Vous êtes sur la page 1sur 14

Precision´

d’un resultat´

et calculs

d’incertitudes

PSI* 2012-2013 Lyc´ee Chaptal

3

Table des mati`eres

Table des mati`eres

1. Pr´esentation d’un r´esultat num´erique

 

4

1.1 Notations

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

a) scientifique

Notation

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

b) ing´enieur

Notation

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

1.2 Chiffres significatifs

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

a) Nombre de chiffres significatif d’un r´esultat

num´erique

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

b) Pr´ecision d’un r´esultat num´erique

 

4

1.3 Chiffres significatifs et op´erations

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

2. Pr´esentation d’un r´esultat exp´erimental

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

2.1 R´esultat

d’une

 

mesure

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

2.2 Chiffres significatifs du r´esultat d’une

mesure

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

3. Incertitudes des mesures

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

6

3.1 Erreur syst´ematique et erreur al´eatoire

 

6

3.2 Calculs classiques d’incertitude

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

7

a) M´ethode

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

7

b) Incertitude

 

de

mesure

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

8

c) Critiques

d) Int´erˆets des

.

li´ee `a un appareil .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

calculs

d’incertitudes classiques

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

8

9

e) Exemple de

 

calcul : c´el´erit´e d’une onde ultrasonore

 

9

4. Analyse statistique d’une s´erie

de

mesures

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

10

4.1 Mesures ind´ependantes

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

10

4.2 Loi

gaussienne

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

10

4.3 Exploitation statistique d’une s´erie de mesures

 

12

a) Estimations de la valeur exacte et de l’´ecart-type

 

12

b) Intervalle de confiance (m´ethode de Student)

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

12

4.4 Int´erˆet de choisir la moyenne comme estimateur de la grandeur mesur´ee

 

13

4.5 Exemple

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

14

1. Pr´esentation d’un r´esultat num´erique

4

1. Pr´esentation d’un r´esultat num´erique

1.1 Notations

a) Notation scientifique

La notation (ou ´ecriture) scientifique est une repr´esentation d’un nombre r´eel sous la forme d’un produit de deux facteurs. Le premier facteur est un nombre d´ecimal dont la

valeur absolue de la partie enti`ere est un chiffre comprise entre 1 et 9. Le second facteur est une puissance enti`ere de 10. Exemple : T = 298 K s’´ecrit en notation scientifique

T

= 2, 98.10 2 K.

b)

Notation ing´enieur

La notation ing´enieur consiste `a exprimer un nombre r´eel sous la forme x · 10 n , o`u x est un nombre compris entre 1 et 999 et n est un entier multiple de 3. Exemple : U = 0, 045 V s’´ecrit en notation ing´enieur U = 45.10 3 V = 45 mV.

1.2 Chiffres significatifs

a) Nombre de chiffres significatif d’un r´esultat num´erique

Dans un r´esultat num´erique, tous les chiffres autre que z´ero sont significatifs. Les z´eros sont significatifs lorsqu’ils se trouvent entre d’autres chiffres ou `a leur droite ; ils ne le sont pas lorsqu’ils se trouvent `a leur gauche. Exemples :

3, 2 contient 2 chiffres significatifs ;

3, 20 contient 3 chiffres significatifs ;

0, 32 contient 2 chiffres significatifs ;

3200 contient 4 chiffres significatifs.

Signalons qu’un nombre entier naturel est consid´er´e comme poss´edant un nombre illimit´e de chiffres significatifs ; il en est de mˆeme de son inverse.

b) Pr´ecision d’un r´esultat num´erique

La pr´ecision d’un r´esultat num´erique augmente avec le nombre de chiffres significatifs exprim´e. Le dernier chiffre est alors incertain. Exemples :

L = 12, 597 km = 12, 597.10 3 m (5 chiffres significatifs) signifie que

12596, 5 m < L < 12597, 5 m ;

L = 12, 60 km = 12, 60.10 3 m (4 chiffres significatifs) signifie que

12595 m < L < 12605 m ;

L = 12, 6 km = 12, 6.10 3 m (3 chiffres significatifs) signifie que

12550 m < L < 12650 m .

5

2. Pr´esentation d’un r´esultat exp´erimental

1.3 Chiffres significatifs et op´erations

Il faut toujours arrondir le r´esultat final fourni par la calculatrice afin de l’exprimer avec une pr´ecision ´egale `a celle de la donn´ee utilis´ee la moins pr´ecise. Par exemple, le r´esultat de la multiplication

36, 54 · 58, 4 = 2133, 936

doit ˆetre arrondi `a 2, 13.10 3 ,

car la donn´ees la moins pr´ecise (58, 4) contient 3 chiffres significatifs. De mˆeme, apr`es une addition ou une soustraction, le r´esultat ne doit pas avoir plus de d´ecimales que le nombre qui en comporte le moins :

220, 2 + 968, 114 12, 51 = 1175, 804

doit ˆetre arrondi `a 1175, 8 .

2. Pr´esentation d’un r´esultat exp´erimental

2.1 R´esultat d’une mesure

Consid´erons une grandeur physique A dont la valeur exacte est not´ee a e . Une mesure n’´etant jamais parfaite, la valeur a e n’est pas accessible par l’exp´erience, il s’agit d’une valeur inconnue pour l’exp´erimentateur. Une mesure est en effet toujours entach´ee d’erreurs dont les causes sont multiples : mat´eriel employ´e, qualification de l’exp´erimen- tateur effectuant la mesure, m´ethode utilis´ee, influence de l’environnement de la grandeur mesur´ee Pour chaque mesure d’une grandeur physique A, il faut id´ealement pr´esenter le r´esultat de la mesure sous la forme d’un intervalle :

A = aˆ ± ∆a

o`u

aˆ est l’estimateur de la valeur exacte a e ; ε a = a a e repr´esente alors l’erreur commise sur la mesure de A ; ∆a est l’incertitude sur la mesure de A telle que la probabilit´e p pour que l’intervalle num´erique [ˆa∆A ; aˆ+∆A] contienne la valeur exacte a e soit assez ´elev´ee (par exemple p = 95%).

Exemple : U = 2, 48±0, 02 V signifie que la valeur exacte de la tension U a une probabilit´e ´elev´ee d’appartenir `a l’intervalle [2, 46 V ; 2, 50 V].

2.2 Chiffres significatifs du r´esultat d’une mesure

On expliquera dans les prochains chapitres la mani`ere d’´evaluer l’incertitude d’une mesure. Mais retenons d’ores et d´ej`a les r`egles d’´ecriture du r´esultat d’une mesure, r`egles qui d´ecoulent des cons´equences des arrondis de aˆ et ∆a sur les variations tol´erables de l’intervalle de mesure.

3. Incertitudes des mesures

6

On exprimera l’incertitude ∆a avec au plus 2 chiffres significatifs.

On conservera pour l’estimateur aˆ les chiffres significatifs qui interviennent dans ∆a.

Exemple : le r´esultat U = 2, 5785 ± 0, 0127 V devra ˆetre mis sous la forme finale

U = 2, 578 ± 0, 013 V.

En l’absence de calcul d’incertitude, le r´esultat d’une mesure sera ´ecrit avec au plus 3 chiffres significatifs.

En effet, avec le mat´eriel utilis´e au lyc´ee, la pr´ecision est en g´en´eral de l’ordre de 1%, ce qui conduit `a ´ecrire les r´esultats des mesures avec 2 ou 3 chiffres significatifs.

3. Incertitudes des mesures

3.1 Erreur syst´ematique et erreur al´eatoire

Une erreur syst´ematique affecte le r´esultat constamment et toujours dans le mˆeme sens, elle contribue `a toujours sur´evaluer, ou toujours sous-´evaluer, la valeur mesur´ee.

Exemples de causes d’erreurs syst´ematiques

Mauvais ´etalonnage d’un appareil.

Mauvais r´eglage du z´ero d’un appareil (balance par exemple).

Vieillissement des composants.

Le protocole exp´erimental peut introduire une erreur syst´ematique. Par exemple, si l’on desire mesurer `a la fois la tension aux bornes d’un dipˆole et le courant qui le traverse, on peut r´ealiser deux montages possibles :

Montage longue dérivation :

V
V
A dipôle
A
dipôle
deux montages possibles : Montage longue dérivation : V A dipôle Montage courte dérivation : V

Montage courte dérivation :

V
V
A
A
dipôle
dipôle
A dipôle
deux montages possibles : Montage longue dérivation : V A dipôle Montage courte dérivation : V
deux montages possibles : Montage longue dérivation : V A dipôle Montage courte dérivation : V

E

E

7

3. Incertitudes des mesures

Ces deux montages introduisent des erreurs syst´ematiques. Dans le montage longue d´erivation, le voltm`etre mesure la somme des diff´erences de potentiel du dipˆole et de l’amp`erem`etre. Dans le montage courte d´erivation, l’amp`erem`etre mesure la somme des courants traversant le dipˆole et le voltm`etre. Notons que pour des multim`etres num´eriques, le montage courte-d´erivation est `a privil´egier car le courant traversant un voltm`etre num´erique est tr`es faible (r´esistance interne de l’ordre de 10 M) alors que la chute de tension due `a un amp`erem`etre num´erique n’est pas n´egligeable.

Une erreur est al´eatoire lorsque, d’une mesure `a l’autre, la valeur obtenue peut ˆetre sur´evalu´ee ou sous-´evalu´ee par rapport `a la valeur exacte de la grandeur.

Exemples de causes d’erreurs al´eatoires

Un exemple d’erreur al´eatoire est la mesure du temps avec un chronom`etre. L’erreur vient du temps de r´eaction de l’exp´erimentateur au d´emarrage et `a l’arrˆet du chronom`etre. Comme ce temps de r´eaction n’est pas toujours le mˆeme, la valeur mesur´ee peut ˆetre sur´evalu´ee ou sous-´evalu´ee.

Parasites du circuit d’alimentation en ´electronique.

Fluctuations des param`etres physiques de l’environnement (temp´erature, pression, hu- midit´e de l’aire

Remarque : une erreur donn´ee peut, suivant les conditions, apparaˆıtre comme syst´ema- tique ou al´eatoire. Consid´erons par exemple le cas de l’erreur de parallaxe 1 : si l’op´erateur se place toujours sous le mˆeme angle par rapport `a la perpendiculaire `a la graduation d’un appareil de mesure, il introduira une erreur syst´ematique dans ses lectures. Par contre, s’il se place de mani`ere al´eatoire par rapport `a la perpendiculaire `a la graduation, l’erreur de parallaxe sera al´eatoire.

3.2 Calculs classiques d’incertitude

a) M´ethode

Soit une grandeur A = f (x, y, z) o`u x, y et z repr´esentent les mesures primaires. L’incertitude sur la grandeur A peut ˆetre exprim´ee en donnant :

soit l’incertitude absolue ∆A ;

soit l’incertitude relative ∆A/A.

Expression de la diff´erentielle de f :

df = f dx + f dy + f dz .

∂x

∂y

∂z

On note ∆x, ∆y et ∆z, les incertitudes absolues sur les mesures primaires. La quantit´e

1 l’erreur de parallaxe est l’angle entre la direction du regard d’un observateur et la perpendiculaire `a la graduation d’un appareil de mesure, amenant `a une erreur de lecture de la mesure effectu´ee.

3. Incertitudes des mesures

8

∆A =

∂f

∂x

∆x +

∂f

∂y

∆y +

∂f

∂z

∆z

donne une estimation de l’incertitude de mesure sur la grandeur A.

R`egles de calcul classiques :

A =

x + y + z

=

A = x m y n

=

∆A = ∆x + ∆y + ∆z ;

A

|A|

=

|m| x + |n| y

|x|

|y|

.

b)

Afin d’´evaluer l’incertitude li´ee `a un appareil de mesure, on peut utiliser les indications du constructeurs (notice). Cette proc´edure demeure valable si l’appareil est r´eguli`erement r´e-´etalonn´e.

Incertitude li´ee `a un appareil de mesure

Pour un appareil `a aiguille, il est pr´ef´erable de l’utiliser, si possible, pas trop loin de la pleine ´echelle afin d’obtenir une incertitude relative faible. Un appareil `a aiguille de classe p signifie qu’il introduit une incertitude relative de p % sur une mesure ´egale au calibre. Exemple : un appareil de classe 2 comportant 150 divisions introduira une

incertitude absolue de

2

100 · 150 soit 3 divisions et ceci quelle que soit l’amplitude de

la d´eviation.

Pour les appareils num´eriques, l’incertitude absolue comprend souvent un pourcentage de la valeur mesur´ee plus un terme constant. Par exemple, la notice d’un voltm`etre donne comme information sur l’incertitude : 0, 5% +1 digit (c’est-`a-dire 1 unit´e sur le dernier chiffre). Mesurons une mˆeme tension U en utilisant deux calibres diff´erents. Affichage du voltm`etre sur le calibre 200 mV : 150,0. L’incertitude de mesure vaut alors :

 

∆U = 0, 5

100 · 150, 0 + 0, 1

soit

∆U

= 0, 85 mV ;

 

Affichage du voltm`etre sur le calibre 20 V : 00,15. L’incertitude de mesure vaut alors :

∆U = 0, 5

100 · 0, 15 + 0, 01 = 1, 075.10 2 V

soit

∆U = 10, 75 mV ;

On pourra retenir qu’il faut utiliser le plus petit calibre possible (ici 200 mV) pour b´en´eficier du maximum de pr´ecision lors de la mesure.

c)

Critiques

Cette ´etude ne prend pas en compte toutes les causes d’erreur. Par exemple, lors de l’´etude de la r´esonance d’un circuit RLC, il faut appr´ecier la fr´equence pour laquelle le courant passe par un maximum. Cette impr´ecision est, en g´en´eral, tr`es sup´erieure `a celle d´eduite de l’indication d’un fr´equencem`etre.

Les incertitudes sur les mesures primaires sont souvent estim´ees de mani`ere empirique, `a moins de disposer de la notice des appareils de mesure.

9

3. Incertitudes des mesures

Le niveau de confiance qu’on peut accorder aux diverses incertitudes n’est pas pr´ecis´e. On suppose qu’il est proche de 100%. Pour garder un tel niveau de confiance, le calcul consid`ere que toutes les erreurs vont dans le mauvais sens (d’o`u les valeurs absolues dans les calculs) et cela conduit `a des incertitudes assez grandes.

d)

Int´erˆets des calculs d’incertitudes classiques

Les calculs d’incertitudes classiques ont tout de mˆeme des qualit´es.

Ils permettent de voir les grandeurs sur lesquelles devra porter l’am´elioration de la pr´ecision. Exemple : la loi pour la chute libre g = 2h/t 2 montre qu’une erreur sur la mesure du temps t aura plus de r´epercussion qu’une erreur sur la hauteur h.

Ils fournissent un ordre de grandeur correct. En particulier, s’il s’agit de mesurer une mˆeme grandeur par plusieurs m´ethodes, il est utile de pouvoir dire quelle est la plus pr´ecise.

Au final, il est n´ecessaire d’adapter le nombre de chiffres significatifs d’une mesure `a son incertitude (cf. chapitre 2).

e) Exemple de calcul : c´el´erit´e d’une onde ultrasonore

La mesure de la longueur d’onde λ d’une onde ultrasonore fournit le r´esultat :

λ = 8, 630 ± 0, 018 mm .

D’o`u l’incertitude relative sur λ :

∆λ

λ

=

0, 018

8, 630

= 2, 1.10 3 .

La notice de l’´emetteur de l’onde ultrasonore fournit comme valeur de la fr´equence f 0 = 40, 0 kHz, par cons´equent 39950 Hz < f 0 < 40050 Hz. L’incertitude relative sur la fr´equence a donc pour valeur :

∆f 0

f 0

=

50 0.10 3 = 1, 2.10 3 .

40,

Valeur de la c´el´erit´e de l’onde : c = λf 0 = 345, 24 m·s 1 . En diff´erentiant de fa¸con logarithmique la relation c = λf 0 , on obtient l’incertitude relative puis absolue sur c :

∆c = ∆λ + ∆f 0

c λ

f 0

= 3, 3.10 3

soit

∆c = 1, 1 m·s 1 .

D’o`u la valeur exp´erimentale de la mesure de la c´el´erit´e : c = 345, 2 ± 1, 1 m·s 1 .

4. Analyse statistique d’une s´erie de mesures

10

4. Analyse statistique d’une s´erie de mesures

L’analyse statistique repr´esente une autre alternative pour les calculs d’incertitudes. Cette d´emarche s’applique aux erreurs al´eatoires.

4.1 Mesures ind´ependantes

Des mesures sont consid´er´ees comme ind´ependantes si elles sont effectu´ees par des ma- nipulateurs diff´erents sur des appareillages diff´erents (mais du mˆeme type) en suivant le mˆeme protocole. Exemple : mesure d’une grandeur physique d’un mˆeme objet par diff´erents groupes de TP ´equip´es du mˆeme type de mat´eriel. Dans le cas contraire (manipulateurs utilisant successivement le mˆeme mat´eriel ou manipulateur unique utilisant successivement plusieurs appareils), les mesures sont dites corr´el´ees.

4.2 Loi gaussienne

Supposons que nous disposions d’un grand nombre n de mesures ind´ependantes x i d’une

mˆeme grandeur X . On note x, la moyenne arithm´etique de ces mesures :

x = n

i=1 x i

arithm´etique de ces mesures : x = ∑ n i =1 x i n . En

n

.

En l’absence d’erreur syst´ematique, on estime que la moyenne x des mesures tend vers la valeur exacte x e lorsque n tend vers l’infini :

n−→∞ x = x e .

lim

On note P (x) la distribution de probabilit´e associ´ee `a la variable al´eatoire x : la quantit´e P (x)dx repr´esente alors la probabilit´e de trouver la valeur de la mesure dans l’intervalle [x; x + dx]. Dans un grand nombre de situations, la probabilit´e de trouver une valeur x en mesurant la grandeur X, ob´eit `a une loi de Gauss :

P(x) =

σ 2π exp [ (x x e ) 2

1

2σ 2

] (expression non exigible)

o`u

la quantit´e σ est appel´e ´ecart-type quadratique moyen ;

la constante 1 2π permet de normaliser la loi de probabilit´e :

−∞

P (x)dx = 1 .

Cette loi est tr`es r´epandue car il suffit que les causes des erreurs al´eatoires soient mul- tiples et d’importance comparable pour qu’elle soit v´erifi´ee.

11

4. Analyse statistique d’une s´erie de mesures

La valeur exacte de X repr´esente la moyenne de cette distribution de probabilit´e :

x e = x=

−∞

xP (x)dx .

L’´ecart-type quadratique moyen v´erifie la relation

σ = (x x e ) 2 = √ ∫

−∞

(x x e ) 2 P (x)dx .

La probabilit´e qu’une mesure x i tombe dans l’intervalle [x e 2σ, x e + 2σ] est

x e +2σ

x e 2σ

P (x)dx = 0, 954 .

Le tableau suivant donne la probabilit´e qu’une mesure x i tombe dans un intervalle centr´e sur la valeur exacte x e :

Intervalle de confiance

Probabilit´e

[x e σ,

x e + σ]

68%

[x e 1, 96σ,

x e + 1, 96σ]

95%

[x e 2σ,

x e + 2σ]

95, 4%

[x e 2, 58σ,

x e + 2, 58σ]

99%

[x e 3σ,

x e + 3σ]

99, 7%

P(x) σ 2σ 2 x x e 3σ
P(x)
σ
2
x
x
e

4. Analyse statistique d’une s´erie de mesures

12

4.3 Exploitation statistique d’une s´erie de mesures

Comme exp´erimentalement, on n’a souvent qu’un petit nombre n de mesures ind´ependantes (n variant de 5 `a 20 par exemple), on n’a acc`es ni `a x e , ni `a σ mais seulement `a une esti- mation de ces grandeurs.

a) Estimations de la valeur exacte et de l’´ecart-type

Les math´ematiques permettent de montrer que le meilleur estimateur x de la valeur exacte x e (valeur moyenne de la distribution P (x)) est la moyenne arithm´etique des n mesures ind´ependantes, de qualit´e comparable (donc apr`es avoir ´ecart´e les mesures manifestement aberrantes, signes d’un incident de manipulation) :

x = x = n

i=1 x i

de manipulation) : x = x = ∑ n i =1 x i n . On

n

.

On admettra ´egalement que le meilleur estimateur de σ est donn´e par l’´ecart-type exp´erimental de la s´erie de mesure :

σ n1 = √ ∑ n

i=1 (x i x) 2

n 1

.

Propri´et´e :

lim

n−→∞ σ n1 = σ .

Remarque : rep´erer σ n1 dans la liste des fonctions pr´e-programm´ees de vos calculatrices 1 .

b) Intervalle de confiance (m´ethode de Student)

Dans l’hypoth`ese o`u toute erreur syst´ematique a ´et´e ´ecart´ee et o`u les mesures individuelles x i sont r´eparties selon une loi gaussienne, il est possible d’approcher la valeur exacte x e de la grandeur X avec une certaine probabilit´e. Soit t n,p un coefficient, appel´e coefficient de Student, d´ependant du nombre n de mesures et du degr´e de probabilit´e souhait´e (p %). La valeur exacte x e a alors une proba- bilit´e de p % de se trouver dans l’intervalle d´efini ci-dessous, appel´e intervalle de confiance :

[ x t n,p

σ

σ

n1

]

 
;
;

x + t n,p

 

.

n

n

 

x = x = n

i=1 x i

 

σ

n1

X = xˆ ± ∆x

avec

   

et

 

n

∆x = t n,p

n

.

n1

Par cons´equent :

13

4. Analyse statistique d’une s´erie de mesures

Le coefficient t n,p est tabul´e en fonction du nombre de mesures n pour diff´erents niveaux de confiance p. Par exemple, pour p = 95% et p = 99%, on a

 

n

3

4

5

6

7

8

9

10

11

12

t

n,95%

4, 30

3, 18

2, 78

2, 57

2, 45

2,37

2,31

2,26

2,23

2,20

t

n,99%

9, 93

5, 84

4, 60

4, 03

3, 71

3,50

3,36

3,25

3,17

3,11

 

n

13

14

15

16

17

18

19

20

21

22

t

n,95%

2,18

2,16

2,14

2,13

2,12

2,11

2,10

2,09

2,09

2,08

t

n,99%

3, 05

3, 01

2,98

2,95

2,92

2,90

2,88

2,86

2,85

2,83

Limites des coefficients de Student pour les niveaux de confiance p = 95% et p = 99% :

lim

n+ t n,95% = 1, 96 et

lim

n+t n,99% = 2, 58 .

Commentaires

Pour un mˆeme nombre n de mesures ind´ependantes, le coefficient de Student t n,p aug- mente avec le niveau de confiance p souhait´e.

Pour un mˆeme niveau de confiance p donn´e, t n,p d´ecroˆıt lorsque n augmente. Mais les variations de t n,p avec n sont assez faibles. Par exemple, pour n 10, on a :

1, 96 t n,95% 2, 26

et

2, 58 t n,99% 3, 25 .

Le coefficient de Student t n,p variant assez faiblement avec n, la largeur de l’intervalle de confiance, li´ee `a la pr´ecision de la mesure,

∆x = t n,p

σ n1

n

d´epend donc essentiellement du facteur n qui divise σ n1 .

4.4 Int´erˆet de choisir la moyenne comme estimateur de la grandeur mesur´ee

Cas d’une mesure unique. Nous avons ´etablis que la probabilit´e pour qu’une mesure unique x i appartienne `a l’intervalle [x e 1, 96σ, x e + 1, 96σ] est de 95%. Cas d’une s´erie de mesure. Pour n 20, la valeur exacte x e a une probabilit´e de 95% d’appartenir `a l’intervalle

[ x t n,95

σ n−1 √ ; x + t n,95 n
σ n−1
;
x + t n,95
n

σ n1

n

] avec

t n,95% 2 .

σ n1 ´etant un bon estimateur de σ, le fait de choisir la moyenne arithm´etique x comme estimateur de la grandeur mesur´ee permet donc de diminuer l’incertitude sur la mesure

d’un facteur n par rapport `a une mesure unique.

4. Analyse statistique d’une s´erie de mesures

14

Dans le cas o`u les coefficients de Student ne sont pas fournis, on pourra ´ecrire le r´esultat d’une s´erie de mesures sous la forme (valable pour n 10) :

= x = n

i=1 x i

n

∆x 2 σ n1

X = xˆ ± ∆x

avec

x

et

pour

p 95% .

n

4.5 Exemple

S´erie de mesures (n = 6) de l’intensit´e du champ de pesanteur g (m·s 2 ) :

9, 68 ; 9, 85 ; 9, 85 ; 9, 77 ; 9, 87 ; 9, 79.

Valeur moyenne de g : g = 9, 80167 m·s 2 .

M´ethode de Student :

σ n1 = 7, 11.10 2

;

t n,95% = 2, 57

pour n = 6 mesures.

Incertitude sur la moyenne :

∆g = 2, 57 · 7, 11.10 2

6

R´esultat de la s´erie de mesures :

= 0, 075 m·s 2 .

g = 9, 802 ± 0, 075 m·s 2 .

Intervalle de confiance `a 95% :

[9, 802 0, 075 ;

9, 802 + 0, 075] = [9, 727 ;

- - FIN - -

9, 877] .