L'analyse fonctionnelle s'avère utile pour de nombreuses applications scientifiques où un procédé physique est observé sous la forme d'une courbe. Pour bon nombre d'applications, plusieurs courbes sont observées car de multiples sujets sont mesurés, ce qui produit des répétitions au sens statistique. Dans la littérature récente, plusieurs techniques sont développées pour l'enregistrement des courbes et l'estimation des modèles associés dans le cadre d'une régression. Les modèles habituels ignorent l'hétérogénéité parmi les courbes. Les modèles linéaires fonctionnels mixtes offrent une façon populaire de combiner de nombreuses courbes et de capturer la variabilité entre elles par des effets aléatoires. Malgré la grande quantité de travail consacré à l'analyse de données fonctionnelles avec des modèles mixtes, les questions d'inférence ont reçu peu d'attention. Après l'estimation, les auteurs s'affairent à mesurer l'incertitude en termes d'erreur quadratique moyenne lorsque les modèles linéaires fonctionnels mixtes servent à la prédiction. Même si la mesure de l'incertitude est d'un intérêt primordial pour toute prévision statistique, aucune expression théorique valide n'est disponible pour les modèles fonctionnels mixtes. La qualité des approximations théoriques dépend du nombre de courbes observées, et pour plusieurs applications réelles, seul un nombre fini de courbes peut être observé. Dans de telles circonstances, il est important d'évaluer le taux d'erreur pour chaque énoncé statistique valide. Les auteurs dérivent une approximation théoriquement valide des mesures d'incertitude pour la prévision. Ils apportent également quelques modifications à l'estimation de modèle. Ils investiguent les performances empiriques de la méthode proposée par des exemples numériques et la comparent aux méthodes existantes lorsque c'est approprié. Ils constatent que leur méthode est simple d'un point de vue computationnel et qu'elle offre souvent de meilleures performances que les méthodes existantes.