Détection des valeurs aberrantes
Modellus repère automatiquement les points de mesure qui s'écartent nettement de la courbe d'ajustement, pour t'aider à déceler des erreurs de mesure ou des phénomènes intéressants.
Vue d'ensemble
Quand tu réalises un ajustement sur les données d'une table, Modellus compare chaque point de mesure à la courbe ajustée. Les points trop éloignés de la courbe sont signalés comme valeurs aberrantes. Ils sont marqués visuellement dans les formes Graphique pour t'aider à interpréter tes données.
Comment fonctionne la détection
La détection se déroule ainsi :
- Un ajustement est calculé sur les données sélectionnées (affine ou quadratique)
- Pour chaque point, le résidu (l'écart à la courbe) est calculé
- Les points dont le résidu dépasse un seuil statistique sont signalés
- La méthode
isOutlierIterationmarque ces itérations - Les graphiques dessinent les points aberrants avec un style visuel distinct
Apparence dans les graphiques
| Type de point | Apparence | Signification |
|---|---|---|
| Normal | Cercle plein, couleur de la série | Point cohérent avec le modèle d'ajustement |
| Aberrant | Marqueur différent (cercle vide ou couleur contrastée) | Point éloigné de la courbe ajustée |
Interpréter les valeurs aberrantes
Un point aberrant peut révéler :
- Une erreur de mesure — La valeur a été mal relevée
- Une anomalie expérimentale — Il s'est passé quelque chose d'inhabituel pendant cette mesure
- Une limite du modèle — Le modèle d'ajustement choisi (affine ou quadratique) ne rend pas compte de tout le comportement
- Un phénomène intéressant — Un comportement réellement différent, qui mérite qu'on s'y penche
Travailler avec les valeurs aberrantes
Exclure des valeurs aberrantes de l'ajustement
Si tu conclus que certains points sont des erreurs de mesure, tu peux les exclure en sélectionnant une plage de cellules plus restreinte dans la Table avant d'appliquer l'ajustement. Seules les cellules sélectionnées participent à l'ajustement de la courbe.
Comparer des ajustements
Essaie l'ajustement affine puis l'ajustement quadratique sur les mêmes données. Si le modèle affine produit beaucoup de valeurs aberrantes et pas le modèle quadratique, la relation n'est sans doute pas linéaire : pense à faire évoluer ton modèle théorique.
Détails techniques
La détection des valeurs aberrantes se fait itération par itération, par la méthode isOutlierIteration du moteur de calcul. Pendant le dessin, la forme Graphique l'interroge pour chaque point de chaque série Y et applique le style des valeurs aberrantes aux itérations signalées.