Introduction - Nature des erreurs (suite)
|
|
- Florentin Gascon
- il y a 7 ans
- Total affichages :
Transcription
1 1 Chapitre 1 Introduction - Nature des erreurs (suite) 1.1 Les différentes erreurs possibles 1. Les erreurs systématiques Ce sont des erreurs reproductibles reliées à leur cause par une loi physique, donc susceptible d être éliminées par des corrections convenables. 2. Les erreurs aléatoires Ce sont des erreurs, non reproductibles, qui obéissent à des lois statistiques. 3. Les erreurs accidentelles Elles résultent d une fausse manœuvre, d un mauvais emploi ou de dysfonctionnement de l appareil. Elles ne sont généralement pas prises en compte dans la détermination de la mesure.
2 2 CHAPITRE 1. INTRODUCTION - NATURE DES ERREURS (SUITE) Les types d erreurs classiques L erreur de zéro (offset) Erreur de zéro = Valeur de x quand X = 0. L erreur d échelle (gain) C est une erreur qui dépend de façon linéaire de la grandeur mesurée. Erreur de gain = 20 log( x/ X)
3 1.1. LES DIFFÉRENTES ERREURS POSSIBLES 3 L erreur de linéarité La caractéristique n est pas une droite. L erreur due au phénomène d hystérésis Il y a phénomène d hystérésis lorsque le résultat de la mesure dépend de la précédente mesure.
4 4 CHAPITRE 1. INTRODUCTION - NATURE DES ERREURS (SUITE) L erreur de mobilité La caractéristique est en escalier, cette erreur est souvent due à une numérisation du signal.
5 1.2. CHAÎNE DE MESURE : SES CARACTÉRISTIQUES Chaîne de mesure : ses caractéristiques Principe d une chaîne de mesure La structure de base d une chaîne de mesure comprend au minimum trois étages : Un capteur sensible aux variations d une grandeur physique et qui,à partir de ces variations, délivre un signal. Un conditionneur de signaux dont le rôle principal est l amplification du signal délivré par le capteur pour lui donner un niveau compatible avec l unité de visualisation ou d utilisation ; cet étage peut parfois intégrer un filtre qui réduit les perturbations présentes sur le signal. Une unité de visualisation et/ou d utilisation qui permet de lire la valeur de la grandeur et/ou de l exploiter dans le cas d un asservissement, par exemple. Cette structure de base se rencontre dans toutes les chaînes de mesure et ce, quelle que soit leur complexité et leur nature. De nos jours, compte tenu des possibilités offertes par l électronique et l informatique, les capteurs délivrent un signal électrique et la quasi-totalité des chaînes de mesure sont des chaînes électroniques.
6 6 CHAPITRE 1. INTRODUCTION - NATURE DES ERREURS (SUITE) Gamme de mesure - Étendue de mesure La gamme de mesure, c est l ensemble des valeurs du mesurande pour lesquelles un instrument de mesure est supposée fournir une mesure correcte. L étendue de mesure correspond à la différence entre la valeur maximale et la valeur minimale de la gamme de mesure. Pour les appareils à gamme de mesure réglable, la valeur maximale de l étendue de mesure est appelée pleine échelle. Remarque Lorsqu un appareil indicateur possède un cadran gradué en unités de la grandeur à mesurer, son étendue de mesure n est pas toujours confondue avec l étendue de graduation. Exemple : Appareil de pesage, étendu de la graduation (0, 2 kg), étendu de la mesure (150 g, 2000 g).
7 1.2. CHAÎNE DE MESURE : SES CARACTÉRISTIQUES Courbe d étalonnage Elle est propre à chaque appareil. Elle permet de transformer la mesure brute en mesure corrigée. Elle est obtenue en soumettant l instrument à une valeur vraie de la grandeur à mesurer, fournie par un appareil étalon, et en lisant avec précision la mesure brute qu il donne. Exemple Lors de l essai d un manomètre à tube de Bourdon, nous avons relevé le tableau de mesure suivant : G étalon G mesuré Les mesures sont données en mbar.
8 8 CHAPITRE 1. INTRODUCTION - NATURE DES ERREURS (SUITE) Sensibilité Soit X la grandeur à mesurer, x l indication ou le signal fourni par l appareil. À toutes valeurs de X, appartenant à l étendue de mesure, correspond une valeur de x. x = f(x). La sensibilité autour d une valeur X o de X est m = dx dx (X o) = f (X o ). Si la fonction est linéaire, la sensibilité de l appareil est constante. Lorsque x et X sont de même nature, m qui est alors sans dimension peut être appelé gain. Il s exprime généralement en db. gain (en db) = 20 log(m).
9 1.2. CHAÎNE DE MESURE : SES CARACTÉRISTIQUES Classe de précision - résolution La classe d un appareil de mesure correspond à la valeur en % du rapport entre la plus grande erreur possible sur l étendue de mesure. Plus grande erreur possible Classe = 100. étendue de mesure Lorsque l appareil de mesure est un appareil numérique, on définit la résolution par la formule suivante : Résolution = Etendue de la mesure Nombre de points de la mesure.
10 10 CHAPITRE 1. INTRODUCTION - NATURE DES ERREURS (SUITE) Rapidité, temps de réponse C est l aptitude d un instrument à suivre les variations de la grandeur à mesurer. Dans le cas d un échelon de la grandeur entraînant la croissance de la mesure on définit Le temps de réponse à 10 % : c est le temps nécessaire pour que la mesure croisse, à partir de sa valeur initiale jusqu à rester entre 90 % et 110 % de sa variation totale.
11 1.2. CHAÎNE DE MESURE : SES CARACTÉRISTIQUES Bande passante La bande passante est la bande de fréquence pour laquelle le gain du capteur est compris entre deux valeurs. Le gain du capteur est le rapport x/x généralement exprimé en db. Par convention, le signal continu a une fréquence nulle.
12 12 CHAPITRE 1. INTRODUCTION - NATURE DES ERREURS (SUITE) Grandeur d influence et compensation On appelle grandeur d influence, toutes les grandeurs physiques autres que la grandeur à mesurer, susceptiblent de perturber la mesure. Généralement les capteurs industriels sont compensés, un dispositif interne au capteur limite l influence des grandeurs pertubatrices. La température est la grandeur d influence qui est le plus souvent rencontrée.
13 1.2. CHAÎNE DE MESURE : SES CARACTÉRISTIQUES Propagation des erreurs Les produits La grandeur X s obtient par la mesure de Y et Z. On a X = Y Z. Y et Z sont des nombres positifs. La mesure de Y donne y ± dy, la mesure de Z donne z ± dz. Ainsi, (y dy)(z dz) < X < (y + dy)(z + dz). ( (y dy)(z dz) = yz y dz z dy+dz dy = y z 1 ( dz z + dy y De même ( (y+dy)(z+dz) = yz+y dz+z dy+dz dy = y z 1 + ( dz z + dy y Si l on néglige les erreurs d ordre 2 on a : ( dz X = y z ± y z z + dy ) = dx y x = dz z + dy y. Dans le cas d un produit,les erreurs relatives s ajoutent. Les quotients De la même manière, on démontre que : Dans le cas d un quotient,les erreurs relatives s ajoutent. ) dz dy yz ) ) dz dy + yz )..
14 14 CHAPITRE 1. INTRODUCTION - NATURE DES ERREURS (SUITE) Les sommes La grandeur X s obtient par la mesure de Y et Z. On a X = Y + Z. La mesure de Y donne y ± dy, la mesure de Z donne z ± dz. Ainsi, On a (y dy) + (z dz) < X < (y + dy) + (z + dz). x = (y + z) ± (dy + dz) = dx = dy + dz. Dans le cas d une somme, les erreurs absolues s ajoutent. Les soustractions De la même manière, on démontre que : Dans le cas d une soustraction,les erreurs absolues s ajoutent. Attention : Il faut éviter de soustraire des nombres de même ordre de grandeur.
15 15 Chapitre 2 Estimateurs 2.1 Introduction au traitement statistique des mesures Les erreurs entraînent une dispersion des résultats lors de mesures répétées. Leur traitement statistique permet : de connaître la valeur la plus probable de la grandeur mesurée, de fixer les limites de l incertitude. Lorsque la mesure d une même grandeur X a été répétée n fois, donnant les résultats : x 1, x 2,, x n, la valeur moyenne est définie par : x = 1 n x i. n Une indication de la dispersion de ces résultats est donnée par l écart-type : σ = 1 n (x i x) n 2.
16 16 CHAPITRE 2. ESTIMATEURS Les objets aléatoires manipulés par les physiciens sont des variables aléatoires le plus souvent discrètes (nombre fini de valeurs). Toutefois il est commode (surtout lorsque le nombre de valeurs est très grand ) de passer à la limite et de développer un formalisme continu. On définit alors une densité de probabilité (au lieu d une probabilité) de la façon suivante: Densité de probabilité ρ ρ est une,fonction définie de R à valeurs dans R + ρ est sommable de à + : ρ(x) dx existe. R ρ(x) dx = 1 R dp = ρ(x) dx est la probabilité pour X d être dans l intervalle [x, x + dx[. b ρ(x) dx est la probabilité pour X d être dans [a, b]. a
17 2.1. INTRODUCTION AU TRAITEMENT STATISTIQUE DES MESURES 17 La correspondance entre les v.a. discrètes et continues se fait de la manière suivante : Quantité calculée V.A. discrète V.A. continue valeurs x i valeurs x probabilités p i densité ρ(x) p(x k X < x i ) Normalisation Moyenne < X > Variance V (X) = σx 2 j 1 i=k p i p i = 1 i xj x k + ρ(x) dx ρ(x) dx = 1 + p i x i x ρ(x) dx i + p i (x i < X >) 2 (x < X >) 2 ρ(x) dx i L écart-type est toujours donné par σ X = V (X).
18 18 CHAPITRE 2. ESTIMATEURS Lorsque les erreurs accidentelles affectant les différentes mesures sont indépendantes, la probabilité d apparition des différents résultats satisfait habituellement à la loi normale dite encore loi de Gauss : ρ(x) = 1 σ 2π exp ( ) (x x)2 2σ 2. La valeur la plus probable est la valeur moyenne des mesures. En général on prend une incertitude égale à 3 fois l écart-type.
19 2.1. INTRODUCTION AU TRAITEMENT STATISTIQUE DES MESURES Fidélité, justesse, précision La fidélité est la qualité d un appareillage de mesure dont les erreurs sont faibles. L écart-type est souvent considéré comme l erreur de fidélité. Un instrument est d autant plus juste que la valeur moyenne est proche de la valeur vraie.
20 20 CHAPITRE 2. ESTIMATEURS Un appareil précis est à la fois fidèle et juste. En pratique, la précision est une donnée qui fixe globalement l erreur maximum (en + ou en -) pouvant être commise lors d une mesure. Elle est généralement exprimée en % de l étendue de mesure. Remarque : C est aux valeurs maximales de l échelle que l appareil est le plus précis en valeur relative.
21 2.2. DÉFINITION ET PREMIÈRES PROPRIÉTÉS D UN ESTIMATEUR Définition et premières propriétés d un estimateur Estimateur Supposons qu on veuille obtenir une valeur (x o) aussi raisonnablement proche que possible de la vraie valeur x o d une quantité X, à partir d un échantillon fini {x i } de n mesures. Cela se fera avec grâce à une fonction du genre (x o) n = Φ(x 1, x 2,, x n ), et on appellera (x o) n estimation de x o. Par exemple, si les mesures sont homogènes et indépendantes, la fonction Φ sera la moyenne arithmétique. Pourquoi choisir une fonction Φ plutôt qu une autre? Des règles sont données en regardant les choses au niveau des variables aléatoires et non des valeurs numériques puisque la caractéristique des mesures x i est d être des réalisations de valeurs aléatoires. Il faut donc écrire (X o ) n = Φ(X 1, X 2,, X n ), où les X i sont des valeurs aléatoires et (Xo ) n une valeur aléatoire fonction de v.a. Étant censée estimer une des caractéristiques statistiques des X i, cette fonction est appelée estimateur. Un estimateur (estimate) n est donc pas une valeur numérique mais une variable aléatoire, qui a pour objet d estimer une des caractéristiques des v.a. dont elle est fonction.
22 22 CHAPITRE 2. ESTIMATEURS Propriétés des estimateurs Convergence ou cohérence (limite infinie) La Loi des grands nombres indique que si on reprend une expérience une infinité de fois le résultat global tend vers une quantité non aléatoire. Donc si la taille de l échantillon n tend vers l infini, un bon estimateur (Xo ) n doit tendre vers une variable non aléatoire x o, vraie valeur qu il est censé estimer. C est la convergence, cohérence (consistency) ou correction qui doit impérativement être vérifiées.
23 2.2. DÉFINITION ET PREMIÈRES PROPRIÉTÉS D UN ESTIMATEUR 23 Absence de biais (propriété liée à l espérance) Un estimateur étant une v.a. il possède une espérance (ou moyenne). Quand la taille de l échantillon tend vers l infini, elle tend vers la valeur non aléatoire x o. Mais avec des échantillons de taille finie (c est le cas habituel), il faut tenir compte de la distribution de l estimateur. Il est alors souhaité que l espérance reste stable pour tout n, donc égale à x o. Si c est le cas l estimateur est dit non biaisé. Pour un estimateur biaisé < (X o ) n >= x o + b n, où b n est le biais (bias) qui dépend de la taille de l échantillon : si n tend vers l infini, b n tend vers 0 par la propriété de convergence ci-dessus.
24 24 CHAPITRE 2. ESTIMATEURS Cohérence et absence de biais sont toutefois deux propriétés très différentes; dans la seconde on considère non pas un échantillon de taille infinie mais une infinité d échantillons de taille finie dont la moyenne des réalisations (x o) (k) n est l espérance < (Xo ) n >. La figure ci-dessous donne un exemple d estimateur non biaisé.
25 2.2. DÉFINITION ET PREMIÈRES PROPRIÉTÉS D UN ESTIMATEUR 25 Efficacité (Efficiency) Si on dispose de plusieurs estimateurs de la même quantité on a intérêt à choisir celui dont l écart-type est minimal pour réduire l erreur d estimation.
26 26 CHAPITRE 2. ESTIMATEURS 2.3 Estimation de l espérance Justification de la moyenne arithmétique Les n v.a. parentes et indépendantes X i dont les réalisations successives sont les mesures x i, sont issues de la v.a. générique X dont on recherche l espérance < X >. La moyenne arithmétique X n = 1 n X i n est alors l estimateur le plus utilisé. En effet, supposons la v.a. X normale de variance σ 2 et de moyenne < X >= m. La probabilité d obtenir l échantillon de mesures {x 1, x 2,, x n } ( à dx 1,, dx n près) est : dp (x 1, x 2,, x n ) = K exp [ 1 2σ 2 ( n )] (x i m) 2 dx 1,, dx n, qui dépend de m (qui est inconnue). Le Principe du maximum de vraisemblance (PMV) suggère que la meilleure valeur m de m est celle qui maximise n dp donc celle qui minimise S = (x i m) 2. Cette valeur annule donc la dérivée de S c est-à-dire : ds n dm = 2 (x i m) = 0.
27 2.3. ESTIMATION DE L ESPÉRANCE 27 On obtient m = 1 n x i. La moyenne arithmétique est donc n la meilleure estimation de < X > au sens du PMV et si les mesures sont indépendantes et normalement réparties.
28 28 CHAPITRE 2. ESTIMATEURS Principe du maximum de vraisemblance. On se donne un système décrit par un échantillon de mesures. On cherche quels paramètres (β k ) sont censés décrire le système. Le PMV postule que la meilleure collection de paramètres (β k ) est celle qui rend maximale la probabilité (conditionnelle) d observer l échantillon P ({x i } {β k }) : on joue sur cette condition pour maximiser la probabilité connue L estimateur moyenne arithmétique La cohérence de la v.a X n vient de la Loi des grands nombres : Théorème Si n + et si les v.a. indépendantes X i ont la même répartition que la v.a. X, alors X n tend en probabilité vers l espérance < X >= m de X. On rappelle que deux v.a. X de densité ρ 1 et Y de densité ρ 2 sont indépendantes si ρ(x y) = ρ 1 (x) et ρ(y x) = ρ 2 (y). De même on rappelle qu une suite de v.a. Y n tend en probabilité vers une valeur numérique α si ε > 0, δ > 0, n o, t. q. n n o = P ( Y n α ε) > 1 δ. Biais: l espérance de X n est < X n >=< X >= m. En effet comme la répartition de chaque X n est identique (normale de paramètres identiques ) la moyenne est toujours m. La moyenne arithmétique est donc un estimateur non biaisé de l espérance.
29 2.3. ESTIMATION DE L ESPÉRANCE 29 Efficacité Le théorème de Gauss - Markov indique que parmi les estimateurs non biaisés de < X >, fonctions linéaires des mesures le plus efficace est X n. Pondération des données Supposons les mesures indépendantes mais pas de même qualité : les v.a. X i sont donc indépendantes, de moyenne m mais de variance σi 2 différentes (on supposera les σ i connus). En utilisant le PMV comme précédemment et comme la probabilité d obtenir l échantillon x i s écrit [ ( n )] dp (x 1, x 2,, x n ) = K exp 1 (x i m) 2 dx 1,, dx n, 2 la quantité à rendre minimale cette fois-ci est un χ 2 ( khideux) : n χ 2 (x i m) 2 =. En posant w i = 1 σi 2, la relation dχ2 = 0 (pour chercher le dm minimum) conduit à n n m w i = w i x i, c est-à-dire m = σ 2 i n w i x i ; n w i σ 2 i
30 30 CHAPITRE 2. ESTIMATEURS On n obtient plus une moyenne arithmétique simple mais une moyenne pondérée, les w i étant les poids statistiques (weights). Plus la mesure est précise (σi 2 est faible) plus le poind w i qu on lui donne est important. Exercice Montrer que cet estimateur est lui aussi cohérent et non biaisé. Exercice Montrer que parmi les estimateurs non biaisés fonction linéaires des mesures x i, la moyenne pondéré par w i = k/σ2 i est l estimateur le plus efficace. (Théorème de gauss-markov).
31 2.3. ESTIMATION DE L ESPÉRANCE 31 Erreur sur l estimation de l espérance On suppose les erreurs (expérimentales) σ i connues. On admettra la formule de propagation des erreurs qui donne n ( ) m σm 2 = σi 2 2 ; x i Dans le cas homogène ( σ i = σ et m = 1 n x i ) : n Dans le cas inhomogène : Or σ 2 i σm 2 = 1 ( n ) 2 w i n w i σi 2 = n, donc σ 2 m = 1 n 1 n σ m = σ n. w i n w 2 i σ 2 i = 1 n w i. n w i σi 2 = 1 n σ2 i, étant une moyenne pondérée des erreurs. Finalement 1 1 σ m = = σ n n i 2. w i Pou aller plus loin, il faut estimer les erreurs expérimentales σ i.
32 32 CHAPITRE 2. ESTIMATEURS 2.4 Estimation de la variance
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailCORRECTION TP Multimètres - Mesures de résistances - I. Mesure directe de résistors avec ohmmètre - comparaison de deux instruments de mesure
Introduction CORRECTION TP Multimètres - Mesures de résistances - La mesure d une résistance s effectue à l aide d un multimètre. Utilisé en mode ohmmètre, il permet une mesure directe de résistances hors
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détail= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m
1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailLA MESURE DE LA PRESSION
LA MESURE DE LA PRESSION La mesure de la pression s effectue à l aide d un baromètre. Il s agit d un instrument permettant de repérer la pression de l atmosphère dans laquelle il se trouve et ses variations
Plus en détailManomètre pour pression différentielle avec contacts électriques Exécution soudée Types DPGS43.1x0, version acier inox
Mesure mécatronique de pression Manomètre pour pression différentielle avec contacts électriques Exécution soudée Types DPGS43.1x0, version acier inox Fiche technique WIKA PV 27.05 Applications Contrôle
Plus en détailSSLS116 - Chargement membranaire d une plaque excentrée
Titre : SSLS116 - Excentrement de plaque. Chargement membr[...] Date : 11/03/2010 Page : 1/12 Manuel de Validation Fascicule V3.03 : Statique linéaire des plaques et coques Document : V3.03.116 SSLS116
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
Plus en détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailUne réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen
Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailTravaux Pratiques d Optique
Travaux Pratiques d Optique Ces TP ont lieu au 1 er étage du bâtiment C de Physique, salle C114. Pour la première séance, chaque binôme effectue le TP indiqué. La rotation sur les différents TP s effectue
Plus en détailPRXSENTATION D UN GESTIONNAIRE DE DONNEES NUMERIQUES HIERARCHISEES DESTINE AU DE- -POUILLEMENT D ENQUETES
97 PRXSENTATION D UN GESTIONNAIRE DE DONNEES NUMERIQUES HIERARCHISEES DESTINE AU DE- -POUILLEMENT D ENQUETES Jacques Vaugelade & Marie Piron (Demographie et Statistique) (UR 702) Centre ORSTOM de Ouagadougou
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailExamen d informatique première session 2004
Examen d informatique première session 2004 Le chiffre à côté du titre de la question indique le nombre de points sur 40. I) Lentille électrostatique à fente (14) Le problème étudié est à deux dimensions.
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailInitiation à la Mécanique des Fluides. Mr. Zoubir HAMIDI
Initiation à la Mécanique des Fluides Mr. Zoubir HAMIDI Chapitre I : Introduction à la mécanique des fluides 1 Introduction La mécanique des fluides(mdf) a pour objet l étude du comportement des fluides
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailProjet de synthèse de l'électronique analogique : réalisation d'une balance à jauges de contrainte
J3eA, Journal sur l enseignement des sciences et technologies de l information et des systèmes, Volume 4, HorsSérie 2, 20 (2005) DOI : http://dx.doi.org/10.1051/bibj3ea:2005720 EDP Sciences, 2005 Projet
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
Plus en détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailFiltres passe-bas. On utilise les filtres passe-bas pour réduire l amplitude des composantes de fréquences supérieures à la celle de la coupure.
Filtres passe-bas Ce court document expose les principes des filtres passe-bas, leurs caractéristiques en fréquence et leurs principales topologies. Les éléments de contenu sont : Définition du filtre
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailREF01 Référentiel de labellisation des laboratoires de recherche_v3
Introduction Le présent référentiel de labellisation est destiné aux laboratoires qui souhaitent mettre en place un dispositif de maîtrise de la qualité des mesures. La norme ISO 9001 contient essentiellement
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailG.P. DNS02 Septembre 2012. Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3. Réfraction
DNS Sujet Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3 Réfraction I. Préliminaires 1. Rappeler la valeur et l'unité de la perméabilité magnétique du vide µ 0. Donner
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détail