Académique Documents
Professionnel Documents
Culture Documents
statistiques et analyses
multicritres
Application
aux sciences exprimentales
Mathieu ROUAUD
Professeur Agrg de Sciences Physiques
en classes prparatoires aux grandes coles d'ingnieurs
Diplm en Physique Thorique
Pour un meilleur partage de la connaissance et l'accs au plus grand nombre, le
livre est en licence libre, le livre numrique est gratuit et pour minimiser le cot de la
version papier, il est imprim en noir et blanc et sur papier conomique.
Remerciements :
I. VARIABLE ALATOIRE....................................................1
A. Grandeurs et mesures.....................................................1
B. Centre d'une distribution................................................1
C. Dispersion d'une distribution..........................................3
D. Exemples de distributions..............................................4
E. Thorme central limite.................................................7
1) Population et chantillons..................................................7
2) Le thorme central limite..............................................10
3) Coefficient de Student et incertitude...............................12
4) Exemples.........................................................................15
F. Distribution de Gauss...................................................19
1) Dfinition d'une distribution continue.............................19
2) Courbe de Gauss.............................................................20
3) Loi normale standard......................................................23
G. Test d'hypothse..........................................................24
H. Test du Khi-deux.........................................................30
I. Sources des incertitudes.................................................33
J. Exercices.......................................................................37
II. CORRLATIONS ET INDPENDANCES......................47
A. Coefficient de corrlation.............................................47
B. Formule de propagation des incertitudes.......................52
1) Formule de propagation des cart-types..........................52
2) Calcul d'incertitude.........................................................53
C. Rgression linaire.......................................................58
1) Principe et formules........................................................58
2) Dtermination du zro absolu.........................................62
3) Rgression avec barres d'erreurs.....................................64
4) Linarisation...................................................................67
5) Comparaison des mthodes.............................................68
D. Rgression gnralise.................................................75
1) Principe...........................................................................75
2) Rgression polynomiale..................................................77
3) Rgression non linaire...................................................80
E. Exercices......................................................................86
III. LOIS DE PROBABILITS.............................................101
A. Lois discrtes.............................................................102
1) Loi binomiale................................................................102
2) Loi gomtrique............................................................103
3) Loi de Poisson...............................................................105
B. Lois continues............................................................107
1) Loi uniforme.................................................................107
2) Loi exponentielle...........................................................109
3) Loi normale...................................................................110
4) Loi de Student...............................................................110
5) Loi du Khi-Deux...........................................................111
C. Fonctions de variables densit..................................113
D. Simulation numrique................................................116
E. Exercices....................................................................119
IV. ESTIMATEURS.............................................................124
A. Qualit d'un estimateur..............................................124
1) Biais..............................................................................124
2) Risque...........................................................................125
B. Construction d'estimateurs.........................................127
1) Mthode des moments..................................................127
2) Mthode du maximum de vraisemblance.....................131
C. Estimation par intervalle............................................135
D. Exercices...................................................................144
V. APPROCHES MULTICRITRES...................................150
A. Mthode par pondration...........................................151
B. Analyse en Composantes Principales..........................154
1) Principes.......................................................................154
2) Une deuxime illustration.............................................167
3) Rsum.........................................................................170
C. Exercices...................................................................171
VI. COMPLMENTS...........................................................174
A. Mesure avec une rgle................................................174
B. Mtrologie.................................................................186
C. Thermodynamique.....................................................194
D. Indpendance des variables........................................200
VII. DEVOIRS......................................................................202
A. Devoir Suricate..........................................................202
B. Devoir Narval............................................................209
VIII. TRAVAUX PRATIQUES.............................................217
A. Mesure d'un indice lumineux.....................................217
B. Le miroir sphrique....................................................221
C. Relation de conjugaison d'une lentille.........................224
D. Dioptres et lentilles minces sphriques.......................226
IX. OUTILS MATHMATIQUES.......................................228
X. CORRECTIONS..............................................................233
A. Grandeurs et mesures
1
aussi la mdiane qui correspond la valeur qui spare la
distribution en deux parties gales. Mais la plus utilise est
la moyenne qui reprsente au mieux le centre d'une
distribution :
x 1 x 2...x i...x n
xi
i=1
x =
n
soit x = 2
51004230375045603980
c= =4324 J / K / kg
5
x = x
n
i
2
C. Dispersion d'une distribution
Il s'agit d'estimer ce que nous pourrions aussi appeler
la largeur d'une distribution. La grandeur la plus simple
dterminer est l'tendue, diffrence entre les valeurs maxi-
male et minimale. Mais celle-ci est trs sensible aux valeurs
extrmes qui ne sont pas toujours reprsentatives, et
peuvent mme parfois tre absurdes.
x i x 2
i=1
s=
n1
soit s c 530 J / K / kg
3
Pour l'cart-type si nous divisions par n au lieu de n-1, nous
obtiendrions l'cart quadratique moyen. Le choix de l'cart-
type sera justifi par la simplicit des formules qui en
dcouleront (justification complte p126). De plus nous
travaillons souvent avec n grand et la diffrence entre les
deux types d'carts quadratiques est alors minime.
D. Exemples de distributions
Cas 1 :
x1 6
x 1
1
11
x 1
2
9 5
x 1
3
10
x 4 4
1 14
x 5
11
frquences
1
3
x 1
6
8
x 1
7
9 2
x 1
8
12
x 1
9
7 1
x 1
10
8
x 1
11
8 0
x 12 7 8 9 10 11 12 13 14 15 16 17 18 19
1 9
x 13 x1
1 11
x 1
14
14 moyenne = 10 cart-type= 2,07
x 1
15
10 mode= 9 tendue= 7
x 1
16
9 mdiane= 9,5 cart quadratique moyen= 2,00
4
Cas 2 :
x2
6
x21 15
x22 13 5
x23 12
x24 13 4
frquences
x25 14
x26 3
13
x27 16
2
x28 19
x29 13 1
x210 14
x211 10 0
x212 16 7 8 9 10 11 12 13 14 15 16 17 18 19
x213 14 x2
x214 15 moyenne = 14 cart-type= 2,00
x215 13 mode= 13 tendue= 9
x216 14 mdiane= 14 cart quadratique moyen= 1,94
Cas 3 :
x3
6
x31 10
x32 10 5
x33 12
x34 11 4
frquences
x35 9
x36 3
8
x37 10
2
x38 9
x39 9 1
x310 11
x311 9 0
x312 11 7 8 9 10 11 12 13 14 15 16 17 18 19
x313 10 x3
x314 10 moyenne = 10 cart-type= 1,03
x315 11 mode= 10 tendue= 4
x316 10 mdiane= 10 cart quadratique moyen= 1,00
5
La moyenne n'est pas toujours la valeur la plus reprsente
(cas 1 et 2) et elle peut mme dans certains cas tre
absente. Dans le cas 3 la courbe est symtrique ce qui
implique l'galit de la mdiane et de la moyenne.
Sur les trois exemples certaines valeurs sont reprsentes
plusieurs fois, on parle alors de la frquence fi d'une valeur
c
xi. Nous avons n= f i , o c correspond au nombre de
i=1
valeurs de xi diffrentes auxquelles nous attribuons une
frquence (dans la suite, c sera aussi le nombre de classes).
La moyenne et l'cart-type peuvent alors s'exprimer ainsi :
c c
f ix i c
fi
f i( xi x)2
i=1
=
i=1
x = x s=
n i=1 n i n1
6
E. Thorme central limite
1) Population et chantillons
7
Tout d'abord, quand la taille de l'chantillon devient trs
grande et donc infinie, l'chantillon s'identifie la popula-
tion : =lim x 3.
n
8
Prlevons un chantillon en lanant neuf pices :
{0; 1; 1; 0; 1; 1; 1; 0; 0}.
Nous avons alors x 0,56 et s0,53 .
Supposons que nous tirions de nombreuses fois neuf pices
alatoirement au sein de la mme population. A chaque fois
nous aurions un rsultat diffrent pour x .
Par exemple pour deux autres chantillons prlevs :
{1; 1; 0; 1; 1; 0; 1; 1; 0} avec x 0,67 et s0,50
et {0; 1; 0; 0; 0; 0; 1; 0; 0} avec x 0,22 et s0,44
Quelle serait alors la rpartition de l'ensemble de ces rsul-
tats ? (appele la distribution d'chantillonnage)
9
2) Le thorme central limite
10
pulation d'un million d'habitants, pourrait tre ici reprsen-
t la probabilit p qu'ils aient une taille donne x. Si nous
pouvions mesurer la taille de tous les habitants, nous pour-
rions dterminer exactement leur taille moyenne et son
cart-type . C'est d'un point de vue pratique difficile, ou
mme impossible, alors nous dcidons de mesurer la taille
de mille habitants seulement. Pour que ce soit caractris-
tique nous tirons ces mille personnes au hasard.
Nous obtenons mille mesures de tailles de x1 x1000. De cet
chantillon de taille n=1000 nous calculons une moyenne
x et un cart-type s. Nous pensons que x est proche de ,
mais la fois il n'y a aucune raison qu'il soit gale .
Nous plaons cette valeur de x sur la partie droite de la fi-
gure page 10.
11
3) Coefficient de Student et incertitude
Intervalle de fluctuation :
Si et sont connus la distribution dchantillonnage est
aussi gaussienne et les fluctuations statistiques attendues se
situent avec une probabilit de p% entre t / n et
+t / n .
Les valeurs de t sont lues dans la table page 242.
Intervalle de confiance :
Dans le cas du calcul d'incertitudes et ne sont pas
connus et nous les estimons partir de l'chantillon avec x
et s. Du fait d'une statistique faible il y a alors un largisse-
ment connu donn par la loi de Student :
s
=x t
n
Le coefficient de Student t dpend de n et inclut la
confiance que nous voulons donner au rsultat. Si la
confiance est de 95%, nous avons 95 chances sur 100 que
soit compris entre x ts / n et x+ ts / n .
12
Nous reconnaissons ici la notion d'incertitude x 4
:
s
x= x x avec x=t
n
13
pas parfaitement connus. Nous n'avons pas simplement une
valeur numrique associe chaque caractristique, mais
un intervalle pour une confiance donne. En toute rigueur,
toute grandeur exprimentale doit tre associe son incer-
titude avec sa confiance.
Cas particuliers :
Cas des grands nombres : la taille de l'chantillon n est
suffisamment grande pour pouvoir appliquer directement le
thorme de la limite centre. La distribution d'chantillon-
nage est normale indpendamment de la distribution de la
population. Nous n'avons pas nous soucier de la loi de
Student qui de toute faon s'identifie une loi de Gauss
dans ce cas.
Cas des petits nombres et normalit des donnes : nous ap-
pliquons la loi de Student comme prcdemment.
Cas des petits nombres et non normalit des donnes : par
exemple, nous constatons en calculant les coefficients
dasymtrie et aplatissement des donnes qu'elles ne
correspondent pas une distribution normale. Nous sommes
bloqu et nous devons faire une tude au cas par cas. Par
exemple pour des donnes qui obissent une loi uniforme
nous avons l'intervalle de fluctuation donn p12 qui
fonctionne ds n=2 (se montre en s'appuyant sur les
donnes de l'article Mesure avec une rgle p174) . Par
contre pour un loi de Bernouilli de paramtre p=0,24 et un
chantillon de taille n=2, l'intervalle de fluctuation 50%
comporte 0% des valeurs... Un cas plus complexe p142
montre pour n=12, par comparaison avec une simulation
numrique, que le thorme central sous-estime l'intervalle
de confiance.
14
4) Exemples
Pour deux pices, une possibilit pour zro pile (F F), deux
possibilits pour un pile (F P ou P F) et une possibilit
pour deux piles (P P). Plus le nombres de pices lances si-
multanment est grand, plus nous tendons vers une distri-
bution gaussienne.
une deux
pice pices
15
Nous pouvons obtenir en ordonne la probabilit, en divi-
sant par le nombres de possibilits 2n, et en abscisse la
moyenne pour chaque pice, en divisant par le nombre de
pices n. Pour n=1 nous avons alors la distribution de la
population et ensuite les distributions d'chantillonnage
pour diffrentes valeurs de n.
7
6
5
4
3
2
trois quatre 1
pices pices 0
0 1 2 3 4
12 25
10 20
8
15
6
10
4
cinq 2 six 5
pices 0 pices 0
0 1 2 3 4 5 0 1 2 3 4 5 6
16
2
un d : 1
0
1 2 3 4 5 6
deux ds : 1
0
2 3 4 5 6 7 8 9 10 11 12
30
25
20
15
10
5
trois ds :
0
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
17
Pour quatre ds nous reconnaissons dj bien la courbe en
cloche et le profil est clairement de type gaussien :
160
140
120
100
80
60
40
quatre 20
ds : 0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
et x 1,71
18
d'o pour quatre ds x= x / n= x / 20,85 . Or, sur la
courbe du dessus, 40% du maximum (explication page
21), nous avons un cart d'environ 3,5 (entre 3 et 4), soit en
moyenne 3,5/ 40,88 . Il y a bien correspondance.
F. Distribution de Gauss
19
La probabilit que l'vnement se ralise sur l'ensemble des
valeurs possibles est de 100% :
p x dx=1 5
x=
2) Courbe de Gauss
Le thorme central limite s'intresse au cas o la
taille de l'chantillon n est grande, et dans le cas limite o n
tend vers l'infini nous considrons une distribution conti-
nue. Celle-ci est une gaussienne, l'expression mathmatique
est connue :
2
p x =
1
e
1 x
2
2
Dans le complment mathmatique page 230 diffrents
termes sont justifis.
20
Nous avons reprsent, sur le graphe suivant, deux cas :
p x dx =0,683...68 %
21
largissons deux cart-types :
p x dx =0,954 ...95 %
2
p x dx=0,997...99 %
3
22
3) Loi normale standard
x 1 2
z
z= d'o : p z = e
2
23
G. Test d'hypothse
Nous allons nouveau utiliser le thorme central li-
mite. Nous l'avions prcdemment utilis pour estimer la
moyenne d'une loi de probabilit inconnue. A l'aide d'un
chantillon prlev nous utilisions les proprits de la distri-
bution d'chantillonnage pour dterminer une grandeur et
son incertitude. Ici, pour les tests d'hypothses nous proc-
dons dans l'autre sens, la loi de probabilit est suppose
connue, ainsi la distribution dchantillonnage est parfaite-
ment dtermine et en prlevant un chantillon nous l'utili-
sons pour dfinir un critre de dcision permettant d'accep-
ter ou de rejeter l'hypothse.
En utilisant la moyenne nous testons une hypothse H0
faite sur une loi de probabilit X. Soient et sa moyenne
et son cart-type. Nous prlevons au sein de la population
un chantillon de taille n suffisamment grand. La valeur
moyenne sur l'chantillon est gale x . Si x est comprise
entre t . / n et +t . / n alors l'hypothse H0
est accepte, sinon l'hypothse est rejete (test bilatral).
24
Nous considrons la valeur t de la loi normale adapte la
confiance p dsire.
Nous pouvons utiliser aussi d'autres intervalles carac-
tristiques de la distribution dchantillonnage. De manire
gnrale, lhypothse H0 implique une proprit A de la dis-
tribution dchantillonnage. Ici, l'implication n'est pas d-
terministe mais statistique et la prise de dcision procde
diffremment.
25
H0 est accepte H0 est rejete
Mauvaise dcision
H0 est vraie Bonne dcision (risque de pre-
mire espce )
Mauvaise dcision
H0 est fausse (risque de deux- Bonne dcision
ime espce )
26
tomber sur le six avec une probabilit double. Malheureu-
sement le d pip s'est mlang aux autres et il n'a pas de
signe distinctif. Nous en choisissons un emmener pour
une soire jeux et nous voulons tout d'abord nous assurer
qu'il est bien quilibr.
Nous effectuons 92 lancers :
3151353256243365313441354244652632465436616546
2241154636433165514444241456414316555146362534
Pour l'hypothse H0 nous dfinissons la variable alatoire
discrte X qui vaut zro lorsqu'on ne fait pas un six et qui
vaut un sinon avec P(X=0)=5/6 et P(X=1)=1/6.
xi x0 = 0 x1 = 1
pi p0 = 5/6 p1 = 1/6
= p0 x0 + p1 x 1
2 2
= p0 ( x 0) + p1 ( x 1)
27
Si H0 est fausse alors H1 est vraie. Si l'hypothse alternative
H1 tait que le d n'tait pas quilibr, sans spcifier dans
quel sens, le test aurait t bilatral et nous aurions pris
pour l'aire celle des deux queues de distribution gauche
et droite. Ici le test est unilatral, si H0 tait fausse la pro-
babilit dobserver six serait double et nous observerions
des valeurs suprieures.
28
de puissance du test : =1-).
Il est noter que nous ne calculons jamais la probabilit
qu'une hypothse soit vraie mais la probabilit de la rejeter
alors quelle est vraie (risque de premire espce).
Dans le cadre juridique on fait une erreur de premire es-
pce si une personne innocente est condamne et de
deuxime espce si une personne coupable est relaxe. On
demande au jury que la culpabilit soit prouve au-del
d'un doute raisonnable, si la personne est condamne doit
tre suffisamment petit [vi]. Nous cherchons minimiser la
probabilit de le condamner alors qu'il est innocent. Nous
ne considrons pas directement la probabilit qu'il soit cou-
pable, la personne juge est prsume innocente (H0).
29
H. Test du Khi-deux
Effectifs observs :
Effectifs esprs :
2
c
O j E j 2
= (nomm "khi-deux")
j =1 Ej
Nous avons ensuite une table (page 243) qui permet d'esti-
mer la probabilit que l'hypothse H0 soit rejete alors
2
quelle est vraie. Suivant la valeur de et le nombre de
degrs de libert nous dterminons si l'hypothse est accep-
table. Les degrs de libert se calculent ainsi :
ddl=c1 (nombre de valeurs moins une unit)
Illustrons avec les expriences ralise par le botaniste
Mendel. Il effectue des croisements entres des plants, ici
des hybrides. Il croise entre eux des pois fleurs roses. Sa
thorie lui indique qu'il doit obtenir 25% de pois fleurs
rouges, 25% de pois fleurs blanches et 50% de pois
fleurs roses. Ceci rsulte de la rencontre alatoire des ga-
mtes. Imaginons qu'il observe sur mille fleurs les valeurs
suivantes : 27% de blanches, 24% de rouges et 49% de
roses. Doit-il continuer croire en son hypothse ?
30
Effectifs observs : 270 240 490
d'o
270 2502 240 2502 490 5002
2= 2,2 et
250 250 500
ddl=31=2 .
O 11 O 12 ... O 1 j ... O 1c E 11 E 12 ... E 1 j ... E 1c
O 21 O 22 ... ... ... ... E 21 E 2 2 ... ... ... ...
... ... ... ... ... ... ... ... ... ... ... ...
O i1 ... ... O i j ... ... E i1 ... ... E i j ... ...
... ... ... ... ... ... ... ... ... ... ... ...
O l 1 ... ... ... ... O lc E l1 ... ... ... ... E lc
31
2
Le se calcul avec le mme type de formule :
2
O Ei j
= i j
2
i , j Ei j
32
I. Sources des incertitudes
33
L'influence de ces diffrentes sources d'incertitude peut tre
illustre par une cible et des flches. Le centre de la cible
correspond la grandeur mesurer et les flches repr-
sentent les diffrentes mesures. Si les flches, dans leur en-
semble, ne sont pas correctement centres, la justesse n'est
pas assure. Le resserrement des flches reprsente la fid-
lit. La distance entre les cercles sur la cible indique la r-
solution. La valeur note est celle du cercle dont la flche
est le plus proche. L'exprimentateur voit les flches et les
cercles, par contre il ne sait pas o est la cible et son centre.
Il tient l'arc et son dsir d'tre au plus proche du centre de
la cible montre la qualit et la rigueur de son travail.
34
Mesure juste, mais peu fidle et avec une faible rsolution :
35
Mesure avec un biais, fortement disperse
et une faible rsolution :
= 1 2 3 ...
2 2 2
36
J. Exercices
9 cart moyen = x i x / n = x x / n
i
2
37
Exercice 4 : Ascenseur corrig en version complte
10 5 13 7 6 9 5 5 10 15 5 3
15 12 11 1 3 13 11 10 2 7 2 8
2 15 4 11 11 5 8 12 10 18 6
38
3) Nous effectuons une srie de lancers et nous
obtenons les totaux suivants : 18, 15, 17, 22, 16, 12,
14, 22, 23, 14, 23, 14, 18, 21, 12, 15, 18, 13, 15, 18,
17, 15, 17, 21, 25, 16, 8, 15, 15, 13.
39
39,1 38,8 39,5 39,2 38,9 39,1 39,2 41,1 38,6 39,3
1) 42 piles et 58 faces.
2) 510 piles et 490 faces.
3) 420 piles et 580 faces.
Hommes Femmes
Assemble nationale 470 107
Snat 272 76
Conseil constitutionnel 10 2
40
Exercice 11 : Naissances corrig en version complte
41
Thorie
2- Calculez numriquement P x1 , P x2 et
P x3.
Gaussienne bidimensionnelle :
Aides :
f x , y dxdy= f x f y dxdy= f x dx f y dy
42
p x , y vrifie les deux conditions ncessaires pour
une loi de probabilit.
p x , y dx dy= p d .
p est la densit de probabilit par rapport .
p d correspond la probabilit d'un vnement
d'tre entre et +d .
3- Calculez P , P 2 et P 3 .
Gaussienne tridimensionnelle :
43
Aides :
4- Calculez P R r , P R2 r et P R3 r .
44
Gaussienne 1D 2D 3D
Distance
x 10
r
l'origine
Moyenne
2
2
2
2
cart-types 1 2 3
P 68,3% 1-1/e=63,2% 60,8%
P 2 95,4% 98,2% 99,3%
P 3 99,7% 99,988% 99,9994%
sur OpenOffice :
somme d'une zone slectionne * (ex.: B43:B53) :
=SOMME(*)
valeur fixe la cellule B3 : $B$3
=MOYENNE(*)
carr : *^2
racine carre : *^(1/2)
=ECARTYPE(*)
coefficient de Student pour une confiance de 95% et
n=20 : =LOI.STUDENT.INVERSE(0,05;19)
probabilit que l'hypothse soit vraie, tableau des
valeurs observes * (ex.: B71:E72), celui des valeurs
estimes ** : =TEST.KHIDEUX(*;**).
45
46
II. CORRLATIONS ET
INDPENDANCES
A. Coefficient de corrlation
Le coefficient de corrlation r permet d'identifier s'il y
a une relation linaire entre deux variables Xi et Xj :
[ x i k xi x j k xj ]
k
r ij =
[ x
k
ik xi 2] [ x
k
jk xj 2 ]
47
r varie entre -1 et +1. Si r=1 les variables sont
parfaitement corrles : r=1 mme sens de variation,
r=1 sens oppos. Si r =0 il n'y a pas la moindre
corrlation, les variables sont parfaitement indpendantes.
2
X1 X2 X3 x 1 x1 x 2 x2 x 3 x3 x1 x1
(cm) (kg)
2 2
x2 x2 x3 x3 x1 x1 x1 x1 x 2 x2
. x 2 x2 . x 3 x3 . x 3 x3
121 4 165 30 22
81 4 45 -10 -18
81 9 45 15 27
121 9 165 -45 -33
404 26 420 -10 -2
48
420
d'o : r 12= 0,93 , r 130,09 et
500 404
r 23 0,02 .
r12 est proche de +1, nous avons donc une corrlation
positive importante. r13 et r23 sont proches de zro : X3 est
indpendante de X1 et X2 :
49
Nous voyons sur les exemples 7, 9 et 10 une forte
corrlation entre les deux variables. Pourtant le coefficient
de corrlation n'est pas aussi proche de -1 ou +1 que nous
pourrions l'imaginer, il est mme nul sur l'exemple 9. Ceci
provient du fait que les corrlations ne sont pas linaires.
50
Il peut y avoir des phnomnes de saturation (exemple 10)
ou de seuil (un produit peut tre bnfique faible dose et
nocif pour des doses plus importantes - exemple 9). Il est
prfrable d'avoir identifi ces phnomnes en amont. Pour
cela il est important de bien rflchir la pertinence des
variables que l'on choisit avant de commencer une tude
statistique.
Autre exemple : si nous tudions le volume V de diffrents
objets en fonction de leur taille T, nous trouvons une
corrlation positive. Mais celle-ci sera bien plus forte entre
V et X=T 3 (graphes 7 et 8).
51
B. Formule de propagation des incertitudes
f x1 , x2 , ... , x j ,... , x p
Que valent f et f ?
11
[ ]
p 2
2 f 2
f = ( ) j
j=1 xj
52
2) Calcul d'incertitude
[ ]
p 2
2 f 2
f = xj
j =1 xj
p
2 2 2
M = M / m j m j
j=1
M / m j= m1 / m j... m j / m j ...m p / m j
M / m j=0...1...0=1
(les calculs de drives partielles sont expliqus page 229)
53
p
alors M =
2
( )
j=1
2
1 m
2
Finalement : M = p m= 10000000,001 g .
54
En pratique, certains cas se rencontrent souvent :
p
f xj
=
f j=1 xj
55
chapitre. Un tableur peut permettre de faire auto-
matiquement les calculs (par exemple feuille 4 du tableur
IncertitudesLibres sur www.incertitudes.fr).
56
mais l aussi il faut tre trs attentif.
Une illustration trs simple, si H=2h avec h=5,00m (h
connu au cm), que vaut H ? D'aprs la rgle du dessus H
serait connu avec trois chiffres significatifs, donc H=10,0m.
H ne serait connu qu' 10cm prs, il va de soit que l'on est
plus vers le cm...
57
C. Rgression linaire
1) Principe et formules
58
l'ordonne estime sur la droite s'crit y i=a x ib .
D'o la somme des distances au carr :
d 2 = y i y i 2
i
y ia x ib=0 .
i
x y x y
a= et b= y a x .
x 2 x 2
sr
i
n2
pour la pente s a=
( x x )
2
i
i
13 Dmonstrations p97.
s b=s r
x i2
n x i x
2
59
Puis a=t n2 s a et b =t n2 s b .
60
En pointills sont reprsents les deux droites ex-
rmes ( y=a min x b max et y= amax x+b min ).
y o=t n2 s r
1
x o x 2
n x i x 2
Par exemple pour xo=175 cm nous avons
yo=75,07,4 kg. On peut mme avoir une estima-
tion en dehors de l'intervalle par exemple pour
xo=195 cm nous avons yo=9215 kg.
61
La deuxime enveloppe correspond une prdic-
tion si nous effectuions une nouvelle mesure. Inter-
valle de prdiction pour une observation yo :
2
1 x o x
y o=t n2 s r 1
n xi x 2
Par exemple, il y a 90% de chance pour une per-
sonne de 175 cm que sa masse soit entre 58 et 92
kg (en moyenne 90% des points sont dans cette se-
conde enveloppe et 10% en dehors).
62
heure 10h 10h 10h 10h non non 12h
15 30 40 55 note note
temprature 19,8 52,9 47,8 42,4 36,2 33,5 30,2
(C)
pression 1013 1130 1112 1093 1072 1061 1049
P (hPa)
63
Or, nous savons que le zro absolu est -273,15 C, ce qui
n'est pas trs cohrent. Nous pouvons donc supposer qu'il y
a un biais et que nous n'avons pas considr toutes les
sources d'incertitudes.
M i x i x i , y i yi
1
w i e i2 avec w i=
y i a x i 2
2
i
64
Nous obtenons alors : 0 K =26635 C avec la
mme confiance que les incertitudes sur xi et yi. La valeur
est, cette fois, satisfaisante. Les sources principales
d'incertitudes semblent retenues.
65
Formules [i] :
S 2 = wi [ y i a xi b]2
i
S 2 S 2
=0 et =0
b a
conduit :
b =
wi y i w i xi2 wi x i w i xi yi
et
a =
wi wi x i y i wi x i w i y i
avec
2
= wi wi x2i wi x i
puis
b =
wi x2i
et
a =
wi
66
4) Linarisation
=a
b
a
x ' =ln x
=e
y=1e
x y ' =ln ln
1 y
b
(loi de Weibull)
x ' =ln x =a = e a
x
y=e non linarisable
x
y= non linarisable
x
67
5) Comparaison des mthodes
a) Rsum
1- Rgression simple
68
sont considres constantes quelque soit yi. L'incertitude
correspond l'cart-type des yi par rapport la droite esti-
me :
s y =s y =sr =
i
sr
yi yi 2
i
n2
sa =
x x
i
i
2 sb =
x2
xi x2
sr
sa =
sy
x x
i
i
2
sb =
x2
xi x 2
sy
69
Si la droite ne passe pas par les barres d'erreurs, on peut
penser que toutes les sources d'incertitudes n'ont pas t re-
tenues. Il faut, soit les intgrer dans sy, soit appliquer la m-
thode prcdente.
i
a
yi
sy 2i
et s b =
2
i
b
yi
sy 2i
70
d'cart-types variables selon yi nous avons les estimations
suivantes :
1 1 1 x2 1
a= b= w i=
w i x x2
2
w i x 2 x 2 y2
i
71
cart-types si. D'o les formules :
2 2
s a 2=
i
a
s2
yi i
et s b 2=
i
b
s2
yi i
Les drives sont complexes calculer (les poids dpendent
de a), nous pouvons par contre les valuer numriquement.
Aussi nous utilisons habituellement les estimations sui-
vantes :
a =
wi
b =
wi x2i
w i=
1
y a 2 x 2
i
2
i
b) Discussion
72
mier cas p68 peuvent provenir d'erreurs accidentelles lies
l'exprience ou d'un phnomne par essence alatoire.
Nous aimerions que le quatrime cas p71 intgre l'en-
semble les sources d'incertitudes des cas 1 et 5 :
s a 0,443 et s a 0,696 donne
1 5
s a 0,695
4
i
a
s2
y i i et a
= lim
a
y j y 0 y j
j
73
j=1 j=2 j=3 j=4 j=5 j=6 j=7
a
-0,093 -0,078 -0,049 -0,006 0,041 0,080 0,105
yj
l'autre mthode.
74
D. Rgression gnralise
Nous gnralisons la mthode des moindres carrs
pondrs pour une fonction et une dpendance des
paramtres non linaires. Bien que la rgression multiple ait
des dveloppements analogues elle n'est pas traite dans cet
ouvrage [x].
1) Principe
75
V y i f x i =V y i V f x i
En appliquant nouveau la formule de propagation de la
variance :
V f x i = f ' x i 2 V x i
dans : S 2= w i y i f x i2
i
avec w i= 1 15
y f ' x i2 x 2
2
i i
S2
Ensuite =0 permet de dterminer les paramtres ak de
ak
notre fonction (par un calcul analytique ou une rsolution
numrique).
chaque fois nous pouvons nous ramener un systme
d'quations linaires de la forme HA=B, avec H une
matrice carre et A le vecteur associ aux paramtres.
Ensuite A=H-1B, o H-1 est la matrice inverse de H.
76
sr =
yi f xi 2
n p
Quand wi dpend de paramtres nous itrons la mthode
jusqu' ce que nous puissions considrer les poids
constants. Si nous connaissons les cart-types des donnes,
les cart-types des paramtres peuvent se calculer avec la
formule de propagation, ou bien tre estims comme en
rgression linaire avec barres d'erreurs p66.
2) Rgression polynomiale
Dans ce cas :
m
f x =a 0a1 xa 2 x 2...a m x m= a i x i
i=0
a1 a2
n =a0 2
4
77
Les incertitudes sur et n sont dans un premier temps
ngliges. Que valent a0, a1, a2 et leurs incertitudes ?
S = y i a0 a 1 x i a 2 x i et
2 2 2
S 2 / a k =0
{
2
ya oa 1 x a 2 x =0
donne : x y ao xa1 x 2 a 2 x3=0
x 2 yao x 2a 1 x3a 2 x 4 =0
1 x x2
a0 y
H = x x2 x3 , A= a 1 et B= x y .
2
x2 x3 x4 a2 x y
1 3,3 11
H 3,3 11 38
11 38 135 1
, H 2530
4150
376
2530 376
1546 230
230 34,3 ,
1,7
B 5,7
19
1
d'o A=H B 0,01135 .
1,68129
0,00022
a k = H kk t n3 sr avec sr =
1
yi f xi 2
n3
78
sr=1,87.10-5 et 95% de confiance tn-3=4,30
D'o :
a0=1,68130,0017 , a1=(1,130,10).10-2 m2
et a2=(2,21,5).10-4 m4
ak =
(H 1 )kk
wi
, d'o :
a0=1,68130,0012 , a1=(1,140,07).10-2 m2
et a2=(2,21,0).10-4 m4
79
Nous obtenons ainsi une premire expression des
paramtres. Pour itrer nous remplaons les paramtres
estims par ces nouveaux paramtres. Nous itrons autant
que ncessaire. La convergence est souvent trs rapide :
Itration a0 a1 a2
Estims 1,5 0,005 0,0001
...
a0=1,68130,0013 , a1=(1,140,08).10-2 m2
et a2=(2,21,2).10-4 m4
Nous posons : f i= f x i ; a k .
80
n
S2 f
S 2 = wi y i f i 2 et =2 wi ( y f )=0
i a k i=1 a k i i
Les premiers paramtres estims sont nots a0 k. ensuite
nous les noterons aj k pour la jime itration. Nous allons
effectuer un dveloppement limit d'ordre un pour une
petite variation a0 k autour de a0 k 16.
Notons a =a1, ... ,a k ,... , a p et
a= a 1, ... , a k ,... , a p :
p
f ( x i ; a)
a 0+
f ( xi ; a 0)+ a0 l
a0 )=f ( x i ;
l=1
( al ) a 0l
f i= f 0, i
l
f
a l 0,i
a0l
ainsi wi af
i k
y i f 0, i
l
f
al 0,i
a 0l =0
et wi af y i f 0, i = w i
f f
a
a k al 0 l .
i k i ,l
i
f
Nous posons H k ,l = w i a
k
i
f
al i
=H l , k ,
f
B k = wi y f 0,i et Al = a 0l .
i ak i
81
2 1 2
Ici aussi nous utilisons : a = H kk r .
k
i 1 2 3 4 5 6 7
[S] 0,038 0,194 0,425 0,626 1,253 2,500 3,740
v 0,050 0,127 0,094 0,2122 0,2729 0,2665 0,3317
f
=
x
x
,
f
=
x
x2 , H=
H 11 H 12
H 21 H 22 ,
A=
et B=
B1
B2
.
7 2
2
xi
H 11=
i=1
f
( ) ( )
0i
f
0 i
=
i
f
( )
0 ,i
=
i
( ),
0 + x i
82
0 x 2i 20 x 2i
H 12=H 21= 3 et H 22= 4 .
i 0 x i i 0 x i
xi 0 xi
B1 = y i f 0,i et B 2= 2 y i f 0, i
i 0 x i i 0 x i
0 x i
avec f 0,i =
0 x i
B1 2,33 et B 21,86 .
puis
1
H 0,649 0,508
0,508 0,668 1
d'o A=H B
0,567
. 0,0602
Ainsi de 1=0 +0 et 1=0 +0 nous avons les
nouveaux paramtres estims :
1 0,90,5670,333 et 1 0,20,060,260
83
Nous donnons l'ensemble des rsultats dans le tableau
suivant :
Itrat S2
1 1,52 6,34
Aprs suffisamment d'itrations : H 6,34 36,2
Calculons les incertitudes sur les paramtres :
sr =
S2
n2
et = H 11 t n 2 s r 1,52.1 ,48 .
1 0,00784
5
84
Le graphique qui suit reprsente la vitesse de raction en fonction de la
concentration du substrat. Les carrs sont les points exprimentaux, la
ligne continue la courbe optimale et en pointills les deux courbes
extrmes f , et f , .
max min min max
0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0 0,5 1 1,5 2 2,5 3 3,5 4
85
E. Exercices
X1 -1 2 -2 0 -2 2 1
X2 -1 0 2 -2 0 2 -1
86
Exercice 2 : Volumes corrig p233
87
Exercice 3 : Arbres corrig en version complte
88
Exercice 6 : Formule de Cauchy
corrig en version complte
B
n =A
2
ni=
sin AD m ,i
2
sin
A
2
Dm est la dviation minimale. A=60 est l'angle au
sommet du prisme. Ces deux angles sont mesurs 2'
prs (1'=une minute d'arc et 1=60').
89
2- Acceptant l'expression en 1/ de la formule de
Cauchy, en dduire A et B avec leurs incertitudes.
Que vaut le coefficient de rgression r ?
90
Exercice 8 : Isolation et inertie
corrig en version complte
t en heures 0 1 2 4 5 6 8 9 10
T en C 18 16 14 12 11 10 9 9 8
91
infinitsimal dt trouvez l'quation diffrentielle
vrifie par T(t) et retrouvez l'expression du 3.
92
Exercice 10 : tude d'une pile
corrig en version complte
93
Donnes exprimentales (mm) :
OA OA OA' OA'
635 5 150 15
530 5 160 17
496 5 164 15
440 5 172 18
350 5 191 20
280 5 214 25
210 5 292 28
150 5 730 102
Thorie
xix 2=n x2 x 2
i=1
2
1 x
aussi crire sb =s r .
n x i x 2
94
Exercice 15 : Asymptotes corrig en version complte
Analogie
estimation : prdiction :
2 2
1 xo x 1 x o x
y o= 1 2 2
y o= 1n 2 2
n w i x x n w i x x
95
Montrer que nous avons alors les formules suivantes :
Estimation : Prdiction :
2 2
1 x o x 1 x o x
y o= 1 y o= 2
w i x 2 x 2 w i x 2 x2
96
Exercice 18 : Mthode des moindres carrs
corrig en version complte
Mthode 1 :
x i x
1- Montrez que a= pi yi avec p i = .
i xi x 2
2- Dduire de cette formule de a sa variance V(a) 17
.
Mthode 2 :
Utilisez la formule de propagation des cart-types.
Exercice 19 : Esprance de a
corrig en version complte
97
Exercice 20 : cart-types proportionnels y
corrig en version complte
y12 xy yx2 1y
1- Montrez que : a= 2
2
1
y
2
x
y
2 x
y
2
a
2- Exprimez (calcul long).
yj
xi 1 2 3 4 5 6 7
1 : yi 10 15 20 25 30 35 40
2 : yi 8,286 17,286 18,286 27,286 28,286 37,286 38,286
(Nous prenons k=0,1).
98
Rgression non-linaire
99
100
III. LOIS DE PROBABILITS
k
Les moments ordinaires : k =E( X )
[( )]
k k
X
k2=E ou k2=
k
1 : coefficient dasymtrie (moment centr rduit
d'ordre trois)
2 : coefficient daplatissement
101
A. Lois discrtes
1) Loi binomiale
Nous considrons une succession de n preuves
identiques et indpendantes. Chaque preuve a deux issues
que nous nommons succs et chec. La probabilit du
succs est note p=P(S) . Les deux paramtres de la loi
sont n et p et la loi peut s'crire B(n,p).
Nous voulons dterminer la probabilit d'avoir k succs
suite aux n preuves. Un chemin comportant k succs
comporte ncessairement n-k checs et sa probabilit vaut
pk qnk , avec q=1 p , probabilit de l'chec.
Il suffit ensuite de dnombrer le nombre de chemins qui
comprennent k succs, manires de choisir k objets parmi
n. n choix pour la position du premier succs, n-1 pour le
deuxime et n+1-k pour le kem succs :
n( n1)...(n+1k )=n! /(nk ) ! possibilits18.
Nous divisons ensuite par k! pour
enlever les comptages multiples
(par exemple S1S2E et S2S1E
correspondent au mme chemin).
D'o :
P( X =k ) = n ( ) pq k nk
k
n!
avec (nk )= (nk) ! k !
(se dit k parmi n )
n
et P( X=k)=1
k=0
102
On montre que E( X)=np et V ( X )=npq .
2) Loi gomtrique
Nous considrons une preuve deux issues dont la
probabilit du succs est p et celle de l'chec est note
q=1-p. Nous rptons cette preuve de manire indpen-
dante jusqu'au premier succs. Nous dfinissons la variable
alatoire X qui donne le rang du premier succs. Cette loi
est note G(p).
P( X =k )=q k1
p , P( X=k)=1
k=1
E( X)=1/ p et V (X )=q/ p2
103
Rponse : P( X=3)=(2/ 3)2 1 /3=4 /27 .
104
Nous avons utilis un dveloppement limit, le fait que
t t et k 1 .
Dans le cas limite :
p
t
P( X k ) f (t) dt , p e t e dt ainsi la loi
t
3) Loi de Poisson
105
cet intervalle de temps est :
k
P( X =k )= e P( X=k)=1
,
k! k=0
E( X)= et V ( X )=
106
B. Lois continues
1) Loi uniforme
{
x <a : f (x)=0
1
axb :f ( x)=
ba
x >b : f (x)=0
2
a+b ( ba)
E( X)= et V (X )=
2 12
+
f Z (x)= f X ( y ) f Y ( x y )dy
107
Si 2a<x<a+b : x-b x-a
^
a b y
^
a b y
Si 2 a< x <a+ b
xa
1 x 2 a
alors f Z (x)= 2
dy= 2
a (ba) (ba)
{
x <2 a : f Z (x)=0
x2 a
2 ax <a+ b :f Z (x)=
(ba)2
2 bx
a+bx2 b :f Z (x)=
(ba)2
x >2 b : f Z (x)=0
f
^
^
2a a+b 2b x
108
2) Loi exponentielle
f
1.0
=1
0.5
=1/2
0.1
0 2.0 X
1.0
{t0: f (t )= e t
t<0 : f (t)=0
1
E(T )= et V (T )=
1
2
109
3) Loi normale
La loi normale, encore nomme gaussienne, a prcdem-
ment t dcrite page 20.
La somme de deux variables alatoires normales indpen-
dantes NX(1,12) et NY(2,22) est une loi normale
NZ(1+2,12+22) .
4) Loi de Student
La loi de Student dpend du nombre de degrs de libert
k et utilise la fonction Gamma, fonction particulire d-
crite dans les outils mathmatiques.
Pour k 1 , f k (x)=
1 ( k +12 ) 1
2 k +1
k k
( ) 1+ x
2 ( k)
2
k
Variance : V k = , pour k 3 .
k 2
k 2
Coefficient daplatissement : k =3 , pour k 5 .
k4
110
Y
8
4
3
2
k=1
+0.3
+0.2
+0.1 0,1
X
1
4.0 3.0 2.0 1.0 +1.0 +2.0 +3.0 +4.0
5) Loi du Khi-Deux
k
E( X k )= E(T i2)=k (V (T )+ E(T )2 )=k
i=1
111
1 k/ 21 x /2
Pour k 1 et x0 , f k (x)= k /2
x e
2 ( k /2 )
Esprance : Ek =k Variance : V k =2 k
Coefficient dasymtrie : 1,k = 8/ k
Coefficient daplatissement : 2,k =3+12 /k
f
k=1
0,5
k=2
0,2
k=3
k=10
0 1 5 10 X
112
C. Fonctions de variables densit
ln X y y
FY ( y )=P(Y y )=P( ln X y )=P(e e )=P( Xe )
Nous avons appliqu la fonction rciproque -1(x)=ex.
La fonction exponentielle est strictement croissante, le sens
de l'ingalit a donc t conserv.
Ainsi : FY ( y )=F X (e y ) et f Y ( y )=e y f X (e y )
113
Exemple : la loi de X est la loi uniforme U(1;2). Quelle
est la loi de Y ?
{
0 x1
y
Nous avons : f X (x )= 1 1< x <2 , ainsi si e 1 ,
0 x2
y0 et f Y ( y )=0 . Nous continuons ainsi pour les deux
autres cas et nous avons la loi de Y :
{
0 y0
f Y ( y )= e y 0< y < ln 2
0 y ln 2
1 y b 1 y b
et f Y ( y )= f X ( ) d'o f Y ( y )= f X ( )
a a |a| a
114
Exemple 1 : la loi de X est la loi uniforme U(0;1). Quelle
est la loi de Y ?
{
0 x0 yb
Nous avons : f X ( x )= 1 0<x <1 , ainsi si a 0 et
0 x1
a> 0 alors yb et f Y ( y )=0 . Nous continuons ainsi
pour les deux autres cas et nous avons la loi de Y :
{
0 yb U (0 ,1)U ( b , a+b)
f Y ( y )= 1
b< y < a+b
a Si (x)=(b-a)x+a et a<b:
0 y a+b U (0 ,1)U ( a , b)
115
4) Cas o (x)=ex: Y=eX et y>0
D. Simulation numrique
x
Cas d'une loi exponentielle : f X ( x )= e pour x>0 et
x
zro sinon, d'o F X (x)= f X ( x )dx=1e x = y pour
116
(1 y )
x>0 et zro sinon. Ainsi x=ln et finalement nous
simplifions, sachant que 1-U et U ont la mme loi.
ln U
Simulation d'une loi exponentielle : X =
117
Il existe de nombreuses autres mthodes qui utilisent les
diffrentes proprits des lois de probabilit. Par exemple,
en simulant des lois de Bernoulli20, nous obtenons, par
somme, une loi binomiale qui elle-mme permet de simu-
ler une loi normale.
118
E. Exercices
119
Exercice 5 : Loi de Poisson
corrig en version complte
120
Exercice 10 : Loi de Student
corrig en version complte
( )
+
x
On pourra poser l'intgrale I k = 1+ 2
dx et
k
x
effectuer le changement de variable u= .
k
Exercice 11 : Variance d'une Student
corrig en version complte
Dterminer la variance d'une la loi de Student.
121
Exercice 15 : Loi de la somme de lois
exponentielles
corrig en version complte
122
123
IV. ESTIMATEURS
1) Biais
Nous appelons biais de Tn l'esprance E(T n) d'o, par
linarit de l'esprance :
bT ()=E (T n )
n
124
2) Risque
Nous appelons risque quadratique de Tn l'esprance
2
E[(T n) ] et on montre que :
r T ()=V (T n)+ b2
n
125
biais nul et le risque tend vers zro quand n tend vers
l'infini.
( X i Xn)2 ( X i Xn)2
S n2= i=1 et Rn2= i=1
n n1
126
B. Construction d'estimateurs
k
Moments de la loi : mk =E (X )
n
1
Moments de l'chantillon : X nk = Xk
n i=1 i
127
Exemple 1 : Nous disposons d'un damier de 100 cases et
de 200 graines. Chaque
seconde nous plaons
alatoirement une graine
dans une des cases. la
fin de l'exprience nous
comptons le nombre de
graines dans chaque case
et nous dnombrons le
nombre de cases qui ne
contiennent aucune graine,
puis une graine, puis deux
et ainsi de suite. Soit la loi
X du nombre de graines par case. Nous obtenons la
distribution suivante :
k 0 1 2 3 4 5 6 7 8
n 12 28 34 10 8 7 0 1 0
128
frquence de lvnement par seconde pour chaque case
vaut 1/n. Pour une loi de Poisson tout instant l'vnement
peut se produire, ici le temps est discrtis, nanmoins
l'approximation d'un temps continu est correct car une
seconde est une petite dure au regard de celle de 200
secondes de l'exprience. Nous pouvons donc prendre
=N /n . Nous tendons vers une loi de Poisson quand le
nombre des cases et de graines tendent vers l'infini.
129
Nous avons un meilleur estimateur : biais nul et risque plus
faible. Une nouvelle estimation du paramtre donne
0,064 et lesprance de vie vaut environ 16 mois.
a+b 1
Nous posons E( X)= = Xn
2
2 ( ba)2 (a+ b)2 a 2+ ab+b 2
et E( X )= + = = X n2
12 4 3
1 1 2 2
d'o a+ b=2 X n et ab=4 X n 3 X n
130
2) Mthode du maximum de vraisemblance
{
P ( X =x) pour une variable discrte
f ( x , ) = ou
note aussi :
n
V (x 1 , x 2 ,... , xi , ... , x n , ) = f ( x i ,)
i=1
V ( x i ,) 2 V (x i , )
= 0 et < 0
2
131
La nullit de la drive permet d'obtenir notre estimateur :
relation entre et les xi.
x! i=1 xi ! i=1 x i !
n n
x
ln V x
ln V =n + ln et
i
=n+ i =0
i=1 xi ! i=1
n
1
D'o = x i
n i=1
i=1
132
n
ln V n n
ln V =n ln t i et = t i
i=1
i=1
n
D'o = n
ti
i=1
n n
ln V n 1 1
= + 3 ( x i) =0 et = (x i)2
2 2
i=1 n i=1
133
Exemple 4 : Reprenons le cas de la loi uniforme.
{
1
n
n
si {x i }[a ,b ]
V (x i ,a ,b)= f (x i ,a ,b)= (ba)
i=1
0 sinon
134
C. Estimation par intervalle
135
V (X )
>0, P(|XE (X )|) 2
k 0 1 2 3 4 5 6 7 8
k-m -2 -1 0 1 2 3 4 5 6
2
(k-m) 4 1 0 1 4 9 16 25 36
n 12 28 34 10 8 7 0 1 0
n
1
=
2
n1 i=1
(x i x)2 , 1,44 et =2,00,3 95%.
136
a) Utilisons tout d'abord la mthode du maximum de
vraisemblance qui nous fournit la loi du max pour
connatre la loi de probabilit de Tn : T n=max({X i}) .
a est donc ici estim 17 minutes.
Dterminons la loi de l'estimateur, loi du max :
P(T nx)=P([X 1x][ X 2x ]...[ X n x])
or les variables sont indpendantes :
n
d'o P(T nx)= P( X ix )
i=1
d F T (x ) x n1
d'o la loi de probabilit de Tn : f T (x)= =n n n
dx n
a
a
Esprance : E(T n )= x f T ( x )dx= nn x n dx= n a
n
a 0 n+1
n a
l'estimateur Tn est biais : bT = aa=
n
n+1 n+ 1
a est sous-estim et le biais est asymptotiquement nul.
a
Variance : E( X 2)= x f T ( x )dx= nn x n+1 dx= n a
n
a 0 n+2
137
2 n2 n2 n a2
V (T n)=E(X )E ( X ) = a 2
a = 2
n+2 ( n+ 1) (n+2)( n+1)
et P(aW n)=P(U n+ aW n)
Puis en posant =
V (W n)
nous avons :
1P(W naW n+ )
Et finalement :
P(W n V (W n)
a W n+
V (W n )
) 1
138
Pour un confiance de 90%, =0,1 et pour notre chan-
tillon V (W 12 )=
18,42
1214
2,0 et a=
V (W n )
4,5 .
n n x n
n+ 1
FW (x)=F T
n n ( n+ 1
x=)(
n+1 a ) pour 0x
n
a.
n
n n+ 1
f W (x)=
n ( a(n+1) )
n x n1 pour 0x
n
a
et f W ( x)=0 sinon.
n
139
13 2
soit amax =
12 ( )
1719,95 et amax 20,0 minutes.
amax
Borne infrieure : f W ( x)dx=1
n
amin
fW 12
( x )dx=0,9 pour amin 16,4 minutes.
amin
140
Nous trouvons ainsi les mmes rsultats que par la mthode
prcdente (fichier : www.incertitudes.fr/livre/Train.ods).
x=
3+12+ ...+ 11
12
9,83 et s=
(3 x)2 +...
11
4,88
141
comment on procderait pour n grand. Comme nous le
constaterons avec la simulation numrique, l'intervalle est
ainsi sous-estim.
En effet en ralisant une simulation numrique avec cet
estimateur, a=19,75,5 minutes 90% :
142
En conclusion, l'estimateur du maximum de vraisemblance
converge bien plus rapidement que celui du thorme des
moments et nous prfrons cette premire mthode. La
variance converge en 1/n2 au lieu de 1/n :
a2 a2
[ V (W n)] MV = n(n+ 2) et [ V (T n) ]TM = 3 n
70
Convergence des variances
60
30
20
10
0
0 5 10 15 20 25 30
143
D. Exercices
144
Exercice 3 : Deux estimateurs
corrig en version complte
Valeurs 0 1 2
Probabilits 3 1 - 4
Zn
Montrer que U n= est un estimateur non biais de
n
. Dterminer V(Un).
5. Nous effectuons des estimations de avec les rali-
sations suivantes :
Valeurs 0 1 2
Effectifs 31 12 57
145
Exercice 4 : Urnes corrig en version complte
{
dfinie par la densit de a
a+1
si x >1
probabilit suivante : x
f (x)=
O a est le paramtre que
nous voulons estimer (a>1). 0 sinon
1. Montrer que f dfinit une loi de probabilit.
2. Calculer E(X).
3. Dterminer des estimateurs de a par la mthode du
maximum de vraisemblance et par la mthode des
moments.
4. Donner des estimations ponctuelles de a pour les
observations suivantes :
1,16 / 1,80 / 1,04 / 3,40 / 1,22 / 1,06 / 1,35 / 1,10.
5. Peut-on effectuer le calcul de V(X) ?
6. Effectuer une simulation numrique de la loi de X.
Que pouvons nous conjecturer quant aux biais et
convergences des estimateurs trouvs ?
146
Exercice 6 : Densit linaire
corrig en version complte
{
a x +b si 0x1
probabilit suivante : f (x)=
0 sinon
1. Exprimer b en fonction de a de manire ce que f
dfinisse une loi de probabilit.
2. Calculer E(X) et V(X).
3. Dterminer un estimateur Tn de a par la mthode
des moments. Discuter les proprits de cet
estimateur.
4. Soient les donnes suivantes :
0,81 0,67 0,72 0,41 0,93 0,55 0,28 0,09 0,89
147
Exercice 8 : Dsintgrations
corrig en version complte
148
149
V. APPROCHES MULTICRITRES
Pour illustrer, nous nous appuierons dans les deux cas, sur
l'exemple suivant du choix d'un isolant :
1. Ouate de cellulose 55 25 14 16
2. Laine de roche en vrac 25 36 18 20
3. Perlite expanse 90 25 30 15
4. Polystyrne expans 18 35 28 20
5. Laine de verre ou roche en rouleau 18 42 34 20
6. Laine de verre ou roche semi-lourde 70 21 36 18
7. Laine de chanvre en rouleau 25 32 41 20
8. Polystyrne extrud 35 25 49 20
9. Laine de bois 150 18 50 13
10. Laine roche pour sol 130 19 54 15
11. Polyurethane 35 26 106 20
150
A. Mthode par pondration
V V min
caractristique positive : note= 20
E
V max V
caractristique ngative : note= 20
E
note finale= p j n j
j
151
p
avec p j =1 et nj : note de la jme caractristique.
j=1
moyennes : 28 12 42 14 18 14 14
tendues : 24 20 92 20 7 20 8
cart-types : 8 6 25 5 3 8 3
152
Priorits 2 : paisseur Note Prix Note Confort Note Note
cm Note pondre /m Note pondre sur 20 Note pondre totale
Pondration: 0,4 0,1 0,5
Ouate de cellulose 25 14 5,7 14 20 2,0 16 9 4,3 12
Laine de roche en vrac 36 5 2,0 18 19 1,9 20 20 10,0 14
Perlite expanse 25 14 5,7 30 17 1,7 15 6 2,9 10
Polystyrne expans 35 6 2,3 28 17 1,7 20 20 10,0 14
Laine de verre ou roche en rouleau 42 0 0,0 34 16 1,6 20 20 10,0 12
Laine de verre ou roche semi-lourde 21 18 7,0 36 15 1,5 18 14 7,1 16
Laine de chanvre en rouleau 32 8 3,3 41 14 1,4 20 20 10,0 15
Polystyrne extrud 25 14 5,7 49 12 1,2 20 20 10,0 17
Laine de bois 18 20 8,0 50 12 1,2 13 0 0,0 9
Laine roche pour sol 19 19 7,7 54 11 1,1 15 6 2,9 12
Polyurethane 26 13 5,3 106 0 0,0 20 20 10,0 15
153
B. Analyse en Composantes Principales
1) Principes
Soit X une caractristique. Celle-ci prend des valeurs
diffrentes suivant n individus. Ces ralisations, encore ap-
peles mesures ou observations, sont notes :
{x 1 , x 2 ... , x i ... , x n }
ou plus simplement {x i } avec 1i n
x1 1 x1 2 ... x1 j ... x1 p
x2 1 x2 2 ... ... ... ...
M = ... ... ... ... ... ...
xi 1 xi 2 ... xi j ... x i p
... ... ... ... ... ...
xn 1 xn 2 ... xn j ... x n p
22 Les indices sont ici inverss par rapport la notation page 47.
154
Comme n p cette matrice n'est pas, en gnral, carre.
Une co- x1 j Une ligne de la ma- xi 1
lonne repr- . trice reprsente les .
sente la va- . diffrentes caract- .
riabilit . ristiques d'un indivi- .
d'une carac- X j= x i j du. Mais un indivi-
I i= xi j
tristique . du peut aussi tre .
selon les in- . reprsent par un .
dividus : . vecteur colonne : .
xn j xi p
x i j xj
xi j=
j
n
Valeur n cart- xi j x j2
1
moyenne : xj = x type : j= i=1
n i=1 i j n1
155
Les caractristiques fluctuent autour d'une valeur moyenne.
Les valeurs moyennes et les dispersions dpendent de
chaque caractristique. Or l'analyse en composantes
principales (ACP) est base sur les coefficients de
corrlations linaires entre les diffrentes caractristiques,
et ces coefficients ne dpendent pas de la moyenne et de
l'cart-type :
n
xi j xi k
r j k = i =1
n1
156
x1 x2 x3 x4
I1 x1
1
= 55 x 2
1
= 25 x 3
1
= 14 x 4
1
= 16
I2 x1
2
= 25 x 2
2
= 36 x 3
2
= 18 x 4
2
= 20
I3 x1
3
= 90 x 2
3
= 25 x 3
3
= 30 x 4
3
= 15
I4 x1
4
= 18 x 2
4
= 35 x 3
4
= 28 x 4
4
= 20
I5 x1
5
= 18 x 2
5
= 42 x 3
5
= 34 x 4
5
= 20
I6 x1
6
= 70 x 2
6
= 21 x3
6
= 36 x4
6
= 18
M= I7 x1
7
= 25 x 2
7
= 32 x3
7
= 41 x4
7
= 20
I8 x1
8
= 35 x 2
8
= 25 x3
8
= 49 x4
8
= 20
I9 x1
9
= 150 x 2
9
= 18 x3
9
= 50 x4
9
= 13
I10 x1
10
= 130 x2
10
= 19 x3
10
= 54 x4
10
= 15
I11 x1
11
= 35 x2
11
= 26 x3
11
= 106 x4
11
= 20
x1 x2 x3 x4
I1 x1
1
= -0,09 x 2
1
= -0,34 x 3
1
= -1,12 x 4
1
= -0,72
I2 x1
2
= -0,74 x 2
2
= 1,09 x 3
2
= -0,96 x 4
2
= 0,79
I3 x1
3
= 0,67 x 2
3
= -0,34 x 3
3
= -0,48 x 4
3
= -1,09
I4 x1
4
= -0,89 x 2
4
= 0,96 x 3
4
= -0,56 x 4
4
= 0,79
I5 x1
5
= -0,89 x 2
5
= 1,88 x 3
5
= -0,32 x 4
5
= 0,79
I6 x1
6
= 0,23 x 2
6
= -0,87 x3
6
= -0,23 x 4
6
= 0,03
m= I7 x1
7
= -0,74 x 2
7
= 0,57 x3
7
= -0,03 x 4
7
= 0,79
I8 x1
8
= -0,52 x 2
8
= -0,34 x3
8
= 0,29 x 4
8
= 0,79
I9 x1
9
= 1,97 x 2
9
= -1,26 x3
9
= 0,33 x 4
9
= -1,84
I10 x1
10
= 1,54 x 2
10
= -1,13 x3
10
= 0,49 x 4
10
= -1,09
I11 x1
11
= -0,52 x 2
11
= -0,21 x3
11
= 2,59 x 4
11
= 0,79
Moyennes : 0 0 0 0
cart-types : 1 1 1 1
157
L'ide fondamentale de cette tude est base sur la
matrice de corrlation. Nous cherchons les corrlations
entre les diffrentes caractristiques. Si un ensemble de ca-
ractristiques sont trs corrles entre elles, cela signifie
qu'une seule suffirait dcrire notre systme sans perte im-
portante d'information.
x i j xj x i k xk
r j k = i =1
n1 j k
avec r j j=1 et r j k =r k j
158
1 r1 2 r13 ... r 1 p
r 1 2 1 ... ... ...
r = r 1 3 ... 1 ... ... 1r i j1
... ... ... 1 ...
r 1 p ... ... ... 1
1 0 0 0 0 0
0 2 0 0 0 0
r = 0 0 ... 0 0 0
'
0 0 0 j 0 0
0 0 0 0 ... 0
0 0 0 0 0 p
p
avec j = p=tr r =tr r '
j=1
159
Dans ce nouvelle espace toutes les nouvelles caract-
ristiques sont dcorrles entre elles. C'est une grande
avance pour l'analyse, nous savons maintenant qu'elles
sont les "vraies" caractristiques. Nous avons le point de
vue sur le problme qui donne la vision la plus simple et la
plus claire.
160
Pour obtenir la nouvelle matrice rduite des donnes
avec les individus en fonction des nouvelles caractristiques
nous avons besoin de la matrice de passage P. Celle-ci est
une matrice carre dont les colonnes sont les composantes
des vecteurs propres. Ensuite m P = m'.
161
boulis des valeurs propres :
4
1 2 3 4
La matrice de passage permet d'avoir la nouvelle base en
fonction de l'ancienne, par exemple :
norme : 1 1 1 1
162
La perte d'information est de seulement 6%.
Nous obtenons ensuite la matrice des donnes en fonction
des composantes principales :
163
Nous reprsentons enfin ces donnes en fonctions des com-
posantes principales :
164
Pour cela nous avons calcul la matrice des corrlations
entre anciennes et nouvelles variables (composantes princi-
pales) :
165
Sur le cercle des corrlation X3 est selon X2' (il est trs
corrls positivement avec lui r32' vaut environ 0,97). La
deuxime composante principale correspond donc simple-
ment au prix (poids 27%).
Le prix des matriaux est sans lien avec leur confort.
Des grandeurs dcorrles sur le cercle des corrlations
sont angle droit avec le centre. Plus elles sont corrles
dans le mme sens, plus l'angle est faible ; et si elles sont
corrles en sens contraire, l'angle vaut 180.
Regardons maintenant les individus et essayons de les re-
grouper en catgories :
Tout d'abord un isol, l'individu 11, qui un
confort/paisseur moyen et un prix lev.
Le groupe le plus intressant en bas gauche (2, 5 et
4 ), qui correspond des isolants la fois pas cher et
confortable (avec une bonne paisseur).
Et puis ceux qui partent vers la droite, d'un prix
moyen mais pas confortable, donc viter, moins que le
volume disponible pour l'isolation soit faible.
A vous de prendre votre dcision ; cet outil permet de
choisir son isolant en connaissance de cause.
Dans le deuxime devoir sont tudies d'autres iso-
lants avec l'co-bilan, l'isolation et le confort d't.
166
2) Une deuxime illustration
1 1 1 1 1 1
1 1 5 1 1 1
M= 2 2 3 m= 0 0 0
3 3 1 1 1 1
3 3 5 1 1 1
167
1 1 0
Matrice des corrlations : r = 1 1 0
0 0 1
Matrice de passage : P=
1/ 2 0 1/ 2
1/ 2 0 1 / 2
0 1 0
d'o : e ' 1= e1 e2 / 2 , poids w1=2/3, e ' 2=e3 ,
poids w2=1/3 et e ' 3 = e2 e1/ 2 , poids w3=0.
2 1 0
2 1 0
m '= 0 0 0
2 1 0
2 1 0
Corrlations entre nouvelles et an- 1 0 0
ciennes caractristiques : 1 0 0
0 1 0
168
Ressort ainsi la figure suivante : un carr avec un point au
milieu. partir d'un rectangle inclin dans l'espace, on a
une figure simple dans un plan qui contient toutes les infor-
mations relatives.
169
3) Rsum
Matrice des donnes xi j
(individus selon les lignes et
grandeurs selon les colonnes)
Matrice des donnes x i j xj
xi j =
rduite j
n
Matrice des corrlations xi j xi k
r j k = i =1
n1
Valeurs propres (ordonnes
dans l'ordre dcroissant)
det(r - I)=0
j
w j=
Vecteurs propres p
correspondants
r e' j= j e' j
Matrice de passage (les
colonnes sont les vecteurs m' = m P
propres)
Matrice des donnes dans
la nouvelle base des
vecteurs propres
(possibilit de normaliser m')
170
C. Exercices
x1 x2 x3 x4
I1 x =
1
1
2 x =
2
1
4 x =
3
1
0 x =
4
1
8
I2 x =
1
2
0 x =
2
2
3 x =
3
2
3 x42= 3
I3 x13= 0 x23= 3 x33= 3 x43= 13
I4 x14= 2 x24= 2 x34= 0 x44= 8
x1 x2 x3
I1 x =
1
1
1 x =
2
1
3 x =
3
1
2
I2 x =
1
2
2 x =
2
2
1 x =
3
2
3
I3 x =
1
3
3 x =
2
3
2 x33= 1
171
Pour vous exercer davantage sur l'ACP vous avez
deux cas concrets traits en devoir.
Pour faire vos calculs pour l'ACP vous avez Scilab
un trs bon logiciel de calcul numrique libre, gratuit
et multiplateforme. Vous pouvez ensuite prsenter vos
rsultats avec un tableur.
Par exemple pour le devoir Suricate : ouvrir le
logiciel Scilab (prononcez : " saille lab", contraction
de Scientific Laboratory en anglais) puis Fichier >
excuter... le fichier acpsuricate.sce :
functioncov=covariance(A)
moyenne=mean(A,"r");
n=size(A,"r")
Acent=Aones(n,1)*moyenne;
cov=(Acent'*Acent)/(n1);
endfunction;
functionc=correlation(A)
cov=covariance(A);
ectinv=(1)./sqrt(diag(cov));
c=diag(ectinv)*cov*diag(ectinv);
endfunction;
function[c]=val_prop(A);
[Diag,Base]=bdiag(A);
c=gsort(diag(Diag));
endfunction;
functionc=vect_prop(A);
[Diag,Base]=bdiag(A);
if Base(:,1)==abs(Base(:,1)) then Base=
1*Base;end;
[Valpr,k]=gsort(diag(Diag));
c=Base(:,k);
endfunction;
functionc=acp_indiv(A);
mat_cor=correlation(A);
172
X=centrer_reduire(A);
VectP=vect_prop(mat_cor);
c=X*VectP;
endfunction;
functionc=centrer_reduire(A)
moyenne=mean(A,"r");
cov=covariance(A);
n=size(A,"r");
Acent=Aones(n,1)*moyenne;
c=Acent*(diag((1)./sqrt(diag(cov))));
endfunction;
functionc=acp_var(A);
mat_cor=correlation(A);
X=centrer_reduire(A);
VectP=vect_prop(mat_cor);
ValP=val_prop(mat_cor);
c=VectP*diag(sqrt(ValP));
endfunction;
M=[78357244.510157.2;19013008544
38101656;486403841011873.29.17.2;
5554031101114794147.2;90436811322
174 132 1708 6.6 ; 202 402 43 8 336 2 4.7
7.5;11.571813.58.16.211.66.95;103
2989102351386611726.8;25382011425
376]
m=centrer_reduire(M)
r=correlation(m)
val_prop(r)
vect_prop(r)
acp_indiv(m)
acp_var(m)
173
VI. COMPLMENTS
RSUM
La mesure d'une grandeur par un systme d'acquisition
induit de part sa rsolution une erreur de discrtisation.
Nous nous attachons ici la mesure d'une longueur avec
une rgle gradue. Ce type de mesure nous amne
considrer une loi de probabilit continue uniforme. Nous
utilisons ensuite un produit de convolution pour dterminer
l'incertitude avec sa confiance d'une somme de longueurs.
Nous gnralisons finalement au cas gnral du calcul
d'incertitudes pour des variables alatoires indpendantes en
utilisant la formule de propagation des erreurs.
INTRODUCTION
Nous voulons mesurer des longueurs et valuer les
incertitudes le plus prcisment possible. Incertitudes sur
les valeurs mesures et leurs sommes. Nous disposons
dune rgle de 15cm gradue au millimtre et de deux jeux
de cartes. La rgle est suppose parfaite et les cartes de
chaque jeu lidentique.
174
1. MESURE DE LA LONGUEUR DUNE CARTE
Nous plaons la
graduation du zro
sur le bord gauche
de la carte. Sur le
bord droit nous
considrons la
graduation la plus
proche du bord.
L'exprimentateur
ne lit pas entre les
graduations. L'paisseur des traits qui
dlimitent une graduation est considre comme
ngligeable devant la largeur de cette graduation. Nous
obtenons ainsi pour le jeu 1:
x 1 =8,40,05 cm .
175
Pour le jeu 2:
x 2 =11 ,20,05 cm .
176
Pour caractriser l'talement d'une distribution considrons
l'tendue E et l'cart-type dont la dfinition pour une loi
continue est:
2 2
V = = x x moy f x dx ,
= / 120,29 ,
177
La loi de probabilit f de X se calcule partir de celle
f 1 de X1 et f 2 de X2. Pour une somme de variables
alatoires indpendantes le rsultat est donn par un produit
de convolution [iii] :
{
x< xmin f ( x)=0
( x xmin )
xmin <x<x moy f ( x)= 2
f ( x)= f 1( y) f 2( x y) dy
( xmax x)
x moy <x<x max f ( x)= 2
x> x max f ( x)=0
178
Nous avons alors une loi de probabilit triangulaire.
Nous obtenons x=19 ,60,1 cm avec 100% de confiance,
et x=19 ,60, 055 cm avec 80% de confiance.
179
Les cartes d'un jeu tant supposes identiques si la
longueur de l'une d'elle est surestime, il en sera de mme
pour la deuxime. Dans ce cas les erreurs s'ajoutent et ne
peuvent pas se compenser. Pour deux cartes diffrentes, la
premire mesure pouvait tre sous-estime et la deuxime
surestime, une compensation pouvant alors se produire.
Ici ce n'est plus le cas et pour X = X i X i ' nous
obtenons une loi de probabilit nouveau uniforme de
largeur 2 . Nos variables alatoires ne sont plus
indpendantes.
Pour le jeu 1:
N
Nous avons X = X i . Chaque longueur X i suit
i=1
une loi uniforme de largeur . Pour la somme de neuf
variables alatoires indpendantes aprs itration du calcul
nous obtenons la courbe suivante :
180
Nous avons dans ce cas x= x moy 0,11 cm 80%.A 100%
de confiance x= x moy 0, 45 cm ce qui amne considrer
des domaines o la probabilit de prsence de X est
vraiment ngligeable. Une incertitude de 0,45cm semble
inutile alors que 99% des cas taient dj prsents avec une
incertitude de 0,22cm.
181
80% 95% 99%
N=1 0,40 0,48 0,50
2 0,55 0,78 0,90
3 0,66 0,97 1,19
4 0,75 1,12 1,41
5 0,84 1,25 1,60
6 0,92 1,38 1,76
7 0,99 1,49 1,91
8 1,06 1,59 2,05
9 1,12 1,69 2,18
10 1,2 1,8 2,3
20 1,7 2,5 3,3
50 2,6 4,0 5,2
100 3,7 5,7 7,4
182
ordinateur par gnration de nombres alatoires.
Les rsultats des mesures sont souvent donns avec
une confiance de 95%, ce qui correspond pour une
gaussienne une incertitude d'environ 2 .
6. AUTRES APPLICATIONS
183
Pour N=7 l'incertitude atteint un kilogramme avec une
confiance de 80%. Il y a donc une chance sur dix pour que
l'ascenseur soit en surcharge.
Au laboratoire de nombreux appareils de mesure
disposent d'affichages numriques. La rsolution est au
dernier digit prs. Mais l'incertitude globale est bien
suprieure. Il faut consulter la notice de chaque appareil.
CONCLUSION
184
Existe-t-il une formule analogue en terme de confiance?
Oui, mais elle est approximative, c'est la formule de
propagation des incertitudes:
n
f 2
f =
2
xi 2 ,
i =1 x i
185
B. Mtrologie
1. Exemples
Intressons-nous deux instruments de mesure particuliers : un
chronomtre et un ampremtre.
186
d = 82,900 0,078 s et d/d0,1% avec 95% de confiance.
187
D'o I = 0,7%x186,30mA + 3x10A.
188
Le calcul de l'cart-type donne : sI = 0,21 mA, le coefficient de
Student vaut t = 2,2, d'o I = t . s = 0,45 mA.
Soit I = 186,40 0,45 mA avec un niveau de confiance de 95%
(185,94 mA < I < 186,85 mA).
L'incertitude est ici, peu prs, 3 fois plus faible, ce I (mA)
qui est normal car nous avons une meilleure 186,30
connaissance de la moyenne (I = t . s / n = 0,13 186,40
186,24
186,19
3 186,39
2
Frquence
186,22
1
0 186,64
186,40
186,15
186,45
186,65
186,75
186,95
186,05
186,25
186,35
186,55
186,85
187,05
186,23
186,91
Courant (mA) 186,36
186,47
189
mA). Si nous considrons l'ampremtre pour lequel
I=186,91mA, seule l'incertitude systmatique plus grande
fournie par le constructeur garantie un bon encadrement.
Par ailleurs l'incertitude du constructeur concerne l'ensemble des
ampremtres de ce modle qu'il produit et pas seulement ceux
livrs au lyce. Aussi, nous devons considrer, pour la
comparaison des rsultats, que les 12 ampremtres n'ont pas t
recalibrs avec un talon depuis leur achat d'il y a plus de 15 ans.
2. Normes
Pour dterminer rigoureusement l'incertitude, il faudrait que tous
les fabricants donnent la confiance de leurs incertitudes et les
profils des lois de probabilit.
Pour contribuer une information complte sur l'expression de
l'incertitude et fournir une base pour la comparaison
internationale des rsultats de mesure Le comit international des
poids et mesures et l'Organisation internationale de normalisation
ont dvelopps un guide [vii].
Il s'agit de mettre en place des mthodes d'valuation et
d'expression des incertitudes harmonises pour tous les pays et
tous les domaines (de la sant, de la scurit, industriel,
commercial, etc.).
3. Vocabulaire
Que l'on parle avec le vocable de la statistique ou avec celui de la
mtrologie les notions sont les mmes. Pour aider faire la jonc-
tion, nous avons synthtis certaines expressions courantes dans
un tableau. Sur une mme ligne vous trouverez les termes qui-
valents.
190
statistique [vi] [iv] mtrologie [v] [vii] [viii]
191
Remarques :
Plus le biais est grand, moins la mesure est juste.
Plus les mesures sont disperses, moins la fidlit est
bonne.
L'cart-type de l'chantillon est un estimateur biais de
l'cart-type de la population.
Dans ce livre nous avons vit de parler d'erreur, nous
avons prfr le terme incertitude. En mtrologie, nous
parlons de diffrentes erreurs (erreur de mesure, erreur
alatoire et erreur systmatique).
Nous utilisons le terme cart pour la diffrence entre la
moyenne de la mesure et la valeur attendue (une valeur
donne par le fabricant ou dans les tables).
192
Remarques :
Pour le premier cas nous ne disposons pas d'information
du constructeur, dans le second, il fournit ce que l'on
appelle la classe a de l'appareil.
Nous prenons k=2 avec une confiance de 95% comme si
nous avions une gaussienne (approximation).
Si la notice est conue selon cette norme, nous aurons
pour l'ampremtre (tudi page 188), sI = 1,34 mA et I
= 186,30 2,68 mA 95%.
Sur le matriel de verrerie jaug, la classe est
toujours indique.
Par exemple, sur une pipette jauge de 25
mL, nous avons les indications suivantes :
La classe est 0,06 mL, d'o sv = 0,035 mL et
V = 25 0,07 mL avec une confiance de 95%. La
prcision sur le volume est de 0,28%.
Pour une rsistance R de 1000 et d'une prcision de
5% (brun, noir, rouge, or), nous avons :
R=2 . 1000 .5 /100/ 358 95% de confiance.
R=100058 et R/ R5,8 %.
Pese : une balance numrique, de rsolution 0,1g,
indique une masse m de 73,7g.
m=2 . 0,1/ 120,06 g , m=73,700,06 g
95%. m/ m0,08 %
Par la mthode d'autocollimation, nous mesurons la
distance focale f' d'une lentille convergente mince.
L'image est nette (latitude de mise au point) de
f'min=195mm f'max=203mm. D'o soptique=2,31mm.
sgomtrique=0,29mm ( de 1mm du banc d'optique) et
smodlisation=0,58mm (paisseur de 2mm de la lentille).
2 2 2
s= so sg sm f ' =199,04,8 mm95%
193
C. Thermodynamique
194
Nous considrerons le cas o les deux enceintes ont le mme vo-
lume.
De plus, le fluide tudi sera un gaz parfait : le premier principe
de la thermodynamique permet alors de montrer que la tempra-
ture finale est gale la temprature initiale : TF=TI ; et pour les
volumes VF=2VI .
Pn*
195
3. Hypothses de la physique statistique
196
Le macrotat k=1 est reprsent par deux microtats.
Regardons aussi le cas N=3 :
Nous voyons que, plus le nombre de particules est grand, plus les
macrotats autour de k N /2 sont probables.
197
4. tat le plus probable et fluctuations
k N! C kN
=C N = et p k = N
k ! N k ! 2
N/2 1 P 1
= et =
N /2 N P N
198
5. Utilisation de la formule de propagation
Nous avons N particules de pression pj qui contribuent, ou pas,
N
P 1
et =
P N
6. Conclusion
199
D. Indpendance des variables
200
chaque fois 6 cela ne prjuge en rien la probabilit d'obtenir 6
avec le quatrime d, c'est toujours une chance sur six. Nos
quatre grandeurs sont indpendantes. Conclusion : quelque soit
2 2 2 2 2
i,j=1,2,3,4 avec i j rij=0 et S = 1 2 3 4 .
2
2f =
j
f
xj
2j 2
f
i j x i
f
r
x j ij i j
Remarques :
f f / x i i .
si f =x 1x 2 , 1 = 2 et r 12=1 alors f =0 .
201
VII. DEVOIRS
A. Devoir Suricate
corrig en version complte
Exercice 1 (3 pts) :
202
Calcium Bicarbonates Magnsium Chlorures Sulfates Potassium Sodium pH
mg/L mg/L mg/L mg/L mg/L mg/L mg/L
Exercice 2 (7 pts) :
203
Exercice 3 (3 pts) :
Exercice 4 (3 pts) :
204
Cas : 1) 2) 3) 4) 5) 6) 7) 8)
pente a : -5,34 5,34 -0,65 0,65 5,34 -5,34 0,65 -0,65
a : 1,19 0,19 0,19 1,19 1,19 0,19 0,19 1,19
205
? -0,339 0,825 -0,375 0,922 -0,358 -0,373 0,204
? ? -0,373 0,982 ? 0,969 0,984 -0,336
? ? ? -0,413 0,781 -0,411 -0,421 0,168
? ? ? ? -0,234 0,980 0,999 -0,201
? ? ? ? ? -0,213 -0,236 0,471
? ? ? ? ? ? 0,986 -0,194
? ? ? ? ? ? ? -0,200
? ? ? ? ? ? ? ?
206
Expliquez le principe qui permet d'obtenir la matrice de passage.
207
Quel sens donneriez-vous X1' et X2' ?
Vous pouvez aussi vous aider des corrlations entre nouvelles et
anciennes variables, et du cercle des corrlations.
208
Quels enseignements tirez-vous concernant les diffrents types
d'eaux ?
Apparat-il une classification particulire ? Par exemple selon la
minralisation, eau gazeuse, etc.
Que pensez-vous de X3' ?
B. Devoir Narval
corrig en version complte
Exercice 1 (3 pts) :
209
Exercice 2 (7 pts) :
39 41 41 43 41 37 39 39
Exercice 3 (3 pts) :
210
Salaires en 1000 2000 3000 4000
: 1999 2999 3999 4999
Hommes 139 124 68 29
(effectifs):
Femmes 261 66 22 11
(effectifs) :
Exercice 4 (3 pts) :
Pour les courbes suivantes de temprature T (C) dans une
habitation en fonction du temps t(h), indiquez si des cas du
tableau correspondent des graphes. Dans les cas positifs donnez
la correspondance, sinon, expliquez pourquoi cela n'est pas
possible. N'oubliez pas que vos rponses doivent tre
scientifiquement justifies.
Cas : 1) 2) 3) 4)
pente a : 3,16 -5,80 2,90 -3,01
incertitude sur a : 0,63 0,31 0,31 0,69
ordonne l'origine b : 2,27 20,44 3,36 30,13
incertitude sur b : 3,40 1,70 1,70 3,70
coeff. de corrlation : 0,9712 -0,9914 0,9914 -0,9627
211
Exercice 5 (8 pts dont 4 en bonus) : Isolants
212
Pour chiffrer, nous transformons les apprciations ( - - , - , . , +,
++ ) en notes ( -2, -1, 0 , 1 , 2 ).
X1 X2 X3 X4
I1 x 1
1
= ? x 2
1
= 0,195 x 3
1
= -1,146 x 4
1
= -0,444
I2 x 1
2
= -1,296 x 2
2
= -1,365 x 3
2
= 1,146 x 4
2
= -0,444
I3 x 1
3
= 0,589 x 2
3
= 0,975 x 3
3
= 0,382 x 4
3
= 0,977
I4 x 1
4
= -0,354 x 2
4
= -0,585 x 3
4
= 0,382 x 4
4
= -0,444
I5 x 1
5
= 0,589 x 2
5
= 0,975 x 3
5
= 0,382 x 4
5
= 0,266
I6 x 1
6
= -1,296 x 2
6
= -1,365 x 3
6
= -1,909 x 4
6
= -1,864
I7 x 1
7
= 0,589 x 2
7
= 0,195 x 3
7
= 0,382 x 4
7
= 0,977
I8 x 1
8
= 1,532 x 2
8
= 0,975 x 3
8
= 0,382 x 4
8
= 0,977
Quel est l'intrt d'une telle transformation ?
213
? ? 0,360 0,873
? ? 0,255 0,811
? ? ? 0,659
? ? ? ?
214
Finalement nous obtenons la distribution suivante des individus:
215
Quels enseignements tirez-vous concernant les diffrents types
d'isolants ?
216
VIII. TRAVAUX PRATIQUES
A. Mesure d'un indice lumineux
(TP ralis au Lyce Alain-Fournier de Bourges)
217
Lecture du vernier
218
Mesure de l'angle au sommet du prisme par rflexion :
219
Minimum de dviation et indice du prisme :
Nous plaons la lampe sodium derrire le collimateur.
Nous obtenons un spectre de raies la sortie du prisme. De
la mesure de la dviation minimale, connaissant A, nous en
dduisons l'indice via la formule du prisme donne plus
bas. Dterminez l'indice pour les raies rouge, jaune et vert-
jaune. Garder le nombre de chiffres significatifs qui vous
semble pertinent.
Comment volue l'indice avec la longueur d'onde ?
Comment s'appelle ce phnomne ?
A Dm
sin
2
n=
A
sin
2
Les groupes suffisamment
avancs peuvent mesurer les
indices pour d'autres raies et
tracer l'indice en fonction de
l'inverse de la longueur
d'onde au carr (ou mieux le
logarithme de l'indice en
fonction de celui de la lon-
gueur d'onde). Conclusion ?
raies 1 2 3 4 5 6 7
rouge jaune vert- vert bleu- bleu- violet
jaune vert violet
(nm) 615,7 589,3 568,5 515,2 498,1 475,0 466,7
220
B. Le miroir sphrique
Thorie :
Exprimez R en fonction de d et D.
Exprience : Mesurez d et D.
221
Mesure optique de la focale
Relation de conjugaison
SA . . . .
SA' .
x=-1/ SA .
y=-1/ SA'
x
y
222
Montrez que, d'aprs la thorie, nous avons une relation
linaire entre x et y. Si l'on note y=ax+b, quoi doivent
correspondre a et b ?
Tracer les points sur une feuille de papier millimtre
(minimum 5).
Comment estimer les incertitudes sur x et y ?
Ceci fait les rectangles d'incertitudes seront placs sur le
graphique, et les droites extrmes passant au mieux par les
rectangles permettront de dterminer aa et bb.
Comparaison aux valeurs attendues.
Conclusion.
223
C. Relation de conjugaison d'une lentille
224
x
y
225
D. Dioptres et lentilles minces sphriques
But du TP :
Nous dsirons mesurer les rayons de courbure d'une
lentille mince sphrique.
Mesurer sa distance focale par une mthode clas-
sique.
Dduire de ces mesures l'indice de la lentille.
Thorie :
Reprendre le thorme des vergences pour un sys-
tme constitu d'une lentille et d'un miroir sph-
rique accols dans les conditions de Gauss.
Dmontrez la relation de conjugaison au sommet
d'un dioptre sphrique dans les conditions de
Gauss. Associez deux tels dioptres accols pour
trouver l'expression de f', focale image de la len-
tille, en fonction de n, R1 et R2.
226
quez comment l'tude de cette portion rflchie permet de
remonter au rayon de courbure d'un des deux dioptre de la
lentille (est-ce toujours possible ?), puis l'indice de la len-
tille.
Exprience : Mesurez les rayons de courbures d'au moins
deux lentilles diffrentes par les deux mthodes.
Proposition : celle de 200mm de grand diamtre et celle de
50cm de distance focale.
Exploitation : Une grande importance est donne aux cal-
culs d'incertitudes.
Mesures optiques :
L1 L2
fmesur Mesure directes : tablir le
fmesur mme type d'exploitation.
Rmesur
Rmesur
R1 calcul
Commentaires ? Prcision sur
R1 calcul l'indice compare celle ob-
R'mesur tenue avec le goniomtre ?
R'mesur
R2 calcul
R2 calcul
n calcul
n calcul
227
IX. OUTILS MATHMATIQUES
A - Drives
228
cos x sin x cos x =sin x x
ex ex e x =e x x
ln x 1/ x ln x = x /x
uv u ' v ' (u et v fonctions de x)
uv u ' vv ' u
u u ' vv ' u
v v
2
1 1 1 1 1 1
=x donc ' =1 x = 2 .
x x x
1 1
donc ( x )'= 1 x 2 = 1
1
2
x =x .
2 2x
sin x2 ' = x2 ' cos x2 =2 x cos x2
B - Drives partielles
( xf )
y ,z
=2 x + y , ( fy )
x, z
=x et
f
z x,y
=2
229
C - Dveloppement limit
D - Intgrales
+ 2
] (1)e dx=0+ 2 e dx
2 2 + 2 x
2 =[x e
d'o l'cart-type gal l'unit.
230
Nous avons utilis une intgration par parties :
b b
b
u(x )v '(x )dx =[u(x )v (x)] u' (x )v (x)dx
a
a a
Changement de variable :
1 1
Soit une nouvelle variable u=g (x) avec la fonction g
continue et strictement monotone sur [a,b] et g la fonction
rciproque, alors :
b g1 (b)
f (x)dx= 1
f (g (u))g ' (u)du
a g ( a)
231
E Sries
n
k =0 k
1
Sries gomtriques drives : si |q|<1 alors q k= 1q
k =0
1
nous drivons ensuite par rapport q : k q k 1= 2
k =1 (1q )
2
puis k (k 1)q k 2= 3
k =2 (1q )
et finalement nous trouvons la formule du binme ngatif :
k (k 1)...(k r+ 1)q k r= r ! r+ 1
k =r (1q)
1
k q k r
soit
(1q)
r+1 = ()
k =r r
x
xk
Une dfinition de la fonction exponentielle : e =
k =0 k!
+
F - Fonction Gamma
( x)= t x 1 et dt
0
Cette fonction permet de gnraliser la notion de factorielle
priv de 24. Nous l'utiliserons pour les nombres demi-entiers.
On montre par intgration par parties que : ( x+1)=x ( x)
(1)=1 d'o, pour n entier, (n+1)=n! .
De plus (1/ 2)= permet le calcul de la fonction pour les
demi-entiers.
232
X. CORRECTIONS
233
Chapitre II : Corrlations et indpendances
2- b) 3- c)
3 3
2 2
1 1
0 0
-3 -2 -1-1 0 1 2 3 -3 -2 -1-1 0 1 2 3
-2 -2
-3 -3
234
E2 : Volumes nonc p87
1-
V1=(100,1+100,0+99,9+100,0)/4 d'o V1 = 100,0 mL.
2 2 2 2
1 =
0,1 0 0,1 0
41
2
= 0,1mL d'o 1 0,082mL
3
D'aprs le thorme central limite et la distribution de la population
normale : V=t./n=3,18x0,0816/2
tddl=3; 95%=3,18 soit V1 0,13 mL et V1 /V1 0,13/100
La pipette, avec une confiance de 95%, est 0,13 mL prs, soit pour
100 mL 0,13% de prcision.
2-
V i =V iV et
[ V 1iV 1 V 2i V 2 ]= [ V1i V2i ]=0,1.00.0 ,10,1 .00.0 ,1=0
i i
[ V 1iV 1 V 2i V 2 ]
i
or r 12=
V 1 V 1 V 2 V 2
i 2 i 2
i i
3-
V={200,1 ; 200,1 ; 199,9 ; 199,9}mL d'o V = 200 mL.
2 2 2 2
0,1 0,1 0,1 0,1 2
V = = 0,1mL
41 3
d'o V 0,115mL et V 0,183 mL et V /V 0,09%
4-
V(V1,V2) d'o :
2 2
V V
V 2= V 12 V 22 = V 1 2 V 22
V1 V 2
V 2 V 1
235
XI. Bibliographie / Sources / Logiciels /
Illustrations
Livres
Web
Placez http:// devant le nom des sites. La plupart des fichiers sont
en copie dans le dossier <www.incertitudes.fr/livre/>.
236
Mesures et incertitudes (accompagnement personnalis en 1 reS).
Professeur de Sciences Physiques appartenant au groupe acadmique.
Lyce Alain Fournier de Bourges. Sur le site <physique.ac-orleans-
tours.fr/accompagnement_personnalise/>
Articles
Logiciels
Tous les logiciels utiliss sont libres et gratuits.
Traitement de texte et tableur OpenOffice et LibreOffice
Graphisme : Gimp (points), Inkskape (vectoriel) et
Blender (3D).
Calcul : Scilab (numrique), XCAS (symbolique) et
programmes en PHP (sur serveur).
Trac de courbes : KmPlot, TeXgraph.
Systme d'exploitation : Ubuntu.
237
Illustrations
1 1 2 1 6% 13% 6%
0 2 4 2 13% 25% 13%
-1 1 2 1 6% 13% 6%
-1 0 1
238
Par exemple pour tre en (x=0 ; y=-1), il y a deux chemins possibles :
(PF,PP) et (FP,PP). cart-type s2 1,033 .
Le marcheur a une chance sur quatre d'tre revenu au point de dpart.
1,5 1 3 3 1 2% 5% 5% 2%
0,5 3 9 9 3 5% 14% 14% 5%
3 9 9 3 s 31,234
-0,5
5% 14% 14% 5%
-1,5 1 3 3 1
2% 5% 5% 2%
-1,5 -0,5 0,5 1,5
239
Pour n=6, nous traons les tableaux suivants :
t (t) 0 1 2 3 4 5 6
t 0,00 1,00 1,41 1,73 2,00 2,24 2,45
s (2p) 0,000 0,816 1,033 1,234 1,417 1,582 1,732
1,5 1,5
1,0 1,0
0,5 0,5
0,0 0,0
0 1 2 3 4 5 6 7 0,0 0,5 1,0 1,5 2,0 2,5 3,0
240
XII. TABLES / Index z2
1 2
f (z)= e
A. Loi normale centre rduite 2
z
241
B. Coefficients de Student
Coefficient
de Student
Confiance (%)
t 50 80 90 95 98 99 99,5 99,8 99,9
1 1,00 3,08 6,31 12,7 31,8 63,7 127 318 637
2 0,82 1,89 2,92 4,30 6,96 9,92 14,1 22,3 31,6
3 0,76 1,64 2,35 3,18 4,54 5,84 7,45 10,2 12,9
Degrs de libert (taille de l'chantillon moins le nombre de paramtres)
242
C. Valeurs critiques de Khi-deux
16 5,81 9,31 11,9 15,3 18,4 20,5 23,5 26,3 29,6 32,0 39,3
17 6,41 10,1 12,8 16,3 19,5 21,6 24,8 27,6 31,0 33,4 40,8
18 7,01 10,9 13,7 17,3 20,6 22,8 26,0 28,9 32,3 34,8 42,3
19 7,63 11,7 14,6 18,3 21,7 23,9 27,2 30,1 33,7 36,2 43,8
20 8,26 12,4 15,5 19,3 22,8 25,0 28,4 31,4 35,0 37,6 45,3
21 8,90 13,2 16,3 20,3 23,9 26,2 29,6 32,7 36,3 38,9 46,8
22 9,54 14,0 17,2 21,3 24,9 27,3 30,8 33,9 37,7 40,3 48,3
23 10,2 14,8 18,1 22,3 26,0 28,4 32,0 35,2 39,0 41,6 49,7
24 10,9 15,7 19,0 23,3 27,1 29,6 33,2 36,4 40,3 43,0 51,2
25 11,5 16,5 19,9 24,3 28,2 30,7 34,4 37,7 41,6 44,3 52,6
26 12,2 17,3 20,8 25,3 29,2 31,8 35,6 38,9 42,9 45,6 54,1
27 12,9 18,1 21,7 26,3 30,3 32,9 36,7 40,1 44,1 47,0 55,5
28 13,6 18,9 22,7 27,3 31,4 34,0 37,9 41,3 45,4 48,3 56,9
29 14,3 19,8 23,6 28,3 32,5 35,1 39,1 42,6 46,7 49,6 58,3
30 15,0 20,6 24,5 29,3 33,5 36,3 40,3 43,8 48,0 50,9 59,7
31 15,7 21,4 25,4 30,3 34,6 37,4 41,4 45,0 49,2 52,2 61,1
32 16,4 22,3 26,3 31,3 35,7 38,5 42,6 46,2 50,5 53,5 62,5
33 17,1 23,1 27,2 32,3 36,7 39,6 43,7 47,4 51,7 54,8 63,9
34 17,8 24,0 28,1 33,3 37,8 40,7 44,9 48,6 53,0 56,1 65,2
35 18,5 24,8 29,1 34,3 38,9 41,8 46,1 49,8 54,2 57,3 66,6
36 19,2 25,6 30,0 35,3 39,9 42,9 47,2 51,0 55,5 58,6 68,0
37 20,0 26,5 30,9 36,3 41,0 44,0 48,4 52,2 56,7 59,9 69,3
38 20,7 27,3 31,8 37,3 42,0 45,1 49,5 53,4 58,0 61,2 70,7
39 21,4 28,2 32,7 38,3 43,1 46,2 50,7 54,6 59,2 62,4 72,1
40 22,2 29,1 33,7 39,3 44,2 47,3 51,8 55,8 60,4 63,7 73,4
243
Index
Analyse en composantes Ds.....................16, 38, 179
principales......................150 Dsintgrations...............148
Approches multicritres..150 Dtente de Joule Gay-Lussac
Asymptotes......................95 .......................................194
Biais...............................124 Dveloppement limit.....81,
Calcul d'incertitude...........53 230
Capacit thermique............1 Dveloppement limit,....105
Cercle des corrlations....164 Diffusion........................240
Changement de variable. 231 Dispersion......................191
Chi 2................................76 Distribution
Classe...........................6, 38 d'chantillonnage........10, 24
Clous................................99 Distribution de Gauss. 10, 19
Coefficient d'aplatissement Droites exrmes................61
...............................101, 231 Droites extrmes.............223
Coefficient de corrlation..47 Eaux minrales...............202
Coefficient de dissymtrie cart..............................192
...............................101, 231 cart moyen.................3, 37
Coefficient de Student12, 60, cart quadratique moyen....4
242 cart-type..................3, 191
Coefficients binomiaux. . .102 quation diffrentielle......92
Compensations.........54, 182 Erreur accidentelle....33, 191
Conductivit thermique....90 Erreur alatoire.....185, 191,
Confiance.........................12 192
Dcomposition en Erreur de discrtisation...33,
gaussiennes.......................99 174, 191
Densit de probabilit.....19, Erreur de mesure............192
176 Erreur de type A.............191
Densit linaire...............147 Erreur de type B.............191
Drive partielle.......59, 229
244
Erreur systmatique 33, 185, Frquence..........................6
191, 192 Gaussienne 3D.................42
Espace des individus.......155 Gaz parfait................65, 195
Esprance.................20, 191 Goniomtre....................217
Estimateur......................124 Hypothse ergodique......197
Estimation........................61 Incertitude........................13
Estimation par intervalle124, Incertitude absolue.....13, 55
135 Incertitude relative......13, 55
Estimation ponctuelle.....124 Incertitude-type..............191
tendue......................3, 176 Indice.......................88, 217
toiles filantes................106 Ingalit de Bienaym-
Facteur d'largissement...191 Tchebychev.............135, 138
Faisceau homocintique..144 Intgrale...................20, 230
Fidlit.............................33 Intgrale multiple.............42
Fluctuations statistiques....12 Intervalle de confiance....12,
Focomtrie.........88, 93, 193 61, 95
Fonction de rpartition. 104, Intervalle de fluctuation....12
113 Intervalle de prdiction...62,
Fonction Gamma............232 95
Fonction rciproque........113 Intervalle dissymtrique..140
Fonctions de variables Isolant...............39, 150, 212
densit............................113 Justesse....................33, 191
Formule de Cauchy.....77, 89 Linarisation...............67, 80
Formule de propagation des Loi binomiale. 102, 118, 119
cart-types................52, 184 Loi binomiale ngative..105,
Formule de propagation des 119
incertitudes...............52, 185 Loi de Bernouilli..............14
Formule du binme de Loi de Bernoulli.............118
Newton...........................232
Loi de dure de vie. 104, 109
Formule du binme ngatif
Loi de l'inverse...............122
.......................................232
245
Loi de Poisson 105, 120, 128 Mthode des petites
Loi de probabilit variations..........................73
triangulaire.....108, 179, 186 Mthode du maximum de
Loi de probabilit uniforme vraisemblance.................131
...............................107, 176 Mthode itrative..64, 77, 80
Loi de Student........110, 120 Mthode par pondration150
Loi du Khi-Deux............111 Mtrologie......................186
Loi du produit................121 Microtat........................196
Loi exponentielle. .109, 120, Miroir sphrique.............221
129 Mode..................................1
Loi gomtrique.....103, 119 Moindres carrs....58, 64, 75
Loi normale............110, 130 Moment..................101, 231
Loi uniforme..........120, 130 Moyenne............................2
Lois continues................107 Moyenne arithmtique........2
Lois discrtes.................102 Moyenne gomtrique........2
Lois du Khi-Deux...........121 Nuages de points..............49
Macrotat.......................196 Ordonne l'origine.........59
Matrice de corrlation....158 Parfaite...........................185
Matrice de passage.........161 Pente................................59
Matrice des donnes.......154 Physique statistique........196
Matrice des donnes Pile lectrique...................93
normalise......................155 Prdiction.........................62
Matrice rduite...............167 Prisme......................89, 217
Mdiane.............................2 Produit de convolution..174,
Mesurage........................191 178
Mesurande......................191 Proposition contrapose....25
Mesure optique...............222 Puissance du test..............29
Mthode d'inversion.......116 Rgression avec barres
Mthode de Box-Mller. 117 d'erreurs...........................64
Mthode des moments....127 Rgression gnralise......75
246
Rgression linaire...........58 Somme de binomiales.....119
Rgression multiple..........75 Somme de gaussiennes. . .120
Rgression non linaire.....80 Somme de Students........121
Rgression parabolique.....78 Somme de variables
Rgression polynomiale....77 alatoires........................101
Rptabilit..............33, 191 Spectre de raie..................89
Reproductibilit........33, 191 Temps d'attente..............136
Rsidu........................59, 76 Test d'hypothse...............24
Rsistance thermique90, 210 Test du Khi-deux..............30
Rsolution........33, 174, 191 Thorme central limite..10,
Risque de deuxime espce 24, 136, 182
.........................................26 Train..............................136
Risque de premire espce Urnes..............................146
.........................................26 Valeur vraie....................191
Risque quadratique.........125 Valeurs propres...............159
Scilab.............................172 Variance. . .20, 101, 177, 182
Sries gomtriques drives Vecteurs propres.............159
.......................................232 Vernier...........................218
Simulation numrique...116, Vieillissement.........104, 109
140 Vraisemblance................131
Somme d'exponentielles. 122 Zro absolu......................62
247