Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
I – Mesures et incertitudes
Les notions et capacités identifiées ci-dessous couvrent les deux années de formation en classe préparatoire aux grandes écoles;
leur pleine maîtrise est donc un objectif de fin de seconde année.
L’accent est mis sur la variabilité de la mesure d’une grandeur physique et sa caractérisation à l’aide de l’incertitude-type. La
comparaison entre deux valeurs mesurées d’une même grandeur physique est conduite au moyen de l’écart normalisé, l’objectif principal
étant de développer l’esprit critique des étudiants en s’appuyant sur un critère quantitatif. Le même esprit prévaut dans l’analyse des
résultats d’une régression linéaire qui ne saurait s’appuyer sur l’exploitation non raisonnée du coefficient de corrélation (R²).
Le recours à la simulation vise à illustrer, sur la base de mesures expérimentales, différents effets de la variabilité de la mesure
d’une grandeur physique dans les cas des incertitudes-types composées et de la régression linéaire.
Notions et contenus Capacités exigibles Remarques
Variabilité de la Identifier les incertitudes liées, par exemple, à l’opérateur, à l’environnement, aux
mesure d’une grandeur instruments ou à la méthode de mesure.
physique. Incertitude. Procéder à l’évaluation d’une incertitude-type par une approche statistique
Incertitude-type. (évaluation de type A).
Procéder à l’évaluation d’une incertitude-type par une autre approche que
statistique (évaluation de type B).
Associer un intervalle de confiance à l’écart-type dans l’hypothèse d’une
distribution suivant la loi normale.
Incertitudes-types Évaluer l’incertitude-type d’une grandeur s’exprimant en fonction d’autres Après avoir reconnu
composées. grandeurs, dont les incertitudes-types sont connues, à l’aide d’une somme, d’une l’ensemble des causes
différence, d’un produit ou d’un quotient. d’incertitudes. On
Comparer entre elles les différentes contributions lors de l’évaluation d’une simplifie le calcul en
incertitude-type composée. ne gardant que les
Capacité numérique : simuler, à l’aide d’un langage de programmation ou d’un prépondérantes.
tableur, un processus aléatoire permettant de caractériser la variabilité de la valeur
d’une grandeur composée.
Écriture du résultat Écrire, avec un nombre adapté de chiffres significatifs, le résultat d’une mesure.
d’une mesure.
Comparaison de deux Comparer deux valeurs dont les incertitudes-types sont connues à l’aide de leur On nomme l’écart
valeurs ; écart écart normalisé. normalisé z-score.
normalisé. Analyser les causes d’une éventuelle incompatibilité entre le résultat d’une mesure
et le résultat attendu par une modélisation.
Régression linéaire. Utiliser un logiciel de régression linéaire afin d’obtenir les valeurs des paramètres
du modèle.
Analyser les résultats obtenus à l’aide d’une procédure de validation : analyse
graphique intégrant les barres d’incertitude ou analyse des écarts normalisés.
Capacité numérique : simuler, à l’aide d’un langage de programmation ou d’un
tableur, un processus aléatoire de variation des valeurs expérimentales de l’une des
grandeurs – simulation Monte-Carlo – pour évaluer l’incertitude sur les paramètres
du modèle.
I – Variabilité de la mesure
I-1) Incertitude-type
En science expérimentale, un mesurage est une procédure complexe qui
se traduit par une variabilité de la valeur mesurée une répétition de cette
mesure conduit à une dispersion des diverses valeurs observées. Cette
variabilité est naturelle et fait intrinsèquement partie du mesurage, il ne s’agit
pas d’une erreur de mesure.
Laurent Pietri ~1~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
Mesurage : le résultat d’un mesurage n’est pas une valeur numérique
unique mais plutôt un ensemble de valeurs raisonnablement attribuables
à la grandeur étudiée. L’incertitude constitue alors une indication de la
dispersion de cet ensemble de valeurs.
Incertitude-type : la quantification de la variabilité potentielle de la
mesure x d’une grandeur physique X est appelée incertitude-type et est
notée u(x).
Par définition, l’incertitude-type correspond à l’écart-type de la
distribution des données qui seraient issues d’un grand nombre de
répétitions de la mesure.
L’incertitude-type caractérise la variabilité de l’ensemble du processus
de mesurage : nature du protocole expérimental mis en œuvre, matériel
utilisé, conditions expérimentales et l’habileté de l’expérimentateur.
I-2) Les sources de variabilité
a) Les différentes sources
Les incertitudes peuvent être liées à l’opérateur, l’environnement, aux
instruments ou à la méthode de mesure.
Soit x une grandeur mesurée et 𝑢𝑢𝑥𝑥 𝑜𝑜𝑜𝑜 𝑢𝑢(𝑥𝑥) l’incertitude type sur x liée
à la mesure, alors 𝑢𝑢𝑥𝑥 résulte de la composition des incertitudes-type
suivantes :
- 𝑢𝑢𝑐𝑐 : incertitude type constructeur liée à la qualité de l'appareil.
- 𝑢𝑢𝑙𝑙𝑙𝑙𝑙𝑙 : incertitude type de lecture (ou de repérage) lié à la lecture sur
l'instrument (graduations, …).
- 𝑢𝑢𝑠𝑠𝑠𝑠é : incertitude type spéciale liée à la difficulté de faire la mesure :
pointés, encadrement, non linéarité…
Laurent Pietri ~2~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
Par exemple, lorsque l’on mesure sur un banc d’optique la distance entre
la position d’une image (à travers une lentille) formée sur un écran, on a une
première source d’incertitude qui vient de la lecture de la position de l’écran
sur le banc gradué. On lui associe l’incertitude-type 𝑢𝑢1 (𝑥𝑥 ). (Incertitude de
lecture).
Une deuxième source d’incertitude vient du fait qu’il n’existe pas qu’une
seule position de l’écran on l’on peut dire que l’image est nette, mais qu’au
contraire tout un intervalle de position de l’écran est acceptable. On associe
l’incertitude-type 𝑢𝑢2 (𝑥𝑥) à cette deuxième source d’incertitude sur la position
de l’image. (Incertitude de pointé).
Une troisième source d’incertitude est liée à la qualité des graduations
sur le banc d’optique 𝑢𝑢3 (𝑥𝑥). (Incertitude constructeur)
Il faut ensuite comparer qualitativement les ordres de grandeur des
différentes incertitudes-types identifiées et essayer de n’en garder qu’une seule
(considérant donc que les autres sont négligeables). Si ce n’est pas possible,
i.e. que les différentes incertitudes-types sont toutes du même ordre de
grandeur, alors l’incertitude-type globale sera obtenue par une somme
quadratique des différentes contributions : 𝑢𝑢𝑥𝑥2 = 𝑢𝑢𝑐𝑐2 + 𝑢𝑢𝑙𝑙𝑙𝑙𝑙𝑙
2 2
+ 𝑢𝑢𝑠𝑠𝑠𝑠é
I-3) Valeur mesurée et incertitude type
La valeur mesurée x est la meilleure estimation possible de la grandeur
X mesurée. Comment la déterminer ?
Si on répète des observations et que l’on constate qu’elles varient, alors
on choisit leur moyenne arithmétique comme meilleur estimateur.
On demande à un élève de prélever 100,0 mL d’eau à l’aide d’une fiole jaugée
(préalablement tarée) et on mesure la masse d’eau pour chaque essai. On
obtient les résultats suivants :
Essai n° 1 Essai n° 2 Essai n° 3 Essai n° 4 Essai n° 5
Masse 99,6 99,5 99,9 99,8 99,4
relevée (g)
La valeur attribuée à la masse d’eau est :
99,6 + 99,5 + 99,9 + 99,8 + 99,4
𝑚𝑚 = = 99,6 g.
5
Si on ne dispose que d’une valeur unique, alors c’est celle que l’on prend.
Laurent Pietri ~3~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
Se pose alors la question de la détermination de l’incertitude-type attachée à
cette valeur.
II – Évaluation d’une incertitude-type par approche
statistique (type A)
II-1) Principe
Il s’agit de répéter N fois une expérience dans les mêmes conditions
(même expérimentateur, même matériel, même protocole) : l’évaluation de
l’incertitude-type sur la valeur de la grandeur mesurée est effectuée à l’aide
d’un traitement statistique des N observations.
Le meilleur estimateur de la valeur de la grandeur physique X
correspond à la moyenne arithmétique des valeurs de x (N est le nombre de
mesures répétées) 𝑥𝑥 défini par :
𝑁𝑁
1 𝑥𝑥1 + 𝑥𝑥2 + ⋯ + 𝑥𝑥𝑁𝑁
𝑥𝑥 = � 𝑥𝑥𝑖𝑖 =
𝑁𝑁 𝑁𝑁
𝑖𝑖=1
Il est important de noter ici le changement de point de vue : l’objectif
n’est plus simplement d’évaluer l’incertitude-type 𝑢𝑢(𝑥𝑥) associée à un
mesurage unique, mais plutôt d’évaluer l’incertitude-type 𝑢𝑢(𝑥𝑥) sur la mesure
de la moyenne 𝑥𝑥 déduite de N observations. Cette expérience est différente
d’une observation unique et possède donc une incertitude-type propre :
𝑢𝑢(𝑥𝑥 ) < 𝑢𝑢(𝑥𝑥 )
II-2) Incertitude-type A
Comment estimer la variabilité potentielle de cette mesure de la moyenne 𝑥𝑥?
Une première solution pour évaluer l’incertitude-type 𝑢𝑢(𝑥𝑥 ) consiste à
procéder comme précédemment :
- On recommence P fois la réalisation de N observations de façon à
obtenir autant d’évaluations de la moyenne arithmétique 𝑥𝑥.
- Par définition, l’incertitude-type 𝑢𝑢(𝑥𝑥 ) correspond alors à l’écart-type de
cet ensemble de valeurs.
Laurent Pietri ~4~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
Cette méthode étant chronophage, on s’appuiera sur un théorème
mathématique qui stipule que l’incertitude-type de la moyenne est liée à
l’écart-type expérimental d’une série de mesure par :
σ(x)
𝑢𝑢(𝑥𝑥 ) =
√𝑁𝑁
où l’écart type expérimental σ(x) déduite des N mesures 𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑁𝑁 est
donnée par :
N
1
σ(x) = � �(xi − 𝑥𝑥)²
N−1
i=1
Incertitude type A :
Lorsqu’on réalise N observations de la valeur d’une grandeur
physique X avec variabilité observée, on considère que :
- Le meilleur estimateur de la grandeur X correspond à la moyenne
𝑥𝑥 de cet ensemble de valeurs observées.
- L’incertitude-type de cette moyenne vérifie :
N
σ(x) 1 1
𝑢𝑢(𝑥𝑥 ) = = � �(xi − 𝑥𝑥)²
√𝑁𝑁 √𝑁𝑁 N − 1 i=1
Laurent Pietri ~5~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
La répétition d’un mesurage permet une estimation plus précise de la
valeur d’une grandeur physique X en modérant la variabilité 𝑢𝑢(𝑥𝑥) associée à
un mesurage unique.
III – Évaluation d’une incertitude-type pour une mesure
unique (type B)
III-1) Principe
On suppose n’avoir réalisé qu’une seule observation (ou plusieurs qui
aboutissent à la même valeur) : il s’agit alors d’une incertitude de type B.
Dans ce cas, la variabilité de la mesure est estimée par un modèle probabiliste
(« quelle probabilité la mesure a-t-elle de donner telle valeur ? ») :
- Dans des cas très rares, le constructeur de l’appareil de mesure utilisé
fournit directement l'incertitude-type associée à la valeur mesurée ;
- Parfois, le fabricant indique une « précision » ou une « tolérance »
(termes vagues et mal définis) qui permettent d’établir un intervalle de
valeurs constituant le résultat de la mesure.
Mais la plupart du temps, la source d’incertitude prédominante est celle
du repérage (pointage) effectué par l’opérateur : il est donc nécessaire
d’estimer un intervalle de valeurs à l’intérieur duquel on est sûr que la
grandeur mesurée appartient.
III-2) Intervalle de mesure
Considérons la situation expérimentale suivante : l’expérimentateur ne
dispose d’aucune autre information qu’une limite inférieure et une limite
supérieure pour la grandeur X étudiée, c’est-à-dire qu’il peut définir un
intervalle [𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 ; 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 ] au sein duquel il semble raisonnable de situer la
valeur x recherchée.
Cette situation peut correspondre aux cas usuels suivants :
- Incertitude de lecture : la valeur mesurée est lue sur une échelle graduée.
La largeur 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 de l’intervalle correspond alors à une
Laurent Pietri ~6~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
graduation, voire à une demi-graduation.
- Incertitude de repérage : toute une plage de valeurs semble convenir :
o Latitude de mise au point avec une lentille,
o Repérage d’une résonance en électrocinétique,
o Fluctuations temporelles de la valeur affichée par l’appareil de
mesure…
III-3) Loi de probabilité normale
Si l’on devait effectuer un très grand nombre de fois la mesure de la
grandeur, on observerait naturellement une distribution des valeurs mesurées
suivant une « courbe en cloche ». La loi de probabilité correspondante est la
loi normale (ou loi gaussienne).
Cette distribution est caractérisée par sa valeur moyenne et son écart-
type 𝑢𝑢(𝑥𝑥).
On montre que si l’on effectue une seule mesure :
- La probabilité de trouver la valeur dans l’intervalle [𝑥𝑥 − 𝑢𝑢(𝑥𝑥); 𝑥𝑥 − 𝑢𝑢(𝑥𝑥)]
vaut 68%
- La probabilité de trouver la valeur dans l’intervalle [𝑥𝑥 − 2𝑢𝑢(𝑥𝑥); 𝑥𝑥 −
2𝑢𝑢(𝑥𝑥)] vaut 95%
- La probabilité de trouver la valeur dans l’intervalle [𝑥𝑥 − 3𝑢𝑢(𝑥𝑥); 𝑥𝑥 −
3𝑢𝑢(𝑥𝑥)] vaut 99%
Ce pourcentage est appelé niveau de confiance.
Laurent Pietri ~7~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
III-4) Loi de probabilité rectangulaire (uniforme)
Pour calculer l’écart-type de l’ensemble des valeurs comprises dans
l’intervalle défini, on fait le plus souvent l’hypothèse que ces valeurs y sont
équiréparties (on parle de distribution uniforme). Autrement dit, si on
représentait un histogramme avec un grand nombre de valeurs dans cet
intervalle, celui-ci serait rectangulaire. Ce n’est pas la distribution la plus
naturelle des valeurs possibles, mais c’est le modèle probabiliste le plus
simple.
A l’aide d’un calcul de variance sur la distribution on peut montrer que
l’incertitude-type liée à la distribution « uniforme » s’écrit :
𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 Δ
𝑢𝑢(𝑥𝑥 ) = =
√12 √3
III-5) Incertitude-type B
Incertitude type B :
Lorsqu’on identifie un intervalle [𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 ; 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 ] au sein duquel il
semble raisonnable de situer la valeur x d’une grandeur physique X,
le meilleur estimateur correspond au centre de l’intervalle :
𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 + 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚
𝑥𝑥 =
2
L’intervalle peut alors s’écrire [𝑥𝑥 − Δ; 𝑥𝑥 + Δ] en introduisant la
𝑥𝑥 −𝑥𝑥
demi-largeur : Δ = 𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚𝑚𝑚𝑚𝑚
2
Dans le cas d’une distribution uniforme, on peut établir que
l’incertitude-type associée au mesurage vaut :
Δ
𝑢𝑢(𝑥𝑥 ) =
√3
Laurent Pietri ~8~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
III-6) Présence d’une notice constructeur
Lorsque la notice de l’appareil de mesure est disponible, plusieurs cas
de figure sont possibles.
Le constructeur de l’appareil de mesure fournit directement
l’incertitude-type : on se contente alors de récupérer cette valeur de 𝑢𝑢(𝑥𝑥).
Le constructeur fournit une incertitude constructeur ou une précision,
sans davantage d’explicitation sur la signification de ce paramètre. Dans ce
cas on considère que la précision évoquée s’identifie à la demi-étendue d’un
intervalle de valeurs possibles [𝑥𝑥 − Δ; 𝑥𝑥 + Δ] centré sur la valeur lue x et
associé à une loi de distribution uniforme. L’incertitude-type vaut alors :
Δ
𝑢𝑢(𝑥𝑥 ) =
√3
Exemple :
Les appareils qu’on utilise au lycée sont très proches de ceux employés
dans le mode professionnel ainsi le calcul de l’incertitude constructeur est
très détaillé. Par exemple, la notice du Fluke 287 fournit ci-dessous propose
une estimation de l’incertitude à l’aide de deux coefficients (les RLC mètre
souvent à trois) a et b :
𝑎𝑎%×𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑟𝑟𝑙𝑙𝑙𝑙𝑙𝑙 +𝑏𝑏 ×𝑈𝑈.𝑅𝑅.
Δ = 𝑎𝑎% × 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑟𝑟𝑙𝑙𝑙𝑙𝑙𝑙 + 𝑏𝑏 × 𝑈𝑈. 𝑅𝑅. ⇒ 𝑢𝑢(𝑥𝑥) =
√3
Si on mesure 1,2345V à 1kHz alors :
0,6
Δ= × 1,2345 + 25 × 0,0001 = 0,0099 𝑉𝑉 ⇒ 𝑢𝑢(𝑥𝑥 ) = 0,0057 𝑉𝑉.
100
Laurent Pietri ~9~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
IV – Présentation du résultat
V-1) Incertitude-type composée
On cherche souvent l’incertitude-type 𝑢𝑢(𝑥𝑥) sur la valeur d’une grandeur
X calculée à partir d’une ou plusieurs grandeurs mesurées.
Supposons avoir évalué l’incertitude de plusieurs grandeurs physiques
(𝑥𝑥1 , 𝑥𝑥2 , . . . , 𝑥𝑥𝑛𝑛 ) et que l’on souhaite déterminer la valeur d’une autre grandeur
𝑦𝑦 = 𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 , . . . , 𝑥𝑥𝑛𝑛 ), qui dépend des valeurs de ces grandeurs, et évaluer
l’incertitude 𝑢𝑢(𝑦𝑦) sur sa détermination. Les erreurs de mesure commises sur
les 𝑥𝑥𝑖𝑖 vont se répercuter sur y. Pour évaluer la nouvelle incertitude, on utilise
pour cela la formule de propagation des incertitudes :
𝑛𝑛 2
𝜕𝜕𝜕𝜕
𝑢𝑢(𝑦𝑦) = �� � 𝑢𝑢 �
𝜕𝜕𝑥𝑥𝑖𝑖 𝑥𝑥𝑖𝑖
𝑖𝑖=1
Cette formule est simple à utiliser dans la plupart des cas que l’on
rencontre cependant elle a des formes très simplifiées dans différentes
opérations.
IV-2) Les différentes opérations
Type Relation Incertitude-type composée
y = ax 𝑢𝑢𝑦𝑦 = |𝑎𝑎|𝑢𝑢𝑥𝑥
Somme Produit
y = ax ± bz
𝑢𝑢𝑦𝑦 = �𝑎𝑎2 𝑢𝑢𝑥𝑥2 + 𝑏𝑏 2 u2z
y = a 𝑥𝑥 𝑛𝑛 uy ux
= |𝑛𝑛|
|𝑦𝑦| |𝑥𝑥 |
𝑥𝑥
𝑦𝑦 = 𝑢𝑢𝑦𝑦 𝑢𝑢𝑥𝑥 2 𝑢𝑢𝑧𝑧 2
𝑧𝑧 = �� � + � �
|𝑦𝑦| 𝑥𝑥 𝑧𝑧
𝑦𝑦 = 𝑎𝑎. 𝑤𝑤 α . 𝑥𝑥 β
uy uw 2 ux 2
�
= α² � � + β² � �
|𝑦𝑦| 𝑤𝑤 𝑥𝑥
Lorsqu’on sort d’opérations classiques on pourra utiliser un algorithme
utilisant la variabilité d’une mesure pour simuler un calcul d’incertitude.
Laurent Pietri ~ 10 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
IV-3) Recours à une simulation de Monte-Carlo
Pour mettre en œuvre une simulation Monte-Carlo, il faut connaître la
loi de probabilité décrivant la variabilité des paramètres 𝑋𝑋 = 𝑥𝑥 ± 𝑢𝑢(𝑥𝑥 )
apparaissant dans l’expression de la grandeur calculée Y. On pourra
généralement se restreindre aux cas suivants.
- Si le résultat de la mesure est issu d’une évaluation de type A, la loi de
distribution peut être supposée normale (gaussienne centrée sur 𝑥𝑥𝑖𝑖 et
d’écart-type 𝑢𝑢(𝑥𝑥𝑖𝑖 )).
- Lorsque le résultat de la mesure est issu d’une évaluation de type B :
o Si la variabilité de la grandeur est caractérisée par un intervalle
du type [𝑥𝑥̅𝑖𝑖 − Δ𝑖𝑖 ; 𝑥𝑥̅𝑖𝑖 + Δ𝑖𝑖 ] , la loi de distribution est supposée
Δ𝑖𝑖
uniforme (centrée sur 𝑥𝑥̅𝑖𝑖 , de demi-largeurΔ𝑖𝑖 d’où 𝑢𝑢(𝑥𝑥𝑖𝑖 ) = )
√3
o Si l’incertitude-type est directement indiquée dans la notice de
l’appareil mais que la distribution sous-jacente n’est pas connue,
on supposera que la distribution est normale (gaussienne centrée
sur 𝑥𝑥̅𝑖𝑖 et d’écart-type 𝑢𝑢(𝑥𝑥𝑖𝑖 )).
Méthode :
Dans le cas d’une relation de la forme 𝑌𝑌 = 𝑓𝑓(𝑋𝑋1 , 𝑋𝑋2 ), la mise
en oeuvre de la simulation Monte-Carlo repose alors sur les étapes
suivantes.
i. On fixe un nombre 𝑁𝑁 de simulations à réaliser (avec 𝑁𝑁 ≫ 1)
afin de traduire le plus fidèlement possible les variabilités des
grandeurs 𝑋𝑋1 et 𝑋𝑋2 ).
ii. A chaque itération (pour k allant 1 à 𝑁𝑁) :
- On effectue un tirage aléatoire de valeurs numériques (𝑥𝑥1 , 𝑥𝑥2 ) en
adoptant les lois de distribution adéquates pour 𝑋𝑋1 et 𝑋𝑋2 .
- On calcule la valeur correspondante de la grandeur Y : 𝑦𝑦𝑘𝑘 =
𝑓𝑓(𝑥𝑥1 , 𝑥𝑥2 ).
iii. La meilleure estimation 𝑦𝑦� de la valeur de la grandeur Y
correspond alors à la moyenne de cet ensemble des {𝑦𝑦𝑘𝑘 } et
l’incertitude-type 𝑢𝑢(𝑦𝑦) à l’écart-type de cet ensemble.
Laurent Pietri ~ 11 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
IV-4) Présentation du résultat
Le résultat de la mesure d’une grandeur physique X doit inclure les
informations suivantes :
- Le meilleur estimateur 𝑥𝑥 de la valeur x de cette grandeur ;
- L’incertitude-type associée u(x).
On peut noter ce résultat sous la forme suivante :
𝑋𝑋 = 𝑥𝑥 ± 𝑢𝑢(𝑥𝑥 )
Il est important de préciser l’unité commune de ces deux paramètres. Il est
également recommandé d’avoir recours à l’écriture scientifique lorsque cela
parait raisonnable.
L’incertitude-type résulte d’une estimation et possède donc forcément une
valeur approchée. Dès lors :
- Donner un grand nombre de chiffres significatifs pour u(x) risquerait de
faire croire que l’incertitude-type est connue avec une grande précision;
- Donner un trop petit nombre de chiffres significatifs pourrait conduire
à des erreurs d’arrondi dans les calculs menés ultérieurement.
On suggère donc d’arrondir systématiquement l’incertitude-type u(x) a 2
chiffres significatifs.
Écriture des résultats :
- On arrondit l’incertitude-type u(x) à deux chiffres significatifs.
- Le dernier chiffre de 𝑥𝑥 possède la même position dans la mantisse
(ou l’écriture décimale) que le dernier chiffre de l’incertitude-type.
Exemple :
Si on mesure 1,2345V à 1kHz avec un multimètre Fluke 287, on a vu que :
𝑢𝑢(𝑥𝑥 ) = 0,0057 𝑉𝑉.
⇒ 𝑈𝑈 = 1,2345 ± 0,0057 𝑉𝑉
𝑜𝑜𝑜𝑜 = 1234,5 ± 5,7 𝑚𝑚𝑚𝑚
�����������
5 𝑒𝑒𝑒𝑒 7 ∶𝑚𝑚ê𝑚𝑚𝑚𝑚 𝑑𝑑é𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
Laurent Pietri ~ 12 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
V – Comparaison de deux mesures
V-1) Écart normalisé ou z-score
Pour pouvoir comparer deux mesures entre elles, il faut un critère
quantitatif pour indiquer si ces deux mesures sont considérées comme
compatibles ou incompatibles.
L’écart normalisé 𝐸𝐸𝑁𝑁 ou z-score entre deux processus de mesure
donnant les valeurs 𝑚𝑚1 et 𝑚𝑚2 et d’incertitudes types 𝑢𝑢(𝑚𝑚1 ) et 𝑢𝑢(𝑚𝑚2 )
est défini par :
|𝑚𝑚1 − 𝑚𝑚2 | |𝑚𝑚1 − 𝑚𝑚2 |
𝐸𝐸𝑁𝑁 = =
�𝑢𝑢(𝑚𝑚1 )2 + 𝑢𝑢(𝑚𝑚2 )2 𝑢𝑢(𝑚𝑚1 − 𝑚𝑚2 )
Par convention, on qualifie souvent deux résultats de compatibles si
leur écart normalisé vérifie la propriété 𝐸𝐸𝑁𝑁 ≤ 2.
On représente ci-dessous les histogrammes associés aux distributions des
valeurs raisonnablement attribuables aux deux mesurages différents. Lorsque
le recouvrement de ces deux distributions est suffisamment important, les
deux résultats sont jugés compatibles.
V-2) Comparaison d’un résultat de mesure à une valeur de référence
On appelle valeur de référence une valeur mesurée par une méthode dite
de référence, c’est-à-dire par une méthode jugée scientifiquement supérieure
à toute autre. Par extension, on pourra également appeler valeur de référence
toute valeur mesurée dont l’incertitude-type peut être considérée négligeable
devant celle obtenue par une autre méthode.
Pour comparer un résultat 𝑥𝑥̅ ± 𝑢𝑢(𝑥𝑥) à une valeur de référence 𝑥𝑥𝑟𝑟é𝑓𝑓
(telle que son incertitude-type 𝑢𝑢(𝑥𝑥𝑟𝑟é𝑓𝑓 ) soit négligeable devant 𝑢𝑢(𝑥𝑥) ), on
considère l’écart normalisé :
Laurent Pietri ~ 13 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
�𝑥𝑥̅ − 𝑥𝑥𝑟𝑟é𝑓𝑓 �
𝐸𝐸𝑁𝑁 =
𝑢𝑢(𝑥𝑥 )
Le processus de mesurage est jugé compatible avec la valeur de référence 𝑥𝑥𝑟𝑟é𝑓𝑓
si 𝐸𝐸𝑛𝑛 ≤ 2.
On a représenté ci-dessus l’histogramme associé à la distribution des
valeurs raisonnablement attribuables au mesurage. Lorsque le recouvrement
entre cette distribution et la valeur de référence 𝑥𝑥𝑟𝑟é𝑓𝑓 est suffisamment
important, les deux résultats sont jugés compatibles.
V-3) Incompatibilité des mesures
Comment interpréter une situation correspondant à 𝐸𝐸𝑛𝑛 > 2 ?
- Il est possible que l’incertitude-type ait été sous-estimée et il convient
donc de réexaminer les choix qui ont mené à son évaluation. (À l’inverse,
il faut également éviter de surestimer l’incertitude-type car on risquerait
alors de conclure par erreur à un accord entre des résultats de mesure
pourtant incompatibles.
- Il est possible que le processus de mesurage n’ait pas été correctement
réalisé (mesure d’un rayon au lieu d’un diamètre, erreur de parallaxe,
composant électronique défectueux, ...).
- La modélisation envisagée du phénomène observé est incomplète (loi
physique valable dans un domaine de paramètres plus restreint que celui
qu’on explore en pratique).
Si on ne comprend pas d’où vient ce désaccord, il peut être judicieux de
reprendre le mesurage. Dans tous les cas, il faut bien comprendre que la
présence d’une incompatibilité n’est pas forcément synonyme d’échec. La
méthode de mesure peut tout à fait légitimement donner des résultats
incompatibles. En fin de compte, l’important est le soin accordé au mesurage,
ainsi que l’honnêteté et la complétude des observations décrites par
l’expérimentateur.
Laurent Pietri ~ 14 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
VI – Régression linéaire
VI-1) Principe
Prenons des listes de mesures X et Y avec leurs incertitudes. La
régression linéaire est une opération mathématique qui consiste à trouver les
meilleurs coefficients a et b tels que 𝑎𝑎𝑥𝑥𝑖𝑖 + 𝑏𝑏 soient les plus proches en
moyenne des points de mesures 𝑦𝑦𝑖𝑖 . (En toute rigueur, il faudrait parler de
régression affine et non pas linéaire)
Une régression linéaire permet de trouver la « meilleure droite »
modélisant le mieux le comportement de ces points. Mathématiquement, on
peut optimiser par un calcul dit « des moindres carrés » ce procédé. Ce
problème d’optimisation revient à minimiser la fonction suivante :
𝑁𝑁
𝑆𝑆(𝑎𝑎, 𝑏𝑏) = �[𝑦𝑦𝑖𝑖 − (𝑎𝑎𝑥𝑥𝑖𝑖 + 𝑏𝑏)]2
𝑖𝑖=1
La plupart des logiciels de traitement de données permettent d’identifier
les valeurs optimales 𝑎𝑎� et 𝑏𝑏� de la pente et de l’ordonnée à l’origine pour un
ensemble de données expérimentales {(𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑖𝑖 )}, mais sans prendre en compte
les incertitudes expérimentales.
VI-2) Recours à une simulation de Monte-Carlo
Pour identifier les incertitudes-type 𝑢𝑢(𝑎𝑎) et 𝑢𝑢(𝑏𝑏) des paramètres d’une
régression linéaire, on peut mettre en œuvre une simulation Monte-Carlo de
la façon suivante.
Méthode :
- On fixe un nombre 𝑁𝑁 de simulations à réaliser (avec 𝑁𝑁 ≫ 1).
- A chaque itération (pour k allant 1 à 𝑁𝑁) :
o On effectue un tirage aléatoire des N couples de valeurs
(𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑖𝑖 ), en adoptant les lois de distribution adéquates pour X
et Y ;
o Pour cet ensemble de données {(𝑥𝑥1 , 𝑦𝑦1 ), . . . , (𝑥𝑥𝑁𝑁 , 𝑦𝑦𝑁𝑁 )} , on
effectue une régression linéaire conduisant à identifier la
pente 𝑎𝑎𝑘𝑘 optimale et l’ordonnée à l’origine 𝑏𝑏𝑘𝑘 optimale.
- On effectue ensuite une étude statistique de ces ensembles {𝑎𝑎𝑘𝑘 } et {𝑏𝑏𝑘𝑘 }
pour déterminer le meilleur estimateur (moyenne arithmétique) et
Laurent Pietri ~ 15 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
l’incertitude-type de façon à pouvoir écrire
𝑎𝑎 = 𝑎𝑎� ± 𝑢𝑢(𝑎𝑎) 𝑒𝑒𝑒𝑒 𝑏𝑏 = 𝑏𝑏� ± 𝑢𝑢(𝑏𝑏)
VI-3) Validation de la régression linéaire
a) À l’aide des barres d’incertitude
La régression linéaire n’est pas une fin en soi-même, elle doit être suivie
d’une discussion à l’issu de laquelle on validera (ou pas) le modèle affine
proposé. On peut essayer un test visuel à l’aide des barres d’incertitude :
- On représente graphiquement les N points de mesure {(𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑖𝑖 )} , en
faisant apparaître les barres d’incertitude correspondantes. On se
placera dans le cas usuel où l’incertitude-type sur la grandeur X placée
en abscisse est négligeable devant l’incertitude-type sur la grandeur Y
placée en ordonnée (ce qui implique que 𝑢𝑢(𝑥𝑥𝑖𝑖 ) ≪ 𝑢𝑢(𝑦𝑦𝑖𝑖 )) pour chaque
point de mesure). Sinon on devra tracer des « rectangles
d’incertitude ».
- On fait apparaitre sur ce graphe la droite de régression optimale (de
paramètres 𝑎𝑎� et 𝑏𝑏�).
- L’accord des données expérimentales avec le modèle est validé si les
points de mesure apparaissent bien alignés et que la droite de régression
passe à proximité suffisante de ces points. On rappelle que l’incertitude-
type est une estimation de la variabilité de la mesure : il n’est donc pas
anormal que des points expérimentaux soient éloignés de la valeur de la
modélisation d’une ou deux incertitudes-type.
Si la représentation affine « traverse » toutes les barres d’incertitude,
on validera le modèle. Cependant, afin d’avoir un aspect plus quantitatif, on
va introduire les résidus.
Laurent Pietri ~ 16 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
b) À l’aide des écarts normalisés
Pour faciliter l’analyse des résultats, on peut représenter les résidus,
c’est-à-dire la distance algébrique 𝛿𝛿𝑖𝑖 = 𝑦𝑦𝑖𝑖 − �𝑎𝑎�𝑥𝑥𝑖𝑖 + 𝑏𝑏�� entre les données
expérimentales et la droite modèle. L’ajustement affine des données
expérimentales est jugé cohérent si tous les résidus restent inférieurs au
double de l’incertitude-type associée.
En rapportant les résidus à l’incertitude-type qui leur est associée, on
peut également tracer les écarts normalisés :
𝛿𝛿𝑖𝑖
𝐸𝐸𝑛𝑛,𝑖𝑖 =
𝑢𝑢(𝑦𝑦𝑖𝑖 )
L’ajustement affine des données expérimentales est jugé cohérent si tous
les écarts normalisés 𝐸𝐸𝑛𝑛,𝑖𝑖 restent inférieurs à 2 en valeur absolue :
�𝐸𝐸𝑛𝑛,𝑖𝑖 � ≤ 2
Si l’éventualité d’un point aberrant n’est pas forcément à exclure, il faut
à priori considérer que l’existence d’un seul point incompatible remet en cause
la concordance l’ensemble des points de mesure avec une modélisation affine.
Laurent Pietri ~ 17 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
VII – Simulations numériques avec Python
VII-1) Incertitude-composé
Afin de mettre en évidence la simulation de Monte-Carlo sur les
incertitudes composés, on va utiliser un exemple simple où l’incertitude
composé est « difficile » à calculer avec les formules de base.
Dans le cadre d’une mesure de célérité d’une onde, les étudiants ont
mesuré l’écart entre deux nœuds séparant dix longueurs d’ondes ainsi que la
période. Ils ont déterminé les demi-étendues Δ attachées à chaque mesure.
Laurent Pietri ~ 18 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
On retiendra l’utilisation des bibliothèques numpy et matplotlib afin
d’accéder à des fonctions utiles pour l’obtention des grandeurs recherchés.
Si au lieu des demi-étendues, on aurait eu les incertitudes-type il aurait
fallait multiplier par 𝑛𝑛𝑛𝑛. 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠(3) les DeltaX avant de faire appel à la
distribution uniforme par 𝑛𝑛𝑛𝑛. 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟. 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢.
VII-2) Régression linéaire
a) Expérience
On dispose des valeurs de l’indice optique d’un prisme (en verre flint
SF10) mesurées par spectroscopie pour différentes longueurs d’onde, ainsi
que de leurs incertitudes-types associées.
𝜆𝜆 (nm) 404,7 435,8 480,0 546,1 578,1 615,0
n 1,77610 1,76325 1,74957 1,73481 1,72942 1,72397
u(n) 0,00014 0,00014 0,00014 0,00013 0,00013 0,00013
On cherche à vérifier si le verre constituant le prisme suit la loi de
𝐵𝐵
Cauchy, c’est-à-dire si l’on peut écrire : 𝑛𝑛 = 𝐴𝐴 + 2 où A et B sont des
𝜆𝜆
coefficients positifs caractéristiques du verre.
b) Z-score
Le programme suivant permet de réaliser les étapes de la procédure de
validation.
Grâce au troisième graphique, qui est le plus simple à interpréter, on
peut en déduire que le modèle est validé par l’expérience.
Laurent Pietri ~ 19 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
c)Moyenne et Incertitude-type
Pour déterminer la moyenne et l’incertitude-type sur les coefficients de
Cauchy on va effectuer une simulation de Monte-Carlo.
Laurent Pietri ~ 20 ~ Lycée Joffre - Montpellier
Annexe : Physique I ∼ Mesures et incertitudes Physique : PC
𝐵𝐵
Ainsi on peut conclure que le modèle 𝑛𝑛 = 𝐴𝐴 + 2 est validé et on obtient :
𝜆𝜆
𝐴𝐴 = 1,68444 ± 0,00019
�
𝐵𝐵 = 14998 ± 45 𝑛𝑛𝑚𝑚−2
Laurent Pietri ~ 21 ~ Lycée Joffre - Montpellier