Cours Physique Experimentale 2018 V5

NOTE DE COURS
PHYSIQUE EXPERIMENTALE
Présentée par
Dr. FANNOU JEAN-LOUIS C.

Département génie mécanique
Ecole Polytechnique d'Abomey-Calavi(EPAC)
Physique expérimentale 2
SOMMAIRE
Chapitre 1 Estimation des incertitudes ........................................................................................... 5
1.1 Introduction ........................................................................................................................... 5
1.2 Notion d’incertitude sur une valeur mesurée ....................................................................... 6
1.2.1 Vocabulaire de métrologie ............................................................................................. 6
1.2.2 Erreurs systématiques et aléatoires ............................................................................... 9
1.2.3 Interprétation des incertitudes .................................................................................... 10
1.2.4 Incertitude-type, incertitude élargie et intervalles élargis ........................................... 13
1.2 Estimation les incertitudes .................................................................................................. 15
1.2.1 Introduction .................................................................................................................. 15
1.2.2 Estimation par analyse statistique d’une série de mesures, dite de type A .................... 17
1.2.3 Estimation de l’incertitude associée à une mesure unique, dite de type B ..................... 19
1.2.3.1 Incertitude de lecture sur un affichage digital ou sur une grandeur numérisée ...... 20
1.2.3.2 Incertitude de mesure sur des graduations .............................................................. 20
1.2.3.3 Incertitude sur une valeur constructeur ................................................................... 21
1.2.3.5 Choix de la distribution de probabilité ...................................................................... 23
1.2.4 Incertitude totale.............................................................................................................. 24
1.2.5 Incertitudes composées ................................................................................................... 25
1.2.6 Travaux dirigés.................................................................................................................. 27
Chapitre 2 Ajustement des courbes .............................................................................................. 29
2.1 Introduction ............................................................................................................................. 29
2.2 Ajustement par la droite de Mayer ......................................................................................... 30
2.2.1 Méthode ........................................................................................................................... 30
2.2.2 Equation de la droite ........................................................................................................ 30
2.3 Ajustement affine par la méthode des moindres carrés ......................................................... 30
2.3.1 Méthodologie ................................................................................................................... 30
2.3.2 Détermination de a et b ................................................................................................... 31
2.3.3 Qualité de l'ajustement linéaire ....................................................................................... 31
2.3.3.1 Calcul du Coefficient de corrélation .......................................................................... 31
2.3.3.1 Interprétation de la valeur de R ................................................................................ 32
2.3.4 Incertitude sur les coefficients a et b ............................................................................... 32
FANNOU JEAN-LOUIS COMLAN, PhD

2.4 Travaux dirigés......................................................................................................................... 33

Chapitre 3 Travaux pratiques au laboratoire ................................................................................ 34
INTRODUCTION ......................................................................................................................... 34
3.1 Plan de rédaction de rapport de travaux pratiques ............................................................ 34
3.1.1 Partie théorique............................................................................................................ 34
3.1.2 Manipulation ................................................................................................................ 34
3.1.3 Exploitation................................................................................................................... 34
3.2 Mise à niveau avec Ms Word .............................................................................................. 35
3.3 Mise à niveau avec Ms Excel ............................................................................................... 35
3.4 TRAVAUX PRATIQUE N° 1: ................................................................................................... 36
MESURES ET CALCULS D’INCERTITUDE ..................................................................................... 36
3.4.1 Objet ............................................................................................................................. 36
3.4.2-Expérience .................................................................................................................... 36
3.5 TRAVAUX PRATIQUE N° 2 .................................................................................................... 38
RENDEMENT DE TRANSFORMATION DE L'ENERGIE.................................................................. 38
3.5.1-But ................................................................................................................................ 38
3.6.1-But de la Manipulation ................................................................................................. 42
3.6.2-Matériel ........................................................................................................................ 42
3.6.3-Mesure de la constante de raideur k d’un ressort à partir de la loi de Hooke ............ 42
3.6.4-Constante de raideur de deux ressorts couplés........................................................... 43
3.6.5 Mesure de la constante de raideur à partir d’une étude de mouvement (oscillations
libres) ..................................................................................................................................... 43
3.7 TRAVAUX PRATIQUE N° 4 .................................................................................................... 47
INITIATION À SIMULINK ET SIMULATION ET MESURE EN RÉGIME SINUSOÏDALE DANS UN
CIRCUIT RLC ............................................................................................................................... 47


Chapitre 1 Estimation des incertitudes
1.1 Introduction
Au cours d’une expérience, il n’est jamais possible de maîtriser l’intégralité des

paramètres qui influencent le dispositif expérimental. Par conséquent, il n’est pas
possible que le résultat d’une mesure soit infiniment précis, quelle que soit la
sophistication du protocole et des instruments de mesure utilisés : il y a une
incertitude sur ce résultat, c’est-à-dire que l’on ne connaît qu’imparfaitement la
grandeur que l’on souhaite caractériser. L’estimation des incertitudes a pour but
d’évaluer de manière quantitative ce manque de connaissance, c’est-à-dire de
déterminer quelles sont les valeurs qu’il est raisonnable d’attribuer à la grandeur
d’intérêt. De manière pragmatique, le processus de mesure donne un nombre
(accompagné d’une unité), et on souhaite évaluer quantitativement à quel point ce
nombre est représentatif de la grandeur à mesurer.
L'interprétation des incertitudes et la manière de les estimer ont notablement

évolué au cours des dernières décennies et les pratiques restent différentes selon
les domaines. Depuis la fin des années 1970, un important travail a été accompli
sous l’égide du Bureau International des Poids et Mesures dans le but de
développer un cadre cohérent et rigoureux pour l’estimation des incertitudes, à
partir d’outils probabilistes. Le guide pour l’expression de l’incertitude de mesure
(en anglais guide to the expression of uncertainty in measurement, abrégé en
GUM, et qui est aussi la norme internationale ISO/IEC Guide 98-3 :2008) ainsi
que ses suppléments publiés par le BIPM, sont le fruit de ces travaux. Le GUM
est aujourd’hui très largement accepté dans le monde de la métrologie, et a
dorénavant intégré les programmes scolaires. L'approche proposée repose
toutefois sur des concepts subtils, et son application nécessite une analyse précise
des sources d'incertitude, souvent trop longue et complexe à mettre en œuvre pour
de nombreuses expériences de recherche comme d'enseignement. De plus, le

travail impulsé par le BIPM (Bureau International de Poids et Mesures) est encore
en cours, et des difficultés subsistent, en particulier d’ordre conceptuel.
Il n'est pas possible de donner une méthode systématique à appliquer pour évaluer les
incertitudes, car trop de sources d'incertitude sont possibles, qui ne peuvent être
déterminées que par une bonne connaissance du dispositif expérimental et du protocole
utilisés. L'objectif de cette fiche ne peut donc être que de donner les outils conceptuels et
techniques qui permettent à l'expérimentateur de choisir avec bon sens comment estimer
les incertitudes et quelle signification leur donner, compte-tenu de l'expérience menée et
de son objectif.
Les informations fournies dans cette fiche reposent en grande partie sur le GUM et ses
suppléments qui fournissent un guide de recommandations pratiques pour estimer les
incertitudes. Nous en recommandons vivement la lecture, ainsi que celle du Vocabulaire
International de Métrologie (VIM).
1.2 Notion d’incertitude sur une valeur mesurée

1.2.1 Vocabulaire de métrologie
1.2.1.1 Définitions
La grandeur à mesurer (ou mesurande) est la grandeur physique X que l’on cherche à
mesurer lors du processus de mesure (ou mesurage), qui donne accès au résultat de
mesure. Certaines grandeurs appelées grandeurs d’influence ne sont pas le mesurande,
mais ont néanmoins un impact sur le résultat de mesure (c’est par exemple le cas de la
température d’une règle lors d’une mesure de longueur, puisque la règle peut se dilater).
L’incertitude de mesure est définie comme « un paramètre, associé au résultat d’un

mesurage, qui caractérise la dispersion des valeurs qui pourraient raisonnablement être
attribuées au mesurande ». Elle donne une information quantitative sur le degré de
connaissance du mesurande que la mesure effectuée apporte à l’expérimentateur.
Il est commode de considérer le cas limite (mais irréalisable) d’un mesurage parfait : la
valeur qu’on obtiendrait dans ce cas est appelée valeur vraie. L’écart entre le résultat

d’une mesure réelle et la valeur vraie est appelée erreur de mesure. Evidemment, cette
erreur n’est pas non plus connue! Dans ce cadre, l’incertitude peut être considérée
comme une estimation de l’erreur de mesure (pas forcément Gable, par exemple si des
erreurs systématiques inconnues sont présentes), et l’intervalle [x-Δx, x +Δx] comme une
estimation du domaine où se situe la valeur vraie.
Un désavantage de ce point de vue traditionnel est qu’il repose sur des quantités
idéalisées, intrinsèquement inaccessibles, et pas forcément bien définies. La « valeur
vraie » est un concept problématique. En effet, le mesurande peut présenter des
fluctuations et les conditions dans lesquelles sont faites les mesures devraient être
entièrement spécifiées, ce qui ne pourrait être fait qu’avec une quantité infinie
d’information et n’est donc pas possible en pratique. Le VIM considère qu’il existe une
incertitude définitionnelle sur le mesurande, due à la quantité finie d’information qui le
définit, et qui fait qu’il existe un ensemble de valeurs vraies (encore une fois impossibles
à connaître), et non pas une valeur vraie unique.
1.2.1.2 Présentation d’un résultat

Le résultat d’un processus de mesure est généralement présenté sous la forme
X = (x ± Δx) unité (1)
où x et Δx sont des nombres. Lorsque la grandeur X est dimensionnée, ces nombres sont
accompagnés d’une unité de mesure u correspondant à la dimension de X.
Dans le paragraphe 1.2.4, nous allons donner une définition précise de ce que l’on
appelle incertitude Δx. Hors du cadre de la métrologie, et en particulier dans le cadre de
l’enseignement expérimental, on peut souvent se permettre de donner un sens plus vague
aux incertitudes : dans ce cas, Δx décrit une estimation imprécise du manque de
connaissance que l’on a sur la grandeur mesurée. Cette approche plus informelle est tout
à fait pertinente à condition de prendre garde à ne pas surinterpréter les incertitudes
correspondantes.

1.2.1.3 Chiffres significatifs

L’incertitude détermine le manque d’information sur une quantité mesurée. Il n’y a donc
pas d’intérêt à annoncer le résultat de la mesure avec une précision supérieure à
l’incertitude.
Exemple: Un résultat de mesure comme X = 5,022637 ± 1 n’est donc pas pertinent.
En effet, au vu de l’incertitude sur la mesure, la valeur x de la grandeur X est
donnée avec une précision bien trop importante : dans ce cas, tous les chiffres
après la virgule peuvent être oubliés sans perte d’information ! On écrit donc X = 5
± 1, qui est plus facile à lire.
Pour éviter d’écrire des chiffres qui n’apportent pas d’information, une règle simple
consiste à écrire le résultat de manière à respecter les règles suivantes :
- le dernier chiffre significatif de l’écriture de la valeur x doit se trouver à la même

position que celui de l’incertitude Δx, c’est-à-dire correspondre à la même puissance
de dix ;
- l’incertitude Δx ne s’écrit qu’avec un ou deux chiffres significatifs.
Remarque: Dans l’écriture d’un nombre, tous les chiffres sont appelés des chiffres
significatifs à part les zéros situés en tête de nombre (en excluant la puissance de dix).
Par exemple, 12 compte deux chiffres significatifs, de même que 1,2 x 101. De même,
0,002 78 x 105 compte trois chiffres significatifs alors que 2,780 00 x 102 en compte six.
Tronquer l’incertitude à un seul chiffre significatif fait perdre une information qui peut
être significative dans certaines situations. Lorsqu’une analyse précise des incertitudes a
été effectuée, il est donc raisonnable de systématiquement conserver deux chiffres
significatifs. Au contraire, lorsque l’on se limite à une analyse des erreurs plus rapide, on
peut se contenter d’un seul chiffre significatif.
Il est même envisageable d’effectuer une analyse assez fine des incertitudes pour qu’il
soit raisonnable d’annoncer une incertitude avec plus de deux chiffres significatifs.
Néanmoins, dans une telle situation, la connaissance que l’on a du mesurande dépasse
généralement la simple donnée d’un intervalle. On donne alors plutôt les caractéristiques

estimées de la distribution de probabilité décrivant l’état de connaissance que l’on a du

mesurande.
1.2.2 Erreurs systématiques et aléatoires
Les imperfections d’un processus de mesure et l’éventuelle variabilité du mesurande lui-

même sont à l’origine d’erreurs de mesure, traditionnellement séparées en deux
catégories: les erreurs systématiques et les erreurs aléatoires (ou de variabilité des
mesures).
L’erreur aléatoire provient de fluctuations temporelles ou spatiales aléatoires de certaines

grandeurs d’influence. Son espérance mathématique est nulle. Lors d’une série
d’observations répétées de la grandeur mesurée, effectuées dans les mêmes conditions de
mesure, l’erreur aléatoire entraîne une variation des valeurs observées.
Exemple: Le bruit thermique dû à l’agitation thermique des porteurs de charge

dans un conducteur électrique, peut provoquer une fluctuation aléatoire de la
tension aux bornes d’une résistance.
L’erreur systématique, au contraire, est identique pour toutes les observations répétées
dans les mêmes conditions. Par nature, il est difficile de déceler toutes les erreurs
systématiques et d’estimer leur impact : seule la comparaison avec le résultat d’autres
processus de mesure permet de les repérer.
Exemple: une horloge mal réglée qui retarde toujours de cinq minutes est entachée
d’une erreur systématique.
Un mauvais étalonnage de l’appareil de mesure, le mauvais réglage du zéro de

l’appareil, ou un défaut du protocole expérimental sont des sources fréquentes
d’erreur systématique.
La figure 1 représente la différence entre erreur aléatoire et systématique. Elle n’est

toutefois pas représentative de la réalité expérimentale, où l’on ne connaît pas la valeur
vraie ! L’incertitude sur un résultat de mesure devrait idéalement estimer toutes les
sources d’erreur, qu’elles soient aléatoires ou systématiques. Lorsque l’origine d’une

erreur systématique est comprise, il est parfois possible de modifier le protocole

expérimental pour l’éliminer. Si ce n’est pas le cas, il faut en estimer l’impact de façon à
le compenser éventuellement : cette estimation étant elle-même approximative, elle
introduit une source supplémentaire d’incertitude par rapport à un protocole sans erreur
systématique.
Figure 1 Erreur aléatoire et erreur systématique.
Pour donner une idée de la différence entre erreur aléatoire et erreur

systématique, il est commode de recourir à la notion de valeur vraie, représentée
en rouge dans cette figure. Les résultats de la répétition de quatre processus de
mesure (a-d) sont représentés par des croix bleues. Dans les cas (a) et (b), il n’y
a pas d’erreur systématique, alors qu’il y en a une dans les cas (c) et (d). Dans
les cas (a) et (c), la dispersion due à l’erreur aléatoire est faible, alors qu’elle est
importante dans les cas (b) et (d). Evidemment, lorsque l’on réalise une
expérience, on n’a pas accès à la valeur vraie
1.2.3 Interprétation des incertitudes
1.2.3.1 Analyse des erreurs et analyse des incertitudes

Traditionnellement, l’incertitude d’un résultat était estimée par une approche reposant sur
l’analyse des erreurs. Dans ce cadre, l’objectif d’un mesurage est de déterminer une
estimation de la valeur vraie xvrai du mesurande, aussi proche que possible de cette valeur
vraie unique. On considère que le résultat de mesure x = xvrai + ε est la somme de la
valeur vraie et d’une erreur ε. Dans cette approche, les composantes aléatoire et
systématique de l’erreur de mesure, qu’on suppose toujours pouvoir distinguer, doivent
être traitées séparément et de manière différente. On essaie alors d’estimer une limite
supérieure e(x) > |ε| de la valeur absolue de l’erreur totale qui permet d’assurer que la

valeur vraie du mesurande se trouve dans l’intervalle [x - e(x), x + e(x)]. De la sorte, on

ne peut que surestimer l’erreur, en particulier parce qu’on ne peut pas établir de règle
indiquant comment combiner les composantes systématique et aléatoire pour obtenir
l’erreur totale.
Dans l’approche développée dans le GUM et ses suppléments, l’objectif des mesurages
n’est pas de déterminer une valeur vraie le mieux possible : on considère que
l’information obtenue lors du mesurage permet seulement d’attribuer au mesurande un
intervalle de valeurs raisonnables, en supposant que le mesurage a été effectué
correctement. Pour être plus précis, on considère que le mesurage permet de déterminer
une distribution de probabilité p(x) qui décrit les valeurs qui peuvent raisonnablement
être attribuées au mesurande après la mesure, et avec quelle probabilité. Cette distribution
représente l’état de connaissance de l’expérimentateur après la mesure, ou si l’on préfère
son manque de connaissance à propos du mesurande. L’incertitude-type est définie
comme l’écart-type de p(x) et reflète la largeur typique de la distribution p(x) (voir
paragraphe 1.2.4).
L’approche du GUM traite sur le même plan la composante systématique et la

composante aléatoire.
Du point de vue technique, son avantage principal est la loi de propagation des
incertitudes-types, qui permet de combiner de manière cohérente et universelle les
différentes incertitudes.
Du point de vue fondamental, un avantage important de l’approche du GUM est qu’elle

est focalisée sur les résultats des expériences : en pratique, les composantes aléatoire et
systématique de l’erreur ne peuvent pas forcément être distinguées expérimentalement, et
la distinction est en fin de compte assez artificielle, puisqu’elle dépend des paramètres
d’influence qui varient lors de mesures répétées. De plus, cette approche s’adapte aux
situations où le mesurande n’est pas défini avec suffisamment de précision pour qu’il soit
raisonnable d’espérer qu’il ait une valeur unique (par exemple, l’« épaisseur d’une
plaque de métal » ne correspond à une valeur unique que tant que la mesure n’est pas
assez précise pour que l’on distingue des variations spatiales).

1.2.3.2 Interprétations des probabilités
La distribution de probabilité p(x) associée à une mesure peut être interprétée de

deux manières différentes, et qui ne s’appliquent pas forcément aux mêmes
situations.
- Dans l’interprétation la plus fréquente, le mesurande est supposé posséder une

certaine variabilité, décrite par une distribution de probabilité de fréquence pf(x).
Lorsque l’on effectue des observations répétées du mesurande, les résultats de
mesure sont tirés aléatoirement selon cette distribution. Le point de vue fréquente
est assez intuitif et permet de prendre en compte efficacement les erreurs
aléatoires, mais ne permet pas de traiter les erreurs systématiques, qui doivent
alors être évaluées séparément. Lors de la mesure de longueur avec une règle, par
exemple, la répétition de la mesure donne systématiquement le même résultat.
Dans le cas où erreurs aléatoire et systématique sont présentes, ce qui est
malheureusement souvent le cas, l’estimation de l’incertitude totale est alors
laissée à l’appréciation de l’expérimentateur.
- Dans l’interprétation bayésienne, on considère que l’ensemble des mesures
effectuées et des connaissances a priori de l’expérimentateur sur le système de
mesure permettent d’attribuer une distribution de probabilité pc(x) au mesurande,
qui décrivent l’état de connaissance incomplète que l’expérimentateur a du
mesurande. Cette distribution n’a pas le même sens que pf(x) : à partir d’une
mesure unique, il est possible de caractériser pc mais pas pf. Cette interprétation
est donc essentielle dans l’évaluation de type B, que nous verrons au paragraphe
1.3.
À ces interprétations des probabilités sont associées des méthodes, qui ont chacune des
avantages et des inconvénients : la statistique bayésienne permet de traiter les situations
où une seule mesure est disponible, ce que ne permet pas la statistique classique
(fréquente) ; au contraire, la statistique fréquente dispose de méthodes simples et
intuitives pour traiter le cas d’un grand nombre de mesures, alors que la statistique
bayésienne obtient des résultats similaires, mais au prix d’une complexité technique

nettement plus importante. Le GUM et ses compléments adoptent une position

intermédiaire entre ces deux points de vue. L’approche initialement utilisée par le GUM
est plutôt fréquente, surtout dans le cas où des mesures répétées sont disponibles, mais
son interprétation des incertitudes en termes d’état de connaissance, qui permet de traiter
les composantes systématique et aléatoire sur le même plan, est essentiellement
bayésienne. Les suppléments 1 et 2 au GUM adoptent un point de vue résolument
bayésien, sans pour autant remettre en cause l’utilisation des méthodes fréquentes dans le
cas de mesures répétées.
Remarque: L’opposition entre ces deux points de vue et le statut du GUM vis-à-vis de
cette opposition donnent encore lieu à débat dans la littérature spécialisée. Malgré un
socle solide, l’estimation des incertitudes n’est pas encore entièrement comprise et
formalisée, et le BIPM prévoit déjà une nouvelle révision du GUM pour en résoudre
divers problèmes.
Si ce débat est important en métrologie ou pour le test précis de modèles fondamentaux,

comme en physique des hautes énergies, il est souvent déconnecté de la recherche
expérimentale dans de nombreuses disciplines, et à plus forte raison des expériences
d’enseignement. Il est bon d’avoir conscience de son existence ainsi que des subtilités
associées à la notion d’incertitude, mais il faut rester raisonnable : l’estimation des
incertitudes est souvent faite en pratique avec un degré de précision insuffisant pour que
ces distinctions soient importantes. En particulier, une estimation pessimiste des
incertitudes, proche de l’analyse traditionnelle des erreurs, peut parfois s’avérer
suffisante.
1.2.4 Incertitude-type, incertitude élargie et intervalles élargis

Comme nous l’avons affirmé dans le paragraphe 1.2.3, l’état de connaissance que
l’expérimentateur a du ou des résultat(s) de mesure x d’un mesurande X est décrit par une
loi de probabilité p(x). L’écart-type de cette distribution est appelé l’incertitude-type u(x)
du mesurage : il représente autant que faire se peut dans un nombre unique la dispersion
plus ou moins grande des valeurs pouvant raisonnablement être attribuées au mesurande.
C’est cette grandeur que l’on cherchera à estimer par la suite. Selon les applications

voulues, on peut souhaiter définir un intervalle I, appelé intervalle élargi, dont on puisse
affirmer que la valeur du mesurande s’y trouve avec une certaine probabilité p, appelée
probabilité de couverture. C’est en particulier le cas dans les applications industrielles et
réglementaires, où pour des raisons de sécurité on souhaite garantir que les propriétés du
système étudié soient comprises entre des valeurs limites. Dans ce but, on définit à partir
de l’incertitude-type une incertitude élargie U, obtenue en multipliant l’incertitude-type
par un facteur d’élargissement k, dépendant de la probabilité de couverture et de la
distribution p(x), comme:
U = k u(x) (2)
L’intervalle élargi à p est alors donné par [x-U, x+U] où x est le résultat d’un
mesurage.
Remarque: Lorsque l’on donne un intervalle élargi, il est essentiel de préciser le

facteur d’élargissement utilisé, en particulier de manière à ce qu’il soit possible de
retrouver l’incertitude-type. Généralement, on souhaite aussi préciser la
probabilité de couverture choisie, sans quoi il n’y a pas vraiment d’intérêt à
utiliser un intervalle élargi.
Nous suivons ici le GUM qui ne fait pas appel à la notion de valeur vraie. Le VIM
définit l’intervalle élargi comme un « intervalle contenant l’ensemble des valeurs
vraies d'un mesurande avec une probabilité déterminée, [défini à partir de]
l’information disponible ». Ces définitions ont essentiellement le même sens.
Déterminer l’intervalle élargi correspondant à une probabilité de couverture

donnée n'est pas évident dans le cas général. Pour donner un exemple, lorsque
p(x) est une distribution gaussienne, k = 1 correspond à une probabilité de
couverture p≈0.67 ; k = 1.645 à p = 0.9 ; k = 1.960 à p = 0.95 ; k = 2, à p ~
0.9545 et k = 2.576 à p = 0.99, etc.
On peut aussi définir un intervalle élargi qui n’est pas symétrique autour de la
valeur mesurée choisie : c’est en particulier utile lorsque la distribution de
probabilité est très asymétrique.

En statistique fréquente, on définit la notion d’intervalle de confiance (associée à

un certain niveau de confiance). Cette notion est à distinguer de celle d'intervalle
élargi, qui est à rapprocher de la notion d'intervalle de crédibilité définie en
statistique bayésienne. Nous renvoyons à la littérature de statistique pour plus de
détails.
1.2 Estimation les incertitudes

1.2.1 Introduction
Dans une situation où toutes les grandeurs d’influence varient de manière aléatoire dans
le temps et l’espace, une série d’observations répétées suffisamment nombreuses devrait
permettre de déterminer avec un très bon niveau de certitude la distribution des valeurs
pouvant raisonnablement être attribuées au mesurande, par l’analyse statistique de la série
d’observations. Il faudrait pour cela déterminer toutes les causes concevables
d’incertitude en utilisant différentes méthodes de mesure, différents types d’instruments,
et différentes approximations dans la modélisation théorique. Dans la pratique, une telle
étude n’est pas réalisable et l’incertitude doit souvent être évaluée par d’autres méthodes.
On distingue ainsi:
- l’évaluation de type A de l’incertitude, où l’incertitude-type est évaluée à partir de

l’analyse statistique d’une série d’observations répétées du mesurande, et
- l’évaluation de type B de l’incertitude, où l’incertitude-type est évaluée par tout autre
moyen.
Les évaluations de type A (à partir d’une série d’observations) reposent sur des
distributions de fréquence estimées après la mesure, à partir des séries d’observations.
Les évaluations de type B reposent sur des lois « a priori », qui décrivent l’état de nos
connaissances a priori, c’est-à-dire avant la mesure. De telles lois a priori peuvent
provenir d’une notice ou d’une modélisation de l’instrument de mesure, par exemple. En
dernière analyse, les évaluations de type B proviennent généralement d’évaluations de
type A préalables et « figées ».

Lorsque des erreurs systématiques sont présentes, l’évaluation de type A n’estime pas
l’incertitude car elle ne prend pas en compte l’impact des erreurs systématiques.
Il ne faut pas confondre estimation de type A et B avec erreur aléatoire et

systématique. Il s’agit de méthodes d’estimation de l’incertitude, dont le résultat
sera ou non adapté selon le type d’erreur présent.
Dans un souci d’efficacité, la figure 2 propose un récapitulatif de la méthode permettant

d’estimer une incertitude de mesure.
Figure 1 Récapitulatif des types d'incertitudes

1.2.2 Estimation par analyse statistique d’une série de mesures, dite de type A
Lorsque l’on dispose d’une série d’observations xi répétées et indépendantes d’une même
grandeur X, on peut utiliser des méthodes statistiques pour obtenir un résultat de mesure
combinant toutes les observations et estimer l’incertitude-type sur ce résultat à partir de
l’écart-type de la série de mesures.
Remarque: Pour que l’incertitude obtenue ait un sens, il est nécessaire que toutes les
grandeurs d’influence varient aléatoirement (ce dont il n’est pas possible de s’assurer en
pratique) : dans le cas contraire, il peut y avoir une erreur systématique. De plus, pour que
l’estimation de l’incertitude soit représentative de l’erreur, le nombre d’observations doit
être élevé.
Il faut noter que dans le cadre de l’enseignement de la physique expérimentale,

l’estimation des incertitudes n’est pas généralement faite avec une grande
précision comme elle est exigée dans le domaine industriel. Cependant, nous
suivons les recommandations de la version actuelle du GUM.
Nous définissons la moyenne expérimentale de la série de mesure selon:
1
𝑥̅ = 𝑁 ∑𝑁
𝑖=1 𝑥𝑖 (3)
Cette moyenne 𝑥̅ sert d’estimation de la valeur moyenne du mesurande.

L’écart-type expérimental de la série de mesure est défini par:
1
𝑠(𝑥) = √𝑁−1 ∑𝑁
𝑖=1(𝑥𝑖 − 𝑥̅ )
2 (4)
C’est une estimation de l’écart-type de la loi de distribution de X, c’est-à-dire de la

variabilité du mesurande.
La moyenne 𝑥̅ , associée à un nombre fini d’échantillons (xi), est à son tour une variable
aléatoire, qui possède une valeur moyenne, coïncidant avec celle de X, et un écart-type

𝜎(𝑥̅ ) qui quantifie la dispersion de 𝑥̅ . On peut donc assimiler l’incertitude- type à (𝑥̅ ), que
l’on peut estimer à partir de l’écart-type expérimental comme:
𝑠(𝑥)
𝑢(𝑥̅ ) = (5)
√𝑁
Ainsi, l’incertitude-type est réduite d’un facteur √𝑁 par rapport à la dispersion s(𝑥̅ ) des
résultats mesurés.
Il faut garder à l’esprit que nous faisons à nouveau une estimation de (𝑥̅ ) à partir d’un
nombre fini d’échantillons : u(𝑥̅ ) est aussi une variable aléatoire, dont la moyenne est
égale à 𝜎(𝑥̅ ). Alors, u(𝑥̅ ) fluctue également et l’estimation est entachée d’une
incertitude. Pour qu’elle soit fiable, il faut que le nombre d’échantillons utilisé soit
grand. Par exemple, si p(x) est une gaussienne, l’écart-type relatif de u(𝑥̅ ) est inférieur
à 10% (respectivement 24%) si le nombre d’échantillon N est supérieur à 50
(respectivement 10).
Remarque: En pratique, nous n’avons pas toujours la possibilité d’obtenir un nombre

d’échantillon aussi conséquent. Ça n’est pas pour autant qu’il faut éviter d’effectuer des
évaluations de type A sur de petits échantillons ! L’information obtenue a plus de valeur
qu’une absence totale d’information sur la variabilité du phénomène, et la formule (5)
donne la meilleure estimation possible de l’incertitude-type à partir des données à
disposition. Il faut cependant garder à l’esprit qu’elle est entachée d’une imprécision qui
peut être significative.
Nous pouvons à ce stade constater qu’une telle évaluation n’est pas adaptée si des erreurs
systématiques sont présentes : l’incertitude de mesure ne peut pas être indéfiniment
réduite par la répétition de la mesure. Avec un nombre d’échantillons suffisant, plus ou
moins grand selon les situations, l’incertitude estimée par l’évaluation de type A devient
inférieure à l’incertitude associée à une mesure unique sans variabilité, par exemple liée à
la résolution de l’instrument. Dans ce cas, les erreurs systématiques deviennent
prépondérantes, et il convient de les évaluer selon une méthode de type B.
La situation extrême correspond au cas d’un mesurande dont les fluctuations ne sont pas
détectables par l’instrument de mesure. Considérons par exemple la mesure de la
longueur d’une table avec une règle : la répétition de la mesure donnera toujours le

même résultat, ce qui conduit à une incertitude-type nulle si l’on effectue une évaluation
de type A. Ce n’est pas raisonnable puisque la précision de la mesure pourra
difficilement aller au-delà de la résolution de l’instrument.
1.2.3 Estimation de l’incertitude associée à une mesure unique, dite de type B
Considérons donc maintenant la situation d’une source d’incertitude que l’on ne peut pas
traiter par une méthode statistique. C’est le cas si l’on ne peut pas répéter la mesure (par
exemple si la mesure détruit l’échantillon caractérisé), si les fluctuations de la valeur
mesurée ne sont pas observables par les instruments employés (par exemple parce
qu’elles sont plus petites que sa résolution), ou encore si les observations répétées ne sont
pas indépendantes (par exemple lorsque l’on mesure plusieurs fois de suite la longueur
d’un objet avec une même règle).
Dans ce cas, l’incertitude doit être estimée à partir de toutes les informations disponibles
au sujet de la variabilité possible de la grandeur d’entrée, et en particulier des indications
de précision fournies par les constructeurs des différents appareils utilisés.
Une modélisation du protocole de mesure permet à l’expérimentateur de proposer une

forme pour la distribution de probabilité pc : l’incertitude-type u(x) est alors estimée par
l’écart-type a de cette distribution, défini par:
𝜎 2 = ∫(𝑥 − 𝑥̅ )2 𝑝𝑐 (𝑥)𝑑𝑥 (6)
où 𝑥̅ est la valeur moyenne de pc. Le résultat obtenu dépend alors de cette modélisation. Il
faut noter en général qu'avec des choix raisonnables de distribution de probabilité, on
aboutit à des incertitudes comparables. Rappelons à ce stade que souvent, en
enseignement, l’estimation des incertitudes n’est pas suffisamment précise pour que
la différence induite par le choix de telle ou telle loi soit significative et interprétable.
Dans la suite, nous listons un certain nombre de situations typiques, mais il revient à
l’expérimentateur de rester critique et de choisir l’estimation qui lui semble la mieux
adaptée au cas par cas.

1.2.3.1 Incertitude de lecture sur un affichage digital ou sur une grandeur numérisée
Lorsque l’on utilise un dispositif comprenant un convertisseur analogique-numérique, et

en particulier un dispositif avec un affichage digital, il y a une incertitude due à la
quantification du signal en pas de taille Δnum. Connaissant la valeur x mesurée, nous
pouvons seulement dire que la valeur cherchée est contenue dans un l’intervalle
[x-Δnum, x+Δnum]. La distribution de probabilité décrivant cet état de connaissance
partielle pnum(x) est une loi uniforme sur cet intervalle. L’incertitude-type est alors donnée
par l’écart-type de cette distribution:
∆𝑛𝑢𝑚
𝑢(𝑥) = (7)
√3
Remarque: Lorsque l’on utilise un appareil numérique commercial, cette erreur de

quantification, mais aussi l’incertitude due à un étalonnage imparfait, au vieillissement
de l’appareil, etc. sont normalement indiquées dans la notice constructeur.
1.2.3.2 Incertitude de mesure sur des graduations
Lors d’une mesure avec un appareil gradué (une règle ou un vernier par exemple) de
graduation Δgrad, la mesure peut être plus ou moins précise selon les capacités
d’évaluation de l’expérimentateur. Le choix de la distribution de probabilité pc est alors
plus discutable. Selon la confiance de l’expérimentateur en son outil et en sa mesure, il
est possible de choisir, par exemple,
- une distribution uniforme de largeur Δgrad (auquel cas l’incertitude-type est donnée
par u(x) = Δgrad/2√3) si on considère que le repère est entre deux graduations, et qu’on
ne dispose d’aucune autre information (c’est le choix le plus naturel) ;
- une distribution triangulaire de largeur Δgrad (auquel cas l’incertitude-type est donnée
par u(x) = Δgrad/2√6) si on considère que le repère est soit très proche d’une graduation,
soit très proche de son centre : cela signifie qu’on souhaite donner plus de poids aux
valeurs proches de la valeur lue, et qu’on exclut celles distantes de plus d’une
graduation ;

- ou d’autres distributions dépendant des conditions de lecture.
Par exemple, on mesure la position d’un objet sur un banc optique gradué tous les cinq
millimètres. On choisit une loi uniforme de largeur Δgrad = 5 mm d’où une incertitude-
type ugrad(x) = Δgrad/2√3 mm = 1,4 mm.
Remarque: Lorsque l’on souhaite faire une analyse précise des incertitudes, il convient
de préciser (et le cas échéant de justifier) la distribution choisie.
1.2.3.3 Incertitude sur une valeur constructeur
Tout le matériel produit industriellement est fourni par le constructeur avec une valeur
nominale et une tolérance de fabrication sur cette valeur. C’est en particulier le cas des
composants électroniques. Cette tolérance correspond généralement à la largeur de
l’intervalle de confiance, pour une loi de probabilité et avec un niveau de confiance qui
devraient être précisés. En l’absence de précision, il est conseillé de supposer qu’une loi
normale a été utilisée.
En effectuant des tests de qualité, le constructeur peut indiquer un intervalle élargi avec
une certaine probabilité de couverture. D’après les recommandations ISO GUM, le
facteur d’élargissement doit être précisé, ce qui permet de remonter à l’incertitude-type. Il
est possible que la notice précise une loi de probabilité (uniforme, gaussienne, etc.) et ses
caractéristiques. Lorsque seule l’incertitude-type est indiquée, les recommandations du
GUM préconisent dans ce cas qu’on choisisse une loi gaussienne avec cet écart-type.
Lorsque le facteur d’élargissement n’est pas précisé, il n’est pas raisonnable de

prétendre à une estimation rigoureuse de l’incertitude en le devinant! Néanmoins, les
probabilités de couvertures les plus souvent utilisées dans ce cas sont de 90 %, 95 % et
99% qui correspondent pour une loi normale à des facteurs d’élargissement 1,64; 1,96
et 2,58.
Ce cas s’applique également à la mesure par des appareils numériques : dans ce cas, les
notices donnent généralement l’incertitude constructeur Δcons sous la forme:
Δcons= p% + m digits (8)

où « digits » signifie en fait « least significant digits », qu’on peut traduire par « unités de
lecture ». Cela signifie qu’il faut prendre comme incertitude-type la somme de p % de la
valeur affichée et de m fois la plus petite puissance de dix affichée pour obtenir
l’incertitude élargie U, puis diviser par le facteur d’élargissement k annoncé par la notice
(si nécessaire) pour obtenir l’incertitude-type u(x) = U/k.
Remarque: La valeur d’« un digit » est donnée aussi par la résolution.
Exercice d'application: Sur la fiche technique et sur le certificat d'étalonnage d'un

voltmètre on note:
 une précision de 0,025% + 10 digits

 un facteur d’élargissement k = 2.6, un an après l’étalonnage, entre 18°C et
28 °C, avec une humidité relative de 90 %.
Ce voltmètre indique une résolution de 0,0001 V. la valeur mesurée est Xa = 0,6425 V.
Calculer l'incertitude élargie U et en déduire l'incertitude-type u(Xa).
Résolution:
L’incertitude constructeur Δcons dépend du calibre sur lequel l’appareil est réglé : plus le
calibre est petit, plus la mesure est précise. Ainsi, il faut toujours choisir le plus petit
calibre permettant de réaliser la mesure pour réduire autant que possible les incertitudes
de mesure.
Remarque: Pour un appareil à aiguille (appareil analogique), il est préférable de
l’utiliser, si possible, pas trop loin de la pleine ́échelle afin d’obtenir une incertitude

relative faible. Un appareil `à aiguille de classe p signifie qu’il introduit une incertitude
relative de p % sur une mesure ́égale au calibre.
Exemple : Un voltmètre de classe 0.5 utilisé sur le calibre 10V introduira une incertitude
absolue de :
1.2.3.4 Autres considérations du constructeur
1.2.3.5 Choix de la distribution de probabilité
Comme on l’a vu, l’incertitude de type B reflète une connaissance imparfaite du

mesurande. À ce titre, le choix d’une distribution de probabilité (et des paramètres
associés) est du ressort de l’expérimentateur, qui doit faire appel à son jugement éclairé et
à son bon sens. Par exemple, lorsque l’on sait uniquement que le mesurande se trouve
entre deux valeurs a et b, le principe d’entropie maximale indique qu’il faut choisir une
distribution uniforme entre a et b. Lorsque seul l’écart- type de la distribution est connu,
c’est une gaussienne qui est prescrite.

1.2.4 Incertitude totale

De façon générale, plusieurs sources d’incertitude sont à prendre en compte : il convient
alors de les combiner pour accéder à l’incertitude associée au mesurage. Dans le cas où
ces sources d’incertitude sont indépendantes, il suffit de sommer leurs incertitudes-types
en quadrature, c’est-à-dire que l’incertitude-type totale est:
𝑢(𝑥) = √∑𝑀
𝑖=1(𝑢𝑖 (𝑥))
2 (9)
Cette équation est valable à condition que toutes les sources d’incertitude soient
indépendantes, quelque soit le type (A ou B) d’évaluation des incertitudes
individuelles.
Exercice d'application:
On cherche à déterminer la position x où une image optique est nette. La mesure est
effectuée sur un banc optique gradué tous les cinq millimètre.
1- On choisit donc une loi uniforme de largeur Δgrad = 5 mm. Calculer incertitude-type
ugrad(x)
2- On désire régler la netteté de l'image. A cet effet l’image semble assez nette sur toute
une plage. On arrive seulement à repérer les bords de cette plage de netteté, de largeur
Δnet = 10 mm, où l’image devient floue. En supposant une loi triangulaire de largeur Δnet
pour modéliser l’incertitude correspondante, Calculer l’incertitude-type correspondante
u n e t (x)
3- Calculer l'incertitude totale si on ne prend en compte que ces deux incertitudes

Résolution
Remarque: Lorsque les sources d'incertitude ne sont pas indépendantes, il faut en tenir
compte en ajoutant leurs covariances estimées à la somme sous la racine. Dans la
pratique, le calcul devient vite laborieux et il est pertinent d’utiliser un outil logiciel pour
déterminer l’incertitude totale
Souvent, l’une des sources d’incertitude est largement prépondérante : il peut alors être
légitime de négliger les contributions des autres sources, surtout au niveau de précision
voulu dans les expériences d’enseignement.
De façon générale, l’incertitude-type de type A et la (ou les) incertitude-type de type B

doivent être ajoutées en quadrature, selon la relation:
𝑢2 (𝑥) = 𝑢𝐴2 (𝑥) + 𝑢𝐵2 (𝑥) (10)
1.2.5 Incertitudes composées

En général, nous nous intéressons à l'évaluation de l'incertitude sur des grandeurs qui ne
sont par directement obtenues par la mesure, mais qui sont calculées à partir de valeurs
expérimentales. Par exemple, le calcul de l'incertitude sur le volume d'un corps
parallélépipédique 𝑉 = 𝐿 ∗ 𝑙 ∗ 𝑒.

Considérons plus précisément une grandeur y = f (xi), reliée à une collection (xi) de
paramètres, mesurés expérimentalement et auxquels sont associés des incertitudes u(xi).
Lorsque les grandeurs d’entrée xi sont indépendantes, l’incertitude-type composée
de y est obtenue par la formule de propagation des incertitudes-types:
𝝏𝒇 𝟐
𝒖(𝒚) = √∑𝒊 (𝝏𝒙 ) 𝒖𝟐 (𝒙𝒊 ) (11)
𝒊
La formule (11) peut se généraliser au cas où des corrélations existent entre les
paramètres, et s’écrit alors:
𝝏𝒇 𝝏𝒇
𝒖𝟐 (𝒚) = ∑𝒊,𝒋 𝝏𝒙 𝒖(𝒙𝒊 , 𝒙𝒋 ) (12)
𝒊 𝝏𝒙𝒋
où u(x i ,x j ) = u(x j ,x i ) est la covariance estimée associée à xi et xj ; en particulier,

u(x i ,x i ) = u 2 (x i ).
Remarque: L’usage systématique de la formule (11) est dorénavant préconisé par
les programmes du secondaire. En pratique, il s’agit d’une manière raisonnable
d’obtenir un bon ordre de grandeur de l’incertitude composée, mais elle n’a un sens
précis que lorsque les u(xi) sont des incertitudes-types, évaluées avec soin.

1.2.6 Travaux dirigés

Exercice 1
Exercice 2
Si le diamètre d’une table circulaire est déterminé à 1%, quelle est l’incertitude sur son
aire ?
Serait-il préférable de déterminer le rayon à 1% ? Quelle serait l'influence sur la
résolution de l'instrument de mesure?
Exercice 3

Exercice 4
Exercice 5
On désire évaluer le volume d'un corps parallélépipédique de longueur L, de largeur l et

d'épaisseur e. A cet effet on utilise le pied à coulisse pour mesurer les différentes
dimensions du corps. Les résultats des essais obtenus en laboratoire sont consignés dans
le tableau ci-après.
Longueurs (dm) Largeurs (dm) Epaisseurs (dm)

99,93 69,02 46,82
99,70 69,03 46,81
Mesures 99,84 68,98 46,70
99,74 69,04 46,81
99,78 68,99 46,69
99,89 69,01 46,79
1- Calculer une estimation de la longueur et son incertitude-type
2- Calculer une estimation de la largeur et son incertitude-type
3- En déduire une estimation du volume du corps et son incertitude

Chapitre 2 Ajustement des courbes
2.1 Introduction
En physique expérimentale, il est très courant d’avoir à effectuer l’ajustement d’une
courbe à des données expérimentales. Le plus souvent, on dispose:
 de données expérimentales ((xi,yi) avec des incertitudes (Δxi, Δyi)),

 d’un modèle théorique prévoyant une certaine relation entre les grandeurs x et y,
par exemple une relation affine y = ax + b.
La relation entre x et y donnée par le modèle théorique n’est pas forcément affine : de
manière générale, on suppose qu’elle s’écrit y = f (x; p) où f est une fonction dépendant
d’un vecteur de paramètres d’ajustement p (dans le cas d’une relation affine, p = (a, b)).
Définition
L’ajustement de courbe est une démarche qui consiste à déterminer les paramètres p = p*
qui donnent la courbe d’ajustement y = f (x; p*) la plus proche des données
expérimentales, c’est-à-dire que l’on ajuste les paramètres de manière à ce que la courbe
d’ajustement s’approche au mieux des mesures. Ces paramètres p* sont appelés
paramètres optimaux (ou parfois paramètres ajustés).
Figure 2.1 Exemple graphique d'ajustement
Deux motivations principales peuvent amener à ajuster une courbe à des données
expérimentales :
 vérifier dans quelle mesure le modèle théorique décrit bien le phénomène

physique observé.
 déterminer les paramètres p du modèle et leur incertitude (il s’agit d’une
mesure).
2.2 Ajustement par la droite de Mayer

2.2.1 Méthode
On découpe le nuage de points en deux sous-ensembles de même effectif. Pour chacun des deux
sous-ensembles, on calcule la moyenne des xi et la moyenne des yi. On obtient ainsi deux points
𝐴(𝑥̅1 , 𝑦̅1 ), 𝐵(𝑥̅2 , 𝑦̅2 ), appelés points moyens. Il reste à tracer la droite passant par ces deux points.
L'équation de cette droite s'obtient de la même façon que pour un ajustement affine graphique.
Figure 2.2 Ajuste par la droite de Meyer
2.2.2 Equation de la droite

C'est l'équation de la droite passant par les points 𝐴(𝑥̅1 , 𝑦̅1 ), 𝐵(𝑥̅2 , 𝑦̅2 ). Soit:
(𝑦𝐵 −𝑦𝐴 )
𝑦 − 𝑦𝐵 = (𝑥𝐵 −𝑥𝐴 )
((𝑥 − 𝑥𝐵 )) (2.1)
2.3 Ajustement affine par la méthode des moindres carrés

2.3.1 Méthodologie
Soit une série de n donnée ( xi, yi) que l'on voudrait ajuster par une droite de la forme
ypi=axi+b, avec a et b les paramètre de l'ajustement à déterminer. L'ajustement linéaire

par la méthode des moindres carrés consiste à déterminer la droite d'équation ypi=axi+b
(que l'on appelle aussi droite de régression) telle que la somme des carrés des n valeurs
yi – ypi soit minimale. Ce qui explique le nom de la méthode. Autrement, on détermine a
et b en minimisant la somme S:
2
𝑆 = ∑𝑛𝑖=1(𝑦𝑖 − (𝑎𝑥𝑖 + 𝑏)) (2.2)
2.3.2 Détermination de a et b
Telle que définie, la quantité S dépend de deux paramètres a et b (fonction à deux
variables). Minimiser S revient alors à annuler les dérivées partielles par rapport à a et b.
soit:
𝜕𝑆
=0 (2.3)
{ 𝜕𝑎
𝜕𝑆
=0 (2.4)
𝜕𝑏
En exploitant les équations (2.3) et (2.4), on obtient :
1 𝑛
∑ 𝑥 𝑦 −𝑥̅ 𝑦̅
𝑛 𝑖=1 𝑖 𝑖
𝑎= 1 𝑛 (2.5)
∑ 𝑥 2 −𝑥̅ 2
𝑛 𝑖=1 𝑖
et
𝑏 = 𝑦̅ − 𝑎𝑥̅ (2.6)
2.3.3 Qualité de l'ajustement linéaire

2.3.3.1 Calcul du Coefficient de corrélation
Pour évaluer la qualité de la régression linéaire, on calcule un paramètre appelé le
coefficient de corrélation noté généralement R tel que:
𝑆𝑥𝑦
𝑅= (2.7)
𝑆𝑥 𝑆𝑦

1
Avec: 𝑆𝑥𝑦 = 𝑛1 ∑𝑛𝑖=1 𝑥𝑖𝑦𝑖 − 𝑥̅ 𝑦̅ = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅) (𝑥𝑖 − 𝑥̅ ) (2.8)
𝑛
1 1
𝑆𝑥 2 = ∑𝑛𝑖=1 𝑥𝑖 2 − 𝑥̅ 2 = ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 (2.9)
𝑛 𝑛
1 1
𝑆𝑦 2 = ∑𝑛𝑖=1 𝑦𝑖 2 − 𝑦̅ 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2 (2.10)
𝑛 𝑛
2.3.3.1 Interprétation de la valeur de R
R est un nombre réel compris entre -1 et 1.
 Quand |R| = 1, tous les points sont alignés.

 Quand |R| est proche de 1, les variables x et y sont fortement corrélées.
 Quand R < 0, la droite de régression a une pente négative.
 Quand R > 0, la droite de régression a une pente positive.
2.3.4 Incertitude sur les coefficients a et b

Soient Sa une estimation de l'incertitude sur a et Sb celle sur b. La droite de régression
peut s'écrire en terme de représentation par :
𝑦𝑝 = (𝑎 ± 𝑆𝑎 )𝑥 + (𝑏 ± 𝑆𝑏 ) (2.11)
Sa et Sb sont évalués avec les expressions ci-après:
2
∑𝑛
𝑖=1(𝑦𝑖 −𝑦𝑝𝑖 )
𝑆𝑦/𝑥 = (2.12)
𝑛−2
𝑆𝑦/𝑥 2
𝑆𝑎 2 = ∑𝑛 2 (2.13)
𝑖=1(𝑥𝑖 −𝑥̅ )
1 𝑥̅ 2
𝑆𝑏 2 = 𝑆𝑦/𝑥 2 [𝑛 + ∑𝑛 2]
(2.14)
𝑖=1(𝑥𝑖 −𝑥̅ )

2.4 Travaux dirigés

Exercice 2.1
Exercice 2.2
Les criquets ont un organe spécial sur leurs ailes avant qui produit un son lorsqu'ils
frottent leurs ailes les unes contre les autres. En règle générale, plus la température de
l'air est élevée, plus ils frottent leurs ailes rapidement. La relation entre la température et
le nombre de pulsations par seconde est bien approchée par une droite de régression
(chaque espèce a sa droite propre). On a relevé les mesures suivantes :
Température (°C) [x] 15° 17° 20° 21° 23° 24° 27° 28° 30° 32° 34°
Pulsations par sec. [y] 13.5 14.1 14.5 14.4 16.3 15.5 17.1 17.8 18.2 20.2 20.1
1-Donnez la droite des moindres carrés ajustant ce nuage de points.

2-Calculez le coefficient de corrélation linéaire.
3-Si la température augmente de 3°C, de combien augmentera le nombre de pulsations ?

Chapitre 3 Travaux pratiques au laboratoire

INTRODUCTION
Dans cette partie du programme, vous aurez à réaliser des travaux pratiques dans le domaine de
la mécanique, de l'électricité et de l'optique, etc. dans les laboratoires où la manipulation est
montée.
A la fin des travaux d'essais, les étudiants devront produire un rapport aux formats numérique
(Ms Word) et papier. Les données seront traitées soit dans le logiciel Ms Excel ou Matlab. Une
grande importante sera accordée à l'étude de l'évaluation des incertitudes conformément aux
approches développées dans les chapitres précédents.
3.1 Plan de rédaction de rapport de travaux pratiques

3.1.1 Partie théorique
 But de la manipulation
 Principe de la méthode ou mode opératoire
 Schémas si nécessaire
3.1.2 Manipulation
 Méthode de réglages des appareils
 Tableaux des mesures
3.1.3 Exploitation
 Tracé des graphiques: A faire dans Excel ou Matlab et copier coller dans Word
 Ajustement des courbes si nécessaire (A faire dans Excel ou Matlab)
 Calcul des moyennes
 Estimation d'incertitudes (Expliquer et justifier vos choix)
 Lorsqu'il s'agit de l'évaluation de type A, les mesures seront répétées au
plus 10 fois
 Dans le cas du type B, suivre les recommandations du cours
 Présentation des Résultats

Le résultat final en particulier : G =g ± 𝑢𝑐 (𝑔)

G : grandeur physique
g : valeur moyenne numérique calculée
𝑢𝑐 (𝑔): Incertitude absolue totale sur cette valeur
3.1.4 Conclusions et remarques : S’il y a lieu.
3.2 Mise à niveau avec Ms Word

En TP
3.3 Mise à niveau avec Ms Excel

En TP

3.4 TRAVAUX PRATIQUE N° 1:

MESURES ET CALCULS D’INCERTITUDE
3.4.1 Objet
Familiariser l’étudiant avec les instruments de mesure de longueur, de mase et de temps
*Savoir estimer l’erreur commise sur une mesure
*Savoir appliquer les éléments de théorie du cours « GENERALITES » pour déterminer
l’erreur finale sur la grandeur physique mesurée
3.4.2-Expérience
3.4.2.1. Détermination de la masse volumique du corps sphérique m01

 Manipulation
-Mesurer le diamètre du corps m01 à l’aide du pied à coulisse
-Mesurer sa masse à l’aide de la balance
 Analyse des résultats
-Calculer le volume de la sphère
-Calculer la masse volumique du cylindre à partir des mesures,
-Calculer l’incertitudesur les résultats de grandeur
3.4.2.2-Détermination de la masse volumique du cylindre m02

 Manipulation
-Mesurer la longueur du cylindre à l'aide du pied à coulisse.
-Mesurer le diamètre du cylindre à du pied à coulisse.
-Estimer l’incertitude sur chaque mesure de grandeur
-Calculer le volume du cylindre
-Calculer la masse volumique du cylindre à partir des mesures,
-Calculer l’incertitude sur les résultats.

3.4.2.3Détermination de la masse volumique du parallélépipède m03

 Manipulation
-Mesurer la longueur du corps m03 à l'aide du pied à coulisse.
- Mesurer la largeur du corps m03 à l'aide du pied à coulisse.
-Mesurer l'épaisseur du corps m03 à l'aide du pied à coulisse
-Estimer l’incertitude sur chaque mesure de grandeur
-Calculer le volume du corps m03
-Calculer la masse volumique du corps m03 à partir des mesures,
-Calculer l’incertitude sur les résultats

3.5 TRAVAUX PRATIQUE N° 2

RENDEMENT DE TRANSFORMATION DE L'ENERGIE
3.5.1-But
Chaque transformation d’énergie implique une perte d’énergie. Le but de cette
manipulation est de comprendre d'abord les formes d'énergie (rotation, cinétique,
potentielle...) mises en jeu lors d'un processus de transformation d'énergie dans un
système. En d'en déduire le rendement de transformation. On appelle rendement le
rapport entre l’énergie dégradée et l’énergie absorbée.
3.5.2-Principe
On transforme, tout d’abord, l’énergie potentielle d’un corps en d’autres forme d’énergie
(énergie cinétique et énergie de rotation) et on les retransforme ensuite en énergie
potentielle. Le rendement est défini en tant que quotient de l’énergie dégagée par rapport
à l’énergie absorbée:
𝑊𝑎𝑏
𝜂= (1)
𝑊𝑧𝑢
Pour l’énergie potentielle, on aura
𝑊 = 𝑚. 𝑔. ℎ = 𝐹𝐺 . ℎ, (2)
m=masse du corps
g=gravité de la pesanteur, 9,81m/s2
(1) et (2) nous donnent :
𝑚. 𝑔. ℎ2 ℎ2
𝜂= = (3)
𝑚. 𝑔. ℎ1 ℎ1
h1= hauteur du corps avant l’essai
h2= hauteur du corps après l’essai

3.5.3-Matériels
Pied en forme de A, grand

Tige à crochet
Embase
Disque de Maxwell
Tige de statif, l=630mm
Latte graduée, l=1000 mm
Noix double
Curseurs, paire
Fil de pêche
Figure 3: Schéma du montage

3.5.4-Montage
On monte la tige carrée sur le pied en A, selon la figure 1. Il faudra veiller à ce que les
deux tiges à crochet se terminent aux cotes extérieures des noix doubles (ce qui permet
d’obtenir la bonne distance pour les crochets). On enfile un fil de pêche d’environ 50cm
de long dans les deux trous de l’axe du disque de Maxwell. Puis, on fait un nœud afin
d’empêcher le fil de sortir. Ensuite, on fait une bouche aux extrémités libres des fils et on
y suspend les crochets des tiges. Veillez à suspendre l’axe du disque à l’horizontale. Le

cas échéant, on égalisera la longueur des fils, en déplaçant une des noix doubles. Puis, on
enserre le mètre droit, muni des curseurs, dans l’embase.
3.5.5-Mode opératoire
On enroule les fils autour des axes. On maintient le disque avec la main. On règle le
curseur supérieur du mètre droit sur le centre de l’axe, lire la hauteur h1. Puis, on lâche le
disque. Le fil de pêche se déroule et la roue effectue un mouvement vers le bas ; puis le
processus se déroule en sens inverse. Lorsque la roue atteint, à nouveau, sa position la
plus élevée, on la maintient avec la main et on règle le curseur inférieur sur le nouveau
centre axial. On mesure alors la hauteur h2. Pour chaque valeur de h1, répéter l'expérience
4 fois afin d'obtenir 4 valeurs de h2.
Compléter le tableau ci-après
h1(mm) h2i(mm)
2e 3e 4e
1er essai
essai essai essai
875
840
820
800
750
720
680
650
580
470
3.5.6-Résultats
L’énergie potentielle du "disque de maxwell" est transformée –après le lâcher- en énergie
de rotation et en énergie cinétique et l’énergie de rotation se transforment en énergie
potentielle et le disque a atteint une nouvelle position élevée (plus basse que la position
initiale). Comme l’axe n’atteint pas sa hauteur de départ et que l’énergie potentielle du
disque est donc faible à la fin de l’essai, une partie de l’énergie a du être transformée en
une autre forme d’énergie. Le quotient obtenu à partie de l’énergie utile (dans le cas

présent, l’énergie potentielle du disque après l’essai) et de l’énergie absorbée (l’énergie

potentielle avant l’essai) est appelé rendement.
Etant donné que pour tous les processus de transformation d’énergie, l’énergie utile est
toujours inférieure à l’énergie absorbée, le rendement sera toujours inférieur à 1.
Résultats à présenter
1-Compléter ce tableau ci-après
h1(mm) h2i(mm) h2moy
2e 3e 4e
1er essai
essai essai essai
875
840
820
800
750
720
680
650
580
470
2-Tracer la courbe h2moy=f(h1)
3-Que représente le rendement de conversion 𝜂 pour cette courbe
4-Calculer les incertitudes type sur h1 et h2. Expliquer vos choix.
4-En déduire la valeur du rendement de conversion 𝜂 et calculer uc(η)

Remarque
On prendra d’autres exemples pour démontrer aux étudiants que l’énergie ne disparait pas
mais qu’elle se présente simplement sous une autre forme. Bien que la "perte d’énergie"
qui apparait à chaque transformation d’énergie soit perdue en tant qu’énergie utile, elle ne
disparait pas mais se transforme en une autre forme d’énergie non utile (énergie
calorifique).

3.6 Travaux Pratiques N° 3

LE PENDULE OSCILLANT
3.6.1-But de la Manipulation
L’objectif de la séance est de mettre en évidence le mouvement d’un système mécanique
élémentaire : le pendule oscillant (oscillateur harmonique).
3.6.2-Matériel
Le pendule oscillant est constitué d’une masse considérée comme ponctuelle oscillant à
l’extrémité d’un ressort (horizontal ou vertical), l’autre extrémité étant fixe. La masse du
ressort est négligée ainsi que les frottements et la résistance de l’air. Ce système
mécanique est aussi appelé « oscillateur harmonique » car la position, la vitesse et
l’accélération de la masse ponctuelle sont des fonctions sinusoïdales du temps qui
donnent lieu à des mouvements périodiques. Il existe d’autres oscillateurs harmoniques
comme le circuit LC (résistance négligé) en électricité ou encore le modèle de la
molécule diatomique dont les deux atomes vibrent sous l’axe de la molécule.
3.6.3-Mesure de la constante de raideur k d’un ressort à partir de la loi de Hooke
3.6.3.1 Rappels théoriques

La figure 1(a) montre le ressort à vide caractérisé par sa raideur K et sa longueur à vide
l0. La figure1(b) montre le même ressort auquel est suspendue une masselotte de masse
m, considérée comme ponctuelle, provoquant ainsi un allongement x0 du ressort. Ce
système mécanique au repos doit vérifier l’équilibre des forces entre le poids de la
masselotte et la force dite de rappel du ressort. La loi de Hooke montre que la force de
rappel d’un ressort est de la forme k.x avec k une constante propre au ressort dite
constante de raideur et x, l’allongement du ressort par rapport à sa position d’équilibre
sous l’effet d’une masselotte (figure1(c)). Cette force tend à repositionner la masselotte à
sa position d’équilibre. Dans l’hypothèse d’un ressort vertical, il n’y a pas de force de
réaction à prendre en compte contrairement au cas d’un ressort horizontal reposant sur
une surface. La relation vectorielle d’équilibre est donc simplement 𝐹⃗ + 𝑃⃗⃗ = ⃗⃗
0. Ces deux
forces étant dirigées suivant la direction verticale et de sens opposés, nous en déduisons
directement qu’à l’équilibre, l’intensité de la force de rappel du ressort est égale au
produit mg avec g, l’accélération de la pesanteur à la surface de la terre (g=9,81m.s-2)
3.6.3.2 Mesures
1-Mesurer la longueur à vide de deux ressorts en évaluant l’incertitude de
mesure ?
2-Déterminer la dimension de k

3-Pour chaque ressort, mesurer l’allongement x0,i pour toutes les masses mi (10g,
20g, 30g, 40g, 50g). Attendre que le système soit à l’équilibre avant de faire la mesure.
Indiquer les incertitudes de mesure. Présenter les résultats sous forme de tableau.
4-Pour chaque ressort tracer sur un graphe x0,i en fonction de mi.
5-Déterminer les pentes et en déduire la valeur de k pour chaque ressort ainsi que
son incertitude absolue uc(k) en utilisant la méthode des droites de pentes extrêmes.
3.6.4-Constante de raideur de deux ressorts couplés
3.6.4.1 Rappels théorique

Lorsque l’on couple deux ressorts de raideurs k1 et k2, comme indiquer sur la figure deux,
le système couplé est alors équivalent (comme pour le cas des condensateurs en série en
électricité) à un ressort de raideur ke, vérifiant la relation :
1 1 1 𝑘1𝑘2
= 𝑘1 + 𝑘2 → 𝑘𝑒 = 𝑘2+𝑘2
𝑘𝑒
3.4.4.2 Mesures
1-Coupler les deux ressorts et déterminer expérimentalement la raideur ke en se
basant sur la méthode de la section 3.2. Donner l’incertitude uc(ke)sur ke.
2-Déterminer par le calcul théorique la valeur de kt pour ce système couplé.

Calculer l’incertitude uc(kt)sur kt. Comparer la valeur calculée avec la valeur obtenue
expérimentalement. Conclusion.
3.6.5 Mesure de la constante de raideur à partir d’une étude de mouvement (oscillations

libres)
3.4.5.1 Rappels théoriques

Nous prenons comme origine de l’axe verticale la position d’équilibre de la masselotte.
Considérons maintenant que nous donnons une certaine élongation initiale au ressort par
rapport à sa position d’équilibre. Lorsque nous relâchons la masselotte nous observons un
mouvement oscillatoire autour de la position d’équilibre la valeur de l’élongation d’un
ressort par rapport à cette origine à un instant t est appelé x(t). L’expression de
l’élongation en fonction du temps peut se déterminer à partir du principe fondamental de
la dynamique : 𝐹⃗ + 𝑃⃗⃗ = 𝑚𝑎⃗.

En projetant cette relation vectorielle suivant l’axe verticale, on obtient la relation

suivante :
𝑑 2 (𝑥 + 𝑥0)
−𝑘(𝑥 + 𝑥0 ) + 𝑚𝑔 = 𝑚𝑎𝑥 = 𝑚 × = 𝑚. 𝑑²𝑥/𝑑𝑡²
𝑑𝑡 2
Or, à l’équilibre nous avons vu que 𝑘𝑥0 = 𝑚𝑔. On en déduit l’équation différentielle à
une dimension du second ordre à coefficients constant et sans second membre décrivant
le mouvement de la masselotte :
𝑑²𝑥/𝑑𝑡² + 𝑘 𝑥/𝑚 = 0
Cette équation différentielle est caractéristique d’un mouvement sinusoïdal de pulsation

𝑘
propre 𝜔0 = √𝑚 La solution générale (équation horaire du mouvement) est donc de la
forme :
𝑥(𝑡) = 𝐴. 𝑠𝑖𝑛 (𝜔0 𝑡 + 𝜑)
A et φ étant la constante d’intégration qui dépend des conditions initiales du mouvement.

Il est intéressant de noter que w0 ne dépend pas de l’amplitude du mouvement. La période
2𝜋 𝑚
T est ici définie par : 𝑇 = = 2𝜋√ 𝑘
𝜔0
3.6.5.2 Mesures
1- Pour chacun des deux ressorts, mesurer à l’aide d’un chronomètre 20 périodes
d’oscillations pour trois masselottes (20g, 30g, 40g). On appellera t20 le temps de la
mesure. Evaluer uc(t20). Présenter les résultats dans un tableau. En déduire T et uc(T).
2- Vérifier, pour un ressort et une masselotte quelconques, que la période
d’oscillation ne dépend pas de l’élongation initiale. Donner les résultats pour
deux élongations et commenter.
3- Représenter graphiquement m=f(T²)
4- En déduire les valeurs de k et uc(k) pour chaque ressort.
5- Cette méthode est-elle plus précise que celle employée dans la section 3.2 ?
Justifier la réponse en s’appuyant sur les incertitudes relatives.

Figure 4: (a) ressort à vide ; (b) ressort chargé à l’équilibre

; (c) ressort chargé en mouvement

Figure 5 ressorts couplés

3.7 TRAVAUX PRATIQUE N° 4

INITIATION À SIMULINK ET SIMULATION ET MESURE EN RÉGIME
SINUSOÏDALE DANS UN CIRCUIT RLC
Figure 6 Schéma de Principe de mesure du circuit RLC

Cours Physique Experimentale 2018 V5

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Physique Experimentale 2018 V5

Transféré par

Droits d'auteur :

Formats disponibles

NOTE DE COURS

Dr. FANNOU JEAN-LOUIS C.

FANNOU JEAN-LOUIS COMLAN, PhD

2.4 Travaux dirigés......................................................................................................................... 33

FANNOU JEAN-LOUIS COMLAN, PhD

FANNOU JEAN-LOUIS COMLAN, PhD

Chapitre 1 Estimation des incertitudes

Au cours d’une expérience, il n’est jamais possible de maîtriser l’intégralité des

L'interprétation des incertitudes et la manière de les estimer ont notablement

FANNOU JEAN-LOUIS COMLAN, PhD

1.2 Notion d’incertitude sur une valeur mesurée

L’incertitude de mesure est définie comme « un paramètre, associé au résultat d’un

FANNOU JEAN-LOUIS COMLAN, PhD

1.2.1.2 Présentation d’un résultat

X = (x ± Δx) unité (1)

FANNOU JEAN-LOUIS COMLAN, PhD

1.2.1.3 Chiffres significatifs

- le dernier chiffre significatif de l’écriture de la valeur x doit se trouver à la même

FANNOU JEAN-LOUIS COMLAN, PhD

estimées de la distribution de probabilité décrivant l’état de connaissance que l’on a du

1.2.2 Erreurs systématiques et aléatoires

Les imperfections d’un processus de mesure et l’éventuelle variabilité du mesurande lui-

L’erreur aléatoire provient de fluctuations temporelles ou spatiales aléatoires de certaines

Exemple: Le bruit thermique dû à l’agitation thermique des porteurs de charge

Un mauvais étalonnage de l’appareil de mesure, le mauvais réglage du zéro de

La figure 1 représente la différence entre erreur aléatoire et systématique. Elle n’est

FANNOU JEAN-LOUIS COMLAN, PhD

erreur systématique est comprise, il est parfois possible de modifier le protocole

Figure 1 Erreur aléatoire et erreur systématique.

Pour donner une idée de la différence entre erreur aléatoire et erreur

1.2.3 Interprétation des incertitudes

1.2.3.1 Analyse des erreurs et analyse des incertitudes

FANNOU JEAN-LOUIS COMLAN, PhD

valeur vraie du mesurande se trouve dans l’intervalle [x - e(x), x + e(x)]. De la sorte, on

L’approche du GUM traite sur le même plan la composante systématique et la

Du point de vue fondamental, un avantage important de l’approche du GUM est qu’elle

FANNOU JEAN-LOUIS COMLAN, PhD

1.2.3.2 Interprétations des probabilités

La distribution de probabilité p(x) associée à une mesure peut être interprétée de

- Dans l’interprétation la plus fréquente, le mesurande est supposé posséder une

FANNOU JEAN-LOUIS COMLAN, PhD

nettement plus importante. Le GUM et ses compléments adoptent une position

Si ce débat est important en métrologie ou pour le test précis de modèles fondamentaux,

1.2.4 Incertitude-type, incertitude élargie et intervalles élargis

FANNOU JEAN-LOUIS COMLAN, PhD

Remarque: Lorsque l’on donne un intervalle élargi, il est essentiel de préciser le

Déterminer l’intervalle élargi correspondant à une probabilité de couverture

FANNOU JEAN-LOUIS COMLAN, PhD

En statistique fréquente, on définit la notion d’intervalle de confiance (associée à

1.2 Estimation les incertitudes

- l’évaluation de type A de l’incertitude, où l’incertitude-type est évaluée à partir de

FANNOU JEAN-LOUIS COMLAN, PhD

Il ne faut pas confondre estimation de type A et B avec erreur aléatoire et

Dans un souci d’efficacité, la figure 2 propose un récapitulatif de la méthode permettant

Figure 1 Récapitulatif des types d'incertitudes

FANNOU JEAN-LOUIS COMLAN, PhD

Il faut noter que dans le cadre de l’enseignement de la physique expérimentale,

Nous définissons la moyenne expérimentale de la série de mesure selon:

Cette moyenne 𝑥̅ sert d’estimation de la valeur moyenne du mesurande.

C’est une estimation de l’écart-type de la loi de distribution de X, c’est-à-dire de la

FANNOU JEAN-LOUIS COMLAN, PhD

Remarque: En pratique, nous n’avons pas toujours la possibilité d’obtenir un nombre

FANNOU JEAN-LOUIS COMLAN, PhD

1.2.3 Estimation de l’incertitude associée à une mesure unique, dite de type B