Chapitre 3

ERREURS ET INCERTITUDES DANS LES

MESURES PHYSIQUES : aspect pratique

Ce chapitre, comme le précédent, est fondamental pour toute la physique expérimentale donc pour les travaux
pratiques.

I/ Quelques définitions simples sur les appareils de mesure.

Les définitions données dans cette liste ont été parfois simplifiées. Nous les utiliserons pour les tp. Pour plus
d’informations, nous vous renvoyons à un cours de métrologie. Le but est ici de faire une approche simplifiée du
problème.

• Calibre (gamme): indication maximale de l’échelle de mesure de l’instrument.

• Précision d’un appareil: Caractéristique d’un appareil permettant d’accéder à l’incertitude de la

mesure.

Par exemple sur la notice d’emploi du voltmètre F79 de tp on lit ( Annexe1):

Gamme Résolution Précision

400,0 mV 0.1 mV ± (1.9 % + 4 digits)

On dira que la précision de la mesure est de 1.9 % de la lecture plus 4 digits. Ainsi si on lit sur
l’écran du voltmètre : 356.8 mV. L’incertitude absolue de la mesure sera de (0.019*356.8 + 0.4) = 7.2 mV

Pour les 1.9% pour les digits

Le + 4 digits signifie que le dernier chiffre affiché est incertain à 4 près. En effet, l’appareil de
mesure numérique est incertain au niveau de la mesure et aussi au niveau de l’affichage de la mesure.

• Sensibilité: variation minimale détectable (par l’appareil) de la grandeur mesurée.

• Fidélité: traduit la constance des valeurs obtenues au cours de différentes mesures de grandeurs
identiques. Autrement dit si on reproduit plusieurs fois la même mesure avec le même appareil, on
obtiendra la même chose avec un appareil très fidèle, des valeurs proches mais différentes avec un
appareil moins fidèle.

• Justesse ou exactitude: traduit le fait que la moyenne des valeurs mesurées est plus ou moins
voisine de la valeur vraie de la grandeur à mesurer. Un appareil fidèle peut-être faux et un appareil
peu fidèle peut être juste !!!

• Temps de réponse: temps mis par l’appareil pour donner la valeur mesurée. Cette grandeur est à
bien connaître lorsqu’on mesure un phénomène physique qui évolue au cours du temps. La valeur
affichée à l’instant t par l’appareil peut correspondre en fait à la valeur à l’instant t-∆t où ∆t
correspond au temps de réponse, il faut tenir comp te du décalage.

Toutes ces caractéristiques doivent être bien connues de l’expérimentateur pour évaluer de façon précise
l’incertitude d’une mesure. Il faut donc bien étudier la notice d’emploi d’un appareil avant de faire une
mesure pour en connaître toutes les caractéristiques.

II/ Traitement statistique d’une mesure pouvant être répétées autant de fois que l’on veut.

Pour améliorer la précision d’une mesure, on peut répéter cette mesure un grand nombre de fois. Si la
mesure est entachée d’une erreur systématique, cela ne changera rien puisque la même erreur apparaîtra à chaque

17
fois. Mais si on a corrigé les erreurs systématiques (ce qui est possible avec du temps et de la compétence), il ne
reste plus que les erreurs aléatoires. On peut alors jouer sur l’effet statistique pour améliorer la précision de la
mesure en remarquant que si une erreur est aléatoire, elle a autant de chances de se produire par excès que par
défaut. Il y aura donc un effet de compensation si l’on reproduit la mesure un grand nombre de fois.

On reproduit donc un grand nombre de fois la mesure d’une même grandeur en utilisant par exemple
des appareils de mesures différents (mais à priori de mêmes caractéristiques). On obtient donc une collection de
n mesures [Xi ] de la grandeur physique X.

On définit alors:
n

∑X
1
* La valeur moyenne : Xm = i qui donnera le résultat de la mesure.
n
i=1

∑ (X i − X m )²
i =1
* L’écart type: s =
n −1

On montre moyennant certaines hypothèses sur le caractère aléatoire de l’erreur commise que la valeur
moyenne donnera le résultat de la mesure et l'écart type un ordre de grandeur "raisonnable" de l'incertitude
correspondante. L'écart type est donc un nombre aussi important que la moyenne!!!

L’étude statistique montre qu’on peut alors donner (avec une validité raisonnable sous certaines
conditions que nous ne détaillerons pas) le résultat de mesure sous la forme d’un intervalle avec un taux de
fiabilité de p % sous la forme:

ts
X = Xm ± ( à p%)
n

Dans cette formule, t est un coefficient appelé coefficient de Student qui dépend de p et du nombre de
mesures suivant le tableau donné dans l’annexe 2.

Exemple: prenons les deux séries de mesures suivantes:

Xi(1ere série) Xi(2ème série)

Mesure1 2,51 2,4
Mesure2 2,56 2,6
Mesure3 2,54 2,7
Mesure4 2,59 2,5
Mesure5 2,57 2,8
Mesure6 2,48 2,6
Mesure7 2,58 2,4
Mesure8 2,52 2,3

moyenne 2,54 2,54

écart type 0,038 0,17

On voit tout de suite dans ces deux séries de mesures, le lien entre l'écart type et l'incertitude. Les deux
séries de mesures donnent la même moyenne, mais des écarts types différents. La deuxième série de mesures est
beaucoup plus dispersée et a donc une incertitude plus grande. Si on veut présenter le résultat sous forme d'un
encadrement, tout dépendra du taux de fiabilité que l'on cherche. Cherchons par exemple un taux de fiabilité de
90%. Le nombre de mesure étant de 8, le coefficient de Student est d'environ 1.92. On pourra donc donner
comme encadrement:

18
 1.92 * 0.038
* Pour la première série: X = 2.54 ± = 2.54 ± 0.026 que l'on pourra écrire 2.54 ± 0. 03
8
1.92 * 0.169
* Pour la deuxième série: X = 2.54 ± = 2.54 ± 0.11
8
Ces deux résultats seront fiables à 90%. On voit bien sur cet exemple, le rôle de l'écart type tenant compte de la
dispersion des mesures.

Remarques : 1°) En TP vous utiliserez ces calculs avec le tableur XL (voir le poly de tp).
2°) En fait les conditions d’applications exactes des lois statistiques utilisées pour arriver aux
résultats précédents sont rarement réalisées lors des mesures. On sait par exemple que les statistiques s’adressent
aux grands nombres, or on reproduit rarement un grand nombre de fois une mesure (il faut du temps, cela coûte
cher…) d’autre part les lois précédentes supposent un certain type de répartition des erreurs qui n’est pas
toujours celui qu’on a. Les calculs précédents doivent donc être vu comme un moyen d’évaluer l’incertitude de
la mesure et non de la calculer exactement.

Lorsqu’on évalue une incertitude, il ne faut jamais donner cette incertitude avec plus de deux chiffres
significatifs car elle ne peut pas être connue avec précision. La plupart du temps , un seul chiffre
significatif est raisonnable.

Rm : Pour gagner du temps, on prend parfois comme incertitude d’une série de mesure 2σ, ce qui est arbitraire
mais rapide !

III/ Cas d’une exploitation graphique d’une série de mesures.

Le paragraphe précédent étudiait le traitement statistique d’une mesure qu’on reproduisait un grand
nombre de fois. Souvent en TP, il est demandé de représenter une grandeur mesurée Ym avec une incertitude ∆Y
en fonction d’une autre grandeur mesurée Xm avec une incertitude ∆X.

a) Les rectangles (ou croix) d’incertitudes.

Dans ce cas chaque couple de valeurs mesuré est représenté sur le graphique par un rectangle (ou une
croix) tenant compte des incertitudes de la mesure comme expliqué sur le schéma suivant:

Ym+∆Y
Ym (ou )
Ym-∆Y

X
Xm -∆X Xm Xm + ∆X

Avec le tableur XL, on obtient des graphes qui ont par exemple cette allure.

19
 Exemple de courbe avec croix d'incertitudes: Y = f (X)

40
35
30
25
Y(SI)

20
15
10
5
0
0 5 10 15 20
X (SI)

On obtient donc un graphe fait d’un ensemble de rectangles (ou de croix). Là, tout dépend de ce que
l’on cherche.

b) Exemples d’utilisation possible des graphes avec rectangles (croix) d’incertitudes.

• Si on cherche à vérifier que la loi Y= f(X) est linéaire. On vérifiera alors qu’on peut faire passer
une droite par l’ensemble des rectangles d’incertitude et on tracera les droites extrêmes possibles:

Exemple de courbe avec croix d'incertitudes: Y = f (X)

40
35
30
25
Y(SI)

20
15
10
5
0
0 5 10 15 20
X (SI)

Il suffira alors de calculer les valeurs extrêmes de la pente et de l’ordonnée à l’origine pour avoir une
idée de l’incertitude sur ces grandeurs. Il apparaît assez clairement que ces incertitudes sont très certainement
surévaluées par cette technique, la probabilité de se trouver sur les extrémités des rectangles est faible.

20
 • Si on cherche à vérifier que la loi Y= f(X) est une loi de proportionnalité du type Y = k X

On vérifiera alors qu’on peut faire passer une droite par l’ensemble des rectangles d’incertitude, on
tracera les droites extrêmes possibles et on vérifiera que l’intervalle possible pour l’ordonnée à l’origine contient
bien 0 :

On cherche à montrer une relation de proportionnalité

35
30

25

20
Y(SI)

15

10
5

0
0 2 4 6 8 10 12 14 16 18
X (SI)

• On sait que la relation est du type Y = k X et on cherche à déterminer k (loi de

proportionnalité).

L’origine est alors un point sûr : il suffira alors de tracer les pentes extrêmes passant par l’origine. k pourra alors
être encadré par les deux pentes extrêmes. On aura alors intérêt à faire de nombreuses mesures dans un domaine
où la précision est la meilleure.

On sait que Y = kX et on cherche k

35
30

25

20
Y(SI)

15

10
5

0
0 2 4 6 8 10 12 14 16 18
X (SI)

Il faut noter que tracer une courbe n’est pas toujours la meilleure solution. Il vaut mieux parfois faire
une seule mesure dans un domaine où la précision est très bonne plutôt que de nombreux points dans un domaine
où la précision n’est pas très bonne.

• On veut vérifier un certain type de loi linéarisable a priori : technique de l’anamorphose.

21
 Prenons des exemples extraits des travaux pratiques.

Premier exemple (tp 1): la fréquence de résonance d’un circuit RLC série en électricité (voir terminales)
est donnée par la formule f = 1 . En TP vous pourrez faire varier C et mesurer f à la résonance. Pour
2 π LC
vérifier expérimentalement cette loi, il suffira de tracer la courbe f en fonction de 1 et de vérifier par les
C
techniques décrites plus haut qu’il s’agit d’une droite pouvant passer par l’origine ce qui prouvera qu’il existe
une relation de proportionnalité entre f et 1 . Ensuite on calculera la pente de la droite expérimentale obtenue
C
sous forme d’un intervalle et on comparera avec sa valeur théorique 1 . La valeur de L étant elle-même
2π L
entachée d’incertitudes on donnera cette valeur théorique sous la forme d’un intervalle. Si les deux intervalles
ont une partie commune, la loi est compatible avec vos résultats expérimentaux. Si vos deux intervalles n’ont pas
de partie commune, alors soit la loi est fausse : soit vous avez fait des erreurs de manipulations soit vous avez
sous-estimé vos incertitudes.

Deuxième exemple (tp 2) : la période d’un pendule simple (masse m au bout d’une ficelle de longueur l)
oscillant avec une amplitude θ est donnée par la formule : T = 2π l ( 1+ θ² ) . On vous propose dans le tp 4 de
g 16
vérifier l’influence de θ sur la période. Il faudra donc tracer la courbe T = f(θ²) et de vérifier qu’il s’agit d’une
droite de pente π l et d’ordonnée à l’origine 2π l . En fait dans le tp on utilisera la pente pour déterminer g.
8 g g

Un troisième exemple typique est celui d’une loi du type y = a exp ( b ). On trace alors Ln y = f( 1 ),
x x
b
soit Ln y = Ln a + , on obtiendra alors une droite dont la pente vaut b et l’ordonnée à l’origine Ln a.
x

La technique décrite dans les trois exemples précédents porte le nom d’anamorphose
(étymologiquement changement de forme) : on ne trace pas y = f(x) directement mais une forme mathématique
modifiée des paramètres mesurés permettant une linéarisation.

• Si la relation à vérifier entre Y et X n’est pas linéarisable de façon simple,

On tracera Y = f (X) et on comparera à une courbe théorique servant d’abaque. L’abaque doit alors passer
dans tous les rectangles d’incertitude pour valider la loi. Par exemple l’amplitude du courant traversant un circuit
RLC est donné en fonction de la pulsation w du courant par la loi (tp 1) :

I= E
R²+( Lw − 1 )²
Cw
Il n’est pas facile si on a mesuré I et w pour diverses valeurs de w de linéariser . Connaissant les valeurs
de R, L et w on tracera sur un même graphe la courbe expérimentale I = f(w) et la courbe I = f(w) calculée
théoriquement avec la formule et on comparera la correspondance entre les deux courbes en plaçant
éventuellement les rectangles d’incertitude.

III/ Cas d’une exploitation graphique et statistique d’une série de mesures : technique de régression.

Nous ne nous intéresserons d’abord à la technique de régression linéaire au sens des moindres carrés,
qui permet de trouver une relation de linéarité entre deux grandeurs X et Y du point de vue statistique. Si ce n’est
pas le cas, on peut souvent s’y ramener par l’anamorphose évoquée plus haut.

Le problème est le suivant: soit une série de mesures (Xi , Yi ), les grandeurs étant théoriquement reliées
par une loi de type linéaire : Y = aX + b. Comment déterminer le degré de validité de la loi et les coefficients a et
b avec une précision connue? Nous donnerons les résultats statistiques qui supposent deux choses:

22
 • L’incertitude sur Y est beaucoup plus grande que celle sur X.
• Tous les points sont a priori aussi sûrs les uns que les autres.

Ces hypothèses sont très restrictives en théorie, mais même si elles sont rarement vérifiées de façon
exacte, en les appliquant on obtient une évaluation correcte, ce qui est bien le but cherché.

L’idée de la régression linéaire au sens des moindres carrés est la suivante: on cherche à tracer la droite
moyenne tenant compte de tous les points, telle que la somme des distances (comptées suivant Y) de la droite
n
aux points de mesure élevées au carré soit minimum soit : ∑ (Y − Y )² minimum. (Y -Y) est appelé un résidu.
i =1
i i

droite moyenne

points de mesure

Yi

Cette technique peut paraître un peu arbitraire, mais elle s’avère satisfaisante aussi bien dans la
difficulté des calculs que dans ses résultats. Nous ne ferons pas les calculs mathématiques correspondants
(recherche du minimum d’une fonction de plusieurs variables) mais nous en donnerons les résultats qui sont
accessibles directement par les tableurs ou les calculettes.

A partir des n couples de mesures (xi , y i ), on définit les coefficients suivants:

n
n
( ∑ x i )²
Sxx = ∑ (x i − x)²
= ∑x
n
2
− i =1
i =1 i
i =1 n

n
( ∑ yi) ²
n

Syy = ∑ (y i − y)²
= ∑y
n
2
− i =1
i =1 i
i =1 n

n n
n ( ∑ x i )( ∑y )
=∑
i
− y)( x i − x) n

∑
(y i =1 i =1
yi xi −
i
Sxy i =1
=
i =1
n

Dans ces formules x e t y représentent les valeurs moyennes des xi et des y i (définies en b et notées alors avec
un indice m comme moyenne mais aussi mesure!).

23
 S xy
On montre que: * la pente de la régression linéaire vaut: a =
S xx
* l’ordonnée à l’origine vaut b = y - a x
S yy − a ² Sxx
*L’écart type des résidus vaut : s r=
( n − 2)
S yy − a ² Sxx Sr
* L’écart type de la pente vaut s a= =
( n − 2). S xx S xx

* L’écart type de l’ordonnée à l’origine vaut s b = s r

∑x 2
i

n∑ x − (∑ x
2
i i )²

Un intervalle de fiabilité pourra être défini avec le coefficient de Student comme vu en II/. Bien
entendu, les calculs précédents sont programmés en TP dans le tableur et vous obtiendrez directement les
résultats sans avoir à les calculer vous-même. La fonction du tableur XL à utiliser est la fonction droitereg (voir
fascicule de tp).

Les statisticiens et les calculettes donnent également un coefficient de corrélation permettant de savoir
s’il est bien « raisonnable » de vouloir aligner les points. L’utilisation de ce coefficient est délicate car on trouve
la plupart du temps quelque chose de proche de 1. Il vaut mieux (à notre niveau) tracer la courbe moyenne de
régression (voir calculette ou tableur) et juger « à l’œil » en fonction de la précision cherchée ou avec les
rectangles d’incertitudes. Vous en saurez plus sur ce coefficient dans les uv de statistiques.

Exemple: Un physicien suppose une relation linéaire entre une variable Y et une variable X. Dans l'exemple
suivante c'est la différence de potentiel d'une pile en fonction du courant débité. Il fait donc des mesures dont les
résultats sont donnés dans le tableau suivant:

i (mA) 60 120 180 240 300 360

U(V) 1.12 1.03 0.98 0.88 0.76 0.65
Voilà ce que vous donnera le tableur en utilisant la régression linéaire par la méthode des moindres
carrés. Essayez et vérifiez !!!

i (en A) u ( en V)
0,06 1,12
0,12 1,03
0,18 0,98
0,24 0,88
0,3 0,76
0,36 0,65

pente Ord ori

-1,55E+00 1,23E+00
Ecartype pente Ecartype ord ori
9,58E-02 2,24E-02
Donc:
Pente -1.55 ± 0.1 SI
Ord orig 1.23 ± 0.03 SI

La méthode peut être généralisée à des courbes qui ne sont pas des droites: on peut par exemple demander à un
tableur de tracer un polynôme de degré donné ou une exponentielle ou un logarithme qui passe le mieux possible
par les points de mesure toujours avec le critère de minimisation de la somme des carrés des écarts. Le tableur
pourra alors vous donner l’équation de la courbe la plus proche cherchée.

24
Site Internet consultable : http://physique.paris.iufm.fr/exao/telchgt/anaresul.doc

Annexe 1 : Exemple de doc permettant de connaître certaines caractéristiques d’un multimètre de tp.

Annexe 2: tableau donnant le coefficient de Student t permettant de connaître le taux de fiabilité d’une mesure
statistique.

Nombre de limites de limites de limites de limites de

mesures confiance à confiance à confiance à confiance à
80% 90% 99% 99.9%
2 3.08 6.31 63.7 637
3 1.89 2.92 9.92 31.6
4 1.64 2.35 5.84 12.9
5 1.53 2.13 4.6 8.6
6 1.48 2.02 4.03 6.86
10 1.38 1.83 3.25 4.78
15 1.34 1.76 2.98 4.14
infini 1.29 1.64 2.58 3.29

25