Université Joseph Fourier, CESIRE Plate-forme Optique L3 Physique-Chimie, 2010-11
Modélisation de données expérimentales
En TP, vous aurez parfois à traiter un relevé de n valeurs expérimentales (xi, yi) et leurs incertitudes
(xi, yi) associées (les erreurs systématiques ne sont pas traitées ici).
On attend de vous que vous cherchiez à faire 2 choses :
1 – valider un modèle, c'est-à-dire répondre à la question suivante : la loi de variation y(x)
observée expérimentalement peut-elle, compte tenu des incertitudes, se représenter par la
fonction modèle f ?
2 – trouver les k coefficients de la fonction modèle f et leur incertitude.
Par exemple, si un modèle théorique prévoit une variation y = f(x) linéaire, vous essayerez de valider le
modèle f (x) = a x et de trouver le coefficient a ± a.
La réponse à ces questions dépend bien sûr de la dispersion des points expérimentaux autour de la
fonction modèle, mais aussi de la valeur des incertitudes de mesure : si on réalise une mesure très
précise, il sera plus difficile de trouver une fonction modèle représentant correctement les points
expérimentaux, mais une fois la fonction trouvée, l’incertitude sur ses paramètres sera faible.
Si les incertitudes expérimentales sont connues, les logiciels de traitement de données (Synchronie,
Kaleidagraph, …) utilisent en général la méthode du « 2 » qui consiste à chercher les k coefficients
(a, b, …) de la fonction f choisie qui minimisent la quantité :
n y i f xi 2
2
i 1 i2
où i est la variance liée à l’incertitude sur le point (xi, yi). On voit qu’il s’agit d’une somme pondérée :
plus un point expérimental est précis, plus sont influence est importante.
La minimisation de cette fonction par le logiciel conduit à l’affichage des résultats suivants :
- paramètres optimum de la fonction f : a ± a, b ± b, …
- validation du choix de la fonction f : 2 ou Cm = 2 /(n-k)
Cm est appelé critère d’optimisation de la modélisation. On peut considérer que le choix de la fonction
modèle f est correct si :
2 n-k, ou Cm 1 (l’erreur sur 2 est 2 = 2n k )
Une valeur trop importante du 2 signifie que le modèle n’est pas valide. Une valeur trop faible
signifie que les incertitudes ont été surévaluées.
Remarque : Les logiciels donnent aussi souvent le coefficient de régression linéaire R ou l’écart
quadratique moyen E (moyenne du carré des écarts entre les points expérimentaux et la fonction f). Ces
deux coefficients ne dépendent que de la dispersion des points expérimentaux autour de f, pas de leur
précision. Ils ne permettent donc pas de valider le modèle ni d’obtenir la précision sur les coefficients
de la fonction f.
Intro-1
Université Joseph Fourier, CESIRE Plate-forme Optique L3 Physique-Chimie, 2010-11
- Utilisation du logiciel Synchronie :
Si on utilise une fonction prédéfinie, ou si on ne précise pas les incertitudes x et y, le logiciel affiche
seulement les valeurs des coefficients a, b, … et l’écart quadratique E.
Pour obtenir la valeur des incertitudes sur les coefficients a, b, … ainsi que le critère d’optimisation
Cm, il faut choisir une fonction utilisateur (sélectionner : autre fonction) et entrer les valeurs des
incertitudes x et y (identiques pour tous les points).
Le logiciel réclame alors une estimation des paramètres a, b, … pour l’aider dans sa modélisation. Si
les estimations de ces paramètres ne sont pas assez précises, il est possible que la modélisation échoue.
Seuls les paramètres actifs sont affinés. Si, alors que tous les paramètres sont actifs, la modélisation
échoue, recommencer en rendant actifs les paramètres un par un.
- Utilisation du logiciel Kaleidagraph :
Ici encore, si on utilise une fonction prédéfinie (ex. : Curve fit – Linear), le logiciel affiche seulement
les valeurs des coefficients a, b, … et R. Si on veut obtenir les incertitudes a, b, … et le 2 , il faut
définir soi-même la fonction modèle (passer par : Curve fit – General – Fit 1 – Define …).
Pour préciser l’incertitude i attachée à chaque point de mesure, sélectionner Weight Data. Le logiciel
demande alors de préciser quelle est la colonne contenant les valeurs de i (attention : si Weight Data
n’est pas sélectionné, le calcul est fait avec une valeur constante arbitraire i = 1). Si l’incertitude sur x
est négligeable, on prend i = yi, qui peut dépendre du point i considéré.
Attention : l’affichage des barres d’erreur sur un graphique (Plot – Error bars …) est indépendante de
la modélisation.
- Utilisation du logiciel Excel :
La modélisation de base d’Excel n’affiche que les coefficients a, b, … et le coefficient de régression
linéaire R, insuffisant pour nous.
___________________________________________________________________________________
Exemple :
Les quatre courbes suivantes ont été tracées sur Kaleidagraph, avec n = 6 points de mesure, identiques
dans tous les cas. Les barres d’erreur tracées correspondent aux poids i utilisés pour la modélisation :
elles sont trois fois plus faibles dans les cas 2 et 3 que dans le cas 1 et 4.
Cas 1 : Grandes barres d’erreur, modélisation par une droite.
On trouve 2 = 4,0885 au lieu de la valeur idéale 6 - 2 = 4 (avec une erreur 2,8).
La modélisation est donc bonne. Par contre, on voit que les coefficients de la droite sont donnés avec
une précision assez médiocre (par exemple, la pente est donnée avec une précision de 13 %).
Intro-2
Université Joseph Fourier, CESIRE Plate-forme Optique L3 Physique-Chimie, 2010-11
1 - incertitudes importantes, fit linéaire
14 y = m1 + m2 * M0
Value Error
12m1 3,0039 0,47553
m2 1,7898 0,23213
10
Chisq 4,0885 NA
8 R 0,96729 NA
B
2
-1 0 1 2 3 4 5 6
A
Cas 2 : Faibles barres d’erreur, modélisation par une droite.
On trouve 2 = 36,797 au lieu de la valeur idéale 6 - 2 = 4 (avec une erreur 2,8).
La modélisation est donc maintenant mauvaise (une mesure précise est plus difficile à modéliser), bien
que les coefficients de la droite soient donnés avec une assez bonne précision (par exemple, la pente est
maintenant donnée avec une précision de 4 %). On voit dans cet exemple que pour valider un modèle,
il ne faut pas se fier à la précision des coefficients de la modélisation : seule la valeur du 2 (ou du Cm)
peut valider le choix de la fonction modèle.
Remarquez aussi que le coefficient de régression R est le même dans les cas 1 et 2 (il est indépendant
des incertitudes) : ce coefficient ne peut pas non plus renseigner sur la validité de la modélisation.
2 - incertitudes faibles, fit linéaire
14 y = m1 + m2 * M0
Value Error
12 m1 3,0039 0,15851
m2 1,7898 0,077377
10
Chisq 36,797 NA
8 R 0,96729 NA
B
2
-1 0 1 2 3 4 5 6
A
Intro-3
Université Joseph Fourier, CESIRE Plate-forme Optique L3 Physique-Chimie, 2010-11
Cas 3 : Faibles barres d’erreur, modélisation par une parabole.
On trouve 2 = 3,5526 au lieu de la valeur idéale 6 - 3 = 3 (avec une erreur 2,4).
La modélisation par une parabole est donc bonne : on peut dire que les résultats expérimentaux sont
bien représentés par une loi parabolique, compte tenu des incertitudes expérimentales (dans le cas 1, les
incertitudes étant plus importantes, une loi linéaire suffisait).
y = m1 + m2*M0 + m3*M0^ 2 3 - incertitudes faibles, fit parabolique
Value Error
14
m1 3,5899 0,1883
m2
12 0,49391 0,23771
m3 0,3019 0,052361
Chisq
10 3,5526 NA
R 0,99689 NA
8
B
2
-1 0 1 2 3 4 5 6
A
Cas 4 : Grandes barres d’erreur, modélisation par une parabole.
On trouve 2 = 0,39473 au lieu de la valeur idéale 6 - 3 = 3 (avec une erreur 2,4).
Ici, la valeur du 2 est plutôt faible, ce qui signifie que la modélisation est valide mais peu sensible : la
parabole convient, mais pas mieux que la droite ! D’ailleurs, on peut noter que l’incertitude sur les
paramètres de la modélisation est très grande.
y = m1 + m2*M0 + m3*M0^2 4 - incertitudes fortes, fit parabolique
Value Error
14
m1 3,5899 0,5649
m2
12 0,49391 0,71313
m3 0,3019 0,15708
Chisq
10 0,39473 NA
R 0,99689 NA
8
B
2
-1 0 1 2 3 4 5 6
A
Intro-4
