Un petit oubli de ma part donc je le corrige. ERRATA : une fois la simulation MC faite, il faut remplacer dans le bas du code (tracÃĐ notamment) la pente P[0] par a_moy et l'ordonnÃĐe à l'origine P[1] par b_moy. Ainsi, on fait les choses proprement. :) N'hÃĐsitez pas à proposer des idÃĐes de sujets que vous aimeriez voir ici. ;)
GÃĐnial cette sÃĐrie de vidÃĐos ! ðTu vas rendre jaloux les physiciensð. Ce serait dommage de s'arrÊter là en tout cas: il faudrai tourner la vidÃĐo sur le test du khi2 ! Je t'y encourage.
Fabien coquin tu ne m'as donnÃĐ cette pÃĐpite de blablareau Merci pour tout, je fais des progrÃĻs de malade et si ça peut aider pour le chi2reduit : residu= (A -(a_moy * C + b_moy)) # Calcul du rÃĐsidu de chaque mesure par rapport à la droite de rÃĐgression chi2_point= (residu / u_A)**2 # Calcul du rapport chi2 par mesure chi2 = np.sum(chi2_point) # Calcul du chi2 : somme des "chi2 par mesure" chi2red = chi2 / (len(A) -2 ) # Calcul du chi2red print('chi2reduit =',chi2red)
VidÃĐo gÃĐniale, toujours aussi limpide. Pile ce qu'il me faut. Quand je passais le capes en 2007, pour dÃĐterminer les incertitudes sur le coefficient directeur et sur l'ordonnÃĐe à l'origine on prenait les 2 droites extrÊmes qui passent par les incertitudes sur la graphe. J'ÃĐtais moyennement satisfait de cette mÃĐthode à l'ÃĐpoque. Petite question, dans std, il calcul l'ÃĐcart type ou l'ÃĐcart type expÃĐrimental ? Bon avec 30000 tirages ça change pas le rÃĐsultat. Par contre trÃĻs chaud pour une vidÃĐo sur les rÃĐsidus normalisÃĐs et le chi2 !!!!
Merci pour ton retour ! Ah il me semble que câest lâÃĐcart type ;) Ok jây penserai à lâoccasion là je vais souffler un peu quelques semaines âïļ
Bonjour et merci pour cette vidÃĐo trÃĻs claire. La mÃĐthode MontÃĐ Carlo est-elle toutefois pertinente pour une relation linÃĐaire comme câest le cas ici ? En effet, dans ce cas, nâest-il pas plus pertinent de faire une approche statistique en calculant la moyenne des quotients des grandeurs A et C et de dÃĐterminer lâÃĐcart-type à la moyenne puis lâincertitude type ? Y-a-t-il en chimie des relations affines qui pourraient faire lâobjet dâune rÃĐgression linÃĐaire avec la dÃĐtermination des incertitudes sur le coefficient directeur et lâordonnÃĐe à lâorigine par la mÃĐthode MontÃĐ Carlo ? Merci ð
Bonjour ! Voilà une excellente question ! Tout dâabord oui le traitement que vous proposez est tout à fait pertinent et la rÃĐgression linÃĐaire nâest pas obligatoire. Il y a un peu deux ÃĐcoles. Jâaime bien la rÃĐgression linÃĐaire dans la mesure on en discute sur lâordonnÃĐe a lâorigine mais dans lâabsolu votre proposition est plus appropriÃĐe (on utilise un outil plus simple que la reg lin). JâespÃĻre que câest assez clair. Il y a des exemples avec rÃĐgression linÃĐaire comme le titrage conductimetrique (jâai une vidÃĐo dessus sur la chaÃŪne Blablareau au labo).
Avec tout le respect que je vous dois permettez moi de vous dire que ce que vous avez dit sur le coefficient de corrÃĐlation est faux, le coefficient de corrÃĐlation est un indicateur fiable pour mesurer une relation linÃĐaire entre deux variables alÃĐatoires. Le coeff de corrÃĐlation qui ÃĐgal à 0.078 que vous avez montrÃĐ dans votre contre exemple est correcte c'est votre interprÃĐtation qui n'est pas bonne car effectivement il n y aucune relation entre y et x car y=1 quelque soit la valeur de x donc un coeff r=0.078 reflÃĻte bien qu'il n y a aucune relation.
Je suis passÃĐ un peu vite sur la notion. Je ne rejetÃĐ pas complÃĻtement cet indicateur mais en terme de validation dâun modÃĻle lineaire, il est insuffisant (câest la raison pour laquelle des plus spÃĐcialistes que moi lâont enlevÃĐ du programme). Maintenant sâil est bien utilisÃĐ pour ce quâil dit, pas de problÃĻme. On peut ÃĐgalement prendre des cas avec une pente faible et un r petit malgrÃĐ une relation linÃĐaire. Bref câest une discussion passionnante mais qui ne sera pas pliÃĐe dans un commentaire TH-cam. :) Il y a de superbes articles dans le BUP à ce propos. Bien à vous.
@@Blablareauautableau Merci bien pour votre retour, je ne suis pas vraiment d'accord, du moment qu'il y une relation linÃĐaire entre 2 variables alÃĐatoires le coefficient de corrÃĐlation permet bien de dÃĐceler cette linÃĐaritÃĐ. voilà un cas simple que j'ai simulÃĐ et que vous pouvez tester d'une relation linÃĐaire entre X et Y avec une pente faible et une corrÃĐlation significative ÃĐgale à 1 cat le relation est parfaitement linÃĐaire entre X et Y X=[1,2,3,4,5,6,7] Y=[0.01*X[i] for i in range(0,len(X))] np.corrcoef(X,Y) rÃĐsultat : array([[1., 1.], [1., 1.]]) Par contre j'ai fait une grossiÃĻre erreur en disant que la pente est presque ÃĐgal au coef de corrÃĐlation je vais corriger mon commentaire pour ne pas induire les gens en erreur. Bien à vous
@@brahmihassane8499 oui jâai vu cela mais je me suis doutÃĐ que câÃĐtait simplement une petite ÃĐtourderie puisque vous connaissez le sujet. Par rapport à la validation dâun modÃĻle linÃĐaire en sciences expÃĐrimentales, on chercher plus à sâappuyer sur des critÃĻres prenant en compte les incertitudes. Selon le niveau dâÃĐtude, on le fait soit visuellement, soit en calculant les ÃĐcarts normalisÃĐs par exemple. Câest bien dâavoir un bon r2 mais voilà ce que jâentendais en disant que ça ne suffit pas. Encore une fois le terme coefficient de corrÃĐlation a carrÃĐment disparu de nos programmes (jâen parle quand mÊme un peu, en montrant que parfois on a un super r2 mais que la loi nâest pas linÃĐaire).
@@Blablareauaulabo la prise en comptes des incertitudes est un autre sujet oÃđ à mon avis il faut faire recours à des mÃĐthodes de propagation d'incertitudes qui permettent de dÃĐterminer comment les incertitudes ou les erreurs de mesure dans les variables d'entrÃĐe d'un modÃĻle affectent les prÃĐdictions de sortie ou les rÃĐsultats du modÃĻle. je ne sais pas ce que vous entendez par r2 si vous entendez le coefficient de dÃĐtermination de la rÃĐgression linÃĐaire qui donne une idÃĐe sur la qualitÃĐ de l'ajustement et je suis d'accord avec qu'il n'est pas suffisant pour juger de la qualitÃĐ du modÃĻle c'est pour cela qu'il faut analyser aussi les rÃĐsidus et calculer des mÃĐtriques qui permettent de mesurer la qualitÃĐ de l'ajustement. et si vous entendez par r2 le coefficient de corrÃĐlation qui est diffÃĐrent bien sur du coefficient de dÃĐtermination d'une rÃĐgression je vous l'accord qu'on peut parfois avoir une valeur assez ÃĐlevÃĐe du coefficient de corrÃĐlation sans pour autant qu'on aura une relation linÃĐaire entre les deux variables c'est pour cela il faut toujours faire un test d'hypothÃĻse statistique de significativitÃĐ de corrÃĐlation qui permettra de tester l'hypothÃĻse H0 pas de corrÃĐlation contre H1 corrÃĐlation significative et on prendra une dÃĐcision avec une valeur de confiance que nous la fixons gÃĐnÃĐralement à 95% Bien à vous
@@brahmihassane8499 il me semble que nous sommes donc dâaccord :) Bon dans notre cas on peut adaptÃĐ lâexigence au niveau et aux objectifs des ÃĐtudiants.
Un petit oubli de ma part donc je le corrige.
ERRATA : une fois la simulation MC faite, il faut remplacer dans le bas du code (tracÃĐ notamment) la pente P[0] par a_moy et l'ordonnÃĐe à l'origine P[1] par b_moy. Ainsi, on fait les choses proprement. :)
N'hÃĐsitez pas à proposer des idÃĐes de sujets que vous aimeriez voir ici. ;)
Je valide ta conclusion ... On monte d'un cran ! Vivement le Khi2 ... On vise les sommets ð
Ah ah yes ça viendra !!!!
Pas eu le temps de refaire des vidÃĐos mais je progresse en Python ;)
Wow c'est top ça y a plus qu'à s'entraÃŪner ðĪ merci !
Avec plaisir ð
GÃĐnial cette sÃĐrie de vidÃĐos ! ðTu vas rendre jaloux les physiciensð. Ce serait dommage de s'arrÊter là en tout cas: il faudrai tourner la vidÃĐo sur le test du khi2 ! Je t'y encourage.
Ah ah yes je verrai ça là je prends un peu de repos !
@@Blablareauautableau bonne vacances !
Fabien coquin tu ne m'as donnÃĐ cette pÃĐpite de blablareau
Merci pour tout, je fais des progrÃĻs de malade et si ça peut aider pour le chi2reduit :
residu= (A -(a_moy * C + b_moy)) # Calcul du rÃĐsidu de chaque mesure par rapport à la droite de rÃĐgression
chi2_point= (residu / u_A)**2 # Calcul du rapport chi2 par mesure
chi2 = np.sum(chi2_point) # Calcul du chi2 : somme des "chi2 par mesure"
chi2red = chi2 / (len(A) -2 ) # Calcul du chi2red
print('chi2reduit =',chi2red)
VidÃĐo gÃĐniale, toujours aussi limpide. Pile ce qu'il me faut. Quand je passais le capes en 2007, pour dÃĐterminer les incertitudes sur le coefficient directeur et sur l'ordonnÃĐe à l'origine on prenait les 2 droites extrÊmes qui passent par les incertitudes sur la graphe. J'ÃĐtais moyennement satisfait de cette mÃĐthode à l'ÃĐpoque.
Petite question, dans std, il calcul l'ÃĐcart type ou l'ÃĐcart type expÃĐrimental ? Bon avec 30000 tirages ça change pas le rÃĐsultat.
Par contre trÃĻs chaud pour une vidÃĐo sur les rÃĐsidus normalisÃĐs et le chi2 !!!!
Merci pour ton retour !
Ah il me semble que câest lâÃĐcart type ;)
Ok jây penserai à lâoccasion là je vais souffler un peu quelques semaines âïļ
hey nice video
Merci ð
Bonjour et merci pour cette vidÃĐo trÃĻs claire.
La mÃĐthode MontÃĐ Carlo est-elle toutefois pertinente pour une relation linÃĐaire comme câest le cas ici ?
En effet, dans ce cas, nâest-il pas plus pertinent de faire une approche statistique en calculant la moyenne des quotients des grandeurs A et C et de dÃĐterminer lâÃĐcart-type à la moyenne puis lâincertitude type ?
Y-a-t-il en chimie des relations affines qui pourraient faire lâobjet dâune rÃĐgression linÃĐaire avec la dÃĐtermination des incertitudes sur le coefficient directeur et lâordonnÃĐe à lâorigine par la mÃĐthode MontÃĐ Carlo ?
Merci ð
Bonjour !
Voilà une excellente question !
Tout dâabord oui le traitement que vous proposez est tout à fait pertinent et la rÃĐgression linÃĐaire nâest pas obligatoire.
Il y a un peu deux ÃĐcoles.
Jâaime bien la rÃĐgression linÃĐaire dans la mesure on en discute sur lâordonnÃĐe a lâorigine mais dans lâabsolu votre proposition est plus appropriÃĐe (on utilise un outil plus simple que la reg lin).
JâespÃĻre que câest assez clair.
Il y a des exemples avec rÃĐgression linÃĐaire comme le titrage conductimetrique (jâai une vidÃĐo dessus sur la chaÃŪne Blablareau au labo).
Merci pour votre rÃĐponse, et encore bravo pour la qualitÃĐ de vos contenus.
@@MP-jp2em avec plaisir et merci beaucoup câest grÃĒce a des personnes intÃĐressÃĐes comme vous quâon se motive à faire ça ðŠðŠ
Avec tout le respect que je vous dois permettez moi de vous dire que ce que vous avez dit sur le coefficient de corrÃĐlation est faux, le coefficient de corrÃĐlation est un indicateur fiable pour mesurer une relation linÃĐaire entre deux variables alÃĐatoires. Le coeff de corrÃĐlation qui ÃĐgal à 0.078 que vous avez montrÃĐ dans votre contre exemple est correcte c'est votre interprÃĐtation qui n'est pas bonne car effectivement il n y aucune relation entre y et x car y=1 quelque soit la valeur de x donc un coeff r=0.078 reflÃĻte bien qu'il n y a aucune relation.
Je suis passÃĐ un peu vite sur la notion. Je ne rejetÃĐ pas complÃĻtement cet indicateur mais en terme de validation dâun modÃĻle lineaire, il est insuffisant (câest la raison pour laquelle des plus spÃĐcialistes que moi lâont enlevÃĐ du programme).
Maintenant sâil est bien utilisÃĐ pour ce quâil dit, pas de problÃĻme.
On peut ÃĐgalement prendre des cas avec une pente faible et un r petit malgrÃĐ une relation linÃĐaire.
Bref câest une discussion passionnante mais qui ne sera pas pliÃĐe dans un commentaire TH-cam. :)
Il y a de superbes articles dans le BUP Ã ce propos.
Bien à vous.
@@Blablareauautableau Merci bien pour votre retour, je ne suis pas vraiment d'accord, du moment qu'il y une relation linÃĐaire entre 2 variables alÃĐatoires le coefficient de corrÃĐlation permet bien de dÃĐceler cette linÃĐaritÃĐ.
voilà un cas simple que j'ai simulÃĐ et que vous pouvez tester d'une relation linÃĐaire entre X et Y avec une pente faible et une corrÃĐlation significative ÃĐgale à 1 cat le relation est parfaitement linÃĐaire entre X et Y
X=[1,2,3,4,5,6,7]
Y=[0.01*X[i] for i in range(0,len(X))]
np.corrcoef(X,Y)
rÃĐsultat :
array([[1., 1.],
[1., 1.]])
Par contre j'ai fait une grossiÃĻre erreur en disant que la pente est presque ÃĐgal au coef de corrÃĐlation je vais corriger mon commentaire pour ne pas induire les gens en erreur.
Bien à vous
@@brahmihassane8499 oui jâai vu cela mais je me suis doutÃĐ que câÃĐtait simplement une petite ÃĐtourderie puisque vous connaissez le sujet.
Par rapport à la validation dâun modÃĻle linÃĐaire en sciences expÃĐrimentales, on chercher plus à sâappuyer sur des critÃĻres prenant en compte les incertitudes. Selon le niveau dâÃĐtude, on le fait soit visuellement, soit en calculant les ÃĐcarts normalisÃĐs par exemple.
Câest bien dâavoir un bon r2 mais voilà ce que jâentendais en disant que ça ne suffit pas. Encore une fois le terme coefficient de corrÃĐlation a carrÃĐment disparu de nos programmes (jâen parle quand mÊme un peu, en montrant que parfois on a un super r2 mais que la loi nâest pas linÃĐaire).
@@Blablareauaulabo la prise en comptes des incertitudes est un autre sujet oÃđ à mon avis il faut faire recours à des mÃĐthodes de propagation d'incertitudes qui permettent de dÃĐterminer comment les incertitudes ou les erreurs de mesure dans les variables d'entrÃĐe d'un modÃĻle affectent les prÃĐdictions de sortie ou les rÃĐsultats du modÃĻle.
je ne sais pas ce que vous entendez par r2 si vous entendez le coefficient de dÃĐtermination de la rÃĐgression linÃĐaire qui donne une idÃĐe sur la qualitÃĐ de l'ajustement et je suis d'accord avec qu'il n'est pas suffisant pour juger de la qualitÃĐ du modÃĻle c'est pour cela qu'il faut analyser aussi les rÃĐsidus et calculer des mÃĐtriques qui permettent de mesurer la qualitÃĐ de l'ajustement.
et si vous entendez par r2 le coefficient de corrÃĐlation qui est diffÃĐrent bien sur du coefficient de dÃĐtermination d'une rÃĐgression je vous l'accord qu'on peut parfois avoir une valeur assez ÃĐlevÃĐe du coefficient de corrÃĐlation sans pour autant qu'on aura une relation linÃĐaire entre les deux variables c'est pour cela il faut toujours faire un test d'hypothÃĻse statistique de significativitÃĐ de corrÃĐlation qui permettra de tester l'hypothÃĻse H0 pas de corrÃĐlation contre H1 corrÃĐlation significative et on prendra une dÃĐcision avec une valeur de confiance que nous la fixons gÃĐnÃĐralement à 95%
Bien à vous
@@brahmihassane8499 il me semble que nous sommes donc dâaccord :)
Bon dans notre cas on peut adaptÃĐ lâexigence au niveau et aux objectifs des ÃĐtudiants.