R EVUE DE STATISTIQUE APPLIQUÉE
H. B RENY
Sur le caractère quasi-fortuit de la méthode de Daniels pour l’échantillonnage des faisceaux de fibres parallèles
Revue de statistique appliquée, tome 2, n
o2 (1954), p. 79-86
<
http://www.numdam.org/item?id=RSA_1954__2_2_79_0>
© Société française de statistique, 1954, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (
http://www.sfds.asso.fr/publicat/rsa.htm
) implique l’accord avec les conditions générales d’uti- lisation (
http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
SUR LE CARACTÈRE QUASI-FORTUIT DE LA MÉTHODE
DE DANIELS POUR L’ÉCHANTILLONNAGE
DES FAISCEAUX DE FIBRES PARALLÈLES
par
H. BRENY, Dr. Sc.
International Wool Secretariat
(*)
La
question
del’échantillonnage
des~o~ulations
defibres fait l’o bT et
d’une littérature
déjà
étendue(voir ~ar exemple
lesréférences bibliographiques
de Palmer et
Daniels, J.
Textile Inst. 38(1947) ( T 94).
Un casparticulier important
estcelui
desassemblées
defibres quasi-parallèles (rubans
oumèches) qui
constituent les stades intermédiaires de lafilature ~eignée ;
dans ce cas,l’échantillonnage
estsusceptible
d’une théorierigoureuse basée
sur deshypo-
thèses
vraisemblablement
en bon accord avec laréalité. C’est dans
ce sensque
Daniels a~ro~osé,
en1942,
uneméthode d’échantillonnage qu’il
aappelée
«
cut-squaring » (ce
que nous traduirons~par
«équarrissage coupé »)
etqui
consiste
essentiellement
à~rendre, ~our former l’échantillon,
lesfibres dont
une
extrémité
se trouve entre deux sections~arallèles
du ruban considéré. Lathéorie
de cetéchantillonnage
est ordinairementfaite
àpartir
del’hypothèse d’uniformité longitudinale qui
sert de base aumodèle
deSpencer-Smith
etTodd et de
Martindale ;
on en déduit que les échantillons de Daniels sontéqui-,
valents
à des échantillons fortuits.
~ Malheureusement,
cettehypothèse d’uniformité
est encontradiction-
grossière
avec lesfaits
dans le cas des rubansproduits ~ar
lespeigneuses
rec-tilignes,
élémentsconstitutifs (après étirage
etdoublage)
des rubans surlesquels
se
fait
d’ordinairel’échantillonnage.
Nous avons doncprocédé
à uneanalyse
~lus précise,
basée sur unehypothèse
dedistrï~ution
des têtes defibre direc-
tement
inspiyée ~ar
lefonctionnement
discontinu des~eigneuses.
Nousn’avons toutefois
étudié que le cas de lalongueur
desfibres, propriété
directement in-fluencée ~ar
lanon-uniformité
duruban ; pour
les autrespropriétés,
leurcorrélation avec la
longueur
estsu f fisamment faible pour
rendrenégligeable
la correction de
non-uni f ormité.
Mathématiquement ~arlant,
l’article ci-dessousrenferme
notammentune
démonstration rigoureuse
de la convergence stricte(et
non seulement de laquasi-convergence asymptotique)
des sériesem~loyées pour représenter
lesmoments du
quotient
de deux variablesaléatoires ;
elle n’est valable quepour
le cas
particulier considéré
mais sonprincipe paraît susceptible d’applications
étendues.
La
conclusion
de cette étude est que les échantillons «cut-squaring
»sont
fidèles (la
moyenne dela
distribution de leur moyenne est celle dela ~o- pulation)
mais~lus dispersés
que des échantillonsfortuits ; fait qui ~eut
avoirune
certaine importance lorsqu’il s’agit
dejuger
si un lot dé rubande ~eigné satisfait,
en cequi
concerne lalongueur,
à telle ou telles~éci f ication imposée
a
priori.
Le
texte de cette note résulte du remaniement d’un rapport présenté par l’auteur à la Commission Techni- que de la XXXII-1 Conférence Lainière Internationale (Estoril, Lisbonne, Juin 1953). Les chiffres romains entre crochets renvoient à l’index bibliographique en fin de texte. Les variables aléatoires sont dénotées par dessymboles
en carac-tères gras.
80
1,1.
- L’industrie textile faitgrand
usage, dans les stades de fabricationpréliminaires
à lafilature,
de « rubans » ou de « mèches » formés d’un nombre immense de fibresapproximativement cylindriques
etparallèles.
Il estimportant,
aussi bien dupoint
de vuetechnique
que dupoint
de vuecommercial,
d’estimer lesparamètres
caractérisantstatistiquement
cespopulations
de fibres - lesplus importants
sont leslongueur
et diamètre moyens - et, dans cebut,
d’extraire de cespopulations
des échantillons doués de
propriétés précises.
Daniels,
l’un des auteursqui
ont leplus
étudié cettequestion
del’échantillonnage
des faisceauxde fibres l,
Il,
Il bis aproposé l’emploi
de la méthode suivante : onprend
comme échantillon l’en- semble des fibresayant
une extrémité de sens déterminé(disons,
pour fixer lesidées,
extrémitédroite)
intérieure à une zone
comprise
entre 2 sectionsparallèles
du faisceau. Il a décrit lesprécautions
àprendre
pour quel’échantillonnage
soit correct, et latechnique
ainsi mise aupoint
a reçu le nom de« méthode
d’équarrissage coupé » ( « Cut-squaring
method »).
Figure 1. - La zone d’échantillonnage est comprise entre Ics sections a et b ; l’échantillon est formé des fibres marquées d’une croix.
Il est
généralement
admis que les échantillons ainsi obtenus sontéquivalents ,à
des échantillons fortuits.Or,
vu leurdéfinition,
ils ne sont vraimenttels,
dans l’étude d’une certainepropriété
des fibresque si la
probabilité
deprésence
de l’extrémité droite d’une fibre dans la zoned’échantillonnage
est
indépendante
de lapropriété
considérée. Onpeut
vraisemblablement admettrequ’il
en est ainsilorsque
lapropriété
étudiée est(statistiquement) indépendante
de lalongueur
des fibres. Pour lalongueur elle-même,
et pour despropriétés qui
endépendent,
il n’en estrigoureusement
ainsi danstous les cas que si le faisceau de fibres est « idéal »
(au
sens de la théorie deMartindale) ( III, IV J
ou d’une théorie
équivalente quant
à l’uniformité de la distribution des têtes de fibre aulong
du fais-ceau).
Nous nous proposons ici d’étudierthéoriquement
lespropriétés
de cette méthode d’échantil-lonnage
sous deshypothèses plus larges
que celles de Martindale.(Nos
raisonnementspourraient
aussi
s’appliquer,
telsquels
ouaprès quelques modifications,
àl’échantillonnage
dephénomènes
échelonnés dans le
temps,
parexemple :
durées de conversationstéléphoniques ;
vied’appareils
en usage
simultané, etc...)
1,2.
- D’une manièreprécise,
nous admettrons que le faisceau3ï,
est constitué de la manière suivante : il est formé par lajuxtaposition
de D faisceauxpartiels ~ (i
=t...
D ; D est « l’indicede
doublage » ),
formés eux-mêmes de fibrescylindriques parallèles,
delongueurs
aléatoires douées d’une fonction derépartition
F(L)
commune aux Dfaisceaux ?; [nous
admettrons l’existence d’unequantité
finielMtelle
que F(lM
-0) =
1] ;
les fibresde ~
sontdisposées indépendamment
et au hasardle
long
de l’axe de ce faisceau de telle sorte que laprobabilité qu’une
tête de fibre(c’est-à-dire
pour fixer lesidées,
son extrémitédroite)
soit entre les abscisses a et b soitégale
à(1 /2 L) / p, (t)dt,2
Létant la
longueur
commune des Dfaisceaux ~ (cette longueur
estsupposée extrêmement grande,
et
pi (t)
est une fonctionpositive, bornée,
non nécessairement continue, mais telleque(t/2L)/~ p, (t)dt=1
Le
faisceau ~
est alorsentièrement
caractérisé par la constantepositive N;
telle que, pour toutes valeurs de a etb, T; (a, b)
=Ni~ Pi (t) dt
soit le nombre moyen de têtes de fibre de9~,
situées dans l’intervalle(a, b).
On sait que,dans
cesconditions,
la distribution du nombre de têtes de fibres dans cet intervallepeut
être considérée comme une distribution de Poisson de moyenneTi (a, b). (Pour
unedéduction
rigoureuse
de cesrésultats,
cfrLVj. )
1,3.
- Leshypothèses
ci-dessuspeuvent,
pensons-nous, être considérées comme une bonneapproximation
de la réalité dans le cas des rubans fournis par lespeigneuses RECTILIGNES ; pi (t)
est alors une fonction en créneaux, nulle pour la
plus grande partie
des valeurs de t. Il est d’autrepart
bien évident que, si leshypothèses
que nous venons d’énoncer sontsatisfaites,
la méthode de Danielsappliquée
à des TETES de fibre fournit un échantillonfortuit ;
il n’en estplus
ainsiquand
onapplique
cette méthode à des PIEDS de
fibre ;
eneffet,
laprobabilité qu’une
fibre delongueur
dufaisceau il
ait son
pied
dans l’intervalle(a, b)
est évidemment :et
dépend
de l(à
moins toutefois que p(t)
=l, auquel
cas lefaisceau 9~i
est idéal au sens de Mar-tindale).
Enpratique,
onignore
totalement si l’échantillon que l’onprélève
sur un ruban depeigné
est un échantillon de têtes ou de
pieds
de fibres(ce qui
revient à direqu’au
vu d’un morceau d’un telruban,
il n’est paspossible
depréciser
dansquel
sens celui-ci a été formé par lapeigneuse).
Ilsemble donc raisonnable d’attribuer à chacun de ces cas la
probabilité 1/2.
1,4.
- Celaétant,
onpeut,
à propos de la méthodeconsidérée, adopter
2points
de vuelégè-
rement différents. On
peut
en effet considérer que, non seulement lalargeur
z de la zone d’échan-tillonnage,
mais aussi l’abscisse a du début de cette zone[ qui
coïncide ainsi avec l’intervalle(a,
a +z)] ]
sont des
paramètres
non aléatoires. Dans ce cas, la distribution de la moyenneLa
deslongueurs
desfibres de l’échantillon varie avec a et z, et sa moyenne
n’est,
engénéral,
paségale à
=1 d F(t).
On
peut
aussi admettre - et cepoint
de vue,plus réaliste,
sera le nôtre - que l’abscisse a du début de la zoned’échantillonnage
est une variable aléatoire distribuéerectangulairement
entre - Let z
L ;
alors il est à supposer que la valeur moyenne deLapar rapport
à tous les échantillonspossibles
est bienégale
à L[autrement dit,
la méthoded’équarrissage coupé,
considérée de cepoint
de vue, est fidèle
(«
unbiassed» ) ] ; l’échantillonnage
n’en est pas pour celaéquivalent
à un échan-tillonnage
fortuit : sadispersion,
notamment, estplus grande
que celle de ce dernier.2,1.
- La fonction derépartition
deslongueurs
dans un échantillon depieds
de fibre est évi-demment la
probabilité
conditionnellequ’une
fibre ait unelongueur
L sousl’hypothèse qu’elle appartient
àFéchantitton ;
enappliquant
le théorème desprobabilités composées,
on voit immédia-tement que cette distribution est, pour le faisceau
"fi
2,2. - Si,
d’autrepart,
on tientcompte
ducaractère
aléatoire de a on trouve, par le même rai- sonnement,la
fonction de distribution :. i
Abstraction faite de termes dus aux« effets
d’extrémité», qui
sont de l’ordre deL,
et par con-séquent négligeables,
cette fonction n’est autre que F(L).
Ceci nesignifie
nullement que l’échantillon- nage paréquarrissage coupé
soitfortuit,
mais seulement que, si l’on constitue un échantillon en effec-tuant
POURCHAQUE
FIBRE UN NOUVEAU choix aléatoire de a, on obtient un échantillonfortuit ;
mais, dans la méthode deDaniels,
ce n’est pas ainsi que l’onprocède,
on n’effectuequ’un
seul choixaléatoire de a. Il nous faudra donc établir la distribution
conditionnelle,
aétantfixé, detel paramètre qui
nousintéresse,
et étudier ensuite le cas où apeut
varier d’échantillon à échantillon.2,3.
- Nousdésignerons
parEa,: l’opérateur «
valeur moyenne parrapport
à larépartition GOt¡ (L) : Ea,i
’ f(l)
=l°Of(l)d
0Ga,;(l)par ~
,l’opérateur
valeur moyenne par .rapport
à toutes lesdispo-
sitions
possibles
des fibres» et parc*( jP) l’opérateur«
valeur moyenne parrapport
auxdispositions
de fibres
ayant
lapropriété P »,
et nous poserons :La distribution du nombre ni
(a)
des fibres de~i ayant
leurpied
entre a et a - z est, commenous l’avons vu,
pratiquement identique
à la distribution de Poisson de fonctiongénératrice :
2,4. -
Nousdésignerons
alors parL ; [j
="..., n; (a) ]
leslongueurs -
aléatoires - des ni(a)
fibresde ~; ayant
leurpied
entre a et a + z, poserons :et
désignerons
par n*(a)
et S*(a)
les variables aléatoires n(a)
et S(a) prises
conditionnellement àl’hypothèse
n(a) 0.
La méthode de Daniels conduit alors àprendre
comme estimateur de L la variable aléatoireq (a)
= S *(a) ~n
*(,a).
3,1.
- Nous noteronsfli (s,
t ;a)
la fonctiongénératrice
des moments de la distribution con-jointe
den;(a)
etSi (a) (a
étant considéré icisimplement
comme unparamètre).
On a :3,2.
- Pour déduire de làl’expression
de la fonctiongénératrice
des moments de n(0)
etS
(a)
il est nécessaired’expliquer
les relations mutuelles des fonctions pi(t) ;
nous admettrons que chacune d’elles se déduit d’une même fonction p(t), périodique
depériode
2L,
en la soumettant àune translation
d’amplitude
aléatoire T; :p;(t)
= p(t +-ri ),
cesamplitudes
étant distribuées rectan-gulairement
entre - L et +L,
pardéfinition,
mutuellementindépendantes (1).
Il revient au mêmed’admettre que chacune des
paires
de variables ni(a), 5¡(a) (pour
i =1,... D)
est obtenue par un nou-veau choix aléatoire de a.
Dès
lors,
dénotant par lasuppression
de l’indice i leremplacement
dans les formules ci-dessus’de
pi (t)
par p(t),
et tenantcompte
du caractèrepériodique
de p(t),
on aura, pour la fonctiongéné-
ratrice des moments de la distribution
conjointe
de n(a)
et S(a) l’expression
suivante :n
(a)
est évidemment une variable aléatoire à valeurs entières ~ 0 et il résulte de(3)
que l’on a :Si donc on pose :
1- Po =-~ 1/p
la fonctiongénératrice
des moments de la distributionconjointe
de
n*(a) et S* (a)
sera :3,3.
- Nous poserons :On aura donc en
particulier :
Nous poserons aussi
Dans ces
conditions,
on aura :3,4.
- Afin d’étudier les moments deq (a),
nous poserons :(*)
L’opérateur ~tient
compte du caractère aléatoire de ces éléments.On aura donc :
3,5.
- Il est tout d’abord évident que, si l’on ne tientcompte
du caractère aléatoire ni de ani des
T ;,
larégression
deq (a)
surn*(a)
estégale
àOn
a parconséquent
endésignant
par 2 L* lalongueur
totale des intervallesLoù X
n(a) >
0 :3,61.
- On a ensuite, enposant : a 0,1 / a~~o=(i :
3,62.
- Les séries(7) divergent
si1 XI> (? Da.1,o,
on nepeut
donc pas leurappliquer
terme à terme
l’opérateur 9. Toutefois,
l’on sait(cfr [VI] p. 120)
que l’onpeut
définir des coefficientsC;K jouissant
despropriétés
suivantes :a)
Sif (z)
=E~an
z" est une fonctionholomorphe
auvoisinage
de z =0,
la série depolyno-
mes
Er 1: K~O Ci@)Ç aK zK
converge uniformément dans tout domaine fermé intérieur à l’étoile recti-ligne d holomorphie,
centrée en z ==0,
de la fonction f(Z).
b) Quels
que soient k et p(p
~k)
on a :3,63.
-Considérons alors l’une des séries (7),
parexemple
lapremière, appelant A sa
somme,on a : A =
E~’ 1= OEMI ,= 0 (-1)K(K+1) CiK X~/(pDx~~’
vu la convergence uniforme de cette sérievers sa limite et le caractère borné de
celle-ci,
onpeut
luiappliquer
terme à termel’opérateur ~,
ce
qui
donne :3,64.
- On sait(cfr [V!!]
p.242)
que, dans cette sériedouble,
on pourra intervertir l’ordre des sommations sous la condition que : m~o(im Y~,~o ~~~ Ail(} = 0
Or,
la fonctiongénératrice
desquantités ~~ (j
fixé ; K=0,1,...)
est une fonctionentière,
comme on le voit
d’après
la formule(5) ;
il en résulte que la série2~o ~.~z~est toujours
absolu-ment
convergente
et que, parconséquent,
si k est suffisammentgrand,
on a :tpo~t/~pDo~ o)~ t/2~
On a
donc, puisque 0E;’Lo C i k ~ 1 : .
Donc
et par
conséquent : M-- 1= K-
limE~o L~m Aik=O.
L’interversion des sommations est donclégitime,
et on a :3,65.
- Onpeut
raisonner de même pour les 2 autres séries(7)
et on trouve finalement :ce
qui
est d’ailleurs le résultat que l’on obtiendrait enappliquant C.
terme à terme aux séries(6).
On ti re de
(8) :
(D X 1.0)
est ordinairement de l’ordre de 500 et les termes non écrits dans(9)
sontnégligeables.
4,1.
- Afin de mettre en nombres les formulesci-dessus,
nous ferons leshypothèses
suivantes,empruntées
à lapratique
dupeignage
de lalaine, système
continental :4,!!. 2013
F(l)
serareprésentée
par une distributionrectangulaire,
de moyenne1
= 50 mmet de coefficient de variation 46
1%
en écrivant :d
F (l) -=
B1 /80
dpour
10m m 90
mm.~ ’’
~ r
0 ailleurs.Cette
représentation, plutôt grossière,
estcependant
suffisante pour notre but.4,12.
- La fonction p(t)
relative au ruban sortant de lapeigneuse peut,
vu le fonctionnement intermittent de cettemachine,
êtreconsidérée,
dans un cas moyen, commepériodique,
depériode
environ
égale
à 40 mm, et nulle sur les4, 5
de cettepériode.
Dans ce même cas moyen, onpeut
admet-tre que le ruban de
peigné
est obtenu par undoublage
de 48(D 48) accompagné
d’unétirage (total)
de 36. Si on admet que cetétirage
estparfait,
on est conduit àprendre (t
étant mesuré enmm) :
4,13.
-Remarquons
enpassant qu’avec
une telle fonctionp(t)
onpeut
admettre que les am-plitudes
-ci des translations aléatoiresimprimées
auxfaisceaux ~;
sont distribuéesrectangulairement
entre 0 et 1500 mm sans rien
changer
aux résultats obtenus.4,14.
- Nousprendrons
aussiN; -
13mm-’,
cequi correspond,
pour le faisceautotal~,
àun nombre moyen de fibres en section droite : T D.
Ni. 1
-31200, c’est-à-dire,
si on admet pour les fibres d’un diamètre R. C. M.(1)
de25 ,
à un titre de 20 ktx.(2). Enfin,
nousprendrons
z 1 mm, valeur
qui correspond
à lapratique
usuelle de cette méthoded’échantillonnage.
4,2.
- Onpeut alors,
parapplication
des formulesdes § S 2,1
I et2,3,
obtenir lesexpressions analytiques
deTa
et deGa(L) ;
elles sont trèscompliquées ; toutefois,
il est aisé d’obtenir leurs valeursnumériques
pour un réseau arbitrairement dense de valeurs de a ; on obtient de cettefaçon
les valeurs suivantes :d’où :
On a donc en vertu de
(6) :
-.et en vertu de
(9)
et(10) :
5,1.
- Les valeurs(I I)
serapportent
évidemment à un échantillon depieds
de fibre. Pour unéchantillon de têtes de
fibre,
onpeut
recommencer les raisonnementsci-dessus,
enprenant
toutefois :(1) C’est-à-dire « racine du carré moyen », c’est en fait le diamètre déduit de l’aire moyenne.
(2) Grammes par mètre.
On trouve alors que le caractère aléatoire de n*
(a), qui
est évidemment sans influence sur~q (a),
n’influencet[q (a) J2
que par des termes de deuxième ordre en(D o~ o ) )-’,
c’est-à-dire que, à cetteapproximation,
on a :’
5,2.
-Désignant
alors part’l’opérateur
de valeur moyenne tenantcompte
de tous les choix aléatoirespossibles,
ycompris
celui de la définition del’échantillon,
on aura :A titre de
comparaison,
notons que, dans un faisceau uniforme au sens deMartindale,
basé surla même distribution des
longueurs
de fibre et la même valeurde t
n(a)
=625,
les formules(12)
seraient valables pour des échantillons tant de
pieds
que de têtes de fibre. On aurait donc :5,3.
- Lerapport
des écartstypes
déduits de(13)
et(14)
vaut1,35.
Cettevaleur,
attachéeévidemment au cas
particulier
que nous venonsd’étudier, peut cependant,
pensons-nous, être consi- dérée commetypique ;
s’il en est ainsi et si leshypothèses
que nous avons faites sont suffisammentproches
de laréalité,
onpeut
conclure que la méthoded’échantillonnage
de Daniels estfidèle,
mais douée d’unedispersion
d’environ 35% plus forte que
celle d’unauthentique échantillonnage
fortuit(1).
5,4.
-Rappelons
que cette conclusions’applique
à lapopulation
des échantillons définis par lesopérations
suivantes :’
5,41.
- D faisceaux de fibresparallèles Si¡
sont construits pardisposition
aléatoire de fibrescylindriques, parallèles,
derépartition
delongueurs
F(l),
avec une densité de têtes de fibres p(t), périodique
depériode
2 L.(La longueur
de ces faisceaux est au moins 4 L ;[abscisses
entre - 2 Let 2
L~ ;
mais si p(t)
estpériodique,
avec unepériode
2 w« 2L,
onpeut
se contenter d’unelongueur
2 L
+
2w ) abscisses
entre - L- w et L + w).
Ces faisceaux sont, par construction, mutuellementindépendants.
5,42.
- Lefaisceau ~;
est soumis à une translationd’amplitude
aléatoire ’ri(distribuée
rectan-gulairement
entre -L ;-
L, ou entre - w et- w si p(t)
admet 2 w commepériode).
Les por- tions de ces faisceaux situées entre les abscisses - L et + L sontjuxtaposées (doublage)
pour former le faisceauS~.
5,43.
- Une sectionde ~,
d’abscisse a, est choisie au hasard(ce
choix nechange
d’ailleursrien à la distribution des variables aléatoires
étudiées) ;
il estdécidé, également
au hasard(proba-
bilités
égales
à1 /2)
si l’échantillon sera formé des fibresayant
leur tête ou leurpied
entre a et a + z.5,44.
- Si l’échantillon ainsi « obtenu » necomporte
aucunefibre,
il n’en est tenu aucuncompte (en
d’autres termes, les distributions étudiées sont conditionnelles à n(a) 4= 0).
5,45.
- Onprend
comme estimateur de1
lequotient
de la somme deslongueurs
des fibres del’échantillon par le nombre de ces fibres.
5,46.
- Sidonc,
on considérait divers échantillons issus d’un mêmefaisceau cy -
autrementdit : divers échantillons
ayant
en commun lesopérations 5,41
et5,42
ci-dessus - les résultats obtenusjusqu’ici
ne seraientplus
valables. La théorie des distributions relatives à une telle méthode n’est pas biencomptiquée ;
si l’on suppose, parexemple,
que ces p échantillons sontpris
danscâpres
le choixaléatoire des abscisses a,,..., ap,
(ai
«c--ai+1)
sous la condition que :on devra
simplement remplacer
la formule(3)
par la suivante :, - - .1 ,
Toutefois,
la mise en nombres de cette formule est d’une invraisemblablecomplication,
etnous ne l’avons pas
entreprise.
(1) Le fait que, dans le mode opératoire décrit par Daniels, l’échantillon est compris entre 2 sections quelque
peu inclinées sur l’axe du faisceau ne change pratiquement rien à cette conclusion.
Nous tenons, en terminant cette note, à remercier l’International Wool
Secretariat,
dont les subventions ont rendupossibles
les recherches dont elle est un résultatpartiel,
de même que M. F.confort,
Directeur du Laboratoire Peltzer et Fils(Verviers),
où ces recherches ont eu lieu.INDEX
BIBLIOGRAPHIQUE
I. - PALMER R. C. and H. E. DANIELS, Journal of the Textile Institute, 38 (I947), T. 94.
II. - DANIELS H. E., ibid. 33
(1942),
T. 137.II bis. - DANIELS H. E., J. ROY, Stat. Soc. (Suppl.), 5 (1938), 89.
III. - MARTINDALE J. G., Journal of the Textile Institute, 36
(1945),
T. 35.IV. - BRENY H., Appl. Scient. Res. 3
(1953), 433.
V - BRENY H., Bull. Soc.
Royale
des Sc. de Liège, 1953, 405.VI. - BOREL E., Leçons sur les fonctions de variables réelles et les développements en série de polynomes, Paris, (Gauthiers-Villars), 1905.
VII. - KNOPP K., Theory and Applications of infinite series, 2 d. English edition, London (Blackie and Son), 1951.