Moyenne, écart type et incertitude de mesure.

Slides:



Advertisements
Présentations similaires
L’échantillonnage & Ses Fluctuations
Advertisements

Probabilités et statistiques au lycée
Non linéarités liées à la thermique
STATISTIQUE INFERENTIELLE L ’ESTIMATION
Chapitre 5. Description numérique d’une variable statistique.
Théorie des Probabilités Étude des lois de probabilités usuelles
Comparaison de deux moyennes observées
Inférence statistique
1. Les caractéristiques de dispersion. 11. Utilité.
CONFORMITE d’une distribution expérimentale à une distribution théorique Professeur Pascale FRIANT-MICHEL > Faculté de Pharmacie
Échantillonnage-Estimation
4 Les Lois discrètes.
5 La Loi de Laplace Gauss ou loi Normale
Notions de variable aléatoire et de probabilité d’un événement
Corrélations et ajustements linéaires.
Les tests d’hypothèses
Statistique et probabilités au collège
variable aléatoire Discrète
Etudes des principales lois de probabilité
L’OUTIL STATISTIQUE.
Quelques calculs de probabilités
Autres LOIS de PROBABILITES
Septième étape : travailler avec des graphes probabilistes
Atelier Probabilités et statistiques
Cours de physique générale I Ph 11
Applications des statistiques
1 - Construction d'un abaque Exemple
Cours Corporate finance Eléments de théorie du portefeuille Le Medaf
Probabilités et Statistiques
Introduction aux probabilités
Comprendre la variation dans les données: Notions de base
TECHNIQUES QUANTITATIVES APPLIQUEES A LA FINANCE
STATISTIQUES – PROBABILITÉS
Équations Différentielles
Chapitre 6 Lois de probabilité.
Université dOttawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :47 1 Concepts fondamentaux: statistiques et distributions.
LE CHOIX EN CONTEXTE D’INCERTITUDE
Dépannage du 20 février Intra H04 no 4 On définit la distribution de probabilité d'une variable aléatoire X comme suit : a)Déterminer la valeur.
Rappel: V.A. discrètes: , Moyenne Variance Écart type.
Dépannage du 12 mars 2007.
Théorie… Inférence statistique: étude du comportement d’une population ou d’un caractère X des membres d’une population à partir d’un échantillon aléatoire.
Analyse statistique des données expérimentales
CHAPITRE 3 LE THÉORÈME DE GAUSS.
Lectures Volume du cours : Chapitre 7
Analyse statistique des données expérimentales
ASI 3 Méthodes numériques pour l’ingénieur
1 - Programme de Seconde (juin 2009) Statistique et probabilités
Méthodes de Biostatistique
Chimiometrie (Chemometrics)
Electrostatique- Chap.2 CHAPITRE 2 CHAMP ELECTROSTATIQUE Objectif :
Potentiel électrostatique
ESTIMATION 1. Principe 2. Estimateur 3. Distribution d’échantillonnage
Rappels de statistiques descriptives
Probabilités et Statistiques
Probabilités et Statistiques Année 2009/2010
Micro-intro aux stats.
TD4 : « Lois usuelles de statistiques »
STATISTIQUES – PROBABILITÉS
Intervalles de confiance pour des proportions L’inférence statistique
Probabilités (suite).
Chapitre 3: Variables aléatoires réelles continues
Atelier Probabilités et statistiques
Principales distributions théoriques
Chapitre 4 Variables aléatoires discrètes
Rappel de statistiques

1_Introduction Toute mesure est entachée d’erreur. Il est impossible d’effectuer des mesures rigoureusement exactes. Pour rendre compte du degré d’approximation.
ECHANTILLONAGE ET ESTIMATION
Chapitre 3 Lois de probabilité 1. Lois discrètes 2. Loi de Bernoulli (ou loi alternative simple) variable de Bernoulli On appelle variable de Bernoulli.
Processus ponctuels Caractéristiques et Modèles de répartitions spatiales.
Transcription de la présentation:

Moyenne, écart type et incertitude de mesure. Chapitre 2 Moyenne, écart type et incertitude de mesure.

Tension U moyenne temps On étudie l’évolution d’une grandeur (tension) dans le temps. U = f(t) à cause des fluctuations de la tension elle-même ou à cause de l’instrument de mesure; ou les deux. On peut considérer que U est une variable aléatoire, chaque mesure effectuée correspond à une réalisation de cette variable.

On caractérise cette variable par sa valeur moyenne et par l’écart type qui rend compte de la dispersion des résultats autour de la valeur moyenne. .

2-1 Propriétés des distributions. Selon le cas, la grandeur physique étudiée doit être considérée comme une variable aléatoire discrète ou comme une variable aléatoire continue. 2-1-1. Moyenne. Variable aléatoire discrète X définie sur [xmin, xmax], valeurs associées x1 ,x2, …xN. On définit xN : moyenne discrète des N réalisations de X:

Cette moyenne n ’est pas complètement caractéristique de la variable X . Elle dépend des N réalisations considérées. Pour N autres réalisations on aura : x ’N  xN Cependant, si N est suffisamment grand on définit la moyenne de X ou espérance de X:

Dans le cas d’une variable continue, la moyenne s ’écrit: Ex: Libre parcours moyen du photon. = L Les photons parcourent donc, en moyenne, la distance L.

2-1-2 Variance et écart type. On cherche à caractériser la dispersion des valeurs de la variable aléatoire autour de la moyenne. Comme ce n ’est pas une bonne idée. On définit alors la variance V(X): Pour une variable discrète: Pour une variable continue:

V(X) =s2(X) On démontre la relation: V(X) est la variance de X. On utilise plus généralement l’écart quadratique moyen ou écart type s(X) qui a la même dimension que la variable X: V(X) =s2(X)

2-1-3 Combinaisons linéaires de variables aléatoires Deux variables aléatoires indépendantes X1et X2; a partir de ces variables on définit une nouvelle variable Y: Y= a1X1 +a2X2 Toute réalisation y de Y correspond à la combinaison des réalisations x1 et x2 de X1 et X2. Y vérifie les propriétés: On obtient plus généralement:

2-2. Quelques types de distributions. 2-2-1. Distribution uniforme. 2-2-2. Distribution binomiale (Bernouilli). Un événement E a une probabilité p d ’apparaître au cours d’une expérience . On considère n expériences indépendantes avec p identique: P(observer k fois E en n exp.) = pk(1-p)n-k = pk(1-p)n-k

ou représente le nombre de combinaisons de k objets d ’un ensemble de n objets. Les sont les coefficients du binôme: (a+b)n = Ex: Ensemble E {1 ,2 ,3 ,4 ,5} . Nombre de sous ensembles de 2 objets? {(1,2) ; (1,3) ; (1,4) ; (1,5) ; (2,3) ; (2,4) ; (2,5) ; (3,4) ; (3,5) ; (4,5)}

Ex: Urne avec T boules, a1 boules blanches p=a1/T a2 boules noires pN=a2/T=1-p On tire n boules avec remise ( tirage non exhaustif) et on cherche la probabilité P d ’obtenir k blanches ( donc (n-k) noires): - toutes les séries de même taille n et contenant k blanches sont équiprobables. La probabilité de chacune d ’elle est pk(1-p)n-k Le nombre de ces séries est égal au nombre de combinaisons possibles de k éléments dans une série de n soit P(observer k fois E en n expériences) =

Ex: probabilité d ’obtenir un événement X k fois si p(X)=2/5 et n=30 On calcule la distribution de probabilité: P(4 )=0,001 P(5)=0,004 P(6)=0,011 P(7 )=0,026 P(8)=0,050 P(9)=0,082 P(10 )=0,15 P(11)=0,139 P(12)=0,147 P(13)=0,136 E(x)=np V(x)=np(1-p) s= P(14)=0,110 P(15)=0,078 P(16 )=0,049 P(17)=0,027 P(18)=0,013 P(19 )=0,005 P(20)=0,002 P(21)=0,000

2-2-3. Distribution normale. Une variable aléatoire X suit une loi normale (ou loi de Gauss ou de Laplace-Gauss) si la densité de probabilité est: s >0 - f(x)>0 - - Valeur moyenne de X=µ - Variance V(X) =s2 - Ecart type s

C ’est la loi limite de la loi binomiale dans une suite infinie d ’épreuves répétées ( beaucoup plus facile à utiliser). Pour pouvoir utiliser des tables on utilise la loi normale réduite pour µ=0 et s=1: qui donne une courbe en cloche de Gauss. Les tables donnent f(x) et la fonction P(x) (analogue à une fonction de répartition): .

Valeurs de P(x) en fonction de x: Table de dépassement de l écart absolu: Valeur de l’écart x qui possède la probabilité a d’être dépassé en valeur absolue 0.00 0.10 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 x 1.645 1.282 1.036 0.842 0.674 0.524 0.385 0.253 0.126

Pour x=3 , Surface(x=3)= P(3)=0,9974 la variable x a 99,74% de chance de se trouver dans l ’intervalle [-3s,+3s]. Ceci a des applications pour le calcul des incertitudes.

Ex:- Répartition des valeurs mesurées autour de la valeur De nombreuses distributions naturelles sont approchées par une loi normale. Ex:- Répartition des valeurs mesurées autour de la valeur Moyenne (grand nombre de mesures indépendantes). - Elargissement des raies spectrales par certaines perturbations qui provoquent une distribution de l ’énergie autour d ’une valeur centrale. - Taille des individus autour de la taille moyenne. - Usure de marches d ’escalier.

2-3 Etude statistique des mesures expérimentales. 2-3-1. Incertitude sur une mesure. On mesure la masse d’un objet: variable aléatoire M. A partir d’un très grand nombre de réalisations mi, on détermine la moyenne <M> , la variance V(M) et l’écart type s(M). On observe que plus de 99% des résultats vérifient: On définit alors l ’incertitude absolue sur la mesure: e(M)=3s(M) e(M) est telle que on a 99% de chances d ’obtenir: noté également:

2-3-2 Influence du nombre limité de réalisations. Soit une variable aléatoire X caractérisée par sa valeur moyenne <X> et son écart type s. On suppose par exemple que les réalisations x1, x2,…..,xj de X sont réparties selon une loi normale centrée sur <X> . Si on fait 1 mesure x1 on a <X>= x1 ± e(X) = x1 ± 3 s(X) On cherche à connaître plus précisément <X>. On fait N mesures de X: x1, x2,…..,xj et xN et on calcule la moyenne d’ensemble <x>N sur ces N réalisations.

Comme on comprend intuitivement que si N est assez grand la moyenne <x>N se rapproche de <X>

Comment varie l’écart type s si on fait l’effort de faire N réalisations (mesures ) au lieu de une seule mesure? Pour interpréter <x>N , on considère N nouvelles variables aléatoires X1, X2 ,X3…,XN , indépendantes mais de distribution identique à celle de X, et on définit une nouvelle variable Y: La moyenne d’ensemble apparaît alors comme la réalisation de la variable Y telle que xi=xi.

Y étant une combinaison linéaire de variables aléatoires indépendantes sa moyenne et sa variance s’écrivent: En faisant N réalisations de la variable X, on a amélioré la détermination de la valeur moyenne et divisé l’écart type par Soit

Approximations. On admet donc que si le nombre N d’évaluations est assez élevé: est une bonne approximation de s(X). On obtient alors La valeur moyenne de X est déterminée avec d’autant plus de précision que N est élevé.

Ex: Si on répète 10 fois une épreuve représentée par une variable aléatoire X d’espérance 40 et d’écart type 5 la variable sur les 10 épreuves a une espérance de 40 et un écart type de Ex: S’ il faut 100 parties de pile ou face pour contrôler au 1/10 la relation p =q=0.5 Il faut 10 000 parties pour la contrôler au 1/100 Il faut 1 000 000 parties pour la contrôler au 1/1000 convergence lente.

2-4 Calcul d ’incertitude. 2-4-1. Combinaison linéaire de variables aléatoires indépendantes. Soient n variables aléatoires X1, X2…Xn avec n mesures x1, x2 ….xn associées et n incertitudes e(Xi) associées. Si la nouvelle variable Y , est une combinaison linéaire de X1, X2…Xn : l ’incertitude associée à Y: peut être surestimée par:

2-4-2 Fonctions non linéaires de variables aléatoires indépendantes. Les incertitudes étant réputées petites devant les valeurs moyennes, on passe par le développement linéaire de la fonction f autour du point moyen on estime la variance associée à Y à partir des dérivées partielles de f:

Méthode: On calcule la différentielle df de la fonction f On en déduit l ’écart type: Méthode: On calcule la différentielle df de la fonction f à partir de ses dérivées partielles.

Ex: Dipôle électrique; On mesure la tension U : valeur u et incertitude e(u) et le courant I : valeur i et incertitude e(I). Incertitude sur la puissance dissipée P=U.I ? Avec p=u.i On obtient: Ce qui correspond bien à la relation donnant l ’incertitude relative calculée, dans ce cas,à partir des différentielles logarithmiques : Ln (P )= Ln(U) + Ln(I)