Incertitudes expérimentales

Dimension: px
Commencer à balayer dès la page:

Download "Incertitudes expérimentales"

Transcription

1 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 995 Icerttudes érmetales par Fraços-Xaver BALLY Lcée Le Corbuser Aubervllers et Jea-Marc BERROIR École ormale supéreure Pars RÉSUMÉ Cet artcle s téresse aux problèmes lés à l évaluato des certtudes érmetales que l o peut recotrer lors d ue séace de travaux pratques, das l esegemet secodare, e classes préparatores ou à l uversté. Issu d u esegemet e préparato à l agrégato de phsque, l est davatage cetré sur la pratque que sur des cosdératos théorques. Les pots suvats sot abordés : défto de l certtude érmetale, étude statstque, propagato des certtudes, modélsato et vérfcato d ue lo phsque. De ombreux exemples pratques sot présetés. INTRODUCTION La oto d certtude est essetelle das la démarche érmetale. Sas elle, o e peut juger de la qualté d ue mesure, de sa pertece ou de sa compatblté avec ue lo phsque. Cet artcle vse à fourr les outls écessares à l aalse de résultats érmetaux. O trodut d abord la oto d certtude. Pus, o motre commet, à l ade d ue étude statstque, o peut quatfer les certtudes assocées au caractère aléatore des processus de mesure. O motre esute commet évaluer l certtude sur ue gradeur obteue par calcul à partr d u certa ombre d autres gradeurs mesurées. Ef, o aborde le problème de la modélsato et de la vérfcato d ue lo phsque. O fourt les outls écessares à ue approche quattatve de ce problème. Das tous les cas, l accet est ms sur la pratque et de ombreux exemples cocrets sot présetés. 1. ERREUR ET INCERTITUDE Beaucoup de scetfques cofodet ces deux termes et parlet de calculs d erreurs au leu de calculs d certtudes Erreurs Défto de l erreur Lors de la mesure d ue gradeur phsque x, l erreur est la dfférece etre la valeur Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

2 996 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E mesurée (1) x et la valeur vrae X. La valeur vrae est e gééral coue (pusqu o la cherche) Erreurs aléatores et erreurs sstématques Erreurs aléatores Lorsqu o mesure la pérode d oscllato d u pedule e opérat avec u chroomètre mauel, o costate qu e répétat les mesures o trouve des résultats légèremet dfférets, dus surtout aux retards de déclechemet qu vot rédure ou accroître la valeur de la pérode suvat qu ls ot leu au début ou à la f de la mesure. Ce phéomèe sera détecté par ue étude statstque. O parle d erreur aléatore. Le résultat de la mesure est caractérsé par ue dstrbuto de probablté () réparte autour de la valeur vrae das le cas d erreurs puremet aléatores Erreurs sstématques Supposos mateat qu o mesure la pérode d oscllato d u pedule avec u chroomètre faussé qu dque toujours des temps % trop fables. L étude statstque e le détectera pas. O parle d erreur sstématque : c est la composate de l erreur qu e vare pas das des codtos de mesure répétées. Plus gééralemet les erreurs sstématques ot des orges dverses : Erreur d étaloage Exemple : MILLIkAN a trouvé ue valeur exacte de la charge de l électro parce qu l avat prs ue valeur fausse de la vscosté de l ar. Oubl d u paramètre Exemple : Ifluece de la température sur la vtesse du so (s o e précse pas la température l est mpossble de comparer la mesure à ue valeur de référece). Procédure erroée Exemple : Mesure d ue résstace sas ter compte des résstaces de l ampèremètre et du voltmètre Les erreurs sstématques sot dffcles à détecter a pror, mas ue fos détectées, o peut souvet les corrger (par exemple e teat compte des résstaces de l ampèremètre et du voltmètre lors de la mesure d ue résstace). O représete classquemet les rôles respectfs des erreurs aléatores et sstématques par ue aaloge avec u tr sur cble (cf. fgure 1, page c-cotre), le cetre de la cble représetat la valeur vrae de la gradeur à mesurer : s tous les mpacts sot proches du cetre : fables erreurs aléatores et fable erreur sstématque ; s les mpacts sot très étalés, mas cetrés e moee sur la cble : fortes erreurs aléatores et fable erreur sstématque ; (1) Pour smplfer les otatos, das toute la sute o désge par la même lettre x la gradeur phsque et sa valeur mesurée. () Des rappels élémetares de statstques sot présetés e aexe. Icerttudes érmetales Le Bup 98

3 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 997 s les mpacts sot groupés, mas lo du cetre : fables erreurs aléatores et forte erreur sstématque ; s les mpacts sot étalés et lo du cetre : fortes erreurs aléatores et forte erreur sstématque. Le défaut de cette aaloge est qu e gééral, das les mesures phsques o e coaît pas le cetre de la cble! U exemple plus complexe : S o mesure ue dstace avec ue règle e métal souple, la flexo de la règle va trodure ue erreur sstématque (la dstace lue est toujours trop grade) et aléatore (la flexo de la règle est varable). 1.. Icerttude Fgure 1 : Rôles respectfs des erreurs aléatores et sstématques. L certtude δx tradut les tetatves scetfques pour estmer l mportace de l erreur aléatore commse. E absece d erreur sstématque, elle déft u tervalle autour de la valeur mesurée qu clut la valeur vrae avec u veau de coface détermé. La détermato de l certtude est pas smple a pror. O recotre e prat - que deux stuatos : δx est évalué statstquemet : o parle alors d évaluato de tpe A de l certtude. O cherche das ce cas à caractérser la dstrbuto de probablté des valeurs de x, e évaluat le meux possble la valeur moee et l écart-tpe de cette dstrbuto. Cec se fat par l aalse statstque d u esemble de mesures de x, présetée e détal au paragraphe. E l absece d erreur sstématque, l estmato de la valeur moee est la melleure estmato de la valeur vrae X tads que l certtude δx, drectemet relée à l estmato de l écart-tpe de la dstrbuto, déft u tervalle das lequel la valeur vrae de X se trouve avec u veau de coface cou. O chost le plus souvet comme certtude l estmato de l écart-tpe de la dstrbuto. O parle alors d certtude-tpe. δx est évalué par d autres moes : o parle alors d évaluato de tpe B de l certtude. S o e dspose pas du temps écessare pour fare ue sére de mesures, o estme δx à partr des spécfcatos des apparels de mesures et des codtos érmetales. Exemple 1 : Das ue érece d terféreces avec les fetes d Youg, o mesure Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

4 998 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E la dstace d (de l ordre du mètre) etre les bfetes et l écra avec ue règle graduée e cetmètres. O estme alors gééralemet l certtude-tpe δx sur la mesure à 1/4 de graduato (3). Et s o utlse ue règle graduée e mllmètres? Décder d ue certtude-tpe égale à 0,5 mm serat llusore, e effet au fur et à mesure que la précso d affchage de l strumet augmete, l faut accroître l aalse des causes d erreur. As das le cas préset la posto de la bfete placée das so support est dffcle à repérer précsémet à l échelle du mllmètre alors qu elle état facle à repérer à l échelle du cetmètre. Exemple - Utlsato d u voltmètre umérque : E ouvrat la otce d u voltmètre umérque, o trouve tpquemet les dcatos suvates : la précso D de la mesure est doée par ± fos le derer dgt ± 0,1 % de la valeur lue. O peut cosdérer que l dcato doée par le fabrcat a deux orges (4) : Celle qu provet d ue erreur de calbrage (varable d u apparel à l autre, d u calbre à l autre ). Cette erreur est sstématque quad o utlse le même calbre d u même apparel. Elle devet aléatore quad o utlse pluseurs calbres ou pluseurs apparels, même de modèles detques. Elle est essetellemet présete das les ± 0,1 % de la valeur lue. Celle qu provet d erreurs aléatores (brut ). Elle est essetellemet présete das les ± fos le derer dgt. Pour évaluer l certtude-tpe sur ue mesure, o procède à ue évaluato de tpe B. (5) O covet de dvser la précso D dquée par le fabrcat par Présetato d u résultat érmetal L écrture rapportat la mesure d ue gradeur phsque x est : valeur mesurée de x = x! δx où x est la melleure estmato de la valeur vrae X et δx l certtude-tpe sur la mesure (certtude absolue). E l absece d erreurs sstématques, la valeur vrae de x se trouve probablemet das (ou proche de) l tervalle allat de x δx à x + δx. O déft auss l certtudetpe relatve ou fractoare : δx/ x. Exemple : Das ue érece d odes statoares e acoustque o mesure la dstace (3) Pour formalser ce résultat, o peut supposer que la répétto de la mesure codurat à ue dstrbuto de probablté uforme cetrée sur la valeur vrae et de dem-largeur 0,5 cm. Le calcul de l écart-tpe de cette dstrbuto doe ue certtude-tpe de 0, 5/ 3 = 09cm,. (4) cf. paragraphe..7. (5) Comme das le cas de la règle, cela revet à supposer ue dstrbuto de probablté uforme de largeur D. Icerttudes érmetales Le Bup 98

5 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 999 etre sept œuds de presso, o trouve 86 mm avec ue certtude-tpe absolue estmée à 0 mm (parce qu o a du mal à repérer précsémet les œuds). À la calculatrce o obtet pour la logueur d ode et pour l certtude-tpe absolue les résultats suvats : 86 /3=87,333 mm et 0 /3=6,667 mm. Compte teu du ombre de chffres sgfcatfs de la mesure tale o garde : λ = 87, 3 mm. L certtude-tpe état toujours évaluée grossèremet, o garde u à deux chffres sgfcatfs : δλ = 7mm. Le derer chffre sgfcatf de la mesure dot être cohéret avec l certtude-tpe, o écrra doc : valeur mesurée de λ = 87! 7 mm et valeur mesurée de λ = 87! % Comparaso etre valeur mesurée et valeur acceptée Aat obteu la valeur mesurée avec so tervalle d certtude, o la compare à la valeur de référece (pour ue valeur érmetale de référece, e pas parler de valeur exacte, parler de valeur tabulée). Il est pas aormal que l tervalle e cotee pas la valeur de référece. As das le cas fréquet d ue dstrbuto gaussee, le tableau 4 doé e aexe motre qu l a 3 % de chaces, sot evro ue chace sur tros, d être das ce cas. O commecera à douter de la mesure lorsque l écart attet plus de δx (probablté que la mesure sot boe : ue chace sur vgt au-delà de δx et ue chace sur cet au-delà de,5 δx pour ue dstrbuto gaussee). S c est le cas, l faut voquer des erreurs sstématques. Exemple pratque : O mesure la vtesse du so das l ar à 0 C. O effectue ue sére de mesures qu codut à v = 335 m $ s 1 et à ue certtude-tpe δ v = 5m$ s 1. O a doc : v = 335! 5 m $ s 1. La valeur tabulée dque à cette température : v = 343 m $ s 1. Elle est e-dehors du domae d certtude, mas l écart etre 343 et 335 vaut 1,6 δv. La table doée e aexe (paragraphe A3) dque qu l a evro ue chace sur dx pour qu u écart supéreur ou égal à 1,6 δv se produse. O pourra cosdérer que la mesure est valde, mas éamos pas très satsfasate. Il est pas possble de ter compte des erreurs sstématques das u calcul d certtude, c est pourquo o les supposera églgeables, qutte à rever à la f sur cette supposto e cas de désaccord etre la valeur trouvée et la valeur tabulée (6). (6) A cotraro, le fat de trouver u bo accord e prouve pas qu l a pas d erreur sstématque : l peut e avor pluseurs qu se compeset. Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

6 1000 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E. ÉVALUATION DES INCERTITUDES PAR DES MÉTHODES STATISTIQUES (ÉVALUATION DE TYPE A) L évaluato d ue certtude érmetale à partr de l étude statstque drecte de la gradeur phsque recherchée est présetée das la parte 1. Das la parte, o doe les méthodes de calcul d ue certtude das le cas où ue formule mathématque rele la gradeur phsque étudée aux dverses gradeurs effectvemet mesurées..1. Aalse statstque d ue sére de mesures O s occupe c de la mesure d ue gradeur phsque x dot les sources de varablté sot uquemet aléatores. Das les deux premers paragraphes, o décrt les méthodes statstques qu permettet d évaluer la valeur vrae de x et l certtude-tpe. Das le paragraphe suvat, o motre commet rédure l certtude sur la détermato de x. Le tratemet statstque est basé sur la répétto des mesures de x. S o état capable de réalser ue fté de mesures, o détermerat la dstrbuto de probablté de x, e partculer sa valeur moee X (ou valeur vrae) et so écart-tpe s. Das la pratque, o réalse u ombre f de mesures, de résultats respectfs x 1, x, x, dot o cherche à extrare les melleures estmatos de X et s. Les méthodes statstques qu permettet d obter ces melleures estmatos sot présetées das les paragraphes suvats, sas démostrato Melleure estmato de la moee de la dstrbuto des valeurs de x La melleure estmato de la valeur vrae X, otée mesures,, est la moee de ces mesures (7). x 1 x x x x x Melleure estmato de X x = = x, obteue à partr des.1.. Melleure estmato de l écart-tpe de la dstrbuto des valeurs de x La melleure estmato de s dédute des mesures,,, otée, est doée par (cf. ote 7) : (7) La démostrato de ce résultat est assez smple das le cas où la gradeur à mesurer a ue dstrbuto de probablté gaussee (cf. J.R. TAYLOR ([1], paragraphe 5.5, p. 18 et aexe E1, p. 80). Les melleures R `x estmatos pour X et s maxmset la probablté P 1/ e Xj / v X, v \ σ d obter les résultats x 1,, x lors de mesures. O obtet x (resp. σx ) e dérvat P X, par rapport à X (resp. ) à fxés. v σ x x 1 x x σ x Icerttudes érmetales Le Bup 98

7 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 1001 Melleure estmato de σ= σ = x 1 /_ x x 1 = 1 Note : Le facteur 1, et o pas, vet du fat que la formule c-dessus utlse x, seule quatté accessble à l érece, et o pas X. Il est asé de s e souver : o coçot be qu l est pas possble d estmer l écart-tpe d ue dstrbuto à partr d ue seule mesure. Il est mateat légtme de se poser la questo de la précso de ces estmatos, e partculer de celle de la moee Écart-tpe de la moee E répétat de ombreuses fos l érece cosstat à mesurer valeurs de la gradeur x dot o pred esute la valeur moee, o obtet la dstrbuto de probablté de xr. La valeur moee de cette dstrbuto est X. So écart-tpe, oté σ x et auss appelé écart-tpe de la moee, est doé par : σ x Icerttude- tpe sur de x = σ = représete l certtude-tpe sur la détermato de la valeur vrae X à partr de la moee de mesures. Cette détermato est doc fos plus précse que celle obteue à partr d ue mesure uque (cf. fgure, page c-après). Das la pratque, croît letemet et amélorer la précso d u facteur 10 oblge à effectuer cet fos plus de mesures. U exemple smple pour llustrer cette proprété : s o a beso d ue résstace de 1kW l vaut meux utlser dx résstaces de 100 W à 1 % e sére plutôt qu ue seule résstace de 1000 W à 1 %. E pratque s est pas cou et o utlse so évaluato σ pour détermer. x σx Das le cas où o effectue ue moee sur u pett ombre de mesures, σ x est pas σx ue boe estmato de s et la théore motre qu l faut alors utlser σ = t # où t x est appelé coeffcet de Studet. Ce coeffcet, qu est tabulé, déped du ombre de pots moeés et du veau de coface (8). E TP usuel, l est suffsat de e pas parler de ce coeffcet ce qu revet à le predre égal à 1 quel que sot le ombre de mesures (vor l exemple du pagraphe suvat). (8) Ic o utlse u veau de coface correspodat à u écart-tpe (68 %), certas auteurs préfèret utlser u veau de coface correspodat à deux écart-tpes (95 %). x r σ Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

8 100 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E Fgure : Lorsqu o effectue ue mesure uque, la valeur trouvée sut la dstrbuto de probablté représetée e potllés. mesures dépedates se répartsset aléatoremet sur cette courbe. Lorsqu o pred la valeur moee de ces mesures, les écarts à la valeur vrae se compeset statquemet, avec d autat plus d effcacté que est grad. S o réalse pluseurs détermatos de la moee de mesures, elles suvet la dstrbuto e trat ple. E résumé, s o réalse mesures de x, avec les résultats x 1, x, x, o écrra le résultat fal sous la forme : σ x x x! σ x = où x et sot les melleures estmatos de la valeur vrae et de l certtude-tpe Exemple pratque d aalse statstque d ue sére de mesures Hut étudats mesuret la logueur d ode de la rae verte du mercure e utlsat ue fete fe éclarée par la lampe, ue letlle et u réseau. Ils obteet les résultats suvats : ( de l étudat) l trouvée (m) 538, 554,3 545,7 55,3 566,4 537,9 549, 540,3 Tableau 1 : Mesures dépedates de la rae verte du mercure. Icerttudes érmetales Le Bup 98

9 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 1003 E utlsat u logcel de tratemet des doées (9), o obtet : λ = 548, 04 m et σ = 97m,. O e dédut que l certtude sur la moee des hut mesures vaut : m δλ = σm = 9, 7/ 8 = 3, 44 m. O peut doc écrre : melleure estmato de r λ = 548! 3 m ou 545 G λ G 551 m. O peut comparer à la valeur tabulée : λ = 545, 07 m et coclure qu l a ue boe cocordace. tab Remarque : L certtude-tpe δλ est calculée à partr de qu est ue estmato de l écart-tpe de la dstrbuto des mesures de λ. Cette estmato, correcte das le cas d u grad ombre de mesures, devet mprécse s ce ombre est fable. La lo de Studet metoée au paragraphe.1.3. permet de ter compte de cet effet. Le tableau doe les valeurs du coeffcet t e focto du ombre de mesures pour u tervalle de coface de 68 %. Nombres de mesures Coeffcet de Studet t 1,84 1,3 1,0 1,14 1,11 1,09 Nombres de mesures Coeffcet de Studet t 1,08 1,07 1,06 1,03 1,01 1,00 t = 1 Le tableau doe Tableau : Coeffcet de Studet. t = 108, ). O dot doc écrre e toute rgueur : pour hut mesures (pour u ombre f de mesures, σm λ = λ! t # = 548, 04! 1, 08 # 9, 7/ 8 = 548! 4 m. Cet exemple motre qu o peut oubler la correcto de Studet das le cadre des TP usuels. σ m.. Propagato des certtudes O s téresse c au problème suvat : o coaît les gradeurs érmetales x, (9) Sous Igor, utlser (Aalss " Statstcs : V avg = xr et V ). sdev = σ x Sous Schroe, le module «Statstques» e doe pas σ mas 1 x σ, qu est e pratque x très vos de. σ x Sous Excel, utlser (Iserto " Focto : MOYENNE = x et ECARTYPE = σx ). Sous Kaledagraph, utlser (Fuctos " Statstcs : Mea et Std Devato). Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

10 1004 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E, avec les certtudes-tpes δ,, (10) x δ. Quelle est l certtude-tpe sur la gradeur q = fx (,, )?..1. Cas gééral : q = f (x,, ) S les erreurs sur x et sot dépedates, o peut motrer que (11) : f f δq = < F _ δx + < F _ δx + x O dt que les certtudes-tpes s ajoutet e quadrature (1).... Cas de la somme : q = x + δ = _ δ + _ δ q x L addto e quadrature doe u résultat plus fable que l addto e module : _ δx + _ δ G δx + δ. O peut le compredre phsquemet : la probablté pour que x + s écarte de sa valeur moee de plus d u écart-tpe est plus fable que la somme des probabltés correspodates pour x et. E effet, x et peuvet s écarter smultaémet de leur valeur moee de plus d u écart-tpe sas qu l e sot de même pour leur somme. Applcato : Le résultat c-dessus permet de retrouver la formule, doée au paragraphe.1.3., relat l écart-tpe de la valeur moee de mesures dépedates de la même varable à l écart-tpe de la varable : σ x = σ. δ q..3. Exemple : q = / x + 3 / Pour calculer δq, o pred la dfféretelle des deux membres : dq= _ / x dx + _ 6/ 3 d. O remplace d par carrée pour obter : δ, l addto par ue addto quadratque et o pred la race δ = 7 / x A _ δ + 7 6/ A _ δ 3 q x (10) Par exemple, s o a mesuré valeurs de x, o a δ = σ. (11) O trouvera ue justcato de ce résultat das [1], paragraphe 5.6, p. 13. (1) De même qu e optque, o addtoe les testés de deux sources cohéretes et pas leurs ampltudes. x x Icerttudes érmetales Le Bup 98

11 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E Calcul drect de l certtude relatve Lorsque q cotet des produts, rapports ou pussaces, o a térêt à utlser la dfféretelle logarthmque pour rmer drectemet l certtude relatve sur q e focto des certtudes sur x,, Premer exemple : q = 3x /z O pred le logarthme épére de la valeur absolue des deux membres : l q = l 3 + l x + l l z pus o calcule la dfféretelle : dq/ q= ( 1/ xdx ) + ( / d ) + ( 1/ zdz ) O e dédut : δ / q = 71/ xa _ δ + 7/ A _ δ + 7 1/ za _ δ q x z Deuxème exemple : q = (x ) / (x + ) (o suppose x >0 et x +>0) Cet exemple est téressat, car les flueces de x au umérateur et au déomateur se compeset partellemet (s x augmete, umérateur et déomateur augmetet doc q vare peu). La dfféretelle logarthmque codut à : dq/ q= 71/( x ) Adx 71/( x ) Ad 71/( x+ ) Adx 71/( x+ ) Ad. La formule de propagato des certtudes état valable que pour des varables dépedates, l faut mpératvemet mettre e facteur dx et d avat dévaluer dq : dq/ q= 71/( x ) 1/( x ) Adx+ 7 1/( x+ ) 1/( x+ ) Ad d où : d / q = 71/( x ) 1 /( x + ) A _ d + 71/( x ) + 1/( x + ) A q x _ d La compesato évoquée c-dessus se tradut par le sge das le terme e facteur de _ δ. x..5. Exemples pratques a. O déterme la pérode T d u pedule e chroométrat mauellemet vgt oscllatos. O décleche et arrête le chroomètre aux stats t 1 et t où le pedule passe par la posto d équlbre. O a T = _ t. O a mesuré et avec t1/ 0 t = 0 t = 13, 8 s 1 1 δ = δ = 0, 3s. La formule géérale doe : t1 t δt = 71/ 0A _ δt + 7 1/ 0A _ δt = 0, 0 s. 1 S o admet que la dstrbuto de probablté est gaussee, o peut dre qu l a deux chaces sur tros (68 %) pour que l erreur aléatore sur T sot féreure à cette valeur (cf. tableau 4, doé e aexe). Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

12 1006 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E b. O déterme ue pussace électrque par la formule P = RI. O mesure R = 15, 7 Ω avec δr = 1 Ω (à cause de problèmes de cotact) et I = 074A, avec δ I = 000A, (d après le fabrcat de l apparel). O e dédut la formule de propagato des certtudes dépedates : δp/ P = _ δr/ R + 4_ δi/ I = 4$ 10 + $ 10. 4$ 10. 0, 06 ou 6 %. O remarque que l certtude sur l testé est églgeable. De maère géérale, l est mportat de comparer les certtudes des dfféretes gradeurs mesurées. Il est clar que das l exemple c-dessus, la prcpale cause d erreur porte sur la résstace et que s o veut amélorer la mesure de P, c est sur elle qu l faut porter ses efforts. Il e servrat à re d acheter u ampèremètre haut de gamme. c. Pour trouver la capacté thermque massque c d u lqude lors d ue érece de calormétre, o mesure l élévato de température d ue certae quatté de ce lqude das laquelle o dsspe ue éerge électrque coue. O obtet la capacté thermque cherchée par la formule : c = UIt / 7m _ θ où U, I, t, m et représetet respectvemet ue teso, ue testé, ue durée, ue masse et ue vara- θ1a _ θ θ1 to de température. O a estmé : δ / U = 1%, δ / I = %, t = 153 s, δ = s U I T, m = 345 g, δ m = 5g, θ = 193 C,, θ = 03 C, et δ 1 = 0, 1 C. Le calcul d certtude motre que la seule certtude qu joue u rôle est celle sur les températures ; o obtet falemet : δc / c. δ /_ θ θ 1= 14%. Les commetares du paragraphe précédet s applquet ecore c. O costate auss qu l faut s possble évter l apparto de pettes dfféreces : l certtude relatve sur la dfférece de deux ombres très voss est grade. Pour amélorer cette érece, l faudrat accroître ettemet la varato de température e augmetat la durée de l érece et/ou l testé du courat...6. Cas où les certtudes e sot pas au même veau de coface Certas fabrcats dquet la précso de leurs apparels e utlsat l certtude-tpe qu correspod à u écart-tpe doc à u veau de coface de 68 % (13). D autres utlset l certtude-élarge qu correspod à u veau de coface de 95 % sot evro deux écart-tpes (14). Exemple : O déterme ue pussace par la relato P = UI. O mesure I = 1,7 A avec ue certtude-tpe égale à 0,0 A. O mesure U = 15,4 V avec ue certtude- (13) E supposat la statstque gaussee. (14) E réalté, la orme défssat les certtudes des strumets est plus complexe que ce qu est préseté c (cf. []). Icerttudes érmetales Le Bup 98

13 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 1007 élarge égale à 0,06 V. O peut doc poser : δ I = 00A, et comme l certtude-élarge vaut le double de l certtude-tpe : δ V = 003V,. O e dédut l certtude-tpe sur P : δ / P = ( 0017, /, ) + ( , /, ). %. P..7. Cas d erreurs aléatores lées La lo de propagato des certtudes dépedates suppose que les varables x,, ot des erreurs aléatores dépedates. S cette codto est pas vérfée, la formule de combaso quadratque e s applque pas. Par cotre, l égalté o quadratque suvate est toujours vérfée : q q δq G δ x + δ + x O va vor cepedat sur u exemple pratque que cette égalté rsque d être de peu d térêt. Exemple pratque : U fabrcat de voltmètres grad publc effectue u test statstque sur ses apparels et trouve que l certtude-tpe relatve vaut 1 %. Il l dque das la otce e précsat que l certtude aléatore de chaque apparel est églgeable (s o fat dx fos la même mesure avec le même apparel, o obtet le même résultat) et que l certtude aocée provet des défauts d étaloage d u apparel à l autre (par mesure d écoome, les apparels e sot pas réglés e sorte de la chaîe de producto). Il faut compredre que pour l utlsateur d u apparel, l s agt d ue certtude aléatore (sauf s l procédat à u étaloage de so apparel, ce qu l e fat pas, e dsposat pas d u apparel de référece). V 1 V L utlsateur mesure deux tesos voses : V1 = 1, 71 V et V = 93V, af de détermer V = V V et V = V + V S l utlse deux voltmètres, l u pour mesurer V 1, l autre pour mesurer V, les certtudes aléatores δ V = 1, 71 # 0, 01 = 0, 13 V 1 et δ V = 93, # 001, = 009V, sot dépedates et l applque doc la combaso quadratque : δv3 = δv4 = (, 013) + (, 009) = 016V,. S l utlse le même voltmètre sur le même calbre pour mesurer V 1 et V, les deux certtudes deveet lées (s est trop grad, est trop grad e proporto). E utlsat la otato dfféretelle, o peut écrre : dv3 = dv1 dv avec dv / V = dv / V 1 1 pusqu l a uquemet ue erreur de calbrage. O e dédut dv3 = dv1_ 1 V/ V1 pus, e passat aux certtudes, δv3 = δv171 V/ V1A = 0035, V qu est très féreur à la valeur obteue avec deux voltmètres, car o est sûr que les erreurs sur et se retrachet. De même, o trouve δv = δv 71 + V / VA = 0V,. V 1 V Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

14 1008 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E V 4 Pour, l certtude obteue avec u voltmètre est supéreure à celle obteue avec deux voltmètres, car o est sûr que les erreurs s addtoet. E réalté, chaque apparel a e plus ue certtude aléatore qu lu est propre et qu vet complquer l étude, mas attéuer l effet des erreurs lées. 3. VÉRIFICATION D UNE LOI PHYSIQUE AJUSTEMENT DE DONNÉES EXPÉRIMENTALES PAR UNE FONCTION O cherche souvet à vérfer ue lo phsque relat deux gradeurs dstctes. As, das ue érece sur les semcoducteurs, o est ameé à vérfer que la teso de Hall V H aux bores d u échatllo semcoducteur est relée de maère léare au champ magétque B par VH = _ I/ qbpb où I est le courat qu traverse l échatllo, q la charge d u porteur, b l épasseur das la drecto de B et p est le ombre de porteurs par uté de volume du semcoducteur. E mesurat V H pour dfféretes valeurs de B à I fxé, o souhate d ue part vérfer érmetalemet que la relato lat V H à B est léare et d autre part détermer la valeur de p. Plus gééralemet, o cherche à vérfer que deux gradeurs x et sot relées par ue lo du tpe = fx () où f est ue focto dépedat d u certa ombre de paramètres. O mesure ue sére de valeurs x 1, x, x et les valeurs correspodates 1,,,. L objet des paragraphes suvats est de motrer commet o déterme les melleures valeurs des paramètres de la focto f à partr de ces mesures, d abord das le cas léare pus das le cas gééral. O présete égalemet des outls qu permettet d estmer das quelle mesure la focto f as détermée s ajuste aux doées érmetales Régresso léare Das de ombreux cas, o cherche à savor das quelle mesure des doées érmetales s accordet avec ue lo léare (15) du tpe = a+ bx. O cherche égalemet ue estmato des paramètres a et b et o souhate coaître la précso de cette estmato. O supposera c que les certtudes sur x sot églgeables devat celles sur (o peut très souvet se rameer à cette stuato, car l est très fréquet que les certtudes relatves sur ue varable soet beaucoup plus fables que les certtudes relatves sur l autre). O dspose doc d u tableau de mesures _ x1, 1, _ x,,, _ x, et évetuellemet pour chacue de ces mesures, de l certtude assocée à la mesure de (o ote alors l certtude-tpe sur ). O commece par représeter graphque- σ (15) Le cas d ue lo du tpe = bx est pas détallé c car la démarche est exactemet la même. Les deux tpes d ajustemet léare sot proposés par tous les programmes de tratemet de doées. Icerttudes érmetales Le Bup 98

15 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 1009 met les dfférets couples de pots. À ttre d exemple, o a représeté sur la fgure 3a les doées du tableau 3 (c = 1). x ,79 33,5 36,50 51,88 63,11 66,94 x ,58 9,46 89,50 109,9 117,40 118,37 Tableau 3 : Doées utlsées pour les exemples de régresso léare. Fgure 3 : Régresso léare : exemples. Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

16 1010 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E O appelle esute le programme de modélsato mathématques (ou ft (16) ) du logcel utlsé (17). Celu-c trace la melleure drote passat par les pots e utlsat les résultats du paragraphe suvat Melleure estmato des paramètres a et b Deux cas dfférets se présetet : a. Cas où toutes les mesures de ot la même certtude-tpe C est e partculer ce qu est supposé mplctemet s o a pas précsé les certtudes-tpes σ. La méthode utlsée, appelée méthode des modres carrés, cosste à chercher les valeurs de a et b qu redet mmum : Cette mmsato codut drectemet à : Σ x x x = 1 Σ= 1 Σ= 1 Σ= 1 a = où /_ _ a+ bx = 1 Σ x x = 1 Σ= 1 Σ= 1 b = / / = 1 = 1 = x d x Note : Ces formules e sot be etedues applcables que pour >. D alleurs, pour = 1 elles doet des formes détermées pour a et b. La fgure 3b (cf. page précédete) motre les résultats obteus pour les doées du tableau 3 sas avor précsé les certtudes sur. Les fgures 3c, 3d et 3e présetet les mêmes doées avec des certtudes-tpes respectves σ = 1, σ = 5 et σ = 0. O peut vérfer sur ces quatre fgures que les valeurs de a et b obteues sot detques (et doc dépedates de l certtude ). b. Cas où toutes les mesures de ot des certtudes-tpes dfféretes O peut gééralser les résultats c-dessus au cas où o précse pour chaque mesure (16) E aglas, ft = ajuster, mettre à la boe dmeso. (17) Sous Igor : Aalss " Curve Fttg " Fucto = le. Pour predre e compte les certtudes : oglet Data Opto " Weghtg " om de la wave das laquelle o a ms les certtudes. Lasser par défaut l opto «Stadard Dev.» (l autre opto sert à la compatblté avec ue acee verso d Igor). Atteto, la prse e compte des certtudes est dépedate de l affchage des barres d erreur sur le graphe. Sous Schroe : Tratemet " Modélsato. Schroe e permet pas d affcher les barres d erreur! σ v (1) () Icerttudes érmetales Le Bup 98

17 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 1011 l certtude-tpe σ. O trodut le pods de la ème w = 1/ _ σ mesure qu est d autat plus grad que cette mesure est précse. E redat mmum : O obtet : où / = 1 w _ _ a+ bx Σ = 1 wx Σ= 1 w Σ= 1 wx Σ= 1 wx a = Σ w wx wx w = 1 Σ= 1 Σ= 1 Σ= 1 b = / / / = 1 = 1 = 1 = d wd wx d wx La fgure 3f présete les résultats obteus pour les doées du tableau 3 avec σ = / 10. O costate que les valeurs de a et b sot cette fos-c dfféretes de celles obteues avec des certtudes detques. Le programme de ft fourt égalemet les valeurs des certtudes-tpes sur a et b. Pour cela, l utlse les résultats du paragraphe suvat. σa et σb Icerttudes-tpes s a et s b sur les paramètres a et b Pour évaluer σ et, o utlse les formules 1 et et les techques de propagato des certtudes dépedates décrtes au paragraphe.. a σb a. Cas où toutes les mesures de ot la même certtude Σ x O obtet alors (18) = 1 : σa = σ et σ b = σ où : S o a four l certtude-tpe sur les mesures de σ σ = σ O peut as vérfer sur les fgures 3c, 3d et 3e que σ et sot proportoelles à v a σb. S o a pas dqué d certtudes sur les mesures de σ = σ stat où σ est l estmato statstque décrte c-dessous de l certtude-tpe sur les mesures de. Comme chaque mesure se dstrbue autour de la valeur vrae a+ bx avec la σa σb (18) Remarquer que et e dépedet que des x. σ σ stat Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

18 101 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E même certtude-tpe σ, les écarts _ a+ bx se dstrbuet autour de la valeur ulle avec ue certtude-tpe σ. De la répartto des pots de mesure autour de la drote d équato = a+ bx, o peut doc remoter à l certtude-tpe v sur les mesures de. O peut motrer que la melleure estmato de cette certtude-tpe est (19) stat : 1 σ a bx = / + b. Cas où toutes les mesures de ot des certtudes-tpes dfféretes Les certtudes-tpes sur a et b sot alors doées par : σ a = Σ w = = 1 et σb = Σ wx Accord de doées érmetales avec ue lo léare À partr de l exemple préseté c-dessus, o dscute c qualtatvemet de l accord etre des doées érmetales (cluat évetuellemet leurs certtudes) et la lo léare du tpe = a+ bx détermée das les paragraphes précédets. Sur la fgure 3d, les certtudes sot comparables aux écarts à la drote. Les doées et leurs certtudes sot e bo accord avec ue lo léare (0). Sur la fgure 3c, les certtudes sot e moee pettes par rapport aux écarts à la drote. Les doées et leurs certtudes e peuvet être modélsées par ue lo léare (1). Sot la lo est pas léare, sot o a sous-estmé les certtudes. Sur la fgure 3e, les certtudes sot grades par rapport aux écarts à la drote. Les doées et leurs certtudes peuvet être modélsées par ue lo léare. Il est cepedat probable qu o a surestmé les certtudes. Comme o a pas précsé les certtudes, le cas préseté fgure 3b e permet pas de valder la lo léare. Par cotre, s o admet cette lo, o a l certtude statstque sur a et b. E cocluso : La dscusso qualtatve c-dessus sufft be souvet. Le paragraphe propose éamos ue verso quattatve de cette dscusso. = Coeffcet de corrélato léare Das tous les cas, le programme de ft doe la valeur du coeffcet de corrélato (19) Vor [1] paragraphe 8.3, p (0) Atteto, ce est pas ue preuve de léarté, c est juste ue compatblté. (1) Paradoxamet, c est das ce cas que les certtudes sur a et b sot les plus fables. O e peut doc pas trer de ces certtudes u crtère de valdté de la lo. Icerttudes érmetales Le Bup 98

19 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 1013 léare (, 3) : où x et sot respectvemet les moees des x et des. r = 0 pour u grad ombre de pots réparts au hasard et r =! 1 pour des pots parfatemet algés. r est u outl utlsé par les statstces qu reflète la tedace à la léarté. E pratque, e TP, quad o fat ue régresso léare, o trouve toujours r très vos de 1. Ce est pas c u outl effcace pour dscuter de la valdté d ue lo léare Le c r = Das le cas où tous les sot égaux, c est la somme des carrés des écarts à la drote dvsée par le carré de l certtude-tpe sur (5, 6). O déft esute le χ rédut : Σ Σ = 1 _ x x_ _ x x Σ _ = 1 = 1 O déft le paramètre χ par (4) : _ _ a+ bx χ = / = 1 _ σ σ χrdut é χ = est le ombre de degrés de lberté du problème, égal au ombre de pots mesurés mos le ombre de paramètres détermés (c a et b) (7). Das le cas où toutes les certtudes-tpes sot égales, l est facle d établr que : χrdut é σ = f p σ stat σ () La formule doée c-dessous est valable lorsque tous les ot la même certtude. (3) Sous Igor, l est doé par la varable V_ Pr. Sous Schroe, c est r. (4) Sous Igor, l est doé par la varable V_ chsq (pour «chsquare»). (5) De maère géérale, les paramètres a et b doés par la méthode des modres carrés sot ceux qu mmset le χ. (6) Sur les fgures 3c, 3d et 3e, o peut vérfer que le χ est versemet proportoel au carré de l cert- tude. (7) Das le cas d u ajustemet par ue lo du tpe = bx, o a χ = χ /( 1). rédut Vol Novembre 010 Fraços-Xaver BALLY et Jea-Marc BERROIR

20 1014 U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E stat où σ est l certtude statstque évaluée par le logcel (cf ). χrdut é Le fourt u bo crtère quattatf pour décder s des doées et leurs certtudes s accordet avec ue lo léare : Les doées érmetales sot e bo accord avec ue lo léare s χr é dut est de l ordre de 1. C est le cas de la fgure 3d. stat Das le cas de la fgure 3c, χrdut é & 1 doc σ & σ. La lo est pas valdée ou σ a été sous-estmé. Le cas χ 1 r é dut % correspod à la fgure 3e. Les doées peuvet être modélsées par ue lo léare. Il est cepedat probable qu o a surestmé les certtudes. Remarque : Certas logcels, comme Igor, revoet quad même ue valeur de χ même s o e leur a pas four les certtudes σ (cf. fgure 3b). Cette valeur est calculée e preat σ = 1. O e peut alors pas trer grad-chose du χ s ce est rdut é stat stat la valeur de (o a alors χ = _ σ ). σ rédut 3.. Cas gééral d u ajustemet par ue lo = f(x) Les prcpes développés das le cas de la régresso léare s applquet ecore das le cas d u ajustemet par ue focto quelcoque = fx (), dépedat d u certa ombre de paramètres. Les logcels d ajustemet détermet umérquemet les valeurs des paramètres qu mmset le χ. Remarque : Cotraremet au cas léare, l faut c doer des valeurs tales aux paramètres de la focto. Cec dot être fat avec ue précso suffsate pour que la procédure de mmsato coverge. E cas d échec de la procédure : Cotrôler que le ft est fat sur les boes varables e ordoée et abscsse. Peser à ter compte d évetuels décalages sur x et. Par exemple, au leu de la focto ax b b =, l peut être judceux d utlser = a( x c) + d. Amélorer les valeurs tales des paramètres. Pour cela, tracer la focto avec les paramètres taux sas opérato d ajustemet jusqu à obter u accord vsuel suffsat. O peut essaer de bloquer provsoremet la valeur de certas paramètres, de procéder à l ajustemet, pus de lbérer u à u les paramètres bloqués. Rédure la plage des doées qu o cherche à ftter e effectuat ue sélecto sur la courbe. À ttre d exemple, la fgure 4 présete la relato de dsperso ω() k mesurée pour Icerttudes érmetales Le Bup 98

Annexe 1. Estimation d un quantile non-paramétrique par la méthode de Hazen

Annexe 1. Estimation d un quantile non-paramétrique par la méthode de Hazen Aexe. Estmato d u quatle o-paramétrque par la méthode de Haze La probablté cumulée emprque d ue doée au se d u échatllo est pas u cocept parfatemet déf : pluseurs estmatos sot possbles ; l e est de même

Plus en détail

STATISTIQUES. La taille moyenne d un jeune enfant est donnée, en fonction de son âge (en mois), dans le tableau suivant :

STATISTIQUES. La taille moyenne d un jeune enfant est donnée, en fonction de son âge (en mois), dans le tableau suivant : STATISTIQUES Cours Termale ES O observe que, das certas cas, l semble ester u le etre deu caractères statstques quattatfs (deu varables) sur ue populato ; par eemple, etre le pods et la talle d u ouveau-é,

Plus en détail

Module 4 - Leçon 01 - Budget des ventes 1. Introduction - Recherche de la tendance générale

Module 4 - Leçon 01 - Budget des ventes 1. Introduction - Recherche de la tendance générale Cotrôle de gesto Budget des vetes Module 4 - Leço - Budget des vetes Itroducto - Recherche de la tedace géérale - Itroducto Le budget des vetes est le premer budget opératoel à établr. Il est cosdéré comme

Plus en détail

TD Techniques de prévision pour la Gestion de production

TD Techniques de prévision pour la Gestion de production Orgasato et gesto dustrelle Page / 6 TD Techques de prévso pour la Gesto de producto er Exercce Vetes d u rayo de jouraux das u supermarché Javer Févrer Mars Avrl Ma Ju Jullet Août Septembre Octobre Novembre

Plus en détail

BTS C.G. 1996. B) Retour au problème concret: Le nombre d'appartements commercialisé est nécessairement un entier entre 2 et 20.

BTS C.G. 1996. B) Retour au problème concret: Le nombre d'appartements commercialisé est nécessairement un entier entre 2 et 20. BTS CG 996 Eercce : (0 pots) Ue agece mmoblère evsage de commercalser u programme de costructo d'appartemets Deu projets lu sot soums: Projet P : Le coût de producto de appartemets ( eter et 0 )est doé

Plus en détail

Analyse de régression

Analyse de régression Itroducto à la régresso Aalyse de régresso La régresso est utlsée pour estmer ue focto f( ) décrvat ue relato etre ue varable explquée cotue,, et ue ou pluseurs varables explcatves,. = f(,, 3,, )+ε Remarque

Plus en détail

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE UE4 : Bostatstques Chaptre 8 Corrélato et régresso léare smple José LABARERE Aée uverstare 20/202 Uversté Joseph Fourer de Greoble - Tous drots réservés. Pla I. Corrélato et régresso léare II. Coeffcet

Plus en détail

1 ère partie : STATISTIQUE DESCRIPTIVE

1 ère partie : STATISTIQUE DESCRIPTIVE ère parte : STATISTIQUE DESCRIPTIVE CHAPITRE : COLLECTE DE L INFORMATION, TABLEAUX ET GRAPHIQUES. I. Défto et vocabulare Défto : la statstque est ue méthode scetfque qu cosste à réur des doées chffrées

Plus en détail

Coefficient de partage

Coefficient de partage Coeffcet de partage E chme aque, la sythèse d'u composé se fat e pluseurs étapes : la réacto propremet dte (utlsat par exemple u motage à reflux quad la réacto dot être actvée thermquemet), les extractos

Plus en détail

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR Semestre : 4 Module : Méthodes Quattatves III Elémet : Mathématques Facères Esegat : Mme BENOMAR Elémets du cours Itérêts smples, précompte, escompte et compte courat Itérêts composés Autés Amortssemets

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chaptre 4 : RÉGRESSION 4. Régresso léare smple 4.. Équato de la régresso 4.. Estmato par les modres carrés 4..3 Coeffcet de détermato 4..4 Iférece sur les coeffcets 4..5 Prévso et aalyse des résdus Régresso

Plus en détail

Contrôle du mardi 27 janvier 2015 (3 heures) 1 ère S1 D P C. Le barème est donné sur 40. On répondra directement sur la copie fournie avec le sujet.

Contrôle du mardi 27 janvier 2015 (3 heures) 1 ère S1 D P C. Le barème est donné sur 40. On répondra directement sur la copie fournie avec le sujet. ère S Cotrôle du mard 7 javer 05 ( heures) D C N Le barème est doé sur 0 O répodra drectemet sur la cope foure avec le sujet U certa ombre de questos écesste ue recherche préalable au broullo O e rédgera

Plus en détail

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe

Plus en détail

Evaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé. Statistique. Variables aléatoires

Evaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé. Statistique. Variables aléatoires UE 4 Evaluato des méthodes d aalyse applquées au sceces de la ve et de la saté Statstque Varables aléatores Frédérc Mauy - 27 septembre et 3 octobre 2013 1 Pla du cours 1. Varable aléatore 1. Défto 2.

Plus en détail

6GEI300 - Électronique I. Examen Partiel #1

6GEI300 - Électronique I. Examen Partiel #1 6GEI3 Électroque I Autome 27 Modalté: Aucue documetato est permse. Vous avez drot à ue calculatrce o programmable. La durée de l exame est de 3h Cet exame compte pour 2% de la ote fale. Questo 1. Questos

Plus en détail

II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1

II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1 II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d

Plus en détail

Apport de la technique de décomposition de domaine en réduction modale de branche

Apport de la technique de décomposition de domaine en réduction modale de branche Apport de la techque de décomposto de domae e réducto modale de brache Perre-Olver LAFFAY, Olver QUEMENER *, Etee VIDECOQ, Ala NEVEU Laboratore de Mécaque et d Eergétque d Evry (LMEE) 40, Rue du Pelvoux

Plus en détail

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES ANALYSE DES DONNÉES TEST DU KHI-DEUX ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES Perre-Lous Gozalez Mesure de la laso etre deux varables qualtatves Kh deux Equête : Êtes-vous «pas du tout d accord»

Plus en détail

ANALYSE DES ENQUETES CAS-TEMOINS. AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séries non appariées) ad bc. , bc. 762, nmnm

ANALYSE DES ENQUETES CAS-TEMOINS. AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séries non appariées) ad bc. , bc. 762, nmnm I. DEFINITION ANALYSE DES ENQUETES CAS-TEMOINS AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séres o apparées) Dr F. Séguret Départemet d Iformato Médale, Épdémologe et Bostatstques U facteur F est ue

Plus en détail

Calculs en chromatographie

Calculs en chromatographie Calculs e chroatographe éthode de la oralsato tere... 1 Coeffcet de répose assque relatf... 1 Calcul des pourcetages assques... 2 Calcul des pourcetages olares... 3 xeple d aalyse CG d ue substtuto copéttve

Plus en détail

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION. INTRODUCTION Il est fréquet de s'terroger sur la relato qu peut exster etre deux gradeurs e partculer das les problèmes de prévso et d estmato. Tros types

Plus en détail

SYSTEME FERME EN REACTION CHIMIQUE

SYSTEME FERME EN REACTION CHIMIQUE SYSTEME FERME EN REACTION CHIMIQUE I. DESCRIPTION D UN SYSTEME. Les dfférets types de système (ouvert, fermé, solé U système S est formé d u esemble de corps séparés du reste de l uvers (appelé mleu extéreur

Plus en détail

III ESPERANCE MATHEMATIQUE

III ESPERANCE MATHEMATIQUE /9 ésumé de ours e alul des probabltés (JJ bellager III ESPEAE MATHEMATIQUE I.Défto et alul de l espérae mathématque d ue VA La défto la plus géérale de l espérae d u VA : (do à valeurs postves ou ulles

Plus en détail

RECUEIL DES METHODES INTERNATIONALES D'ANALYSES OIV Guide de validation Contrôle qualité

RECUEIL DES METHODES INTERNATIONALES D'ANALYSES OIV Guide de validation Contrôle qualité Gude de valdato Cotrôle qualté Gude pratque pour la valdato, le cotrôle qualté, et l estmato de l certtude d ue méthode d aalyse œologque alteratve (Résoluto Oeo 10/005) Sommare 1. OBJET... 5. PREAMBULE

Plus en détail

ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES

ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES SOMMAIRE. Normes sur u espace vectorel E 2.. Défto d'ue orme. Cter l'égalté tragulare reversée. 2.2. Normes usuelles

Plus en détail

2013 LES DÉLAIS DE PAIEMENT. STATISTIQUES DE 2000 À 2012 EN NOMENCLATURE NAF rev. 2

2013 LES DÉLAIS DE PAIEMENT. STATISTIQUES DE 2000 À 2012 EN NOMENCLATURE NAF rev. 2 203 LES DÉLAIS DE PAIEMENT STATISTIQUES DE 2000 À 202 EN NOMENCLATURE NAF rev. 2 Javer 204 Itroducto Des séres statstques chroologques des délas de paemet et du solde du crédt teretreprses sot dspobles

Plus en détail

Améliorer la productivité

Améliorer la productivité Maurce Pllet Amélorer la productvté Déploemet dustrel du toléracemet ertel, 00 SBN : 978---54754- Commet calculer ue tolérace ertelle 75 Nous avos doc u toléracemet par tervalle sur les exgeces foctoelles

Plus en détail

GIN FA 4 02 01 INSTRUMENTATION P Breuil

GIN FA 4 02 01 INSTRUMENTATION P Breuil GIN FA 4 0 0 INSTRUMENTATION P Breul OBJECTIFS : coatre les bases des statstques de la mesure af de pouvor d ue part compredre les spécfcatos d u composat et d autre part évaluer avec rgueur les performaces

Plus en détail

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure.

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure. TABLE DES MATIERES Durée...2 Objectf spécfque...2 Résumé...2 I. L agrégato des préféreces...2 I. Le système de vote à la majorté...2 I.2 Vote par classemet...3 I.3 Codtos de décso socale et théorème d

Plus en détail

[ ] IV.- Espérance mathématique de l estimateur  : Nous avons ( ) ε. alors l espérance mathématique sera : soit

[ ] IV.- Espérance mathématique de l estimateur  : Nous avons ( ) ε. alors l espérance mathématique sera : soit Itroducto à l écoométre S6-EF sc. éco. & gesto Prof. Mohamed El Meroua IV.- Espérace mathématque de l estmateur  : A ˆ A + X X X Nous avos ( ε alors l espérace mathématque sera : E ( E( A + E[ ( X X X

Plus en détail

La statistique et les statistiques

La statistique et les statistiques Psy004 Secto : La statstque et les statstques Pla du cours: 0.0: Beveue 0.: Les catégores du savor 0.: Survol de la psychologe 0.3: Le pla de cours 0.4: Les assstats.0: La physque: scece exacte?.: Scece

Plus en détail

BTS BLANC Mai ; on pose A. en fonction de an. puis écrire an

BTS BLANC Mai ; on pose A. en fonction de an. puis écrire an BTS BLANC Ma 0 Epreuve : Mathématques Géérales et Applquées Flère : DA / ARLE Durée: heures NB : Chaque parte dot être tratée sur des copes dfféretes I- MATHEMATIQUES GENERALES Exercce a b Sot le Sot la

Plus en détail

Améliorer la productivité

Améliorer la productivité Maurce Pllet Amélorer la productvté Déploemet dustrel du toléracemet ertel, 010 SBN : 978--1-54754- Sommare Remercemets... troducto De l terchageablté à Sx Sgma... 1 V CHAPTRE 1 Du toléracemet tradtoel

Plus en détail

6. RADIERS 6.1. GÉNÉRALITÉS

6. RADIERS 6.1. GÉNÉRALITÉS 6. RADIERS 6.. GÉNÉRALITÉS U raer est ue alle plae, évetuellemet ervurée, costtuat l'esemble es foatos 'u bâtmet. Il s'éte sur toute la surface e l'ouvrage. Ce moe e foato est utlsé as eux cas : lorsque

Plus en détail

LOI NORMALE ET LOIS DERIVEES

LOI NORMALE ET LOIS DERIVEES Prcpes et Méthodes de la Bostatstque Chaptre 5 LOI NORMALE ET LOIS DERIVEES A-LA LOI NORMALE Présetato La dstrbuto ormale, dte ecore de Laplace-Gauss, est pour des rasos qu apparaîtrot plus lo, la plus

Plus en détail

Analyse de survie. Michel Fioc. (Michel.Fioc@iap.fr, www2.iap.fr/users/fioc/enseignement/analyse_de_survie/)

Analyse de survie. Michel Fioc. (Michel.Fioc@iap.fr, www2.iap.fr/users/fioc/enseignement/analyse_de_survie/) École doctorale d astroome et d astrophysque d Île de Frace. I.A.P., févrer 2013 Post-master. Approche statstque bayésee par l exemple Aalyse de surve Mchel Foc (Mchel.Foc@ap.fr, www2.ap.fr/users/foc/esegemet/aalyse_de_surve/)

Plus en détail

I. Qu est-ce qu une variable aléatoire?

I. Qu est-ce qu une variable aléatoire? I. Qu est-ce qu ue varable aléatore?. Défto : Sot ue expérece aléatore dot l esemble des résultats possbles (l uvers est oté Ω. Ue varable aléatore est ue focto X allat de Ω sur R, c est-à-dre que c est

Plus en détail

IFT3913 Qualité du logiciel et métriques. Chapitre 7 Collecte et analyse des métriques

IFT3913 Qualité du logiciel et métriques. Chapitre 7 Collecte et analyse des métriques IFT393 Qualté du logcel et métrques Chaptre 7 Collecte et aalyse des métrques Pla du cours Itroducto Qualté du logcel Théore de la mesure Mesure du produt logcel Mesure de la qualté du logcel Études emprques

Plus en détail

PHYSIQUE DES SEMICONDUCTEURS

PHYSIQUE DES SEMICONDUCTEURS MIISTERE DE L'ESEIGEMET SUPERIEURE ET DE LA REHERHE SIETIFIQUE UIERSITE DE BEHAR Départemet es Sceces Laboratore e Pysque es spostfs à semcoucteurs (L.P.D.S ttp://www.uv-becar.z/lps/ PHYSIQUE DES SEMIODUTEURS

Plus en détail

Rappel (voir cours 1). On obtient l ampleur de chacune de ces dispersions par les sommes suivantes :

Rappel (voir cours 1). On obtient l ampleur de chacune de ces dispersions par les sommes suivantes : Master SV U7 COURS III - - Aalyse de varace (ANOVA I Patrc Coqullard I. ANOVA T RGRSSION MULTIPL I.. Rappels Ue régresso multple s accompage toujours d ue aalyse de varace ( ANalyse Of VArace = ANOVA.

Plus en détail

Polynésie Juin 2010 Série S Exercice. Le plan complexe est rapporté à un repère orthonormal direct ( O; uv, )

Polynésie Juin 2010 Série S Exercice. Le plan complexe est rapporté à un repère orthonormal direct ( O; uv, ) Polyése Ju 00 Sére S xercce Le pla complexe est rapporté à u repère orthoormal drect ( O; uv, ) Prérequs Parte A Resttuto orgasée de coassaces Sot u ombre complexe tel que = a+ b où a et b sot deux ombres

Plus en détail

Application de la théorie des valeurs extrêmes en assurance automobile

Application de la théorie des valeurs extrêmes en assurance automobile Applcato de la théore des valeurs extrêmes e assurace automoble Nouredde Belagha & Mchel Gru-Réhomme Uversté Pars 2, ERMES-UMR78-CNRS, 92 rue d Assas, 75006 Pars, Frace E-Mal: blour2002@yahoo.fr E-Mal:

Plus en détail

Comment représenter les variables aléatoires (données)? Paramètres descriptifs. Quels sont les paramètres descriptifs de la position?

Comment représenter les variables aléatoires (données)? Paramètres descriptifs. Quels sont les paramètres descriptifs de la position? Paramètres descrptfs Cours VETE043- Aée académque 06-07 Commet représeter les varables aléatores (doées)? Représetato sythétque Tables de fréqueces Représetato graphque Dagrammes de fréqueces Paramètres

Plus en détail

arlesrcomplexesraurbacr2014r==corriges=z

arlesrcomplexesraurbacr2014r==corriges=z arlesrcomplexesraurbacr0r==corriges= Nouvelle-Calédoe ovembre 0 5 pots Proposto : Pour tout eter aturel : ( + ) = () VRAI! ( ) doc d où ( ) ( ) ( ) ( ) Sot (E) l équato ( )( + 8) = 0 où désge u ombre complexe

Plus en détail

L2 Mention Informatique. UE Probabilités. Chapitre 3 : Variables aléatoires réelles

L2 Mention Informatique. UE Probabilités. Chapitre 3 : Variables aléatoires réelles L Meto Iformatque UE Probabltés Chaptre 3 : Varables aléatores réelles Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer, Serge Solovev Sot (, A, P) Ω et X : Ω R ue varable aléatore. I. Varable

Plus en détail

Ressources pour le lycée général et technologique

Ressources pour le lycée général et technologique éduscol Ressources pour le lycée gééral et techologque Ressources pour le cycle termal gééral et techologque Mesure et certtudes Ces documets peuvet être utlsés et modés lbremet das le cadre des actvtés

Plus en détail

Analyse Statistique des Données de Lifetest

Analyse Statistique des Données de Lifetest Aalyse Statstque des Doées de Lfetest Evas Gouo Laboratore de Statstque Applquée de l Uversté de Bretage-Sud Pla Gééraltés Les modèles paramétrques Essas accélérés : modèle d accélérato Exemple Step-Stress

Plus en détail

Cours 8 : Analyse de variance à un facteur

Cours 8 : Analyse de variance à un facteur PSY 004 Techques d aalyses e sychologe Cours 8 : alyse de varace à u facteur Table des matères Secto. "U cou de dé jamas 'abolra le hasard"... Secto. Itroducto à l aalyse de varace NOV... Secto 3. Réartto

Plus en détail

Calculs financiers. Auteur : Philippe GILLET

Calculs financiers. Auteur : Philippe GILLET Clculs fcers Auteur : Phlppe GILLET Le tux d térêt Pour l empruteur qu e dspose ps des fods écessres, l représete le prx à pyer pour ue cosommto mmédte. Pour le prêteur, l représete le prx ecssé pour l

Plus en détail

NOTATIONS ET FORMULAIRE

NOTATIONS ET FORMULAIRE Uversté PARIS DESCARTES Lcece de Psychologe L1 ADP1- Resp : Mrelle LAGARRIGUE page 1/5 PROTOCOLE SUR U ECHA TILLO NOTATIONS ET FORMULAIRE Esemble des sujets de l échatllo S { s 1 ; s ;.; s } (1) Varable

Plus en détail

sont distincts 2 à 2.

sont distincts 2 à 2. Lycée Thers CORRIGÉ TP PYTHON - 09 L algorthme des k-meas pour partager u uage de pots e u ombre doé de classes peu dspersées 1 - La méthode de Forgy [Qu. 1] 1) Cette double somme comporte termes pusque

Plus en détail

Pondichéry Avril 2014 Série S Exercice.

Pondichéry Avril 2014 Série S Exercice. Podchéry Avrl 04 Sére S Exercce Le pla complexe est mu d u repère orthoormé ( O; uv, ) Pour tout eter aturel, o ote A le pot d affxe z déf par : O déft la sute ( ) z z 0 = et + = + z 4 4 r par r = z pour

Plus en détail

" BIOSTATISTIQUE - 1 "

 BIOSTATISTIQUE - 1 ISTITUT SUPERIEUR DE L EDUCATIO ET DE LA FORMATIO COTIUE Départemet Bologe Géologe S0/ " BIOSTATISTIQUE - " Cours & Actvtés : Modher Abrougu Aée Uverstare - 008 Modher Abrougu Bostatstque «I» ISEFC - 008

Plus en détail

Méthode du simplexe: préliminaires. 2. Programmation linéaire. Solution de base. Méthode du simplexe: préliminaires. b. Méthode du simplexe

Méthode du simplexe: préliminaires. 2. Programmation linéaire. Solution de base. Méthode du simplexe: préliminaires. b. Méthode du simplexe Méthode du smplee: prélmares Modèles de recherche opératoelle (RO). Programmato léare b. Méthode du smplee Das le cas où l y a ue fté de solutos, la méthode d élmato de Gauss-Jorda permet d detfer tros

Plus en détail

FD5-10-15 Solutions D Acquisition de données Module d acquisition de données

FD5-10-15 Solutions D Acquisition de données Module d acquisition de données Module d acqusto de doées De 5 à 15 etrées aalogques sychrosées dfféretelles uverselles Logcel d'explotato embarqué Serveur Web Jusqu'à 400 échatllos par secode par voe Voes de calcul et de tratemet Stockage

Plus en détail

La valeur acquise par un capital au bout d'une année est donc obtenue en multipliant ce capital par (1 + i). Par suite, le capital C1

La valeur acquise par un capital au bout d'une année est donc obtenue en multipliant ce capital par (1 + i). Par suite, le capital C1 LGL Cours de Mathématques 26 Exemples de sutes das le domae des faces 1) Itérêts composés O place 1. à térêts composés au taux de 4,5 % par a. Détermer le captal dspoble à la f de chaque aée et ce pedat

Plus en détail

On applique le théorème de Pythagore au triangle AIE est rectangle en I AI 2 IE 2 AE 2 IE IE 1 2

On applique le théorème de Pythagore au triangle AIE est rectangle en I AI 2 IE 2 AE 2 IE IE 1 2 Exercce Lba 6 4 pots O cosdère u solde ADECBF costtué de deux pyramdes detques ayat pour base commue le carré ABCD de cetre I. Ue représetato e perspectve de ce solde est doée e aexe (à redre avec la cope).

Plus en détail

ANALYSE DE RESULTATS EXPERIMENTAUX Sommaire

ANALYSE DE RESULTATS EXPERIMENTAUX Sommaire ANALYSE DE RESULTATS EXPERIMENTAUX ------------ Sommare. ANALYSE DE RESULTATS DE PLUSIEURS MESURES D UNE MÊME GRANDEUR :..... LE PROBLÈME :..... QUELQUES NOTIONS INDISPENSABLES DE STATISTIQUE...... Populato

Plus en détail

Terminales S Exercices sur les nombres complexes Page 1 sur 6

Terminales S Exercices sur les nombres complexes Page 1 sur 6 Termales S Exercces sur les ombres complexes Page sur 6 Exercce : ) Calculer, et 5 6 7 ) E dédure, et ) Détermer les eters pour lesquels est a) u réel, b) est u magare pur, c) égal à Exercce : Ecrre sous

Plus en détail

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont interdites. * * *

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont interdites. * * * SESSION 003 EPREUVE SPECIFIQUE FILIERE MP MAHEMAIQUES 1 Durée : 4 heures Les calculatrces sot terdtes * * * NB : Le caddat attachera la plus grade mportace à la clarté, à la précso et à la cocso de la

Plus en détail

I. Moyenne, variance et écart-type d une série statistique

I. Moyenne, variance et écart-type d une série statistique I Moyee, varace et écart-type d ue sére statstque Sére statstque dscrète : Eemple d ue sére statstque dscrète : Preos le cas d ue classe de élèves qu réalset u devor oté sur 5 La sére statstque dscrète

Plus en détail

Chapitre III. Gaz parfaits

Chapitre III. Gaz parfaits Chatre III Gaz arfats IIIA : Déftos rorétés IIIAI : Gééraltés : U gaz arfat est u flude déal qu satsfat à l équato d état vr, ou ecore c est u gaz qu obét rgoureusemet aux tros los MARIOE, GAY LUSSAC et

Plus en détail

2.1 Variable aléatoire Fonction de répartition Fonction de masse et de densité...2

2.1 Variable aléatoire Fonction de répartition Fonction de masse et de densité...2 - Varables aléatores et dstrbutos - Chaptre : Varables aléatores et dstrbutos. Varable aléatore.... Focto de répartto....3 Focto de masse et de desté....4 Dstrbuto cojote de varables aléatores...5.4. Dstrbuto

Plus en détail

LE PARAMETRAGE DU MRP SOUS INCERTITUDES DE DELAIS D APPROVISIONNEMENTS ET DEMANDE : LE CAS DE SYSTEME D ASSEMBLAGE A UN NIVEAU

LE PARAMETRAGE DU MRP SOUS INCERTITUDES DE DELAIS D APPROVISIONNEMENTS ET DEMANDE : LE CAS DE SYSTEME D ASSEMBLAGE A UN NIVEAU 8 e Coférece Iteratoale de MOdélsato et SIMulato - MOSIM 0-0 au 2 ma 200 - Hammamet - Tuse «Evaluato et optmsato des systèmes ovats de producto de bes et de servces» LE PARAMETRAE U MRP SOUS INCERTITUES

Plus en détail

L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression

L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression L Meto Iformatque UE Probabltés Chaptre 4 : Smulato - Régresso Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer I- Smulato de varables aléatores. Itroducto Das certaes expéreces «réelles», où le

Plus en détail

Serie statistique double

Serie statistique double Sere statstque double Dstrbutos margales Actvté U relevé statstque des talles (e cm) et des pods Y (e kg) d u échatllo de 00 élèves a perms de costrure le tableau suvat : Y [0, 5[ [5, 50[ [50, 55[ [55,

Plus en détail

2. On présente ensuite une proposition : l'équiprobabilité à chaque étape entraîne l'équiprobabilité sur l'ensemble des résultats.

2. On présente ensuite une proposition : l'équiprobabilité à chaque étape entraîne l'équiprobabilité sur l'ensemble des résultats. rbre de déombremet et arbre de probablté Pla du documet. O présete tout d'abord la règle du produt pour les arbres de déombremet avec, e cas partculer, le cardal d'u produt cartése d'esembles fs.. O présete

Plus en détail

Bac blanc de mathématiques

Bac blanc de mathématiques Termale st2s le mercred 09/03/2016 Durée : 2 heures Bac blac de mathématques Exercce 1 : 6 pots Le tableau c-dessous doe le ombre d aboemets au servce de téléphoe moble e Frace etre f 2001 et f 2009, exprmé

Plus en détail

Exercice 1 : Analogie entre équilibres acido-basiques et équilibres de complexation (Application du Principe de Le Châtelier).

Exercice 1 : Analogie entre équilibres acido-basiques et équilibres de complexation (Application du Principe de Le Châtelier). Bla UE 1C G. EXERCICES BILAN Exercce 1 : Aaloge etre équlbres acdo-basques et équlbres de complexato (Applcato du Prcpe de Le Châteler). Objectfs de l'exercce - Coassaces/Compéteces testées das cet exercce

Plus en détail

Variables j.. p. Xij

Variables j.. p. Xij L alyse e Composates Prcpales (CP) O possède u tableau rectaulare de mesure dot les coloes sot des varables quattatves (mesuratos, taux, statos clmatques) et dot les les représetet des dvdus statstques

Plus en détail

Performances d une méthode de localisation dans les réseaux sans fil mobiles

Performances d une méthode de localisation dans les réseaux sans fil mobiles Performaces d ue méthode de localsato das les réseaux sas fl mobles Matheu Bouet, Erwa Ermel, Guy Pujolle Résumé Avec la multplcato des objets commucats, la localsato est ue composate majeure des futurs

Plus en détail

APPRENTISSAGE ARTIFICIEL («Machine-Learning»)

APPRENTISSAGE ARTIFICIEL («Machine-Learning») APPRENTISSAGE ARTIFICIEL («Mache-Learg») Fabe Moutarde Cetre de Robotque (CAOR) MINES ParsTech (Ecole des Mes de Pars) Fabe.Moutarde@mes-parstech.fr http://perso.mes-parstech.fr/fabe.moutarde Appretssage

Plus en détail

NOMBRES COMPLEXES EXERCICES CORRIGES

NOMBRES COMPLEXES EXERCICES CORRIGES Cours et exercces de mathématques NOMRES COMPLEXES EXERCICES CORRIGES Exercce. O doe = + et = + Ecrre sous forme algébrque les complexes suvats : = ; Exercce. Calculer, et = ; = ; = ; 5 006 009 E dédure

Plus en détail

Nombre de Clients [0 ; 50[ 72. x i. n i [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200 ; 250 [ 18

Nombre de Clients [0 ; 50[ 72. x i. n i [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200 ; 250 [ 18 1 U commerçat a relevé le motat des dépeses e euros de chaque clet au cours d ue semae. Motat des dépeses Clets [0 ; 50[ 72 x x - x ) - x )² -x ) ² [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200

Plus en détail

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat P R O F E S REPUBLIQUE DEMOCRATIQUE DU CONGO ENSEIGNEMENT SUPEREIEUR ET UNIVERSITAIRE INSTITUT SUPERIEUR DE GESTION INFORMATIQUE DE GOMA /I.S.I.G-GOMA DEVELOPPEMENT ISIG M A T I O N COURS DE MATHEMATIQUE

Plus en détail

Une méthode alternative de provisionnement stochastique en Assurance Non Vie : Les Modèles Additifs Généralisés

Une méthode alternative de provisionnement stochastique en Assurance Non Vie : Les Modèles Additifs Généralisés Ue méthode alteratve de provsoemet stochastque e Assurace No Ve : Les Modèles Addtfs Gééralsés Lheureux Else B&W Delotte 85, av. Charles de Gaulle 954 Neully-sur-See cedex Frace Drect: 33(0).55.6.65.3

Plus en détail

Limites de fonctions (1) Approche intuitive ; limites des fonctions de référence. 1 ère S. II. La fonction carrée. 1 ) Tableau de variation

Limites de fonctions (1) Approche intuitive ; limites des fonctions de référence. 1 ère S. II. La fonction carrée. 1 ) Tableau de variation ère S Lmtes de foctos () Approche tutve ; tes des foctos de référece II. La focto carrée ) Tableau de varato Das ce chaptre, o lasse provsoremet de côté les dérvées. I. Itroducto ) Rappel Déà vu : oto

Plus en détail

Le cours Interprétation physique de la dérivée

Le cours Interprétation physique de la dérivée Il est égalemet possble de procéder à la «dérvato umérque» d ue sute de valeurs {(t ; f )}. La sute dérvée est elle-même costtuée de couples {(t ; f )} ; la valeur f de correspodat au tau de varato mesuré

Plus en détail

a. Le symbole se lit «sigma» ; l écriture Ex : 2 Fréquences en % ( f i x 100) 11,1 % 29,6 % 59,3 % 100 %!!!!

a. Le symbole se lit «sigma» ; l écriture Ex : 2 Fréquences en % ( f i x 100) 11,1 % 29,6 % 59,3 % 100 %!!!! Cours : Statstques I. Itroducto Classe de ère S O a vu que our caractérser ue sére statstque, o utlse des : - aramètres de tedace cetrale : - la moyee ; - la médae. Ils ermettet d dquer la «osto» de la

Plus en détail

Divisibilité et congruences. Corrigés d exercices

Divisibilité et congruences. Corrigés d exercices Dvsblté et cogrueces Corrgés d exercces Les exercces du lvre corrgés das ce docuet sot les suvats : Page 445 : N 1, 5 Page 459 : N 45 Page 449 : N 10 Page 460 : N 51, 5, 55, 57 Page 451 : N 16 Page 461

Plus en détail

Espaces vectoriels normés

Espaces vectoriels normés Espaces vectorels ormés Marc SAGE 13 avrl 006 Table des matères 1 Sommes de fermés et d ouverts U sev strct est d téreur vde 3 U crtère de cotuté pour les formes léares 3 4 Dstace à u fermé 3 5 Covergece

Plus en détail

Mathématiques Financières : l essentiel Les 10 formules incontournables (Fin de période)

Mathématiques Financières : l essentiel Les 10 formules incontournables (Fin de période) A-PDF OFFICE TO PDF DEMO: Purchase from www.a-pdf.com to remove the watermark Mathématques Facères : l essetel Les formules cotourables (F de érode) htt://www.ecogesam.ac-a-marselle.fr/esed/gesto/mathf/mathf.html#e5aels

Plus en détail

ANALYSE DES CORRESPONDANCES SIMPLES

ANALYSE DES CORRESPONDANCES SIMPLES ANALYSE DES DONNÉES TEST DU KHI-DEUX ANALYSE DES CORRESPONDANCES SIMPLES Perre-Lous Gozalez MESURE DE LIAISON ENTRE DEUX VARIABLES QUALITATIVES KHI-DEUX Mesure de la laso etre deux varables qualtatves

Plus en détail

Cours d Electrostatique-Electrocinétique

Cours d Electrostatique-Electrocinétique Uversté Joseph Fourer DEUG SMa Cours d Electrostatque-Electrocétque Joatha Ferrera Aée uverstare - Pla du cours I- Le champ électrostatque. Notos géérales a. Phéomèes électrostatques b. Structure de la

Plus en détail

MAT4081 Chapitre 3 Régression 3 Transformation de variables

MAT4081 Chapitre 3 Régression 3 Transformation de variables MAT408 Chaptre 3 Régresso 3 Trasformato de varables Les graphques ou les techques dagostques peuvet révéler des volatos des hypothèses de la régresso léare : hétéroscédastcté, par exemple, ou absece de

Plus en détail

Value at Risk en assurance : recherche d une méthodologie à long terme

Value at Risk en assurance : recherche d une méthodologie à long terme Value at Rsk e assurace : recerce d ue métodologe à log terme Marc FEDOR Uversté Pars Daupe Jule MOREL ISFA Uversté Lyo I RESUME La Value at Rsk est deveue u stadard de la gesto de rsque das le mode facer.

Plus en détail

THESE. présentée devant. l UNIVERSITE D EVRY VAL D ESSONNE. en vue de l obtention du DOCTORAT DE L UNIVERSITE D EVRY. Spécialité : Robotique.

THESE. présentée devant. l UNIVERSITE D EVRY VAL D ESSONNE. en vue de l obtention du DOCTORAT DE L UNIVERSITE D EVRY. Spécialité : Robotique. THESE présetée devat l UNIVERSITE D EVRY VAL D ESSONNE e vue de l obteto du DOCTORAT DE L UNIVERSITE D EVRY Spécalté : Robotque Par Omar AÏT-AIDER Localsato référecée modèle d'u robot moble d'téreur Le

Plus en détail

Programmation. linéaire avecexcel. Christian Prins - Marc Sevaux. Groupe Eyrolles, 2011, ISBN : 978-2-212-12659-4

Programmation. linéaire avecexcel. Christian Prins - Marc Sevaux. Groupe Eyrolles, 2011, ISBN : 978-2-212-12659-4 Programmato léare avecexcel Chrsta Prs - Marc Sevaux Groupe Eyrolles, 20, ISBN : 978-2-22-2659-4 CHAPITRE 3 Emplos du temps et gesto de persoel 3. Itroducto La gesto du persoel est u élémet sesble de la

Plus en détail

Exercices d algorithmique

Exercices d algorithmique Exercces d algorthmque Les algorthmes proposés ne sont pas classés par ordre de dffculté Nombres Ecrre un algorthme qu renvoe la somme des nombre entre 0 et n passé en paramètre Ecrre un algorthme qu renvoe

Plus en détail

CHAPITRE 2. Les carrés dans (Z/nZ) 2.1 Carrés et non carrés dans le corps Z/pZ

CHAPITRE 2. Les carrés dans (Z/nZ) 2.1 Carrés et non carrés dans le corps Z/pZ CHAPITRE Les carrés das (Z/Z Das ce chatre o s téresse à l esemble des carrés das le cors Z/Z, mas auss das certas aeaux Z/Z avec o remer O todut le symbole de Legedre qu caractérse les carrés O trodut

Plus en détail

Chaîne de Markov - Télétrafic - Files d'attente

Chaîne de Markov - Télétrafic - Files d'attente ITRODUCTIO UX TLCOMMUICTIOS Chaîe de Marov - Télétrafc - Fles d'attete Verso 5 Mchel Terré lectroque L terre@camfr lectroque B ITRODUCTIO UX TLCOMMUICTIOS Raels de robablté Le dmesoemet d'u réseau de Télécommucatos

Plus en détail

Pricing Avancé pour Exotiques FINKEYS FRANCE

Pricing Avancé pour Exotiques FINKEYS FRANCE Prcg Avacé pour Exotques Esegat Phlppe DUCHEMIN, Cosultat Formateur. www.fkeys.com (accès au cours) Cosultat : «Product Cotrol» CNP, chox d u outl Frot to Compta SOCIETE GENERAL SGCIB - Product Cotrol

Plus en détail

Algorithmique pour la conversion par approximation de courbes de Bézier degré élevé : Le modèle de rationnelle

Algorithmique pour la conversion par approximation de courbes de Bézier degré élevé : Le modèle de rationnelle CIMA4 UM 3 Nov Dec 4 Algortmque pour la coverso par approxmato de courbes de ézer degré élevé : Le modèle de ratoelle Fard ASMA*, Idr ELAIDI*, Kamal MOHAMMEDI*, Guy ISCHIOMIN**, Moad Oulad CHALLALI *Laboratore

Plus en détail

Electronique TD1 Corrigé

Electronique TD1 Corrigé nersté du Mane - Faculté des Scences! etour D électronque lectronque D1 Corrgé Pour un sgnal (t) quelconque : 1 $ (t) # MOY! (t) dt 1 FF! (t) dt (t) MX MOY mpltude crête à - crête mpltude Mn Pérode t emarque

Plus en détail

OBLIGATION DU SECTEUR PRIVE : EVALUATION ET OUTIL DE GESTION DU RISQUE DE TAUX D INTERET

OBLIGATION DU SECTEUR PRIVE : EVALUATION ET OUTIL DE GESTION DU RISQUE DE TAUX D INTERET Jea-Claude AUGROS Professeur à l Uversté Claude Berard LYON I et à l Isttut de Scece Facère et d Assuraces ISFA Mchel QUERUEL Docteur e Gesto Igéeur de Marché Socété de Bourse AUREL Résumé : Cet artcle

Plus en détail

Exercice n 1 1) Par associativité de l intersection des événements, et à l aide de la formule des probabilités conditionnelles,

Exercice n 1 1) Par associativité de l intersection des événements, et à l aide de la formule des probabilités conditionnelles, CONCOURS EMIA Sceces CONCOURS 0 EPREUVE DE MATHEMATIQUES Corrgé o offcel rédgé par Jea-Gullaume CUAZ, esegat au Lycée Mltare de Sat-Cyr, jgcuaz@hotmalcom Eercce ) Par assocatvté de l tersecto des évéemets,

Plus en détail

NOMBRES COMPLEXES - EXERCICES CORRIGES Exercice n 1.

NOMBRES COMPLEXES - EXERCICES CORRIGES Exercice n 1. NOMBRES COMPLEXES - EXERCICES CORRIGES Exercce. O doe = + et = + Ecrre sous forme algébrque les complexes suvats : = ; = ; = ; = ; 5 = Exercce. Calculer, et E dédure la valeur de 006 et de 009, pus les

Plus en détail

Méthodologie statistique

Méthodologie statistique Méthodologe statstque 000 L'ECONOMETIE ET l'etude DES COMPOTEMENTS Présetato et mse e oeuvre de modèles de régresso qualtatfs Les modèles uvarés à résdus logstques ou ormaux LOGIT, POBIT Documet de traval

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

9 ème Cogrès Fraças de écaque arselle, 4-8 août 009 Evaluato des certtudes de mesure sur ue mache à mesurer trdmesoelle: Nouvelle méthode d estmato des paramètres de surface et certtudes assocées.jlid

Plus en détail