Outils Statistiques d'Évaluation : Approche

Mathématique

KAMTA NLONFO JORDAN

16 avril 2025

1 Outils Statistiques d'Évaluation : Approche Mathé-

matique

Dans le cadre de l'analyse de la stabilité statique atmosphérique, diverses méthodes

statistiques sont mises en ÷uvre an de :
 Évaluer la relation entre diérentes variables (par exemple, la stabilité et la tem-
pérature).
 Identier les modes dominants de variabilité spatiale.
 Comparer les performances des simulations aux observations.
Les sections suivantes détaillent les fondements mathématiques et les principes d'inter-
prétation de chaque outil.
1.1 Coecient de Corrélation de Pearson
Le coecient de corrélation de Pearson (r ) permet d'évaluer la force et la direction
de la relation linéaire entre deux variables X et Y . Il s'obtient de la manière suivante pour
XY

un ensemble de n observations :
(1)
P n


i=1X − X̄ Y − Ȳ
i i
r
XY = qP
qP
,
n 2 n 2
i=1 Xi − X̄ i=1 Yi − Ȳ
où :
 X et Y désignent les valeurs de X et Y pour l'observation i.
 X̄ et Ȳ représentent les moyennes de X et Y respectivement.
i i

Interprétation : - r = 1 indique une corrélation positive parfaite (les deux va-

riables évoluent dans le même sens). - r = −1 indique une corrélation négative parfaite
XY

(les variables évoluent en sens opposé). - r = 0 signie qu'il n'y a pas de corrélation
XY

linéaire détectable.
XY

Cette mesure est particulièrement utile pour analyser la relation entre la stabilité sta-
tique (par exemple, via le nombre de Brunt-Väisälä N ) et d'autres variables climatiques
2

comme la température ou l'humidité.

1
1.2 Analyse de Corrélation Canonique (CCA)
L'analyse de corrélation canonique (CCA) permet d'explorer la relation entre deux
ensembles de variables. Considérons deux matrices de données :
X∈R n×p
et Y ∈ R , n×q

où n correspond au nombre d'observations, p au nombre de variables du premier ensemble

et q au nombre de variables du second.
Les variates canoniques sont dénies comme des combinaisons linéaires :
T
U = a X, V = b Y, T
(2)
où a et b sont les vecteurs de coecients à déterminer.
Le but est de maximiser la corrélation entre U et V :
Cov(U, V ) = √ a Σ b , T
(3)
Var(U )Var(V ) a Σ a b Σ b
XY
ρ= p T T
XX YY

où :
 Σ et Σ sont les matrices de covariance de X et Y respectivement.
 Σ représente la covariance croisée entre X et Y.
XX YY

Utilité : La CCA permet d'identier les combinaisons linéaires optimales qui résument
XY

la corrélation maximale entre deux ensembles de variables. Dans l'étude de la stabilité

atmosphérique, elle est utilisée pour lier la variabilité de N à d'autres variables (tempé-
2

rature, humidité, etc.), en permettant de révéler des modes de variabilité communs.

1.3 Analyse des Fonctions Orthogonales Empiriques (EOF)
L'analyse EOF est une méthode de décomposition des données permettant de réduire la
dimensionnalité et d'identier les modes principaux de variabilité dans un champ spatial-
temporel. Soit X une matrice de données de dimensions n×m (où n représente les positions
spatiales et m le nombre d'observations temporelles), la matrice de covariance est dénie
par :
1
C = XX .
m
T
(4)
On procède ensuite à une décomposition en valeurs propres :
C e = λ e , i = 1, 2, . . . , n,
i i i (5)
où :
 λ sont les valeurs propres, indiquant la variance expliquée par chaque mode.
 e sont les vecteurs propres, représentant les modèles spatiaux (EOFs).
i

Interprétation : Les EOFs permettent de caractériser les principaux schémas de

i

variabilité spatiale de N ou d'autres variables climatiques. Par exemple, un EOF peut

2

révéler un pattern de stabilité qui distingue les zones de forte convection des zones plus
stables sur l'Afrique Centrale.

2
1.4 Test de Student
Le test de Student évalue si la diérence entre les moyennes de deux échantillons est
statistiquement signicative. Pour deux ensembles indépendants avec des tailles n et n
et des variances s et s , le t-statistique est calculé par :
1 2
2 2
1 2

t= q
x̄ − x̄ 1
,
s21
2
s22
(6)
n1
+ n2

où :
 x̄ et x̄ sont les moyennes des deux échantillons.
 L'hypothèse nulle suppose que x̄ = x̄ .
1 2

Utilité : Cette méthode est utile pour comparer, par exemple, les moyennes de N
1 2
2

entre diérentes régions ou saisons an de déterminer si les diérences observées sont dues
à un eet réel ou à une variabilité aléatoire.
1.5 Analyse de Variance (ANOVA)
L'ANOVA permet d'analyser la variabilité totale d'un ensemble de données pour dé-
terminer si plusieurs groupes présentent des moyennes signicativement diérentes. Le
test F s'exprime par :
MSbetween , (7)
F =
MSwithin
avec :
 MSbetween = SS , où SSbetween est la somme des carrés entre les groupes et k le
between

nombre de groupes.
k−1

 MSwithin = SS , où SSwithin est la somme des carrés intra-groupe et N le nombre

within

total d'observations.
N −k

Interprétation : Si la valeur F dépasse le seuil critique (souvent déterminé pour

α = 0.05), alors l'hypothèse nulle d'égalité des moyennes est rejetée, indiquant que cer-
tains groupes (par exemple, diérentes couches atmosphériques ou périodes saisonnières)
présentent des variations signicatives de stabilité.
1.6 Évaluation de la Performance des Simulations : Biais et RMSE
Pour valider les simulations par rapport aux observations, deux indicateurs clés sont
utilisés :
Biais : Le biais représente l'écart moyen entre les valeurs simulées et observées :

Biais = n1 X X − X
, (8)
n
sim obs
i i
i=1

Il permet d'identier si le modèle surestime ou sous-estime en moyenne une variable

donnée.
RMSE (Root Mean Square Error) : Le RMSE mesure l'écart quadratique moyen :
v

(9)
u n
u1 X
2
RM SE = t Xisim − Xiobs .
n i=1

3
 Interprétation : - Un RMSE faible indique une bonne correspondance entre les
simulations et les observations. - Le RMSE pénalise fortement les grandes erreurs, ce qui
en fait un indicateur robuste de la précision des simulations.
1.7 Application dans l'Étude de la Stabilité Statique Atmosphé-
rique
Dans le cadre de l'analyse de la stabilité statique, ces outils statistiques sont appliqués
comme suit :
 Corrélation : Le coecient de Pearson et la CCA permettent de lier la variabi-
lité du nombre de Brunt-Väisälä N à d'autres variables (température, humidité),
2

facilitant ainsi l'identication de mécanismes physiques sous-jacents.

 EOF : En décomposant spatialement les champs de N , l'analyse EOF met en
2

évidence les modes dominants de variabilité sur l'Afrique Centrale.

 Comparaisons statistiques : Les tests de Student et l'ANOVA permettent de
comparer les moyennes saisonnières ou régionales de N pour déterminer la signi-
2

cation statistique des diérences observées.

 Validation des simulations : Le calcul du biais et du RMSE quantie la précision
du modèle (ex. RegCM5) face aux données issues des réanalyses, fournissant ainsi
une évaluation détaillée des performances du modèle.
Ces méthodes, en complément les unes des autres, orent un cadre robuste pour analy-
ser la dynamique de la stabilité atmosphérique et valider les simulations numériques, tout
en apportant des éléments concrets pour comprendre les processus physiques à l'÷uvre
dans la variabilité climatique régionale.

4
Références

[1] Kalnay, E., et al. (1996). The NCEP/NCAR 40-Year Reanalysis Project. Bulletin of
the American Meteorological Society, 77(3), 437-472.