Précision d’un résultat et calculs

d’incertitudes

PSI* 2012-2013
Lycée Chaptal
3 Table des matières

Table des matières

1. Présentation d’un résultat numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
a) Notation scientifique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
b) Notation ingénieur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Chiffres significatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
a) Nombre de chiffres significatif d’un résultat numérique . . . . . . . . . . . . . . . 4
b) Précision d’un résultat numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Chiffres significatifs et opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2. Présentation d’un résultat expérimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.1 Résultat d’une mesure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Chiffres significatifs du résultat d’une mesure . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3. Incertitudes des mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3.1 Erreur systématique et erreur aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Calculs classiques d’incertitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
a) Méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
b) Incertitude liée à un appareil de mesure . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
c) Critiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
d) Intérêts des calculs d’incertitudes classiques . . . . . . . . . . . . . . . . . . . . . . . . 9
e) Exemple de calcul : célérité d’une onde ultrasonore . . . . . . . . . . . . . . . . . . 9

4. Analyse statistique d’une série de mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

4.1 Mesures indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.2 Loi gaussienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.3 Exploitation statistique d’une série de mesures . . . . . . . . . . . . . . . . . . . . . . . . . 12
a) Estimations de la valeur exacte et de l’écart-type . . . . . . . . . . . . . . . . . . . . 12
b) Intervalle de confiance (méthode de Student) . . . . . . . . . . . . . . . . . . . . . . . 12
4.4 Intérêt de choisir la moyenne comme estimateur de la grandeur mesurée . . . 13
4.5 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
 1. Présentation d’un résultat numérique 4

1. Présentation d’un résultat numérique

1.1 Notations
a) Notation scientifique
La notation (ou écriture) scientifique est une représentation d’un nombre réel sous la
forme d’un produit de deux facteurs. Le premier facteur est un nombre décimal dont la
valeur absolue de la partie entière est un chiffre comprise entre 1 et 9. Le second facteur
est une puissance entière de 10. Exemple : T = 298 K s’écrit en notation scientifique
T = 2, 98.102 K.

b) Notation ingénieur
La notation ingénieur consiste à exprimer un nombre réel sous la forme x · 10n , où x est
un nombre compris entre 1 et 999 et n est un entier multiple de 3. Exemple : U = 0, 045 V
s’écrit en notation ingénieur U = 45.10−3 V = 45 mV.

1.2 Chiffres significatifs

a) Nombre de chiffres significatif d’un résultat numérique
Dans un résultat numérique, tous les chiffres autre que zéro sont significatifs. Les zéros
sont significatifs lorsqu’ils se trouvent entre d’autres chiffres ou à leur droite ; ils ne le
sont pas lorsqu’ils se trouvent à leur gauche. Exemples :
• 3, 2 contient 2 chiffres significatifs ;
• 3, 20 contient 3 chiffres significatifs ;
• 0, 32 contient 2 chiffres significatifs ;
• 3200 contient 4 chiffres significatifs.
Signalons qu’un nombre entier naturel est considéré comme possédant un nombre illimité
de chiffres significatifs ; il en est de même de son inverse.

b) Précision d’un résultat numérique

La précision d’un résultat numérique augmente avec le nombre de chiffres significatifs
exprimé. Le dernier chiffre est alors incertain. Exemples :
• L = 12, 597 km = 12, 597.103 m (5 chiffres significatifs) signifie que
12596, 5 m < L < 12597, 5 m ;
• L = 12, 60 km = 12, 60.103 m (4 chiffres significatifs) signifie que
12595 m < L < 12605 m ;
• L = 12, 6 km = 12, 6.103 m (3 chiffres significatifs) signifie que
12550 m < L < 12650 m .
5 2. Présentation d’un résultat expérimental

1.3 Chiffres significatifs et opérations

Il faut toujours arrondir le résultat final fourni par la calculatrice afin de l’exprimer avec
une précision égale à celle de la donnée utilisée la moins précise. Par exemple, le résultat
de la multiplication
36, 54 · 58, 4 = 2133, 936 doit être arrondi à 2, 13.103 ,
car la données la moins précise (58, 4) contient 3 chiffres significatifs. De même, après une
addition ou une soustraction, le résultat ne doit pas avoir plus de décimales que le nombre
qui en comporte le moins :
220, 2 + 968, 114 − 12, 51 = 1175, 804 doit être arrondi à 1175, 8 .

2. Présentation d’un résultat expérimental

2.1 Résultat d’une mesure

Considérons une grandeur physique A dont la valeur exacte est notée ae . Une mesure
n’étant jamais parfaite, la valeur ae n’est pas accessible par l’expérience, il s’agit d’une
valeur inconnue pour l’expérimentateur. Une mesure est en effet toujours entachée
d’erreurs dont les causes sont multiples : matériel employé, qualification de l’expérimen-
tateur effectuant la mesure, méthode utilisée, influence de l’environnement de la grandeur
mesurée...
Pour chaque mesure d’une grandeur physique A, il faut idéalement présenter le résultat
de la mesure sous la forme d’un intervalle :
A = â ± ∆a
où
• â est l’estimateur de la valeur exacte ae ; εa = b
a − ae représente alors l’erreur commise
sur la mesure de A ;
• ∆a est l’incertitude sur la mesure de A telle que la probabilité p pour que l’intervalle
numérique [â−∆A ; â+∆A] contienne la valeur exacte ae soit assez élevée (par exemple
p = 95%).
Exemple : U = 2, 48±0, 02 V signifie que la valeur exacte de la tension U a une probabilité
élevée d’appartenir à l’intervalle [2, 46 V ; 2, 50 V].

2.2 Chiffres significatifs du résultat d’une mesure

On expliquera dans les prochains chapitres la manière d’évaluer l’incertitude d’une mesure.
Mais retenons d’ores et déjà les règles d’écriture du résultat d’une mesure, règles qui
découlent des conséquences des arrondis de â et ∆a sur les variations tolérables de
l’intervalle de mesure.
 3. Incertitudes des mesures 6

On exprimera l’incertitude ∆a avec au plus 2 chiffres significatifs.

On conservera pour l’estimateur â les chiffres significatifs qui interviennent dans ∆a.

Exemple : le résultat U = 2, 5785 ± 0, 0127 V devra être mis sous la forme finale

U = 2, 578 ± 0, 013 V.

En l’absence de calcul d’incertitude, le résultat d’une mesure sera écrit avec au plus
3 chiffres significatifs.

En effet, avec le matériel utilisé au lycée, la précision est en général de l’ordre de 1%, ce
qui conduit à écrire les résultats des mesures avec 2 ou 3 chiffres significatifs.

3. Incertitudes des mesures

3.1 Erreur systématique et erreur aléatoire

Une erreur systématique affecte le résultat constamment et toujours dans le même

sens, elle contribue à toujours surévaluer, ou toujours sous-évaluer, la valeur mesurée.

Exemples de causes d’erreurs systématiques

• Mauvais étalonnage d’un appareil.
• Mauvais réglage du zéro d’un appareil (balance par exemple).
• Vieillissement des composants.
• Le protocole expérimental peut introduire une erreur systématique. Par exemple, si l’on
desire mesurer à la fois la tension aux bornes d’un dipôle et le courant qui le traverse,
on peut réaliser deux montages possibles :

Montage longue dérivation : Montage courte dérivation :

V V

A dipôle A dipôle

E E
7 3. Incertitudes des mesures

Ces deux montages introduisent des erreurs systématiques.

⋄ Dans le montage longue dérivation, le voltmètre mesure la somme des différences de
potentiel du dipôle et de l’ampèremètre.
⋄ Dans le montage courte dérivation, l’ampèremètre mesure la somme des courants
traversant le dipôle et le voltmètre.
Notons que pour des multimètres numériques, le montage courte-dérivation est à
privilégier car le courant traversant un voltmètre numérique est très faible (résistance
interne de l’ordre de 10 MΩ) alors que la chute de tension due à un ampèremètre
numérique n’est pas négligeable.

Une erreur est aléatoire lorsque, d’une mesure à l’autre, la valeur obtenue peut être
surévaluée ou sous-évaluée par rapport à la valeur exacte de la grandeur.

Exemples de causes d’erreurs aléatoires

• Un exemple d’erreur aléatoire est la mesure du temps avec un chronomètre. L’erreur
vient du temps de réaction de l’expérimentateur au démarrage et à l’arrêt du chronomètre.
Comme ce temps de réaction n’est pas toujours le même, la valeur mesurée peut être
surévaluée ou sous-évaluée.
• Parasites du circuit d’alimentation en électronique.
• Fluctuations des paramètres physiques de l’environnement (température, pression, hu-
midité de l’aire...).
Remarque : une erreur donnée peut, suivant les conditions, apparaı̂tre comme systéma-
tique ou aléatoire. Considérons par exemple le cas de l’erreur de parallaxe1 : si l’opérateur
se place toujours sous le même angle par rapport à la perpendiculaire à la graduation d’un
appareil de mesure, il introduira une erreur systématique dans ses lectures. Par contre,
s’il se place de manière aléatoire par rapport à la perpendiculaire à la graduation, l’erreur
de parallaxe sera aléatoire.

3.2 Calculs classiques d’incertitude

a) Méthode

• Soit une grandeur A = f (x, y, z) où x, y et z représentent les mesures primaires.

L’incertitude sur la grandeur A peut être exprimée en donnant :
⋄ soit l’incertitude absolue ∆A ;
⋄ soit l’incertitude relative ∆A/A.
Expression de la différentielle de f :
∂f ∂f ∂f
df = dx + dy + dz .
∂x ∂y ∂z
On note ∆x, ∆y et ∆z, les incertitudes absolues sur les mesures primaires. La quantité
1
l’erreur de parallaxe est l’angle entre la direction du regard d’un observateur et la perpendiculaire à la graduation
d’un appareil de mesure, amenant à une erreur de lecture de la mesure effectuée.
 3. Incertitudes des mesures 8

∂f ∂f ∂f
∆A = ∆x + ∆y + ∆z
∂x ∂y ∂z
donne une estimation de l’incertitude de mesure sur la grandeur A.
• Règles de calcul classiques :

A=x+y+z =⇒ ∆A = ∆x + ∆y + ∆z ;

∆A ∆x ∆y
A = xm y n =⇒ = |m| + |n| .
|A| |x| |y|

b) Incertitude liée à un appareil de mesure

Afin d’évaluer l’incertitude liée à un appareil de mesure, on peut utiliser les indications
du constructeurs (notice). Cette procédure demeure valable si l’appareil est régulièrement
ré-étalonné.
• Pour un appareil à aiguille, 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 appareil de classe 2 comportant 150 divisions introduira une
2
incertitude absolue de · 150 soit 3 divisions et ceci quelle que soit l’amplitude de
100
la déviation.
• Pour les appareils numériques, l’incertitude absolue comprend souvent un pourcentage
de la valeur mesurée plus un terme constant. Par exemple, la notice d’un voltmètre
donne comme information sur l’incertitude : 0, 5% +1 digit (c’est-à-dire 1 unité sur
le dernier chiffre). Mesurons une même tension U en utilisant deux calibres différents.
⋄ Affichage du voltmètre sur le calibre 200 mV : 150,0. L’incertitude de mesure vaut
alors :
0, 5
∆U = · 150, 0 + 0, 1 soit ∆U = 0, 85 mV ;
100
⋄ Affichage du voltmètre sur le calibre 20 V : 00,15. L’incertitude de mesure vaut
alors :
0, 5
∆U = · 0, 15 + 0, 01 = 1, 075.10−2 V soit ∆U = 10, 75 mV ;
100
On pourra retenir qu’il faut utiliser le plus petit calibre possible (ici 200 mV) pour
bénéficier du maximum de précision lors de la mesure.

c) Critiques
• Cette étude ne prend pas en compte toutes les causes d’erreur. Par exemple, lors de
l’étude de la résonance d’un circuit RLC, il faut apprécier la fréquence pour laquelle
le courant passe par un maximum. Cette imprécision est, en général, très supérieure
à celle déduite de l’indication d’un fréquencemètre.
• Les incertitudes sur les mesures primaires sont souvent estimées de manière empirique,
à moins de disposer de la notice des appareils de mesure.
9 3. Incertitudes des mesures

• Le niveau de confiance qu’on peut accorder aux diverses incertitudes n’est pas précisé.
On suppose qu’il est proche de 100%. Pour garder un tel niveau de confiance, le calcul
considère que toutes les erreurs vont dans le mauvais sens (d’où les valeurs absolues
dans les calculs) et cela conduit à des incertitudes assez grandes.

d) Intérêts des calculs d’incertitudes classiques

Les calculs d’incertitudes classiques ont tout de même des qualités.

• Ils permettent de voir les grandeurs sur lesquelles devra porter l’amélioration de la
précision. Exemple : la loi pour la chute libre g = 2h/t2 montre qu’une erreur sur la
mesure du temps t aura plus de répercussion qu’une erreur sur la hauteur h.
• Ils fournissent un ordre de grandeur correct. En particulier, s’il s’agit de mesurer une
même grandeur par plusieurs méthodes, il est utile de pouvoir dire quelle est la plus
précise.
Au final, il est nécessaire d’adapter le nombre de chiffres significatifs d’une mesure à son
incertitude (cf. chapitre 2).

e) Exemple de calcul : célérité d’une onde ultrasonore

• La mesure de la longueur d’onde λ d’une onde ultrasonore fournit le résultat :

λ = 8, 630 ± 0, 018 mm .

D’où l’incertitude relative sur λ :

∆λ 0, 018
= = 2, 1.10−3 .
λ 8, 630
• La notice de l’émetteur de l’onde ultrasonore fournit comme valeur de la fréquence
f0 = 40, 0 kHz, par conséquent 39950 Hz < f0 < 40050 Hz. L’incertitude relative sur
la fréquence a donc pour valeur :
∆f0 50
= 3
= 1, 2.10−3 .
f0 40, 0.10

• Valeur de la célérité de l’onde : c = λf0 = 345, 24 m·s−1 . En différentiant de façon

logarithmique la relation c = λf0 , on obtient l’incertitude relative puis absolue sur c :
∆c ∆λ ∆f0
= + = 3, 3.10−3 soit ∆c = 1, 1 m·s−1 .
c λ f0

D’où la valeur expérimentale de la mesure de la célérité : c = 345, 2 ± 1, 1 m·s−1 .

 4. Analyse statistique d’une série de mesures 10

4. Analyse statistique d’une série de mesures

L’analyse statistique représente une autre alternative pour les calculs d’incertitudes. Cette
démarche s’applique aux erreurs aléatoires.

4.1 Mesures indépendantes

Des mesures sont considérées comme indépendantes si elles sont effectuées par des ma-
nipulateurs différents sur des appareillages différents (mais du même type) en suivant
le même protocole. Exemple : mesure d’une grandeur physique d’un même objet par
différents groupes de TP équipés du même type de matériel.
Dans le cas contraire (manipulateurs utilisant successivement le même matériel ou
manipulateur unique utilisant successivement plusieurs appareils), les mesures sont dites
corrélées.

4.2 Loi gaussienne

Supposons que nous disposions d’un grand nombre n de mesures indépendantes xi d’une
même grandeur X. On note x, la moyenne arithmétique de ces mesures :
∑n
xi
x = i=1 .
n
En l’absence d’erreur systématique, on estime que la moyenne x des mesures tend
vers la valeur exacte xe lorsque n tend vers l’infini :

lim x = xe .
n−→∞

On note P (x) la distribution de probabilité associée à la variable aléatoire x : la quantité

P (x)dx représente alors la probabilité de trouver la valeur de la mesure dans l’intervalle
[x; x + dx].
Dans un grand nombre de situations, la probabilité de trouver une valeur x en mesurant
la grandeur X, obéit à une loi de Gauss :
[ ]
1 (x − xe )2
P (x) = √ exp − (expression non exigible)
σ 2π 2σ 2

où
• la quantité σ est appelé écart-type quadratique moyen ; ∫
√ ∞
• la constante 1/σ 2π permet de normaliser la loi de probabilité : P (x)dx = 1 .
−∞

Cette loi est très répandue car il suffit que les causes des erreurs aléatoires soient mul-
tiples et d’importance comparable pour qu’elle soit vérifiée.
11 4. Analyse statistique d’une série de mesures

La valeur exacte de X représente la moyenne de cette distribution de probabilité :

∫ ∞
xe = ⟨x⟩ = xP (x)dx .
−∞

L’écart-type quadratique moyen vérifie la relation

√∫
√ ∞
σ = ⟨(x − xe )2 ⟩ = (x − xe )2 P (x)dx .
−∞

La probabilité qu’une mesure xi tombe dans l’intervalle [xe − 2σ, xe + 2σ] est
∫ xe +2σ
P (x)dx = 0, 954 .
xe −2σ

Le tableau suivant donne la probabilité qu’une mesure xi tombe dans un intervalle

centré sur la valeur exacte xe :

Intervalle de confiance Probabilité

[xe − σ, xe + σ] 68%

[xe − 1, 96σ, xe + 1, 96σ] 95%

[xe − 2σ, xe + 2σ] 95, 4%

[xe − 2, 58σ, xe + 2, 58σ] 99%

[xe − 3σ, xe + 3σ] 99, 7%

P(x)

2σ
2
xe x
3σ
 4. Analyse statistique d’une série de mesures 12

4.3 Exploitation statistique d’une série de mesures

Comme expérimentalement, on n’a souvent qu’un petit nombre n de mesures indépendantes
(n variant de 5 à 20 par exemple), on n’a accès ni à xe , ni à σ mais seulement à une esti-
mation de ces grandeurs.

a) Estimations de la valeur exacte et de l’écart-type

Les mathématiques permettent de montrer que le meilleur estimateur x b de la valeur exacte

xe (valeur moyenne de la distribution P (x)) est la moyenne arithmétique des n mesures
indépendantes, de qualité comparable (donc après avoir écarté les mesures manifestement
aberrantes, signes d’un incident de manipulation) :
∑n
xi
b = x = i=1 .
x
n
On admettra également que le meilleur estimateur de σ est donné par l’écart-type
expérimental de la série de mesure :
√∑
i=1 (xi − x)
n 2
σn−1 = .
n−1

Propriété :
lim σn−1 = σ .
n−→∞

Remarque : repérer σn−1 dans la liste des fonctions pré-programmées de vos calculatrices1 .

b) Intervalle de confiance (méthode de Student)

Dans l’hypothèse où toute erreur systématique a été écartée et où les mesures individuelles
xi sont réparties selon une loi gaussienne, il est possible d’approcher la valeur exacte xe
de la grandeur X avec une certaine probabilité.
Soit tn,p un coefficient, appelé coefficient de Student, dépendant du nombre n de
mesures et du degré de probabilité souhaité (p %). La valeur exacte xe a alors une proba-
bilité de p % de se trouver dans l’intervalle défini ci-dessous, appelé intervalle de confiance :
[ ]
σn−1 σn−1
x − tn,p √ ; x + tn,p √ .
n n

Par conséquent :

∑n
xi σn−1
X = x̂ ± ∆x avec x
b=x= i=1
et ∆x = tn,p √ .
n n

1
la notation de cette fonction peut changer d’une calculatrice à l’autre, σn−1 est parfois noté Sn ou Sx
13 4. Analyse statistique d’une série de mesures

Le coefficient tn,p est tabulé en fonction du nombre de mesures n pour différents niveaux
de confiance p. Par exemple, pour p = 95% et p = 99%, on a

n 3 4 5 6 7 8 9 10 11 12
tn,95% 4, 30 3, 18 2, 78 2, 57 2, 45 2,37 2,31 2,26 2,23 2,20
tn,99% 9, 93 5, 84 4, 60 4, 03 3, 71 3,50 3,36 3,25 3,17 3,11

n 13 14 15 16 17 18 19 20 21 22
tn,95% 2,18 2,16 2,14 2,13 2,12 2,11 2,10 2,09 2,09 2,08
tn,99% 3, 05 3, 01 2,98 2,95 2,92 2,90 2,88 2,86 2,85 2,83

Limites des coefficients de Student pour les niveaux de confiance p = 95% et p = 99% :
lim tn,95% = 1, 96 et lim tn,99% = 2, 58 .
n→+∞ n→+∞

Commentaires
• Pour un même nombre n de mesures indépendantes, le coefficient de Student tn,p aug-
mente avec le niveau de confiance p souhaité.
• Pour un même niveau de confiance p donné, tn,p décroı̂t lorsque n augmente. Mais les
variations de tn,p avec n sont assez faibles. Par exemple, pour n ≥ 10, on a :
1, 96 ≤ tn,95% ≤ 2, 26 et 2, 58 ≤ tn,99% ≤ 3, 25 .
• Le coefficient de Student tn,p variant assez faiblement avec n, la largeur de l’intervalle
de confiance, liée à la précision de la mesure,
σn−1
∆x = tn,p √
n
√
dépend donc essentiellement du facteur n qui divise σn−1 .

4.4 Intérêt de choisir la moyenne comme estimateur de la

grandeur mesurée
Cas d’une mesure unique. Nous avons établis que la probabilité pour qu’une mesure
unique xi appartienne à l’intervalle [xe − 1, 96σ, xe + 1, 96σ] est de 95%.
Cas d’une série de mesure. Pour n ≥ 20, la valeur exacte xe a une probabilité de
95% d’appartenir à l’intervalle
[ ]
σn−1 σn−1
x − tn,95 √ ; x + tn,95 √ avec tn,95% ≃ 2 .
n n
σn−1 étant un bon estimateur de σ, le fait de choisir la moyenne arithmétique x comme
estimateur de√la grandeur mesurée permet donc de diminuer l’incertitude sur la mesure
d’un facteur n par rapport à une mesure unique.
 4. Analyse statistique d’une série de mesures 14

Dans le cas où les coefficients de Student ne sont pas fournis, on pourra écrire le résultat
d’une série de mesures sous la forme (valable pour n ≥ 10) :

∑n
xi σn−1
X = x̂ ± ∆x avec x
b=x= i=1
et ∆x ≃ 2 √ pour p ≃ 95% .
n n

4.5 Exemple
• Série de mesures (n = 6) de l’intensité du champ de pesanteur g (m·s−2 ) :
9, 68 ; 9, 85 ; 9, 85 ; 9, 77 ; 9, 87 ; 9, 79.
• Valeur moyenne de g : g = 9, 80167 m·s−2 .
• Méthode de Student :

σn−1 = 7, 11.10−2 ; tn,95% = 2, 57 pour n = 6 mesures.

Incertitude sur la moyenne :

7, 11.10−2
∆g = 2, 57 · √ = 0, 075 m·s−2 .
6
Résultat de la série de mesures :

g = 9, 802 ± 0, 075 m·s−2 .

Intervalle de confiance à 95% :

[9, 802 − 0, 075 ; 9, 802 + 0, 075] = [9, 727 ; 9, 877] .

- - FIN - -