Académique Documents
Professionnel Documents
Culture Documents
Cours
Cours
Exemple 1.1
Un angle a été mesuré soigneusement 200 fois au Wild T2 à 10-5 grades près. Les observations ont
été corrigées des erreurs systématiques et arrondies à 10-4 grades. Pour chaque mesure on a calculé
la fréquence relative (table 1.1).
On considère que le nombre de mesures est suffisamment grand pour que les fréquences relatives
calculées soient considérées des valeurs limites donc des probabilités.
Table 1.1
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
2
234.3452 A P[A]=0.0321
234.3453 B P[B]=0.1242
234.3454 C P[C]=0.1285
234.3455 D P[D]=0.1338
234.3456 E P[E]=0.1553
234.3457 F P[F]=0.1499
234.3458 G P[G]=0.1413
234.3459 H P[H]=0.1306
234.3460 I P[I]=0.0043
Table 1.2
Dans la théorie de probabilité, on dit que 2 événements A et B sont indépendants quand l’avènement
(réalisation) de l’un est indépendant de l’avènement de l’autre. Dans ce cas particulier la probabilité
pour que les 2 événements se réalisent ensemble au même moment est égale au produit de leur
probabilité respective , i.e ;
P[ A B] P [ A ].P [ B ] (1.1)
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
3
En joignant les sommets de ces différents sommets par des segments de droite, on obtient le
polygone de fréquences (Fig. 1.2) de la série de mesures de la table (1.1).
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
4
Poids Effectif
(en Kg) (Nombre d’étudiants)
50 – 52 5
52 – 54 18
54 – 56 42
56 – 58 27
58 – 60 8
Total 100
Table 1.3
Les surfaces de ces rectangles sont proportionnelles aux effectifs des classes. Dans le cas des
classes ayant la même amplitude, la hauteur des rectangles est proportionnelle aux effectifs des
classes.
La fréquence ou l’effectif relatif d’une classe est l’effectif de cette classe divisé par l’effectif total de
toutes les classes. La distribution correspondante est appelée une distribution de fréquences, une
distribution de pourcentages ou encore un tableau de fréquences. La représentation graphique de
cette distribution s’obtient en remplaçant sur l’axe des ordonnées les effectifs par les effectifs relatifs.
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
5
On appelle effectif cumulé d’une classe l’effectif total correspondant à toutes les valeurs plus petites
que la borne supérieure de la même classe. Exemple, l’effectif cumulé de la classe (56 – 58) de la
table (1.3) est : 5 + 18 + 42 + 27 = 92 , i.e il y a 92 étudiants qui pèsent moins de 58 kg. La
distribution correspondante à l’effectif cumulé s’appelle distribution cumulée des effectifs. On construit
le tableau des effectifs cumulés et le graphe comme indiqué à la table (1.4) et la figure (1.6)
suivantes :
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
6
Figure 1.6
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
7
n
f i xi
f 1 x1 f 2 x2 f 3 x 3 .... f n x n i 1
x (1.3)
n
f1 f 2 f 3 .... f n
fi
i 1
Exemple 1.3
Soit à calculer la moyenne arithmétique des mesures de l’exemple 1.2, qui se sont produites
respectivement 3, 5, 2 et 4 fois.
Dans ce cas la moyenne arithmétique x est calculée selon la relation (1.3). Ainsi
Exemple 1.4
On a mesuré une distance D au moyen de 3 rubans. Le 1er et le 2ème ruban sont respectivement 2
fois et 3 fois plus précis que le 3ème. Si les mesures sont respectivement : 234.456 m ; 234.421 m ;
234.487 m , calculer la moyenne arithmétique pondérée.
Selon la relation (1.4) ;
Dans le cas de la moyenne pondérée, la somme des écarts pondérés est nulle c'est-à-dire que :
n n
p i ( xi x) pi vi 0
i 1 i 1
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
8
2 • On démontre, plus loin, que la somme des carrés de ces écarts v i est minimale,
c'est-à-dire que :
n n
( xi x )2 vi2 est min imale (1.6)
i 1 i 1
n n
pi ( xi x )2 pi v i2 est min imale (1.7)
i 1 i 1
Exemple 1.5
Calculons les écarts de l’exemple 1.3 comme suit:
vi xi x (1.8)
Ainsi ;
Dans le cas où les mesures se répètent ou elles sont pondérées (Exemples 1.3 et 1.4), la somme des
écarts pondérés est nulle.
Calculons la somme des écarts pondérés de l’exemple 1.4 :
4 • Si Y est une valeur centrale d’un ensemble de n valeurs xi (ou un nombre quelconque) et
si l’on note les écarts de ces valeurs par rapport à Y par vi tels que :
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
9
vi xi Y
alors la moyenne arithmétique des valeurs xi pourrait être calculée par la relation suivante :
n
vi
i 1
x Y (1.10)
n
Quant à la moyenne pondérée, elle est donnée par l’expression suivante :
n
p i vi
i 1
x Y n
(1.11)
pi
i 1
F ( xi 1 ) 0.50 F ( xi ) (1.12)
Exemple 1.6
Soit à déterminer la médiane de chacune des 2 séries de nombres suivantes :
Série 1 : 2, 2, 5, 5, 5,7, 10, 13, 13, 13, 13, 17, 25
Série 2 : -5, -5, -5, -1, 13, 14, 16, 24, 35, 35
Solution :
Série 1 : N est impaire, alors la médiane est la valeur centrale soit 10.
Série 2 : N est paire, alors la médiane est donné par la moyenne
arithmétique des 2 valeurs centrales de la série, soit : 13 et
14. Ainsi, la médiane est 13.5.
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
10
x xi . f ( xi )
i
2 – La médiane ( md)
On constate dans la colonne des fonctions de répartition F(xi) (Table 1.5) que :
Fréquence Fonction de
Notes Fréquences relative répartition
(/ 20) (nombre f(xi ) F(xi )=P[X
xi d’étudiants) densité de xi]
probabilité (Probabilités
cumulées)
9 45 0.30 0.30
10 33 0.22 0.52
11 24 0.16 0.68
12 15 0.10 0.78
13 14 0.09 0.87
14 12 0.08 0.95
15 6 0.04 0.99
16 3 0.01 1.00
Total 152 1.00
Table 1.5
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
11
3 – Le mode (mo).
nombres, soit :
xG n x1 x2 x3 ...x n (1.14)
Exemple 1.7
La moyenne géométrique de la série de nombres suivante : 3, 4,7 10, 15, 16 est :
6
xG 3 4 7 10 15 16 6.376
Exemple 1.8
La moyenne harmonique de la série de nombres de l’exemple 1.7 est :
n 6
xH 6.280
n
1 1 1 1 1 1 1
i n xi 3 4 7 10 15 16
Remarque
La moyenne arithmétique, la moyenne géométrique et la moyenne harmonique sont telles que :
xH xG x (1.16)
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(Mars 2021)
1
~
est appelée l’espérance ou la valeur espérée de la variable X .
~
Si X est une variable aléatoire continue dans un domaine fermé [a,b], l’espérance
~
de X a pour expression :
~ b
E[ X ] x f ( x)dx (1.19)
a
n
~ ~
~ E[( X x )2 ] ( xi x ) 2 f ( xi ) X est discrète
s2 ( X ) i 1 (1.22)
~ b ~
E[( X x )2 ] ( x x ) 2 f ( x)dx X est continue
a
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(16 Mars 2021)
2
L’écart type d’une distribution est la racine carrée de la variance, souvent appelé
déviation standard.
dF ( x )
f(x) F' ( x ) (1.23)
dx
Comme F(x) n’est pas décroissante, sa pente ne doit pas être négative, ainsi :
f(x) 0
Alors dans un intervalle fermé [a,b] et compte tenu de la relation (1.23).
b
f ( x )dx F( b ) F( a ) (1.24)
a
Qui signifie que la surface totale comprise entre la courbe f(x) et l’axe des abscisses
x, doit être égale à l’unité (Fig. 1.9).
Figure 1.9
1
g( ~ )
2
2
e (1.28)
2
Cette fonction peut être généralisée pour une variable aléatoire ~
x dont la moyenne
et la variance sont respectivement μ et σ2 en utilisant la relation suivante :
~ ~ x (1.29)
~
x (~
x) ~
x (~
x)
4 0.0000 13 0.6915
5 0.0002 14 0.8413
6 0.0013 15 0.9332
7 0.0062 16 0.9772
8 0.0228 17 0.9938
9 0.0668 18 0.9987
10 0.1587 19 0.9998
11 0.3085 20 1.0000
12 0.5000 10 0.1587
9.5 0.1056 10.5 0.2266
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(16 Mars 2021)
5
Solution
a – P[ X 10.5 ] (~
x ) 0.2266 ; (Fig.1.10)
z est appelée variable réduite. Par conséquent la relation (1.31), s’écrit comme suit :
z2
1
N ( 0 ,1; z ) e 2
(1.34)
2
Vérifions si la variable z a les statistiques suivantes :
Z 0
Z 1
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(16 Mars 2021)
6
z2
1
Z e 2
0 (1.36)
2
2
Par ailleurs, la variance Z de la variable z est donnée par l’expression (1.21), soit :
2
Z E [( z Z )2 ] E[ z 2 ]
Z2
2 1 2
z .N ( 0 ,1; z )dz z e 2
dz
2
(1.37)
dv dz v z
et comme ;
vdu vu udv
z2 z2
2 1 1
z e 2
z e 2
dz (1.38)
2 2
or ;
z2
1
e 2
z 0
2
z2
1
e 2
dz 1
2
donc ;
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(16 Mars 2021)
7
2
z 1
l’objectif de la loi réduite est l’établissement des tables statistiques (Table 1.7) une
fois pour toutes. L’argument d’entrée dans ces tables est la variable réduite z définie
par la relation (1.39) soit :
x
z (1.39)
z2
1
1.1.6.1 Etude de la fonction de Gauss ; N ( 0 ,1; z ) e 2
la fonction N(0,1 ; z) est paire par rapport à Oy, par conséquent on limitera l’étude à
l’intervalle [ 0 , [ . La dérivée N’(0,1 ; z) de N (0,1 ; z) est :
z2
z
N' ( 0 ,1; z ) e 2
z .N ( 0 ,1; z )
2
(1.40)
N’(0,1 ; z) est négative dans l’intervalle considéré, ce qui prouve que la fonction
N(0,1 ; z) est décroissante. Calculons maintenant la dérivée seconde N (0,1 ; z) ;
z2 z2
z2 1
N " (0,1; z ) e 2
e 2
( z 2 1). N (0,1; z )
2 2
(1.41)
N (0,1 ; z) s’annule pour z =1 ce qui correspond au point d’inflexion I (Fig.1.11).
Lorsque N(0,1 ; z) est centrée ( c'est-à-dire 0 ) , la relation (1.39) se réduit à ;
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(16 Mars 2021)
8
x
z (1.42)
ainsi, au point d’inflexion I sur la courbe réduite pour z=1, correspond le point
d’inflexion x sur la courbe non réduite.
Par ailleurs, on définit les fonctions de répartition (z) et F(z) comme suit :
z
( z ) P[ Z z] N ( 0 ,1; Z )dZ
z
(1.43)
F( z ) P[ 0 Z z] N ( 0 ,1; Z )dZ
0
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(16 Mars 2021)
9
(z) ( 0 ) F( z ) (1.48)
Or ;
1
( 0)
2
donc ;
1
(z) F( z ) (1.49)
2
soit ;
Z2 Z2
2 z 2 z
P[ Z z] e 2
dZ e 2
dZ (1.51)
2 0 0
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(16 Mars 2021)
10
Z2
2 z
Figure 1.14 : P [ Z z] e 2
dZ
0
Comme il a été signalé ci-avant, la loi normale réduite est utilisée pour établir la table
statistique de la fonction de répartition F(z) (Table 1.7). La variable d’entrée z est la
variable réduite donnée par la relation suivante :
x
z (1.52)
Où ;
x = étant une variable non réduite ;
= la moyenne de la variable x.
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(16 Mars 2021)
1
F ( z ) P[ 0 Z z]
(D’Hollander,1970).
Par ailleurs,comme il a été signalé auparavant, pour une loi centrée, c'est-à-
dire 0 , la relation (1.52) devient ;
x
z (1.53)
Utilisons la table (1.7) pour extraire les valeurs de la fonction de répartition F(z) qui
correspondent à ces différentes abscisses ; soit :
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(18 Mars 2021)
2
par tranche
d’écart type
F( ) = 0.3413 =
34.1%
1( ) 0.3413 0.682
F(2 ) - F( ) =
2 0.4772 0.954
0.1359 = 13.6%
(2 )
0.4986 0.997
F(3 ) - F(2 ) =
3
0.0214 = 2.15%
(3 )
F(∞) - F(3 ) =
0.0014 = 0.15%
Total = 50.00%
correspondant à ;2 ;3 ; (D’Hollander,1970).
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(18 Mars 2021)
3
0n peut aussi relever, de la table statistique (1.7), les données particulières relatives
à z = 0.6745, 1.96 et 2.58 (Table 1.9), et tenant compte de la relation (1.52) comme
suit :
x z.
z x F(z)
La table (1.9) peut être illustrée par le graphe de la figure (1.16a) suivante :
x
P[ z 2.58] 0.5% P[ 2.58] 0.5% P[ x 2.58 x 0] 1%
x
x (1.54)
P[0 z 2.58] 49.5% P[0 2.58] 49.5% P[ 2.58 x x 2.58 x ] 99%
x
x
P[ z 1.96] 2.5% P[ 1.96] 2.5% P[ x 1.96 x 0] 5%
x
x
P[0 z 1.96] 47.5 P[0 1.96] 47.5% P[ 1.96 x x 1.96 x ] 95%
x
• L’estimé x de la moyenne .
n
1
x li
n i 1
or, si l’on note, par i, la variation de la mesure li par rapport à , on peut écrire ;
li i ; (i 1, 2 , ... , n ) (1.55)
n
1
x ( i )
n i 1
n
1 1
x n i (1.56)
n n i 1
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(18 Mars 2021)
5
2
• Variance ( x ) de la moyenne x : La moyenne x de n variables li avec (i=
n
li
i 1
x (1.57)
n
Comme la variance d’une somme est la somme des variances de ses éléments,
alors :
n
2 1 2
(x) i ( li ) (1.58)
n2 i 1
n
2 2
( li ) n (1.59)
i 1
2
2 2
(x) x (1.60)
n
2
Comme la variance de la population n’est pas connue, on l’estime de la façon
n n
1 1
s2 ( li x )2 ( li )2 (1.61)
n 1 i 1 n 1 i 1
n
2 1
s ( i )2 s2 (1.62)
n 1 i 1
L’expression (1.62) nous permet de dire que la variance s 2 d’un échantillon est
C’est pourquoi s 2 est appelée "erreur moyenne quadratique (MSE) ". Sa racine
carrée s est appelée déviation standard ou RMSE (Root Mean Square Error).
2
s2 1 n
s x ( li x )2 (1.63)
n n( n 1 ) i 1
1 - Cas des grands échantillons dont les variables suivent la même loi de probabilité.
Puisque l’observation x est une variable aléatoire gaussienne de moyenne µ (du fait
que les observations li sont aléatoires), on peut construire la variable réduite
suivante :
x x
z (1.64)
x
P[ x x 2.58 x ] 0.99
(1.65)
P[ x x 1.96 x ] 0.95
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(18 Mars 2021)
7
Cours de la Théorie des Observations donné à distance (via Google Meet) par Prof.Dr Benaim
(18 Mars 2021)
THEORIE DES OBSERVATIONS
(4ème partie du cours)
x
z
n
par :
x
t (1.67a)
s
n
la nouvelle variable t s’appelle variable de Student – Fischer. Ces derniers ont étudié
la distribution de cette variable t pour différentes valeurs de (n -1) et ont construit des
tables (Annexe A, Table 1) à entrée horizontale par la probabilité et entrée verticale
par le nombre (n -1) appelé degré de liberté. La table donne les valeurs de la variable
t correspondantes aux probabilités d’être dépassées. Pour illustrer, traitons l’exemple
suivant : soit n=7 et la probabilité pour que t soit dépassée est =0.05. En entrant
dans la table 1a (Annexe A) par (n -1)=6 et 0.025 , nous pouvons obtenir t ; soit
2 2
t0.025 =2.447 . Cela signifie qu’il y a 5% de chance pour que cette valeur de t soit
dépassée en plus ou en moins.
Dans le cas des petits échantillons (loi de Student-Ficher), l’encadrement de la
moyenne est tel que :
s s
P[ x t . x t . ] 1 (1.67b)
2 n 2 n
( ) 2 tr( )( ) 0 (1.67d)
Où ;
tr( ) = trace de la matrice ;
= déteminant de la matrice .
a k 1 et b k 2 (1.67f)
Dont la solution ;
1 2 xy
arctan 2 K (1.67h)
2
x 2
y
K est arrêté en étudiant les signes du sin 2 et cos 2 qui sont , en fait, les signes de
( 2 xy ) et ( x2 y2 ) respectivement .
0.7867 0.5495
0.5495 0.8940
Solution
2 1.6804 0.4014 0
( 1.39 )( 0.29 ) 0
1 1.39 a 1.18 k
et par conséquent ;
2 0.29 b 0.54 k
2- Calcul de l’orientation ;
On applique la relation (1.67h) ;
cos 2 0 , par conséquent l’angle 2 est tel que 180 2 270 , c'est-à-dire que
K =1 (figure 1.16 c) . Ainsi ;
2 84 .42365 180
d’où ;
132 .21182 132 12 ' 43"
Une mesure est un processus assujetti à des variations provoquées par des facteurs
physiques, tels que par exemple la température et la pression ou dues à l’imperfection
des instruments ou de nos sens…etc. Les petites variations qui se produisent dans les
opérations élémentaires provoquent des variations dans les mesures. Ainsi : toutes les
mesures sont soumises à des variations. Par conséquent, aucune quantité mesurée
n’est complètement déterminée. On doit chercher une valeur fixe pour une quantité
que nous considérons par la suite comme étant sa vraie valeur. Mais en réalité cette
valeur n’est qu’une valeur estimée de la valeur vraie. Mathématiquement, une mesure
doit être considérée comme variable. Il est à souligner que la variation obtenue dans
les valeurs d’une quantité mesurée est un phénomène naturel qui peut être attendu
=x- (1.68)
Où ;
= erreur vraie sur la valeur mesurée x,
x = valeur mesurée (observée),
= valeur vraie.
Les fautes doivent être détectées et éliminées avant l’utilisation de toute mesure.
Ou par l’utilisation d’un modèle mathématique pour évaluer leur effet et l’éliminer par
la suite.
Ou par l’utilisation d’un modèle mathématique pour évaluer leur effet et l’éliminer par
la suite.
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
2
li – ε i = (i =1 ,2, 3, …, n)
(1.72)
où i sont les erreurs accidentelles (aléatoires) et pourrait être appelée valeur vraie
de la variable ~
x.
L’ensemble (ε1, ε2, ε3, …, εn) correspondant à une série de mesures données constitue un
échantillon de la variable aléatoire ~ que l’on pourrait définir en considérant l’équation
précédente par :
~ = ~x -
(1.73)
Une erreur accidentelle est donc une variable aléatoire qui appartient à une
population caractérisée par une fonction de probabilité donnée.
Le traitement des observations qui sont nécessairement affectées par les erreurs
accidentelles, sera donc basé sur les notions de probabilités et statistiques rattachées
aux variables aléatoires.
1.2.1.3.2 La loi des erreurs aléatoires - Fonction de probabilité de Gauss.
Constatations
Les histogrammes (ou polygones) des échantillons aléatoires
représentant les résultats de la mesure d’un phénomène physique,
présentent en général la même forme caractéristique (Fig.1.17).
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
3
➢ g( ~ ) est symétrique ;
➢ La valeur maximum de l’ordonnée de g( ~ ) est à ~ =0 et
h
est égale à et varie donc avec h ;
➢ g ( ~ ) est asymptotique pour ~ tendant vers ± ∞ ;
1
➢ g( ~ ) a 2 points d’inflexion à ~ = ± ;
h 2
La forme de cette fonction illustre les énoncés de la loi des grands échantillons
d’erreurs :
- Les plus petites erreurs sont plus probables que les plus grandes ;
- Les erreurs positives et négatives ont la même probabilité.
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
4
h
h 2~ 2
g( ~ )d~ e d~ 1 (1.75)
με = 0
Maintenant notons la variance des erreurs accidentelles par σε . Nous savons que :
2 E ~ 2 g( )d
2
(1.78)
h 2 2
2 2e d (1.80)
h 2 2
2 2e d (1.81)
0
2h
2 (1.83)
4h
3
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
5
1
2 (1.84)
2h 2
D’où ;
1
h (1.85)
2
Par conséquent la fonction de probabilité de Gauss g( ~ ) devient :
~ 2
1 2 ~2
g ( ~ ) e (1.86)
~ 2
1
Remarque : Les 2 points d’inflexion de g( ~ ) sont à ε = ± .
h 2
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
6
Une valeur numérique devrait renfermer tous les chiffres sûrs plus le 1 er chiffre
douteux. Ex. considérant que les 4 premiers chiffres de la valeur 137.824 sont sûrs et
les deux derniers sont douteux, alors ladite valeur devrait être exprimée par les 5
premiers chiffres soit 137.82 (les chiffres 1,3,7 et 8 sont sûrs mais le chiffre 2 est
douteux). Le nombre de chiffres significatifs dans une quantité mesurée directement
n’est pas difficile à déterminer puisqu’il dépend essentiellement de la plus petite
graduation de mesure dans l’instrument utilisé. Si, par exemple, une distance est
mesurée avec une chaîne graduée en centimètre avec estimation du millimètre, alors
dans une lecture de 562.315 m, les 5 premiers chiffres sont sûrs, le 6 ème est estimé
(douteux). Ainsi la figure numérique de cette mesure a 6 chiffres significatifs.
Le nombre de chiffres significatifs d’une quantité numérique est réduit par défaut ou
par excès.
1 – si k est le nombre des chiffres significatifs requis, ignorer tous les chiffres à
droite du (k+1) ème chiffre, notons le par x ;
2 – si 0≤ x ≤4 , ignorer x,
Exemple 1.13
considérons la quantité numérique y=18.3342 et fixons le nombre de
chiffres significatifs à k = 4, alors y s’écrit 18.33. Le (k+1)ème chiffre est le x
= 4 donc 0≤ x ≤4. D’après la règle le chiffre 4 est à ignorer.
3 - si 5≤ x ≤9 , ignorer x et augmenter kème chiffre de 1 ;
Exemple 1.14
si y = 365.4569, k=5 alors y s’écrit 365.45, puisque le (k+1)ème x=6, i.e
5≤x≤9, alors le kème chiffre doit être augmentée de 1 et par conséquent
l’écriture exacte de y d’après l’hypothèse est y = 365.46
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
7
1
i (1.87)
n i 1
Où ;
n = nombre des observations ;
εi = erreur vraie sur l’observation i ;
= la moyenne des erreurs.
1/ 2
[ ]
e i i
n
(1.88)
On constate que l’erreur moyenne quadratique est plus significative que l’erreur
moyenne des erreurs. Pour preuve, prenons deux séries d’erreurs :
εI = 4, 7, 3, 7, 4
εII = 15, 4, 1, 0, 5
25 25
1 5 II 5
5 5
139 267
eI 5.27 eII 7.31
5 5
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
8
On remarque dans cet exemple que la moyenne des erreurs qualifie les 2 séries
d’égale fiabilité, par contre l’erreur moyenne quadratique démontre que la 1 ère série
est plus fiable que la seconde. Ce qui est évident puisque la 1 ère série présente une
dispersion plus faible que la seconde série.
eD
er (1.89)
D
Exemple 1.15
0.0102 1
D= 5422.00 m ; eD = 10.2 cm ; alors, er = .
5422.00 531569
soit :
n
( l
1
s
2
x )2 (1.89a)
n( n 1 )
x i
i 1
Il a été établi ( § 1.1.6.1, relations 1.54, Figure 1.16a) que la probabilité de l’écart
2.58 x ou 2.58 s x (puisque s x est le meilleur estimé de x ) a la probabilité de
1
0.495 0.005 0.5% d’être dépassé si son signe est précisé. En valeur absolue, il
2
a la probabilité de 1 0.99 0.01 1% d’être dépassé. L’écart 2.58 x ( 2.58 s x ) est
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
9
Remarque importante.
Pour tenir compte des relations (1.54), on pose x = v (v étant l’écart entre la moyenne
x et chacune des mesures).
a et b sont considérés connus sans erreurs. Pour les objectifs de l’analyse utilisons
le concept de la valeur vraie. Si :
xv = valeur vraie de x
yv = valeur vraie de y
tels que :
x = xv + dx (1.91)
y = yv + dy
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
10
et
yv = axv + b (1.92)
y = a (xv + dx) + b
y = axv + adx + b
c'est-à-dire ;
y = yv + adx (1.93)
D’où
dy = adx
(1.94)
Figure 1.18
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
11
On constate que dy est l’erreur sur y produite par une erreur sur x. dy est considéré
comme une différentielle totale de y = ax + b, qui est une fonction linéaire. Pour des
fonctions non linéaires, dy de la relation (1.96) aura une autre expression.
Exemple 1.16
Une parcelle de terrain de forme trapézoïdale ( voir dimensions sur la figure 1.18 ci-
dessus). On demande de calculer l’ordonnée h pour une distance d = 23.560 m,
mesurée avec une erreur de 0.016 m. Calculer l’erreur sur h.
La pente a de la droite CD sur le repère xAy est de :
60 20
a 0.5
80
Ainsi l’équation de la droite CD a l’expression suivante : y = 0.5 x + 20
La pente 0.5 et l’ordonnée à l’origine 20 sont considérées sans erreurs. Alors pour
x d 23.560 m , on a :
h y 0.5( 23.560 m ) 20 m
D’où : h 31.780 m
Et selon l’équation (1.53),
dh adx 0.5( 0.016 m ) 0.008 m
5ème partie du cours de la théorie des observations donné à distance par Pr Benaim
25 mars 2021
1
mais ; x = xv + dx (1.99)
y = yv + dy
Dans la relation (1.101), nous reconnaissons 2xv , dérivée de y par rapport à x évaluée
en xv ; ainsi la relation (1.101) pourrait s’écrire comme suit :
y
dy = dx + ( dx ) 2 (1.102)
x
la relation (1.102) diffère de la relation (1.96) par le terme (dx)2. En pratique nous
négligeons ce terme compte tenu de la petitesse de l’erreur dx.
Figure 1.19
car le terme (dx)2 = (y – y’) 2 est négligé. C’est à dire qu’au lieu d’utiliser le point P sur
la courbe y = x2, on utilise P’ sur la tangente à cette même courbe en T.
Exemple 1.17
Soit à calculer la surface y d’une parcelle de terrain ayant une forme carrée. La
longueur x du coté est mesurée avec une chaîne de 20 m et on a trouvé x = 50.170 m.
Cette mesure est utilisée pour calculer la surface de la parcelle comme suit :
Cette surface est représentée par le carré ABCD de la Figure (1.20). Si la chaîne est
courte de 0.020m calculer l’erreur sur la surface.
Figure 1.20
Solution
dy d
= ( x 2 ) = 2 x = 100.240 m
dx dx
Par conséquent,
y
dy = dx = 100.240 0.05 = 5.017 m 2
x
dy représente l’aire totale des rectangles AB1B’A’ et CB2B’C’. La différence entre la
détermination exacte de l’erreur sur l’aire du carré et sa détermination par la formule
tronquée est de 0.0025m2 seulement. Cette différence est l’aire du petit carré
B1BB2B’. ; elle représente 0.05% de l’erreur. Par conséquent, cette différence est
insignifiante.
y y y
dy = dx 1 + dx2 + ......... + dxn (1.103)
x1 x 2 x n
y y y
Où , ,......, sont les dérivées partielles évaluées en x1, x2, …., xn.
x1 x 2 x n
Exemple 1.18
On mesure, avec une chaîne de 30 m courte de 0.030 m la largeur x1 et la longueur x2
d’un rectangle et on se propose d’évaluer l’erreur sur l’aire calculée du dit rectangle
(Fig. 1.21).
.
Figure 1.21
Solution
0.030
dx1 = ( 50.170 ) = 0.050 m
30
0.030
dx 2 = ( 61.090 ) = 0.061 m
30
Ainsi l’erreur dy sur y est donnée par :
2 2
y y
dy = dx1 + dx2 = 4.492 m 2
x1 x 2
~ ~
Y = G( X ) (1.104)
( u ,1 ) ( u ,1 ) ( n ,1 )
Où ;
Y = ~y1 ~y 2 ~y u
~ T
( u ,1 )
G = g 1 g 2 ... g u
( u ,1 )
T
X = ~ xn
~
x1 ~
x2 ... ~
T
( n ,1 )
~y = g ( ~ ~ ~ (1.105)
2 2 x1 , x 2 ,....., x n )
....................
~y = g ( ~ ~ ~
u u x1 , x 2 ,...., x n )
E [ ~y 1 ]
E [ ~
x1 ]
~
~ E [ ~y 2 ] ~ E [ x2 ]
E[Y ] = et E[ X ] = " (1.106)
"
" "
~ E [ ~ ]
xn
E [ yu ]
On aura ;
E [ ~y i ] = E [ g i ( ~
x1 , ~
x 2 ,....., ~
x n )] (1.107)
C’est à dire :
+
E[ ~
yi ] =
....
−
gi ( ~
x1 , ~
x 2 ,...., ~
xn ) f ( ~
x1 , ~
x 2 ,...., ~
x n )dx1 dx 2 ......dx n
(1.108)
~
Où f ( ~
x1 , ~
x 2 ,...., ~
x n ) est la fonction conjointe de densité de probabilité de X .
Dans le cas de fonctions linéaires ou linéarisées, la propagation des moyennes est
beaucoup plus simplifiée. Soit :
~y = a~
x
Alors ;:
E [ ~y ] = E [ a~
x ] = aE [ ~
x] (1.109)
C’est à dire ;:
y = a x (1.110)
~ ~
Dans le cas des vecteurs aléatoires X et Y liés par la relation suivante :
~ ~
Y = AX (1.111)
telle que chaque variable ~yi est exprimée comme suit :
~y = a ~ ~ ~
i i 1 x1 + a i 2 x 2 + ...... + a in x n (1.112)
E [ ~y i ] = a i 1 E [ ~
x1 ] + a i 2 E [ ~
x 2 ] + ....... + a in E [ ~
xn ]
C'est-à-dire ;
y = ai 1 x + ai 2 x + ...... + ain x (1.113)
i 1 2 n
Remarque .
Contrairement au cas des fonctions non linéaires, les fonctions linéaires n’exigent pas
~
la connaissance de la fonction conjointe de densité de probabilité de X pour exécuter
la propagation des moyennes.
Exemple 1.19 :
soit ~
x n dont la fonction de densité de probabilité est :
2
1 ~x − ~x
−
1 2 ~x
f(~
x )= e
~x 2
Déterminer y de ~y tel que :
~y = ~
x2
Solution
on sait que ;
y = E [ ~y ] = E [ ~x 2 ]
c’est à dire que ;
2
1 x−x
+ −
1 2 x
y = x2 e
dx
− x 2
ou encore ;
2
1 x−x
+ −
1 2 x
2
y = x2e
x −
Alors ;
x = z x 2 + x
Et ;
dx = x 2 dz
d’où ;
( ) ( )
+ 2
1
2
−z2
y = + z x 2 e 2 dz
y
x x
−
ou encore ;
y =
x 2
1
−
+
x2 e
−z2
( x ) +
2 dz + 2 x x z 2e
−
−z2
( x 2 dz )
+
+ 2 x2 z 2 e
−
−z2
( x )
2 dz
1 2
dz
+ − z 2 + +
−z2 −z2
y = x e dz + 2 x x 2 ze dz + 2 x2 z 2e
2 − − −
1 2π
μy = 2 π μ 2
x
+ 0 + 2 σ 2
x
2π 2
d’où ;
y = x2 + x2
avec ;
x = E [ ~x ] et x2 = E [( ~x − x ) 2 ] )
y = E [ ~y ] = E [ ~x 2 ]
x2 = E [( ~x − x ) 2 ]
x2 = E [ ~x 2 − 2 ~x x + x2 = E [ ~x 2 ] − 2 x E [ ~x ] + x2 ]
Soit en réduisant ;
x2 = E [ ~x 2 ] − 2 x2 + x2
d’où ;
y = x2 + x2
F( x ) = P[ X x ] = P[ X x, y ] = F( x, )
(1.114)
F ( y ) = P [ Y y ] = P [ x ,Y y ] = F ( , y )
x y
F( x, y ) = f ( u , v )dudv (1.116)
− −
où f(x,y) est la fonction de densité conjointe. On peut démontrer que les fonctions de
distribution marginale de x et y sont données respectivement par :
+
F( x ) = f ( x , y )dy
−
+
(1.117)
F( y ) = f ( x , y )dx
−
Par ailleurs deux événements sont dits indépendants si l’occurrence de l’un n’a
pas d’influence sur l’autre. De la même manière, deux variables aléatoires sont
dites indépendantes si la valeur prise par l’une n’a pas d’influence sur la valeur
prise par l’autre.
P[A∩B]=P[A].P[B] (1.118)
qui peut être étendue aux fonctions de distribution en admettant simplement que
(X≤x) et (Y≤y) sont des événements. Ainsi :
P[X≤x, Y≤y] = P[X≤x] .P[Y≤y] (1.119)
ou ;
F(x,y) = F(x) . F(y) (1.120)
pour deux variables aléatoires indépendantes x et y. Si x et y ont une distribution
conjointe et elles sont indépendantes, la différentiation des 2 cotés de la relation
(1.120) donne :
2 F ( x , y ) F ( x , y ) F ( x , y )
=
xy x y
C'est-à-dire ;
f(x,y) = f(x). f(y) (1.121)
+ +
xy = ( x − x )( y − y ) f ( x , y )dxdy (1.125)
− −
xy = E [( x − x )( y − y )]
xy = E [ xy − y x − x y + x y ]
σ xy = E [ xy ] − μ x E [ y ] − μ y E [ x ] + μ x μ y
xy = E [ xy ] − x y − y x + x y
D’où ;
E [ xy ] = x y + xy (1.126)
On dit que les variables x et y sont corrélées (existence de xy). Si au contraire, elles
sont indépendantes, alors : E [ xy ] = E [ x ].E [ y ] = x y et la relation (1.126) se
réduit :
xy = 0
Remarque :
Bien que l’indépendance implique une covariance nulle, la réciproque n’est pas
nécessairement vraie ; c’est à dire qu’une covariance nulle n’implique pas
généralement l’indépendance. Heureusement, quand les variables aléatoires x et y ont
une distribution normale conjointe, la covariance nulle est une condition suffisante
d’indépendance. Par conséquent pour des observations distribuées normalement, la
covariance nulle et indépendance sont des conditions équivalentes.
x−
z=
x − y − y
x
xy = E (1.127)
x y
ou encore ;
xy
xy = (1.128)
x y
démontre que :
-1 ≤ ρxy ≤ 1 (1.129)
Exemple 1.20 :
Solution :
x = 1.72 = 1.31cm
σ y = 1.18 = 1.09 cm
Alors ;
0.32
xy = = 0.22
1.31 1.09
Remarques générales :
Figure 1.22
E[ x + y ] = E[ x ] + E[ y ] ou x+ y = x + y (1.130)
(2x + y ) = E [( x + y − x + y )2 ]
(2x + y ) = E [( x − x ) + ( y − y )] 2 (1.131)
Soit en développant :
(2x + y ) = E [( x − x )2 + 2 E [( x − x )( y − y )] + E [( y − y )2 ]
d’où ;
(2x+ y ) = x2 + 2 xy + y2
(1.132)
Exemple 1.21 :
Solution :
- Moyenne de la somme :
-Variance de la somme :
Remarque importante :
(2x+ y ) = x2 + y2 (1.133)
~
Déterminons la matrice de variances covariances Y~ d’un vecteur aléatoire Y qui
( u ,1 )
( u ,u )
~
est une fonction linéaire d’un vecteur aléatoire X dont X~ est connue, tel que :
( n ,1 )
( n ,n )
~ ~
Y A X (1.134)
( u ,1 ) ( u ,n ) ( n ,1 )
Où ;
Solution :
~
Y
est définie par :
( u ,u )
~ ~ ~ ~
Y~ E [( Y E [ Y ])( Y E [ Y ])T ] (1.136)
D’où;
C’est –à-dire;
𝛴𝑌 = 𝐴𝛴𝑋 𝐴𝑇 (1.137)
Exemple 1.22 :
Considérons les vecteurs aléatoires suivants X et Y tels que :
X = [x1 x2]T et Y = [y1 y2]T
X et Y sont liés par les relations suivantes ;
𝑦1 = 3𝑥1 + 2𝑥2
𝑦2 = 𝑥1 + 5𝑥2 (1.138)
Sachant que la matrice de variances covariances de X est :
1 0
𝛴𝑋 = [ ]
0 3
Déterminer la matrice de variances covariances de Y.
Solution :
Les relations (1.138) peuvent être groupées sous la forme matricielle suivante :
Y=AX
Où ;
3 2
A
1 5
3 2 1 0 3 1 21 33
Y
1 5 0 3 2 5 33 76
~
Soit à déterminer Y d’un vecteur Y qui est une fonction non linéaire d’un vecteur
~ ~
aléatoire X ayant une matrice de variances covariances X connue. Y est de la
forme suivante :
~ ~
Y F(X ) (1.139)
Pour pouvoir appliquer la propagation des variances covariances dans ce cas, on doit
~ ~
procéder à la linéarisation de la fonction F ( X ) en premier lieu. F ( X ) sera linéarisée
en lui appliquant le développement en série de Taylor au voisinage d’une valeur
~
initiale du vecteur X ; soit X o , cette valeur:
~ F
Y F( X 0 ) ~ X~ X
0
(1.140)
X Xo
~ F ~
où F ( X 0 ) est la valeur de F ( X ) en X 0 et ~ la Jacobienne JXY de la variable Y
X X0
~
par rapport à la variable X , évaluée en X 0 telle que :
~
et X est un vecteur aléatoire, X 0 est le vecteur des valeurs initiales (approchées) de
( n ,1 )
( n ,1 )
~
X . Alors la relation (1.140) s’écrit comme suit :
( n ,1 )
~ ~
Y F ( X 0 ) J XY ( X X 0 ) (1.142)
~
Calculons maintenant l’espérance mathématique de Y .
~ ~ ~
E [ Y ] E [ F ( X 0 ) J XY ( X X 0 )] F ( X 0 ) J XY E [( X X 0 )]
D’où ;
~ ~
E [ Y ] F ( X 0 ) J XY E [ X ] X 0 (1.143)
~
~
Formons le vecteur Y E [ Y ] :
~ ~ ~ ~
Y E [ Y ] F ( X 0 ) J XY ( X X 0 ) F ( X 0 ) J XY E [ X ] X 0
~ ~
J XY X J XY X 0 J XY E [ X ] J XY X 0
~
~
J XY X E [ X ]
(1.144)
~ ~ ~ ~
Y E [( Y E [ Y ])( Y E [ Y ])T ] (1.145)
Y J XY X J XY
T
(1.146)
( u ,u ) ( u ,n ) ( n ,n ) ( n ,u )
Remarque :
Cette équation est analogue au cas de fonctions linéaires. Mais, il faut noter que suite
à la linéarisation, Y n’est valable qu’au 1er ordre. Pour que l’effet des termes d’ordre
supérieur soit négligeable il faut que la valeur de X 0 soit choisie de façon adéquate (la
Exemple 1.23 :
~ ~
soit 2 vecteurs aléatoires X et Y tels que :
~x1
~ ~
X x2 et Y~ y1
~
~
~x y2
3
et tels que :
~ 2 1~ ~
y1 ~x3 x1 x3
8 2
~y 1 ~
x1 ~
1 ~
x2 ~x 2 x3
2
2 2
~
Sachant que la matrice de variances covariances de X est :
2 2 1
X 2 4 3
1 3 4
et ,
X 0 2 1 1
T
~
Calculer la matrice de variances covariances Y de Y .
Solution :
On sait que ;
J XY X J XY
Y
T
( u ,u ) ( u ,n ) ( n ,n ) ( n ,u )
Calculons J XY ;
1 0 1 0
2 x3 0 ( x30
x1 )
4 2 0.5 0.0 ( 1 )
J XY 4
1 o 1 0 0.5 1.5 0.5
1 1 0
x 20 x1 x 3 x2
2 2 2 2
Calculons maintenant Y .
2 2 1 0.5 0.5
0.5 0.0 1.785
Y 2 4 3 0.0 1.5
0.5 1.5 0.5 1 3 4 1.785 0.5
Soit ;
15.03 14.75
Y
14.75 18.50
Xˆ F ( L ) (1.148)
où,
x̂1 f1 l1
. . .
ˆ
X . ; F . ; L . (1.149)
( u ,1 ) ( u ,1 ) ( n ,1 )
. . .
x̂ f l
u u n
Xˆ J XL L J XL
T
(1.150)
( u ,u ) ( u ,n ) ( n ,n ) ( n ,u )
x̂2 x̂ x̂ . . . . x̂ x̂
1 1 3 1 u
. . .
. . . .
;
Xˆ . . . .
( u ,u ) . . . .
. . . .
x̂ x̂ . . . . x̂2
x̂u x̂1 u 2 u
~
x1 ~
x1 ~
x1
~ ~ . . . .
l1 l2 l n
. . . . . . .
J XL . . . . . . . ;
( u ,n )
. . . . . . .
~
xu ~
xu
~ . . . . . ~
l1 ln
sl2 0 . . 0 . 0
1
. sl2 . . . . .
. .
2
. . . . .
L . . . . . . .
( n ,n ) . . . . . . .
. . . . . . .
0 0 . 0 . . sl2
n
Comme le vecteur Xˆ est constitué d’un seul élément et d’après la relation (1.149), on
peut écrire :
x̂ f ( l1 , l 2 ,....., l n )
Alors la matrice de variances covariances sera calculée selon l’expression (1.150) ;
telle que :
x̂2 Xˆ J XL L J XL
T
( 1 ,1 ) ( 1 ,1 ) ( 1 ,n ) ( n ,n ) ( n ,1 )
où ;
~ x ~ x ~ x
J XL ~ ~ . . . . ~
( 1 ,n ) l1 l2 ln
d’où ;
~ x
s 2
0..... . . 0 ~
l1
~
l1
0 . .
~ x ~x ~x .
x̂2 ~ ~ . . ~ . . . .
l1 l2 ln .
. . .
0 . . . 2
s ~l ~ x
~
ln
n
C'est-à-dire ;
2
~
n
2
x
~
2
x̂
s
li (1.151)
i 1 li
Exemple 1.24 :
pour déterminer la superficie d’une parcelle de terrain de forme trapézoïdale, on a
mesuré la petite base a, la grande base b et la hauteur h. Les résultats sont les
suivants :
a 235.10 m ; b 316.25 m ; h 87.31m
La matrice de variances covariances de ces observations est de :
9 0 0
L 0 8 0 cm 2
0 0 6
Solution :
1° - Modèle mathématique de A.
~
~ a~ b ~
A h
2
2° - Calcul de la superficie A :
a b
A h 24069.184 m²
2
3° - Calcul de J AL :
A A A 1 1 ( a b )
J AL h h
a b h 2 2 2
Soit ;
4° - Calcul de la variance de A :
Â2 10 4 J AL L J AL
T
48.8 m²
5° - Résultas :
Exemple 1.25 :
Les observations des angles et et du côté c d’un triangle plan ABC ont donné les
estimés suivants :
Figure 1.23
90
L 45
c 10 m
et ;
4 (" )² 1(" )² 0
L 1(" )² 16 (" )² 0
0 0 9cm²
Déterminer le vecteur Xˆ ˆ â b̂ T
de même que leur matrice de variances
covariances Xˆ .
Solution :
Posons :
ˆ 90
4 (" ) 0
2
(" )2
1
(" )2
X ;
ˆ â
L = 45 ; L 1 16
(" ) 2
0
10 m 0 0 9cm 2
b̂ c
γ 180 o (α β)
sin
ac
sin( )
sin
bc
sin( )
Calcul des valeurs de , a et b : l’application des valeurs observées dans les formules
précédentes permettent de calculer ces valeurs, soit :
45 , a= 14.14 m et b= 10 m
Calculons la Jacobienne JXL :
c
a a a
J XL
c
b b b
c
1 1 0
c sin sin
sin cos( )
J XL sin ( )
2
c sin( )
sin 2 ( )
sin cos( ) sin sin
c sin 2 ( ) c
sin ( )
2
sin( )
1 1 0
J XL
1414 1413 1.414
1000 2000 1
Xˆ J XL L J XL
T
Alors :
(" )2 (" )2 0
4 1
1 1 0
1.414 1
0
1414cm 1413cm (" )2 (" )2
Xˆ 16
" "
1000cm 2000cm 2
1 0 0 9cm
" "
1414cm 1000cm
1 " "
1413cm 2000cm
1
" "
0 1.414 1
1 1 0
Xˆ
0.00686 cm /" 0 .00685cm /" 1.414
0.00485cm /" 0.00970cm /" 1
(" )2 (" )2 0
4 1 1 0.00686 cm /" 0.00485cm /"
0 1 0.00685cm /" 0.00970cm /"
1
(" )2 (" )2
16
2
0 0 9 cm
0 1.414 1
F ( Xˆ , L ) = 0 (1.152)
Il est normal que l’on accorde plus d’importance aux éléments dont la variance est
plus petite par rapport à ceux dont la variance est plus grande. L’importance donnée
à une observation par rapport aux autres observations est appelée : le poids de
l’observation. Le poids d’une observation est inversement proportionnel à sa
variance. Ainsi, la matrice de poids du vecteur des observations L sera défini comme
étant proportionnelle à l’inverse de sa matrice de variances covariances. En d’autres
termes le poids P est inversement proportionnel à L . Mathématiquement, ceci se
L = 02 QL (1.154)
alors par :
02 (n’est autre que c de la relation (1.153), valeur choisie à priori) est une constante
positive dont la valeur est tout à fait arbitraire. Elle joue un rôle très important dans
les compensations géodésiques par moindres carrés.
Remarque :
Si les observations sont indépendantes (statistiquement) la matrice de variances
covariances des observations sera diagonale. C’est à dire
sl2 . . . 0
1
0 sl2 . . .
que : L = . .
2
. . . (1.156)
( n ,n )
. . . . .
0 . . . sl2
n
et par conséquent :
o²
² 0 . . 0
sl1
o²
0 . . 0
sl²
P = ² −1
= (1.157)
. .
2
o L
( n ,n )
. . .
. . . . .
o²
0 . . .
sl²
n
Ceci veut dire que dans le cas des observations indépendantes le poids de
chaque observation li est donné par :
o²
pi = (1.158)
s l²
i
poids unitaire (ou poids d’une observation dont le poids est égal à l’unité).
Soit :
~ ~
Y = F( X )
On peut écrire :
Y = o² QY (1.159)
X = o² Q X
d’où :
QY = J YX QX J YX
T
(1.161)
Posons :
L = Vecteur des observations non affectées d’erreurs systématiques ;
ou encore ;
n
x
x = xo + l
i =1 i
lio
( li − li o ) (1.163)
d’où ;
n
x
x − xo = x = l
i =1
li
i lio
(1.164)
n
x n
x
x = ( li )² + ( l )² sl² (1.166)
i =1 li i =1 i
i
(1.166) peut être développée comme suit :
1
n x 2
( )
2 j =n
i = n −1
x x
x =
i =1 li
( li )2 + sl2 + 2
i
i =1 li l j
li l j
(1.167)
ji
4 – Une distance a été mesurée par 2 observateurs d’une façon indépendante. Les 2
mesures sont x1= 110.00 m et x2= 110.10 m. Si les déviations standard de ces
mesures sont respectivement 5 cm et 7 cm. Calculer l’estimé de la distance par la
moyenne pondérée de ces mesures ainsi que la déviation standard de cet estimé
sachant que le facteur de variance de référence o2 = 1
Salaires en Nombres
dirhams d’employés
60.00 - 69.99 8
70.00 - 79.99 10
80.00 – 89.99 16
90.00 – 99.99 14
100.99 – 109.99 10
110.00 – 119.99 5
120.00 - 129.99 2
Table 3
Construire,
1°) –une distribution des fréquences
2°) –un histogramme
3°) –un histogramme des fréquences relatives
4°) – un polygone de fréquences
5°) – un polygone des fréquences relatives
6°) – la distribution cumulée des effectifs
7°) – la distribution cumulée des pourcentages
Montrer que l’aire totale des rectangles d’un histogramme est égale à l’aire totale
limitée par le polygone des fréquences correspondant à l’axe des x.
6 – La déviation standard de chacune de 2 directions angulaires partant d’un même
point est SD. Quel est le poids P de l’angle compris entre ces 2 directions.
0.3767 − 0.2195
=
− 0.2195 0.6300
calculer le demi grand axe et le demi petit axe de l’ellipse d’erreur et son orientation.
9 - Dans un triangle ABC, on mesure les angles et et le côté adjacent. Si ces
observations sont :
a = 400.20 m ; a= 0.19 m
= 45° 20 11 ; = 20
= 52° 03 43 ; = 20
2 0.5 0.6
Quu = 0.5 1 − 0.7
0.6 − 0.7 3
x − E( x )
z=
x
z = 0 ; z2 = 1
Quelle est l’erreur moyenne quadratique de l’angle sous-tendu par les 2 directions ?
17 – Dans un triangle plan ABC, on mesure les éléments suivants :
a = 400.20 m ; = 4520' 14" ; = 52 03' 43"
La mesure linéaire a été faite avec une déviation de 30 cm par km, et celle angulaire
de 20 . Calculer les valeurs des 3 autres éléments du triangle et leurs déviations
standard.
18 – L’altitude orthométrique d’un point B a été déterminée à partir d’un point connu
A par nivellement trigonométrique. L’altitude orhométrique de A est HA= 423.45 m de
déviation standard H A = 15 cm . On désigne la distance horizontale AB par D, la
hauteur de l’instrument (station totale) par hI, la hauteur du signal par hS et la distance
zénithale par z. Les valeurs observées des variables et leurs déviations standard
sont :
D = 875.30 m; sD= 0.10 m ; hI =1.64 m; s hI =0.01 m.
hS = 4.50 m; s hs = 0.01 m ; z= 98.4576 grades; sz= 0.0020 grades.