1 Introduction à Scilab - CNRS Orleans
1 Introduction à Scilab - CNRS Orleans
1 Introduction à Scilab - CNRS Orleans
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Marche <strong>à</strong> suivre<br />
1. Pour une longueur d’onde donnée, quelle est la loi de probabilité de la variable y ?<br />
2. Définissez une nouvelle variablez = y(:,2)-y(:,1); qui contient la différence entre<br />
les deux spectres.<br />
3. Par quelle loi peut-on approximer la loi de probabilité de la variable z ?<br />
4. Estimez l’écart-type σz de z pour chaque longueur d’onde.<br />
5. Fixez un niveau de confiance α = 0.05 et déterminez le test <strong>à</strong> effectuer pour vérifier<br />
l’hypothèse nulle selon laquelle les deux spectres sont identiques (H0 : z = 0).<br />
6. Faut-il un test unilatéral ou bilatéral ?<br />
7. Si zmin et zmax sont les bornes de l’intervalle dans lequel doit se trouver z pour que<br />
l’hypothèse nulle soit vérifiée, alors il est commode de visualiser sur un même graphe<br />
z, zmi n et zmax. Pour définir ces bornes, faites appel <strong>à</strong> la fonctioncdfnor<br />
zmin = cdfnor("X", 0, sigmaz, alpha/2, 1-alpha/2);<br />
zmax = cdfnor("X", 0, sigmaz, 1-alpha/2, alpha/2);<br />
Ces commandes doivent être répétées pour chaque valeur de σz ; on obtient ainsi pour<br />
chaque longueur d’onde une valeur dezmin etzmax.<br />
8. Le résultat précédent est difficile <strong>à</strong> exploiter en raison du niveau de bruit important. Il<br />
est donc souhaitable de réduire ce dernier. On peut raisonnablement supposer que les<br />
valeurs de z varient peu d’une longueur d’onde <strong>à</strong> une autre. On peut donc tenter de<br />
lisser les spectres en moyennant chaque valeur de z sur ses plus proches voisins.<br />
Faut-il d’abord lisser les spectres puis calculer leur différence, ou bien lisser après calcul<br />
de la différence ?<br />
9. Répétez les étapes 2 - 4 en lissant les spectres avec la fonction lissage (décrite cidessous).<br />
Prenez diverses largeurs de lissage n allant de 1 <strong>à</strong> 30.<br />
Remarque : si vous lissez une série temporelle, l’écart-type sur chaque valeur diminue.<br />
Pour une série temporelle y dont chaque valeur possède la même incertitude σy, après<br />
un lissage gaussien avec une fenêtre de taille n (comme le fait la fonction lissage.sci), le<br />
nouvel écart-type devient approximativement σy −→ σy /(0.65× n).<br />
10. Identifiez les raies significatives pour différentes valeurs de la largeur de lissage n.<br />
Quelle valeur de n vous semble la plus appropriée ? Pourrait-on déterminer cette valeur<br />
de façon plus rigoureuse ?<br />
Lissage des données aveclissage<br />
La fonctionlissage.sci sert <strong>à</strong> lisser les données, cf. les notes de cours.<br />
La commande suivante (après compilation préalable de la fonctionlissage.sci)<br />
zs = lissage(z,n);<br />
permet d’effectuer un tel lissage, aveczun vecteur contenant la suite <strong>à</strong> lisser. La largeurn de<br />
la fenêtre de lissage doit être un entier positif.<br />
8