1

Incertitudes

Objectifs :
• Estimation des incertitudes-types sur des grandeurs mesurées lors d’une séance de TP

1. Définitions
L’incertitude est un nombre qui permet de quantifier la variabilité des résultats obtenus
lors de différentes réalisations d’une même expérience dans les mêmes conditions.
Dès lors, l’estimation de l’incertitude devient une obligation lors d’une séance de TP.
Elle se caractérise par l’incertitude-type en Physique. Ainsi le résultat final d’une expérience
de mesure d’une grandeur x doit nécessairement présenter la valeur expérimentale 𝑥𝑒𝑥𝑝 et
l’incertitude-type 𝑢(𝑥𝑒𝑥𝑝 ) associée, sous la forme :
𝒙 = 𝑿𝒆𝒙𝒑 ± 𝒖(𝑿𝒆𝒙𝒑 )
Conventionnellement, l’incertitude-type s’écrit avec deux chiffres significatifs. Le
deuxième chiffre donne celle du dernier chiffre significatif sur la valeur mesurée.
Exemple :

Soit :
𝒙 = 𝟏𝟕, 𝟑𝟏 ± 𝟎, 𝟐𝟗 𝒄𝒎
Remarque : L’incertitude est toujours arrondie en excès.

2. Modélisation probabiliste d’un processus de mesure

Pour modéliser la mesure d’une grandeur physique 𝑥, on procède par un tirage aléatoire
de cette grandeur. Chaque tirage représente un résultat différent à chaque réalisation de
l’expérience ou mesure. Ainsi, mesurer une grandeur revient alors à estimer du mieux possible
l’espérance mathématique 𝑬(𝒙) et l’écart-type 𝝈𝒙 de la variable aléatoire 𝑥, appelé dans ce

contexte la valeur expérimentale (𝑋𝑒𝑥𝑝 ) et l’incertitude-type (𝑢(𝑋𝑒𝑥𝑝 )).

Les deux modèles utilisés couramment ici sont :

• la loi normale ou loi gaussienne ;
• la loi uniforme.

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 2

La figure 1illustre ces lois.

Remarque :
• On montre que, pour la loi normale, la probabilité qu’une mesure tombe dans
l’intervalle [𝐸(𝑥) − 𝜎𝑥 , 𝐸(𝑥) + 𝜎𝑥 ] est de 68% : on parle d’intervalle de confiance à
68%. De même [𝐸(𝑥) − 2𝜎𝑥 , 𝐸(𝑥) + 2𝜎𝑥 ] est l’intervalle de confiance à 95%.
• Dans le cas de la loi uniforme, l’écart-type 𝜎𝑥 est relié à la demi-largeur 𝜀, par la
relation :
𝜀
𝜎𝑥 =
√3
Pour cette loi, [𝐸(𝑥) − 𝜎𝑥 , 𝐸(𝑥) + 𝜎𝑥 ] est l’intervalle de confiance à 57%. En revanche,
[𝐸(𝑥) − 𝜀, 𝐸(𝑥) + 𝜀] est l’intervalle de confiance à 100%.

3. Estimation de l’incertitude-type sur une grandeur mesurée

3.1. Cas d’une grandeur qui fluctue : incertitude de type A
Lorsque la mesure d’une grandeur physique 𝑥 montre une variabilité directement
observable sur les résultats expérimentaux, on doit procéder à des mesures répétées : on parle
de l’estimation d’une incertitude de type A.
Considérons une série de mesures (𝑋𝑖 )1≤𝑖≤𝑁 d’une grandeur physique 𝑥 :
• La valeur expérimentale est la moyenne arithmétique de la série de mesure. Soit,
𝑵
𝟏
𝑿𝒆𝒙𝒑 =< 𝑿𝒊 > = ∑ 𝑿𝒊
𝑵
𝒊=𝟏

• L’incertitude-type sur cette valeur est reliée à l’écart-type de cette série de mesure par :
𝝈
𝒖(𝑿𝒆𝒙𝒑 ) =
√𝑵

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 3

Remarque :
Il existe plusieurs conventions de définition pour l’écart-type. Celle utilisée ici est
l’écart-type expérimentale, d’expression :

𝑁
1
𝜎=√ ∑(𝑋𝑖 −< 𝑋𝑖 >)2
𝑁−1
𝑖=1

3.2. Cas d’une grandeur qui ne fluctue pas : incertitude de type B

Il existe des situations pour lesquelles reproduire l’expérience à l’identique ne permet
pas d’observer la variabilité dans les résultats de la grandeur mesurée. Cette situation peut être
due à plusieurs raisons :
• la grandeur mesurée peut ne pas varier dans les conditions de l’expérience ;
• la variabilité de la grandeur est inférieure à la résolution de l’instrument de mesure
utilisé.
Une telle situation conduit à une valeur unique de la mesure : on parle dans ce contexte de
l’estimation d’une incertitude de type B et l’incertitude-type est déterminée par la formule :
∆
𝒖(𝑿𝒆𝒙𝒑 ) =
√𝟑
∆ est la tolérance de l’instrument de mesure.
a) Cas des instruments à graduations
Ici, la tolérance est la moitié de la plus petite graduation. Soit :

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 4

𝐩𝐥𝐮𝐬 𝐩𝐞𝐭𝐢𝐭𝐞 𝐠𝐫𝐚𝐝𝐮𝐚𝐭𝐢𝐨𝐧

𝒖(𝑿𝒆𝒙𝒑 ) =
√𝟏𝟐
b) Cas des appareils analogiques avec classe
La classe d’un appareil indique l’incertitude-type liée à sa construction. L’incertitude-
type est déterminée par l’expression :
𝐂𝐥𝐚𝐬𝐬𝐞 × 𝐜𝐚𝐥𝐢𝐛𝐫𝐞
𝒖(𝑿𝒆𝒙𝒑 ) =
𝟏𝟎𝟎√𝟑
c) Cas des appareils à affichage numérique
1er Cas : si la tolérance n’est pas affichée par le constructeur, on choisit ∆ comme la
demi-largeur du dernier digit. Par exemple, pour un thermomètre qui affiche 21.2°𝐶, la
tolérance est ∆= 0,05°𝐶.
2e Cas : le constructeur indique la tolérance sur la notice, comme une inscription de la
forme :
𝒑 = 𝒚%𝐋 + 𝒏 × 𝐝𝐢𝐠𝐢𝐭𝐬
𝐋 est la valeur lue, 𝒚 lest la valeur du pourcentage et 𝒏 est le nombre de digits.
d) Cas de l’optique
En optique, un facteur humain apparaît avec la netteté de l’image. Pour estimer la demi-
largeur sur la position d’une image réelle, on peut utiliser la méthode suivante :
• Placer l’écran loin derrière l’image et le rapprocher jusqu’à estimer que l’image est
nette. Noter la position 𝑥2 de l’écran.
• Placer l’écran loin devant l’image et le rapprocher jusqu’à estimer que l’image est nette.
Noter la position 𝑥1 de l’écran.
De cette manière, on définit un intervalle [𝑥1 , 𝑥2 ] dans lequel appartient la mesure. Sa
demi-largeur est alors :
∆= |𝒙𝟐 − 𝒙𝟏 |
L’estimation de la mesure est la moyenne de 𝑥1 et 𝑥2 :
𝒙𝟐 + 𝒙𝟏
𝑿𝒆𝒙𝒑 =
𝟐
On estime l’incertitude-type sur la position par :
|𝒙𝟐 − 𝒙𝟏 |
𝑢(𝑿𝒆𝒙𝒑 ) =
2√3

Remarque :
Dans le cas où une mesure présente plusieurs sources d’incertitude-type 𝑢𝑖 (𝑋𝑒𝑥𝑝 ),

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 5

l’incertitude-type finale est la racine carrée de la somme quadratique des incertitudes-types

recensées :

𝒏
𝟐
𝒖(𝑿𝒆𝒙𝒑 ) = √∑[𝒖𝒊 (𝑿𝒆𝒙𝒑 )]
𝒊=𝟏

5. Estimation de l’incertitude-type sur une grandeur calculée

Les incertitudes se propage vers des grandeurs dérivées : on parle de composition des
incertitudes. L’incertitude-type composée se calcule à partir des formules générales suivantes :
soit 𝑦 la grandeur que l’on cherche à calculer l’incertitude-type en fonction de celles des
grandeurs 𝑥1 , 𝑥2 , …, 𝑥n , connues. Si l’on se limite au cas où 𝑦 = 𝑓(𝑥1 , 𝑥2 ) :
• Si 𝒚 = 𝜶𝒙𝟏 + 𝜷𝒙𝟐 ou 𝒚 = 𝜶𝒙𝟏 − 𝜷𝒙𝟐 , alors l’incertitude-type composée sera :
𝟐 𝟐
𝒖(𝒚) = √(𝜶𝒖(𝒙𝟏 )) + (𝜷𝒖(𝒙𝟐 ))

𝜷 𝒙𝜶
• Si 𝒚 = 𝒂𝒙𝜶𝟏 . 𝒙𝟐 où 𝒚 = 𝒂 𝟏𝜷, alors l’incertitude composée sera :
𝒙𝟐

𝟐 𝟐
𝒖(𝒚) 𝒖(𝒙𝟏 ) 𝒖(𝒙𝟐 )
= √(𝜶 ) + (𝜷 )
𝒚 𝒙𝟏 𝒙𝟐

• Si 𝒚 = 𝒙𝒑 , alors l’incertitude composée sera :

𝒖(𝒚) 𝒖(𝒙)
= |𝒑|
𝒚 𝒙
6. Estimation numérique Monte Carlo
Principe
On cherche à estimer une grandeur 𝑦 reliée à un ensemble de grandeurs expérimentales
𝑥1 , 𝑥2 , …, 𝑥k par une relation écrite sous la forme :
𝑦 = 𝑓(𝑥1 , 𝑥2 , … , 𝑥K )
où f est une fonction quelconque, mais connue. Chaque grandeur expérimentale 𝑥k
(1 ≤ 𝑘 ≤ 𝐾) est caractérisée par sa valeur et son incertitude-type 𝑢(𝑥𝑘 ). Pour estimer
l’incertitude-type 𝑢(𝑦), on fait recours à la simulation 𝑑𝑒 𝑁 ≫ 1 expériences.
Pour chaque réalisation 𝑛 de l’expérience,
• On tire aléatoirement une valeur 𝑥𝑘,𝑛 pour chaque 𝑥k , en utilisant une loi normale ou
une loi uniforme selon la façon dont l’incertitude-type 𝑢(𝑥𝑘 ) est estimée. Ensuite on en
déduit la valeur correspondante 𝑦𝑛 .
• L’incertitude-type composée 𝑢(𝑦) correspond à l’écart-type de la série des 𝑦𝑛 simulés.

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 6

En pratique, les fonctionnalités des tableaux numpy permettent de simuler les

𝑁 expériences sans faire appel à des boucles. En fonction de la manière dont l’incertitude-type
𝑢(𝑥𝑘 ) a été estimée, on choisira d’utiliser pour les tirages aléatoires une loi de probabilité
gaussienne (la valeur centrale est plus probable que les autres) ou une loi de probabilité
uniforme (toutes les valeurs de l’intervalle sont équiprobables). On utilisera les fonctions
Python suivantes :
• pour le tirage de 𝑁 valeurs aléatoires suivant une loi uniforme dans un intervalle [mini,
maxi], on utilise la fonction : [Link](mini, maxi, N) ;
• pour le tirage de 𝑁 valeurs aléatoires suivant une loi normale de moyenne moy et
d’écart-type sigma, on utilise la fonction : [Link](moy, sigma, N).

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 7

7. Comparaison entre deux valeurs

Les valeurs à comparer peuvent être issues de deux expériences différentes (deux
protocoles ou deux binômes), ou bien l’une d’elles peut être une valeur attendue donnée par un
fabricant ou prévue par un modèle théorique. L’idée est qualitativement simple : pour que la
valeur mesurée soit compatible avec la valeur attendue, il ne faut pas qu’elle en soit « trop »
éloignée. Comme la dispersion des valeurs expérimentales est quantifiée par l’incertitude type,
l’écart entre les valeurs mesurée et attendue doit être comparée à cette incertitude-type, à travers
la quantité z-score.
1er Cas : Comparaison entre deux valeurs connues avec incertitude
On appelle écart normalisé ou 𝒛-score entre deux valeurs 𝑥1 et 𝑥2 , connues avec une
incertitude-type 𝑢(𝑥1 ) et 𝑢(𝑥2 ), la quantité :
|𝒙𝟐 − 𝒙𝟏 |
𝒛=
√(𝒖(𝒙𝟏 )𝟐 + (𝒖(𝒙𝟐 )𝟐
𝑥1 et 𝑥2 sont compatible si et seulement si 𝒛 ≤ 𝟐
2e Cas : Comparaison entre une valeur expérimentale et une valeur connue sans
incertitude
Il est fréquent que la valeur attendue 𝑥 ∗ soit donnée sans incertitude ou que celle-ci soit
négligeable, comme pour une grandeur tabulée. Dans ce cas, le critère sur le 𝑧-score devient :
|𝑥 ∗ − 𝑥𝑒𝑥𝑝 |
𝒛=
𝒖(𝒙𝒆𝒙𝒑 )
Le critère de compatibilité reste le même : 𝒛 ≤ 𝟐
8. Validation d’un modèle théorique
8.1. Principe général
Valider un modèle présente deux aspects :
• vérifier que les mesures expérimentales sont cohérentes avec la forme fonctionnelle
attendue ;
• vérifier que les valeurs des coefficients qui s’en déduisent sont compatibles avec les
valeurs attendues.
Au niveau CPGE, la validation passe nécessairement par une confirmation graphique
sur un tracé de la pertinence du modèle. La droite étant la seule courbe reconnaissable à l’œil
sans ambiguïté, il faut toujours réécrire le modèle testé sous forme linéaire ou affine en
introduisant des variables auxiliaires au besoin. Les premières étapes sont dans tous les cas les
suivantes :

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 8

• Réaliser 𝑁 expériences pour plusieurs valeurs 𝑋𝑛 (1 ≤ 𝑛 ≤ 𝑁), et mesurer à chaque

fois la valeur 𝑌𝑛 correspondante.
• Représenter graphiquement 𝑦 en fonction de 𝑥 : s’il ne s’agit notoirement pas d’une
droite ([Link]. présence d’une courbure), il est inutile de poursuivre. Cette étape est
indispensable : les calculs se calculeront toujours, mais cela ne garantit pas la pertinence
du modèle, qui ne peut être testée à notre niveau que graphiquement.
8.2. Validation d’un modèle théorique linéaire 𝒚 = 𝒂𝒙
N’avoir qu’un seul coefficient à estimer, il permet une exploitation relativement simple
pour vérifier la compatibilité de la valeur expérimentale 𝑎𝑒𝑥𝑝 à la valeur attendue 𝑥 ∗ . L’idée est
de traiter chaque réalisation de l’expérience comme une mesure indépendante de la grandeur,
𝒚
𝒂 =
𝒙
Comme on dispose de plusieurs mesures de la même grandeur, il suffit ensuite de
dérouler la procédure « classique » d’une estimation de type A :
• Calculer la valeur 𝐴𝑛 obtenue pour chaque réalisation de l’expérience, puis la valeur
moyenne 𝑎𝑒𝑥𝑝 = ⟨𝐴𝑛 ⟩.
𝜎
• Estimer l’incertitude type 𝑢(𝑎𝑒𝑥𝑝 ) = comme décrit au paragraphe 2.1.
√𝑛

• Comparer 𝑎𝑒𝑥𝑝 à la valeur attendue 𝑎∗ par un calcul de 𝑧-score et conclure

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 9

8.3. Validation d’un modèle théorique affine 𝒚 = 𝒂𝒙 + 𝒃

Les premières étapes sont les mêmes que précédemment, mais les coefficients 𝑎 et 𝑏 et
leurs incertitudes-types ne peuvent pas être estimés aussi simplement.
a) Estimation des coefficients 𝒂𝒆𝒙𝒑 et 𝒃𝒆𝒙𝒑
Réaliser une régression linéaire pour obtenir 𝑎𝑒𝑥𝑝 et 𝑏𝑒𝑥𝑝 . Un algorithme de régression
linéaire permet d’obtenir la meilleure estimation de 𝑎 et 𝑏, c’est-à-dire les valeurs qui donnent
la droite passant au plus près des points expérimentaux (𝑋𝑛 , 𝑌𝑛 ). Avec Python, on les obtient
grâce à la fonction [Link] par une syntaxe de la forme :
𝒂𝒆𝒙𝒑 , 𝒃_ 𝐞𝐱𝐩 = 𝒏𝒑. 𝒑𝒐𝒍𝒚𝒇𝒊𝒕(𝒙, 𝒚, 𝟏)
Le troisième argument « 1 » indique à la fonction que l’on modélise la courbe par un polynôme
d’ordre 1.
b) Estimation des incertitudes 𝒖(𝒂𝒆𝒙𝒑 ) et 𝒖(𝒃𝒆𝒙𝒑 )
Si l’on ne dispose pas des incertitudes 𝑢(𝑥) et 𝑢(𝑦) sur les points expérimentaux, il n’existe
pas de méthode aussi simple qu’un calcul d’écart-type pour estimer les incertitudes sur 𝑎𝑒𝑥𝑝 et
𝑏𝑒𝑥𝑝 . La seule méthode au programme concerne le cas où l’on dispose de l’incertitude 𝑢(𝑦) ≠
0 sur une des deux grandeurs mesurées alors que l’incertitude 𝑢(𝑥) = 0 sur l’autre grandeur
est supposée nulle. Elle s’appuie sur une simulation Monte Carlo de 𝐾 séries de mesures et les
régressions associées. Ainsi,
• Simuler 𝐾 séries de mesures différentes des valeurs 𝑦𝑘,1 , 𝑦𝑘,2 , … , 𝑦𝑘,𝑁 , tenant compte
des incertitudes.
• Pour chaque série de mesures simulée, réaliser une régression linéaire, qui donne des
coefficients 𝑎𝑘 et 𝑏𝑘 différents à chaque simulation.
• Les incertitudes-types 𝑢(𝑎𝑒𝑥𝑝 ) et 𝑢(𝑏𝑒𝑥𝑝 ) sont égales à l’écart-type des séries des 𝑎𝑘 et
𝑏𝑘 simulés.
• Comparer les valeurs 𝑎𝑒𝑥𝑝 et 𝑏𝑒𝑥𝑝 aux valeurs attendues 𝑎∗ et 𝑏 ∗ par un calcul de 𝑧-
score et conclure.
Une validation graphique complémentaire est possible en vérifiant que la distance entre les
points et la droite de régression est inférieure ou de l’ordre de 2𝑢(𝑦). Cela peut se faire
visuellement en représentant des barres d’incertitudes grâce à la fonction :
𝒑𝒍𝒕. 𝒆𝒓𝒓𝒐𝒓𝒃𝒂𝒓(𝒙, 𝒚, 𝒚𝒆𝒓𝒓 = 𝒖_𝒚)

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA

 10

Proposé par Dr. YAKADA et Dr. DJINKWI-WANDA