Académique Documents
Professionnel Documents
Culture Documents
TP 0: Mesures et incertitudes
Capacités exigibles
2022/2023 C. Gouiller 1 / 10
TP 0 PCSI 3
1.2 Incertitude-type
En pratique, la répétition d’une mesure produit des valeurs qui varient aléatoirement autour d’une valeur
centrale, appelée valeur mesurée et notée xmes . L’incertitude-type, notée u(x), est une mesure de cette
variabilité (u pour uncertainty). Par définition, l’incertitude-type correspond à l’écart-type de la distribution
des données issues d’une répétition de la mesure. Il n’y a pas de raison de privilégier une mesure plutôt qu’une
autre. Toutes les valeurs de l’intervalle xmes ± u(x) = [xmes − u(x); xmes + u(x)] peuvent raisonnablement être
attribuées à la grandeur mesurée. L’incertitude-type relative ur (x) s’exprime en pourcentage de la valeur
u(x)
mesurée : ur (x) = .
xmes
2022/2023 C. Gouiller 2 / 10
TP 0 PCSI 3
très vite chronophage. Heureusement, il existe une formule mathématique simple permettant d’estimer cet écart-
type. On réalise N fois le même protocole pour obtenir N valeurs de mesure xi . On note u(x) l’incertitude-type
sur une mesure unique qui est l’écart-type de cet ensemble de mesures. Pour la valeur mesurée, on prend la
1 X
moyenne des valeurs mesurées : xmes = ⟨xi ⟩ = N xi . Le résultat de l’expérience est xmes ± u(⟨x⟩) avec
N i=1
u(x)
u(⟨x⟩) = √ , incertitude-type de la moyenne. Ainsi, en une série de mesure, on obtient les points expérimentaux,
N
leur incertitude-type, la moyenne de ces points et l’incertitude-type sur la moyenne.
Exemple(s)
➢ Si on lit des graduations ou un affichage avec un pas d’affichage (règle graduée, burette, balance, etc),
∆ 0, 5
la précision vaut ∆ = 0, 5 graduation ou 0, 5 digit et l’incertitude-type vaut u(x) = √ = √ = 0, 29
3 3
graduation.
∆ t
➢ Si l’appareil donne une tolérance t, ∆ = t (pipette jaugée) et u(x) = √ = √ .
3 3
➢ On peut avoir une incertitude de pointage, due à la difficulté d’observation : les valeurs possibles sont
xmax − xmin
dans un intervalle [xmin ; xmax ]. La précision est alors le demi-intervalle ∆ = et correspond
2
∆ xmax − xmin
à une évaluation personnelle. On prend pour incertitude-type : u(x) = √ = √
3 2 3
➢ Pour les appareils de mesure numériques (voltmètre, ampèremètre, etc), il faut consulter la notice de
l’appareil. Le plus souvent, les notices ne précisent pas clairement la nature de la valeur de la précision
fournie (est-ce une incertitude-type ? un intervalle ? un écart-type ?). Dans ce cas, on suppose que
l’incertitude donnée dans la notice est la précision ∆. Souvent, la notice de l’appareil de mesure indique
pour la précision un pourcentage P de la valeur lue et un nombre n de digit (un digit correspond au
dernier chiffre affiché). ∆ = P × valeur lue +n digit
Exemple : Sur la notice d’un multimètre numérique utilisé en voltmètre DC sur le calibre 5 V, on lit
« Accuracy : 0, 3 rdg + 2 digits » (rdg signifie reading). Pour une valeur lue de 2,5462 V, le dernier
digit est 1 × 10−4 donc la précision vaut : ∆ = 0, 003 × 2, 5462 + 2 × 1 × 10−4 = 0,007 838 6 V et
0, 0078386
l’incertitude-type vaut u(V ) = √ = 0,0045 V.
3
2022/2023 C. Gouiller 3 / 10
TP 0 PCSI 3
Exemple(s)
Pour une burette, la tolérance est notée t. On cherche l’incertitude-type sur le volume V .
t
➢ Le bas du ménisque tombe sur une graduation : u(V ) = √ . Idem pour une pipette jaugée.
3
s 2 2
t a
➢ Le bas du ménisque tombe entre deux graduations distantes d’un pas a : u(V ) = √ + √ .
3 2 3
s 2 2
t V2 − V1
➢ Si on a une zone de virage entre deux volumes V1 et V2 , Vmes = V1 +V2
et u(V ) = √ + √ .
2
3 2 3
Remarque(s)
2 2
t V2 − V1
Souvent, le terme √ est négligeable devant √ .
3 2 3
En conclusion, il faut toujours bien réfléchir à la façon la plus pertinente d’évaluer l’incertitude et vérifier la
cohérence de la valeur qu’on obtient.
s 2 2
a u(x) u(a) u(b)
➢ Pour x = ab ou x = : = + ⇔ ur (x) = ur (a)2 + ur (b)2 .
p
b xmes ames bmes
Remarque(s)
La première formule est une formule exacte, la deuxième une formule approchée si ur est assez faible.
Pour les cas plus compliqués, pour calculer l’incertitude-type, on utilise une simulation Monte-Carlo : on fait une
simulation informatique comportant une part d’aléatoire.
Exemple(s)
Pour mesurer la longueur d’onde de la raie verte du mercure à l’aide d’un goniomètre à réseau réglé sous
incidence normale, on détermine les positions angulaires x du faisceau émergent et y du faisceau incident. Pour
un réseau comptant N = 300 × 103 traits/m, la formule du réseau permet de déterminer la longueur d’onde
sin(x − y)
λ du faisceau à l’aide de la fonction : λ = . On mesure x = (199, 800 ± 0, 042)◦ et y = (190, 420 ±
N
0, 031)◦ . À l’aide de la simulation Monte-Carlo (cf. Script 1 partie 7.3), on trouve λ = (543, 3 ± 2, 9)nm.
Pour déterminer les différentes contributions lors du calcul d’une incertitude-type composée, on adapte le
script 1. Par exemple, pour connaître la contribution de l’incertitude sur x sur le résultat, il suffit d’exécuter la
simulation avec uy = 0.
2022/2023 C. Gouiller 4 / 10
TP 0 PCSI 3
♡ A retenir
L’incertitude-type est donnée, par convention, avec 2 chiffres significatifs.
Exemple(s)
0, 314 → 0, 32 et 3, 15 → 3, 2
2022/2023 C. Gouiller 5 / 10
TP 0 PCSI 3
|xref − xmes |
compatibles si : z = <2
u(xmes )
Remarque(s)
La valeur seuil de 2 est arbitraire. Elle est liée au fait que l’intervalle [xmes − 2u(x); xmes + 2u(x)] est un
intervalle de confiance à 95 % pour une distribution qui suit la loi normale.
Si z < 2, la compatibilité de xmes et xréf est assurée avec une probabilité d’environ 95 %. Si z > 2, le résultat de
l’expérience n’est pas compatible avec la valeur de référence. Cela peut avoir différentes origines :
➢ la variabilité des mesures (cas rare et z ∼ 2) ;
➢ une erreur de manipulation ou de calcul de la valeur mesurée ou de son incertitude (souvent z > 3, il faut
reprendre les calculs et avoir un regard critique sur l’expérience) ;
➢ un oubli d’une source d’incertitudes (cas assez courant, il faut reprendre l’estimation des incertitudes) ;
➢ un biais du protocole.
6 Régression linéaire
6.1 Représentation graphique des données et de la droite modèle
Le plus souvent en TP, on cherche à tracer une droite du type y = ax + b afin de déterminer les valeurs de a
et de b ainsi que leurs incertitudes. Pour cela, on mesure une série d’au moins 5 valeurs de xi , de yi et de leurs
incertitudes-types u(yi ) que l’on rentre dans des tableaux numpy de Python ou un tableur (Excel, Regressi, etc).
On réalise une représentation graphique des données et de leur incertitudes.
Python : La fonction np.polyfit(x, y, 1) renvoie en premier argument la pente a et en deuxième l’ordonnée
à l’origine b. Python permet d’effectuer une régression linéaire et de représenter la droite modèle y = ax + b
(droite de régression) sur le même graphique. Il fournit les valeurs optimisées de a ; b et de leurs incertitudes-
types u(a) et u(b) par une simulation Monte-Carlo (cf script 2 partie 7.4), à condition que les incertitudes sur
x soient négligeables.
2022/2023 C. Gouiller 6 / 10
TP 0 PCSI 3
➢ 1. Dans sa version la plus simple, l’expression rd.uniform(x − a, x + a, N) permet de créer un tableau numpy
de N valeurs tirées aléatoirement entre x − a et x + a et issues d’une distribution uniforme (autrement dit
rectangulaire) ; ici x et a sont des scalaires ;
➢ 2. l’expression X + rd.uniform(−a, +a, N) permet de rajouter au tableau numpy X un tableau numpy de N
valeurs tirées aléatoirement entre −a et +a issues d’une distribution uniforme, cette expression permet de
gérer le cas où on a un ensemble de N valeurs mesurées (représentées par le tableau numpy X, X est de
dimension N ), auxquelles on rajoute des variables aléatoires uniformes ayant toute la même étendue a ;
2022/2023 C. Gouiller 7 / 10
TP 0 PCSI 3
7.2 Histogramme
On définit la fonction.
def lamb ( x , y ) : # lambda e s t un mot r e s e r v e en Python
N = 300 e3
return np . s i n ( np . r a d i a n s ( x − y ) ) / N
2022/2023 C. Gouiller 8 / 10
TP 0 PCSI 3
x , u_x = 1 9 9 . 8 0 0 , 0 . 0 4 2
y , u_y = 1 9 0 . 4 2 0 , 0 . 0 3 1
On simule n_sim jeux de données selon la loi de probabilité normale associée à x; u(x) et à y; u(y).
n_sim = 10000
tableau_x = rd . normal ( x , u_x , n_sim )
tableau_y = rd . normal ( y , u_y , n_sim )
On définit les données mesurées et leurs incertitudes-types. Les incertitudes sur x devant être négligeables, on ne
les a pas définies ici.
# l e s tableaux a completer
x = np . a r r a y ( [ . . . , . . . ] ) # v a l e u r s mesurees de x
y = np . a r r a y ( [ . . . , . . . ] ) # v a l e u r s mesurees de y
u_y = np . a r r a y ( [ . . . , . . . ] ) # i n c e r t i t u d e s −t y p e s de y
On définit le nombre de simulations et on initialise deux tableaux des pentes a et des ordonnées à l’origine b de
taille n_sim.
n_sim = 1000
a , b = np . z e r o s ( n_sim ) , np . z e r o s ( n_sim )
On répète n_sim fois la simulation d’un jeu de données en tenant compte des incertitudes-types. La fonction
np.polyfit(x, y, 1) calcule la pente et l’ordonnée à l’origine optimales où x et y sont les tableaux qui contiennent
les données à traiter. On stocke les caractéristiques de la régression linéaire dans les tableaux a et b.
f o r i in range ( n_sim ) :
y_sim = np . random . normal ( y , u_y)
r e s = np . p o l y f i t ( x , y_sim , 1 )
a [ i ] , b[ i ] = res
On calcule les moyennes des pentes et des ordonnées à l’origine puis leurs incertitudes-types.
2022/2023 C. Gouiller 9 / 10
TP 0 PCSI 3
2022/2023 C. Gouiller 10 / 10