de I'independance de deux variables / et U Done. compte tenu de la correlation entre R et /.60 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES La matrice de covariance (65) D(P.P. calculons d'abord cov(Pt. 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.

que cette fonction y = y(x] est biunivoque. 2. tout d'abord. 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 : .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.FONCTIONS D'UNE VARIABLE ALEATOIRE et la formule (69). nous obtenons 61 en accord avec les expressions (66) et (67).2.II . Nous presentons sur la figure 2.1 un exemple de fonction de ce type.1 FONCTION BIUNIVOQUE >us Nous supposons. c'est-a-dire qu 'a une valeur de x correspond une seule valeur de y et inversement. Figure 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]. 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 : 2.2 CAS GENERAL Si la fonction y = y(x] n'est pas biunivoque (figure 2. introduire la fonction inverse : Ceci est possible car notre fonction y(x) est biunivoque. La seule difference reside dans le fait que la densite de probabilite ne peut jamais etre negative. d'abord. Pour cela nous devons. et si la derivee dx(y]/dy est negative..2).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. On a alors II nous reste a remplacer dx par dy comme nous le faisons dans les changements de variables d'integration.Xk = Xk(y). . II faut d'abord introduire toutes les branches univoques pour la fonction inverse : x\ — x\(y\x-2 — x^y].. .. la tache devient un peu plus compliquee.2. C'est pourquoi nous defmissons si la derivee dx(y)/dy est positive.

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

c'est-a-dire dans le systeme ou. . • • • . .3 b). avant la collision. une distribution angulaire isotrope des particules apres la collision.= y«(a?i. rappelons la relation entre les angles de diffusion dans le systeme du laboratoire (figure 2. Habituellement. un des corps etait au repos. La seule difference est la presence du module deja discutee prcedemment.3 EXEMPLE PHYSIQUE Pour montrer 1'importance de ce type de problemes. • . II faut introduire la transformation inverse Xi = Xi(yi. .. . Alors la densite de probabilite /(xi. y % . xn = x a n variables independantes j/i. y 2 . . Apres la collision. . La collision est elastique. yn}\ est la valeur absolue du Jacobien de cette transformation. non seulement pour la statistique mais egalement pour la physique en general prenons un exemple illustratif. II s'agit d'une collision elastique entre deux corps (deux particules) de meme masse m. quelle sera la distribution angulaire dans le systeme du laboratoire ? Avant de chercher la relation entre les deux fonctions de distribution angulaires.. il faudra faire la somme sur tous les branches comme on I'a fait pour une fonction y — y(x).. Ainsi les lois de conservation de 1'energie et de I'impulsion . . par exemple. • • • > 2/n = y a I'aide d'une transformation y. .y2j . On peut les facilement generaliser au cas ou nous voulons passer de n variables independantes x\. c'est-adire que la structure interne des particules reste intacte et que 1'energie cinetique est conservee. . . . 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. Cette formule est analogue a celle utilisee pour un changement de variables d'integration. x < 2 . xn) = f(x) (voir (18)) se transforme en une densite de probabilite </(yi. Avant la collision dans le referentiel du laboratoire. La densite de probabilite g(y) est ou |5(a?i. 1'etude experimentale se fait dans le systeme dit du laboratoire.. xn)/d(yi. autrement dit.64 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Les formules obtenues sont valables dans le cas d'une fonction d'une variable 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. un corps se deplace avec une vitesse VQ et le deuxieme est fixe.yn) = X i ( y ) . les deux particules out des vitesses V\ et V<2 qui font les angles 9\ et 9-2 avec le vecteur VQ. Pour les fonctions qui ne sont pas biunivoques. 2. . Qu'observonsnous experimentalement. Supposons que nous connaissions les caracteristiques de 1'interaction dans le systeme du centre de masse avec. x^..2. Cependant. D'apres les principes bien connus de la mecanique. # 2 . 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). 7/2.3 a) et dans le systeme du centre de masse (figure 2.

4). les vitesses sont egales a : Si Ton represente graphiquement (figure 2. Dans le systeme du laboratoire apres la collision.3 b). on voit toute de suite que . 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. la premiere relation.II — FONCTIONS D'UNE VARIABLE ALEATOIRE 65 Figure 2. par exemple. les particules ont les vitesses v{ et V2 de modules egaux mais de directions opposees : 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.

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. De plus. 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. Par ailleurs. 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. 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. . reste invariant et nous le designerons par <p. L'angle azimutal.66 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 2. bien evidemment. on peut economiser du temps en restreignant les mesures a 9\ < 7T/2. Vu la relation entre les angles solides (79).5. 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). dans le systeme du centre de masse la distribution angulaire est isotrope.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. Du point de vue mathematique. nous pouvons reecrire / C m(X.

largement utilisee dans le traitement des resultats experimentaux.L'expression (80) contient un nombre fini de termes : une constante Ui «2 . sur 1'importance de la difference entre y — x2 et y ~ ~x2.5: Les distributions angulaires dans le systeme du cnetre de masse (s) et dans le systeme du laboratorie(b) 2. est une formule approchee (sauf dans le cas presque trivial d'une fonction lineaire).4 PRECISION DE LA FORMULE DE PROPAGATION DES ERREURS Nous avons deja souligne que la formule de propagation des erreurs.FONCTIONS D'UNE VARIABLE ALEATOIRE 67 Figure 2. nous pouvons obtenir 1'expression exacte de la variance a^ sans utiliser la formule de propagation des erreurs. x-2 ~ fJ. Dans certains cas. les contributions avec les derivees premieres et un seul terme avec les derivees secondes puisque Compte tenu de 1'independance de x\ et #2. alors que toute la statistique est basee.II .2.2. nous pouvons calculer exactement la variance de y : . 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 = //!. par la definition de la variance. 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. II est vrai que. Ainsi. La question qui se pose est de savoir s'il . Pour obtenir une expression plus precise de la variance. Dans le cas contraire il peut la perdre. 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). 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). un ecart-type <jy a une interpretation precise. Cependent des problemes majeurs apparaissent dans cette voie. c'est un exercice simple. que dans la plupart des situations. 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. 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. 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. 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). Comme pour la formule de propagation des erreurs. Rappelons. pour la variance. 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).68 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES La formula de propagation des erreurs (57) est obtenue en negligeant le dernier terme dans le developpement (80). nous travaillons avec des distributions gaussiennes. on a sacrifie la simplicite de la description des grandeurs physiques. 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. Considerons 1'exemple simple d'une fonction d'une seule variable y — y(x). nous obtenons ou est en outre introduit le quatrieme moment ^4 = (x — x}4. si x est decrite par une distribution gaussienne. Quand la distribution de y est gaussienne.

• sont positives et que les incertitudes sont faibles par rapport aux valeurs moyennes (<rz. Quelle est la distribution de leur rapport Appliquons 1'approche generale presentee dans le paragraphe 2.2. supposons que les valeurs moyennes //. Soient x± et X2 deux variables gaussiennes. etudions sur un exemple le "passage" d'une distribution gaussienne a une distribution plus complexe.<C fJ-i). . 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 .B/2VA. la fonction de distribution g(y) de la variable y prend la forme Le Jacobien de la transformation x\ — yz. 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. 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. Pour mieux comprendre.Cela signifie que la distribution cherchee reste proche d'une distribution gaussienne.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. Si /(#i) et /(x^) sont les fonctions de distribution des variables x\ et x-z selon (77).2. Pour simplifier les relations.

On constate que. mais remplacer partout ailleurs y par yo) avec une largeur ay dont le carre est egal a . 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. lorsque les incertitudes relatives sont faibles (<TJ <C Hi). mais sa largeur depend de y. Un exemple d'une telle distribution est trace sur la figure 2.6 : La fonction de distribution g ( y ) de y = x\jx2 (ligne continue) comparee a une fonction gaussienne (ligne pointillee).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 (pour /^i///2 — 1. Figure 2.

definies sur un intervalle fini. Si nous conservons la meme approche. ne represente aucune dimculte. 2. on peut remarquer que la fonction g(y] n'est pas tout a fait symetrique par rapport a y = yo et aucune gaussienne.3 NlVEAU DE CONFIANCE ET INTERVALLE DE CONFIANCE Nous avons deja etudie des distributions tres differentes : symetriques et asymetriques . Ce fait est illustre sur la figure 2.2. on constate que "Pamelioration" de la formule de propagation des erreurs. En principe. en premiere approximation.II . Si Ton veut ne pas se limiter a de cette approximation. En conclusion de ce paragraphe.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. jj. il est possible de 3 Nous laissons au lecteur le soin de retrouver ces expressions. Cependant.FONCTIONS D'UNE VARIABLE ALEATOIRE 71 Done. la description des donnees experimentales devient assez lourde (pour chaque grandeur physique on est oblige d'indiquer la loi de probabilite et ses parametres). <TI. Mais cela n'a pas beaucoup d'interet puisque 1'interpretation du resultat obtenu en termes de probabilites reste assez limite. 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). demi-infini et infini . la difference entre ces deux fonctions est evidente. On remarquera que la nouvelle fonction (81) depend de trois variable yo = ^1/^2. &2 restera toujours inconnue mais on pourra avoir les rapports entre elle et les autres). ne peut decrire correctement cette distribution. meme avec une largeur calculee a partir de la formule de propagation des erreurs amelioree. 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). determinees par un ou plusieurs parametres. 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. <TI//-II et o~2/H2i tandis qu'une gaussienne ne depend que de deux variables. grace a 1'augmentation du nombre de termes dans le developpement en serie de Taylor. Sans doute. .

On pent commencer par le cas le plus simple. Pr = 95 %. on peut toujours determiner r et ainsi trouver 1'intervalle de confiance. les relations entre les niveaux de confiance et les intervalles de confiance correspondants d'une part. Autrement dit. on peut la decrire par 1'intervalle [#1. 576 et a Pr = 99. connaissant Pr. p.1 : Probabilite Pr (en %) pour que la valeur d'une variable gaussienne x soit dans 1'intervalle [p. bien evidemment. 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. on peut choisir une valeur quelconque de r (et la valeur de Pr correspondante). et cr d'autre part. Dans le Tableau 2. Par exemple. et les valeurs de fj. X? = n + ra] est donnee pour 7 valeurs de r. 9% correspond r = 3.0% correspond r = 1. . on peut retrouver // et a. La notion unificatrice sera. on choisit les niveaux de confiance de 68 % ou 95 %. Si.2. Pour fj.2:2] et par la probabilite Pr de trouver x dans cet intervalle. celle de probability. et cr. et a donnes et Pr choisie. pour presenter un resultat. si 1'on connait [#i. plus grand est 1'intervalle correspondant (pour que 1'on soit certain de trouver x dans cet intervalle). a une probabilite Pr = 95. x?] et la probabilite Pr.1). 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. 00% correspond r .2. alors r = 2 et on peut calculer // = \(x\ + #2) et <r = \(x-2 — x\). sont simples. Dans le paragraphe 1. 290. Plus la probabilite est elevee. par exemple. Tableau 2. ecrit sous la forme // ± cr. Cette probabilite s'appelle le niveau de confiance et 1'intervalle correspondant rintervalle de confiance. Autrement dit. on calcule facilement 1'intervalle [a?i.1 la probabilite Pr pour que x soit incluse dans 1'intervalle symetrique [ # i = / / — rcr. a Pr = 99. Pour une distribution de Gauss.960. + ra\ pour diverses valeurs de r A 1'inverse. #2] (voir paragraphe 2. au moins en premiere approximation. Et inversement. Bien sur.72 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES proposer une autre forme de description des donnees experimentales qui permet. celui d'une distribution de Gauss. a une interpretation rigoureuse en termes de probabilites. mais les intervalles les plus frequemment utilises sont ceux qui correspondent a un (r = 1) ou deux (r = 2) ecart-types. d'unifier les resultats de distributions differentes. — ra.

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

32 97.5 2.0 1. si Ton salt calculer les intervalles unilateraux. Par contre.0 0.5 1. on obtient facilement les intervalles bilateraux.00 69. Tableau 2.2 : Probabilites Pr (en %) pour que la valeur d'une variable gaussienne x soit inferieure a /j.87 99.98 .0 2. Quelques exemples numeriques sont donnes dans le Tableau 2. + rcr r 0. les intervalles unilateraux et bilateraux ne sont pas les memes.74 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Evideminent.5 Pr 50.13 93.5 3.72 99.0 3.2.38 99.15 84. et vice versa. par soustraction. pour une meme probabilite Pr.

La solution de ce probleme est construite en deux etapes. ayant obtenu un resultat. II comprend plusieurs paragraphes consacres a des questions precises qui apparaissent lors du traitement des resultats experimentaux. D'abord. Ensuite. 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. II faut souligner qu'en physique comme dans la vie la methode de traitement des resultats est choisie pour minimiser le rapport qualite/prix.1 ECHANTILLON. nous introduisons la moyenne et la variance experimentales. de 1'effort et du temps que nous sommes prets a y consacrer. VALEUR MOYENNE ET ECART-TYPE En general.xn. Le choix d'une analyse depend de la qualite du resultat que nous desirous obtenir. .%3. c'est-a-dire un nombre fini de mesures {xi} ~ xi. La seule information dont nous disposons est un ensemble de resultats.X2. il est evident qu'avec un nombre fini de resultats {x^. De plus. • . lors d'une experience. . la moyenne et la variance experimentales ne sont plus suffisantes pour decrire la distribution de la grandeur physique x.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. . et sa variance <r 2 . par analogic avec les definitions "theoriques". A priori. Nous essayons de montrer les differents "niveaux" d'un tel traitement. il est difficile de connaitre la distribution de la valeur physique mesuree x et ainsi de determiner la valeur moyenne de la distribution /j. Nous illustrerons ces etapes du travail et repondrons aux diverses questions precedentes. nous devrons les interpreter en termes de probabilite. et de variance <r 2 .

Cette moyenne experimentale peut etre consideree comme une grandeur physique. 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)). 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 .1 DEFINITIONS ET PROPRIETES Une experience de physique donne un nombre fini de mesures. Pour n grandeurs independantes. en vertu de ce theoreme. Get ensemble de resultats {xi} s'appelle un echantillon.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. (Arm d'alleger les demonstrations nous n'ecrivons pas les integrates multiples pour exprimer les valeurs moyennes qui sont symbolisees par une barre). surtout compte tenu du theoreme central limite. De plus. Ainsi. la fonction de distribution se factorise en un produit de fonctions de distribution (voir (18)). 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.1. 3. Le deuxieme probleme est celui de la variance. La valeur qui remplace la moyenne /j. Comment a partir de ces resultats obtenir des informations sur la valeur moyenne // et sur la variance cr2 ? La reponse intuitive est presque evidente. 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. 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 ) .

car dans cette somme il n'existe qu'une seule contribution differente de zero pour k = i. Mais nous avons deja decide de travailler avec la moyenne m. dans la limite d'un grand nombre de mesures. En fait. Pour calculer le deuxieme terme explicitons la difference Alors.2. par definition. Cette definition est evidente : Lorsque n tend vers 1'infini.Ill . cette valeur tend vers zero comme <r2 /n conformement a (84). Nous avons done a definir la variance s^ de cette grandeur (ou Fecart quadratique moyen] a partir des resultats experimentaux {xi}. Desormais un resultat experimental sera caracterise par la valeur moyenne m (82) et par 1'ecart . en vertu de (84). 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. nous donne la vraie variance <r2 de la grandeur physique x. le troisieme cr 2 /n. II faut maintenant changer les conventions decrites au paragraphe 1.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. cr 2 . Finalement. 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. nous obtenons la valeur moyenne de la variance : Ainsi nous avons construit une grandeur s2 qui. 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. D'apres notre definition (85).

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

Ill . Le deuxieme terme est nul : car. les moments centraux pour k = 2 et k — 4. Nous obtenons trois termes. en vertu de la condition k ^ I dans la deuxieme somme. en accord avec (12). Le premier.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. il contient seulement les puissances impaires de (xi — /u) dont la valeur moyenne est nulle (voir la remarque apres . est donne par ou nous avons introduit.

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

nous obtenons difficilement une precision sur 1'incertitude superieure a 10%. il faut retenir un chiffre Ax = 5 • 10~5 si 6&x est proche de 30% ou deux chiffres Ax = 4.1. Pour 5 — 6 mesures. Le nombre de chiffres dans la valeur x doit etre coherent avec le nombre de chiffres dans 1'incertitude. soit 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. il faut retenir un ou deux chiffres significatifs dans 1'incertitude. Figure 3. 38 • 10~3 ou xm = 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. nous garderons trois ou quatre chiffres pour exprimer la valeur de xm. Dans le resultat final de Ax. 377 • 10~3 respectivement. 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).87611 • 10~5. Par exemple. Sa courbe est presentee sur la figure 3.1 : L'erreur relative sur 1'incertitude S^^ en fonction du nombre de mesures n En travaux pratiques. . 37685 • 10~3 avec une incertitude Ax = 4.Ill . Selon ces deux cas. 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%. 9 • 10~5 si S&.x est plutot proche de 10%. Si la precision de 1'incertitude est de 1'ordre de 10—30%. nous avons obtenu un resultat # exp = 1.

2. . . # 2 .xn sont distributes selon une loi normale. Pour une seule variable y(x) — x2 le resultat general a deja ete exprime par (76). g(y] represente une distribution gamma avec a — —1/2.82 Le resultat final s'ecrit ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 3.1. avec une moyenne nulle et une variance unite. . /? = 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. . Pour la distribution de Gauss cette formule s'ecrit comrne Autrement dit. .xn par la fonction Supposons que les variables xi. . . trouvons lafonction de distribution d'une variable aleatoire y liee aux variables aleatoires a?i. x % . .3 DISTRIBUTION x2 Pour etidier les caracteristiques de la variance experimentale (85). .

vers celle de Gauss. les intervalles de confiance (voir paragraphe 2. 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. comme il se doit. on fait le changement de variable z = x/2 et on integre n fois par parties : .8.3) pour la distribution de Poisson et pour la distribution x2 sont lies entre eux : Pour demontrer cette relation.Ill — EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 83 Figure 3. deja mentionee lors de la discussion de la distribution gamma.16 Dans la limite d'un grand nombre de mesures n —> oo. Par exemple. conduit a des relations utiles. Nous ne demontrons pas ici ce resultat.2 : La distribution Xn P°ur n — 4. la distribution x 2 tend. Notons que la ressemblance formelle entre ces deux distributions.

on a soit une distribution %2 avec n = 3. 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". \2 a trois degres de liberte. . 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. Dans cet exemple. Le dernier pas concerne le passage de la vitesse a 1'energie : v = ^/2E/m et dv = dE/VZmE. Calculons 1'integrate sur £lv. Apres une telle sommation. Chaque composante Vi (i — x. On en deduit la distribution de probabilite en energie. Le parametre n dans la distribution de Xn es^ le nombre de degres de liberte. k la constante de Bolzmann. Nous pouvons ecrire 1'element de volume dans 1'espace de vitesses dvxdvydvz sous la forme v dvdQv. 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. Le passage des vitesses a 1'energie fait "disparaitre" deux degres de liberte (deux variables) lors de 1'integration sur Tangle solide. z] de la vitesse des particules du gaz a une distribution maxwellienne : ou m est la masse des particules.ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Nous sommes passes d'une distribution a n variables a une nouvelle distribution d'une seule variable. ou v est le module de la vitesse et d£lv 1'angle solide dans cet espace. dvxdvydvz se transforme en 47rv2dv. En posant e = 2E/kT et g(e}de = g(E)dE. y. 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. vy et vy + dvy. 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. c'est-a-dire la somme sur toutes les directions possibles.

. x?. en vertu de (77). Le principe d'une demonstration plus rigoureuse est le suivant.yn = y a I'aide d'une transformation yi = y z '(^i. 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 . Effectuons une transformation lineaire orthogonale avec Une rotation dans I'espace euclidien a n dimensions est un exemple d'une telle transformation. Le Jacobien est alors egal a 1 et.Ill . = Xi — m sont liees par la relation et qu'ainsi dans la formule (100) nous avons n —1 et non pas n variables independantes. .. on utilisera la formule (77) introduite a la fin du paragraphe 2.2.1. • • • . y^.2.1.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. la fonction de distribution est inchangee. . xn) = Hi(%}.. xn = x a n variables independantes yi. .Pour cela. x-2. . II faut aussi noter que les n grandeurs z. Certains arguments qualitatifs ont ete developpes au paragraphe 2. lors de la discussion du facteur n — I dans la definition de la variance experimentale. Nous voulons passer de n variables independantes x±. .

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.86 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Dans le cas particulier ou la condition (102) prend la forme Pour notre fonction w (100). 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 expressions (101) et (103) nous permettent de reecrire w sous la forme Autrement dit. dans un cas general. 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-}. Notons sans demonstration que. choisissons et les autres yi avec i > 2 de facon arbitraire. IMeanmoins. 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).

on a besoin de la fonction de distribution de la variable ou m et sm sont definies par (82) et (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 nouvelle densite de probabilite h(z\}zi) est . conformement a (77).EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 87 3. 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).2 DISTRIBUTION DE STUDENT Pour pouvoir interpreter les resultats experimentaux en termes de de m (82) et de sm (88). 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.Ill .

La constante C dans 1'expression (107) est egale a . n = 5.88 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 variables initiates y\ et y^ (soit Xn-i} en on^ 1 et n — 1 respectivement. L'integration sur z-i a elimine une variable (un degre de liberte) : l + (n — 1) — I = n — 1. Figure 3. et n = oo (distribution de Gauss) Finalement la distribution f(t] s'ecrit ou t a n — I degres de liberte.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.

La demonstration est simple et peut etre realisee par le lecteur interesse. seuls les moments p^ avec k < n — 1 peuvent etre definis. la distribution t de Student represente.4 : Les relations entre les differentes distributions .Ill . nous pouvons tout de suite dire que. il ne faut pas oublier que les roles des variables et des parametres sont inverses dans ces distributions.3. grosso modo. Figure 3.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 89 Pour n donne. On peut aussi calculer facilement la valeur moyenne et la variance de cette distribution lorsque cette derniere existe : Dans la limite n —>• oo. Plusieurs exemples de la distribution de Student sont presentes sur la figure 3. Cette fonction (107) est relativement simple.12 .4 est une version elargie de la figure 1. pour n donne. Pour n > 2. les fonctions F dans la formule ci-dessus peuvent etre explicitees a 1'aidede (43) et (44). on retrouve la distribution de Lorentz. la distribution de Student se transforme en distribution gaussienne. une certaine puissance de cette distribution. elle montre les relations qui existent entre les differentes distributions. Neanmoins. La figure 3.3.3. Vu la discussion du paragraphe 1. Notons que nous avons regroupe la distribution F (45) et celle de Poisson (36) par suite de la ressemblance formelle de leurs dependances fonctionnelles. Pour n = 2.

lmax = 4372 mm et lmin — 4330 mm.2).2. // est la vraie valeur de la grandeur mesuree (dans notre cas.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. ln}. 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. • • • . Supposons de plus que la distribution de la longueur / est celle de Gauss. Avec cette hypothese supplementaire. m la moyenne estimee a partir des resultats experimentaux (82) et s^ la variance experimentale de cette moyenne (88) . II est difficile d'interpreter cette analyse en termes de probabilites. IP niveau d'analyse Son but est d'obtenir la valeur de la longueur et de 1'incertitude sur cette valeur et. en outre.Solent n = 6. Nous avons vu que si une grandeur physique est distribute selon une loi normale. / 2 = 4364 mm. ou Le resultat est simple et rapide.90 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES 3. nous pouvons utiliser la distribution de Student etudiee au debut du paragraphe 3.2. Dans cette expression. /i = 4372 mm. l^. alors la valeur est decrite par la distribution de Student / n _i(t) (107). /3 = 4342 mm. Nous prenons comme estimation : Dans notre cas. de pouvoir les interpreter en termes de probabilites comme nous 1'avons fait au debut de ce livre (voir le paragraphe 1. 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. 15 = 4354 mm et /6 = 4330 mm. 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. la longueur /). Peut-on lui donner credit ? Pourquoi pas ? Quels sont les justificatifs mathematiques d'un tel resultat ? Nous ne les avons pas. 14 = 4338 mm.

voir la figure 3. FintervaUe de confiance qui ont ete definis dans le paragraphe 2.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. c'est pourquoi nous pouvons etablir une bijection entre la valeur de t^-p qui nous definit 1'intervalle et la probabilite P (109). 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. Nous connaissons la fonction fv(t) pour un nombre de mesures donne. Us donnent la valeur de t^p a prendre pour que. Cette probability est le niveau de confiance et 1'intervalle correspondant. 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 3.5 : La distribution de Student pour n = 6 . En termes de probabilites. Nous pouvons calculer la probabilite qui nous interesse et determiner numeriquement la valeur correspondante du coefficient tvp qui s'appelle le coefficient de Student.5). 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. 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. pour n = v-}-\ mesures.1. c'est 1'aire de la surface sous la courbe de la fonction de distribution . Figure 3.3.

365 2.539 0.067 1.201 2.706 4.695 0.571 2.182 2. pour la meme probabilite il faut prendre Al beaucoup plus grand £t/=2.896 0.499 3.816 0.386 1.074 1.337 1.756 2.707 3.697 0.086 2.145 2.977 2.865 0.941 0.341 1.259 0.262 2.690 0.415 1.921 2.689 0.9 0.277 0.6 0. .920 2.079 1.920 0.746 1.088 1.372 1.106 3.699 1.796 1.7>=o.311 1.866 0.397 1.076 1.325 1.688 0.947 2.4 0.257 0.256 0.333 1.740 1.876 0. pour un nombre fini n de mesures.120 2.257 0.258 0.906 0.440 1.706 0.132 2.860 0.066 1.534 0.530 0.898 2.688 0.533 1.032 3.2 0.061 0.257 0.253 0.262 0.536 0.645 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.271 0. par exemple n — 3. Quand le nombre de mesures n'est pas eleve.861 2.179 2.267 0.000 0.132 2.258 0.263 0.576 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 30 oo 0.533 0.350 1.617 0.836 1.447 2.978 0.741 0.228 2.687 0.889 0.870 0.727 0.92 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Tableau 3.549 0.718 0.083 1.282 6.190 1. Par exemple.5 0.330 1.863 0.045 1.259 0.95 12.734 1.7>=0.535 0.356 1.729 1.1 : Les coefficients de Student tv-p correspondant a un nombre v de degres de liberte et a une probabilite T p V 0.842 1.476 1.169 3.546 0.879 0.553 0.700 0.524 1.674 1.841 4.265 0.012 2.782 1.078 1.753 1.559 0.694 0.8 0.771 1.363 1.1).960 0.542 0.156 1. le coefficient ti/ =0 o.250 3.108 1.703 0.543 0.289 0.860 1.314 2.260 0.845 2.355 3.101 2.584 0.325 0.7 0.963 1.069 1.868 0.353 2.055 1.100 1. 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.260 0.134 1.725 1.569 0.711 0.071 1.657 9.093 1.015 1.878 2.895 1. pour une probabilite (un niveau de confiance) de 95%.862 0.093 2.727 0.383 1.638 1.036 3.055 3.883 0.110 2.303 3.261 0.683 0.604 4.95 = 4.258 0.540 0.943 1.533 0.306 2.854 0. les coefficients de Student tv-p coincident avec les valeurs donnees par la distribution de Gauss (voir la derniere ligne du tableau 3. 96.691 0.064 1.95 = 1.812 1.160 2.776 2.119 1.692 0. Desormais.886 1.376 1.538 0.257 0.537 0.765 0.534 0.328 1.873 0.99 63.925 5.761 1.345 1.250 1. 3.861 0.

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

il faut elucider ce probleme. . En tout cas. nous pouvons aller plus loin dans notre analyse des donnees experimentales. s = 16 mm. La moindre des choses est de remesurer la longueur de la plaque pour augmenter sensiblement (!) la statistique. nous avons fait 1'hypothese supplemental que la longueur / est distribute selon la loi normale. surtout pour un nombre si faible de mesures. 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. pour <J^. Nous ne connaissons ni n ni <T mais nous pouvons les estimer a partir de m et s. 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 . Une analyse supplementaire n'est pas du tout superflue. II existe deux explications possibles. + <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 la deuxieme serie. Finalement. L'experience nous donne 2 et 4 respectivement. Ill 6 niveau d'analyse En fait. on obtient exactement les memes valeurs de m et de sm. Dans notre exemple. Ceci n'est pas mal. Soit c'est un veritable phenomene lie probablement a une erreur systematique (par exemple la plaque est legerement courbee et. Pour D(s^). Dans notre exemple. Si la distribution de la longueur est vraiment gaussienne. 4337.94 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES et les valeurs experiment ales de 0(8^) et s^.1). pour deux cotes. ce n'est pas beaucoup). 4363 et 4366 mm. Soit ces resultats sont lies a la faible statistique (6 mesures. 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). m — 4350 mm. Pour utiliser la distribution de Student. 4335. pour cette deuxieme serie de mesures. avant de presenter le resultat final. les resultats semblent se regrouper autour de deux valeurs et non autour d'une seule. estimation que 1'on obtient a partir de la formule (92)). on obtient en parfait accord I'estimation "theorique". 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). 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. 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. la conclusion est la meme : nos resultats ne sont apparemment pas coherents avec le traitement choisi et. Mais dans ces conditions. 4365. Supposons que dans nos 6 mesures nous ayons trouve les resultats : 4334. On peut verifier aisement que.

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. Notons que le premier niveau. Le premier niveau d'analyse des donnees est utile. dans les experiences simples. nous avons tente de verifier 1'hypothese sur la forme de la distribution pour la longueur. Jusqu'ici nous n'avons pas considere ce type de problemes en statistique.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. il existe une procedure relativement simple (criteres de Pearson) qui permet de voir si la distribution a laquelle on a affaire est une gaussienne. bien qu'il ne possede pas de bases mathematiques profondes et qu'il ne soit fonde que sur notre "bon sens". il donne tout a fait correctement la valeur de la grandeur physique (a a pres). II touche des aspects un peu differents de la statistique : il essaie d'analyser la validite des hypotheses qui forment notre theorie. En fait. ils ne sont pas souvent utilises. Dans ce livre. nous avons obtenu une estimation de 21 mm au lieu de s = 16 mm . c'est cette hypothese qui doit etre verifiee en premier lieu. donne presque toujours des resultats acceptables. 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. Par centre. 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. Cette procedure est basee sur la verification des relations precises qui existent entre les moments centraux differents d'une distribution gaussienne (voir (27)). mais ils necessitent des resultats statistiques beaucoup plus fournis que ceux que nous pouvons obtenir lors de travaux pratiques classiques. La plupart du temps. nous ne presentons pas ces criteres car. Ces problemes sont importants surtout pour une experience reelle de physique. II donne les resultats avec une interpretation precise. Dans notre exemple. Le troisieme niveau est presque obligatoire si nous effectuons une veritable experience de physique en laboratoire. On peut dire que le deuxieme niveau est un niveau fondamental. . y compris pour 1'analyse posterieure plus sophistiquee. Compte tenu de fait que pour obtenir 1'estimation "theorique" nous n'avons utilise que 1'hypothese de normalite de la distribution. nous verrons d'autres exemples ou cette difference est encore plus grande). 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.

ons par celui de deux grandeurs decrites par une distribution gaussienne. commenc. Par exemple. Etudions maintenant un exemple de deux grandeurs decrites par la distribution de Student. On a effectue deux mesures a une heure d'intervalle et on a obtenu deux valeurs TI = 25.2. . x\ ± A#i et £2 i A#2. dans cette approche. pouvons-nous les regrouper d'une certaine fagon pour augmenter la statistique et ainsi ameliorer la precision ? 3. yny}. On voit que cette valeur depasse la? (avec UT = 0. Encore une fois.96 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 3..1. il faut introduire leur difference X = x\ — xi qui a egalement une distribution gaussienne avec une moyenne nulle et une variance AX2 = Ax± + Ax%. on veut savoir si la temperature dans une piece varie dans le temps. 7 °C doit etre comparee avec 0. Avant de discuter le cas de deux grandeurs decrites par la distribution de Student. xHx} et {yi. 2 °C.. . La difference T = TI . nous pouvons calculer les moyennes mx et my (82) et les variances s%lx et s^ (88) experimentales. Si la valeur de X est compatible avec 0.T2 = 0.1 COMPARAISON DE DEUX RESULTATS EXPERIMENTAUX Comme au paragraphe 3.3 DEUX RESULTATS EXPERIMENTAUX Un autre probleme apparait lorsque Ton veut comparer des resultats experimentaux. Si oui. 5 ± 0. 2 ± 0. 3 °C) et 1'on peut raisonnablement conclure que la temperature a effectivement varie. On voit que les deux resultats se recouvrent compte tenu des incertitudes presentees et notre conclusion est immediate : les deux valeurs sont compatibles. IIe niveau d'analyse Formulons d'abord cette question d'une fagon plus generale et plus precise. Rappelons que notre resultat. 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. y?. Dans chaque cas.. pour n = 6 mesures. Ier niveau d'analyse II est tres simple. Soient deux series de nx et de ny mesures {xi. 2 °C et T2 = 24. compte tenu de son incertitude. #2. nous ne pouvons pas dire exactement quelle est la probabilite d'avoir cette difference entre les resultats.3. nous montrerons deux niveaux de solutions possibles. A partir de deux resultats. alors les deux resultats sont compatibles. • • • . est Ces deux valeurs sont legerement differentes et nous voulons savoir si elles sont compatibles.

La variance de YI est I'unite car la variance de mx est <r 2 fn x . a un facteur I/a2 pres. La moyenne de cette distribution est nulle car elle est proportionnelle a la difference des moyennes rn^ — rn^ — p.Ill .(17)).2). Leurs fonctions generatrices des moments sont . Le denominateur Y? represente. Le probleme est a nouveau 1'absence d'information sur les veritables valeurs de fi et de <r 2 . La demonstration de cette propriete suit exactement la demonstration utilisee pour obtenir la distribution de Student (voir paragraphic 3. C'est pourquoi ne seront notees que les petites modifications a apporter. 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.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. 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. — p — 0. 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 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.

A partir de sa valeur de Ara^. voir la remarque (105)). 55 pour v = 14 degres de liberte est P ~ 0. Ensuite nous retrouvons la demonstration du paragraphe 3. 4. Dans notre experience II faut calculer la somme correspondante a Texperience faite par notre collegue. 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.2. Autrement dit. = 13 mm et des relations nous avons Done. et la valeur de t correspondante a s2 est egale a Dans le tableau 3. Pour connaitre s2 nous devons calculer les sommes (112). Ainsi la fonction generatrice de la somme est egale a ou nous avons utilise la propriete (21). ny = 6. Dans notre exemple.98 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES (voir (96)). my = 4350 mm. nx = 10. 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 . nous voyons que la probabilite qui correspond au coefficient de Student t c± 0.1.

a peu pres 1/3. 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.2. de 1'ordre de 10%. 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. Nous verrons que 1'incertitude dans 1'experience qui accumule les resultats de deux experiences est plutot de 10 mm. 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. 5«r. II etait meme plus probable (60%) de trouver cette difference superieure a 5 mm. mx + Ara^]. 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 . la probabilite de trouver un evenement en dehors de 1'intervalle \ji — I . 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). qui donne la probabilite pour que le rapport s^/s y soit different de 1. Pour la distribution de Gauss. . 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.Ill . ou inversement la probabilite pour que my se trouve dans 1'intervalle [mx — Ara x . 65 auquel correspond une probabilite de presque 90%. 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. ^ + cr] est relativement grande. Dans ce livre.2. Cela signifie que la probabilite de trouver une difference de 15 mm ou plus est tres faible. Ainsi le "disaccord" de nos deux experiences est tout a fait acceptable et nous pouvons confirmer notre conclusion intuitive par une consideration plus rigoureuse. La valeur de \mx — my\ = 15 mm correspondrait ainsi a 1. cela apparaft surtout sur les moyennes et dans une moindre mesure sur les variances. Ainsi nous retrouvons la coherence entre les deux approches. Nous avons montre comment il est possible de comparer les moyennes de deux experiences. Pour cela. //+ 1. 5<r. II existe une methode analogue pour comparer les variances experimentales. Notons que le critere qualitatif applique dans la premiere approche (recouvrement des barres d'erreurs) est rapide mais parfois assez dangereux. designee par le critere J7 de Fisher.3. 3.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%. Le traitement correct nous donne un coefficient de Student t ~ 1. 5cr] est aussi de 1'ordre de 10%.ray + Am y ].

(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. Cette formule a une signification tres simple : moins 1'experience est precise (grande valeur de Am^). 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. .

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. Par 1'appareil.Ill . Nous voulons savoir quelle est Pinfluence de 1'appareil sur la valeur physique ou. fait Pobjet de ce paragraphe. nous sousentendons non seulement 1'appareillage utilise pour faire une experience mais. Dans le tableau 3. que mx+y soit plus proche de sa valeur mx. autrement dit. L'analyse de ce type d'erreurs. nous obtenons mx+y = 4353 mm. c'est une correction de deuxieme ordre. 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. done 1'appareil mesure une valeur systematiquement plus grande (ou plus petite) que la valeur "reelle".95. . 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. compte tenu du fait que les mesures du collegue etaient plus precises. Am r+y = 10 mm. Meme 1'hypothese d'egalite des coefficients de Student pour un grand nombre de mesures n'est pas mauvaise. ce qui signifie que les erreurs d'appareil s'ajoutent aux erreurs naturelles de la grandeur physique. L'appareil peut decaler la valeur moyenne. Cependant. plus generalement. 101 II est logique.4 AUTRES SOURCES D'ERREURS L'incertitude naturelle d'une grandeur physique n'est pas la seule possible.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES Dans notre exemple de deux experiences. la methode de mesure choisie. S'il a ete possible de verifier auparavant que ces series de mesures sont compatibles (compatibility des moyennes et des variances). 1'erreur introduite par cette procedure est tres faible. Par exemple pour "P = 0. Nous verrons qu'il y a d'abord une modification "triviale" de cette distribution : celle-ci s'elargit. en d'autres termes. t change seulement de 10% quand v passe de 10 a 30. on voit que le coefficient de Student varie peu avec v. comment il modifie la fonction de distribution initiale. Ces erreurs s'appellent les erreurs systematiques. qui est plus complexe. une autre modification de la fonction de distribution est aussi possible. 3. De plus.1. Une autre source importante d'incertitude est 1'appareil de mesure. cette variation est une correction dans 1'incertitude.

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

Pour un appareil digital.6) ou (II) on peut mesurer la tension aux bornes de la resistance et de 1'amperemetre (figure 3. x ) : verifier si elle ne depend que de \x — x' ou.5 ou 2.Neanmoins. pour ces deux branchements. on a Rexp — Rexp — RX. 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. 1. le mauvais fonctionnement de 1'appareillage et les erreurs d'experimentateur. Le branchement du voltmetre peut etre effectue de deux fagons : (I) on peut mesurer la tension aux bornes de la resistance Rx (figure 3. on sait seulement que Ry est grande par rapport a Rx et que RA est petite par rapport a Rx. L'experimentateur doit faire une etude approfondie du nouvel appareil pour avoir le maximum d'informations sur la fonction de resolution S ( x ' . divise par 100 : classe • pleine echelle incertitude — . cette procedure simple n'est plus suffisante.7). 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 .5. Pour les experiences plus sophistiquees. .5 . pour un assez grand domaine de valeurs de la resistance Rx.Ill — EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 105 une echelle de 1'appareil utilisable pour la mesure de poids inconnus. On branche 1'amperemetre en serie avec la resistance inconnue. 1'incertitude de mesure est indiquee dans la description. 100 Pour diminuer 1'incertitude de mesure. etc.2 ERREURS SYSTEMATIQUES On peut mentionner trois sources d'erreurs systematiques : la methode de mesure choisie. on travaille avec des appareils de classe 0. 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. 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. etablir la forme de cette fonction. il faut done toujours travailler avec les echelles les plus sensibles possibles (les echelles qui donnent la deviation maximale acceptable). L'incertitude de 1'appareil est egale au produit de sa classe par la pleine echelle utilisee pour la mesure. Les fonctions obtenues de cette maniere se presentent souvent sous la forme d'une courbe ou d'une table d'etalonnage. Dans la plupart des cas. Pour un appareil a aiguille. 3.0 . sinon.4. telles que Ry ^> Rx ^ RA. 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. 1.

Pour cela. au choix).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. de deux resistances identiques R et d'un appareil de mesure (d'un amperemetre ou d'un voltmetre.106 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 3. tandis que la deuxieme donne des valeurs systematiquement plus grandes. nous avons besoin d'une resistance variable dont nous pouvons etablir la valeur Rv. 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. Dans les deux cas. Si Rx est egale a Rv. RA e^ RX • (II) Figure 3.6 : 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. ou Ra est la resistance de 1'appareil (R^ ou RV)- . On peut le voir a partir de 1'expression de Ia : I etant le courant aux bornes du circuit. Le schema de branchement est presente sur la figure 3. alors le courant Ia qui passe par 1'amperemetre (ou le voltmetre) est nul.8. on a une erreur systematique plus ou moins importante en fonction des relations entre Ry.

Ia et I\ et obtenons deux equations En eliminant I\.Ill . Quels sont les avantages d'une telle methode par rapport aux methodes precedentes ? Premierement. Si nos appareils sont precis nous obtiendrons exactement la valeur . il n'y a pas d'erreurs systematiques liees a la methode. 1-2 (figure 3.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 107 Figure 3.8 : Troisieme schema possible pour mesurer la valeur d'une resistance L'expression (121) peut etre obtenue de la facon suivante. h. \\ est possible d'ecrire Cette relation nous donne la formule (121).8) et ecrivons le systeme de 5 equations Nous exprimons /„. Nous introduisons les courants Iv. Ix et /2 en fonction de /. Nous devons faire varier la resistance Rv jusqu'a annuler le courant Ia. 1%.

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

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

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

Si nous mesurons la puissance pour I — 1.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES 111 nous pouvons prendre un pas plus petit. 8. Enregistrement des resultats Lorsque nous enregistrons les resultats. le but est de ne pas introduire d'erreurs supplementaires. D'abord. elle modifie le parametre PQ). 4. Ensuite. 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 nous attendons a une dependance reguliere P(I) et pouvons controler que la puissance varie lentement avec la variation du courant. Avec 1'ordre precedent nous ne trouverons jamais cette source d'erreurs : la fonction P(I} sera toujours reguliere et continue. Par centre. 15 Hz (quatre points noirs sur la figure 3. si la temperature de la piece monte progressivement pendant 1'experience. la logique doit etre differente. 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 . 95 A au lieu de / = 2. Si nous etudions une grandeur dont la dependance en fonction d'une variable est assez rapide comme. par exemple. nous determinons le comportement general U(v} avec un pas qui peut etre assez grand. 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. Dans notre systeme. 6 A. la precision sur les parametres sera la meme. nous devons repeter nos mesures au voisinage de VQ avec un pas beaucoup plus faible. Le remede est trivial : nous devons noter immediatement tous les resultats pour ne rien oublier.9). 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. les points experimentaux "oscilleront" autour d'une courbe continue et ces oscillations seront plus grandes que les incertitudes des mesures. 00 A. Une ecriture claire et facilement lisible depend de notre experience personnelle et elle viendra au fil des annees. 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. L'avantage est que notre systeme trouvera chaque fois son equilibre assez rapidement. 10.Ill . la recherche de la frequence propre d'un circuit RLC par une mesure de la tension en fonction de la frequence. L'ecriture doit etre simple. . 1 A. si nous choisissons un ordre different des mesures : / = 0.9). 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. Un simple changement de 1'ordre des mesures peut nous aider a detecter une erreur systematique. Le probleme concernant 1'ordre des mesures apparait quand il existe une source d'erreurs systematiques (par exemple. il ne faut pas perdre de temps en fixant les valeurs de / exactement a 1 A ou 2 A. De plus. 2. 2 Hz (carres blancs sur la figure 3. Cependant. 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.

Cette operation est triplement dangereuse. Si. on decide que telle ou telle mesure n'est pas tres parlante ou simplement . Deuxiemement. II n'est pas toujours commode de coller dans ce cahier des feuilles de papier millimetre avec des courbes ou des listings d'ordinateur. dans leur forme brute et sans la moindre modification.112 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES Figure 3.9 : Determination de la position d'une resonance La fagon la plus traditionnelle d'enregistrement des resultats est 1'utilisation d'un cahier d'experience. Mais le danger le plus important vient du fait que. par hasard. lorsque nous copious les resultats. Assez frequemment. Par exemple. Recopier des resultats est tres dangereux. nous pouvons introduire des erreurs supplementaires. II est utile de numeroter ses pages et de reserver une page au debut pour la table des matieres. nous nous trompons lors de la multiplication par 5 nous ne serons plus capables de corriger cette erreur plus tard. on n'utilise pas toutes les mesures effectuees. si 1'echelle d'un voltmetre est de 5 V. dans le cahier d'experience il faut noter le nombre de divisions d'echelle ainsi que la valeur de pleine echelle. Inscription des resultats Tous les resultats doivent etre notes immediatement. nous ne pouvons pas eviter la selection. Premierement. Cependant. L'avantage principal d'un tel cahier par rapport aux feuilles separees est qu'il est plus difficile de le perdre. L'inconvenient est que meme les mesures simples ne s'effectuent jamais dans un ordre parfait et que notre enregistrement peut etre assez disparate. le cahier d'experience reste le meilleur moyen pour eviter la perte d'information. II ne faut jamais utiliser les brouillons pour copier ensuite les resultats dans le cahier de manipulation. nous perdons du temps. Dans le bilan d'une experience.

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

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

Dans ce cas.00 W.42 W. pour les erreurs statistiques.49 W. essayer d'eliminer ces sources d'erreurs (comme.1 a 10). trois chiffres significatifs 1. il vaut mieux les eviter ou.4 COMMENT TRAVAILLER AVEC LES ERREURS SYSTEMATIQUES ? Que faire avec les erreurs systematiques ? Comment peut-on travailler avec ? Si c'est possible. sinon nous ne changeons rien. a la precision de nos mesures. Les erreurs systematiques et statistiques sont de nature differente.68. verifier la position du zero de Pappareil).04) W . 0 2 ) W. apres avoir calcule 1'incertitude sur C. les deux s'ecrivent sous la meme forme ±Ax. pour 1'instant. nous voyons que le wattmetre indique une valeur de 4. nous avons note une valeur de 4.02 W. sera alors de 1'ordre de 1 (de 0. La difference par rapport a la valeur initiale est due. Deuxiemement. probablement. au moins.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. II ne faut pas oublier que. mais pour les calculs ulterieurs on prendra une valeur de la puissance P = (4. si nous effectuons la mesure d'une puissance electrique supposee constante a 1'aide d'un wattmetre. 50 ± 0 . Dans le resultat final. 0 7 W. par exemple. nous ne laisserons que le nombre de chiffres significatifs correspondant a cette incertitude (peut etre un seul). II faut obligatoirement noter ce phenomene dans le cahier d'experience. dans le resultat intermediaire nous gardens. Par exemple. on ne peut pas eliminer la source de ces erreurs mais on peut introduire une correction permettant de diminuer Ferreur. Meme si le liquide dans le recipient n'est pas de 1'eau. La valeur de la premiere fraction. 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 = (. nous avons choisi les unites kJ/kg-K et non pas J/kg-K.50 W et nous savons que 1'incertitude sur cette valeur determinee a partir de la classe de 1'appareil est de 0. dans la plupart des situations. Cependant. 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. cela signifie que la difference entre les deux valeurs de la puissance est due a la variation reelle de la puissance dans le circuit. 3. Nous le faisons volontairement pour eviter les erreurs supplementaires d'arrondi. bien que les valeurs de AT et de / n'en contiennent que deux.18 kJ/kg-K et cette valeur nous est tres familiere.Pmax — -P m m)/2. cette ecriture suppose une interpretation .4. 46 ±0. A la fin de notre experience. Que devons-nous faire dans cette situation ? II faut debrancher le wattmetre du circuit et voir la valeur affichee. il faut toujours avoir les reperes physiques qui peuvent servir comme moyens de controle de la validite de notre resultat. Au debut de 1'experience. x • 10n+1. dans la derniere expression. Si 1'appareil debranche indique une valeur 0. Parfois. S'il indique — 0 . car nous connaissons la chaleur specifique de 1'eau 4.Ill . pour des raisons de commodite. L'avantage d'une telle representation est que nous voyons immediatement 1'ordre de grandeur : 103. Troisiemement. nous devons utiliser lors des calculs ulterieurs une valeur de la puissance P = (4.

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

alors Aa?app = 0. Cette estimation est utilisee quand on ne dispose pas d'information sur la classe de 1'appareil. En pratique. pour les appareils avec Paffichage numerique. bien evidemment.EXPERIENCES AVEC UN NOMBRE LIMITE DE MESURES Si notre amperemetre est de la classe 0.1. Dans ces conditions. Par exemple. 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. que les indications de 1'appareil aient ete stables tout le long de la mesure).Ill . .5. 1'incertitude peut etre estimee grossierement a 1 dans le dernier digit (a condition. on peut dire que 1'incertitude de mesure est approximativement egale a la division d'echelle. tous les appareils ont une echelle telle que 1'incertitude de lecture soit compatible avec celle de 1'appareil : Autrement dit. notre amperemetre devrait etre de la classe 1 ou 0.

.Cette page est laissée intentionnellement en blanc.

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

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

En faisant la somme de ces equations on obtient : soit Finalement. .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. 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. emcacite) sont tres importantes pour pour optimiser le choix des parametres. on trouve les poids pi qui sont inversement proportionnels aux variances ~2 . Ainsi pour X et <r^. on retrouve 1'expression (118) : On voit que ces caracteristiques (estimation biaisee.

1 ? Figure 4. 02 . En pratique. C'est pourquoi nous faisons 1'hypothese supplementaire que y est une fonction lineaire de ses parametres {aj} qui s'ecrit .} sont definis d'une fagon deterministe.1 METHODE DES MOINDRES CARREES Revenons sur la question posee au debut de ce chapitre : si dans notre fonction theorique. des parametres libres existent. Supposons que notre fonction y = y(x] depende aussi de k parametres {dj} — ai. • • • .a?2.1 IDEE DE LA METHODS DES MOINDRES CARRES Dans un cas general. comment pouvons-nous les choisir pour avoir le meilleur accord avec les points experimentaux ? Par exernple.. c'est un probleme assez complexe.1. Ainsi les parametres {ctj} sont egalement decrits par les variables aleatoires dont nous devons determiner non seulement les valeurs moyennes mais aussi les variances.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. quelle est la meilleure fagon de tracer une droite qui passe par les points experimentaux representes sur la figure 4. • • • .xn. akCette formulation du probleme suppose que les valeurs y.sont decrites par les variables aleatoires tandis que les {#. 4.122 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES 4. cette hypothese signifie que les incertitudes Axt.sont negligeables.

Dans ce livre. 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). Cependant. Plus grande est <rz-. (voir le paragraphe 3. . En pratique. Chaque terrne de la somme est le carre de la difference entre la valeur mesuree y^xp et la valeur theorique y(a\. . moins importante est la contribution de ce point. 2 . . Chaque terme est pondere par un poids conformement a son erreur <T. 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. Le critere utilise (le minimum de la somme des carres) n'est pas le seul critere possible. 0 2 . 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). 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.2. plus petite est la contribution de ce terme. 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. Xi) calculee pour cette valeur de Xi. nous ne pouvons obtenir que les valeurs experimentales (Ay 2 exp ) 2 . . La raison pour cela en est simple : on ne dispose pas d'autre methode presentant la meme simplicite et la meme puissance. 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. Par exemple. pour une droite. Cette affirmation reste vraie quelle que soit la forme de la distribution de probabilite (autrement dit. Nous supposons done que n > k. Plus proches sont la theorie et 1'experience. Malgre 1'importance de ce theoreme. Ainsi. nous supposons que nous connaissons les vraies variances de chaque point af. . Une approche assez generale pour choisir des parametres est donnee par la methode des moindres carres. . notre probleme reste assez general et particulierement utile pour les applications physiques. n qui reunit ainsi la totalite de 1'information experimentale. a^'. . II peut s'agir de monomes comme fi(x] — xl.AJUSTEMENT DBS PARAMETRES 123 ou les fonctions {fi(x)} sont connues.2).IV . . . nous ne donnons pas ici sa demonstration. il faut que le nombre de points experimentaux n soit egal ou superieur a k. malgre cette hypothese sur la linearite par rapport aux coefficients {ctj}. Pour determiner k parametres. 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). nous avons besoin d'au moms deux points pour definir la pente et la constante a 1'origine. De plus. Le lecteur interesse peut la retrouver dans les livres de mathematiques.

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. 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. 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. nous obtenons le resultat : . Pour cela.

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

. 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 .126 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES et 1'expression (130) pour la variance devient Si toutes les erreurs sont les memes. <TI = &i = . = an = a. .

ce qui signifie que les deux parametres a\ et a-i sont correles : Remarque tres importante. A cause de cette relation avec la distribution % 2 . la methode de moindre carres est egalement appelee la methode % 2 .3 Dans le cas general.IV . La probability dP que les y{ se trouvent dans les . Ainsi. 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.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.Rappelons que la valeur moyenne de Xmin sel°n (98) est alors que son erreur est selon (99) Autrement dit. conformement a la formule (105). 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 ) . la notation standard de cette somme est x2 : Rmin = Xmin. si tous nos calculs sont corrects et coherents et si toutes nos hypotheses sont verifiees. Les conditions de minimisation (126) ou (128) fixent k relations entre les {yzexp}. Pour les {yjxp} distributes selon une loi normale. L'hypothese de la forme gaussienne des distributions y^ donne une autre interpretation du critere du minimum des carres. I'element D(A)i2 est different de 0.

. fonction des parametres 0 1 .2. . a^ sont celles qui attribuent la plus grande probabilite au resultat observe. On peut dire que les "meilleures valeurs" de 0 1 .. y^xp + dyi] s'ecrit alors ou R est defini par (124). 4. pour les lignes (1) et (2) on obtient IIe niveau d'analyse Dans le tableau 3. nous avons explicite tous les resultats intermediaires necessaires pour calculer 01 et a 2 . . 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. Ier niveau d'analyse Pour une estimation rapide on peut utiliser une procedure presque intuitive.2.1.2... .128 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES intervalles [yj xp .2 EXEMPLE D'UNE FONCTION LINEAIRE Sur la figure 4. correspond au maximum de cette probability. Les valeurs numeriques correspondantes sont reunies dans le tableau 4. .. done ces parametres sont fortement correles. A Poeil nu.a. nous avons presente un exemple de donnees experiment ales (10 points) pour lesquelles nous voulons ajuster une droite y = a\ + a-^x. pour les grandes valeurs de x. Nous avons pris conscience de cette correlation lors de notre analyse rapide : pour passer . Ainsi le minimum de R(ai. o&. . 0 2 . . L'application directe des formules (133) —(134) nous donne le resultat final : Nous gardens deux chifFres significatifs dans 1'incertitude Aa2 afin d'avoir. on trace toute la famille des courbes lineaires qui passent par les points experimentaux et on choisit les valeurs maximale et minimale de a. La valeur approximative et son erreur peuvent etre definies simplement comme : Dans notre cas. 0 2 .1. . . a/j).

2 : L'ajustement des coefficients ai et a? pour une droite xt 129 1 5.4 £ vr ^r (A^F (Ayfxp)2 2.9 4.0 6.8 0.5 0.1 0.1 3 4.0 0.4 2.6 2 3.25 445.1 0.2 25 225 1 0 1.7 2.7 2025 625 t/r p 27.7 (A3/rp)2 (Aj/^ x p P 2/eXP'^i I? 3 15.78 0.0 0.} sont du meme signe.8 1.4 4.AJUSTEMENT DBS PARAMETRES Tableau 3.4 6. le coefficient de correlation est grand.0 2.6 3.8 913. selon laquelle les resultats experimentaux peuvent etre decrits par une fonction lineaire.3 1.2 247.0 0.7 3334 201.6 8 2. Ceci peut egalement se voir grace a la formule (135). Dans une situation ou I'origine x = 0 se trouve a peu pres au milieu des points experimentaux.0 1.0 3 3.8 0.L'erreur sur la constante et le coefficient de correlation sont petits dans ce cas-la. Quand tous les {a?.5 74.1 225 100 64 16 100 14 100 5.4 13.3 J/*hi 5.1 0.5 0.1 9 1. mais une constante : II applique les formules (131) et (132) et il obtient .5 4 16 5 3. Quand I'origine x = 0 se trouve au milieu des points experimentaux. Supposons que notre collegue affirme que la meilleure approximation de ces points experimentaux n'est pas une fonction lineaire y(x) = a\ + a^x.78 2.3 300 64 70 35 56.0 1.7 0.4 4.2 25 75 4 4.83 1.4 2.6 0.IV .9 0. est correcte.6 7 2.3 0. IIP niveau d'analyse Dans Interpretation d'une experience de physique.5 4 20 6 2. la somme correspondante est proche de zero. Ceci n'est pas toujours le cas.1 53 1.83 16. nous ne pouvons pas nous limiter aux calculs des parametres et a leurs incertitudes.6 6.8 136 8.0 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\.0 1.3 3.2 0.78 2.5 106. le passage d'une droite extreme a une autre se fait seulement par la modification de la pente 02. Nous devons aussi nous assurer que notre hypothese.6 (Ay^p 15.5 10.25 62.4 0.7 1.7 19.

237 0.706 4.775 0. Tableau 3.3 : Les valeurs x^> et les probabilites P pour que \2 > x?.204 28.821 11.656 11.3.219 4.609 4. la probabilite de trouver x2 > 10 Pour v — 8 est approximativement egale a 25%. pour v degres de liberte pour une droite T V 0. la probabilite de trouver x2 P'US grand que 21.251 7.412 0.803 11.341 11.7 pour v — 9 est inferieure a 1%.721 12.828 4. II faut se rappeler que la distribution X 2 est asymetrique et que ('interpretation des resultats avec cette distribution est un peu particuliere.001 0.70 0.725 26.442 14.343 9.085 10.275 18. Conformement a (136) et (137).307 23.222 17.130 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES II suffit de regarder la figure 3.266 0.926 10.204 2.011 15.148 9.542 24. En fait.578 0.178 4.532 3.337 0.615 22.989 27.980 7.713 1. Ainsi son hypothese est refutee.642 5.2 (Xmm)exp — 10 est en tres bon accord avec cette estimation (les valeurs de y\^ sont calculees avec les parametres (139)).549 19.781 12.899 14.98 0.584 1.191 37.446 1.211 0.141 30.716 14.366 3.812 18.Xmin = 4.383 9.059 3.790 8.631 15.409 34.865 11.418 19.342 10.339 15.277 15.195 3.90 0.812 21.642 3.475 20.429 0.090 21.352 16.217 27.878 6.338 18.833 3.10 2.634 9.255 7.070 3.064 7.322 18. Son hypothese est fausse.985 6. on s'attendrait a obtenir Xmin = ® avec ^Xmin — ^ tandis que la valeur experimental est (Xmm)eXP .511 20.865 5.368 5.408 3.578 32.209 24. Par centre.649 2.610 2.688 29.444 0.752 1.393 7.467 10.01 6.3 pour voir qu'il se trompe.805 36.666 23.064 0.338 19.145 ! Voi|a la contradiction ! Nous pouvons reformuler ces conclusions en termes de probabilite car nous avons deja etudie la distribution %2 au paragraphe 2.987 17.30 1.857 13.578 6.564 2.769 25.016 0.531 14.179 6.424 2.040 0.601 21.289 8.042 7.236 10.267 8. cette valeur est assez grande.338 17.344 8.La valeur obtenue dans la derniere ligne du tableau 3.017 13.760 23.311 20.307 11.340 13. pour I'analyse de notre collegue.064 22.779 9.380 6.152 12.765 5.3.348 6.651 12.231 8.614 7. Pour illustrer ses proprietes dans notre cas. dans notre ajustement de 10 points avec 2 parametres.119 16. 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.005 1.594 5.148 0.635 9.50 0.034 9.985 18.242 13.343 3.000 3.338 16. Dans le tableau 3.086 16.490 4.032 2.665 4.524 10.812 16.527 6.689 22.645 12.312 10. divisons les valeurs de %2 en 4 . Pour notre collegue.624 13.151 19.345 13.558 9.80 0.562 9.064 1.340 12. 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 }.339 14.440 15.346 7.362 14.684 15.807 8.134 1.547 9.989 7.822 4.906 8.20 1.351 5.168 4.038 0.185 0.002 12.900 25.671 5.2.074 2.566 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Dans notre cas.210 11.030 12.605 6.386 2.465 21.357 4. La probabilite de trouver x2 proche de 100 est alors negligeable. on obtient Xmin = & avec une incertitude A.304 7.000 33.455 1.

73 = [8.4[. La difference entre a^ et Ay^xp peut etre de I'ordre de 10%.8[.15.15.IV . la generalisation au cas de plusieurs parametres est relativement simple).xn. A I'aide du tableau 3.3. par exemple lorsque le nombre d'evenements est petit et que Ton ne peut pas evaluer correctement les incertitudes. 72 = [4.. Ainsi nous sommes capables de determiner %2 a 10 — 20% pres.40.AJUSTEMENT DBS PARAMETRES 131 intervalles : /i = [0. 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. On peut demontrer que cette condition peut etre legerement affaiblie mais que. II existe un autre argument important qui conduit a interpreter ces probabilites avec beaucoup de prudence. .. La methode des moindres carres est une approche tres efficace et elle est largement suffisante pour les experiences faites en travaux pratiques. Le pas correspond a la racine carree de la variance.1. mais les incertitudes sur ces valeurs peuvent etre tres differentes des valeurs exactes. 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.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. ou quand les incertitudes sur x ne sont pas negligeables x\. on utilise une autre approche plus generale basee sur la fonction dite de vraisemblance.12[ et 74 = [12. 30. Utilisons la demarche adaptee a la fin du paragraphe 4. Neanmoins. on considere que le choix d'une fonction est correct si la valeur de x2 Par degre de liberte est proche de 1. ^2 — 0. il existe des situations ou on ne peut pas 1'appliquer.1.oo[.3. Nous voyons que les probabilites d'obtenir de tres grandes et de tres petites valeurs de x2 sont faibles. 4.2 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 -. Dans ces situations. de toute facon. nous evaluons les probabilites pour que la valeur de x2 se trouve dans I'intervalle correspondant : P\ ~ 0. PS ~ 0. C'est pourquoi on peut chercher a proposer une approche plus generale du probleme. Leur apparition signifie que le choix de la fonction etait mauvais.xi. En physique. nous supposons qu'il n'y qu'un seul parametre a .. L'avantage du troisieme niveau reside en la possibilite de confirmer ou d'infirmer le choix de la dependance fonctionnelle. cette approche n'est pas valable pour une distribution quelconque. PI ~ 0. 4.2. Rappelons que nous avons remplace partout dans nos calculs les vraies variances cr? par les valeurs experimentales (Ay^ xp ) 2 . En conclusion. . car nous ne connaissons que ces dernieres.

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

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

on reprend les . 4. dans la methode du maximum de vraisemblance.2. ou p est defmi par (142).134 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES distribution3 de y"p une gaussienne avec des "moyennes" y th (a. Au contraire. On obtient alors La representation de cette fonction de p est une parabole dont le maximum se trouve au point p = p. la parabole correspondante est presentee sur la Figure 4. 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 = 1.2 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. ce type de critere n'existe pas. 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. 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. Commencons par la fonction de vraisemblance d'une distribution normale (140) et cherchons ('incertitude sur p. si la methode du maximum de vraisemblance soit plus souple que la methode des moindres carres. compte tenu de ('argumentation choisie pour developper la methode du maximum de vraisemblance. Enfm.x z ) dependant de un (ou plusieurs) parametre(s). 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. par exemple. Ainsi le maximum de vraisemblance correspond au minimum de la somme des carres.2. Nous avons deja calcule le logarithme de la fonction de vraisemblance dans (141) de cette distribution. De plus. elle permet d'utiliser la puissance de la methode des rnoindres carres pour evaluer. On peut ajouter a cette expression une constante independante de p comme. par exemple. les incertitudes sur les valeurs des parametres (voir le paragraphe suivant). Cette correspondance n'est pas surprenante.

D'ailleurs. on peut tracer le logarithme de la fonction de vraisemblance en fonction de p. qu'il est possible de trouver les intervalles de confiance de la meme facon.IV — AJUSTEMENT DES PARAMETRES 135 Figure 4. D'une facon analogue. dans le cas d'une distribution binomiale abordee dans le paragraphe precedent.27 %. Par exemple. on a ajoute une constante pour que la valeur maximale de InL(p) soit egale a 0).3 (dans cette expression. on peut souvent approximer les fonctions de ce type par des paraboles au voisinage du maximum (ce qui signifie qu'on peut approcher la . Pour x = 2 et A" = 10. pour une distribution gaussienne. cette fonction est presentee sur la Figure 4. le segment de droite reliant les deux branches de la parabole pour \nL = —2 correspond a un intervalle de confiance de 95.45 %. On peut demontrer pour une classe assez large de distributions (pas forcement gaussiennes) qui ne dependent que d'un seul parametre. caracterise un intervalle de confiance correspondant a une probabilite de 68.2 : 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. Ce n'est pas une parabole mais elle lui ressemble quelque peu. Le segment de droite reliant les deux branches de la parabole pour InL = — 1/2.

. pour un intervalle de confiance de 95.505]. La position du maximum de cette fonction nous donne la valeur de I'estimation (143) : p= 0.3 : Le logarithme de la fonction de vraisemblance pour une distribution binomiale avec x = 2 et N = 10 A partir de cette courbe. On remarque que cet intervalle n'est pas symetrique par rapport ap=0. nous pouvons facilement trouver tous les intervalles de confiance desires. la solution de I'equation donne [0. mais le resultat peut etre generalise au cas de plusieurs parametres. Cette approche porte le nom d'inegalite de Cramer-Rao-Frechet. 0. Donnons sa demonstration dans le cas ou la vraisemblance L(a) ne depend que d'un seul parametre a. nous utiliserons 1'ecriture / • • • dX qui signifie une integrate multiple sur toutes les variables xt. Parexemple.2. Cette estimation est biaisee par une erreur systernatique f3(a).036 . Une autre approche existe pour determiner ("incertitude sur la valeur des parametres dans la methode du maximum de vraisemblance. surtout lorsque la fonction de vraisemblance depend de plusieurs parametres. Elle est beaucoup plus pratique. c'est-a-dire que la valeur moyenne de a est egale a 4 4 Pour simplifier la presentation des formule.45 %. Figure 4.136 ANALYSE STATISTIQUE DES DONNEES EXPERIMENTALES fonction de distribution par une gaussienne).2. Soit a I'estimation du parametre a.

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). le discriminant doit etre negatif. on obtient Si Ton applique I'inegalite de Schwartz 5 aux fonctions on trouve La premiere integrale represente la variance <r% du parametre a. Cette condition nous donne I'inegalite recherchee.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}. il suffit de remarquer que 1'integrale f ( X f ( x ) positive quelque soit la valeur de A. Done. Ainsi 1'equation + g(x))2dx est n'a pas de racines reelles non nulles.IV . . pour laquelle on obtient fmalement I'inegalite recherchee : 5 Pour demontrer cette inegalite.

? (i — 1. pour la variance. on obtient soit Comme exemple d'utilisation de la formule de Cramer-Rao-Frechet. il suffit de calculer la derivee de 1'equation (146) par rapport a a). dans I'inegalite de Schwartz. dans ce cas. la vraisemblance doit avoir une forme gaussienne (a comparer avec 1'equation (144)) Notons que. N). il faut que.. 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. considerons la distribution de Maxwell deja etudiee dans le paragraphe 3. .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. Ainsi I'inegalite (147) prend une autre forme equivalente Pour que cette inegalite devient une egalite.3. . les fonctions / et g soient les memes a un facteur multiplicatif A pres.1. la derivee seconde du logarithme de la vraisemblance est une constante : Ainsi..

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

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

II existe. par exemple. En utilisant ce langage probabiliste. En fait. Quelques ouvrages de reference sont donnes dans la bibliographic pour permettre d'approfondir certaines questions ou pour trouver d'autres exemples d'application. mais les problemes les plus courants ont ete traites dans cet ouvrage volontairement synthetique. Nous esperons que les differents aspects qui ont ete abordes contribueront a demystifier un domaine qui rebute souvent les experimentateurs. 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. nous apportons une information plus riche et surtout plus coherente. L'incertitude est evaluee avec sa propre precision. certes. 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%. la distribution de probabilite n'est pas gaussienne). 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. de 1'erreur experimentale. . 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. notamment dans les pays anglo-saxons. L'approche statistique est une approche extremement puissante et informative. ni dans le choix de la methode d'analyse ni dans 1'appreciation des resultats. meme grossiere. la determination de 1'incertitude n'est pas plus difficile que la determination de la valeur elle-meme. On comprend ainsi qu'il est toujours necessaire d'avoir une estimation. on retiendra les points suivants. il faut souligner que rien ne peut remplacer le bon sens de 1'experimentateur.CONCLUSION En conclusion. Finalement. une litterature abondante sur ce domaine. mais souvent tres specialisee ou dispersee. 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.

Cette page est laissée intentionnellement en blanc. .

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

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

Cas general 2. 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 . Distribution de Lorentz 1. Exemples de propagation des erreurs 2.2.5. Distribution binomiale 1. fonction de distribution 1.4. Proprietes de la fonction de distribution 1.1.1.3. Definitions et proprietes 1.3.1.1.3.2. Distribution de Poisson 1.3.3.2.1. Theoreme central limite Chapitre 2. Probabilites 1.1.2. Distribution de Gauss 1.1. Auitres distributions elementaires 1.4. Fonctions d'une variable aleatoire 2.1.1. Fonction biunivoque 2.2. Distribution gamma 1.1. Formule de propagation des erreurs 2.1. Distribution de probabilite d'une fonction de variable aleatoire 2. Cas des variables correlees 2.1.1.3.4.2.1.TABLE DES MATIERES Preface 5 Pourquoi les incertitudes existent-elles ? Chapitre 1.3. Propagation des erreurs 2.2.2. Rappels sur la theorie des probabilites 1.3. Fonction de distribution de plusieurs variables 1.3. Grandeurs discretes et continues. Correlations 1.2.

1. Precision de la variance experimentale et chifFres significatifs . valeur moyenne et ecart-type 3.3.2. Methode du maximum de vraisemblance 4. 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 3.4. Distribution x2 3. Comparaison de deux resultats experimentaux 3.1.1.1.2.1.2. Petit nombre de mesures 3.2.3. Incertitudes d'appareil 3. Exemple d'une fonction lineaire 4.3.4.4.3. Idee de la methode des moindres carres 4.3. Autres sources d'erreurs 3.4..2. Precision de la formule de propagation des erreurs 2.1. Distribution de Student 3. " Addition " de deux resultats experimentaux 3.2. Deux resultats experimentaux 3. Methode des moindres carres 4.1.3.4. Ajustement des parametres 4.2.4. Echantillon. Erreurs systematiques 3.2. Definitions et proprietes 3.3.2. 78 .1.1.1. Comment eviter les erreurs systematiques ? 3. Experiences avec un nombre limite de mesures 3.2. Idee de la methode du maximum de vraisemblance 4.1.1. Comment travailler avec les erreurs systematiques ? Chapitre 4.148 ANALYSE STATISTIQUE DBS DONNEES EXPERIMENTALES 2.1.2. Inegalite de Cramer-Rao Conclusion Bibliographie Index Table des matieres 3.

Sign up to vote on this title
UsefulNot useful