CHAPITRE 4: TRAITEMENT STATISTIQUE DES MESURES EXPERIMENTALES

I- Analyse statistique d’une série de mesures

Le traitement statistique est basé sur la répétition des mesures de x. Si on était

capable de réaliser une infinité de mesures, on déterminerait la distribution de
probabilité de x, en particulier sa valeur moyenne X (ou valeur vraie) et son écart-
type σ. Dans la pratique, on réalise un nombre fini n de mesures, de résultats
respectifs x1 ,x2 , … ,xn dont on cherche à extraire les meilleures estimations de X et
son écart type σ.

1. Meilleure estimation de la moyenne de la distribution

des valeurs de x

La meilleure estimation de la valeur vraie X, notée ̅ , obtenue à partir des n

mesures x1 ,x2 , … ,xn est la moyenne de ces mesures.

2-Meilleure estimation de l’écart-type de la distribution des valeurs de x

La meilleure estimation de s déduite des n mesures x1 ,x2 , … ,xn notée , est

donnée par :

3- Écart-type de la moyenne

En répétant de nombreuses fois l’expérience consistant à mesurer n valeurs de la

grandeur x dont on prend ensuite la valeur moyenne, on obtient la distribution de
probabilité de ̅ . La valeur moyenne de cette distribution est X. Son écart-type, noté
et aussi ̅ appelé écart-type de la moyenne, est donné par :

̅ représente l’incertitude-type sur la détermination de la valeur vraie X à partir de la

1
moyenne de n mesures. Cette détermination est donc fois √ plus précise que
celle obtenue à partir d’une mesure unique( voir fig1). Dans la pratique, √ croît
lentement et améliorer la précision d’un facteur 10 oblige à effectuer cent fois plus
de mesures.

En pratique s n’est pas connu et on utilise son évaluation pour déterminer ̅.

Dans le cas où on effectue une moyenne sur un petit nombre de mesures, n’est
pas une bonne estimation de σ et la théorie montre qu’il faut alors utiliser

où t est appelé coefficient de Student. Ce coefficient, qui est tabulé, dépend du

nombre de points moyennés et du niveau de confiance. En TP usuel, il est suffisant
de ne pas parler de ce coefficient ce qui revient à le prendre égal à 1 quel que soit le
nombre de mesures.

Figure 1 : Lorsqu’on effectue une mesure unique, la valeur trouvée suit la distribution
de probabilité représentée en pointillés. n mesures indépendantes se répartissent
aléatoirement sur cette courbe. Lorsqu’on prend la valeur moyenne de ces n
mesures, les écarts à la valeur vraie se compensent statiquement, avec d’autant plus
d’efficacité que n est grand. Si on réalise plusieurs déterminations de la moyenne de

2
n mesures, elles suivent la distribution en trait plein.

II- Droite de régression

Pour étudier les liens éventuels existant entre deux variables, on procède à une
étude statistique descriptive bivariée. Pour cela, on considère une population sur
laquelle on étudie deux variables quantitatives x et y On veut donc savoir si les deux
variables sont liées par une relation fonctionnelle de type y= f(x) ou encore x= g(y) (
ie que l’on peut prévoir les valeurs de x à partir des valeurs de y).

1- Représentation graphique ( Nuage de points)

A chaque couple avec i= 1,…….n, on fait correspondre un point . On

obtient alors un nuage de points. La forme des nuages de points obtenus peut
indiquer le type de dependance possible entre x et y. Si les points sont
presque alignes, on peut envisager une relation de type y= ax + b. Si le nuage
de point a la forme d’une parabole, on peut envisager une relation de la forme
On cherche donc à ajuster une courbe au nuage de points.

2- Analyse de la régression par la méthode des moindres carrés

Le tracé de la meilleure droite au milieu des points expérimentaux est un

problème courant au laboratoire. Soit une relation linéaire de la forme y = ax
+b ; on peut considérer que x est affecté d’incertitude négligeable mais que y
est entaché d’erreur expérimentale aléatoire. L’écart vertical de chaque point
à la droite est appelé résidu et la droite calculée par la méthode des
moindres carrés est celle qui minimise la somme des carrés des résidus de
tous les points.

La droite de régression de y en x a pour équation :

3
 Ou et ̅ ̅

̅ ∑ ̅ ∑

∑ ̅ est la variance de x et la covariance est donnée par

l’expression ∑ ̅ ̅ ∑ ̅ ̅

La droite de régression de x en y a pour équation :

Avec et ̅ ̅

∑ ̅ est la variance de y.

RQ : Les deux droites se coupent au point G ( ̅ ̅

3- Le coefficient de corrélation linéaire

Le coefficient de corrélation linéaire est défini par l’expression :

√
- Si | | alors il existe une bonne corrélation linéaire entre x et y.
√
- Si | | , la corrélation linéaire entre x et y est médiocre.
- Si | | , la corrélation linéaire entre x et y est mauvaise.
-