Analyse statistique des données expérimentales Incertitudes et analyse des erreurs dans les...

Analyse statistique des données expérimentales

Incertitudes et analyse des erreurs dans les mesures physiques

John Taylor

Plan

• Introduction : incertitudes sur les données

• Probabilités

• Distributions de probabilités

• Incertitudes, propagation des incertitudes

• Ajustement de courbes

Mesure et incertitude

• Toutes les quantités mesurées le sont à une précision finie

• La science de la mesure consiste à– mesurer à la meilleure précision possible– d’évaluer l’incertitude sur la mesure

Erreur vs incertitude

• Erreur : écart entre la mesure et la valeur vraie (en général inconnue)

• Incertitude : écart probable• Les barres d’incertitude contiennent probablement

la valeur vraie• Attention de ne pas sous-évaluer l’incertitude• Mieux vaut une mesure présentant une grande

incertitude mais qui contienne la valeur vraie que l’inverse


• Chiffres significatifs et mesure

• Quelle est la signification de :– Albert a 22 ans– J’ai parcouru 100 kilomètres à vélo– Le LEP mesure 26,66 km de circonférence– Ce pointeur laser éclaire à 50 m– This laser pointer shines to 54,68 yards


• Quelle est la signification de:– G = (6,67428 ± 0,00067) × 1011 m3 kg1s2

– me = (9,10938215 × 1031 kg) ± 50 ppb

– www.physics.nist.gov/constants

Chiffres significatifs

a = 7,35678 ± 0,345 (utilisation incorrecte)

a = 7,3 ± 0,3

a = 7,356 ± 0,04

a = 7,3568 ± 0,005

a = 7,35678 ± 0,0007

On arrondit l’incertitude à 1 chiffre significatif

On arrondit la valeur au dernier chiffre significatif

Chiffres significatifs (exemple)

• Soit a = 3 m et b = 7 m• a/b = 0,428571 ... ?• a/b = 0,4

Incertitude

• Erreur de mesure

• Erreur systématique

• Incertitude aléatoire

• Incertitude sur une quantité dérivée

• Propagation des incertitudes

• Distribution de probabilité

Erreur de mesure

• Mesure de distance avec une règle graduée en millimètres:– La précision ~ ½ mm

• Mesure de tension avec un multimètre:– La précision dépend de l’appareil– L’appareil est très précis mais la tension varie

Erreur systématique

• Vous avez mesuré une longueur à ± ½ mm– Mais la règle est fausse de 10% !

• Vous avez mesuré une tension à 0,01%– Mais l’appareil est décalibré de 5%

• Vous avez fait une mesure avec grand soin– Mais un des appareils était débranché

Incertitude aléatoire (statistique)

• Vous répétez une mesure 100 fois

• Les résultats se ressemblent mais ...

Incertitude

• L’ensemble des valeurs possibles sont décrites par une distribution de probabilité

• L’incertitude représente un intervalle à l’intérieur duquel la vraie valeur se trouve probablement

• L’incertitude = 1 déviation standard

Incertitude

Quelle est la signification de:– G = (6,67428 ± 0,00067) × 1011 m3 kg1s2

– me = (9,10938215 × 1031 kg) ± 50 ppb

– L’incertitude = une déviation standard– La probabilité que la vraie valeur soit dans cet

intervalle est de 68%

Exemple de mesures

• Fréquence d’un pendule (~ 1 s)

• Chronomètre très précis (~ 1s par an)

• À quelle précision puis-je mesurer la période ?– quelques dixièmes de seconde

• L’histogramme présente une fluctuation

• Je peux moyenner sur plusieurs périodes

Exemple de mesures

• Fréquence de ma respiration

• Même précision de mesure que précédemment

• L’histogramme est plus large

• Le phénomène présente plus de variabilité que la précision de la mesure

• Je peux moyenner

Incertitude relative ou fractionnaire

– G = (6,67428 ± 0,00067) × 1011 m3 kg1s2

– G = 6,67428 × 1011 m3 kg1s2

– G = 0,00067 × 1011 m3 kg1s2

– G/G = 0,00067/ 6,67428 = 10-4 = 0,01 %

– me = (9,10938215 × 1031 kg) ± 50 ppb

– me/ me = 5 × 108

– me= 4,6 × 108 kg

Propagation des incertitudesAdditions et soustractions

• a = 9 ± 3 a entre 6 et 12

• b = 7 ± 2 b entre 5 et 9

• s = a + b = 16 ± 5 car s entre 11 et 21

• d = a b = 2 ± 5car d entre 3 et 7

Propagation des incertitudesProduits et quotients

• a = 29 ± 3 a entre 26 et 32

• b = 37 ± 2 b entre 35 et 39

• ab = 1073 et est entre 910 et 1248

Probabilitéset

Statistiques

Probabilité

• Probabilité qu’un événement X se produise

NNP

succès de nombrelim

Où N = nombre d’essais

Probabilité

• On lance un dé

• 6 résultats possibles

• Chaque résultat a un pi = 1/6

10 ip

1 ip Normalisation

Complément

• p = la probabilité que X se produise

• 1 p = la probabilité que X ne se produise pas

• q = 1 p est le complément de p

Calcul de la probabilité

• 1) Calculez le nombre total de combinaisons N, supposées équiprobables

• 2) Calculez le nombre de ces combinaisons qui représentent un succès S

• 3) p = S/N

Calcul de probabilité

• Probabilité de tirer 3 avec 1 dé

• 1) N = 6 possibilités

• 2) S = 1 seule bonne combinaison

• 3) p = 1/6


• Probabilité de tirer une somme de 4 avec 2 dés

• 1) N = 6 x 6 = 36 possibilités

• 2) S = 3 (1,3) (2,2) (3,1)

• 3) p = 3/36 = 1/12


• Probabilité de tirer une somme de 7 avec 2 dés

• 1) N = 36

• 2) S = 6 (énumérez les)

• 3) p = 6/36 = 1/6

Distribution de probabilité

• Indique la probabilité de succès pour chaque type d’événement

• Se présente sous forme graphique

Distribution pour 1 dé

Somme de 2 dés

Distributions

• Propriétés des distributions– Moyenne, mode, médiane– Valeur attendue– Moments

• Distributions de probabilité particulières– Binôme, Gauss, Poisson, ...

2 types de distributions

• Distributions discrètes

• Distributions continues

Distributions discrètes

(comme on a déjà vu)

– P(xi) > 0 pour des xi discrets

– P(xi) = 0 partout ailleurs

1 ip

Somme de 2 dés

Distributions continues

• Le nombre de résultats permis est • Chaque résultat a une probabilité = 0

• On définit la densité de probabilitéf(x) dx = probabilité de trouver le résultat entre

x et x + dx

Normalisation: 1)(

dxxf

Distribution continue

Mode

• Valeur la plus probable

= 7 pour la somme de 2 dés

Non défini pour un dé

Non défini pour pile ou face

Médiane

• Point qui sépare la distribution en 2 moitiés égales

• = 7 pour la somme de 2 dés

• = 3,5 pour un dé (ou toute valeur entre 3 et 4)

Moyenne

• Ou valeur attendue

• Discrète :

• Continue :

dxxxp

xpx ii

)(

)(

Pour une distribution symétrique

• Moyenne = Mode = Médiane

Valeur estimée

• Moyenne = – est la valeur attendue (ou estimée) de x– Notée

• La moyenne de x est la valeur estimée de x

• La valeur attendue de toute fonction f(x) est

dxxxpxpx ii )(ou )(

dxxpxfxpxff ii )()(ou )()(

x

Normalisation

1)(1)(

1)(1)(

dxxpdxxp

xpxp ii

La normalisation représente la valeur attendue de 1qui est bien sûr égale à 1

Propriétés de la valeur attendue

nn xx

xgbxfaxbgxaf

)()()()(

Ex: N lettres au hasard dans N enveloppes

Combien y a-t-il de lettres dans la bonne enveloppe?

Xi= 0 ou 1 selon que la lettre i est dans la bonne enveloppe ou non

Ex: N lettres au hasard dans N enveloppesCombien y a-t-il de lettres dans la bonne enveloppe?

Xi= 0 ou 1 selon que la lettre i est dans la bonne enveloppe ou non

1/1*/1

1

NNNXXX

XXNX

ii

i

i

Quel que soit N, il y a en moyenne 1 lettre dans la bonne enveloppe

Moments

• Différentes distributions peuvent avoir la même moyenne mais être différentes

Moments

• On peut représenter une distribution par l’ensemble de ses moments

22

1

0 1

xm

µm

m

xm ii

...

Normalisation

Moyenne

Moments centrés

• On soustrait la moyenne pour recentrer

22

1

0

0

1

µxµ

µ

µ

µxµ ii

Normalisation

Moyenne recentrée = 0

Variance = s

...

Écart-type

• Représente la largeur de la distribution

= Écart quadratique

moyen

= Déviation moyenne

22

2222

22

22

22

222

2

2

2

2)(

xxs

xxµx

µµµx

µxµx

µµxx

µµxxµxs


• Je mesure une quantité 5 fois

• x = 17, 16, 18, 17, 18

• Quelle est la valeur probable de x et son incertitude ?

7,02,17

0,75

1

2,175

1

22

x

µx

xxµ

i

i

Probabilité de N événements

• Obtenir 25 piles en 35 lancers

• Obtenir 30 fois 6 en 100 lancers

• Que 10 noyaux de radium se désintègrent en 5 minutes

• Que la bactérie se divise 20 fois en 1 heure

• Que 8 de vos 10 mesures soient dans un certain intervalle

Distribution binômiale

• On lance un dé 100 fois

• La valeur attendue du nombre de 6 est ~17

• Quelle est la probabilité de tirer r fois 6 ?

• Toutes les séries (a1, a2,..., a100) sont équiprobables

• La probabilité de 6 à chaque case est p = 1/6

• Chaque combinaison de r succès et nr échecs a une probabilité

rnr pp )1(

)!(!

!

rnr

n

r

n

rnrB pp

rnr

npnrP

)1(

)!(!

!);;(

•Il y a combinaisons de r succès

Probabilité pour r succès et nr échecs =

67,1)1(

33,36/20

pnp

npµ

727,3)1(

66,166/100

pnp

npµ

Désintégration radioactive

• 1 g de radium = 2,7*1021 atomes = 1 Ci = 1,7*1010 désintégrations/s

• Demi-vie = 5,26 *108 min ~ 1000 ans

• Probabilité qu’un atome donné se désintègre dans les 5 minutes est faible p ~ 108

• µ = np = 5*1012 désintégrations en 5 minutes

• Probabilité de r désintégrations =

rnrB pp

rnr

npnrP

)1(

)!(!

!);;(

Mais n! est impossible à calculern est très grandp est très petitnp = µ est finiOn remplace p par µ/n

r

nr

r

r

n

r

r

rnr

B

nµ

nµ

µ

rn

rnnn

nµnµ

n

µ

rnr

n

n

µ

n

µ

rnr

npnrP

)1(

)1(

!

)1)...(1(

)1(

)1(

)!(!

!

)1()!(!

!);;(

1)1)...(1(lim

11lim

1lim

)1(

)1(

!

)1)...(1();;(

r

r

µn

r

nr

rB

n

rnnn

n

n

µ

n

en

µ

n

nµ

nµ

µ

rn

rnnnpnrP

Distribution de Poisson

),(!

);;(lim

)1(

)1(

!

)1)...(1();;(

µrPr

µepnrP

n

nµ

nµ

µ

rn

rnnnpnrP

P

rµ

B

r

nr

rB

n = 10, p = 0,5µ = 5

n = 100, p = 0,05µ = 5

Propriétés de la distribution de Poisson

• Normalisation

• Écart-type

1!

!),(

0

0

µµ

x

xµ

x

xµ

P

eex

µe

x

µeµxP

µnppnp )1(

Rayons cosmiques

• 180 rayons cosmiques / (m2 min)

• Combien en passe-t-il en 10 secondes ?

• µ = 180*10/60 = 30

• On peut prédire qu’il passera

rayons cosmiques en 10 secondes

3030

5,530

30

secondes 10

7,13

3

seconde 1

Distributions de Poisson

• Nombre de fautes de frappe dans une page

• Nombre d’individus vivant plus de 100 ans

• Nombre de émis par une source

• Nombre d’incendies à Montréal par semaine

• Nombre de gens tirant le numéro gagnant

Additivité

• x obéit à

• y obéit à

• Alors, z = x + y obéit à

),,( pmxPB

),,( pnyPB),,( pnmzPB

22yxz

yxz

Additivité

• x obéit à

• y obéit à


),( 1µxPP

),( 2µyPP),( 21 µµzPP

22yxz

yxz

Distribution gaussienne

• La distribution de Poisson est asymétrique

• Mais devient plus symétrique pour µ grand

• Pour µ>30, la distribution est symétrique

5,530

30

secondes 10

7,13

3

seconde 1


• Abraham de Moivre 1733

• Distribution continue de à

• Maximum en x = µ

• Forme en cloche

• D’application très générale – Théorème de la limite centrale

• Approximation de pour µ grand

),( µxPP


• Taille des individus

• QI

• Incertitudes

• Vitesse des molécules

2

2

2

2

1)(

µx

G exP


• 2 paramètres : µ et • Symétrique autour de µ

Additivité

• x obéit à

• y obéit à


),,( xxG µxP ),,( yyG µyP

),,( zzG µzP

22yxz

yxz

Distribution normale

• Distribution gaussienne

• µ = 0

= 1

Fonction tabulée

Fonction standard

2

2

2

1)(

x

N exP

Distribution normale

1

1

%6868269,0)( dxxPN

68,0

68,0

5,0)( dxxPN 68,0P.E.

35,2Largeur à mi-hauteur


35,2

68,0..

2

1)(

%6868269,0)(

68,0

68,0

EP

dxxP

dxxP

G

G

Fonction erreur erf(x)

21

)(

1)(

2

2

2

2

aerfdxedxxP

dxeaerf

a

a

xa

aN

a

a

x

Fonction erreur

5,0)2/68,0(

68,0)(

1)(

0)0(

2

erf

erf

erf

erf

Théorème de la limite centrale

• Sans démonstration

• Indique pourquoi tant de phénomènes obéissent à une distribution gaussienne

Théorème de la limite centrale

• Soit xi i = 1, ..., n n variables indépendantes

• Les xi obéissent à des distributions caractérisées par des µi et des i

• Alors, est distribuée selon une

• gaussienne avec

n

iix

1

n

ii

n

iiµµ

1

22

1

et

5,530

30

7,13

3

Lorentz

• Pas de lien avec les autres distributions

• Phénomènes de résonance

• Circuits RLC

Lorentz

• est infini

• On utilise

222

21

µxPL

Lorentz

Analyse statistique des données expérimentales Incertitudes et analyse des erreurs dans les...

Documents

Transcript of Analyse statistique des données expérimentales Incertitudes et analyse des erreurs dans les...