Académique Documents
Professionnel Documents
Culture Documents
PHYSIQUE EXPERIMENTALE
Présentée par
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
1.1 Introduction
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).
1.2.1.1 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).
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.
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.
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 :
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
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.
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).
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.
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
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.
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.
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.
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.
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.
1
𝑥̅ = 𝑁 ∑𝑁
𝑖=1 𝑥𝑖 (3)
1
𝑠(𝑥) = √𝑁−1 ∑𝑁
𝑖=1(𝑥𝑖 − 𝑥̅ )
2 (4)
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).
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.
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.
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
∆𝑛𝑢𝑚
𝑢(𝑥) = (7)
√3
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 ;
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.
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.
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:
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.
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
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.
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
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
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:
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).
Deux motivations principales peuvent amener à ajuster une courbe à des données
expérimentales :
physique observé.
déterminer les paramètres p du modèle et leur incertitude (il s’agit d’une
mesure).
(𝑦𝐵 −𝑦𝐴 )
𝑦 − 𝑦𝐵 = (𝑥𝐵 −𝑥𝐴 )
((𝑥 − 𝑥𝐵 )) (2.1)
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
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)
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
𝑦𝑝 = (𝑎 ± 𝑆𝑎 )𝑥 + (𝑏 ± 𝑆𝑏 ) (2.11)
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 )
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
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.
3.1.2 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
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
3.5.1-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
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
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.
3.6.3.2 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.
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.
3.4.4.2 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.
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
forme :
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.