Vous êtes sur la page 1sur 198

Calcul d'incertitudes

Application aux sciences exprimentales


(exercices corrigs)

Mathieu ROUAUD
Professeur Agrg de Sciences Physiques
en classes prparatoires aux grandes coles
d'ingnieurs.
Diplm en Physique Thorique.
Vous pouvez reproduire et partager ce livre librement
condition de citer l'auteur et de ne pas en faire d'usage commercial.
Mais pas de libert sans solidarit. Merci de soutenir mon travail de
publication en achetant le livre ou en faisant un don. Je pourrais
ainsi crire d'autres livres que j'ai en projet. Merci pour votre intrt
port pour le livre et bonne lecture !

Pour un don envoyez un chque l'ordre de Mathieu ROUAUD


l'adresse suivante : Boudiguen 29310 QUERRIEN (FRANCE).
Merci beaucoup pour votre aide ! En esprant publier de nouveaux
livres. Site internet de l'auteur : www.science-et-decouvertes.fr

Pour un meilleur partage de la connaissance et l'accs au plus grand nombre,


le livre est en licence libre, le livre numrique est gratuit et pour minimiser le cot de la
version papier, il est imprim en noir et blanc et sur papier conomique.
Livre numrique :
www.incertitudes.fr/livre.pdf
Livre papier :
sur www.lulu.com
Pour contacter l'auteur :
ecrire@incertitudes.fr
Boudiguen 29310 Querrien

Ce livre est sous licence Creative Commons Attribution-Non Commercial 3.0.

Vous tes libres :


de reproduire, distribuer et communiquer
cette cration au public ,

de modifier cette
cration .

Selon les conditions suivantes :


Attribution. Vous devez citer le nom de l'auteur original de la manire
indique par l'auteur de l'uvre ou le titulaire des droits qui vous confre
cette autorisation (mais pas d'une manire qui suggrerait qu'ils vous
soutiennent ou approuvent votre utilisation de l'uvre).
Pas d'Utilisation Commerciale. Vous n'avez pas le droit d'utiliser cette
cration des fins commerciales.

A chaque rutilisation ou distribution de cette cration, vous devez faire


apparatre clairement au public les conditions contractuelles de sa mise
disposition. La meilleure manire de les indiquer est un lien vers cette page
web : http://creativecommons.org/licenses/by-nc/2.0/deed.fr
Chacune de ces conditions peut tre leve si vous obtenez l'autorisation du
titulaire des droits sur cette uvre.
Rien dans ce contrat ne diminue ou ne restreint le droit moral de l'auteur ou
des auteurs.

Date de parution : juillet 2013

Rvision : 1er juin 2014

Auto-dition

ISBN 978-2-9549309-0-9
Ouvrage bas sur les deux premiers chapitres prolongs et augments du livre
Probabilits, statistiques et analyses multicritres.

Avant-propos
Cet ouvrage se veut accessible et pdagogique. Il
est le fruit d'interrogations personnelles sur la nature
probabiliste des mesures en sciences. Dans un cursus
classique ces aspects ne sont pas, ou peu, abords. Il est
important que les fondements exprimentaux et pratiques
des sciences soient complmentaires d'une science au
tableau en cours magistraux. Il existe une beaut
scientifique qui nat de l'interaction entre la thorie et
l'exprience.
Tout en introduisant les principes fondamentaux
de la statistique, cet ouvrage explique comment
dterminer les incertitudes dans diffrentes situations
exprimentales. Beaucoup d'exemples sont issus de cours
et travaux pratiques raliss en math sup.
Bonne lecture !

Remerciements :
Je remercie ric NOIZET (professeur Agrg de Chimie
en prpa) et Grgoire BONNET (ingnieur charpentier)
pour leurs multiples apports la clart pdagogique de
l'ouvrage. Un grand merci Reine pour sa relecture
prcise et consciencieuse. Pleins de mercis, Aurlien
SEMACH (tudiant) et, aux enseignants de sciencesphysiques Franoise MARCADET (pour ses contributions en mtrologie) et Julien BONVALET.
Merci la vie et tous ceux qui m'ont prcd.

Table des matires


I. VARIABLE ALATOIRE............................................1
A. Grandeurs et mesures..............................................1
B. Centre d'une distribution.........................................1
C. Dispersion d'une distribution..................................3
D. Exemples de distributions.......................................4
E. Thorme central limite..........................................7
1) Population et chantillons...........................................7
2) Le thorme central limite........................................10
3) Coefficient de Student et incertitude........................12
4) Exemples..................................................................14

F. Distribution de Gauss............................................18
1) Dfinition d'une distribution continue......................18
2) Courbe de Gauss.......................................................19
3) Loi normale standard................................................21

G. Test d'hypothse....................................................22
H. Test du Khi-deux..................................................24
I. Sources des incertitudes.........................................27
J. Exercices................................................................31
II. CORRLATIONS ET INDPENDANCES..............40
A. Coefficient de corrlation.....................................40
B. Formule de propagation des incertitudes..............45
1) Formule de propagation des cart-types...................45
2) Calcul d'incertitude...................................................46

C. Rgression linaire................................................51
1) Principe et formules..................................................51
2) Dtermination du zro absolu...................................55
3) Rgression avec barres d'erreurs...............................57
4) Linarisation.............................................................60

5) Comparaison des mthodes......................................61

D. Rgression gnralise..........................................68
1) Principe....................................................................68
2) Rgression polynomiale...........................................70
3) Rgression non linaire............................................73

E. Exercices ..............................................................79
III. COMPLMENTS.....................................................93
A. Mesure avec une rgle..........................................93
B. Mtrologie...........................................................105
C. Thermodynamique..............................................113
D. Indpendance des variables................................119
IV. DEVOIRS...............................................................121
A. Devoir Suricate...................................................121
B. Devoir Narval......................................................124
V. TRAVAUX PRATIQUES........................................128
A. Mesure d'un indice lumineux..............................128
B. Le miroir sphrique.............................................132
C. Relation de conjugaison d'une lentille................135
D. Dioptres et lentilles minces sphriques...............137
VI. OUTILS MATHMATIQUES...............................139
VII. CORRECTIONS....................................................142
VIII. Bibliographie / Sources / Logiciels / Illustrations 181
IX. TABLES / Index.....................................................186
A. Coefficients de Student.......................................186
B. Valeurs critiques de Khi-deux.............................187

I. VARIABLE ALATOIRE
A. Grandeurs et mesures
Soit X une variable alatoire et n ralisations {x i}
de cette variable.
Nous pouvons simplement estimer une grandeur
classique : par exemple, combien y-a-t-il de jours dans
une semaine ? La rponse est sans ambigut. Par contre
pour une grandeur statistique l'approche est plus subtile.
Imaginons des tudiants qui font des expriences de
calorimtrie pour mesurer la capacit thermique de l'eau1.
Les diffrents groupes mesurent les valeurs suivantes :
{5100; 4230; 3750; 4560; 3980} J/K/kg. Que vaut alors la
capacit ? Nous donnerons dans ce chapitre une rponse
cette question. Elle sera de nature probabiliste.

B. Centre d'une distribution


Nous cherchons une caractristique du centre de la
distribution des observations {xi}. Il en existe plusieurs, le
mode, par exemple, est facile dterminer, il s'agit de la
valeur la plus reprsente (illustrations page 4). Nous
1

: Quantit d'nergie fournir un kilogramme d'eau pour


que sa temprature s'lve de 1C. L'eau emmagasine ainsi de
l'nergie et peut la restituer par la suite en diminuant sa
temprature. Tables : ceau = 4180 Joules par degr Celsius et par
kilogrammes.
PHYSIQUE

avons aussi la mdiane qui correspond la valeur qui


spare la distribution en deux parties gales. Mais la plus
utilise est la moyenne qui reprsente au mieux le centre
d'une distribution :
n

x =

x 1 x 2...x i...x n
n

soit

xi
x =

i=1

Pour la capacit thermique de l'eau nous obtenons :


c =

51004230375045603980
=4324 J / K / kg
5

Nous avons considr la moyenne arithmtique. Nous


aurions pu prendre la moyenne gomtrique :
x =

x
n

Par exemple, pour deux tempratures 20C et 40C, la


moyenne gomtrique est
20 C40 C 28,3 C
alors que la moyenne arithmtique est 30C. Dans la
pratique on constate que la moyenne arithmtique est
mieux adapte.
2

: se dit la moyenne de x est gale la somme de 1 n des x


i, le tout divis par n. Pour la moyenne gomtrique nous
considrons la racine nime du produit des xi. x, "x moyen", se dit
aussi "x barre".
MATH

C. Dispersion d'une distribution


Il s'agit d'estimer ce que nous pourrions aussi ap
peler la largeur d'une distribution. La grandeur la plus
simple dterminer est l'tendue, diffrence entre les va
leurs maximale et minimale. Mais celle-ci est trs sensible
aux valeurs extrmes qui ne sont pas toujours reprsenta
tives, et peuvent mme parfois tre absurdes.
Dans les faits, la grandeur la plus utilise est l'cart-type :

s=

x i x 2
i=1

n1

Pour l'cart-type de la capacit thermique de l'eau nous


obtenons :

soit

s c 530 J / K / kg

Nous pourrions aussi considrer l'cart moyen par rapport


la moyenne (voir l'exercice 1).
3

Pour l'cart-type si nous divisions par n au lieu de n-1,


nous obtiendrions l'cart quadratique moyen. Le choix de
l'cart-type sera justifi par la simplicit des formules qui
en dcouleront. De plus nous travaillons souvent avec n
grand et la diffrence entre les deux types d'carts
quadratiques est alors minime.

D. Exemples de distributions
Cas 1 :
x1
11
9
10
14
11
8
9
12
7
8
8
9
11
14
10
9

6
5
4

frquences

x11
x12
x13
x14
x15
x16
x17
x18
x19
x110
x111
x112
x113
x114
x115
x116

3
2
1
0
7

10 11 12 13 14 15 16 17 18 19

x1

moyenne = 10
mode= 9
mdiane= 9,5

cart-type= 2,07
tendue= 7
cart quadratique moyen= 2,00

Cas 2 :
x2
15
13
12
13
14
13
16
19
13
14
10
16
14
15
13
14

6
5
4

frquences

x21
x22
x23
x24
x25
x26
x27
x28
x29
x210
x211
x212
x213
x214
x215
x216

3
2
1
0
7

10

11

12

13

14

15

16

17

18

19

x2

moyenne = 14
mode= 13
mdiane= 14

cart-type= 2,00
tendue= 9
cart quadratique moyen= 1,94

Cas 3 :
x3
10
10
12
11
9
8
10
9
9
11
9
11
10
10
11
10

6
5
4

frquences

x31
x32
x33
x34
x35
x36
x37
x38
x39
x310
x311
x312
x313
x314
x315
x316

3
2
1
0
7

10

11

12

13

14

15

16

17

18

19

x3

moyenne = 10
mode= 10
mdiane= 10

cart-type= 1,03
tendue= 4
cart quadratique moyen= 1,00

La moyenne n'est pas toujours la valeur la plus


reprsente (cas 1 et 2) et elle peut mme dans certains
cas tre absente. Dans le cas 3 la courbe est symtrique ce
qui implique l'galit de la mdiane et de la moyenne.
Sur les trois exemples certaines valeurs sont reprsentes
plusieurs fois, on parle alors de la frquence fi d'une
c

valeur xi. Nous avons n= f i , o c correspond au


i=1

nombre de valeurs de xi diffrentes auxquelles nous


attribuons une frquence (dans la suite, c sera aussi le
nombre de classes).
La moyenne et l'cart-type peuvent alors s'exprimer ainsi :
c

f ix i

i=1
x =

=
i=1

fi
x
n i

s=

f i x i x 2
i =1

n1

Parfois on rassemble les valeurs par classe, par exemple si


nous nous intressons la taille des habitants d'une ville
nous pouvons rassembler tous les habitants qui ont une
taille comprise entre 160 cm et 170 cm dans le mme
ensemble appel classe. Leur nombre dans cette classe est
la frquence (ou effectif de la classe) et la valeur est prise
gale au milieu de la classe, ici 165 cm (dmarche
illustre dans l'exercice 5).
Plus la courbe est ramasse sur son centre plus l'cart-type
est faible (sur le cas 3 l'cart est deux fois plus faible que
sur les cas 1 et 2).

E. Thorme central limite


1) Population et chantillons
Considrons une ville d'un million d'habitants.
Pour sonder la population nous pouvons interroger un
chantillon de seulement mille personnes tires au hasard.
A partir de cet chantillon de n=1000 individus, nous
pouvons, grce la statistique, avoir des informations sur
la population toute entire. Plus la taille de l'chantillon
est grand, plus les rsultats seront prcis. Nous appelons
x la moyenne de l'chantillon et s son cart-type. Pour
la population nous notons (lettre grec mu) la moyenne
et (sigma) l'cart-type. Plus l'chantillon est grand, plus
les valeurs de x et de s de cet chantillon sont amenes
se rapprocher de celles et de la population.
Comme dans le cas des sondages d'opinion avec
des chantillons de l'ordre de mille personnes, si nous me
surons la taille de mille habitants qui sont choisis au ha
sard parmi la population d'une ville d'un million d'habi
tants, la moyenne de la taille sur cet chantillon a de forte
chance d'tre proche de celle sur l'ensemble de la popula
tion, mais n'a aucune raison de lui tre gale.
Illustrons maintenant par le jeu du lancer de
pices. A chaque lancer nous obtenons une ralisation de
la variable alatoire pile ou face. Ici la population est infi
nie, nous pouvons rpter le lancer indfiniment et avoir
une infinit de mesures. De plus, les probabilits tant
7

connues, nous pouvons dterminer l'avance les caract


ristiques de la population.
Tout d'abord, quand la taille de l'chantillon devient trs
grande et donc infinie, l'chantillon s'identifie la popula
tion : =lim x 3.
n

Ensuite nous voyons apparatre la notion de probabilit :


f
p i=lim i o pi est la probabilit de ralisation de
n n
l'vnement xi.
D'aprs la formule page 6 nous avons ainsi l'expression de
la moyenne pour la population : = pix i .
Nous avons pi =1 , car nous considrons tous les
vnements possibles (1=100%).
Nous associons x0=0 l'observation face, et x1=1 pour
pile. Comme la pice est quilibre p0=p1=1/2=0,5=50%
et =p0.x0 +p1. x1. Nous avons jug inexistant l'vnement
la pice reste sur la tranche.
De mme nous avons : =lim s et en prenant la limite
n

de la formule pour s page 6 nous obtenons


= p i x i2 (avec pour n grand, n-1 pris gal
n).

Au final : =0,5 et =0,5 .

MATH

: se lit est gal la limite de x quand n tend vers l'infini.

Prlevons un chantillon en lanant neuf pices :


{0; 1; 1; 0; 1; 1; 1; 0; 0}.
Nous avons alors x 0,56 et s0,53 .
Supposons que nous tirions de nombreuses fois neuf
pices alatoirement au sein de la mme population. A
chaque fois nous aurions un rsultat diffrent pour x .
Par exemple pour deux autres chantillons prlevs :
{1; 1; 0; 1; 1; 0; 1; 1; 0} avec x 0,67 et s0,50
et {0; 1; 0; 0; 0; 0; 1; 0; 0} avec x 0,22 et s0,44
Quelle serait alors la rpartition de l'ensemble de ces r
sultats ? (appele la distribution d'chantillonnage)
Les valeurs obtenues pour les chantillons sont en gnral
diffrentes de celles de la population, mais plus l'chan
tillon est grand plus il est probable que les valeurs soient
proches de celle de la population. Cas d'un chantillon de
taille n=50 o x 0,520 et s0,505 :
{00100011111110010111110001001101101000110000011101}

2) Le thorme central limite


THORME CENTRAL LIMITE

Nous prlevons au sein d'une population des chantillons


alatoires de taille n, la moyenne de l'chantillon x varie
autour de la moyenne de la population avec un carttype gal /n, o est l'cart-type de la population.
Quand n crot la distribution d'chantillonnage de x est
de plus en plus concentre autour de et devient de plus
en plus proche d'une distribution de Gauss.
Nous dcrirons prochainement ce qu'est une distri
bution de Gauss, dans l'immdiat nous considrerons sim
plement une courbe en cloche. C'est un thorme trs im
portant, quelque soit la forme de la distribution de la po
pulation, la distribution d'chantillonnage est gaussienne,
et sa dispersion est donne par le thorme central limite.
Illustrons sur des schmas :

A gauche nous avons la probabilit p d'un vnement x


(distribution de la population). Par exemple, pour une po
10

pulation d'un million d'habitants, pourrait tre ici repr


sent la probabilit p qu'ils aient une taille donne x. Si
nous pouvions mesurer la taille de tous les habitants, nous
pourrions dterminer exactement leur taille moyenne et
son cart-type . C'est d'un point de vue pratique difficile,
ou mme impossible, alors nous dcidons de mesurer la
taille de mille habitants seulement. Pour que ce soit carac
tristique nous tirons ces mille personnes au hasard. Nous
obtenons mille mesures de tailles de x1 x1000. De cet
chantillon de taille n=1000 nous calculons une moyenne
x et un cart-type s. Nous pensons que x est proche de ,
mais la fois il n'y a aucune raison qu'il soit gale .
Nous plaons cette valeur de x sur la partie droite de la fi
gure page 10.
Nous prenons un nouvel chantillon alatoire de mille
personnes et nous plaons un nouveau x.
Nous rptons ensuite cette opration un grand nombre de
fois. Nous voyons droite la distribution des chantillons
obtenue :

11

3) Coefficient de Student et incertitude


Le thorme central limite s'applique dans la limite des
grands nombres, mais on sait l'adapter pour n petit grce
aux coefficients de Student. En effet on ne peut pas appli
quer directement ce thorme car ne connaissant pas
nous l'estimons avec s. Du fait d'une statistique faible il y
a alors un largissement connu :

=x t

s
n

Le coefficient de Student t dpend de n et inclut la


confiance que nous voulons donner au rsultat. Si la
confiance est de 95%, nous avons 95 chances sur 100 que
soit compris entre x ts / n et x ts / n . Les va
leurs de t sont lues dans la table page 186.
Nous reconnaissons ici la notion d'incertitude x

s
n

x= x x avec x=t

x est aussi appele l'incertitude absolue et x /x


l'incertitude relative.

MATH

: se lit "delta x".

12

Reprenons l'exprience de calorimtrie dcrite


page 1, supposons que nous voulions maintenant
connatre la capacit thermique de l'eau avec une
confiance de 95%. Nous trouvons dans la table pour
quatre degrs de libert (ddl=n-1) t=2,78.
D'o : c=c tsc / n=4320660 J / K /kg 95%.
Ici suite la dispersion des valeurs mesures par les tu
diants c / c15 % . Les mesures en calorimtrie ne
sont pas trs prcises. La valeur attendue, ici connue, est
bien dans l'intervalle : 366041804980 .
Nous avions aussi l'exprience avec les pices d
crite sur les pages 7 9. Pour le premier chantillon de
neuf pices nous aurions avec une confiance de 90% :
1=0,561,860,53/ 9 d'o 1=0,560,33 .Pour
le 2me : 2=0,670,31 . Le 3me : 3=0,2220,273 .
Nous devons avoir =0,5 dans l'intervalle, ce qui est
facilement vrifi pour 1 et 2 . Pour 3 on y est
presque, mais de toute faon un cas sur dix peut tre en
dehors (100% moins 90%). Avec une confiance de 95%
3 engloberait la valeur attendue.
En sciences exprimentales nous nous efforons
de quantifier l'ensemble des phnomnes naturels. Mais,
par la nature mme de la dmarche exprimentale, les dif
frents paramtres qui permettent de dcrire une situation
ne sont pas parfaitement connus. Nous n'avons pas sim
plement une valeur numrique associe chaque caract
13

ristique, mais un intervalle pour une confiance donne. En


toute rigueur, toute grandeur exprimentale doit tre as
socie son incertitude avec sa confiance.

4) Exemples
Concrtement un grand nombres de facteurs ala
toires vont influer sur la mesure d'une grandeur, facteurs
indpendants, qui, quelque soient leurs natures vont au fi
nal gnrer une distribution gaussienne des valeurs. Pre
nons deux exemples, le lancer de pices et celui de ds
six faces.
Pour les pices nous comptons le nombre de piles
chaque lancer de plusieurs pices. Nous dnombrons le
nombre de possibilits pour un nombre de piles donn.
Pour une pice, une possibilit pour zro pile (face, F) et
une possibilit pour un pile (P). Pour deux pices, une
possibilit pour zro pile (F F), deux possibilits pour un
pile (F P ou P F) et une possibilit pour deux piles (P P).
Plus le nombres de pices lances simultanment est
grand, plus nous tendons vers une distribution gaussienne.

une
pice

deux
pices

14

Nous pouvons obtenir en ordonne la probabilit, en divi


sant par le nombres de possibilits 2n, et en abscisse la
moyenne pour chaque pice, en divisant par le nombre de
pices n. Pour n=1 nous avons alors la distribution de la
population et ensuite les distributions d'chantillonnage
pour diffrentes valeurs de n.
7
6
5
4
3

trois
pices

quatre
pices

2
1
0
0

12

25

10

20

15

cinq
pices

10

six
pices

2
0
0 1 2 3 4 5

5
0
0 1 2 3 4 5 6

De mme pour les ds nous numrons les possibilits


pour leur somme et nous tendons aussi vers une gaus
sienne.
Pour un seul d, la somme correspond tout simplement
la valeur du d. Nous avons une possibilit pour chaque
valeur :

15

un d :

0
1

Pour deux ds, il y a une seule possibilit pour que la


somme fasse deux : 1 pour le premier d et 1 pour le
deuxime d. Pour que la somme fasse trois, il y a deux
possibilits : 1 puis 2, ou, 2 puis 1. Le plus probable avec
deux ds est d'obtenir 7 : (1,6) (6,1) (2,5) (5,2) (3,4) (4,3).
7
6
5
4
3
2

deux ds :

1
0
2

10

11

12

30
25
20
15
10

trois ds :

5
0
3

16

10 11 12 13 14 15 16 17 18

Pour quatre ds nous reconnaissons dj bien la courbe en


cloche et le profil est clairement de type gaussien :
160
140
120
100
80
60
40

quatre

20

ds :

0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Sur ce dernier exemple vrifions la validit du thorme


central limite.
La moyenne pour la population est :
x =1 23456 /6=3,5

La moyenne de la distribution d'chantillonnage est bien


la mme : x=14/6=3,5 .
L'cart-type de la population :
x=

p x d'o
2

x= 1/6{ 13,52 23,52 33,5 2 43,5253,52 63,52 }

et

x 1,71

17

d'o pour quatre ds x= x / n= x / 20,85 . Or, sur la


courbe du dessus, 40% du maximum (explication page
20), nous avons un cart d'environ 3,5 (entre 3 et 4), soit
en moyenne 3,5/ 40,88 . Il y a bien correspondance.

F. Distribution de Gauss
1) Dfinition d'une distribution continue
Il existe des grandeurs fondamentalement conti
nues. Le temps en est une. Le temps s'coule continment
tel un fluide, il ne saute pas d'une valeur l'autre. S'il
semble parfois grainer les secondes, comme les perles
d'un chapelet, cela n'est d qu' l'appareil de mesure insuf
fisamment prcis. Par contre quand nous lanons un d
six faces, impossible de dire "j'ai fait 2,35 !", c'est une va
leur interdite, seules les valeurs entires de un six sont
permises.
Ainsi, certaines distributions de probabilit sont
discrtes et d'autres continues. Pour le lancer de ds la
n=6

probabilit est discrte : p1=...=p6=1/6 et

pi =1 . Le
i=1

rsultat du lancer n'a que six valeurs possibles. Par contre


si nous nous intressons la taille des habitants d'une
ville, celles-ci sont toutes possibles, la distribution est
continue. Nous parlons alors de densit de probabilit
p(x) avec p(x)dx la probabilit d'un vnement d'tre entre
x et x+dx. dx est une petite variation, et x+dx est infini
18

ment voisin de x. La probabilit que l'vnement se ra


lise sur l'ensemble des valeurs possibles est de 100% :

p x dx=1

x=

Calcul de la moyenne et de l'cart-type d'une distribution


continue :

= xp x dx

2 = x2 p x dx

2) Courbe de Gauss
Le thorme central limite s'intresse au cas o la
taille de l'chantillon n est grande, et dans le cas limite o
n tend vers l'infini nous considrons une distribution
continue. Celle-ci est une gaussienne, l'expression math
matique est connue :

p x =

1
e
2

1 x
2

Dans le complment mathmatique page 141 diffrents


termes sont justifis.
5

: se lit l'intgrale de p de x, x allant de moins l'infini +,


est gale 1 .
6 MATH : La moyenne est aussi appele E(X), esprance de X.
2=V(X) est appele variance de la variable alatoire X.
Proprits :
E(aX+b)=aE(X)+b ,
V(aX)=a2V(X)
et
2
2
V(X)=E(X )-E(X) .
MATH

19

Nous avons reprsent, sur le graphe suivant, deux cas :

L'aire totale sous la courbe vaut toujours 1. Mais, si main


tenant nous ne nous cartons que d'un cart-type par rap
port la moyenne, nous n'avons que 68% des
possibilits :

p x dx =0,683...68 %

L'cart-type peut s'valuer ici, en effet 60%.pmax :


p / p max =1/ e0,607

20

largissons deux cart-types :

p x dx =0,954 ...95 %

On dit 95% de confiance, ou, une confiance deux


sigmas. On travaille souvent avec cette confiance.
Puis pour trois sigmas :

p x dx=0,997...99 %

3) Loi normale standard


C'est la distribution normale de Gauss centre et

21

rduite. Pour le recentrage nous soustrayons la moyenne :


x ' =x . Pour la rduction nous divisons par l'carttype :

x
z=

d'o :

1 2
p z =
e
2

Nous avons alors une distribution normale de moyenne


nulle et d'cart-type gale un :

G. Test d'hypothse
Nous voulons vrifier une hypothse H. La valeur
correspondant la grandeur X est suppose gale xH. Si
22

aprs estimation de x et x, xH est compris entre x-2x et


x+2x alors l'hypothse H est accepte avec une
confiance de 95%, sinon l'hypothse est rejete.

Si xH= x2x nous avons 95% de chances d'avoir rai


son de soutenir l'hypothse H et 5% de chance de nous
tromper.
Pour travailler avec d'autres confiances il suffit de consi
drer le coefficient de Student t.
Dans l'exercice 4, page 32, nous testons un isolant ther
mique et nous vrifions les valeurs annonces par le fabri
23

cant.
L'hypothse peut aussi tre dissymtrique et nous ne
considrons alors qu'une des deux parties de la queue de
distribution : par exemple, la charge maximale d'un ascen
seur est de 300 kg, la masse totale des occupants est de
28010 kg . Quelle est la probabilit d'tre en sur
charge ? 25 chances sur mille.

H. Test du Khi-deux
Il s'agit d'un test d'hypothse simple bas sur les
diffrences entre les effectifs observs et ceux esprs :
Effectifs observs :

O1

O2

...

Oj

...

Oc

Effectifs esprs :

E1

E2

...

Ej

...

Ec

Nous calculons la sommes des carts au carr par rapport


la valeur thorique attendue :

O j E j 2
=
Ej
j =1
2

(nomm "khi-deux")

Nous avons ensuite une table (page 187) qui permet d'es
timer la probabilit que l'hypothse soit juste. Suivant
la valeur de 2 et le nombre de degrs de libert nous
dterminons la justesse de l'hypothse.

24

Les degrs de libert se calculent ainsi :


ddl=c1 (nombre de valeurs moins une unit)
Illustrons avec les expriences ralise par le botaniste
Mendel. Il effectue des croisements entres des plants, ici
des hybrides. Il croise entre eux des pois fleurs roses. Sa
thorie lui indique qu'il doit obtenir 25% de pois fleurs
rouges, 25% de pois fleurs blanches et 50% de pois
fleurs roses. Ceci rsulte de la rencontre alatoire des ga
mtes. Imaginons qu'il observe sur mille fleurs les valeurs
suivantes : 27% de blanches, 24% de rouges et 49% de
roses. Doit-il continuer croire en son hypothse ?

Effectifs observs :

270

240

490

Effectifs esprs :

250

250

500

d'o
270 2502 240 2502 490 5002

2,2 et
250
250
500
ddl=31=2 .

2=

Donc, d'aprs la table, il y a plus de 30% de chance que


l'hypothse soit juste. Il n'y a alors aucune raison de la
rejeter. En gnral on prend une probabilit critique de
5%, en dessous de laquelle on envisage de rejeter
l'hypothse.
Le test se gnralise facilement pour un tableau.

25

Effectifs observs :

O 11 O 12
O 21 O 22
...
...
O i1 ...
...
...
O l 1 ...

... O 1 j
... ...
... ...
... O i j
... ...
... ...

... O 1c
... ...
... ...
... ...
... ...
... O l c

Effectifs esprs :

E 11 E 12
E 21 E 2 2
...
...
E i1 ...
...
...
E l1 ...

... E 1 j
... ...
... ...
... E i j
... ...
... ...

... E 1c
... ...
... ...
... ...
... ...
... E l c

Les ddl tiennent compte du nombre de colonnes c et de


lignes l : ddl =c1l 1
Le 2 se calcul avec le mme type de formule :

O Ei j
= i j
Ei j
i , j

De plus nous utilisons la mme table pour dterminer la


validit de l'hypothse.

26

I. Sources des incertitudes


Une variable alatoire a une incertitude d'autant plus
faible que la mesure est fidle, juste et que le systme
d'acquisition a une bonne rsolution.
La justesse est assure par l'absence d'erreurs systma
tiques. Il peut exister un biais qui rend la mesure inexacte
(mme si la dispersion est faible). Erreurs de lecture, ab
sence de contrle et de corrections de facteurs influents,
incertitude due la modlisation, etc. Tous les biais
doivent tre identifis et estims afin d'tre ajouts la
dispersion, le systme devient alors juste.
La fidlit provient de la rptabilit et de la reproductibi
lit des mesures. Les valeurs d'un systme fidle sont peu
disperses. La dispersion peut provenir d'erreurs acciden
telles ou d'un phnomne physique par essence alatoire
(comme par exemple la radioactivit). Les exprimenta
teurs par un travail propre, consciencieux et selon un pro
tocole bien dfini et rflchi, pourront minimiser la dis
persion. Les sources peuvent tre innombrables, nous es
saierons d'en identifier un maximum afin de les valuer.
La rsolution de l'instrument de mesure dpend de la taille
des graduations, du type du vernier ou du nombre de di
gits de l'affichage. A l'incertitude due la discrtisation
des mesures peuvent s'ajouter d'autres facteurs. Il faudra
se rfrer la notice ou contacter le fabricant pour
connatre au mieux la prcision de votre appareil. On peut
aussi effectuer un talonnage avec un instrument de haute
prcision qui sert de rfrence.
27

L'influence de ces diffrentes sources d'incertitude peut


tre illustre par une cible et des flches. Le centre de la
cible correspond la grandeur mesurer et les flches re
prsentent les diffrentes mesures. Si les flches, dans
leur ensemble, ne sont pas correctement centres, la jus
tesse n'est pas assure. Le resserrement des flches repr
sente la fidlit. La distance entre les cercles sur la cible
indique la rsolution. La valeur note est celle du cercle
dont la flche est le plus proche. L'exprimentateur voit
les flches et les cercles, par contre il ne sait pas o est la
cible et son centre. Il tient l'arc et son dsir d'tre au plus
proche du centre de la cible montre la qualit et la rigueur
de son travail.
Mesure juste, fidle et avec une bonne rsolution :

28

Mesure juste, mais peu fidle et avec une faible rsolution :

Mesure peu disperse mais avec un biais, et mal rsolue :

29

Mesure avec un biais, fortement disperse


et une faible rsolution :

L'cart-type complet sera dtermin partir des carts de


chaque source en ajoutant les carrs (dus aux compensa
tions explicites au chapitre 2) :

= 1 2 3 ...
2

30

J. Exercices
Exercice 1 : ges

corrig p142

Soient les ges des tudiants d'une classe {18; 20;


18; 19; 18; 18; 18; 17; 18; 19; 17; 19; 17; 21; 18}.
Dterminez le mode, la mdiane, la moyenne
arithmtique, la moyenne gomtrique, l'tendue,
l'cart-type, l'cart quadratique moyen et l'cart
moyen7.
Exercice 2 : Cartes

corrig p142

Soit un jeux de 32 cartes. Nous tirons au hasard cinq


cartes. Dterminez la probabilit d'avoir un carr
d'as, puis celle d'avoir une couleur.
Exercice 3 : Champ de pesanteur

corrig p142

Des tudiants mesurent l'intensit g du champ de


pesanteur terrestre au laboratoire. Les huit binmes
mesurent les valeurs suivantes en m/s : 6,20 ; 8,35 ;
13,00 ; 8,37 ; 8,54 ; 9,67 ; 9,75 ; 10,66.
a) Quel commentaire gnral feriez-vous en voyant
ces rsultats.
b) Calculez la moyenne et l'cart-type.
c) La dispersion des valeurs donne quelle incertitude sur la moyenne (confiance de 95%) ? Le
rsultat est-il cohrent avec la valeur attendue ?
d) Un neuvime binme fait une nouvelle mesure
dans les mmes conditions exprimentales. Estimez
la probabilit qu'ils obtiennent un rsultat entre 8 et
12 m/s.

cart moyen = x i x / n =

31

x x / n
2

Exercice 4 : Test d'un isolant

corrig p143

Un fabricant indique pour un panneau isolant en


cellulose une conductivit thermique de 0,039
W/m/K. La valeur est certifie 5% prs. Vous voulez
vrifier si c'est vrai, pour cela vous prenez dix
panneaux au hasard et vous mesurez leurs
conductivits respectives (mW.m-1.K-1) :
39,1 38,8 39,5 39,2 38,9 39,1 39,2 41,1 38,6 39,3
Les valeurs sont-elles conformes celles annonces
par le fabricant (il considre une confiance de 95%
sur la marge donne) ? Pourrait-il, selon vos
rsultats, annoncer une autre marge ?

Exercice 5 : Devoir

corrig p143

Pour un devoir les notes obtenues par des tudiants


sont les suivantes (notation sur 20) :
10

13

10

15

15

12

11

13

11

10

15

11

11

12

10

18

a) Dterminez la moyenne et l'cart-type.


b) Ralisez un diagramme avec les notes en
abscisse et les frquences en ordonne.
c) Faire un autre diagramme des frquences en
regroupant les donnes en classes : [0, 1, 2], [3, 4,
5] ... , [18, 19, 20]. On indiquera aussi les
frquences relatives. Comparez la lisibilit avec le
premier diagramme.

32

Exercice 6 : Yams

corrig p144

Le Yams se joue avec cinq ds quilibrs six faces.


1) On lance les cinq ds, quelle est la probabilit de
faire un Yams directement (mmes valeurs sur les
cinq ds).
2) Pour un lancer quelle est la probabilit d'avoir un
total infrieur dix ?
3) Nous effectuons une srie de lancers et nous
obtenons les totaux suivants : 18, 15, 17, 22, 16, 12,
14, 22, 23, 14, 23, 14, 18, 21, 12, 15, 18, 13, 15, 18,
17, 15, 17, 21, 25, 16, 8, 15, 15, 13.
a) Calculez la moyenne et l'cart-type.
b) Quelle est l'estimation de la moyenne avec
un intervalle de confiance de 95% ? Est-ce que
cela correspond la valeur thorique ?
c) Ralisez un graphe des valeurs avec leurs
frquences correspondantes.
d) Si nous effectuons un nouveau lancer, quelle
est, selon vous, la probabilit d'avoir un
rsultat suprieur 24 ?

Exercice 7 : Pices

corrig p145

Nous effectuons un grand nombre de lancers d'une


pice, nous cherchons dterminer si les
probabilits d'obtenir un pile ou un face sont gales.
Nous effectuons l'exprience avec trois pices
diffrentes, sont-elles quilibres ? (rponses avec
une confiance de 95%)
1) 42 piles et 58 faces.
2) 510 piles et 490 faces.
3) 420 piles et 580 faces.

33

Exercice 7 : Parit

corrig p145

La parit hommes-femmes est-elle respecte dans les


deux chambres et le conseil constitutionnel ?
Hommes

Femmes

Assemble nationale

470

107

Snat

272

76

10

Conseil constitutionnel

Exercice 9 : Naissances

corrig p145

Testons l'hypothse suivante : les naissances en


Sude se rpartissent uniformment tout au long de
l'anne. Supposons que nous avons un chantillon
alatoire de 88 naissances. Les rsultats sont
regroups selon des saisons de longueur variable : 27
naissances au printemps (avril-juin), 20 en t
(juillet/aot), 8 en automne (septembre/octobre) et
33 en hiver (novembre-mars).
Au seuil de 5% l'hypothse peut-elle tre rejete ?
Sur le mme exemple on collecte maintenant un trs
grand chantillon : 23385, 14978, 14106 et 35804.
Quelle est alors la conclusion ?

34

Thorie

Exercice 10 : Gaussiennes dans le plan et l'espace


corrig p146

Gaussienne une dimension :


Soit la loi de probabilit de Gauss centre et rduite
p x .
1- Calculez et comparez la moyenne de x et de x.
Laquelle correspond la distance moyenne au point
d'origine ? Que dire de x et de x ?
2- Calculez numriquement P x1 , P x2 et
P x3.
Gaussienne bidimensionnelle :
Soit la loi de probabilit qui gnralise une gaussienne
deux dimensions suivante : p x , y = p x p y avec
p x et p y des lois normales centres et rduites.
Aides :
Soit des intgrales multiples avec des bornes indpendantes des variables et des fonctions continues, les
variables sont alors sparables :

f x , y dxdy= f x f y dxdy= f x dx f y dy
Passage en coordonnes polaires :
2= x2 y2 et dxdy=2 d (symtrie par rotation)
1- Quelle est l'expression de p x , y ? Montrez que

35

p x , y vrifie les deux conditions ncessaires pour


une loi de probabilit.
2- En introduisant les coordonnes polaires vrifiez
que la probabilit sur tout le plan vaut bien l'unit.
Vous exprimerez p dfinie tel que :

p x , y dx dy= p

d .

p est la densit de probabilit par rapport .


p d correspond la probabilit d'un vnement
d'tre entre et +d .
Que valent la moyenne de la distance au point
d'origine et l'cart-type pour cette loi de
probabilit ?
3- Calculez P , P 2 et P 3 .

Gaussienne tridimensionnelle :
Soit la loi de probabilit qui gnralise une gaussienne
trois dimensions suivante :
p x , y , z= p x p y p z avec p x , p y et p z
des lois normales centres et rduites.

36

Aides :
Nous avons avec les intgrales triples les mmes
conditions de sparation des variables qu'avec les
intgrales doubles.
Passage en coordonnes sphriques :
r 2 =x 2 y 2z 2 et dx dy dz=4 r 2 dr
(symtrie sphrique)
1- Quelle est l'expression de p x , y , z ? Exprimez
p r dfinie tel que :
p x , y , zdx dy dz= p rdr .
p r est la densit de probabilit par rapport r.
p r dr correspond la probabilit d'un vnement
d'tre entre r et r+dr.

2- Avec cette nouvelle expression vrifiez que la


probabilit sur tout l'espace vaut bien l'unit.
3- Que valent la moyenne r et l'cart-type r pour cette
loi de probabilit ?
4- Calculez P R r , P R2 r et P R3 r .
5- Comparez les trois cas d'une gaussienne 1D, 2D ou
3D. Vous devez retrouver les rsultats du tableau qui
suit.

37

Gaussienne

1D

Distance
l'origine

Moyenne

2D

3D

cart-types

68,3%

1-1/e=63,2%

60,8%

P 2

95,4%

98,2%

99,3%

P 3

99,7%

99,988%

99,9994%

Pour vrifier vos calculs sur un tableur vous pouvez utiliser


les fonctions suivantes :
sur OpenOffice :

somme d'une zone slectionne * (ex.: B43:B53) :


=SOMME(*)

valeur fixe la cellule B3 : $B$3

=MOYENNE(*)

carr : *^2

racine carre : *^(1/2)

=ECARTYPE(*)

coefficient de Student pour une confiance de 95% et


n=20 : =LOI.STUDENT.INVERSE(0,05;19)

probabilit que l'hypothse soit vraie, tableau des


valeurs observes * (ex.: B71:E72), celui des valeurs
estimes ** : =TEST.KHIDEUX(*;**).

8 MATH : Nous pourrions nous tonner de la diffrence de l'expression en 1D


avec la valeur absolue, ce n'est qu'une question de dfinitions en coordonnes
cylindriques et sphriques. Par exemple, [0;+] et [0;2], mais nous
pourrions aussi prendre [-;+] et [0;], la moyenne de serait alors
nulle et nous aurions considr sa valeur absolue.

38

39

II. CORRLATIONS ET
INDPENDANCES
Au chapitre prcdent nous n'avions qu'une gran
deur alatoire X avec ses n ralisations {xi}. Maintenant
nous avons plusieurs grandeurs et un nouvel indice per
met de les distinguer : Xj et ses mesures {xjk}. Xj est la jme
grandeur et xjk est la kme observation de cette grandeur.
Nous allons nous intresser aux interactions entre diff
rentes grandeurs.
Pour illustrer, considrons un chantillon de quatre
individus qui possdent trois caractristiques, la taille X1,
le poids X2 et le mois de naissance X3. A priori, nous nous
attendons une corrlation entre la taille et le poids : plus
on est grand plus on a, en gnral, une masse importante
(corrlation positive). Par contre, nous pouvons penser
que le mois de naissance n'a aucune incidence sur le poids
et la taille (X3 non corrle avec X1 et X2).

A. Coefficient de corrlation
Le coefficient de corrlation r permet d'identifier
s'il y a une relation linaire entre deux variables Xi et Xj :

[ x i k xi x j k xj ]
r ij =

[ x

ik

[ x

xi 2]

40

jk

xj 2 ]

r varie entre -1 et +1. Si r=1 les variables sont


parfaitement corrles : r=1 mme sens de variation,
r=1 sens oppos. Si r =0 il n'y a pas la moindre
corrlation, les variables sont parfaitement indpendantes.
Calcul de r12 ,r13 et r23 :
x3 x3

X1
X2 X3
(cm) (kg)

x 1 x1

x 2 x2

160 64

-15

-11

-2

225

170 66

-5

-9

25

180 84

25

190 86

15

11

-3

225

x 175 75

x1 x1

500

et la suite des calculs :


2

x2 x2

x3 x3

x1 x1

x1 x1

x 2 x2

. x 2 x2

. x 3 x3

. x 3 x3

121

165

30

22

81

45

-10

-18

81

45

15

27

121

165

-45

-33

404

26

420

-10

-2

41

420
0,93 , r 130,09 et
500 404
r 230,02 .
r12 est proche de +1, nous avons donc une corrlation
positive importante. r13 et r23 sont proches de zro : X3 est
indpendante de X1 et X2 :
d'o : r 12=

Exemples de nuages de points entre deux variables :

42

Nous voyons sur les exemples 7, 9 et 10 une forte


corrlation entre les deux variables. Pourtant le coefficient
de corrlation n'est pas aussi proche de -1 ou +1 que nous
pourrions l'imaginer, il est mme nul sur l'exemple 9. Ceci
provient du fait que les corrlations ne sont pas linaires.

43

Il peut y avoir des phnomnes de saturation (exemple


10) ou de seuil (un produit peut tre bnfique faible
dose et nocif pour des doses plus importantes - exemple
9). Il est prfrable d'avoir identifi ces phnomnes en
amont. Pour cela il est important de bien rflchir la
pertinence des variables que l'on choisit avant de
commencer une tude statistique.
Autre exemple : si nous tudions le volume V de
diffrents objets en fonction de leur taille T, nous
trouvons une corrlation positive. Mais celle-ci sera bien
plus forte entre V et X=T 3 (graphes 7 et 8).
Le fait que deux variables soient corrles n'implique pas
ncessairement une relation de cause effet entre les deux
variables (la variation d'une variable entraine la variation
de l'autre). Les variations des deux variables peuvent tre
attribuables une cause commune extrieure.
Par exemple, on peut supposer qu'il y a corrlation entre
la consommation d'huile bronzer et celle de crmes
glaces. Il n'y a videmment aucuns liens de cause effet
entre les deux, mais une cause commune d'ordre
mtorologique.
Des raisons physiques permettent de montrer une
causalit, pas une tude statistique.

44

B. Formule de propagation des incertitudes


Soit un seau rempli d'un million de grains de
sable. La masse d'un grain est de 10 mg 1mg prs.
Qu'elle est la masse de sable contenue dans le seau ?

1) Formule de propagation des cart-types


Pour une approche gnrale du problme, soit une fonc
tion f qui dpend de p variables indpendantes :

f x1 , x2 , ... , x j ,... , x p
A chacune de ces variables alatoires est associe une va
leur moyenne xj et et un cart-type j .
Que valent f et f ?

La statistique donne la rponse et dmontre la formule de


propagation des cart-types :
2
f

=
j=1

f 2 2
j
xj

9 Nous obtenons la formule de la variance en remplaant 2 par V.

45

2) Calcul d'incertitude
Pour les incertitudes (dfinies page 12) nous avons aussi
une formule de propagation :

[ ]
2

f =

j =1

f
2
xj
xj

La formule de propagation des incertitudes n'est pas


exacte comme pour les cart-types, mais elle est trs
pratique et le plus souvent trs proche du rsultat exact.
Pour notre seau : M m1 , m2 ,... , m j ,... , m p
p

M = m j

avec

j =1

o nous appelons M la masse totale de sable dans le seau,


mj la masse de chaque grain et p le nombre de grains.
p

M 2 = M / m j m j 2
j=1

M / m j= m1 / m j... m j / m j ...m p / m j
M / m j=0...1...0=1
(les calculs de drives partielles sont expliqus page 140)

46

alors

M =

12 m 2

j=1

d'o M 2= p m 2 avec m= m j quelque soit j.


Finalement : M = p m= 10000000,001 g .
Le seau pse donc dix kilos un gramme prs. La
prcision sur la masse du seau est donc de 0,01%.
Navement, nous aurions pu penser que l'incertitude
globale sur la masse du seau tait la somme des
incertitudes de chaque grain, nous aurions alors une
incertitude absolue d'un kilo et une relative de 10%, ce
qui est trs diffrent de la ralit et ignorerait les
compensations.
Ici la formule de propagation est trs prcise car nous
avons un trs grand nombre de grains. Elle est mme
exacte, ds les petits nombres, si la distribution de la
masse des grains est gaussienne10.
10

: une combinaison linaire de grandeurs gaussiennes est ellemme gaussienne (s'applique ici une somme). Et dans la
formule de propagation des incertitudes, si f et les xi ont des lois
de probabilits de mme nature, la formule est tout aussi exacte
que la formule de propagation des cart-types.
MATH

47

En pratique, certains cas se rencontrent souvent :

Pour des

sommes

ou des

diffrences

les

incertitudes absolues au carr s'ajoutent :


p

f 2= x j 2
j=1

Par exemple si d=x2-x1 avec x2=x1=1cm alors


d 1,4 cm .

pour des produits ou des quotients les incertitudes


relatives au carr s'ajoutent :
2


p
xj
f
=
f
xj
j=1

Par exemple si R=U/I avec U et I 1% alors R est


connu 1,4%.
Dans les cas plus complexes, il faut raliser explicitement
le calcul aux drives partielles.
A l'aide d'un ordinateur il est aussi possible de faire un
calcul numrique. On peut gnrer des nombres alatoires
ou utiliser des paquets dcorrls globalement gaussiens.
Cette dernire mthode est illustre dans l'exercice 2 de ce
48

chapitre. Un tableur peut permettre de faire automatiquement les calculs (par exemple feuille 4 du tableur
IncertitudesLibres sur www.incertitudes.fr).
On peut aussi donner des mthodes qui donnent des ides
gnrales sur l'incertitude. Elles dveloppent une certaine
intuition mais il y a un risque de se tromper.
Par exemple comme les incertitudes s'ajoutent au carr,
on peut considrer que l'incertitude la plus grande va
l'emporter rapidement sur les autres. Dans l'exemple o
R=U/I si U est connu 1% et I 0,1% alors R est connu
1,005%1%, on peut ngliger l'incertitude sur I.
Pour des sommes ou des diffrences, on considre parfois
que le terme qui a le dernier chiffre significatif le moins
prcis indique la prcision du dernier chiffre significatif
du rsultat. Mais sur notre exemple de la masse du seau
rempli de grains de sable, a ne marche pas : la masse
d'un grain est m = 10 mg or la masse du seau M est
connue au gramme et non au milligramme !
Pour les produits ou des quotients, on considre parfois
que le facteur qui a le nombre de chiffres significatifs le
plus faible indique le nombre de chiffres significatifs du
49

rsultat, mais l aussi il faut tre trs attentif.


Une illustration trs simple, si H=2h avec h=5,00m (h
connu au cm), que vaut H ? D'aprs la rgle du dessus H
serait connu avec trois chiffres significatifs, donc
H=10,0m. H ne serait connu qu' 10cm prs, il va de soit
que l'on est plus vers le cm...
N'utilisez pas ces recettes si vous n'avez pas conscience
des piges possibles.

50

C. Rgression linaire
Si maintenant nous avons deux variables corrles
nous pourrions vouloir dterminer la relation la plus adap
te entre elles. Les variables alatoires seront nommes X
et Y et nous chercherons la droite qui passe au mieux par
le nuage de points y(x). Par exemple, quelle est la relation
la mieux adapte entre la taille X et le poids Y dans notre
exemple initial : y=axb ? Quelles sont les incerti
tudes a et b ?

1) Principe et formules

La mthode choisie est celle des moindres carrs :


la droite considre la meilleure est celle qui minimise la
somme des carrs des distances la droite, distances
prises selon y (carts).
L'ensemble des points se note M i x i , yi . Pour xi donn,

51

l'ordonne estime sur la droite s'crit y i=a x ib .


D'o la somme des distances au carr :

d 2 = y i y i 2
i

Les drives partielles de cette quantit selon a et b s'an


nulent pour la meilleure droite et nous obtenons les qua
tions suivantes : y ia x ib x i =0
et
i

y ia x ib=0
i

Nous obtenons ainsi les rsultats dsirs :

a=

x y x y
x 2 x 2

b= y a x .

et

On nomme ei le rsidu tel que y i= y i e i .


On trouve les diffrents cart-types suivants 11:

pour les rsidus

pour la pente

s r=
s a=

ei 2
n2
sr

x x
i

pour l'ordonne l'origine

11 Dmonstrations p90.

52

s b=s r

x i2
2
n x i x

Puis a=t n2 s a et

b =t n2 s b .

tn-2 : coefficients de Student pour n-2 degrs de libert.


Vous tes ainsi mme de mener tous les calculs.
Effectuons les calculs pour le poids en fonction de la
taille:
x y=160x64170x66180x84190x86/4
x2 =160 217021802190 2/4
a=13230175x75/30750175 2=0,84 et
b=750,84x175=72
sr = [640, 84x16072 4,8 4,8 1,6 ]/ 25,06
2

s a5,06/ 1601752525 21520,226


a2, 92x0 ,2260,66 avec une confiance de 90%
sb 5,06 160 170 180 190 /[ 415 5 25225]39,7
2

b2, 92x39 ,7116 90%

d'o :

Poids=0,840,66Taille72116 90%.

Formule ici trs imprcise, ce qui n'est pas tonnant vu le


peu de points et la dispersion des donnes. Mais la m
thode de calcul est maintenant explicite et comprhen
sible.
Sur le graphique qui suit nous avons :

au milieu la droite interpole (le meilleur quilibre


entre les points du dessus et ceux du dessous de
cette droite).
53

En pointills sont reprsents les deux droites ex


trmes ( y=a min x b max et y=a max xb min ).

La premire enveloppe correspond aux valeurs es


times de y. Intervalle de confiance de la moyenne
de yo pour une valeur xo :
y o=t n2 s r

x o x 2
1

n x i x 2

Par exemple pour xo=175 cm nous avons


yo=75,07,4 kg. On peut mme avoir une estima
tion en dehors de l'intervalle par exemple pour
xo=195 cm nous avons yo=9215 kg.
54

La deuxime enveloppe correspond une prdic


tion si nous effectuions une nouvelle mesure. In
tervalle de prdiction pour une observation yo :
y o=t n2 s r

x o x 2
1

1
n xi x 2

Par exemple, il y a 90% de chance pour une per


sonne de 175 cm que sa masse soit entre 58 et 92
kg (en moyenne 90% des points sont dans cette se
conde enveloppe et 10% en dehors).

2) Dtermination du zro absolu


Nous tudions un
gaz enferm dans un rci
pient rigide de volume
constant. Nous avons des
sondes pour mesurer sa
temprature et sa pres
sion. Initialement le gaz
est temprature et pres
sion ambiante, ensuite
nous immergeons l'en
semble dans de l'eau
chaude et nous laissons
voluer en prenant des
mesures la vole1 :
1 Cette exprience a rellement t ralise le mardi 17
octobre 2006 Bourges par M. ROUAUD et O. LEROY au
Lyce Alain-Fournier.

55

heure

10h
15

10h
30
52,9

10h
40
47,8

10h
55
42,4

non non 12h


note note

temprature
(C)

19,8

36,2

33,5

30,2

pression
P (hPa)

1013 1130 1112 1093 1072 1061 1049

Nous supposons que le gaz obit l'quation d'tat


du gaz parfait P V =n RT =n R 0 K . En traant
(P) nous pouvons obtenir la temprature du zro
absolu : l'ordonne l'origine donne 0K.

Nous voyons que la rgression est bonne


(r=0,99991) mais les points mesurs sont loigns du zro
absolu. Par prolongement nous obtenons avec une
confiance de 95% : 0 K =266,04,8 C .

56

Or, nous savons que le zro absolu est -273,15 C, ce


qui n'est pas trs cohrent. Nous pouvons donc supposer
qu'il y a un biais et que nous n'avons pas considr toutes
les sources d'incertitudes.

3) Rgression avec barres d'erreurs


Les instruments de mesure ne sont pas parfaits et
les notices indiquent leurs prcisions. La prcision du
manomtre est un pour cent prs et celle du
thermomtre au degr. Nous avons donc une incertitude
sur x et y :
M i x i x i , y i yi

Nous allons ajouter ce qu'on appelle des barres


d'erreurs, nous n'avons plus des points mais des
rectangles. Plus un point est prcis, plus il joue un rle
important. La mthode des moindres carrs est modifie,
et la somme des carrs est pondre par ce "poids" :

w i e i2
i

avec

w i=

1
y i a x i 2
2

C'est une mthode itrative, nous mettons


initialement une valeur de a estime, puis la valeur de a
obtenue la remplace jusqu' l'galit des valeurs.
57

Nous obtenons alors : 0 K =26635 C avec


la mme confiance que les incertitudes sur xi et yi. La
valeur est, cette fois, satisfaisante. Les sources principales
d'incertitudes semblent retenues.
Nous pourrions aussi considrer l'incertitude de
modlisation induite par l'hypothse de gaz parfait, mais,
dans les conditions exprimentales de cette exprience,
l'hypothse est excellente. Cette source d'incertitude est
ngligeable devant les autres considres ici. L'utilisation
d'un modle de gaz rel (Van der Waals par exemple)
permettrait de le dmontrer.
58

Formules [i] :

S 2 = wi [ y i a x i b]2
i

S 2
S 2
=0
=0 et
b
a
conduit :
b =

wi y i w i xi2

wi x i

w i xi y i

et
a =

wi wi x i y i

wi x i w i y i

avec
=

wi wi x2i

wi x i

puis

b =

wi x2i

et
a =

59

wi

4) Linarisation
Dans de nombreux cas nous pouvons nous ramener un
modle linaire (ici au sens y=a xb ). Nous donnons
quelques exemples ci-dessous :
y= x

y ' =a x ' b avec


y ' =ln y
x ' =ln x et
b et
=a
=e
= a
= b

x , y ,0

y= e x

x ,0

y ' =ln y

y=

1
x

y'=

y=

e x
(loi logis x
tique)
1e

y ' =ln

y=1

y=1e

(loi de
Pareto)

y=e x
y=

x
x

y= x x 2

1
y
y

1 y

y ' = x

y ' =ln 1 y

x ' =ln x

=a

=e

(loi de Weibull)

x ' =x

y ' =ln ln

b
a

1 y

x ' =ln x

=a

non linarisable
non linarisable
non linarisable selon y(x)

60

=e

b
a

5) Comparaison des mthodes


Dans toutes les mthodes de rgression que nous consid
rons nous nous intressons la variabilit de y x fix (la
dmarche inverse donnerait des rsultats quivalents).
Pour un xi donn nous avons un yi et son cart-type yi.

a) Rsum
1- Rgression simple

y1=8,3 y1=17,3 y1=18,3 y1=27,3 y1=28,3 y1=37,3 y1=38,3


Cas 1 : a=5 b=5 sr=2,34 sa=0,443 et sb=1,98

La rgression simple ne correspond pas des incertitudes


sur les donnes nulles. Elles sont inconnues et nous les es
timons partir des donnes elles-mmes. Les incertitudes
sont considres constantes quelque soit yi. L'incertitude
61

correspond l'cart-type des yi par rapport la droite esti


me :
s y =s y =sr =
i

sa=

sr

x x

yi yi 2
i

n2

sb =

x2
sr
xi x2

2- Rgression avec carts-types constants selon y

Cas 2 : a=5

b=5

sy=2,55

sa=0,482

sb=2,16

Dans ce cas les syi sont gaux et connus : s y =s y et


i

sa=

sy

x x

sb =

62

x2
sy
xi x 2

Si la droite ne passe pas par les barres d'erreurs, on peut


penser que toutes les sources d'incertitudes n'ont pas t
retenues. Il faut, soit les intgrer dans sy, soit appliquer la
mthode prcdente.
3- Rgression avec cart-types selon y

sy1=4 sy2=3,5 sy3=3


Cas 3 : a=4,67

sy4=2,5 sy5=2 sy6=1,5 sy7=1


b=6,51

sa=0,482

sb=2,16

Les syi sont connus. Nous pouvons appliquer la formule de


propagation des cart-types :
2

s a 2=
i

a
s 2
yi y
i

et

s b2 =
i

b
s 2
yi y
i

Les formules sont exactes et permettent de retrouver les


expressions des cas prcdents. Dans le cas plus com
63

plexe d'cart-types variables selon yi nous avons les esti


mations suivantes :
a=

1
w i x x2

b=

x2
x x 2
2

w i=

1
y2
i

4- Rgression avec cart-types selon y et x

sy1=4 sy2=3,5 sy3=3

sy4=2,5 sy5=2 sy6=1,5 sy7=1

sx1=0,1 sx2=0,2 sx3=0,3 sx4=0,4 sx5=0,5 sx6=0,6 sx7=0,7


s1=4,0 s2=3,6 s3=3,4 s4=3,2 s5=3,2 s6=3,4 s7=3,6
Cas 4 : a=4,98

b=5,14

sa=0,695

sb=3,16

Comme xi est fix nous reportons la dispersion de xi


sur yi :

s y Total 2 =si 2=s y 2a 2 s x 2


i

nouveau tout se passe comme si seuls les yi avaient des


64

cart-types si. D'o les formules :


2

s a =
2

a
s i2
yi

s b =
2

et

b
s i2
yi

Les drives sont complexes calculer (les poids d


pendent de a), nous pouvons par contre les valuer num
riquement. Aussi nous utilisons habituellement les estima
tions suivantes :
a =

wi

b =

wi x2i

w i=

1
y a 2 x 2
2

b) Discussion

Cas 5 : a=5

b=5

sa=0,696

sb=3,16

Les incertitudes de ce cas peuvent avoir pour origine les


instruments de mesure. La dispersion des valeurs du pre
65

mier cas p61 peuvent provenir d'erreurs accidentelles lies


l'exprience ou d'un phnomne par essence alatoire.
Nous aimerions que le quatrime cas p64 intgre l'en
semble les sources d'incertitudes des cas 1 et 5 :
s a 0,443 et s a 0,696
1

s a 0,695

donne

Nous avons utilis les formules classiques. Nous avons


l'impression que la dispersion autour de la droite de r
gression n'est pas incluse. Nous allons effectuer le calcul
direct avec la formule de propagation et je propose la m
thode des petites variations :
sa =
2

a
si 2 et
yi

a
a
= lim
y j y 0 y j
j

En gardant tous les yi j constants : y j y j a a


yj est une petite variation par rapport yj , si yj devient
a

chaque fois plus petit, y reste constant (dfinition de


j
la drive).
Essayions de retrouver le rsultat pour sa 5 : remplaons
y1=10 par y1=10,001 alors de a=5 nous avons aprs itra
a

tions a=4,999907 d'o y 0,093 .


1
Nous remettons y1 10 et rptons le procd pour y2 en
le remplaant par 15,001. D'o les rsultats suivants :

66

j=1
a
yj

-0,093

j=2

j=3

j=4

j=5

j=6

j=7

-0,078 -0,049 -0,006 0,041

0,080

0,105

Nous trouvons alors s a 0,696 , le mme rsultat que


l'autre mthode.
5

Procdons de mme pour sa 4 :


j=1
a
yj

-0,096

j=2

j=3

j=4

j=5

j=6

j=7

-0,080 -0,050 -0,007 0,081

0,122

0,147

Nous trouvons alors s a 0,786 , rsultat significative


ment diffrent de l'estimation classique qui semble main
tenant intgrer l'ensemble des sources d'incertitudes.
4

Dans l'exercice cart-types proportionnel y p91 nous


tudions un cas particulier o nous effectuons le calcul
analytique direct. La comparaison peut ainsi tre largie.

67

D. Rgression gnralise
Nous gnralisons la mthode des moindres carrs
pondrs pour une fonction et une dpendance des
paramtres non linaires. Bien que la rgression multiple
ait des dveloppements analogues elle n'est pas traite
dans cet ouvrage [x].

1) Principe

Nous comparons y i la valeur f ( xi ) donne par la


fonction cherche : y i f ( x i) . Le poids attribu
( y if ( x i))2 est inversement proportionnel la variance
du terme y if ( x i) .
Les grandeurs x i et y i sont indpendantes12 d'o :
12 Parler d'indpendance entre deux variables alors que nous
recherchons une relation fonctionnelle entre les deux peut sembler
illogique. Nous faisons ici rfrence la dtermination

68

V y i f x i =V y i V f x i

En appliquant nouveau la formule de propagation de la


variance :
V f x i = f ' x i 2 V x i

d'o : S 2= w i y i f x i2
i

avec w i=

1
y f ' x i 2 x 2
i

Ensuite

13

S2
=0 permet de dterminer les paramtres ak
ak

de notre fonction (par un calcul analytique ou une


rsolution numrique).
chaque fois nous pouvons nous ramener un systme
d'quations linaires de la forme HA=B, avec H une
matrice carre et A le vecteur associ aux paramtres.
Ensuite A=H-1B, o H-1 est la matrice inverse de H.
Les incertitudes sur les paramtres sont donnes par les
termes diagonaux de la matrice H-1 :
a 2 =H 1 kk r 2 o r 2 correspond la variance des
rsidus par rapport la courbe estime.
Quand il n'y a pas d'incertitudes sur les donnes
explicites, l'cart-type des rsidus p paramtres s'crit :
k

exprimentale de chaque grandeur qui est indpendante au sens


des incertitudes de l'autre (discut dans le complment p119).
13 S2 est aussi appel 2. Si nous supposons les lois de probabilits
normales, les cart-types peuvent tre remplacs par les
incertitudes en utilisant la loi de Student.

69

sr =

yi f xi 2
n p

Quand wi dpend de paramtres nous itrons la mthode


jusqu' ce que nous puissions considrer les poids
constants. Si nous connaissons les cart-types des
donnes, les cart-types des paramtres peuvent se
calculer avec la formule de propagation, ou bien tre
estims comme en rgression linaire avec barres
d'erreurs p59.

2) Rgression polynomiale
Dans ce cas :
m

f x =a 0a1 xa 2 x 2...a m x m= a i x i
i=0

Cette fonction est non-linaire par rapport x et linaire


par rapport aux paramtres.
Illustrons avec l'exemple de la loi de Cauchy due au
phnomne de dispersion de la lumire :
n =a0

a1

a2
4

avec les donnes suivantes :


(m)

0,6157

0,5892

0,5685

0,5152

0,4981

1,71276

1,71578

1,71852

1,72716

1,73060

70

Les incertitudes sur et n sont dans un premier temps


ngliges. Que valent a0, a1, a2 et leurs incertitudes ?
Nous avons une rgression parabolique sous la forme :
2

f (x)=a0 +a1 x+ a2 x

avec

f =n ,

S 2= y i a0 a 1 x i a 2 x i22 et

donne :

x2
x3
x4

x
x2
x3

S 2 / a k =0
2

ya oa 1 x a 2 x =0
x y ao xa1 x2 a 2 x 3=0
x 2 yao x 2a 1 x 3a 2 x 4 =0

d'o HA=B avec :


1
H = x
x2

2
x=1 / .

a0
A= a 1
a2

et

y
B= x y .
2
x y

Avec un tableur nous pouvons facilement faire les


calculs :

1 3,3 11
H 3,3 11 38
11 38 135

1,7
B 5,7
19

4150

1
, H 2530

376

2530 376
1546 230
230 34,3


1,68129

1
d'o A=H B 0,01135 .

0,00022

Pour les incertitudes :


a k = H kk t n3 sr avec sr =
1

71

yi f xi 2
n3

sr=1,87.10-5 et 95% de confiance tn-3=4,30


D'o :
a0=1,68130,0017 , a1=(1,130,10).10-2 m2
et a2=(2,21,5).10-4 m4

Prenons maintenant l'incertitude n=0,00004 95% de


confiance, nous avons une incertitude sur y et pas sur x.
Les poids sont donc constants : w i =w=1/ n 2 . Nous
parvenons au mme systme d'quations, et de mme
pour H, H-1 B et A.
Ici, en procdant de manire analogue la rgression
linaire avec barres d'erreurs nous pouvons en premire
approche estimer la dispersion des rsidus par 1/ w i :
ak =

H 1 kk

wi

, d'o :

a0=1,68130,0012 , a1=(1,140,07).10-2 m2
et a2=(2,21,0).10-4 m4

Avec l'ensemble des incertitudes, n=0,00004,


=0,005m et x=2/3, les poids dpendent du point.
Nous parvenons nanmoins au mme systme d'quations
en considrant les poids constants sur une itration, et
nous calculons H, H-1 B et A avec des paramtres estims.
Pour calculer les moyennes nous utilisons l'expression du
poids suivante :
1
w i=
2
n a12 a 2 xi 2 x i2
72

Nous obtenons ainsi une premire expression des


paramtres. Pour itrer nous remplaons les paramtres
estims par ces nouveaux paramtres. Nous itrons autant
que ncessaire. La convergence est souvent trs rapide :
Itration

a0

Estims 1,5

a1

a2

0,005

0,0001

1,681282848208

0,011350379724

0,000219632215

1,681269875466

0,011358254795

0,000218466771

...

Ici aussi nous prenons : a k =

H 1 kk
, d'o :
wi

a0=1,68130,0013 , a1=(1,140,08).10-2 m2
et a2=(2,21,2).10-4 m4

3) Rgression non linaire


Nous allons partir de p paramtres ak estims et utiliser
une mthode d'itration. Sur chaque itration les poids se
ront considrs constants et la fonction sera linarise
pour chacun des n points sur l'ensemble des paramtres.
La fonction dpend des xi et des paramtres ak, nous
posons : f i= f x i ; a k

73

S 2 = wi y i f i 2

et

S2
f
=2 w i
y f i =0
ak
ak i
i=1

Les premiers paramtres estims sont nots a0 k. ensuite


nous les noterons aj k pour la jime itration. Nous allons
effectuer un dveloppement limit d'ordre un pour une
petite variation a0 k autour de a0 k 14.
a= a 1, ... , a k ,... , a p :
Notons a =a1, ... ,a k ,... , a p et
p

f xi ;
a0
a0 = f x i ;
a0 a 0 l
l =1

f x i ; a
al

a0l

soit en allgeant les notations :


f i= f 0, i
l

wi af

ainsi
et

wi af
i


f
a l

yi f 0, i
l

a0l

0,i

y i f 0, i = w i
i ,l

f
al

0,i

a 0l =0

f f
a
a k al 0 l .

f
Nous posons H k ,l = w i a
i
k
B k = wi
i

f
=H l , k ,
al i

f
y f 0,i et Al = a 0l .
ak i

d'o nouveau HA=B et A=H-1B. Nous itrons jusqu'


convergence et variations sur les paramtres ngligeables.
14

MATH : nous gnralisons la notion de drive en ajoutant les


variations selon tous les paramtres :
f x0 f x 0 f ' xx
0

74

2
1
2
Ici aussi nous utilisons : a =H kk r .
k

Illustrons avec une exprience de biologie, o l'on tudie


la relation entre la concentration du substrat [S] et la
vitesse de raction dans une raction enzymatique partir
de donnes reportes dans le tableau suivant [ix] :
i

[S] 0,038 0,194 0,425 0,626 1,253 2,500 3,740


v 0,050 0,127 0,094 0,2122 0,2729 0,2665 0,3317
Nous souhaitons ajuster sous la forme :
y=

x
en posant v=y et [S]=x.
x

Nous partons des estimations 0=0,9 et 0=0,2.


f
x
=
,
x

f
x
H 11 H 12
=
2 , H=

x
H 21 H 22

A=

B=

et

B1
.
B2

En absence d'incertitudes fournies sur xi et yi :


7

H 11=
i=1

0 i

0 i

=
i

75

0 ,i

=
i


xi
0 xi

H 12=H 21=
i

B1 =
i

0 x 2i
3

0 x i

et H 22=
i

20 x 2i
0 x i

0 xi
xi
y i f 0,i et B 2=
2 y i f 0, i
0 x i
i 0 x i

avec f 0,i =

0 x i
0 x i

Nous pouvons maintenant tout mettre dans un tableur,


nous obtenons :
H 113,81 , H 12=H 212,89 , H 223,70 ,
B1 2,33 et B 21,86 .

puis
1

0,649 0,508
0,508 0,668

1
0,567
d'o A=H B
.

0,0602

Ainsi de 1=0 +0 et 1=0 +0 nous avons les


nouveaux paramtres estims :
1 0,90,5670,333 et

1 0,20,060,260

Nous replaons ces valeurs au dbut des calculs la place


de 0 et 0 pour itrer. Nous calculons de nouvelles
matrices et vecteurs H, H-1, B et A, et nous obtenons 2 et
2.
76

Nous donnons l'ensemble des rsultats dans le tableau


suivant :
Itrat

S2

0,9

0,2

-0,57

0,060

1,4454965815

0,333

0,26

0,0101

0,166

0,0150720753

0,343

0,43

0,0150

0,103

0,0084583228

0,358

0,53

0,0040

0,024

0,0078643240

0,3614

0,554

0,0004

0,0024

0,0078441826

0,36180 0,5561 0,00003

0,00018

0,0078440067

0,36183 0,5563 0,000002 0,000013 0,0078440057

1
1,52 6,34
Aprs suffisamment d'itrations : H 6,34 36,2

Calculons les incertitudes sur les paramtres :


sr =

0,00784
S2
1
et = H 11 t n 2 s r 1,52.1 ,48 .
5
n2

d'o 0,07 , 0,35 .


Finalement : =0,360,07 et =0,560,35 80%.
77

Le graphique qui suit reprsente la vitesse de raction en fonction de


la concentration du substrat. Les carrs sont les points
exprimentaux, la ligne continue la courbe optimale et en pointills
les deux courbes extrmes f , et f , .
max

min

min

max

0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0

0,5

1,5

2,5

3,5

Si nous voulons considrer les incertitudes pour chaque


point nous devons ajouter les poids. Ceux-ci sont
considrs constants sur chaque itration. Il faudra
calculer la drive de f par rapport x qui intervient dans
l'expression du poids.
Pour des cart-types sur l'ensemble des donnes nous
pouvons calculer les cart-types des paramtres en
s'inspirant des mthodes de la rgression linaire p61.

78

E. Exercices
Exercice 1 : Corrlations

corrig p148

1- On ralise neuf expriences, nous obtenons


chaque fois trois ralisations des grandeurs X 1, X2 et
X3 :

X1
X2

i=

1
x11 = -1
x21 = 1

X3

x31 = -1

2
-1
0
0

3
-1
-1
1

4
0
1
-1

5
0
0
0

6
0
-1
1

7
1
1
-1

8
1
0
0

9
1
-1
1

a) Sur l'ensemble des expriences dterminez les


moyennes arithmtiques et les cart-types de ces trois
grandeurs.
b) Tracez X2 en fonction de X1. Puis X3(X1) et X3(X2).
c) Calculez les coefficients de corrlation r12, r13 et r23.
Commentez.
2- Mme chose avec les donnes suivantes :
X1
X2

0
1

1
2

-1
-1

2
2

0
0

-1
-2

0
-1

-2
-2

1
1

3- Mme chose avec les donnes suivantes :


X1
X2

-1
-1

2
0

-2
2

0
-2

79

-2
0

2
2

1
-1

Exercice 2 : Volumes

corrig p149

l'aide d'une pipette jauge nous remplissons quatre


bchers avec 100 mL d'eau chacun. Pour tester la
pipette et connatre prcisment la quantit d'eau,
nous effectuons quatre peses au dcigramme et nous
obtenons, ramen en mL, les rsultats suivants pour
les diffrents bchers :
V1={100,1 ; 100,0 ; 99,9 ; 100,0}
1- Calculez la moyenne et l'cart-type de V 1. Estimez la
prcision de la pipette avec une confiance de 95%.
Nous remplissons maintenant deux bchers et
rassemblons le contenu des deux dans un seul :
V = V1 + V2.
Correspondant V1, nous avons les mesures suivantes
pour V2 :
V2={100,0 ; 100,1 ; 100,0 ; 99,9}
Par exemple pour la troisime mesure nous avons
V1=99,9 mL et V2=100,0 mL.
2- Montrez que V1 et V2 sont des grandeurs
indpendantes.
3- Calculez la moyenne de V, son cart-type et
l'incertitude V 95%.
4- Pourriez-vous retrouver ce rsultat avec la formule
de propagation des incertitudes?
(Pour affiner le test il faudrait prendre plus de mesures,
mais le principe reste le mme, et les rsultats restent
valides car nous avons largi avec le Student, considr des
donnes dcorrles et des paquets globalement gaussiens.
Nous devrions aussi tenir compte des incertitudes sur les
mesures -rsolution- en plus de leur dispersion.)

80

Exercice 3 : Arbres

corrig p150

Nous voulons mesurer la distance d entre deux arbres.


Pour cela nous disposons d'un bton d'une longueur
d'un mtre. D'un arbre l'autre nous reportons le
bton cent fois. Nous estimons pour chaque report une
incertitude de 1 cm.
Quelle est l'incertitude sur la valeur de d ?

Exercice 4 : Mthode de Bessel

corrig p151

C'est une mthode de focomtrie qui permet de


mesurer la distance focale f' d'une lentille
convergente. Pour cela on mesure la distance D entre
un objet lumineux et son image sur un cran. Quand
D>4f' il existe deux positions o l'image est nette. La
distance entre ces deux positions est note d. Nous
avons ensuite la distance focale de la lentille par la
relation f'=(D-d)/4D. Nous mesurons D=200010
mm et d=53620 mm.
Quelle est alors l'incertitude sur f' ?

Exercice 5 : Indice

corrig p153

Nous voulons dterminer exprimentalement l'indice


n2 d'un verre. Pour cela nous effectuons l'exprience
de la rfraction d'un faisceau laser. Les lois de
Descartes pour l'optique gomtrique indique que
n1.sin(i1)=n2.sin(i2), avec ni les indices lumineux et ii les
angles par rapport la normale au dioptre. Nous
avons n1=nair=1, i1=301 et i2=202.
Dterminez n2 avec son incertitude.

81

Exercice 6 : Formule de Cauchy

corrig p154

Nous voulons mesurer la variation d'indice


lumineux n en fonction de la longueur d'onde dans
un milieu transparent (phnomne de dispersion).
Pour cela nous utilisons un prisme, une lampe
sodium et un goniomtre. D'aprs la thorie la
variation de n() doit suivre la formule de Cauchy dans
le spectre visible :

n =A

B
2

Le spectre de raie du sodium est connu. Pour chaque


raie de longueur d'onde i on calcule l'indice ni
correspondant en utilisant la formule du prisme
suivante :

sin
ni=

AD m ,i
2
A
sin
2

Dm est la dviation minimale. A=60 est l'angle au


sommet du prisme. Ces deux angles sont mesurs 2'
prs (1'=une minute d'arc et 1=60').
Nous obtenons ainsi le tableau de donnes suivant :
(nm)

615,7

589,2

568,5

515,2

498,1

Couleur

rouge

jaune

vert-jaune

vert

bleu-vert

Dm

57 49,5'

58 9'

58 28'

59 26,5'

59 50'

1,71276

1,71568

1,71852

1,72716

1,73060

1- Dterminez l'incertitude sur n (celle-ci


globalement constante d'une valeur l'autre).

82

est

2- Acceptant l'expression en 1/ de la formule de


Cauchy, en dduire A et B avec leurs incertitudes.
Que vaut le coefficient de rgression r ?
3- Peut-tre qu'en traant n en fonction de 1/ ou 1/3
nous aurions un meilleur alignement des points ?
Nous voulons vrifier exprimentalement que la
variation en 1/ est bien la meilleure des relations
polynomiales. Pour cela nous prenons la forme :

n =AB .

Proposez une mthode pour dterminer A, B et .


Nous pourrons vrifier le modle car nous aurons
avec son incertitude.
Exercice 7 : Mur

corrig p156

Nous avons un mur d'une surface S=72 m. La


temprature extrieure est de 6C et la temprature
intrieure est maintenue 18C. Ce mur de 50 cm
d'paisseur est constitu de ep=40 cm de paille
compresse (conductivit thermique p=45 mW/K/m)
et de ee=10 cm d'enduit (e=200 mW/K/m). Les sont
donnes 10% prs, les paisseurs au cm et les
temprature au demi degr.
1- Dterminez la rsistance thermique, avec son
incertitude,de la paille pour ce mur (R..S=e)
2- Mme chose pour l'enduit.
3- Sachant que les rsistances thermiques s'associent
comme les rsistances lectriques en srie,
dterminez la rsistance thermique totale du mur avec
son incertitude.
4- Quelle doit tre la puissance minimale du chauffage
de la maison rien que pour compenser les pertes par
les murs ? (T=R.)

83

Exercice 8 : Isolation et inertie

corrig p157

Nous
avons
une
maison
proche
des
prconisations pour une maison nergie zro. Les
rsistances thermiques ramenes au m, soit e/, sont
pour le toit de 8 m.K/W pour les murs et le sol de 4
m.K/W et pour les huisseries de 1 m.K/W (les
rsistances sont connues avec une prcision de 10%).
La maison a une surface au sol de 36 m, 54 m de toit,
82 m de mur et 8 m d'huisseries.
1- Les rsistances quivalentes du toit, du mur, du sol
et des huisseries tant en parallle, dterminez la
rsistance thermique totale (en K/W) avec sa
prcision.
Les tempratures extrieures et intrieures sont
constantes.
2- Quelle doit tre la puissance minimale du chauffage
de la maison pour maintenir la temprature intrieure
constante en compensant les pertes ?
3- Nous coupons le chauffage et nous mesurons la
temprature au cours du temps :

t en heures
T en C

10

18

16

14

12

11

10

Expliquez pourquoi la dcroissance ne peut tre


linaire. Nous considrons la dcroissance de type
exponentielle : T(t)=a.exp(-t/)+b . Dterminez b, a et
, avec leurs incertitudes.
4- La maison est isole par l'extrieur. Le flux
thermique perdu correspond une diminution de
l'nergie emmagasine dans la maison. Cette inertie
est due la capacit thermique C des matriaux (J/K).
a) En raisonnant sur un intervalle de temps
infinitsimal dt trouvez l'quation diffrentielle

84

vrifie par T(t) et retrouvez l'expression du 3.


b) Quelle est la relation entre , R et C ? Dterminez C
et son incertitude.
Au 3. nous pouvons aussi tenir compte des incertitudes de
mesure : le temps peut-tre considr comme parfaitement
connu et la temprature est mesur avec un thermomtre
dilatation d'un liquide avec des graduations tous les degrs
Celsius.
Pour simplifier nous avons considr que la temprature
extrieure reste constante (pour tenir compte des variations
jour/nuit nous envisagerions des variations sinusodales et
une approche harmonique).

Exercice 9 : Rendement

corrig p160

Des quantits d'engrais dtermines sont


rpandues sur des champs et nous obtenons les
rendements suivants :
Engrais
(kg/ha)
Rendement
(Q/ha)

100

200

300

400

500

600

700

41

44

53

63

66

65

78

1- Dterminez la droite de rgression qui passe par ce


nuage de points. Pente, ordonne l'origine et
incertitudes avec une confiance de 95%.
2- Pour 550 kg d'engrais par ha estimez le rendement.
3- Mme chose en absence d'engrais.
4- Si un agriculteur rpand 250 kg d'engrais par
hectare, quelle est la probabilit qu'il obtienne 40 60
quintaux de crales ?

85

Exercice 10 : tude d'une pile

corrig p162

Nous cherchons dterminer la tension vide


E et la rsistance interne r.
Pour cela nous mesurons pour la pile diffrentes
valeurs de U et I avec un voltmtre et un ampremtre
(U = E - r.I) :
calibre
pour U :
U (V)
calibres
pour I :
I

unit : V
prcision 0,05% 0,003
4,
731

4,
731

4,
730

4,
728

4,
724

unit : A
prcision
0,2% 0,03
92,
83

115,
45

152,
65

4,
724

4,
722

4,
721

4,
719

4,
716

unit : mA
prcision 0,2% 0,0003
0,
0,
0,
0,
0,
0,
0,
2352 4686 5200 5841 6661 7750 9264

1- Sans les barres d'erreurs : dterminez EE et


rr.
2- Mme chose en incluant cette fois les incertitudes
de chaque mesure indiques dans la notice du
fabricant du multimtre.

Exercice 11 : Focomtrie

corrig p164

Nous dsirons dterminer la distance focale f'


d'une lentille convergente. La lentille est en O et fait
l'image net en A' d'un point objet A. Nous mesurons
OA, OA' et leurs incertitudes (sont incluses toute les
sources d'incertitudes, gomtriques, latitude de mise
au point et modlisation). Nous considrons que la
lentille vrifie la relation de conjugaison :
1/OA' + 1/OA = 1/f'.
Dterminez f' par l'intermdiaire d'une rgression
linaire. Tableau page suivante.

86

Donnes exprimentales (mm) :


OA
OA'
OA
OA'
635
530
496
440
350
280
210
150

5
5
5
5
5
5
5
5

150
160
164
172
191
214
292
730

15
17
15
18
20
25
28
102

Thorie
Exercice 12 :
Pour la rgression simple, montrez que :
n

xix 2=n x2 x 2
i=1

Exercice 13 :
Pour la rgression simple, montrez que nous pouvons
aussi crire sb =s r

1
x
.

n x i x 2

Exercice 14 :
Pour la rgression simple, montrez que : b= x 2 a .

87

Exercice 15 : Asymptotes

corrig p167

Pour la rgression simple, montrez que au dessus et


en dessous de la droite de rgression les asymptotes
des droites extrmes, des courbes de confiance et de
prdiction se confondent quand xo devient grand.
Exercice 16 : Intervalle de confiance et de
prdiction pour la rgression linaire avec barres
d'erreurs
corrig p167
Rgression avec barres d'erreurs
1- Donnez les expressions de x et x en utilisant les
poids wi. Quel lien constatez-vous avec l'expression de
(p59) ?
Analogie
2- partir des intervalles de confiance et de
prdiction pour yo en rgression simple (p54 et
suivante) dterminez par analogie les formules qui
suivent :
estimation :
y o=

prdiction :

n w

xo x
2

x x

y o=

n w

1n

x o x
2

x x

3- Dterminez les carts selon y la droite de


rgression pour les droites extrmes, les courbes de
confiance et les courbes de prdiction quand xo
devient grand.
Dans un exercice prcdent nous avons montr que
pour la rgression linaire les asymptotes se
confondaient l'infini. Par analogie que doit-on poser
pour qu'il en soit de mme en rgression avec barres
d'erreurs ?
Montrer que nous avons alors les formules suivantes :

88

Estimation :

y o=

Prdiction :

x o x

y o=

x 2 x 2

x o x
x 2 x 2

Les formules ainsi obtenues par analogie sont


empiriques,
elle
semblent
exprimentalement
cohrentes, et demandent confirmation par une
dmonstration thorique.
Courbes de confiance et prdiction pour l'exprience du
zro absolu : T(C) en fonction de P(hPa)

Exercice 17 : Autres expressions corrig p169


Pour la rgression avec barres d'erreurs donnez
l'expression de a, b, a et b en fonction de x, y, xy, x
et y. Comparez avec la rgression simple.

89

Exercice 18 : Mthode des moindres carrs


corrig p170

Dmontrez par la mthode des moindres carrs les


expressions de a et b :
1- pour la rgression linaire simple.
2- pour la rgression linaire avec barres d'erreurs.
Les xi et yi sont considrs petits par rapport xi et
yi.
Dmonstration des expressions de a et b pour la
rgression simple :
Mthode 1 :
1- Montrez que a=

pi yi
i

avec p i =

x i x

xi x 2

2- Dduire de cette formule de a sa variance V(a)

15

Mthode 2 :
Utilisez la formule de propagation des cart-types.
Pour la rgression linaire simple, pourriez-vous
retrouver a, b , a et b en utilisant la mthode
matricielle de la rgression gnralise ?
Exercice 19 : Esprance de a

corrig p172

Pour la rgression linaire, nous notons et les


paramtres de la population : E(yi)= xi+ .
a et b sont les paramtres estims partir d'un
chantillon : y i =a x i b
Montrez que nous avons un estimateur non biais pour
, soit E(a)=.
15

MATH : E(X+Y) = E(X) + E(Y). Si X et Y sont deux variables


indpendantes : V(X+Y) = V(X) + V(Y).

90

Exercice 20 : cart-types proportionnels y


corrig p172

Nous nous plaons dans le cas thorique particulier o


les cart-types de la rgression linaire sont
proportionnels y : y =k y i . Ce cas, o les
incertitudes relatives sont constantes, est exprimentalement courant. Nous nous intressons ici au
coefficient directeur a.
i

1- Montrez que :

a=

y12 xy yx2 1y

2- Exprimez

1
x
2
2
y
y

x
2
y

a
(calcul long).
yj

3- Calculez sa en utilisant les expressions trouves


pour les deux jeux de donnes suivants :
xi

1 : yi

10

15

20

25

30

35

40

2 : yi

8,286

17,286 18,286 27,286 28,286 37,286 38,286

(Nous prenons k=0,1).

Retrouver ces rsultats avec la mthode numrique


(valuation des drives par petites variations).
Comparer avec les valeurs obtenues par la mthode
classique.

Exercice 21 : Interprtation de l'expression de wi


corrig p174

Justifiez graphiquement la position de a dans l'expression de wi.

91

Rgression non-linaire

Exercice 22 : Dcomposition en gaussiennes


corrig p175
Une fabrique usine des clous. Nous mesurons avec un
pied coulisse la taille de 48 clous :

Deux machines fabriquent les clous. Les clous


fabriqus par une machine n'ont pas exactement la
mme taille, nous supposons que la taille est
distribue selon un profil gaussien. Dterminer les
caractristiques des profils gaussiens des clous
fabriqus par chacune des deux machines (maximum,
moyenne et cart-type). Combien de clous ont
fabriqus chaque machine ?

Pour vrifier vos calculs de corrlation vous pouvez utiliser


la fonction du tableur OOo :
COEFFICIENT.CORRELATION(*;**).
Courbes : Insertion>Diagramme...>XY(Dispersion)>etc.
Pour les calculs matriciels, inversion de matrices :
INVERSEMAT(*), produit de matrices : PRODUITMAT(*;**).
Vous pouvez utiliser le fichier IncertitudesLibresOOo32.ods
sur le site www.incertitudes.fr pour raliser les rgressions.
Feuille 2, rgression simple et feuille 3 avec barres
d'erreurs.

92

III. COMPLMENTS
A. Mesure avec une rgle
Article publi dans le BUP [ii].
RSUM
La mesure d'une grandeur par un systme
d'acquisition induit de part sa rsolution une erreur de
discrtisation. Nous nous attachons ici la mesure d'une
longueur avec une rgle gradue. Ce type de mesure nous
amne considrer une loi de probabilit continue
uniforme. Nous utilisons ensuite un produit de
convolution pour dterminer l'incertitude avec sa
confiance d'une somme de longueurs. Nous gnralisons
finalement au cas gnral du calcul d'incertitudes pour
des variables alatoires indpendantes en utilisant la
formule de propagation des erreurs.
INTRODUCTION
Nous voulons mesurer des longueurs et valuer les
incertitudes le plus prcisment possible. Incertitudes sur
les valeurs mesures et leurs sommes. Nous disposons
dune rgle de 15cm gradue au millimtre et de deux
jeux de cartes. La rgle est suppose parfaite et les cartes
de chaque jeu lidentique.
93

1. MESURE DE LA LONGUEUR DUNE CARTE


Nous plaons la
graduation du zro
sur le bord gauche
de la carte. Sur le
bord droit nous
considrons
la
graduation la plus
proche du bord.
L'exprimentateur
ne lit pas entre les
graduations. L'paisseur des traits qui dlimitent une
graduation est considre comme ngligeable devant la
largeur de cette graduation. Nous obtenons ainsi pour le
jeu 1:
x 1 =8,40,05 cm .
94

Pour le jeu 2:

x 2 =11 ,20,05 cm .

Nous acceptons une perte d'information due la


rsolution =1 mm de la rgle. Lorsque ultrieurement
nous exploitons ces donnes toutes les valeurs entre
x min =x moy /2
x max =x moy /2
et
sont
quiprobables. La loi de probabilit de la variable
continue alatoire X est uniforme. x est une ralisation
de X. Cette distribution de probabilit a une tendue
E= x max x min et nous vrifions pour la densit de
probabilit f x :

f x dx=1

La probabilit pour que la valeur de X soit comprise entre


x et xdx est de f x dx . Le rsultat sera compris
avec certitude entre x min et x max : par exemple
x 1 =8,40,05 cm
100% de confiance, mais
x 1 =8,40,04 cm avec une probabilit de 80%.
95

Pour caractriser l'talement d'une


considrons l'tendue E et l'cart-type
dfinition pour une loi continue est:

distribution
dont la

V = 2= x x moy 2 f x dx ,
V est appele la variance. Pour une loi uniforme:
=/ 120,29 ,
et nous avons x= x moy avec une confiance de 58%.
L'cart-type est une grandeur adquate pour caractriser la
largeur d'une distribution. L'tendue quant elle est
dfinie par les valeurs extrmes qui peuvent tre peu
reprsentatives ou pire des valeurs aberrantes.

2. LONGUEUR DES DEUX CARTES MISES BOUT


BOUT
Nous souhaitons dterminer l'incertitude sur x
avec x= x 1 x 2 . Si nous traons x 2 en fonction de x 1
l'ensemble des points possibles forme un domaine carr.
L'ensemble des points tel que x soit constant est une
portion de droite de pente -1 et d'ordonne l'origine x :
x 2 =x 1 x . Il n'y a qu'un cas qui ralise x= x min soit
{ x1 = x1 min ; x 2 =x 2 min } au point A sur la figure. Par
contre sur l'ensemble du segment [CD] x= x moy . Nous
comprenons que toutes les valeurs de x ne sont pas
quiprobables.
96

La loi de probabilit f de X se calcule partir de celle


f 1 de X1 et f 2 de X2. Pour une somme de variables
alatoires indpendantes le rsultat est donn par un
produit de convolution [iii] :

f x= f 1 y f 2 x y dy

x x min f x =0
x x min
x minx x moy f x=
2
x x
x moy x x max f x= max 2

xx max f x=0

97

Nous avons alors une loi de probabilit triangulaire.


Nous obtenons x=19 ,60,1 cm avec 100%
confiance, et x=19 ,60, 055 cm avec 80%
confiance.

de
de

3. ANALOGIE AVEC LE LANCER DE DEUX DS


Pour chaque d les six valeurs sont quiprobables.
Ici la loi de probabilit n'est plus continue mais discrte.
Pour le lancer simultan de deux ds, la somme des
valeurs obtenues est comprise entre deux et 12. Dans ce
cas il n'y a plus quiprobabilit, une manire de faire
deux avec un double un, deux manires de faire trois avec
un et deux ou deux et un... Pour faire sept nous obtenons
le maximum de possibilits. Nous retrouvons ainsi une loi
triangulaire.

4. LONGUEUR DE DEUX CARTES D'UN MME JEU


MISES BOUT BOUT
98

Les cartes d'un jeu tant supposes identiques si la


longueur de l'une d'elle est surestime, il en sera de mme
pour la deuxime. Dans ce cas les erreurs s'ajoutent et ne
peuvent pas se compenser. Pour deux cartes diffrentes, la
premire mesure pouvait tre sous-estime et la deuxime
surestime, une compensation pouvant alors se produire.
Ici ce n'est plus le cas et pour X = X i X i ' nous
obtenons une loi de probabilit nouveau uniforme de
largeur 2 . Nos variables alatoires ne sont plus
indpendantes.
Pour le jeu 1:
x 1 =8,40,04 cm x=2x 1 =16,80, 08 cm
80% de confiance.

5. SOMME DE N LONGUEURS INDPENDANTES

Nous avons X = X i . Chaque longueur X i


i=1

suit une loi uniforme de largeur . Pour la somme de


neuf variables alatoires indpendantes aprs itration du
calcul nous obtenons la courbe suivante :

99

Nous avons dans ce cas x= x moy 0,11 cm 80%.A


100% de confiance x= x moy 0, 45 cm ce qui amne
considrer des domaines o la probabilit de prsence de
X est vraiment ngligeable. Une incertitude de 0,45cm
semble inutile alors que 99% des cas taient dj prsents
avec une incertitude de 0,22cm.
Raisonner avec une confiance de 100% revient
considrer l'tendue, celle-ci est additive pour une somme
de variables. L'tendue est proportionnelle N.

100

N=1
2
3
4
5
6
7
8
9
10
20
50
100

80%
0,40
0,55
0,66
0,75
0,84
0,92
0,99
1,06
1,12
1,2
1,7
2,6
3,7

95%
0,48
0,78
0,97
1,12
1,25
1,38
1,49
1,59
1,69
1,8
2,5
4,0
5,7

99%
0,50
0,90
1,19
1,41
1,60
1,76
1,91
2,05
2,18
2,3
3,3
5,2
7,4

Mais cette approche ne tient pas compte d'une chose: la


courbe se resserre autour de la moyenne quand N
augmente.Il existe une autre grandeur additive: la
variance. L'cart-type racine de la variance est
proportionnel N et tient compte des compensations
d'erreurs.
La courbe obtenue est ce qu'on appelle une courbe en
cloche. Un thorme statistique, appel thorme central
limite, indique que pour N grand la courbe tend vers une
gaussienne. L'tendue d'une gaussienne est infinie pour un
cart-type fini.
Nous pouvons rsumer l'volution de l'incertitude
sur la somme de N longueurs indpendantes mesures
avec une mme rsolution dans un tableau. En
101

italique, partir de N=10, il s'agit de simulations


numriques ralises sur ordinateur par gnration de
nombres alatoires.
Les rsultats des mesures sont souvent donns
avec une confiance de 95%, ce qui correspond pour une
gaussienne une incertitude d'environ 2 .

6. AUTRES APPLICATIONS
Un coureur souhaite mesurer son temps de
parcours. Sa montre affichage numrique indique qu'il
part 10 h 52 min et qu'il arrive 11 h 11 min .
L'affichage est la minute, il est donc partit entre
10 h 52 min 00 s et 10 h 52 min 59 s . D'o la date de
dpart dans l'intervalle t 1=10 h 52 min 30 s30 s . La
rsolution est d'une minute. La dure du parcours est
t=t 2t 1 . Les rsultats restent vrais pour une
diffrence. Nous avons N=2 et t=19min47s avec
95% de confiance.
Mme dmarche si des tudiants mesurent une diffrence
d'angles sur un goniomtre. Chaque mesure tant la
minute d'arc prs l'incertitude du rsultat est de 47
secondes d'arc 95%.
Sept personnes veulent rentrer en mme temps
dans un ascenseur. Sa charge maximale est de 500kg.
Leurs masses individuelles sont mesures avec un pse
personne d'une rsolution de un kilogramme. La masse
totale est de 499kg. Quelle est la probabilit d'tre en
surcharge?
102

Pour N=7 l'incertitude atteint un kilogramme avec une


confiance de 80%. Il y a donc une chance sur dix pour
que l'ascenseur soit en surcharge.
Au laboratoire de nombreux appareils de mesure
disposent d'affichages numriques. La rsolution est au
dernier digit prs. Mais l'incertitude globale est bien
suprieure. Il faut consulter la notice de chaque appareil.
CONCLUSION
La dmarche gnrale consiste combiner des lois
de probabilits. L'outil mathmatique utilis est un
changement de variables, puis une ou plusieurs
intgrations. Pour la mesure avec une rgle dcrite dans
cet article, il s'agissait d'une somme de deux variables
alatoires indpendantes et nous avons obtenu un produit
de convolution.
Si l'on veut faire un calcul plus rapide une analyse
de variance peut suffire. Nous avons une variable
alatoire X qui dpend de N variables alatoires
indpendantes X i : X = f X 1 , X 2 ,. .. , X i , .. . , X N .
Nous appelons i l'cart-type de X i et celui de X .
Pour des i finis et de petites variations, nous avons la
formule de propagation des cart-types [iv] :
n

2 =
i=1

f 2 2
i
xi

Et, indpendamment des lois de probabilits, cette


relation entre les variances reste vraie. On pourra ainsi
donner son rsultat avec une incertitude 2 ou 3 .
103

Existe-t-il une formule analogue en terme de confiance?


Oui, mais elle est approximative, c'est la formule de
propagation des incertitudes:
n

f 2
f =
xi 2 ,
i =1 x i
2

avec x i= x i moy x i , f = f moy f et une confiance


constante. Cette formule est trs pratique et permet un
calcul rapide et raisonnable des incertitudes combines.
Qui plus est, elle est exacte si la forme des distributions
est la mme pour X et les X i . Par exemple si les X i sont
distribution gaussienne toute combinaison linaire l'est
aussi.
Nous tenons ainsi compte des compensations et nous
vitons d'utiliser la formule

f = f / x i x i

qui

i=1

surestime les incertitudes, parfois mme avec un tel excs


que l'on en perd son sens physique. Cette dernire
formule ne tient compte d'aucunes compensations, on a la
pire des situations, statistiquement improbable. Ici, par
exemple pour N = 100, on aurait une incertitude de 50 ,
au lieu de 5,7 dans la pratique (confiance de 95%).
Dans cet article nous nous sommes concentr sur
la rsolution d'un systme d'acquisition qui donne une
erreur de discrtisation. Mais on peut aussi tre amen
considrer des erreurs systmatiques et des erreurs
alatoires. Ici la rgle tait suppose parfaite, c'est dire
juste et fidle.
104

B. Mtrologie
1. Exemples
Intressons-nous deux instruments de mesure particuliers : un
chronomtre et un ampremtre.
Mesure d'une dure avec un chronomtre :
Nous mesurons la dure d d'un phnomne. Nous supposons
que l'exprimentateur appuie aux bons moments pour mesurer
ce que l'on appelle les dates initiale t1 et finale t2. Pour tre un
bon exprimentateur il faut avoir une connaissance minimale
de ses instruments de mesure. Un chronomtre, du type utilis
ici, fonctionne avec un quartz trs prcis. La drive est d'une
quinzaine de secondes par an, soit environ 0,00004 secondes
sur notre exprience. Ici, nous ngligeons la drive. Nous pou
vons supposer le chronomtre parfait (juste et fidle). Seule la
rsolution va intervenir ( = 1/10 me de seconde).

3min32,75s < t1 < 3min32,85s


4min55,65s < t2 < 4min55,75s
et d = t2 - t1
Les lois de probabilit de t1 et t2 sont uniformes et celle de d
triangulaire (voir article prcdent).
D'o16 d=/60,41 , d 0,78 (tableau page 101),
16 Calculons l'cart-type d'une distribution triangulaire (aprs
0

2
x

2 x
dx

x
dx
=
recentrage) : 2= x 2
. Ou, si

6
2
2

0
nous utilisons la formule de propagation des cart-types on trouve

105

d = 82,900 0,078 s et d/d0,1% avec 95% de confiance.


Maintenant, si le phnomne durait plusieurs mois, l'incertitude
la plus grande serait la drive, le chronomtre ne serait plus
juste. Nous voyons que l'ensemble de la situation
exprimentale est prendre en compte et pas seulement
l'instrument de mesure.
Nous pourrons incorporer cette incertitude systmatique de
drive par la connaissance de la valeur du biais.
Si la drive n'est pas connue, nous pouvons prendre 100
chronomtres identiques que nous lanons simultanment.
Nous aurons au final une dispersion alatoire des valeurs qui
donne une incertitude lie la drive.

Mesure d'un courant avec un ampremtre :


L'ampremtre, plac en srie dans un circuit, mesure le
courant de la branche o il est situ.

Nous choisissons le calibre adapt, ici pour des courants de 20


200 mA, et nous mesurons : I = 186,30 mA.
Quelle est l'incertitude sur I ?
Nous pourrions penser, comme pour le chronomtre, qu'elle est
sur le dernier digit, en fait la notice indique une plus grande
que pour une somme, ou diffrence, de n grandeurs de mme
cart-types nous avons n = n 1 . Ici 2 = 2 1 = 2 /12 =
/6.

106

incertitude :

D'o I = 0,7%x186,30mA + 3x10A.

Pour simplifier nous pouvons considrer que les


indications des fabricants sont donnes avec
une confiance de 95% et un profil gaussien.
Alors I = 186,30 1,34 mA
avec un niveau de confiance de 95%
(184,96 mA < I < 187,64 mA)
Essayons de retrouver l'erreur systmatique donne par le
fabricant en regardant l'erreur alatoire donne par 12
ampremtres de mme modle. Nous les plaons en srie et
ainsi ils mesurent tous la mme grandeur :

107

Le calcul de l'cart-type donne : sI = 0,21 mA, le coefficient de


Student vaut t = 2,2, d'o I = t . s = 0,45 mA.
Soit I = 186,40 0,45 mA avec un niveau de confiance de 95%
(185,94 mA < I < 186,85 mA).
I (mA)
L'incertitude est ici, peu prs, 3 fois plus faible, ce
186,30
qui est normal car nous avons une meilleure
186,40
connaissance de la moyenne (I = t . s / n = 0,13

2
1

Courant (mA)

108

187,05

186,95

186,85

186,75

186,65

186,55

186,45

186,35

186,25

186,15

186,05

Frquence

186,24
186,19
186,39
186,22
186,64
186,40
186,23
186,91
186,36
186,47

mA). Si nous considrons l'ampremtre pour lequel


I=186,91mA, seule l'incertitude systmatique plus grande
fournie par le constructeur garantie un bon encadrement.
Par ailleurs l'incertitude du constructeur concerne l'ensemble
des ampremtres de ce modle qu'il produit et pas seulement
ceux livrs au lyce. Aussi, nous devons considrer, pour la
comparaison des rsultats, que les 12 ampremtres n'ont pas
t recalibrs avec un talon depuis leur achat d'il y a plus de
15 ans.

2. Normes
Pour dterminer rigoureusement l'incertitude, il faudrait que
tous les fabricants donnent la confiance de leurs incertitudes et
les profils des lois de probabilit.
Pour contribuer une information complte sur l'expression de
l'incertitude et fournir une base pour la comparaison
internationale des rsultats de mesure Le comit international
des poids et mesures et l'Organisation internationale de
normalisation ont dvelopps un guide [vii].
Il s'agit de mettre en place des mthodes d'valuation et
d'expression des incertitudes harmonises pour tous les pays et
tous les domaines (de la sant, de la scurit, industriel,
commercial, etc.).

3. Vocabulaire
Que l'on parle avec le vocable de la statistique ou avec celui de
la mtrologie les notions sont les mmes. Pour aider faire la
jonction, nous avons synthtis certaines expressions courantes
dans un tableau. Sur une mme ligne vous trouverez les termes
quivalents.

109

statistique [vi] [iv]

mtrologie [v] [vii] [viii]

grandeur mesurer X

mesurande M

mesure

action de mesurer

ensemble des mesures {xi xi}

mesurage

rsultat du mesurage

xi

une mesure

mi

X = x x

rsultat d'une mesure

M = m M

dispersion

fidlit
(rptabilit et
reproductibilit)

justesse

biais

rsolution

(erreur de)

(sensibilit)

discrtisation

erreurs
alatoires
(accidentelles)

erreurs
systmatiques

erreurs de
type A
erreurs de
type B
la valeur vraie

moyenne de la population

(esprance)

(souvent inconnue)

Mvrai

moyenne de l'chantillon

m ou m

: cart-type de la population (souvent inconnu)


s
s / n

sx

cart-type
de l'chantillon

cart-type
exprimental

sexp

sx

cart-type estim
de la distribution
d'chantillonnage

incertitudetype

s = sexp / n

coefficient de Student t
x = t . s / n
x
x / x

facteur d'largissement k
M = k . s

incertitude
(incertitude absolue)

incertitude-type
largie

prcision (incertitude relative)

110

M / m

Remarques :
Plus le biais est grand, moins la mesure est juste.
Plus les mesures sont disperses, moins la fidlit est
bonne.
L'cart-type de l'chantillon est un estimateur biais de
l'cart-type de la population.
Dans ce livre nous avons vit de parler d'erreur, nous
avons prfr le terme incertitude. En mtrologie, nous
parlons de diffrentes erreurs (erreur de mesure, erreur
alatoire et erreur systmatique).
Nous utilisons le terme cart pour la diffrence entre la
moyenne de la mesure et la valeur attendue (une valeur
donne par le fabricant ou dans les tables).

4. Mthode simplifie d'valuation de l'incertitude de


type B
Si le fabricant donne des limites et que l'on ne dispose d'aucune
autre information, il est raisonnable de supposer la probabilit
gale sur l'intervalle et nulle en dehors. Nous utilisons alors les
caractristiques d'une loi uniforme ([vii] p23 et [v] p7) :
Cas :
Appareil cadran, lecture
d'un rglet, digit, etc.
Rsolution :
= xmax-xmin , x = x /2

Incertitudetype :

s x =

Le constructeur fournit la
classe : a
a correspond /2

12

s x =

111

a
3

Incertitude
largie :

x=k s x
(k=2 95%)

Remarques :

Pour le premier cas nous ne disposons pas


d'information du constructeur, dans le second, il fournit
ce que l'on appelle la classe a de l'appareil.
Nous prenons k=2 avec une confiance de 95% comme
si nous avions une gaussienne (approximation).
Si la notice est conue selon cette norme, nous aurons
pour l'ampremtre (tudi page 107), sI = 1,34 mA et I
= 186,30 2,68 mA 95%.
Sur le matriel de verrerie jaug, la classe
est toujours indique.
Par exemple, sur une pipette jauge de 25
mL, nous avons les indications suivantes :
La classe est 0,06 mL, d'o sv = 0,035 mL et V = 25
0,07 mL avec une confiance de 95%. La prcision sur
le volume est de 0,28%.
Pour une rsistance R de 1000 et d'une prcision de
5% (brun, noir, rouge, or), nous avons :
R=2 . 1000 .5 /100/ 358 95% de confiance.
R=100058 et R/ R5,8 %.
Pese : une balance numrique, de rsolution 0,1g,
indique une masse m de 73,7g.
m=2 . 0,1/ 120,06 g , m=73,700,06 g
95%. m/ m0,08 %
Par la mthode d'autocollimation, nous mesurons la
distance focale f' d'une lentille convergente mince.
L'image est nette (latitude de mise au point) de
f'min=195mm f'max=203mm. D'o soptique=2,31mm.
sgomtrique=0,29mm ( de 1mm du banc d'optique) et
smodlisation=0,58mm (paisseur de 2mm de la lentille).
s= so sg sm
2

f ' =199,04,8 mm95%

112

C. Thermodynamique
Nous allons tudier la dtente de Joule et Gay-Lussac. Pour
cette dtente, nous allons utiliser deux mthodes pour
dterminer les fluctuations de la pression dans l'tat final : l'une
classique en thermodynamique, l'autre en utilisant la formule
de propagation. Dans ce cadre, nous montrerons que cette
formule est en accord avec les lois de la physique.

1. Description de la dtente de Joule Gay-Lussac


Nous avons deux enceintes, aux parois indformables et calori
fuges, pouvant communiquer au moyen d'un robinet. Initiale
ment un fluide est enferm dans l'un des compartiments, l'autre
compartiment est vide. Nous ouvrons le robinet et une dtente
dans le vide se produit. La pression s'galise.

113

Nous considrerons le cas o les deux enceintes ont le mme


volume.
De plus, le fluide tudi sera un gaz parfait : le premier prin
cipe de la thermodynamique permet alors de montrer que la
temprature finale est gale la temprature initiale : TF=TI ; et
pour les volumes VF=2VI .

2. Hypothses du gaz parfait


Les molcules sont considres ponctuelles, identiques et sans
interactions entre elles. Elles voluent donc, de manire tout
fait indpendante, elles s'ignorent mutuellement, et les seuls
contacts des particules sont avec les parois des rcipients.
Leurs chocs sur les parois exercent une pression, celle-ci d
pend de la densit des particules et de la temprature :
P V =n R T P=n * k B T
avec N =n. N A et n *= N /V
n : nombre de moles de gaz dans la bote
N : nombre de molcules de gaz dans la bote
n* : densit de particules
(nombre de particules par unit de volume)
k B =R/ N A : constante de Boltzmann
R : constante des gaz parfaits

NA : nombre d'Avogadro

Nous avons, ici, les mmes tempratures initiale et finale, ainsi,


PF=PI /2, et la pression est directement proportionnelle la
densit de particules :

P n *
114

3. Hypothses de la physique statistique


Nous distinguons l'tat macroscopique du gaz, appel macro
tat (dcrit par les variables d'tats de la thermodynamique,
telles la pression et la temprature) de tous les tats microsco
piques correspondants, appels microtats (dcrit par les posi
tions et les vitesses individuelles de toutes les molcules du
gaz). Un exprimentateur (macroscopique) qui observe la d
tente ne peut mesurer que le nombre total de particules (et donc
la pression) dans chaque compartiment. Il n'a pas accs l'en
semble des informations microscopiques du systme : par
exemple, il ne sait pas si une particule donne A est dans le
compartiment de gauche ou de droite, il peut seulement en
connatre la probabilit.
Nous noterons k le nombre total de molcules dans le comparti
ment de gauche.
Imaginons notre gaz constitu de cette seule particule, deux
possibilits :
k=0

p=1/2 ou k=1

p=1/2

Les deux microtats possibles ont la mme probabilit p, et


correspondent chacun un macrotat.
Notre gaz a maintenant deux particules, N=2 :

115

Le macrotat k=1 est reprsent par deux microtats.


Regardons aussi le cas N=3 :

Allons encore plus loin pour N=4 :


macrotats

k=0

k=1

microtats

(A,BCD)
(B,ACD)
(,ABCD)
(C,ABD)
(D,ABC)

probas

p=1/16

p=1/4

k=2
(AB,CD)
(AC,BD)
(AD,BC)
(BC,AD)
(BD,AC)
(CD,AB)

p=3/8

k=3

k=4

(BCD,A)
(ACD,B)
(ABCD,)
(ABD,C)
(ABC,D)

p=1/4

p=1/16

Nous voyons que, plus le nombre de particules est grand, plus


les macrotats autour de k N /2 sont probables.
Nous avons deux principes physiques :

les microtats sont quiprobables.


hypothse ergodique : au cours du temps tous les
microtats sont indiffremment balays et le systme
reste un temps quivalent dans chacun deux.

116

4. tat le plus probable et fluctuations


Nous comprenons maintenant que le systme sera, la plupart du
temps, dans le macrotat k=N/2 (prenant N pair, ce qui ne res
treint pas notre tude car N est trs grand et nous ne sommes
donc pas une particule prs).
Nombre de microtats et probabilit p
pour un macrotat k donn :
k

=C N =

Ck
N!
et p k = NN
k ! N k !
2

Finalement, cela va se passer autour de N/2, alors symtrisons,


et posons k=N/2+i, d'o : =N ! / N / 2i! N / 2i !
Nous cherchons l'expression de p(i) pour N grand et i petit, uti
lisons la formule de Stirling ln n !n ln n n avec n grand
et le dveloppement limit ln 1 avec petit ; nous
4 i / N
2
avons alors : ln [ p i ]4 i / N et p i e
.
2

La probabilit obtenue obit une loi gaussienne.


Dterminons l'cart-type :

p 1
N
=
d'o
p max
e
2

Nous avons l'incertitude relative un sigma pour le nombre de


particules et donc aussi pour la pression :

N/2
1
=
N /2 N

et

P
1
=
P N

N est grand, ainsi la pression fluctue trs peu et est parfaite


ment dfinie.

117

5. Utilisation de la formule de propagation


Nous avons N particules de pression pj qui contribuent, ou pas,
N

la pression du compartiment de droite : P= p j .


j=i

Si la particule est dans le compartiment de gauche pj=0, si elle


est droite pj=PF/(N/2). Donc p=P F / N (mme principe
que les pices page 8). En utilisant la formule de propagation
des cart-types nous obtenons : P = N p

et

P
1
=
P N

6. Conclusion
La formule de propagation permet de retrouver rapidement le
rsultat de la physique statistique.
Si nous faisions l'erreur de considrer que les incertitudes
s'ajoutent nous aurions P F =P F P F . Ainsi la pression et
toutes les variables d'tat de la thermodynamique ne seraient
pas dfinies. De plus, cette dtente, dmontre irrversible en
vertu du second principe, deviendrait rversible.
Nous voyons nouveau, sur cet exemple, que la formule de
propagation n'est pas seulement un outil rigoureux pour le cal
cul des incertitudes mais participe, aussi, aux fondements des
lois de la nature.

118

D. Indpendance des variables


Considrons un systme. Nous mesurons deux gran
deurs associes celui-ci. Normalement les deux processus de
mesure s'effectuent indpendamment. L'action de mesurer la
premire grandeur fournit un ensemble d'observations relatives
cette grandeur. Ces observations ont un centre et une disper
sion. Dans un second temps, nous mesurons le deuxime gran
deur et il n'y a aucune raison que cette deuxime collecte d'in
formations soit perturbe par la premire. Les fluctuations de la
premire ne sont pas corrles avec celles de la deuxime.
En effet, la plupart du temps, le mesurage ne modifie pas le
systme et les diffrents processus de mesure n'interagissent
pas entre eux.
Exemple : nous avons un systme lectrique en rgime
stationnaire constitu d'un gnrateur de tension continue U qui
alimente une rsistance R parcourue par un courant I. Nous
avons la relation thorique U=RI et nous souhaitons estimer R.
Nous effectuons 100 observations de la tension U (nous pou
vons prendre 100 voltmtres diffrents) et nous en dduisons U
et U. Dans un second temps, nous procdons de mme pour I,
d'o I et I. Ncessairement, le coefficient de corrlation rUI
entre {U1, ... , U100} et {I1, ... , I100} est nul. Les grandeurs U et I
sont indpendantes. D'o R=U/I et R/R=(U/U+I/I).
Deuxime exemple : nous lanons quatre ds quilibrs
six faces de couleurs diffrentes. Nous calculons la somme :

119

S=d1+d2+d3+d4. Si les lancers des trois premiers ds donnent


chaque fois 6 cela ne prjuge en rien la probabilit d'obtenir 6
avec le quatrime d, c'est toujours une chance sur six. Nos
quatre grandeurs sont indpendantes. Conclusion : quelque soit
i,j=1,2,3,4 avec i j rij=0 et 2S =12 22 23 24 .
Il existe une gnralisation de la formule de propaga
tion des cart-types dans le cas de grandeurs corrles mais,
dans la plupart des cas, nous n'avons pas l'utiliser :

=
2
f

f
f
2j 2
xj

xi
i j

f
r
x j ij i j

Remarques :

f f / x ii .
si f =x 1x 2 , 1 =2 et r 12=1 alors f =0 .

120

IV. DEVOIRS
Dure de composition d'une heure pour chaque
devoir. Calculatrice autorise. Documents, ordinateurs et
tlphones interdits. Toutes les rponses doivent tre
justifies et clairement explicites. Les tables de Student
et de khi deux sont fournies, ainsi qu'un formulaire avec
la formule de l'cart-type et celle du coefficient de
corrlation.
Extraits de devoirs donns en deuxime anne d'cole
d'ingnieur (cole Hubert Curien / Matrise de l'efficacit
nergtique).

A. Devoir Suricate
Exercice 1 (3 pts) :
Nous lanons quatre pices quilibres.
Quelle est la probabilit d'en avoir quatre qui tombent
du ct pile?
Mme question pour avoir trois faces et un pile suite au lancer
des quatre pices.

Nous allons maintenant nous intresser la composition de


diffrentes eaux minrales :

121

Calcium

mg/L
Evian
Badoit
Contrex
Hpar
StYorre
Vittel
Volvic
Vichyclestin
Salvetat

78
190
486
555
90
202
11,5
103
253

Bicarbonates Magnsium Chlorures

mg/L

mg/L

mg/L

357
1300
403
403
4368
402
71
2989
820

24
85
84
110
11
43
8
10
11

4,5
44
10
11
322
8
13,5
235
4

Sulfates Potassium Sodium


mg/L
mg/L
mg/L
10
38
1187
1479
174
336
8,1
138
25

1
10
3,2
4
132
2
6,2
66
3

5
165
9,1
14
1708
4,7
11,6
1172
7

pH

7,2
6
7,2
7,2
6,6
7,5
6,95
6,8
6

Exercice 2 (7 pts) :
Nous allons tout d'abord considrer la quantit B de
bicarbonates en mg/L :
a) Dterminez la valeur moyenne B de B.
b) Calculez l'cart-type B sur B.
c) Avec une confiance de 95%,
quelle est l'incertitude B ?
Nous considrons maintenant la concentration S en sulfates.
d) Les grandeurs B et S sont-elles corrles ? (si la valeur
absolue du coefficient de corrlation r est infrieure
la valeur critique rc ici gale 0,52 les grandeurs
peuvent tre considres comme indpendantes).
e) Dterminez la teneur moyenne totale {B S} en mg/L
des bicarbonates et sulfates avec son incertitude.

122

Exercice 3 (3 pts) :
Nous considrons une population d'un pays constitue
de pauvres et de non-pauvres. Les pays est dcoup en quatre
rgions. Dans chaque rgion nous tirons 1000 personnes au
hasard et nous obtenons la rpartition suivante :
Zone
gographique :

Nord - Est

Centre Nord

Sud

Ouest

Pauvres :

112

105

154

113

Non
pauvres :

888

895

846

887

Nous faisons l'hypothse que la pauvret est uniformment


rpartie sur tout le pays.
L'hypothse est-elle soutenable avec une probabilit critique de
5% ?

Exercice 4 (3 pts) :
Nous traons maintenant pour les diffrentes eaux
minrales la quantit de sodium en fonction de celle de
chlorure. Une rgression nous donne la pente et l'ordonne
l'origine avec leurs incertitudes 95% de confiance. Pour
l'ordonne l'origine nous trouvons : b = -4325 mg/L. Nous
vous proposons des possibilits pour la pente dont une est la
bonne, expliquez votre choix et pourquoi les autres ne peuvent
convenir.
Pour ce faire vous devez vous aider d'une matrice de
l'exercice 5. D'autres donnes qui peuvent vous aider :
MNa=23,0g/mol, MCl=35,5g/mol. Vous pourrez conclure sur
l'information que l'on en tire sur les eaux minrales en gnral.

123

Cas :

1)

2)

3)

4)

5)

6)

7)

8)

pente a : -5,34 5,34 -0,65 0,65 5,34 -5,34 0,65 -0,65


a :

1,19 0,19 0,19 1,19 1,19 0,19 0,19 1,19

B. Devoir Narval
Exercice 1 (3 pts) :
Nous lanons deux ds quilibrs six faces.
Quelle est la probabilit que la somme des deux ds fasse 12 ?
Mme question pour une somme gale 7.

Exercice 2 (7 pts) :
Pour huit maisons du mme modle nous mesurons les
rsistances thermiques. Pour les murs nous mesurons, de la
premire la huitime maison, les valeurs R 1 suivantes en
mK/W :
39

41

41

43

41

37

39

39

a) Dterminez la valeur moyenne R1 de R1.


b) Calculez l'cart-type 1 sur R1.
c) Avec une confiance de 95%, quelle est l'incertitude
R1 ?
Nous mesurons maintenant les rsistances thermiques R 2 des

124

huisseries. Pour les mmes maisons, dans le mme ordre, les


valeurs mesures en mK/W :
104

102

98

102

98

102

96

98

d) Les grandeurs R1 et R2 sont-elles corrles ?


e) Dterminez la rsistance thermique R de l'ensemble
{murs huisseries} avec son incertitude.

Exercice 3 (3 pts) :
Nous faisons l'hypothse d'galit des salaires hommesfemmes au sein de l'entreprise suivante :
Salaires en
:

1000
1999

2000
2999

3000
3999

4000
4999

Hommes
(effectifs):

139

124

68

29

Femmes
(effectifs) :

261

66

22

11

L'hypothse est-elle soutenable avec une probabilit critique de


5% ?
Exercice 4 (3 pts) :
Pour les courbes suivantes de temprature T (C) dans
une habitation en fonction du temps t(h), indiquez si des cas du
tableau correspondent des graphes. Dans les cas positifs
donnez la correspondance, sinon, expliquez pourquoi cela n'est
pas possible. N'oubliez pas que vos rponses doivent tre
scientifiquement justifies.

125

Cas :

1)

2)

3)

4)

pente a :

3,16

-5,80

2,90

-3,01

incertitude sur a :

0,63

0,31

0,31

0,69

ordonne l'origine b :

2,27

20,44

3,36

30,13

incertitude sur b :

3,40

1,70

1,70

3,70

coeff. de corrlation :

0,9712 -0,9914

126

0,9914 -0,9627

127

V. TRAVAUX PRATIQUES
A. Mesure d'un indice lumineux
(TP ralis au Lyce Alain-Fournier de Bourges)

Utilisation du goniomtre et tude du prisme


Un goniomtre permet de mesurer des angles dans un
plan horizontal. Il est constitu de trois parties principales
mobiles autour d'un axe central vertical : le collimateur, la
lunette et la plateforme.

128

Lecture du vernier

129

Mesure de l'angle au som


met du prisme par
rflexion :
Mise en place du prisme :

Mthode par auto-collimation :


Placer la face (a) approximativement perpendiculaire
l'axe optique C du collimateur. Bloquer la plate-forme
avec la vis de blocage Va'.
Avec la lunette, viser la face B du prisme de faon ce
quelle soit perpendiculaire (b). Dterminer avec prci
sion la position angulaire de la lunette pour laquelle le fil
vertical du rticule et son image par rflexion sur (b) con
cident : pour cela, on bloquera la rotation manuelle de la
lunette avec la vis de blocage VB au voisinage de la bonne
position et on ajustera avec la vis de rglage fin V F. Noter
alors l'abscisse angulaire 1.
Faire de mme avec la face (c). Noter 2 correspondant.
tude thorique :
Montrer que l'angle entre les deux positions de la lunette
est gal -A.
Exploitation des mesures : Dduire de ce qui prcde A
mesur avec son incertitude A.

130

Minimum de dviation et indice du prisme :


Nous plaons la lampe sodium derrire le collimateur.
Nous obtenons un spectre de raies la sortie du prisme.
De la mesure de la dviation minimale, connaissant A,
nous en dduisons l'indice via la formule du prisme don
ne plus bas. Dterminez l'indice pour les raies rouge,
jaune et vert-jaune. Garder le nombre de chiffres signifi
catifs qui vous semble pertinent.
Comment volue l'indice avec la longueur d'onde ?
Comment s'appelle ce phnomne ?
A Dm

2
A
sin
2

sin
n=

Les groupes suffisamment


avancs peuvent mesurer
les indices pour d'autres
raies et tracer l'indice en
fonction de l'inverse de la
longueur d'onde au carr
(ou mieux le logarithme de
l'indice en fonction de celui
de la longueur d'onde). Conclusion ?
raies

(nm)

rouge

jaune

vertjaune

vert

bleuvert

bleuviolet

violet

615,7

589,3

568,5

515,2

498,1

475,0

466,7

131

B. Le miroir sphrique
Nous considrons deux miroirs concaves M1 et M2.
Mesure gomtrique du rayon
Thorie :
Exprimez R en fonction de d et D.
Exprience : Mesurez d et D.
Estimez le rayon R avec son
incertitude R.
Mesure mcanique du rayon
La pulsation de petites oscillations d'une bille, sans
amortissement, dans une cuvette circulaire, est
0= g / R . Estimez R.
Mesure optique du rayon
Construction gomtrique et relation de conjugaison :
Montrez que A=A' avec =1 pour A=A'=C.
Sachant cela, en dduire un protocole permettant la
mesure de R.
Exprience : Mesure de RR.
Comparez avec les autres mthodes.
132

Mesure optique de la focale


On utilisera une lentille convergente telle que A=F pour
disposer d'un faisceau parallle (A').
En dduire une mthode de mesure de la focale f. Faire la
construction.
Estimez ff, et comparez aux rsultats obtenus pour R.

Relation de conjugaison

-SA

(min)

(max)

(C)

-SA'

(max)

(min)

(C)

(Points Intermdiaires)

SA

SA'

x=-1/ SA

y=-1/ SA'
x
y

133

Montrez que, d'aprs la thorie, nous avons une relation


linaire entre x et y. Si l'on note y=ax+b, quoi doivent
correspondre a et b ?
Tracer les points sur une feuille de papier millimtre
(minimum 5).
Comment estimer les incertitudes sur x et y ?
Ceci fait les rectangles d'incertitudes seront placs sur le
graphique, et les droites extrmes passant au mieux par
les rectangles permettront de dterminer aa et bb.
Comparaison aux valeurs attendues.
Les groupes suffisamment avancs pourront ensuite
rentrer les points sur ordinateur dans le tableur prvu cet
effet et procder par itration.
Conclusion.

134

C. Relation de conjugaison d'une lentille


Soit une lentille mince sphrique d'une focale de +200mm
(valeur annonce par le fabricant). Nous voulons vrifier
la relation de conjugaison, et calculer la focale partir de
8 points exprimentaux mesurs sur un banc optique de
2m.
Nous plaons successivement la lampe avec l'objet
lumineux, la lentille puis l'cran (nous avons ainsi un
objet et une image rels).
L'axe optique est orient suivant la direction du rayon
incident. Montrez que, d'aprs la thorie, nous avons une
relation linaire entre x=-1/OA et y=1/OA'. Si l'on note
y=ax+b, quoi doivent correspondre a et b ?
Comment estimer les incertitudes sur x et y ?
Pour chaque point mesur on prendra le plus grand soin
dans l'estimation des incertitudes (incertitudes optiques
dues la latitude de mise au point, incertitudes
gomtriques dues la rsolution du banc, paisseur de la
lentille, etc.)
-OA

(min)

(max)

OA'

(max)

(min)

OA

OA'

x=-1/ OA

(Points Intermdiaires)
.

y=1/ OA'

135

x
y

Rentrer les points exprimentaux sur ordinateur dans le


tableur prvu cet effet et procder par itration.
Dterminez ainsi aa et bb. En dduire f'f'.
Comparaison aux valeurs attendues.
Liste du matriel pour chaque binme :
un banc d'optique 2m
3 pieds
une lampe source avec la flche
une alimentation lectrique
un cran blanc
une lampe torche
1 porte lentille
un ordinateur avec le tableur rgression avec
barres d'erreurs

Rsultats obtenus par 7 groupes le 22 novembre 2007 au Lyce


Alain-Fournier :
a

f' (cm)

f' (cm)

-0,99

0,036

19,9

0,28

-0,98

0,055

20,5

0,52

-1,07

0,036

18,9

0,29

-0,96

0,1

20,6

0,74

-1,03

0,049

20,6

0,44

-1,03

0,041

20,13

0,31

-1,02

0,059

19,58

0,42

136

D. Dioptres et lentilles minces sphriques


But du TP :

Nous dsirons mesurer les rayons de courbure


d'une lentille mince sphrique.

Mesurer sa distance focale par une mthode clas


sique.

Dduire de ces mesures l'indice de la lentille.

Thorie :

Reprendre le thorme des vergences pour un sys


tme constitu d'une lentille et d'un miroir sph
rique accols dans les conditions de Gauss.

Dmontrez la relation de conjugaison au sommet


d'un dioptre sphrique dans les conditions de
Gauss. Associez deux tels dioptres accols pour
trouver l'expression de f', focale image de la len
tille, en fonction de n, R1 et R2.

Proposez deux mthodes exprimentales permettant de


mesurer les rayons de courbures d'une lentille mince
sphrique (l'une optique, l'autre par mesure directe).
Donnes pour la mthode optique : Pour un rayon inci
dent sur un dioptre, seule environ 96% de l'nergie lumi
neuse est transmise (rfracte), l'autre partie est rflchie.
137

Expliquez comment l'tude de cette portion rflchie per


met de remonter au rayon de courbure d'un des deux
dioptre de la lentille (est-ce toujours possible ?), puis
l'indice de la lentille.
Exprience : Mesurez les rayons de courbures d'au moins
deux lentilles diffrentes par les deux mthodes.
Proposition : celle de 200mm de grand diamtre et celle
de 50cm de distance focale.
Exploitation : Une grande importance est donne aux cal
culs d'incertitudes.
Mesures optiques :
L1
fmesur
fmesur

L2

Mesure directes : tablir le


mme type d'exploitation.

Rmesur
Rmesur
R1 calcul
R1 calcul
R'mesur

Commentaires ? Prcision
sur l'indice compare celle
obtenue avec le goniomtre ?

R'mesur
R2 calcul
R2 calcul
n calcul
n calcul

138

VI. OUTILS MATHMATIQUES


Les outils mathmatiques utiliss au chapitre 1 sont du
niveau lyce. Les drives partielles utilises au chapitre 2 sont
de la premire anne d'enseignement suprieur mais nous
comprenons trs vite le lien avec les drives du lyce. C'est
la fin du second chapitre, avec l'utilisation des matrices pour la
rgression gnralise, que nous plongeons dans
l'enseignement universitaire. Mon but n'est pas ici de revoir ou
d'introduire toutes ces notions, seulement un petit formulaire
qui pourra tre utile pour rsoudre les exercices proposs.

A - Drives
1- Dfinition :

f ' x=lim
0

f x f x

Par exemple si f(x)=x :

x2x 2 =x 22 x 2 x 22 x et f '(x)=2x.
Graphiquement la drive correspond la pente de la courbe en
un point.

2- Principales drives utilises :


fonction f
ax

drive f '
a (constante)

a x =a x

cos x

sin x =cos x x

sin x

139

cos x

sin x

cos x =sin x x

ex

ex

e x =e x x

ln x

1/ x

ln x = x /x

uv

u ' v '

uv

u ' vv ' u

f g x

g ' x f ' g x

(u et v fonctions de x)

1
1
1 1
1 1
' =1 x
= 2 .
=x
donc
x
x
x
1
1
1
1
1
x =x 2 donc x' = 2 x 2 = 2 x .

sin x 2 ' = x 2 ' cos x 2 =2 x cos x2

B - Drives partielles
Celles-ci concernent les fonctions plusieurs variables. Par
exemple considrons la fonction trois variables :
f(x,y,z) = x - 2z + xy
Nous pouvons regarder les variations de cette fonction par
rapport une variable tout en considrant les autres constantes.
On procde alors comme pour une drive. On a donc :

( xf )

y ,z

=2 x + y ,

( fy )

x, z

=x et


f
z

=2
x,y

On parle de drive partielle et par exemple pour la premire


on dit : "d rond" f sur "d rond" x, (avec) x et y constants.

140

C - Intgrales

On montre en math que :

ex dx= .

x=

Pour la loi normale standard, nous pouvons vrifier que la


moyenne est nulle et que l'cart-type est gal 1 :
x2

1 2 et
= xp x dx=0 car l'intgrale sur
e
2

un intervalle symtrique d'une fonction impaire est nulle.


p x =

x2

x2

1 2
1
= x
e dx=
x x e 2 dx d'o

2
2

x
2

2 =[x e ] 1 e

x
2

dx=0 2 e

dx

d'o l'cart-type gal l'unit.


Nous avons utilis une intgration par parties :
b

u x v ' x dx=[u x v x ] u' x v x dx


b
a

puis un changement de variable x ' =x / 2 .


Nous pouvons aller plus loin, en calculant, le coefficient de

dissymtrie 3= x p x dx , le coefficient d'aplatissement

4 = x p x dx , et, de manire gnrale, les moments

d'ordre n n = x p x dx . L'ensemble de ces moments

permettent de caractriser une distribution.


Pour une gaussienne 3=0 (symtrique). Si ce coefficient est
ngatif la courbe s'tale vers la gauche, s'il est positif la courbe
s'tale vers la droite. Pour une gaussienne 4 =3 . Si ce
coefficient est infrieur 3 la courbe est plus aplatie qu'une
gaussienne. Pour une loi binomiale : 4 =38 / n .

141

VII. CORRECTIONS
Corrections compltes ou sommaire suivant les cas.

Chapitre I : Variable Alatoire


E1 : ges

nonc p31

n=15; mode=18; mdiane=18; moyenne18,333; moy. gom


trique18,303; tendue=4; cart-type1,113; cart quadratique
moyen1,075; cart moyen0,844.
E2 : Cartes

nonc p31

Nb de tirages possibles : 32x31x30x29x28 divis par toutes les com


mutations possibles des 5 cartes 5x4x3x2x1=5!, soit 201 376 jeux.
Nb de tirages correspondant aux carrs d'As : une seule manire
d'avoir les 4 As, et 28 possibilits pour la carte qui les accompagne,
donc 28 jeux possibles (un jeu = 120 tirages possibles).
D'o la probabilit p=28/201376=139 chances sur un million=1
chance sur 7192=0,014%.
Pour une couleur : chaque couleur a 8 cartes. Nb de manires de choi
sir 5 cartes parmi 8 = 8!/(5! (8-5)!) =

C5
8

(combinaison) = 56.

Comme il y a 4 couleurs : 4x56 =224.


D'o la probabilit p = 224 / 201 376 = 1 chance sur 899 = 0,11%.
E3 : Champ de pesanteur

nonc p31

a) Trs dispers. On pourrait indiquer moins de chiffres significatifs.


b) g = 9,32 m/s. g=1,994m/s2m/s

142

c) g = 2,36.1,994/8 = 1,66 m/s. D'o g=9,321,66m/s et la va


leur attendue appartient l'intervalle :
7,66 m/s < g = 9,81m/s < 10,98 m/s
d) On est environ de g10m/s d'o 68% de chance.
E4 : Test d'un isolant

nonc p32

x=39,280,49 mW/m/K 95%. Rsultats conformes. L la marge est


d'environ 1,3% au lieu de 5%. Il s'est assur une marge de scurit.
E5 : Devoir nonc p32
a) n=35, N8,29 et N4,40.
b) Notes avec leur frquences :
Notes

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Frq.

0 1 3 2 1 5 2 2 2 1 4 4 2 2 0 3 0 0 1 0 0

c) Classes, frquences et frquences relatives :


Classes
Frqu.
F. rel.

[0,1,2] [3,4,5] [6,7,8] [9,10,11] [12,13,14] [15,16,17] [18,19,20]

11,4% 22,9% 17,1%

25,7%

11,4%

8,57%

2,86%

143

En regroupant les donnes par classes il y a une perte d'information.


La perte est ici faible. Mais par ailleurs nous avons un gain de visibi
lit. Nous pouvons plus facilement faire ressortir un comportement
global et des catgories d'tudiants. Les frquences relatives in
diquent directement le pourcentage d'tudiant dans chaque classe, par
exemple 34% des tudiants semblent en grande difficult, ce qui est
plus difficile d'interprtation sur le premier diagramme.
E6 : Yams

nonc p33

1) 1/1296
2) (1+5+15+35+70)/65=1,65%
3) a) n=30, S16,73 et S3,88.
b) S1,45 . S=16,731,45 avec une confiance de 95%. Ici la po
pulation est infinie et connue. On trouve pop=17,5. C'est cohrent. Il
n'y a pas de raison de penser que les ds sont pips.
c)

d) La somme est le rsultat de cinq lancers indpendants, nous pou


vons penser d'aprs le thorme central limite que nous nous appro

144

chons d'une gaussienne : (24-)/S1,68. On est proche de t,90%,


donc la moiti 5% sur la queue de gaussienne de droite. Donc 1
chance sur vingt (sur nos lancers ici : 1/30, cohrent).

E7 : Pices

nonc p33

1) 2,56 < 3,84. Il n'y a pas lieu de remettre en cause l'qui


libre des pices. La diffrence par rapport l'quiprobabilit s'ex
plique par les fluctuations statistiques.
Ou par un test classique :

x =42/100=0,5t , 95 % =0,5/ n=100


2) 2 0,4 < 3,84. Idem. p.c. (probabilit critique) 20,8%, il y a
une chance sur 5 que l'hypothse soit juste, on ne peut pas la rejeter.
3) 2 25,6 >> 3,84 ! La pice n'est srement pas quilibre. Une
chance sur deux millions que l'hypothse soit juste, on la rejette !
E8 : Parit

nonc p34

Valeurs espres
288,5
288,5
174
6

470 288,5 107 288,5

... et
288,5
288,5
2
344 ,avec ddl=2x1=2 la probabilit que
174
l'hypothse soit vraie est trs infrieure une
6
chance sur 1000 (13,8 <<344 pour 0,1%). La
parit n'est pas respecte.
2 =

Comprenant ces rsultats il faudrait tre d'une mauvaise foi extrme


pour prtendre qu'il n'y a aucune raison de penser que la parit n'est
pas respecte en justifiant les carts par les fluctuations statistiques.
E9 : Naissances
2

nonc p34

6,16 < 7,8. L'hypothse ne peut tre abandonne, on a besoin

145

de plus d'effectif pour trancher.


2

128 >> 7,8. Hypothse totalement rejete.

E10 : Gaussiennes dans le plan et dans l'espace

nonc p35

1D :

x2

1 2
1- x = x
e dx = 0 car la fonction intgre est dfinie et im

2
paire sur un intervalle d'intgration symtrique (proprit de l'int

x
1 2
1 2
grale). x=x
e dx= 2 x
e dx car cette fois la

2
0
2
x

2
2
fonction est paire. x=
[e 2 ]=
. La distance correspond

2
une valeur absolue, sa moyenne est donc non nulle et positive. x cor
respond la moyenne de l'abscisse, grandeur algbrique.
2

x = x =1, car x = x et que c'est une loi normale rduite.


x2

1 2
2- P x 1= P 1 x 1=
e dx nous calculons num
1 2
riquement ( la calculatrice, sur un ordinateur...) ces intgrales et re
trouvons les rsultats du chapitre sur la distribution de Gauss ,
deux et trois .

2D :
x2

y2

x2 y2

1 2 1 2
1 2
p(x,y) est bien une
p x , y=
e
e =
e
2
2
2

fonction positive, ce qui est conforme une loi de probabilit.


1-

Sur tout le plan nous avons bien une probabilit de 100% :


x2

1
p x , y dx dy= 2 e 2 dx

y2

1
2 e 2 dy =1.1=1

146

1
p x , y dx dy= 2 e 2 2 d =1

2-

p= e

2
2

et

d =[e

2
2

]=1 .

2
2 2

= p d = e

d =[ e

2
2

] 2 e

2
2

= aprs une intgration par par

= 0 0 2 e dt = 2

2
2
ties (u=) et un changement de variable (=2 t et on reconnait une
intgrale connue).
0

= = p d = e

2
2

d =[ e

2
2

] 2 e

2
2

on retrouve une intgrale calcule en 1D : 2 =0 0 21 = 2

P = e

3-

2
2

d =1

1
e

P 2 =1

1
e4

3D :
r2

1-

1
2
p x , y , z =
3e
2

2-

pr dr =
0

r2
3 2

3-
r = r pr dr = r e

r2
4 2

r = r pr dr = r e
0

dr = 2=

pr = r e

r2
2

4
3
2

=1 (intgrale dj calcule en 2D)


2

4
2

dr =3 par intgration par parties.

d'o : r= 3

147

4- P r r = e

r2
2

dr 0,608 et les deux autres aussi par calcul

numrique.

Chapitre II : Corrlations et indpendances


E1 : Corrlations
nonc p79
1- a) x1=(-1-1-1+0+0+0+1+1+1)/9=0 de mme x2=0 et x3=0.
1 = 9i =1 xi 1 x12 /91= 6x1/8 d'o
1= 2= 3= 3 /20,87 .
b)

c) r12=0 . r13=0 . r23=-1 . X1 et X2 ne sont pas corrles. De mme pour


X1 et X3. X2 et X3 sont dpendantes et totalement corrles.
2- a) x1=0 et x2=0. 1 1,22 et 2 1,58 .
c) r12=0,904 . Grandeurs globalement corrles positivement.
3- a) x1=0 et x2=0. 1 1,73 et 2 1,53 .
c) r12=0 . Grandeurs totalement dcorrles, ne pas oublier que les
corrlations recherches sont ici linaires. Il y a une corrlation en V.
2- b)

-3

3- c)

-2

0
-1 0
-1

-3

-2

0
-1-1 0

-2

-2

-3

-3

148

E2 : Volumes

nonc p80

1V1=(100,1+100,0+99,9+100,0)/4 d'o V1 = 100,0 mL.

0,1 0 0,1 0
2
= 0,1mL d'o 1 0,082mL
41
3
D'aprs le thorme central limite : V=t./n=3,18x0,0816/2
tddl=3; 95%=3,18 soit V1 0,13 mL et V1 /V1 0,13/100
La pipette, avec une confiance de 95%, est 0,13 mL prs, soit pour
100 mL 0,13% de prcision.
1 =

2-

V i =V iV

et

[ V 1iV 1 V 2i V 2 ]= [ V1i V2i ]=0,1.00.0 ,10,1 .00.0 ,1=0


i

[ V 1 iV 1 V 2i V 2 ]
or

r 12=

V
i

i
1

V 1 2 V 2 i V 2 2
i

soit r12=0 , les grandeurs sont totalement


dcorrles et donc indpendantes.
3V={200,1 ; 200,1 ; 199,9 ; 199,9}mL d'o V = 200 mL.
V =

0,1 0,1 0,1 0,1


2
= 0,1mL
41
3

d'o V 0,115mL et V 0,183 mL et V /V 0,09%


4V(V1,V2) d'o :
V 2=

V
V
V 12
V 22 =V 1 2 V 22
V1 V
V 2 V
2

et V = 2. V 1 0,18 mme rsultat qu'au 3-.

149

E3 : Arbres

nonc p81

Nous avons d = xi (soit d=x1+x2+...+xi+...+xn), o les xi sont


les mesures de longueur pour chaque report de bton. xi est
l'incertitude sur chaque mesure xi. Ici xi=1cm et xi=1001cm .
Quelle est alors l'incertitude d ?
Spontanment nous pourrions penser que d = x i , d'o ici
d=100cm soit 1m pour 100m mesurs d'un arbre l'autre. Mais
problme, ce n'est absolument pas ce qu'indique la simulation cidessous !

Elle indique plutt d=0,1m. En effet un simple calcul de


probabilits montre qu'il est extrmement peu probable d'obtenir
pour d, 99m ou 101m, alors que l'on a une chance sur deux, pour xi,
d'avoir 0,99m ou 1,01m. Or nous dsirons avoir d probabilit
gale de xi.
Ici d / x i =1 et xi=x, quelquesoit i=1...n, ainsi d=n.x soit
d=0,1m, ce qui correspond bien au rsultat attendu !

150

E4 : Mthode de Bessel

nonc p81

(f'/D)d=(D2+d2)/4d2 et (f'/d)D=-d/2D, d'o


f'=[((D2+d2)/4d2)2(D)2+(d/2D)2(d)2]
puis f' = 464,13,8 mm
et f'/f'=0,8%.

Soit par un calcul numrique avec un tableur et des macros (pas


besoin alors d'effectuer des calculs de drives partielles) :

151

Le tableur
utilise ici 2 des 4 paquets
globalement gaussiens
parfaitement dcorrls
disponibles :

fi

Paquets
7
6
5
4
3
2
1
0
-2 -1 0
xi

1
-2
-1
-1
-1
-1
0
0
0
0
0
0
1
1
1
1
2

2
0
-1
0
1
1
0
0
-1
1
-1
0
-2
0
-1
2
1

152

3
-2
0
-1
1
2
0
-1
1
1
1
0
0
-1
0
-1
0

4
0
0
1
1
-1
0
-2
-1
-1
2
1
0
0
-1
0
1

x
1973,71
1986,86
1986,86
1986,86
1986,86
2000
2000
2000
2000
2000
2000
2013,14
2013,14
2013,14
2013,14
2026,29

y
536
509,71
536
562,29
562,29
536
536
509,71
562,29
509,71
536
483,43
536
509,71
588,57
562,29

f
457,04
464,02
460,56
456,93
456,93
464,09
464,09
467,52
460,48
467,52
464,09
474,26
467,61
471,02
460,27
467,56

E5 : Indice

nonc p81

D'aprs la loi de Descartes pour la rfraction : n2 =n1


d'o n21,462 .
n2(i1,i2) alors
2

n2
n2
n =
i 2
i 2
i1 i 1
i2 i 2
2
2

153

sin i 1
sin i 2

(la variation en fonction de l'indice n1 n'est pas incluse car il est


suppos connu avec une grande prcision)
On a

soit

n2
n1
=
cos i1 et
i 1 i sin i 2
2

n2=

n2
cosi2
=n1 sin i1
.
i2 i
sin 2 i2
1

cos30
sin 30 cos20 2

2
sin 20 180
180
sin 20

2 1/ 2

(les angles sont mis dans leur unit naturelle, les radians, sans unit :
rad = 180)
Finalement n2=0,1470 avec
n2=1,460,15 et n2 /n2=10%.

une

confiance

de

95%,

Avec le tableur : n2=1,460,16 et n2/n2=11%. La mthode


numrique est approximative mais nous vrifions ainsi que nous
n'avons pas fait d'erreur de calcul.
Par ailleurs avec un goniomtre nous pouvons faire des mesures
d'angles bien plus prcises quelques minutes d'arc prs (un minute
d'arc = 1' = 1/60).

E6 : Formule de Cauchy
nonc p82
12
2
n
n
n 2=
Dm2
A2
Dm A
A D

avec


n
A

=
Dm

cos[ A D m/2]
n
=
et
Dm A
2 sin A/2

cos[ A Dm /2]sin A/2sin [ A D m/ 2]cos A/ 2


2sin 2 A/2

154

avec

A=60 Dm

n
1

Dm A 2

et


n
A

1
Dm

d'o n0,00065 et n/n0,04%


(mme chose en calcul numrique)
2Avec les barres d'erreurs, n=0,00065 et (1/)=2/3 avec
=0,05nm, on trouve A=1,678770,00182; A/A=0,109%;
B=(1,285 0,055).10-14 m et B/B=4,26%
n en fonction de 1/ (1/m) :
1,732

1,727

1,722

1,717

1,712
2,6E+12

2,8E+12

3,0E+12

3,2E+12

3,4E+12

3,6E+12

3,8E+12

4,0E+12

La rgression simple donne r=0,99995...


(Si on oublie les barres d'erreurs A=1,678770,00075;
A/A=0,044%; B=(1,285 0,022).10-14 m et B/B=1,75%)
3- En rgression simple :

r=0,99947... pour n(1/)


r=0,99995... pour n(1/)
r=0,99982... pour n(1/3)

155

La loi en 1/ est donc meilleure,


mais qu'elle valeur de permet d'optimiser la rgression ?
Pour cela nous allons tracer y= ln n A= xln B avec
x=ln . et ln(B) seront obtenus avec leur incertitudes et A
sera choisi de manire avoir rmax.
Les rsultats sont les suivants rmax=-0,99997024... pour
A=1,6843744 et nous trouvons : = - 2,306 0,033 . Puis avec les
barres d'erreurs : = - 2,3 0,1 . Conclusion = - 2 n'est pas dans
l'intervalle le modle en 1/ n'est pas valid.
Ceci dit il fonctionne correctement. La diffrence peut
s'expliquer simplement car le modle de l'lectron lastiquement li,
utilis ici, comporte d'autres termes (il s'agit d'un dveloppement
B C
limit d'une fonction plus complexe) : n= A 2 4 . Une tude

plus avance pourrait le vrifier en incluant le nouveau terme en 1/4.
Il faudrait aussi vrifier nos incertitudes exprimentales, il
est possible que nous ayons nglig, ou sous-estim, des sources
d'incertitudes (par exemple en triplant les incertitudes sur les angles
6' : = - 2,3 0,3 ...).
E7 : Mur

nonc p83

1-

d'o

et

156

2- Re = 0,00690,0010 K / W
3- Les rsistances sont en srie : R=Rp+Re
et R= R p 2 Re 2 d'o R=0,1300,015 K / W
4- =

T
12
=
=92,3 W
R 0,130
2

/ =T / T R /R

T =T intrieur T extrieur

d'o T = 2.0 ,5 C , / = 12,9% et


80 W 104,3 W d'o une puissance minimale de chauffage :
Pmin = 105 W

E8 : Isolation et inertie

nonc p84

S
1
1
=
= i i
R q i R i
ei
i

1- En parallle :

ou en terme de conductances thermiques G=1/R : Gq = Gi


i

donc dans notre cas :


Ss
St
Sm
Sh
1
36 54 82 8
=

=
R e s / s et / t e m/ m e h / h 4
8
4 1
pour les incertitudes :
G =

G
i

2
i

, G i =S i

ei / i
, G2,471 W / K
ei /i 2

et R= R G1,26 mK / W
finalement

R= 22,61,3 mK / W et R / R = 5,6 %

157

T
12
=
531 W 8,1% (comme l'exercice Mur)
R
22,6 .103
d'o une puissance minimale de chauffage :
2- =

Pmin = 575 W
3Nous avons
ncessairement une
asymptote Text : la
temprature ne peut
descendre
spontanment en
dessous de Text.
Si linaire la temprature tendrait vers moins l'infini avec le temps.
1
t /
d'o ln T b=ln a t ,
T b =ae

on trouve b=Text= 5,7C (coefficient de corrlation r maximal),


puis on fait une rgression sur un tableur avec y= ln T b et
x=t (page 2 d'IncertitudesLibres) :

y=ln(T-Text)

2,5

1,5

0,5
0

x=t
158

10

coefficient directeur = -1/ = -0,156 0,0157 h-1


ordonne l'origine = ln a = ln (Tint-Text)= 2,474 0,0949
rmax = -0,9937170474 (meilleur alignement des points)
Nous avons :

1/
=
et

1/

x= x . ln x

D'o : = 6 h 25 min 10,1% et Tint = 17,5 1,2 C.


4a)
flux sortant d'nergie pendant dt
= nergie calorifique perdue pendant ce mme intervalle de temps
soit dt =

et

T tT ext
T
dt=
dt =C dT
R
R

dT 1
1
T = T ext avec = RC

dt

o l'expression du 3- est la solution gnrale.


b) C= / R et C / C 2= /2 R/ R2
d'o C = 1034 119 kJ/K

159

E9 : Rendement

nonc p85

1Sur un tableur (droite de rgression sur le graphique) :

n=7
x
100
200
300
400
500
600
700

3,71
y
41
44
53
63
66
65
78

Conf.:

(xi-xm) (xi-xm)
*(yi-ym)
5271,43 90000
2914,29 40000
557,14 10000
0
0
742,86 10000
1285,71 40000
5828,57 90000

xm = ym = Cov(x,y) = Var(x) =
400 58,57
16600 280000

da = 0,017
db = 8

da/|a| = 29%
db/|b| = 22%

95 %

t=3

yim (yi-yim)

t=

2,57

xi^2

(xi-xm) (yi-ym) (xi-xm)

40,79 0,05 10000


46,71 7,37 40000
52,64 0,13 90000
58,57 19,61 160000
64,5 2,25 250000
70,43 29,47 360000
76,36 2,70 490000

*(yi-ym)
90000 308,76 5271,4
40000 212,33 2914,3
10000 31,04 557,14
0 19,61
0
10000 55,18 742,86
40000 41,33 1285,7
90000 377,47 5828,6

sy/x = sx2 =
sx = sy = s2xy =
3,51 1400000 216,02 13,20 2766,7

dy =
9,021

r = 0,9701
r: coefficient de corrlation
linaire algbrique.

a = 0,059 + ou - 0,017
b = 35 + ou - 8
0,042 < a <
0,076
27 < b <
42
Test de corrlation (linaire):
si |r|<rc alors grandeur non corrls
si |r|>rc alors grandeur corrls
Ici les grandeurs sont corrles.

sa = 0,00663
sb = 2,96579

Coefficient de corrlation
linaire critique:

rc = 0,669
R= 0,941
R: coefficient de dtermination (R=r^2).
94,1% de la variation de y est
explique par x

160

Rendement en fonction de la quantit d'engrais :

2- Le rendement serait
alors de 67 Q/ha 4 Q/ha
prs avec une confiance de
95 pour cent.

Pour xo= 550


Estimation de la moyenne de yo:
63 < yo < 72
yom=
67
dyom=
4
dyom/|yom|=
6%

3- Le rendement serait
alors de 35 Q/ha 8 Q/ha
prs avec une confiance de
95 pour cent (ordonne
l'origine).

Pour xo= 0
Estimation de la moyenne de yo:
27 < yo <
42
yom=
35
dyom=
8
dyom/|yom|=
22%

4- La probabilit est de
95%
(intervalle
de
prdiction 2 sigmas).

Pour xo= 250


Prdiction pour yo:
40 < yo < 60
yom=
50
dyom=
10
dyom/|yom|=
20%

161

E10 : tude d'une pile

nonc p86

Nous pouvons comme pour le trac de la caractristique de tout


diple utiliser le montage suivant :

En faisant varier R le montage parcourt diffrents points de


fonctionnement du diple. Nous avons choisi le montage longue
drivation (RV et RA0).
1- Le tableur donne :

d'o :
E=4,73270,0005 V
prcision : 0,010 %
r=17,850,92
prcision : 5,16 %
U(V) en fonction de I(A) :

4,7310
4,7290
4,7270
4,7250
4,7230
4,7210
4,7190
4,7170
4,7150
0,00005

0,00025

0,00045

2-

162

0,00065

0,00085

n = 10
I(A)
0,000093
0,000115
0,000153
0,000235
0,000469
0,000520
0,000584
0,000666
0,000775
0,000926

a estim=
dI(A)

U(V)

dU(V)

2,16E-07
2,61E-07
3,35E-07
7,70E-07
1,24E-06
1,34E-06
1,47E-06
1,63E-06
1,85E-06
2,15E-06

4,731
4,731
4,730
4,728
4,724
4,724
4,722
4,721
4,719
4,716

0,00537
0,00537
0,00537
0,00536
0,00536
0,00536
0,00536
0,00536
0,00536
0,00536

-17,851
poids wi

wi/S

347,4E+2
347,4E+2
347,4E+2
347,6E+2
347,8E+2
347,8E+2
347,9E+2
348,0E+2
348,1E+2
348,3E+2

10%
10%
10%
10%
10%
10%
10%
10%
10%
10%

S=
347,8E+3

da = 6,09
db = 0,00324
a=
b=

da/|a| = 34,1%
db/|b| = 0,0685%

sa = 6,09
sb = 0,00324

-17,85 + ou - 6,1
4,7327 + ou - 0,0032

d'o : E = 4,7327 0,0032 V , prcision : 0,07 %


et r = 17,85 6,1 , prcision : 34 %
U(V) en fonction de I(A) :
4,735
4,730
4,725
4,720
4,715
4,710
0,0001

0,0003

0,0005

0,0007

0,0009

Ce sont bien sr les rsultats du 2- qui font foi, ceux du 1- n'ont pas

163

tenu compte de sources d'incertitudes importantes.

E11 : Focomtrie

nonc p86

Dans les conditions de Gauss, la relation de conjugaison au centre de


la lentille mince sphrique s'crit :
1
1
1

=
OA' OA f '

, f' : distance focale image.

Nous avons ici un objet et une image rels et suivant le choix d'axe
optique OA0 et OA'0 . Ainsi pour travailler avec des
grandeurs positives nous posons : OA=OA et OA=OA' .
La mthode la plus rapide pour mesurer la focale d'une lentille
convergente est la mthode par auto-collimation. Ensuite nous avons
la mthode de Bessel, plus prcise mais plus longue mettre en
uvre. L'avantage avec l'autre mthode de cet exercice, certes
longue, est que nous ne travaillons pas avec une seule mesure mais
avec n mesures. Plus le nombre mesure est grand plus le rsultat est
prcis.
OA contient les incertitudes gomtriques (mesures de longueurs) et
de modlisation (paisseur de la lentille, conditions de Gauss). OA'
contient en plus les incertitudes optiques (latitudes de mise au point) :
OA'=(OA'go+OA'mod+OA'opt)

164

La relation entre OA et OA' est hyperbolique, nous considrons donc


x=1/OA et y=1/OA'. Nous avons alors une relations linaire y=ax+b
o le coefficient directeur a doit tre gal -1 et l'ordonne l'origine
b 1/f'. x=(1/OA)=OA/OA, de mme pour y.
En utilisant un tableur (ici www.incertitudes.fr/livre/TPlentille.ods)
nous obtenons :
a= -1,020,09 et b=0,00820,0004 soit f' = 122 6 mm (cohrent
avec l'indication du fabricant f'=125 mm).
a= -1 est bien dans l'intervalle, nous vrifions aussi la validit de cette
relation linaire entre 1/OA et 1/OA'. Pour prciser davantage la
validit de la relation de conjugaison il faudrait aussi montrer que
cette relation linaire est celle qui donne la meilleure corrlation.
y en fonction de x :
0,0070

0,0060

0,0050

0,0040

0,0030

0,0020

0,0010
0,0015

0,0025

0,0035

165

0,0045

0,0055

0,0065

n =8

a estim= -1,0210

x
0,00157
0,00189
0,00202
0,00227
0,00286
0,00357
0,00476
0,00667

dx

0,0000124
0,0000178
0,0000203
0,0000258
0,0000408
0,0000638
0,0001134
0,0002222

a= -1,0210

dy

0,00667
0,00625
0,00610
0,00581
0,00524
0,00467
0,00342
0,00137

poids wi

0,000667
0,000664
0,000558
0,000608
0,000548
0,000546
0,000328
0,000191

wi/S

2249189
2265985
3210643
2696211
3308045
3308566
8248034
11349080

6%
6%
9%
7%
9%
9%
23%
31%

S=
36635752

da = 0,0871
db = 0,000408
a=
b=

da/|a| = 8,5%
db/|b| = 5,0%

-1,021
0,00821
-1,11

+ ou + ou <a<

sa = 0,0871
sb = 0,0004

0,087
0,00041
-0,93

f'=1/b=
df'=d(1/b)=
df'/f'=d(1/b)/|1/b|=

122
6
5%

Thorie
E12 :
n

i =1

i=1

i =1

i =1

i=1

x i x 2= xi 22 x i x x 2=n x 2 2 x x i n x 2
n

n x2 2 x xi n x 2=n x 22 x n x n x 2 =n x2 x 2
i =1

E13 :
sb =s r

2
1
x

=s
n x i x 2 r

x i x 2n x 2 = s
r
2
n x i x
166

n x x n x
2
n x i x

sb =s r

d'o

n x2
xi2
=
s
r
2
2
n xi x
n x i x

E14 :
sa =

sr

x x

et sb =s r

xi 2
2
n xi x

d'o sb =s a

xi2
n

ce qui nous amne immdiatement au rsultat recherch.


E15 : Asymptotes
nonc p88
Pour la droite extrme de plus grande pente :
y o + = yo + y o=a+ xo b-a xo b=a . xo b
lim y o + = lim a. x o b= a . x o

x o

xo

Pour la courbe de prdiction :

y conf =t n2 s r


x
1
xo

x o x 2
1
1

=t s

x
n xi x 2 n2 r n x o2 xi x 2 o

1
x = a. xo
x
x i x 2 o
Pour la prdiction nous arrivons simplement la mme conclusion.
Comme nous le pressentions exprimentalement toutes les asymptotes se rejoignent bien l'infini.
ainsi lim y conf =t n2 s r 0
o

E16 : Intervalles de confiance et prdiction

nonc p88

w i xi
1-

x =

i =1
n

2
et x =

wi

w i x i2
wi

i=1

.
= w i

w i xi2

2- En rgression simple :

wi x i = w i x 2 x 2
y o =t n2 sr

167

x o x 2
1

n xi x 2

sa =

sr

x x

et a=t n2 sa d'o t n2 s r = a

x x

y o = a n x2 x 2

ainsi

2
1 xo x

n n x 2 x 2

wi

2
2
2
et = w i x x d'o par analogie nous avons :
a =

En rgression avec barres :

y o=

soit y o=
et

y o=

n w

n w

wi n

wi

1 x o x

n n x2 x 2

xo x
2

x x

pour la confiance,

1n

x ox
2

pour la prdiction,

x x

3- Par le mme calcul qu'en rgression simple lim y o + = a . x o


x o

y conf =

n w

lim y conf =

x o

n w

lim y conf =

1
n

x o

x o x 2

x x

n w

1
1
xo =
x 2 x 2
n wi

wi x =


x
1
xo

1
2
2
2 xo
xo
x x

w i

xo

a. xo

Par analogie nous devons prendre dans les formules n=1 pour la r
gression avec barres d'erreur. En fait nous devions nous attendre un
facteur de diffrence, en effet les poids wi sont dfinis un facteur

168

prs.

exemple
nous aurions
aussi
pu prendre
2
1/a
w i '=
. Aussi en rgression simple le nombre de
y i / a 2 x i 2
points est clairement dfini, alors qu'avec les barres d'erreurs certains
points comptent plus que d'autres, n=1 signifie que tous les points
correspondent 100% des donnes. Pour trouver les formules de
l'nonc il suffit de remplacer n par 1.

E17

Par

Autres expressions

x =

nonc p89

w i xi x 2= w i x i 2
wi
wi
w i w i xi y i
a =

b =

wi yi wi x 2i

x x

w i xi

wi =

a =

b =

2
2
wi x i y i
x
2 = x
wi
wi
wi x i w i yi = x y x y

x y=

Rgression simple : a=

wi x i yi = y x 2x x y
2

x
x

wi

x x

wi x i
=

x
2
x x
2

x y x y
(mme formule avec les barres)
2
2
x x
2

y x x x y
et y= a x b qui implique b= 2 2
x x
a=t n2 s r

x ix

t n2 sr

(mme formule)
1

n x 2 x 2

et

b=t n2 sr

xi 2 = t n2 s r
2
n xi x
n

x
2
x x
2

Les formules sont semblables. Comme n~1 nous avons

169

~t n2 s r ainsi

pour la rgression avec barres


i

est quivalent l'incertitude sur les rsidus en rgression simple.

E18 : Mthode des moindres carrs


Rgression simple :

nonc p90

d 2= y ia xi b 2
i

d
y i a x i b
= 2
y i a x i b=2 yi a x i b
b
b
i
i
2

d'o :

yi a xi b =0

y i a x i nb=0

et finalement en divisant par n : y =a x b


d
y i a x i b
= 2
y i a x i b =2 xi y i a xi b
a
a
i
i
2

y i x i a xi 2 b xi =0

d'o : yi a xi b xi =0 ,

et finalement en divisant par n : x ya x 2b x =0


soit x ya x 2 y a x x =0 et finalement : a=

x y x y
x2 x2

Rgression avec barres : S = wi y i a x i b


2

S
=2 w i yi a x ib car wi ne dpend pas de b.
b
2

Ainsi nous obtenons aussi y =a x b .

wi
2a xi
1
=
=
=2a xi 2 w i 2
2
2
2
a a y i a xi
y i 2a2 xi 2 2
S
2
2
2
=2 a x i w i yi a x ib 2 w i xi y ia x ib
a
i
i
2

170

or x i est petit devant xi et yi, nous pouvons donc ngliger le pre


mier terme devant le second et nous trouvons ainsi le mme rsultat
qu'en rgression simple.
Mthode 1 :
1- a=
2-

x y x y xi yi x yi
=
=...
2
2
2
2
x x
n x x

V a= p2i V y i =

xi x 2 2 =...
r
2
x i x 2

Car les variables yi sont indpendantes et sont supposes avoir la


mme variance.
2

3-

2
x x i yi
y x x x y yi x
b= 2 2 =
=...
2
2
x x
n x x
2

x2 x xi 2 2 = n x 2 2 x 2 x 2x 2 x 2 2=...
V b=
r
r
2
2
x i x 2
xi x 2
Mthode 2 :
a=

x i yi x yi

or
2
2
n x x
yi y1... y j... y n
=
=0...1...0=1
yj
yj
et

x i yi x 1 y 1...x j y j... x n y n
=
=0...x j...0= x j
y j
y j

x jx
a
=
ainsi
et
y j n x 2x 2

sa =

x j x
2

n x x

s y =...
i

Dmarche analogue pour b.


Approche matricielle : le systme d'quation p170 est quivalent

171

1 x
, H = x x2

y ba x=0
2
x yb xa x =0

HA=B, A=H-1B , H 1=

A= b
a

et B= y .
xy

1
2
1
2
x x et
b =H 11 r
2
2
x x x 1

Nous avons une matrice de dterminant non nul, et nous avons appli
qu la formule d'inversion pour une matrice 2x2 (on vrifie bien que
HH-1=H-1H=I). Nous avons alors rapidement les formules recher
ches.

E19 Esprance de a

nonc p90

E a= E pi y i = p i E y i = pi x i
i

E a = pi x i pi
i

pi x i=

pi =

1
x i x =0

x
i x 2

x i xi x
1
2
x x x i x =10
2=
2 x i

i i

E a=

d'o

E20 cart-types proportionnels y

nonc p91

1-

a=

wi w i xi y i wi x i wi y i
2
w i wi x 2i w i xi

2-

a=

u
v

u' =

avec

w i=

1
2 .
k yi
2

a u ' vv ' u
=
2
yj
v

u
2
x
1 x j 2 x j
1
x 1
= 3 2 2 3 2 2
yj
y
y
yj
y yj
yj
y yj

172

v'=

2
v 2
x
1 2 x j
x 2 x j
= 3 2 2
2 2
y j yj
y
y
y3j
y
y3j

Nous avons ainsi le calcul de la drive partielle, nous les


ajoutons au carr selon toutes les valeurs de j sur un tableur
afin d'obtenir sa :

y=5x+5

y=5,34x+3,46

173

Jeu de donnes 1 pour k=0,1 :

sa 0,422

Jeu de donnes 2 pour k=0,1 :

sa 0,427

Nous trouvons exactement les mmes rsultats avec les pe


tites variations :
j=1
a
yj

j=2

j=3

-0,2237 -0,0203 0,0331


d'o
j=1

a
yj

j=2

j=4

j=5

j=6

j=7

0,0496

0,0542

0,0543

0,0528

j=4

j=5

j=6

j=7

0,0343

0,0667

0,0410

0,0611

sa 0,422

j=3

-0,2232 -0,0016 0,0514


d'o

sa 0,427

Nous avions avec la mthode classique p59 :


Jeu de donnes 1 pour k=0,1 :

sa 0,422

Jeu de donnes 2 pour k=0,1 :

sa 0,399

Encore une fois la mthode avec la formule de propagation


et plus raliste que la mthode classique.

174

lequel xi=0. Au contraire si la droite est verticale, a et seul xi


1
sera contraignant pour ajuster la droite et w i
a xi 2

Dans le cas intermdiaire o a=1, yi et xi jouent des rles


1
symtriques ce qui est satisfait par la formule w i =
.
yi 2 x i 2

E22 Dcomposition en Gaussiennes

nonc p92

Nous considrons une dcomposition de la forme :

Nous avons six paramtres :


,

, etc.

Nous partons des paramtres estims suivants :

Si vous partez de paramtres quelconques, l'itration risque de


diverger. Vous regardez d'abord si l'adquation est graphiquement
correcte et, surtout, vous essayez manuellement, ttons, de
minimiser S2.

175

Nous obtenons les expressions suivantes pour la premire itration :

Connaissant les variations des paramtres nous obtenons un nouveau


jeu de paramtres pour la deuxime itration. Nous itrons autant que
ncessaire pour convergence et stabilit des grandeurs :

D'o les paramtres et matrice inverse finaux suivants :

176

Nous pouvons ainsi dterminer les cart-types sur les paramtres :

12

10

0
59,960

59,980

60,000

60,020

60,040

60,060

Un clou correspond une aire de 0,01x1, donc pour une unit d'aire :
u.a.=100 clous.

177

A= e

dx= 2

1 x
2

suite au changement de variable


Pour le pic de gauche :
Pour le pic de droite :

x '=

N 1 = 2 a 1 a 3 =17,334,91
N 2 = 2 a 4 a 6=31,184,72

Au total : N = N 1 N 2= 48,56,8 (cohrent avec 48 clous)

Devoir Suricate :
E1 : Pices
Nb de lancers possibles : 2x2x2x2=16.
Une seule possibilit correspond 4 piles d'o une probabilit de une
chance sur 16 soit 6,25%.
Quatre possibilits pour un pile : PFFF, FPFF, FFPF, FFFP. D'o
p=4/16 soit une chance sur quatre (p=0,25=25%).

E2 : Eaux minrales (bicarbonates et sulfates)


a) B=1234,8 mg/L.
b) B=1469 mg/L.
c) B=t.B /n. t(ddl=8;95%)=2,31. B=1131 mg/L. Grande disper
sion, la teneur en bicarbonate est trs variable d'une eau l'autre.
d) rBS = - 0,265 < 0,52. Les grandeurs peuvent tre considres
comme non corrles.
e) D'aprs la formule de propagation des incertitudes : si T=B+S on a
T=(B2+S2).

178

D'o T=1209,5 mg/L, T=B+S, T=1612 1209 mg/L 95%, trs


dispers.

E3 : Population (pauvres / non-pauvres)

Valeurs observes :
O11=112

O12=105

O13=154

O21=888

895

...

1000

1000

1000

O14=113
1000

Pauvres sur le pays : 112+105+154+113=484 sur 4000 personnes au


total, d'o 12,1% de pauvres. Nous en dduisons le tableau espr
pour l'hypothse de rpartition uniforme:
E11=121

E12=121

E13=121

E14=121

E21=879

E22=879

E23=879

E24=879

1000

1000

1000

1000

2 =

112 121 105 121 154 121 113 121

14,0
121
121
121
121

Le nombre de degrs de libert : ddl=(4-1)(2-1) d'o 2 =7,815 au


maximum pour que la probabilit que l'hypothse soit vraie soit sup
rieure 5%. Ici on est bien au dessus, l'hypothse est donc rejete
(pour tre plus prcis, la proba que l'hyp. soit juste n'est que de
0,29%) .

E4 : Eaux minrales (sodium et chlorures) 2)

179

Devoir Narval :
E1 : Ds
36 possibilits. 12 : p=1/36=2,8%. 7 : p=6/36=1/6=16,7%.
E2 : Maisons
a) b) c) d) R1=40 mK/W ; 1=1,85 mK/W; R1=1,55 mK/W; r12=0
e) R=28,6 0,8 mK/W
E3 : Salaires
=86,5 >> 7,8 hypothse non soutenable.
E4 : Courbes
1) d); 3) c) ; 4) b); 2) aucunes correspondances.

180

VIII. Bibliographie / Sources / Logiciels /


Illustrations
Livres
dans

[iv] PROTASSOV Konstantin. Probabilits et incertitudes


l'analyse des donnes exprimentales. Presses

Universitaires de Grenoble, 1999. 128 p.

[vi] WONNACOTT. Statistique conomie - Gestion Sciences - Mdecine. Economica, 1972. 919 p.
[x] JOURNEAUX Roger. Traitement des mesures. Ellipses,
2009. 377 p.
[iii] SAPORTA Gilbert. Probabilits, analyse des donnes et
statistique. Technip, 2006. 622 p.

ROUAUD Mathieu Probabilits, statistiques et analyses


multicritres., www.incertitudes.fr/proba-stat-acp/livre.pdf, 2012.
184 p, lulu.com.

Web
Placez http:// devant le nom des sites.
La plupart des fichiers sont en copie dans le dossier
<www.incertitudes.fr/livre/>.

ROUAUD Mathieu. Calculs d'incertitudes. <www.


incertitudes.fr/Incertitudes.html>
[viii] MARCADET Franoise. Estimer une incertitude et
Mesures et incertitudes (accompagnement personnalis en
1reS). Professeur de Sciences Physiques appartenant au groupe
acadmique. Lyce Alain Fournier de Bourges. Sur le site
<physique.ac-orleans-tours.fr/accompagnement_personnalise/>

181

[v] Nombres, mesures et incertitudes. mai 2010.


<www.educnet.education.fr/rnchimie/recom/mesures_incertitudes.pdf>

[vii] valuation des donnes de mesure Guide pour


lexpression de lincertitude de mesure. <www.bipm.org/utils/
common/documents/jcgm/JCGM_100_2008_F.pdf>, 2008. 132p.

BREUIL P, DI BENEDETTO D. Incertitude et talonnage.2000. 16p.


[ix] Algorithme de Gauss-Newton - Wikipdia
15 juin 2013 17:32

Articles
[i] Regression line analysis K.S.KRANE et L.SCHECTER
American J. of Physics 50,82 (1982).
[ii] ROUAUD Mathieu. Mesure avec une rgle. Bulletin
de l'Union des Physiciens n913, avril 2009.

Logiciels
Tous les logiciels utiliss sont libres et gratuits.

Traitement de texte et tableur OpenOffice et


LibreOffice
Graphisme : Gimp (points), Inkskape (vectoriel) et
Blender (3D).
Calcul : Scilab (numrique), XCAS (symbolique) et
programmes en PHP (sur serveur).
Trac de courbes : KmPlot, TeXgraph.
Systme d'exploitation : Ubuntu.

182

Illustrations
Reprsentations 3D situes avant la table des matires et en troisime
vignette de la couverture arrire.
Un marcheur alatoire se dplace dans un plan. Il lance deux pices et
regarde les rsultats : deux piles, un pile et un face, un face et un pile
ou deux faces. La premire pice lui indique s'il doit faire un premier
vers l'Est ou l'Ouest, la deuxime s'il doit faire un second pas vers le
Sud ou le Nord. Ainsi chaque intervalle de temps t il se dplace
dans le plan de deux pas. Pendant t la distance parcourue par le
marcheur est d = 2 p (p longueur d'un pas).
qu'elle distance du point de dpart se trouve
le marcheur l'instant t ? ( aprs n intervalles de temps : t = n t)
Pour n=1, nous traons les tableaux suivants :
0,5
-0,5

25% 25%
25% 25%

-0,5 0,5

Le centre du tableau est son point de dpart. En abscisse x (direction


Est-Ouest) le dplacement est de plus ou moins un pas (x=p , p=
d /2 et on a pris d=1). De mme en ordonne : y=p. Dans
chaque est indiqu le nombre de possibilits de se retrouver cet
endroit. Le second tableau indique les probabilits (1/4, 4=2x2).
Dans les quatre possibilits il est une distance 2/2 du point
d'origine. Et, en terme d'cart-type, la distance caractristique est
2
s= 4 .1/ 2 / 410,816 .
Pour n=2, nous traons les tableaux suivants :
1

6% 13% 6%

13% 25% 13%

-1

6% 13% 6%

-1

183

Par exemple pour tre en (x=0 ; y=-1), il y a deux chemins possibles :


(PF,PP) et (FP,PP). cart-type s2 1,033 .
Le marcheur a une chance sur quatre d'tre revenu au point de dpart.
Pour n=3, nous traons les tableaux suivants :

1,5

2% 5% 5% 2%

0,5

5% 14% 14% 5%

-0,5

-1,5

5% 14% 14% 5%

s31,234

2% 5% 5% 2%

-1,5 -0,5 0,5 1,5

Pour n=4, nous traons les tableaux suivants :


2

4 16 24 16 4

6 24 36 24 6

-1

4 16 24 16 4

-2

0,4% 1,6% 2,3% 1,6% 0,4%


1,6% 6,3% 9,4% 6,3% 1,6%
2,3% 9,4% 14% 9,4% 2,3%

1,6% 6,3% 9,4% 6,3% 1,6%

-2 -1

0,4% 1,6% 2,3% 1,6% 0,4%

Pour n=5, nous traons les tableaux suivants :


2,5

5 10 10 5

1,5

5 25 50 50 25 5

0,5

10 50

100 100

50 10

-0,5

10 50

100 100

50 10

-1,5

5 25 50 50 25 5

-2,5

5 10 10 5

0,1% 0,5% 1,0% 1,0% 0,5% 0,1%


0,5% 2,4% 4,9% 4,9% 2,4% 0,5%
1,0% 4,9% 9,8% 9,8% 4,9% 1,0%
1,0% 4,9% 9,8% 9,8% 4,9% 1,0%
0,5% 2,4% 4,9% 4,9% 2,4% 0,5%

0,1% 0,5% 1,0% 1,0% 0,5% 0,1%

-2,5 -1,5 -0,5 0,5 1,5 2,5

184

Pour n=6, nous traons les tableaux suivants :


3

15 20 15

0,0% 0,1% 0,4% 0,5% 0,4% 0,1% 0,0%

36 90 120 90 36

0,1% 0,9% 2,2% 2,9% 2,2% 0,9% 0,1%

15 90 225 300 225 90 15

20 120 300 400 300 120 20

-1 15 90 225 300 225 90 15


-2

36 90 120 90 36

-3

-3 -2

0,4% 2,2% 5,5% 7,3% 5,5% 2,2% 0,4%


0,5% 2,9% 7,3% 9,8% 7,3% 2,9% 0,5%
0,4% 2,2% 5,5% 7,3% 5,5% 2,2% 0,4%

15 20 15

0,1% 0,9% 2,2% 2,9% 2,2% 0,9% 0,1%

-1

0,0% 0,1% 0,4% 0,5% 0,4% 0,1% 0,0%

D'o l'volution de la distance quadratique moyenne du point


d'origine en fonction du temps :
t (t)

0,00 1,00 1,41 1,73 2,00 2,24 2,45

s (2p)

0,000 0,816 1,033 1,234 1,417 1,582 1,732

Nous traons la courbe les points pour s en fonction de t, puis celle


pour s en fonction de t :
2,0

2,0

R = 0,8839

1,5

1,5

1,0

1,0

0,5

0,5

0,0

R = 0,9957

0,0
0

0,0 0,5 1,0 1,5 2,0 2,5 3,0

Nous constatons une bien meilleur corrlation en t. En effet nous


voyions directement que la distance l'origine n'voluait pas
proportionnellement au temps, pour n=2 nous sommes environ une
unit de l'origine, nous devrions donc tre vers 3 pour n=6.
Cette variation en t est caractristique des phnomnes de diffusion
et trouve ici son analogie avec les compensations d'erreurs en n.

185

IX. TABLES / Index


A. Coefficients de Student
Coefficient
de Student

Degrs de libert (taille de l'chantillon moins le nombre de paramtres)

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
40
50
60
70
80
90
100
200
300
500
1000

Confiance (%)
50

80

90

95

98

99

99,5

99,8

99,9

1,00
0,82
0,76
0,74
0,73
0,72
0,71
0,71
0,70
0,70
0,70
0,70
0,69
0,69
0,69
0,69
0,69
0,69
0,69
0,69
0,69
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,67
0,67

3,08
1,89
1,64
1,53
1,48
1,44
1,41
1,40
1,38
1,37
1,36
1,36
1,35
1,35
1,34
1,34
1,33
1,33
1,33
1,33
1,32
1,32
1,31
1,31
1,31
1,30
1,30
1,30
1,29
1,29
1,29
1,29
1,29
1,28
1,28
1,28

6,31
2,92
2,35
2,13
2,02
1,94
1,89
1,86
1,83
1,81
1,80
1,78
1,77
1,76
1,75
1,75
1,74
1,73
1,73
1,72
1,72
1,71
1,71
1,70
1,70
1,68
1,68
1,67
1,67
1,66
1,66
1,66
1,65
1,65
1,65
1,65

12,7
4,30
3,18
2,78
2,57
2,45
2,36
2,31
2,26
2,23
2,20
2,18
2,16
2,14
2,13
2,12
2,11
2,10
2,09
2,09
2,07
2,06
2,06
2,05
2,04
2,02
2,01
2,00
1,99
1,99
1,99
1,98
1,97
1,97
1,96
1,96

31,8
6,96
4,54
3,75
3,36
3,14
3,00
2,90
2,82
2,76
2,72
2,68
2,65
2,62
2,60
2,58
2,57
2,55
2,54
2,53
2,51
2,49
2,48
2,47
2,46
2,42
2,40
2,39
2,38
2,37
2,37
2,36
2,35
2,34
2,33
2,33

63,7
9,92
5,84
4,60
4,03
3,71
3,50
3,36
3,25
3,17
3,11
3,05
3,01
2,98
2,95
2,92
2,90
2,88
2,86
2,85
2,82
2,80
2,78
2,76
2,75
2,70
2,68
2,66
2,65
2,64
2,63
2,63
2,60
2,59
2,59
2,58

127
14,1
7,45
5,60
4,77
4,32
4,03
3,83
3,69
3,58
3,50
3,43
3,37
3,33
3,29
3,25
3,22
3,20
3,17
3,15
3,12
3,09
3,07
3,05
3,03
2,97
2,94
2,91
2,90
2,89
2,88
2,87
2,84
2,83
2,82
2,81

318
22,3
10,2
7,17
5,89
5,21
4,79
4,50
4,30
4,14
4,02
3,93
3,85
3,79
3,73
3,69
3,65
3,61
3,58
3,55
3,50
3,47
3,43
3,41
3,39
3,31
3,26
3,23
3,21
3,20
3,18
3,17
3,13
3,12
3,11
3,10

637
31,6
12,9
8,61
6,87
5,96
5,41
5,04
4,78
4,59
4,44
4,32
4,22
4,14
4,07
4,01
3,97
3,92
3,88
3,85
3,79
3,75
3,71
3,67
3,65
3,55
3,50
3,46
3,44
3,42
3,40
3,39
3,34
3,32
3,31
3,30

0,67

1,28

1,64

1,96

2,33

2,58

2,81

3,09

3,29

186

B. Valeurs critiques de Khi-deux


Probabilit pour que l'hypothse soit vraie (%)

nombre de degrs de libert

2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

99
90
75
50
30
20
10
5
2
1 0,1
0,000157 0,0158 0,102 0,455 1,07 1,64 2,71 3,84 5,41 6,63 10,8
0,0201 0,211 0,575 1,39 2,41 3,22 4,61 5,99 7,82 9,21 13,8
0,115 0,584 1,21 2,37 3,66 4,64 6,25 7,81 9,84 11,3 16,3
0,297
1,06 1,92 3,36 4,88 5,99 7,78 9,49 11,7 13,3 18,5
0,554
1,61 2,67 4,35 6,06 7,29 9,24 11,1 13,4 15,1 20,5
0,872
2,20 3,45 5,35 7,23 8,56 10,6 12,6 15,0 16,8 22,5
1,24
2,83 4,25 6,35 8,38 9,80 12,0 14,1 16,6 18,5 24,3
1,65
3,49 5,07 7,34 9,52 11,0 13,4 15,5 18,2 20,1 26,1
2,09
4,17 5,90 8,34 10,7 12,2 14,7 16,9 19,7 21,7 27,9
2,56
4,87 6,74 9,34 11,8 13,4 16,0 18,3 21,2 23,2 29,6
3,05
5,58 7,58 10,3 12,9 14,6 17,3 19,7 22,6 24,7 31,3
3,57
6,30 8,44 11,3 14,0 15,8 18,5 21,0 24,1 26,2 32,9
4,11
7,04 9,30 12,3 15,1 17,0 19,8 22,4 25,5 27,7 34,5
4,66
7,79 10,2 13,3 16,2 18,2 21,1 23,7 26,9 29,1 36,1
5,23
8,55 11,0 14,3 17,3 19,3 22,3 25,0 28,3 30,6 37,7
5,81
9,31 11,9 15,3 18,4 20,5 23,5 26,3 29,6 32,0 39,3
6,41
10,1 12,8 16,3 19,5 21,6 24,8 27,6 31,0 33,4 40,8
7,01
10,9 13,7 17,3 20,6 22,8 26,0 28,9 32,3 34,8 42,3
7,63
11,7 14,6 18,3 21,7 23,9 27,2 30,1 33,7 36,2 43,8
8,26
12,4 15,5 19,3 22,8 25,0 28,4 31,4 35,0 37,6 45,3
8,90
13,2 16,3 20,3 23,9 26,2 29,6 32,7 36,3 38,9 46,8
9,54
14,0 17,2 21,3 24,9 27,3 30,8 33,9 37,7 40,3 48,3
10,2
14,8 18,1 22,3 26,0 28,4 32,0 35,2 39,0 41,6 49,7
10,9
15,7 19,0 23,3 27,1 29,6 33,2 36,4 40,3 43,0 51,2
11,5
16,5 19,9 24,3 28,2 30,7 34,4 37,7 41,6 44,3 52,6
12,2
17,3 20,8 25,3 29,2 31,8 35,6 38,9 42,9 45,6 54,1
12,9
18,1 21,7 26,3 30,3 32,9 36,7 40,1 44,1 47,0 55,5
13,6
18,9 22,7 27,3 31,4 34,0 37,9 41,3 45,4 48,3 56,9
14,3
19,8 23,6 28,3 32,5 35,1 39,1 42,6 46,7 49,6 58,3
15,0
20,6 24,5 29,3 33,5 36,3 40,3 43,8 48,0 50,9 59,7
15,7
21,4 25,4 30,3 34,6 37,4 41,4 45,0 49,2 52,2 61,1
16,4
22,3 26,3 31,3 35,7 38,5 42,6 46,2 50,5 53,5 62,5
17,1
23,1 27,2 32,3 36,7 39,6 43,7 47,4 51,7 54,8 63,9
17,8
24,0 28,1 33,3 37,8 40,7 44,9 48,6 53,0 56,1 65,2
18,5
24,8 29,1 34,3 38,9 41,8 46,1 49,8 54,2 57,3 66,6
19,2
25,6 30,0 35,3 39,9 42,9 47,2 51,0 55,5 58,6 68,0
20,0
26,5 30,9 36,3 41,0 44,0 48,4 52,2 56,7 59,9 69,3
20,7
27,3 31,8 37,3 42,0 45,1 49,5 53,4 58,0 61,2 70,7
21,4
28,2 32,7 38,3 43,1 46,2 50,7 54,6 59,2 62,4 72,1
22,2
29,1 33,7 39,3 44,2 47,3 51,8 55,8 60,4 63,7 73,4

187

Index
Asymptotes...........................88
Calcul d'incertitude...............46
Capacit thermique.................1
Chi 2.....................................69
Classe................................6, 32
Clous.....................................92
Coefficient d'aplatissement 141
Coefficient de corrlation.....40
Coefficient de dissymtrie..141
Coefficient de Student...12, 53,
186
Compensations.............47, 101
Conductivit thermique........83
Confiance..............................12
Dcomposition en gaussiennes
..............................................92
Densit de probabilit.....18, 95
Drive partielle...........52, 140
Ds............................15, 33, 98
Dtente de Joule Gay-Lussac
............................................113
Dveloppement limit..........74
Diffusion.............................185
Dispersion...........................110
Distribution de Gauss.....10, 18
Droites extrmes...........54, 134
Eaux minrales...................121
cart....................................111
cart moyen......................3, 31

cart quadratique moyen........4


cart-type.......................3, 110
quation diffrentielle..........84
Erreur accidentelle........27, 110
Erreur alatoire...104, 110, 111
Erreur de discrtisation..27, 93,
110
Erreur de mesure................111
Erreur de type A.................110
Erreur de type B.................110
Erreur systmatique.....27, 104,
110, 111
Esprance......................19, 110
Estimation.............................54
tendue.............................3, 95
Facteur d'largissement......110
Fidlit..................................27
Focomtrie..............81, 86, 112
Formule de Cauchy........70, 82
Formule de propagation des
cart-types....................45, 103
Formule de propagation des
incertitudes...................45, 104
Frquence...............................6
Gaussienne 3D......................35
Gaz parfait....................58, 114
Goniomtre.........................128
Hypothse ergodique..........116
Incertitude.............................12
Incertitude absolue.........12, 48

188

Incertitude relative..........12, 48
Incertitude-type..................110
Indice............................81, 128
Intgrale........................19, 141
Intgrale multiple.................35
Intervalle de confiance...54, 88
Intervalle de prdiction...55, 88
Isolant...................................32
Justesse.........................27, 110
Linarisation...................60, 73
Loi de probabilit triangulaire
......................................98, 105
Loi de probabilit uniforme..95
Macrotat............................115
Mdiane..................................2
Mesurage............................110
Mesurande..........................110
Mesure optique...................133
Mthode des petites variations
..............................................66
Mthode itrative......57, 70, 73
Mtrologie..........................105
Microtat............................115
Miroir sphrique.................132
Mode.......................................1
Moindres carrs........51, 57, 68
Moment..............................141
Montage longue drivation.162
Moyenne.................................2
Moyenne arithmtique............2
Moyenne gomtrique............2

Nuages de points..................42
Ordonne l'origine.............52
Parfaite................................104
Pente.....................................52
Physique statistique............115
Pile lectrique.......................86
Prdiction..............................55
Prisme...........................82, 128
Produit de convolution...93, 97
Rgression avec barres
d'erreurs................................57
Rgression gnralise.........68
Rgression linaire...............51
Rgression multiple..............68
Rgression non linaire........73
Rgression parabolique........71
Rgression polynomiale.......70
Rptabilit...................27, 110
Reproductibilit............27, 110
Rsidu.............................52, 69
Rsistance thermique....83, 124
Rsolution...............27, 93, 110
Spectre de raie......................82
Test d'hypothse...................22
Test du Khi-deux..................24
Thorme central limite.......10,
101
Valeur vraie........................110
Variance..................19, 96, 101
Vernier................................129
Zro absolu...........................55

189