Méthodes expérimentales et analyse des erreurs
Concevez des mesures qui résistent à l'étalonnage, au bruit, aux biais, à la réplication et à une réanalyse hostile.
Réunissez la propagation des incertitudes, l'estimation de paramètres, les contrôles, l'aveuglement, le traitement du signal, le préenregistrement et les données ouvertes autour des tests de précision au cœur de ce corpus.
Avant de commencer
- • Mesure et mécanique du niveau 2
- • Calcul différentiel et probabilités
- • Aisance avec un tableur ou un peu de programmation
À la fin, vous saurez
- • Propager les incertitudes aléatoires et systématiques.
- • Ajuster des modèles et inspecter les résidus plutôt que de citer un seul score d'ajustement.
- • Concevoir des tests nuls, des contrôles, un aveuglement et des analyses préenregistrées.
- • Publier des ensembles reproductibles d'appareillage, d'étalonnage, de données et de code.
Modèle interactif
Explorez avant de calculer
Leçon 1 sur 3
Étalonnage et budgets d'incertitude
Quelle incertitude est statistique, laquelle est systématique, et quelle corrélation interdit une moyenne naïve ?
L'incertitude aléatoire varie d'un essai à l'autre et diminue souvent avec des mesures indépendantes répétées. L'incertitude systématique décale les résultats de façon cohérente et exige un étalonnage, une comparaison ou une refonte.
Un budget nomme chaque contribution, sa distribution, ses corrélations, ses coefficients de sensibilité et sa règle de combinaison.
Exemple résolu
Pour z=x+y avec σx=0,3 et σy=0,4 indépendants, trouvez σz.
- 1. Additionnez les variances pour des entrées indépendantes.
- 2. σz²=0,3²+0,4².
- 3. Prenez la racine carrée.
σz=0,5.
Essayez
Budget d'incertitude d'un instrument
Matériel : N'importe quelle fiche technique de capteur et un jeu de mesures répétées.
- 1. Listez résolution, étalonnage, dérive, alignement et répétabilité.
- 2. Attribuez des unités et des distributions.
- 3. Convertissez en sensibilités sur la sortie.
- 4. Classez les contributions.
Observez : C'est la plus grande incertitude — et non la décimale la plus impressionnante — qui fixe le pouvoir de résolution de l'expérience.
Vérifiez votre compréhension : Pourquoi répéter une mesure biaisée n'élimine-t-il pas l'erreur systématique ?
Réponse : Le biais décale tous les essais de façon cohérente au lieu de se moyenner aléatoirement autour de la vraie valeur.
Il faut un étalonnage externe ou une méthode différente.
Leçon 2 sur 3
Ajustement de modèles, résidus et effet « regarder ailleurs »
Le paramètre ajusté représente-t-il un signal, un défaut de modèle, ou un choix fait après avoir vu les données ?
L'estimation de paramètres compare les données à un modèle de vraisemblance ou de perte. La structure des résidus peut révéler une physique manquante, une dérive, une non-linéarité ou de mauvaises hypothèses de bruit.
Explorer de nombreuses fenêtres, fréquences ou modèles gonfle la probabilité de faux positif. L'étendue de la recherche doit être prise en compte, ou le résultat confirmé sur des données mises de côté.
Exemple résolu
Un ajustement linéaire a un R² élevé mais des résidus qui s'incurvent systématiquement. Le modèle est-il adéquat ?
- 1. Examinez la position et le signe des résidus.
- 2. Repérez la courbure non aléatoire.
- 3. Testez un modèle alternatif motivé.
- 4. Validez sur de nouvelles données.
Un R² élevé ne sauve pas un modèle linéaire structurellement faux.
Essayez
Injection de signal à l'aveugle
Matériel : Des données bruitées synthétiques avec des amplitudes injectées cachées.
- 1. Figez la règle de détection avant que les étiquettes ne soient révélées.
- 2. Analysez tous les fichiers à l'identique.
- 3. Révélez les injections.
- 4. Mesurez les faux positifs, les manqués et le biais.
Observez : Le comportement d'une chaîne d'analyse face à une vérité cachée connue est une preuve plus forte qu'un réglage sur un seul signal désiré.
Vérifiez votre compréhension : À quel problème répond un jeu de données mis de côté ?
Réponse : Il teste si un modèle ou un seuil se généralise au-delà des données qui ont servi à le choisir.
Cela réduit le surajustement et le biais de sélection.
Leçon 3 sur 3
Contrôles, préenregistrement et réplication
Quelle observation isolerait le mécanisme proposé des artefacts thermiques, mécaniques, électromagnétiques et analytiques ?
Les contrôles positifs prouvent la sensibilité ; les contrôles négatifs mesurent le fond ; les conditions d'inversion et de simulacre testent la direction ou la dépendance propre au mécanisme.
Le préenregistrement fige les résultats principaux et les exclusions avant les résultats. La réplication indépendante change d'expérimentateurs et d'appareillage tout en préservant la prédiction décisive.
Exemple résolu
Une balance à cavité montre une poussée seulement lorsqu'elle est alimentée. Nommez quatre facteurs confondants et les contrôles discriminants.
- 1. Dilatation thermique : un simulacre chauffant équivalent.
- 2. Force des câbles : alimentation sans fil, ou symétrique et inversée.
- 3. Couplage magnétique : blindage et cartographie du champ.
- 4. Vibrations et sélection des données : accéléromètres et fenêtres préenregistrées.
Un dispositif crédible module le signal proposé indépendamment de chacun des grands artefacts.
Essayez
Préenregistrer une expérience nulle
Matériel : Un modèle de protocole d'une page.
- 1. Énoncez la prédiction principale et le réfutateur.
- 2. Définissez la taille d'échantillon et les exclusions.
- 3. Listez les contrôles et le calendrier d'étalonnage.
- 4. Figez l'analyse et le plan de publication des données.
Observez : Un préenregistrement rend le jugement ultérieur vérifiable sans interdire une exploration complémentaire.
Vérifiez votre compréhension : Pourquoi répéter la manipulation sur le même appareil dans le même laboratoire est-il plus faible qu'une réplication indépendante ?
Réponse : Un équipement, un code, un personnel et des hypothèses partagés peuvent reproduire le même artefact caché.
L'indépendance change délibérément les modes de défaillance possibles.
De la formule au sens
Lisez l'équation en langage courant.
σ_f²≈JΣJᵀ
Une matrice jacobienne de sensibilité et une matrice de covariance propagent l'incertitude corrélée des entrées.
χ²=Σ[(y_i−m_i)/σ_i]²
Les carrés des résidus pondérés comparent un modèle à des données mises à l'échelle de leur incertitude.
SNR=signal scale/noise scale
Le rapport signal sur bruit n'a de sens qu'une fois définis la bande passante, l'estimateur et le modèle de bruit.
Pratique autonome
Série d'exercices
Travaillez chaque exercice avant d'ouvrir l'indice et la solution.
1. On moyenne quatre mesures indépendantes d'écart-type σ=2 chacune. Quelle est l'incertitude type de la moyenne ?
Voir l'indice
σ_moyenne=σ/√N.
Voir la solution
1.
2. Deux recherches indépendantes à 3σ sont tentées. La probabilité combinée de fausse alerte reste-t-elle celle d'un seul test à 3σ ?
Voir l'indice
Multiplier les occasions augmente les fausses alertes.
Voir la solution
Non ; corrigez pour une recherche à deux tests, ou confirmez sur des données mises de côté.
3. Un résultat change de signe quand on inverse l'orientation de l'appareil alors que la direction thermique, elle, ne change pas. Qu'est-ce que cela établit ?
Voir l'indice
Pensez discrimination, pas preuve définitive.
Voir la solution
Cela affaiblit les explications thermiques invariantes par orientation et soutient un effet lié à la direction, mais d'autres systématiques qui s'inversent et la réplication restent à traiter.
Atelier de dérivation
Construisez le résultat, ligne par ligne.
Gardez les hypothèses visibles pour que les mathématiques restent vérifiables.
Point de départ
Propagation d'incertitude au premier ordre
f(x₁,…,xₙ) expanded around measured means
- 1. Développez f en série de Taylor au premier ordre.
- 2. Écrivez δf≈ΣJᵢδxᵢ.
- 3. Élevez au carré et prenez l'espérance.
- 4. Conservez les termes de covariance.
Var(f)≈JΣJᵀ
Les corrélations peuvent augmenter ou réduire l'incertitude de sortie ; la somme quadratique indépendante n'est qu'un cas particulier.
Point de départ
L'estimateur des moindres carrés pondérés
χ²(a)=Σ[(yᵢ−a xᵢ)/σᵢ]² for a zero-intercept model
- 1. Dérivez χ² par rapport à a.
- 2. Annulez la dérivée.
- 3. Regroupez les sommes pondérées de xᵢyᵢ et de xᵢ².
- 4. Résolvez en a.
â=Σ(xᵢyᵢ/σᵢ²)/Σ(xᵢ²/σᵢ²)
Les points les plus précis pèsent davantage, sous le modèle gaussien indépendant énoncé.
Carnet de calcul
Transformez le modèle en expérience.
Chaîne de test nul pour une force de précision
Une analyse préenregistrée peut-elle retrouver des forces injectées sans prendre une dérive, des vibrations ou un échauffement pour de la poussée ?
Entrées
- • Séries temporelles synthétiques de la balance
- • Voies de température, d'accéléromètre, de puissance et d'orientation
- • Calendrier d'injections caché
Algorithme
- 1. Étalonnez la ligne de base et le modèle de dérive sur les données d'entraînement.
- 2. Figez les filtres et l'estimateur principal.
- 3. Lancez l'analyse à l'aveugle.
- 4. Révélez les injections et calculez les métriques de détection, de biais et de fausse alerte.
Preuves à produire
- • Budget d'incertitude et de covariance
- • Tracés de résidus et de diagnostics
- • Table de récupération à l'aveugle et rapport d'analyse reproductible
Poursuivez vers les preuves
Lecture suivante, avec ses sources
Chapitre 1 : L'échelle des preuves
Niveaux d'affirmation, réfutateurs et standards de réplication.
Cours 11 : Eagleworks
Un cas travaillé de force de précision et de réplication nulle.
Chapitre 12 : La fusion par confinement dans un réseau
Comptages, calorimétrie, mécanismes et affirmations d'énergie nette comme mesures distinctes.