Centre de Pr

eparation Interuniversitaire `
a lAgr
egation de
Physique de Montrouge
Ecole Normale Sup
erieure, Universit
es Paris 6, Paris 7, Paris 11
Annee 2007/2008

Incertitudes exp
erimentales

F.-X. Bally et J.-M. Berroir

18 decembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

Table des mati`

eres
1 Erreur et incertitude
1.1

Erreurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.1

Definition de lerreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.2

Erreurs aleatoires et erreurs systematiques . . . . . . . . . . . . . . . . . . . . . .

1.2

Incertitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Exemple dun voltm`etre numerique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4

Presentation dun resultat experimental . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.5

Comparaison entre valeur mesuree et valeur acceptee . . . . . . . . . . . . . . . . . . . .

2 Evaluation des incertitudes al

eatoires
2.1

2.2

Analyse statistique dune serie de mesures . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.1

Meilleure estimation de la moyenne de la distribution des valeurs de x . . . . . .

2.1.2

Meilleure estimation de lecart-type de la distribution des valeurs de x . . . . . .

2.1.3

Ecart-type de la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.4

Exemple pratique danalyse statistique dune serie de mesures . . . . . . . . . . .

Propagation des incertitudes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.2.1

A lAncienne : lincertitude est un majorant de lerreur . . . . . . . . . . . . . . . 10

2.2.2

Propagation des incertitudes independantes (Methode Moderne) . . . . . . . . . 12

3 V
erification dune loi physique.
Ajustement de donn
ees exp
erimentales par une fonction
3.1

3.2

15

Regression lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.1.1

Meilleure estimation des param`etres a et b . . . . . . . . . . . . . . . . . . . . . . 16

3.1.2

Incertitudes a et b sur les param`etres a et b . . . . . . . . . . . . . . . . . . . . 17

3.1.3

Accord de donnees experimentales avec une loi lineaire . . . . . . . . . . . . . . . 18

3.1.4

Coefficient de correlation lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.1.5

Le 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Cas general dun ajustement par une loi y = f (x) . . . . . . . . . . . . . . . . . . . . . . 20

2
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

Annexe :

2007/2008

Rappels
el
ementaires de statistique

22

A.1 Distribution de probabilite dune grandeur aleatoire . . . . . . . . . . . . . . . . . . . . 22

A.2 Valeur moyenne et ecart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
A.3 Exemples de distributions de probabilite . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
A.4 Importance physique de la Loi Normale . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

Erreur et incertitude

Beaucoup de scientifiques confondent ces deux termes et parlent de calculs derreurs au lieu de calculs
dincertitudes.

1.1
1.1.1

Erreurs
D
efinition de lerreur

Lors de la mesure dune grandeur physique x, lerreur est la difference entre la valeur mesuree
la valeur vraie X. La valeur vraie est en general inconnue (puisquon la cherche).

1.1.2

x et

Erreurs al
eatoires et erreurs syst
ematiques

a. Erreurs al
eatoires
Lorsquon mesure la periode doscillation dun pendule en operant avec un chronom`etre manuel,
on constate quen repetant les mesures on trouve des resultats leg`erement differents, dus surtout aux retards de declenchement qui vont reduire ou accrotre la valeur de la periode suivant
quils ont lieu au debut ou `a la fin de la mesure. Ce phenom`ene sera detecte par une etude
statistique. On parle derreur aleatoire. Le resultat de la mesure est caracterise par une distribution de probabilite 2 repartie autour de la valeur vraie dans le cas derreurs purement aleatoires.
b. Erreurs syst
ematiques
Supposons maintenant quon mesure la periode doscillation dun pendule avec un chronom`etre
fausse qui indique toujours des temps 2 % trop faibles. Letude statistique ne le detectera pas.
On parle derreur systematique. Plus generalement les erreurs systematiques ont des origines
diverses :
- erreur detalonnage
Exemple : Millikan a trouve une valeur inexacte de la charge de lelectron parce quil avait pris
une valeur fausse de la viscosite de lair.
- oubli dun param`etre
Exemple : influence de la temperature sur la vitesse du son (si on ne precise pas la temperature
il est impossible de comparer la mesure `a une valeur de reference)
- procedure erronee
Exemple : mesure dune resistance sans tenir compte de la resistance de lamp`erem`etre et du
voltm`etre...
Les erreurs systematiques sont difficile `a detecter `a priori, mais une fois detectees, on peut souvent
les corriger (par exemple en tenant compte de la resistance de lamp`erem`etre et du voltm`etre lors
de la mesure dune resistance).
On represente classiquement les roles respectifs des erreurs aleatoires et systematiques par une
analogie avec un tir sur cible (cf. figure 1), le centre de la cible representant la valeur vraie de la
grandeur `a mesurer :
- si tous les impacts sont proches du centre : faibles erreurs aleatoires et faible erreur systematique
1

Pour simplifier les notations, dans toute la suite on designe par la meme lettre x la grandeur physique et sa valeur
mesuree.
2
Des rappels elementaires de statistiques sont presentes en annexe.

4
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

Fig. 1 - R
oles respectifs des erreurs aleatoires et systematiques

- si les impacts sont tr`es etales mais centres en moyenne sur la cible : fortes erreurs aleatoires et
faible erreur systematique
- si les impacts sont groupes mais loin du centre : faibles erreurs aleatoires et forte erreur
systematique
- si les impacts sont etales et loin du centre : fortes erreurs aleatoires et forte erreur systematique.
Le defaut de cette analogie est quen general, dans les mesures physiques on ne connat pas le
centre de la cible !
Un exemple plus complexe : si on mesure une distance avec une r`egle en metal souple, la flexion
de la r`egle va introduire une erreur systematique (la distance lue est toujours trop grande) et
aleatoire (la flexion de la r`egle est variable).

1.2

Incertitude

Lincertitude x traduit les tentatives scientifiques pour estimer limportance de lerreur aleatoire commise. En absence derreur systematique, elle definit un intervalle autour de la valeur mesuree qui inclut
la valeur vraie avec une probabilite plus ou moins grande. La determination de lincertitude nest pas
simple `a priori. On rencontre en pratique deux choix :
On cherche un majorant maj x de lerreur (Methode `
a lAncienne 3 )
Ce majorant est estime assez grossi`erement `a partir de lappareil de mesure et des conditions
experimentales.
Exemple : dans une experience dinterferences avec les fentes dYoung, on mesure la distance
d (de lordre du m`etre) entre les bifentes et lecran avec une r`egle graduee en centim`etres.
Admettant qu`a chaque extremite lerreur ne peut pas depasser 1 cm on choisit maj d = 2 cm.
Et si on utilise une r`egle graduee en millim`etres ? Decider dune incertitude egale `a 2 mm serait
illusoire, en effet au fur et `a mesure que la precision daffichage de linstrument augmente, il
faut accrotre lanalyse des causes derreur. Ainsi dans le cas present la position de la bifente
placee dans son support est difficile `a reperer precisement `a lechelle du mm alors quelle etait
facile `a reperer `a lechelle du cm. Cette methode est apparemment simple et intellectuellement
satisfaisante, mais le souci de majorer conduit `a des intervalles tr`es larges qui ont peu dinteret
pratique. De plus la presence des incertitudes systematiques (voir le paragraphe 1.1.2) remet
en cause la certitude apparente.
x est
evalu
e statistiquement (Methode Moderne `
a utiliser `
a lagregation)
On cherche dans ce cas `a caracteriser la distribution de probabilite des valeurs de x, en
evaluant le mieux possible la valeur moyenne et lecart-type de cette distribution. Ceci se
fait par lanalyse statistique dun ensemble de mesures de x (cf. partie 2). En labsence derreur systematique, lestimation de la valeur moyenne est la meilleure estimation de la valeur
3

Il est clair que la Methode `

a lAncienne est obsol`ete et ne doit donc pas etre utilisee. On en parle ici car elle facilite
lexplication de certaines operations (cf. 2.2.1)

5
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

vraie X tandis que lincertitude x, directement reliee `a lestimation de lecart-type de la distribution, definit un intervalle dans lequel la valeur vraie de X se trouve avec une probabilite
connue.
Note : dans le cadre stressant de lagregation on ne dispose pas toujours du temps necessaire
pour faire une serie de mesures. Dans ce cas on fera une estimation de x comme dans le
cas du majorant mais en choisissant un intervalle plus restreint, correspondant `a une erreur
typique. En reprenant lexemple de lexperience dinterferences avec une r`egle graduee en cm,
on doit pouvoir estimer la position de chaque extremite avec une precision de lordre du 1/4
de division do`
u d = 0, 5 cm.

1.3

Exemple dun voltm`

etre num
erique

En ouvrant la notice dun voltm`etre numerique, on trouve typiquement les indications suivantes : la
precision de la mesure est donnee par 2 fois le dernier digit 0,1% de la valeur lue. On peut
considerer que lincertitude donnee par le fabricant a 2 origines :
- celle qui provient dune erreur systematique de calibrage (dun appareil `a lautre, dun calibre `
a
lautre, effets de non-linearite...). Elle est essentiellement presente dans les 0,1% de la valeur lue.
- celle qui provient derreurs aleatoires (bruit...). Elle est essentiellement presente dans les 2 fois le
dernier digit.

1.4

Pr
esentation dun r
esultat exp
erimental

Lecriture rapportant la mesure dune grandeur physique x est :

valeur mesuree de x = x
x

o`
u x
est la meilleure estimation de la valeur vraie X et x lincertitude sur la mesure (incertitude
absolue).
En labsence derreurs systematiques, la valeur vraie de x se trouve probablement dans (ou proche de)
lintervalle allant de x
x `a x
+ x.
On definit aussi lincertitude relative ou fractionnaire : x/|
x|
Exemple : dans une experience dondes stationnaires en acoustique on mesure la distance entre 7
nuds de pression, on trouve 862 mm avec une incertitude absolue estimee `a 20 mm (parce quon a
du mal `a reperer precisement les noeuds). A la calculatrice on obtient pour la longueur donde et pour
lincertitude absolue les resultats suivants : 862 / 3 = 287,333 mm et 20 / 3 = 6,667 mm.
- Compte tenu du nombre de chiffres significatifs de la mesure initiale on garde : = 287, 3 mm.
- Lincertitude etant toujours evaluee grossi`erement, on garde 1 `a 2 chiffres significatifs : = 7 mm.
- Le dernier chiffre significatif de la mesure doit etre coherent avec lincertitude, on ecrira donc :
valeur mesuree de = 287 7 mm ou valeur mesuree de = 287 mm 2%

1.5

Comparaison entre valeur mesur

ee et valeur accept
ee

Ayant obtenu la valeur mesuree avec son intervalle dincertitude, on la compare `a la valeur de reference
(pour une valeur experimentale de reference, ne pas parler de valeur exacte, parler de valeur tabulee).

6
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

dans le cas o`
u lincertitude est un majorant (Methode `a lAncienne) on sattend `
a ce que
lintervalle contienne la valeur de reference.
Si ce nest pas le cas, il faut invoquer des erreurs systematiques et/ou remettre en question
lestimation des incertitudes.
Dans le cas des incertitudes statistiques (Methode Moderne) il nest pas anormal que lintervalle ne contienne pas la valeur de reference. Ainsi dans le cas frequent dune distribution
Gaussienne, le tableau 4 donne en annexe montre quil y a 32 % de chances soit environ une
chance sur trois detre dans ce cas.
On commencera `a douter de la mesure lorsque lecart atteint plus de 2 x (probabilite que la
mesure soit bonne : 1 chance sur 20 `a 2 x et 1 chance sur 100 `a 2, 5 x pour une distribution
Gaussienne). Si cest le cas il faut invoquer des erreurs systematiques.
Exemple pratique : on mesure la vitesse du son dans lair `a 20 C. On effectue une serie de mesures qui conduit `a v = 335 m.s1 et `a une incertitude statistique v = 5 m.s1 . On a donc :
valeur mesuree de v = 335 5 m.s1 . La valeur tabulee indique `a cette temperature : v = 343 m.s1 .
Elle est en-dehors du domaine dincertitude, mais lecart entre 343 et 335 vaut 1,6 v. La table donnee
en annexe (paragraphe A.3) indique quil y a environ une chance sur 10 pour que ce cas se produise.
On pourra considerer que la mesure est valide, mais neanmoins pas tr`es satisfaisante.
Il nest pas possible de tenir compte des erreurs systematiques dans un calcul dincertitude, cest
pourquoi on les supposera negligeables, quitte `a revenir `a la fin sur cette supposition en cas de desaccord
entre la valeur trouvee et la valeur tabulee 4 .

Evaluation des incertitudes al

eatoires

Levaluation dune incertitude experimentale `a partir de letude statistique directe de la grandeur

physique recherchee est presentee dans la partie 2.1. Dans la partie 2.2, on donne les methodes de
calcul dune incertitude dans le cas o`
u une formule mathematique relie la grandeur physique etudiee
aux diverses grandeurs effectivement mesurees.

2.1

Analyse statistique dune s

erie de mesures

On sinteresse ici `a la mesure dune grandeur physique x uniquement sujette `a des incertitudes aleatoires.
Dans les deux premiers paragraphes, on decrit les methodes statistiques qui permettent devaluer la
valeur vraie de x et les incertitudes aleatoires. Dans le dernier paragraphe, on montre comment reduire
lincertitude sur la determination de x.
Le traitement statistique des incertitudes aleatoires est base sur la repetition des mesures de x. Si on
etait capable de realiser une infinite de mesures, on determinerait la distribution de probabilite de x, en
particulier sa valeur moyenne X (ou valeur vraie) et son ecart type . Dans la pratique, on realise un
nombre fini n de mesures, de resultats respectifs x1 , x2 ,...xn , dont on cherche `a extraire les meilleures
estimations de X et . Les methodes statistiques qui permettent dobtenir ces meilleures estimations
sont presentees dans les paragraphes suivants, sans demonstration.
4

A contrario, le fait de trouver un bon accord ne prouve pas quil ny a pas derreur systematique : il peut y en avoir
plusieurs qui se compensent.

7
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

2.1.1

a lAgr
`
egation de Physique de Montrouge

Meilleure estimation de la moyenne de la distribution des valeurs de x

La meilleure estimation de la valeur vraie X, notee x

, obtenue `a partir des n mesures x1 , x2 ,...xn est
5
la moyenne de ces mesures .

Meilleure estimation de X = x =

2.1.2

x1 + x2 + ... + xn
n

Meilleure estimation de l
ecart-type de la distribution des valeurs de x

La meilleure estimation de deduite des n mesures x1 , x2 ,...xn , notee x , est donnee par

v
u
u
Meilleure estimation de = x = t

1 X
(xi x)2 )
n1
i=1

Note : Il est aise de se souvenir du facteur n 1 (et non pas n) : on concoit bien quil nest pas possible
destimer lecart-type dune distribution `a partir dune seule mesure.
Il est maintenant legitime de se poser la question de la precision de ces estimations, en particulier de
celle de la moyenne.

2.1.3

Ecart-type de la moyenne

En rep`etant de nombreuses fois lexperience consistant `a mesurer n valeurs de la grandeur x dont on

prend ensuite la valeur moyenne, on obtient la distribution de probabilite de x
. La valeur moyenne de
cette distribution est X. Son ecart-type, note x et aussi appele ecart-type de la moyenne, est donne
par :

Incertitude sur x
= x =
n

x represente lincertitude sur la determination de la valeur vraie X `a partir de la moyenne de n

mesures. Cette determination est donc n fois plus precise que celle obtenue `a partir dune mesure

unique (voir figure 2). Dans la pratique, n crot lentement et ameliorer la precision dun facteur 10
oblige `a effectuer 100 fois plus de mesures.
5

La demonstration de ce resultat est assez simple dans le cas o`

u la grandeur `
a mesurer a une distribution de probabilite
gaussienne (cf. Incertitudes et analyse des erreurs dans les mesures physiques, paragraphe 5.5, p. 128 et annexe E1,
p.280 , J.R. Taylor, Editions Dunod, 2000). Les meilleures estimations pour X et maximisent la probabilite PX,
2
2
1/ n e (xi X) /2 dobtenir les resultats x1 , ...,xn lors de n mesures. On obtient x (resp. x ) en derivant PX, par
rapport `
a X (resp. ) `
a xi fixes.

8
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

Fig. 2 - Lorsquon effectue une mesure unique,

la valeur trouvee suit la distribution de probabilite

representee en pointilles. n mesures independantes se
repartissent aleatoirement sur cette courbe. Lorsquon
prend la valeur moyenne de ces n mesures, les ecarts
a la valeur vraie se compensent statisquement, avec
`
dautant plus defficacite que n est grand. Si on realise
plusieurs determinations de la moyenne de n mesures,
elles suivent la distribution en trait plein.

largeur

largeur
largeur

En pratique nest pas connu et on utilise son evaluation x pour determiner x . Dans le cas o`
u on
effectue une moyenne sur un petit nombre de mesures, x nest pas une bonne estimation de et la
x
theorie montre quil faut alors utiliser x = t
o`
u t est appele coefficient de Student. Ce coefficient,
n
qui est tabule, depend du nombres de points moyennes et du niveau de confiance 6 . A lagregation,
il est suffisant de ne pas parler de ce coefficient ce qui revient `a le prendre egal `a 1 quel que soit le
nombre de mesures (voir lexemple du paragraphe suivant).

En resume, si on realise n mesures de x, avec les resultats

x1 , x2 ,... xn , on ecrira le resultat final sous la forme :
x
x=x

n

2.1.4

Exemple pratique danalyse statistique dune s

erie de mesures

Huit etudiants mesurent la longueur donde de la raie verte du mercure en utilisant une fente fine
eclairee par la lampe, une lentille et un reseau. Ils obtiennent les resultats suivants :
i (n de letudiant)
trouvee (nm)

1
538,2

2
554,3

3
545,7

4
552,3

5
566,4

6
537,9

7
549,2

8
540,3

Tab. 1 - Mesures ind

ependantes de la raie verte du mecure

= 548, 04 nm et = 9, 72 nm. On
En utilisant un logiciel de traitement des donnees 7 , on obtient :

en deduit que lincertitude sur la moyenne des 8 mesures vaut : = = 9, 72/ 8 = 3, 44 nm. On
peut donc ecrire : meilleure estimation de = 548 3 nm ou 545 551 nm. On peut comparer `
a
la valeur tabulee : tab = 545, 07 nm et conclure quil y a une bonne concordance.
Remarque 1 : Lincertitude est calculee `a partir de qui est une estimation de lecart-type de la
distribution des mesures de . Cette estimation, correcte dans le cas dun grand nombres de mesures,
devient imprecise si ce nombre est faible. La loi de Student mentionnee au paragraphe 2.1.3 permet
6
Ici on utilise un niveau de confiance correspondant `
a un ecart-type (68%), certains auteurs pref`erent utiliser un niveau
de confiance correspondant `
a 2 ecart-types (95%)
7
- Sous Igor, utiliser (Analysis Statistics : V avg = x
et V sdev = x )
n
- Sous Synchronie, le module Statistiques ne donne pas x mais
, ce qui en pratique est sans importance
n1 x

- Sous Excel, utiliser (Insertion Fonction : MOYENNE = x

et ECARTYPE = x )

9
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

de tenir compte de cet effet. Le tableau 2 donne les valeurs du coefficient t en fonction du nombre de
mesures pour un intervalle de confiance de 68%.

nombres de mesures n
Coefficient de Student t

2
1,84

Tab. 2 - Coefficient de Student

3
4
5
6
7
8
1,32 1,20 1,14 1,11 1,09 1,08

9
1,07

10
1,06

20
1,03

40
1,01

1,00

Le tableau 2 donne t = 1, 08 pour 8 mesures (pour un nombre infini de mesures,t = 1).

t
On doit donc ecrire en toute rigueur : =
= 548, 04 1, 08 9, 72/ 8 = 548 4 nm. Cet
n
exemple montre quon peut oublier la correction de Student dans le cadre de lagregation.
Remarque 2 : Elle concerne le rejet de certains points de mesure consideres comme aberrants. Ainsi, la
mesure de letudiant n 5 presente un tel ecart `a la valeur moyenne quon peut se demander sil faut la
conserver. Cet ecart, de 18,4 nm doit etre compare `a (et pas `a ) car il sagit dune mesure unique.
On trouve quil vaut 2 . Dapr`es le tableau du paragraphe A.3, la probabilite dobtenir une mesure
situee `a plus de 2 ecart-types de la moyenne est de 0,05. Sur 8 mesures, on sattend donc `a en trouver
8 0, 05 = 0, 4 dans cette situation. Ce nombre est sensiblement inferieur `a 1 et il est raisonnable
deliminer cette donnee 8 .

2.2

Propagation des incertitudes

On sinteresse ici au probl`eme suivant : on connat les grandeurs experimentales x, y, ... avec les
incertitudes x, y, .... Quelle est lincertitude q sur la grandeur q = f (x, y, ...) ?

2.2.1

A lAncienne : lincertitude est un majorant de lerreur

Dans ce cas maj x, maj y,... sont des majorants de lerreur sur x, y,... et on cherche le majorant de
lerreur sur q. On note x
, y,... les meilleures estimations de x, y,....
a. Exemple de la somme : q = x + y
La plus grande valeur accessible `a q est :
qmax = xmax + ymax = (
x + maj x) + (
y + maj y) = (
x + y) + ( maj x + maj y)
De meme la plus petite valeur accessible `a q est :
qmin = xmin + ymin = (
x maj x) + (
y maj y) = (
x + y) ( maj x + maj y)
On en deduit que :
maj (x + y) = maj x + maj y
b. Exercice : cas de la diff
erence q = x y et du produit q = x y
En procedant de meme, etablir que :
maj (x y) = maj x + maj y
et
8

Un crit`ere usuellement retenu est deliminer les donnees qui correspondent `

a un nombre doccurences prevu inferieur
a 0,5.(cf. Incertitudes et analyse des erreurs dans les mesures physiques, chapitre 6, J.R. Taylor, Editions Dunod, 2000)
`

10
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

maj (x y)
maj x maj y
=
+
|x y|
|x|
|y|
c. Cas g
en
eral : q = f (x, y, ...)
On consid`ere que les incertitudes sont petites. On peut ecrire au 1er ordre, pour des petites
variations de x et y :
f
f
dq =
dx +
dy + ...
x
y
On en deduit :

maj

 
 
 f  maj  f  maj


q =  
x+ 
y+...
x
y

Exemple : q = 2/x + 3/y 2

On prend la differentielle des 2 membres : dq = (2/x2 ) dx + (6/y 3 ) dy.
On en deduit : maj q = (2/x2 ) maj x + |6/y 3 | maj y.
d. Calcul direct de lincertitude relative
Dans le cas o`
u q contient des produits, rapports ou puissances, on a interet `a utiliser la differentielle
logarithmique pour exprimer directement lincertitude relative sur q en fonction des incertitudes
sur x, y,....
Premier Exemple : q = 3xy 2 /z
On prend le logarithme neperien de la valeur absolue des deux membres :
ln|q| = ln| 3| + ln|x| + 2ln|y| ln|z|
puis on calcule la differentielle :
dq/q = dx/x + 2dy/y dz/z
On en deduit :
maj q/|q| = maj x/|x| + 2 maj y/|y| + maj z/|z|
Deuxi`
eme exemple : q = (x y)/(x + y) (on suppose x y > 0 et x + y > 0)
Cet exemple est interessant car les influences de x au numerateur et au denominateur se compensent partiellement (si x augmente, numerateur et denominateur augmentent donc q varie peu).
La differentielle logarithmique conduit `a :
dq/q = dx/(x y) dy/(x y) dx/(x + y) dy/(x + y).
Pour une bonne estimation du majorant de lerreur sur q, il faut imperativement mettre en facteur
dx et dy :
dq/q = [1/(x y) 1/(x + y)] dx + [1/(x y) 1/(x + y)] dy
avant de prendre les valeurs absolues :
maj q/|q| = |1/(x y) 1/(x + y)| maj x + |1/(x y) + 1/(x + y)| max y
La compensation evoquee ci-dessus se traduit par le signe - dans le terme en facteur de maj x.
e. Exemple pratique
On mesure la periode T dun pendule en chronometrant manuellement 20 oscillations. On declenche
et arrete le chronom`etre aux instants t1 et t2 o`
u le pendule passe par la position dequilibre. On
a T = (t2 t1 )/20. On a mesure t1 = 0 et t2 = 13, 8 s. On estime : maj t1 = maj t2 = 0, 5 s. La

11
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

formule generale donne : maj T = |1/20| maj t2 + | 1/20| maj t1 = 0, 05 s.

Les defauts de la Methode `
a lAncienne : le calcul fait ici est coherent avec le fait quon cherche
un majorant de lerreur. Cependant il a pour defaut de donner un intervalle tr`es large. En effet,
la probabilite que lerreur sur t1 soit proche du majorant maj t1 ou du minorant maj t1 est
tr`es faible. Il en est de meme pour t2 . Or la formule utilisee pour evaluer maj T suppose que,
simultanement, t1 est proche de son majorant et que t2 est proche de son minorant (ou linverse),
ce qui est extremement improbable.
Un autre defaut, plus genant encore, de la Methode `a lAncienne est que lestimation dune grandeur physique par la moyenne de n mesures independantes x1 , x2 , ..., xn de memes incertitudes
maj x napporte aucune reduction de lincertitude par rapport `a une mesure unique.
En effet, si x
= (x1 + x2 + ... + xn )/n alors maj x
= (n maj x)/n = maj x.
La methode statistique decrite ci-dessous elimine ces inconvenients.

2.2.2

Propagation des incertitudes ind

ependantes (M
ethode Moderne)
Dans ce cas x = x , y = y,... et on cherche q = q.

a. Cas de la somme : q = x + y
Si les erreurs sur x et y sont independantes, on peut montrer que

q =

(x)2 + (y)2

10 . Laddition en quadrature donne un

On dit que les incertitudes sajoutent en quadrature p
resultat plus faible que laddition en module. En effet, (x)2 + (y)2 x + y. Laddition en
quadrature presente lavantage de ne pas surestimer lincertitude. Ainsi, q correspond au meme
niveau de probabilite que x et y (68 % par defaut).

b. Cas g
en
eral : q = f (x, y, ...)
Avec les memes hypoth`eses que dans le paragraphe precedent, on montre que
s 
 2
 f 2
 f 
2


q =   (x) +   (y)2 + ...
x
y

c. Premier exemple pratique

On revient sur la mesure de la periode du pendule obtenue en chronometrant 20 oscillations (cf.
paragraphe 2.2.1.e.).
p
La formule de propagation des incertitudes donne : T = |1/20|2 t22 + | 1/20|2 t21
Si on prend t1 = t2 = 0, 5 s, on trouve T = 0, 035 s qui est, comme attendu, inferieur `a la valeur
trouvee par la methode du majorant. De plus,le choix t1 = t2 = 0, 5 s nest pas satisfaisant,
car ces valeurs, choisies au paragraphe 2.2.1.e. sont des majorants de lerreur. En fait, on pourra
prendre t1 = t2 = 0, 2 s qui correspond `a lerreur typique que lon estime pouvoir faire (cf. 1.2 `
a
9

On trouvera une justication de ce resultat dans Incertitudes et analyse des erreurs dans les mesures physiques,
Paragraphe 5.6, p. 132, J.R. Taylor, Editions Dunod, 2000.
10
De meme quen optique, on additionne les intensites de 2 sources incoherentes et pas leurs amplitudes.

12
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

la fin). On obtient alors T = 0, 014 s. Et on peut dire quil y a (tr`es approximativement, il sagit
dun ordre de grandeur !) 2 chances sur 3 (68 %) pour que lerreur aleatoire sur T soit inferieure
`a cette valeur.
d. Deuxi`
eme exemple pratique
On determine une puissance electrique par la formule P = RI 2 . On mesure R = 15, 7 avec
R = 1 (car on a constate des probl`emes de contact) et I = 0, 274 A avec I = 0, 002 A (dapr`es
le fabricant
duit la formule de propagation
des incertitudes independantes :

p de lappareil). On en de
P/P = (R/R)2 + 4(I/I)2 = 4.103 + 2.104 4.103 0, 06 ou 6%. On remarque que
lincertitude sur lintensite est negligeable. Le fait delever au carre favorise ce phenom`ene 11 .
De mani`
ere g
en
erale, Il est important de comparer les incertitudes des diff
erentes
grandeurs mesur
ees. Il est clair que dans lexemple ci-dessus, la principale cause derreur porte
sur la resistance et que si on veut ameliorer la mesure de P , cest sur elle quil faut porter ses
efforts. Il ne servirait `a rien dacheter un amp`erem`etre haut de gamme.
e. Troisi`
eme exemple pratique
Pour trouver la capacite thermique c dun liquide lors dune experience de calorimetrie, on
mesure lelevation de temperature dune certaine quantite de ce liquide dans laquelle on dissipe une energie electrique connue. On obtient la capacite thermique cherchee par la formule :
c = U It/[m(2 1 )] o`
u U , I, t, m et (2 1 ) representent respectivement une tension, une intensite, une duree, une masse et une variation de temperature. On a estime : U/U = 1%, I/I = 2%,
t = 153 s, t = 2 s, m = 345 g, m = 5 g, 1 = 19, 3 C, 2 = 20, 3 C et = 0, 1 C. Le calcul dincertitude montre que la seule incertitude qui joue un role est celle sur les temperatures ; on obtient
finalement : c/c 2/(2 1 ) = 20%. Les commentaires du paragraphe precedent sappliquent
encore ici. On constate aussi quil faut si possible eviter lapparition de petites differences : lincertitude relative sur la difference de 2 nombres tr`es voisins est grande. Pour ameliorer cette
experience il faudrait accrotre nettement la variation de temperature en augmentant la duree de
lexperience et/ou lintensite du courant.
f. Cas o`
u les incertitudes ne sont pas au m
eme niveau de confiance
Certains fabricants indiquent la precision de leurs appareils en utilisant lincertitude-standard qui
correspond `a 1 ecart-type donc `a un niveau de confiance de 68 %. Dautres utilisent lincertitudeelargie qui correspond `a un niveau de confiance de 95 % soit environ 2 ecart-types 12 .
Exemple : on determine une puissance par la relation P = U I. On mesure I = 1, 27 A avec une
incertitude-standard egale `a 0, 02 A. On mesure U = 15, 24 V avec une incertitude-elargie egale
`a 0, 06 V. On peut donc poser : I = 0, 02 A et comme lincertitude-elargie vaut le double de
lincertitude-standard : V
p = 0, 03 V.
On en deduit : P/P = (0, 02/1, 27)2 + (0, 03/15, 24)2 2%.
g. Cas derreurs al
eatoires li
ees
La loi de propagation des incertitudes independantes suppose que les variables x, y,... ont des
erreurs aleatoires independantes. Si cette condition nest pas verifiee, la formule de combinaison
quadratique ne sapplique pas. Par contre linegalite non quadratique suivante est toujours verifiee
(cf. 2.2.2.a.) :
 
 
 q 
 q 


q   x +   y + ...
x
y
Dans un calcul `
a lAncienne, on aurait `
a comparer R/R `
a 2I/I soit 6.102 `
a 2.102 et lincertitude sur I ne serait
alors pas negligeable.
12
En realite, la norme definissant les incertitudes des instruments est plus complexe que ce qui est presente ici, qui
devrait cependant largement suffire au niveau de lagregation. (cf. BUP 889, cahier n 2, p. 219, Expression et evaluation
des incertitudes de mesures, J.-L. Bretonnet).
11

13
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

On va voir cependant sur une exemple pratique que cette inegalite risque detre de peu dinteret.
Exemple pratique : Un fabricant de voltm`etres grand public effectue un test statistique sur ses
appareils et trouve que lincertitude-type vaut 3 %. Il lindique dans la notice en precisant que
lincertitude aleatoire de chaque appareil est negligeable et que lincertitude annoncee provient
des defauts detalonnage dun appareil `a lautre (par mesure deconomie les appareils ne sont
pas regles en sortie de la chane de production). Il faut comprendre que pour lutilisateur dun
appareil, il sagit dune incertitude aleatoire (sauf sil procedait `a un etalonnage de son appareil,
ce quil ne fait pas, ne disposant pas dun appareil de reference).
Lutilisateur mesure 2 tensions voisines : V1 = 12, 71 V et V2 = 7, 37 V afin de determiner
V3 = V1 V2 et V4 = (V1 + V2 )/2.
Sil utilise 2 voltm`etres, lun pour mesurer V1 , lautre pour mesurer V2 , les incertitudes aleatoires
V1 = 0, 4 V et V2 = 0, 2 V sont independantes et il applique donc la combinaison quadratique :p
p
V3 = (0, 4)2 + (0, 2)2 = 0, 4 V et V4 = (0, 4/2)2 + (0, 2/2)2 = 0, 2 V
Sil utilise le meme voltm`etre sur le meme calibre pour mesurer V1 et V2 les deux incertitudes
deviennent liees (si V1 est trop grand de 0, 1 V, V2 est trop grand de (V2 /V1 ) 0, 1 V). On peut
ecrire les inegalites toujours valables :
V3 (0, 4) + (0, 3) = 0, 7 V et V4 (0, 4/2) + (0, 3/2) = 0, 35 V.
On obtient une information plus precise en revenant `a la notation differentielle : dV3 = dV1 dV2
o`
u dV2 /V2 = dV1 /V1 puisquil y a uniquement une erreur de calibrage. On en deduit dV3 =
dV1 (1 V2 /V1 ) puis V3 = V1 |1 V2 /V1 | = 0, 2 V qui est tr`es inferieur `a ce quindique
linegalite : celle-ci nest pas fausse mais na aucun interet. Au contraire, pour V4 les erreurs
sajoutent toujours et on trouve le resultat correspondant au maximum de linegalite. En realite
chaque appareil a en plus une incertitude aleatoire qui lui est propre et qui vient compliquer
letude mais attenuer leffet des erreurs liees.
En conclusion, on sugg`ere pour lagregation la strategie suivante : dans une experience o`
u on
mesure 2 grandeurs x et y pour calculer q(x, y), commencer par faire un calcul dincertitudes
quadratique presupposant les erreurs independantes. Puis, si on utilise le meme appareil pour
mesurer x et y, faire remarquer que suivant lexpression de q(x, y), les erreurs liees sur x et y
se retranchent ou sadditionnent lorsquon evalue lincertitude sur q, ce qui tend `a diminuer ou
`a augmenter lincertitude sur q (il y aussi les erreurs independantes sur x et y).

14
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

V
erification dune loi physique.
Ajustement de donn
ees exp
erimentales par une fonction

Dans les experiences dagregation, on cherche souvent `a verifier une loi physique reliant 2 grandeurs
distinctes. Ainsi, dans le montage sur les semiconducteurs, on est amene `a verifier que la tension de Hall
VH aux bornes dun echantillon semiconducteur est reliee de mani`ere lineaire au champ magnetique
B par VH = (I/np e)B o`
u I est le courant qui traverse lechantillon et np est le nombre de porteurs
par unite de volume du semiconducteur. En mesurant VH pour differentes valeurs de B `a I fixe, on
souhaite dune part verifier experimentalement que la relation liant VH `a B est lineaire et dautre part
determiner la valeur de np . Plus generalement, on cherche `a verifier que 2 grandeurs x et y sont reliees
par une loi du type y = f (x) o`
u f est une fonction dependant dun certain nombre de param`etres.
On mesure une serie de n valeurs x1 , x2 ,...xN et les valeurs correspondantes y1 , y2 ,...yn . Lobjet des
paragraphes suivants est de montrer comment on determine les meilleures valeurs des param`etres de
la fonction f `a partir de ces mesures, dabord dans le cas lineaire puis dans le cas general. On presente
egalement des outils qui permettent destimer dans quelle mesure la fonction f ainsi determinee sajuste
aux donnees experimentales.

3.1

R
egression lin
eaire

Dans de nombreux cas, on cherche `a savoir dans quelle mesure des donnees experimentales saccordent
avec une loi lineaire13 du type y = a + bx. On cherche egalement une estimation des param`etres a et b
et on souhaite connatre la precision de cette estimation.
On supposera ici que les incertitudes sur x sont negligeables devant celles sur y (on peut tr`es souvent
se ramener `a cette situation car il est tr`es frequent que les incertitudes relatives sur une variable soient
beaucoup plus faibles que les incertitudes relatives sur lautre).
On dispose donc dun tableau de n mesures (x1 , y1 ),(x2 , y2 ),..., (xn , yn ) et eventuellement pour chacune
de ces mesures, de lincertitude associee `a la mesure de y (on note alors iexp lincertitude sur yi ).
On commence par representer graphiquement les differents couples de points. A titre dexemple, on a
represente sur la figure 3.a les donnees du tableau 3 (ici n = 12).

Tab. 3 - Donn
ees utilisees pour les exemples de regression lineaire

x
y

0
14,79

2
33,52

4
36,50

6
51,88

8
63,11

10
66,94

12
74,58

14
92,46

16
89,50

18
109,29

20
117,40

22
118,37

On appelle ensuite le programme de modelisation mathematiques (ou fit14 ) du logiciel utilise15 . Celui-ci
trace la meilleure droite passant par les points en utilisant les resultats du paragraphe suivant.
13

Le cas dune loi du type y = bx nest pas detaille ici car la demarche est exactement la meme. Les deux types
dajustement lineaire sont proposes par tous les programmes de traitement de donnees.
14
En anglais, fit = ajuster, mettre `
a la bonne dimension.
15
- sous Igor : Analysis Curve Fitting Function = line.
Pour prendre en compte les incertitudes : onglet Data Option Weighting nom de la wave dans laquelle on a mis les
incertitudes. Laisser par defaut loption Standard Dev. (lautre option sert `
a la compatibilite avec une ancienne version
dIgor.). Attention, la prise en compte des incertitudes est independante de laffichage des barres derreur sur le graphe.
- sous Synchronie : Traitement Modelisation
Synchronie ne permet pas dafficher les barres derreur !

15
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

Fig. 3 - R
egression lineaire : exemples

3.1.1

a)

b)

c)

d)

e)

f)

Meilleure estimation des param`

etres a et b

Deux cas differents se presentent :

a. Cas o`
u toutes les mesures de y ont la m
eme incertitude yexp
Cest en particulier ce qui est suppose implicitement si on na pas precise les incertitudes iexp .
La methode utilisee, appelee methode des moindres carres, consiste `a chercher les valeurs de a et
b qui rendent minimum :
n
X
(yi (a + bxi ))2
i=1

Cette minimisation conduit directement `a :

Pn
Pn
Pn
Pn
2
i=1 xi
i=1 yi
i=1 xi
i=1 xi yi
a=

Pn
P
P
n i=1 xi yi ni=1 xi ni=1 yi
b=

(1)
(2)

16
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

o`
u
=n

n
X

n
X

x2i

i=1

!2
xi

i=1

Note : Ces formules ne sont bien entendues applicables que pour n > 2. Dailleurs, pour n = 1
elles donnent des formes indeterminees pour a et b.
La figure 3.b montre les resultats obtenus pour les donnees du tableau 3 sans avoir precise les
incertitudes sur y. Les figures 3.c, d et e presentent les memes donnees avec des incertitudes
respectives yexp = 1, yexp = 5 et yexp = 20. On peut verifier sur ces 4 figures que les valeurs de
a et b obtenues sont identiques (et donc independantes de lincertitude yexp ).
b. Cas o`
u toutes les mesures de y ont des incertitudes diff
erentes
On peut generaliser les resultats ci-dessus au cas o`
u on precise pour chaque mesure yi lincertitude
iexp . On obtient :
Pn
Pn
Pn
Pn
2
i=1 wi xi
i=1 wi yi
i=1 wi xi
i=1 wi xi yi
a=

Pn
Pn
Pn
Pn
i=1 wi xi
i=1 wi yi
i=1 wi
i=1 wi xi yi
b=

o`
u
! n
!
!2
n
n
X
X
X
2
=
wi
wi xi
wi xi
i=1

et o`
u le poids wi =
precise.

2
1/ (iexp )

i=1

i=1

de la i`eme mesure est dautant plus grand que cette mesure est

La figure 3.f presente les resutats obtenus pour les donnees du tableau 3 avec iexp = y/10. On
constate que les valeurs de a et b sont cette fois-ci differentes de celles obtenues avec des incertitudes identiques.
Le programme de fit fournit egalement les valeurs des incertitudes a et b sur a et b. Pour cela, il
utilise les resultats du paragraphe suivant.

3.1.2

Incertitudes a et b sur les param`

etres a et b

Pour evaluer a et b , on utilise les formules 1 et 2 et les techniques de propagation des incertitudes
independantes decrites au paragraphe 2.2.2.
a. Cas o`
u toutes les mesures de y ont la m
eme incertitude
On obtient alors :

rP
a = y

n
2
i=1 xi

o`
u:

17
18 d
ecembre 2007

r
et

b = y

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

si on a fourni lincertitude yexp sur les mesures de y

y = yexp
On peut ainsi verifier sur les figures 3.c, d et e que a et b sont proportionnelles `a yexp .
si on na pas indiqu
e dincertitudes sur les mesures de y
y = ystat
o`
u ystat est lestimation statistique decrite ci-dessous de lincertitude sur les mesures de y.
Comme chaque mesure yi se distribue autour de la valeur vraie a+bxi avec la meme incertitude
y , les ecarts yi (a + bxi ) se distribuent autour de la valeur nulle avec une incertitude y . De
la r
epartition des points de mesure autour de la droite d
equation y = a + bx, on
peut donc remonter `
a lincertitude y sur les mesures de y. On peut montrer que la
meilleure estimation de cette incertitude est16 :
v
u
n
u 1 X
stat
y = t
(yi (a + bxi ))2
n2
i=1

b. Cas o`
u toutes les mesures de y ont des incertitudes diff
erentes
Les incertitudes sur a et b sont alors donnees par :
rP
n
2
i=1 wi xi
a =
et

3.1.3

r Pn
b =

i=1 wi

Accord de donn
ees exp
erimentales avec une loi lin
eaire

A partir de lexemple presente ci-dessus, on discute ici qualitativement de laccord entre des donnees
experimentales (incluant eventuellement leurs incertitudes) et la loi lineaire du type y = a + bx
determinee dans les paragraphes precedents.

Sur la figure 3.d, les incertitudes sont comparables aux ecarts `a la droite. Les donnees et leurs incertitudes sont en bon accord avec une loi lineaire17 .

Sur la figure 3.c, les incertitudes sont en moyenne petites par rapport aux ecarts `a la droite. Les donnees
et leurs incertitudes ne peuvent etre modelisees par une loi lineaire18 . Soit la loi nest pas lineaire, soit
on a sous-estime les incertitudes.

Sur la figure 3.e, les incertitudes sont grandes par rapport aux ecarts `a la droite. Les donnees et leurs
incertitudes peuvent etre modelisees par une loi lineaire. Il est cependant probable quon a surestime
les incertitudes.
16

Voir Incertitudes et analyse des erreurs dans les mesures physiques, Paragraphe 8.3, p. 174, J.R. Taylor, Editions
Dunod, 2000.
17
Attention, ce nest pas une preuve de linearite, cest juste une compatiblite.
18
Paradoxament, cest dans ce cas que les incertitudes sur a et b sont les plus faibles. On ne peut donc pas tirer de ces
incertitudes un crit`ere de validite de la loi.

18
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

Comme on na pas precise les incertitudes, le cas presente figure 3.b ne permet pas de valider la loi
lineaire. Par contre, si on admet cette loi, on a lincertitude statistique sur a et b.
En conclusion : au niveau de lagregation, la discussion qualitative ci-dessus suffit. Le paragraphe
3.1.5 propose neanmoins une version quantitative de cette discussion.

3.1.4

Coefficient de corr
elation lin
eaire

Dans tous les cas, le programme de fit donne la valeur du coefficient de correlation lineaire
Pn
(xi X)(yi Y )
r = pPn i=1
Pn
2
2
i=1 (xi X)
i=1 (yi Y )

19

o`
u X et Y sont respectivement les moyennes des xi et des yi .
r = 0 pour un grand nombre de points repartis au hasard et r = 1 pour des points parfaitement
alignes. r est un outil utilise par les statisticiens qui refl`ete la tendance `a la linearite. En pratique, `
a
lagregation, quand on fait une regression lineaire, on trouve toujours r tr`es voisin de 1. Ce nest pas
ici un outil efficace pour discuter de la validite dune loi lineaire.

3.1.5

Le 2

On definit le param`etre 2 par

20

:
2

n
X
(yi (a + bxi ))2
2

(iexp )

i=1

Dans le cas o`
u tous les i sont egaux, cest la somme des carres des ecarts `a la droite divisee par le
carre de lincertitude sur y 21, 22 .
On definit ensuite le 2 reduit :
2
n2
n2 est le nombre de degres de liberte du probl`eme, egal au nombre de points mesures moins le nombre
de param`etres determines (ici a et b)23 . Dans le cas o`
u toutes les incertitudes sont egales, il est facile
detablir que :
!2
ystat
2
reduit =
yexp
2reduit =

o`
u ystat est lincertitude statistique evaluee par le logiciel (cf.3.1.2).
Le 2reduit fournit un bon crit`ere quantitatif pour decider si des donnees et leurs incertitudes saccordent
avec une loi lineaire :
19

Sous Igor, il est donne par la variable V P r. Sous Synchronie, cest r.

Sous Igor, il est donne par la variable V chisq (pour chisquare).
21
De mani`ere generale, les param`etres a et b donnes par la methode des moindres carres sont ceux qui minimisent le
2
.
22
Sur les figures 3.c, d et e, on peut verifier que le 2 est inversement proportionnel au carre de lincertitude yexp .
23
Dans le cas dun ajustement par une loi du type y = bx, on a 2reduit = 2 /(n 1)
20

19
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

Les donnees experimentales sont en bon accord avec une loi lineaire si 2reduit est de lordre de
1. Cest le cas de la figure 3.d.
Dans le cas de la figure 3.c, 2reduit >> 1 donc ystat >> yexp . La loi nest pas validee ou yexp
a ete sous-estime.
Le cas 2reduit << 1 correspond `a la figure 3.e. Les donnees peuvent etre modelisees par une
loi lineaire. Il est cependant probable quon a surestime les incertitudes.
Remarque : certains logiciels, comme Igor, renvoient quand meme une valeur de 2 meme si on ne leur
a pas fourni les incertitudes iexp (voir figure 3.b). Cette valeur est calculee en prenant iexp = 1. On ne

2
peut alors pas tirer grand chose du 2reduit si ce nest la valeur de ystat (on a alors 2reduit = ystat ).

3.2

Cas g
en
eral dun ajustement par une loi y = f (x)

Les principes developpes dans le cas de la regression lineaire sappliquent encore dans le cas dun
ajustement par une fonction quelconque y = f (x), dependant dun certain nombre de param`etres. Les
logiciels dajustement determinent numeriquement les valeurs des param`etres qui minimisent le 2 .
Remarque : Contrairement au cas lineaire, il faut ici donner des valeurs initiales aux param`etres de
la fonction. Ceci doit etre fait avec une precision suffisante pour que la procedure de minimisation
converge.
En cas d
echec de la proc
edure :
controler que le fit est fait sur les bonnes variables en ordonnee et abscisse.
penser a` tenir compte deventuels decalages sur x et y. Par exemple, au lieu de la fonction
y = axb , il peut etre judicieux dutiliser y = a(x c)b + d.
ameliorer les valeurs initiales des param`etres. Pour cela, tracer la fonction avec les param`etres
initiaux sans operation dajustement jusqu`a obtenir un accord visuel suffisant.
on peut essayer de bloquer provisoirement la valeur de certains param`etres, de proceder `
a
lajustement, puis de liberer un `a un les param`etres bloques.
reduire la plage des donnees quon cherche `a fitter en effectuant une selection sur la courbe.

Fig. 4 - Relation de dispersion des ondes de gravit

e

A titre dexemple, la figure 4 presente la

relation de dispersion (k) mesuree pour
des ondes de gravite dans une cuve deau
de profondeur h et son ajustement par
la fonction non-lineaire attendue f (k) =
(k g tanh(k h))1/2 (g est lintensite du
champ de pesanteur).

Visuellement, on constate que les donnees et les incertitudes qui leur sont associees sont en accord
avec la loi proposee. On obtient une determination des param`etres g et h avec leurs incertitudes. Par
ailleurs, le logiciel evalue le 2 . On peut en deduire le 2reduit (on a 7 points de mesures et 2 param`etres

20
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

`a determiner donc 5 degres de liberte), qui confirme quantitativement lanalyse visuelle.

De mani`ere similaire, la figure 5 presente la relation de dispersion des ondes `a la surface de leau dans
le regime intermediaire entre le regime capillaire et le regime de gravite. On a realise un ajustement
par la fonction f (k) = ((k g + (A/) k 3 ) tanh(k h))1/2 (A et sont respectivement la tension
superficielle et la masse volumique de leau). On a choisi de bloquer les param`etres g et pour 2 raisons
differentes :
dans le regime etudie, la fonction f (k) est tr`es peu sensible au param`etre g qui serait, si on le
laissait libre, determine avec une grande incertitude.
la fonction f ne depend en fait que de 3 param`etres g, h et A/. Pour determiner A, on a
suppose connu.

Fig. 5 - Relation de dispersion des ondes `

a la surface de

leau
Ici, on na pas rentre dincertitude
experimentale yexp . On ne peut pas savoir si la loi est validee. Cependant, si on
admet cette loi, on a une mesure des param`etres h et A avec leurs incertitudes
deduites de la repartition statistique des
points autour de la courbe.

21
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

Annexe :
A.1

a lAgr
`
egation de Physique de Montrouge

Rappels
el
ementaires de statistique

Distribution de probabilit
e dune grandeur al
eatoire

On appelle distribution de probabilite dune grandeur aleatoire x 24 `a valeurs continues la fonction

f (x) telle que la probabilite pour que x soit comprise entre a et b secrive :
Z
P (a < x < b) =

f (x)dx
a

f (x) est donc une densite de probabilite : f (x)dx est la probabilite que la variable aleatoire x prenne
une valeur comprise entre x et x + dx. On en deduit les deux proprietes suivantes :
f (x) 0
Z

f (x)dx = 1

A.2

Valeur moyenne et
ecart-type

La valeur moyenne (ou esperance) X dune grandeur aleatoire x `a valeur continue est donnee par :
Z +
X=
xf (x)dx

Lecart-type de la distribution des valeurs de X est defini par :

Z +
2
=
(x X)2 f (x)dx

Cest une mesure de la dispersion des valeurs de x autour de sa valeur moyenne. Plus les valeurs de x
se concentrent autour de la moyenne, plus lecart-type est faible.
2 est appelee variance de la distribution.
Cas dune distribution de probabilite discr`ete : Si la grandeur aleatoire ne prend que des valeurs discr`etes
xi avec des probabilites respectives
pi , la valeur
P moyenne et lecart-type de la distribution sont respecP
tivement donnes par : X = i xi pi et = i (xi X)2 pi

A.3

Exemples de distributions de probabilit

e
La distribution de Gauss ou Loi Normale
La distribution de Gauss, de valeur moyenne X et decart-type secrit :
1
2
2
GX, (x) = e(xX) /2
2

24

Pour simplifier les notations, on designe par la meme lettre x la variable aleatoire et sa valeur.

22
18 d
ecembre 2007

Centre Interuniversitaire de Pr
eparation

ENS, Paris 6, Paris 7, Paris 11

a lAgr
`
egation de Physique de Montrouge

2007/2008

G(z)
0,4

Fig. 6 - La distribution de Gauss ou Loi Nor-

male : cest une distribution symetrique autour de la

moyenne dont le graphe est presente ci-contre en fonction de z = (x X)/. Comme indique sur la figure et
dans le tableau 4, la probabilite que la valeur de x soit `
a
moins dun ecart-type de la moyenne (en valeur absolue) est de 68 %. Cette probabilite passe `
a 99.7 % pour
un ecart `
a la moyenne de 3 ecarts-types. Limportance
physique de la distribution gaussienne est discutee au
paragraphe A.4

0,3

0,2

0,1

-3

-2

-1

68.3%
95.5%
99.7%

P(%)

0
0

0,5
38

1
68

1,5
87

2
95,4

2,5
98,8

3
99,7

3,5
99,95

4
99,99

Tab. 4 - Loi Normale : probabilit

e P quune mesure de x se trouve dans lintervalle [X , X + ]

La distribution bin
omiale
On realise n fois une experience nayant que deux resultats possibles, lun de probabilite p,
lautre de probabilite 1 p. La probabilite dobtenir k fois le resultat de probabilite p est
donnee par la distribution binomiale :
Bn,p (k) = Cnk pk (1 p)nk

avec

Cnk =

n!
k!(n k)!

Cette distribution de p
probabilite, definie uniquement pour les valeurs enti`eres a pour moyenne
np et pour ecart-type np(1 p). Elle nest pas symetrique autour de sa moyenne. Neanmoins,
si n est grand et si les probabilit
p es p et 1 p ne sont pas trop voisines de 0, la loi normale de
moyenne np et decart-type np(1 p) est une tr`es bonne approximation de la distribution
binomiale. Dans la pratique, cette approximation est tr`es convenable d`es que np et n(1 p)
sont tous deux superieurs `a 5. 25
La distribution de Poisson
On la rencontre dans des situations o`
u des ev`enements rares et independants se produisent
aleatoirement dans le temps avec une probabilite par unite de temps connue. Si les ev`enements
sont independants les uns des autres, le nombre n dev`enements qui se produisent pendant une
duree fixe est une grandeur aleatoire dont la distribution de probabilite est la loi de Poisson :
PN (n) = eN

Nn
n!

N est le nombre moyen dev`enements observes.

On rencontre par exemple la distribution de Poisson lorsquon compte, pendant un temps
donne, un nombre de desexcitations radioactives, ou le nombre de photons dun faisceau laser.
Elle decrit egalement le nombre de molecules se trouvant `a linterieur dun petit volume de
gaz parfait.
La distribution de Poisson nest pas symetrique autour de sa moyenne. Une de ses particularites
est quelle
ne depend que dun param`etre. Son ecart-type est directement relie `a sa moyenne
par = N .
25

Pour une analyse plus detaillee de cette approximation voir : Physique Statistique, complement I.C, p.62, B. Diu, C.
Guthmann, D. Lederer, B. Roulet, editions Hermann, 1995.

23
18 d
ecembre 2007

Universit
es Paris 6, Paris 7, Paris 11

Centre Interuniversitaire de Pr
eparation

2007/2008

a lAgr
`
egation de Physique de Montrouge

La distribution de Poisson de valeur moyenne N = np est une tr`es bonne approximation de la

distribution binomiale Bn,p , lorsquon compte beaucoup dev`enements rares, cest `a dire pour
les grandes valeurs de n et les faibles valeurs de p (dans la pratique pour n > 50 et N < 5).
Comme la loi binomiale, la distribution de Poisson est tr`es proche dune Gaussienne d`es que
le nombre dev`enements observes est grand.

A.4

Importance physique de la Loi Normale

Dans la pratique, si on rep`ete un grand nombre de fois une mesure physique, on obtient le plus
souvent pour les resultats de la mesure une distribution de probabilite gaussienne. On peut en fait
demontrer ce resultat pour toutes les mesures sujettes `a des erreurs systematiques negligeables mais
a de nombreuses sources derreurs aleatoires independantes (la version mathematique de ce theor`eme
`
est appelee Theor`eme Centrale Limite) 26 .

26

On trouvera une illustration physique simple de ce theor`eme dans : Incertitudes et analyse des erreurs dans les mesures
physiques, Paragraphe 10.5, p. 235, J.R. Taylor, Editions Dunod, 2000.

24
18 d
ecembre 2007