Méthodologie en Sciences – Travaux Pratiques

Exploitations graphiques avec Python

L’objectif des TP sur la création de graphiques avec Python est de vous apprendre à traiter, représenter
et interpréter des données expérimentales à l’aide du langage Python. Ce module est transverse : bien
que les exemples utilisés soient issus de domaines scientifiques précis, les techniques étudiées sont
communes, moyennant adaptation, à l’ensemble des sciences expérimentales. A l’issue de ces séances,
vous posséderez des outils simples mais néanmoins fiables et rigoureux d’analyse de données
expérimentales. Vous apprendrez notamment :

• à représenter graphiquement des données de mesures dans un format conforme aux

exigences d’un document scientifique ;

• à figurer des barres d’erreur appropriées ;

• à extraire de ces graphes des paramètres tels que l’ordonnée à l’origine et le coefficient
directeur d’une droite ajustée aux données (droite de régresssion linéaire) ;

• à encadrer ces paramètres de leur incertitude ;

• à utiliser intelligemment les échelles linéaires et logarithmiques.

Les deux sujets de TP ci-après décrivent les tâches à effectuer dans leurs grandes lignes. Certains
détails spécifiques (comme quel fichier utiliser, etc.) vous seront indiqués lors de la séance.
Le travail en équipe (entraide) est fortement encouragé ; en revanche le travail noté remis en séance
de contrôle continu sera strictement personnel, et rédigé sans aucun recours extérieur, IA comprise.
Critères de notation
Le travail réalisé en TP ne sera pas évalué directement durant les séances, mise à part une appréciation
globale de la forme "travail insuffisant, suffisant ou bon", mais vous serez interrogés en contrôle
continu, lors du second DS de Méthodologie des sciences, sur les savoirs acquis durant les TP. Seront
évaluées notamment vos capacités à rédiger un code Python fonctionnel, clair et commenté pour
tracer un graphique scientifique de qualité comportant titre, légende et intitulés d’axes, assortis des
unités correctes et de barres d’erreurs. Le choix de l’échelle appropriée sera également pris en compte.
De plus, pour que ces TP vous profitent au mieux et pour garder une trace du travail réalisé, vous
devrez rendre, sur Moodle, un compte-rendu à la fin de chaque séance de TP.

Travail de préparation (~ 45 min)

Suivre minutieusement le tutoriel d’introduction avant de devenir à la première séance de TP. Ce
tutoriel est disponible sous le lien Création de graphiques avec Python: tutoriel et manuel sur la page
Moodle du cours. Il explique comment installer Spyder et comment créer un graphique, statique ou
interactif. Si vous n’avez pas d’ordinateur, suivez le tutoriel dans une salle en libre accès du pôle
multimédia (Spyder est disponible dans toutes les salles du pôle multimédia). Il est recommandé de
venir en TP avec votre propre ordinateur.
 TP 1 – Prise en main de Python et matplotlib
Graphiques et exploitation d’une droite affine

⚠ À la fin de la séance, déposez votre compte-rendu sur Moodle au format PDF (voir lien « Rendu de devoir »).
ⓘ Ressource à exploiter tout au long du TP: tutoriel et manuel sur la création de graphiques avec Python.

I. Introduction
Lors de cette première partie, vous allez tracer avec Python un premier graphique qui décrit la
caractéristique tension-courant d’un dipôle actif générateur, par exemple d’une pile. Le présent travail
se focalise uniquement sur le tracé du graphique et sur la détermination des paramètres d’une droite
ajustée aux points expérimentaux et de leurs incertitudes. Lors d’une véritable expérience scientifique,
l’analyse des résultats expérimentaux devra être plus approfondie et aller au-delà de reporter
seulement des valeurs expérimentales. Pour réaliser ce TP, basez-vous sur le tutoriel de création de
graphiques et inspirez-vous des exemples fournis (voir la bibliothèque d'exemples qui suit le tutoriel).

II. Prise en main

Le schéma expérimental permettant de déterminer la caractéristique souhaitée est représenté sur la
Figure 1(a). On se bornera à retenir qu’il s’agit de faire varier la résistance R et de mesurer à chaque
fois l’intensité I du courant (à l’aide de l’ampèremètre A) et la tension U (à l’aide du voltmètre V).
Les couples de valeurs (𝑈, 𝐼) définissent la caractéristique 𝑈 = 𝑓(𝐼) du dipôle actif. Cette
caractéristique est une droite : 𝑈 = 𝐸 − 𝑟 ∙ 𝐼 où E est la force électromotrice et r (coefficient directeur
de la droite) correspondant à la résistance interne du générateur.

Figure 1: (a) Schéma expérimental ; (b) Caractéristiques courant-tension et point de fonctionnement

Pour une résistance R donnée, le point de fonctionnement du circuit (tension 𝑈! et courant 𝐼! ) se situe à l’intersection
de la caractéristique 𝑈" = 𝑅𝐼 de la résistance et de la caractéristique 𝑈#$ = 𝐸 − 𝑟 ∙ 𝐼 du dipôle actif. En variant la
résistance R, le point d’intersection se déplace, ce qui permet de reconstituer la caractéristique recherchée 𝐸 − 𝑟 ∙ 𝐼 du
dipôle actif

Les valeurs mesurées, ainsi toutes les données utiles à la détermination des incertitudes de mesure,
sont répertoriées dans le tableau ci-après.
 R (Ω) 1,00 5,00 10,0 20,0 50,0 100 200 500 1,00 k ∞
U (V) 0,0960 0,4646 0,804 1,329 2,316 3,168 3,813 4,239 4,409 4,683
Cal. 100mV 600mV 1V 6V 6V 6V 6V 6V 6V 6V
Δ𝑈(V) 0,003 0,003 0,004 0,005 0,006 0,008 0,009 0,009 0,01 0,01
I (mA) 95,2 87,6 79,7 69,6 47,0 31,8 18,5 8,5 3,45 -0,32
Cal. 100mA 100mA 100mA 100mA 60mA 60mA 60mA 10mA 6mA 6mA
Δ𝐼 (mA) 1,2 1,2 1,1 1,0 0,8 0,6 0,5 0,4 0,4 0,3
Tableau 1: Données expérimentales recueillies lors de la mesure de la caractéristique d’un dipôle actif.

Exercice 1
1) Créez un fichier .xlsx recueillant les donnée pertinentes (𝐼, Δ𝐼, 𝑈, Δ𝑈).
2) Rédigez un script python permettant de lire ce fichier et de tracer le graphique 𝑈(𝐼) des valeurs
expérimentales (sans barres d’erreur pour le moment).
En cas d'erreur 'FileNotFound', corrigez le dossier actif en haut à droite de la fenêtre de Spyder (voir le tutoriel).

3) Ajustez éventuellement les échelles horizontales et verticales (lisibilité).

4) Annotez ce graphe : nom des axes et titre (et éventuellement légende des points).
5) Insérez dans votre compte-rendu la figure finale (au format .jpg, ou mieux, PDF).

III. Droite de régression et interprétation

Vous allez maintenant utiliser la fonction [Link] (voir la bibliothèque d’exemples) afin
d’extraire les valeurs E et r par régression linéaire aux moindres carrés.
Attention : Python ne traite que des valeurs numériques, abstraites, sans dimension. A vous de
transcrire les nombres obtenus en grandeurs physiques, assorties de l’unité convenable dans le
système international (SI). Ici par exemple linregress vous donnera les coefficients a et b, sans
dimension, d’une droite d’équation 𝑦 = 𝑎𝑥 + 𝑏. Il convient d’identifier dans ces valeurs à quoi
correspondent les grandeurs E et r et surtout d’y associer la bonne unité ; autrement dit d’effectuer le
passage de 𝑦 = 𝑎 ∙ 𝑥 + 𝑏 à 𝑈!" = 𝐸 − 𝑟 ∙ 𝐼 en faisant attention que Python ne se soucie pas des
unités de 𝑎, 𝑏 ni de 𝑥.
Exercice 1 (suite)
6) Déterminez la force électromotrice E et la résistance interne r du dipôle en utilisant la fonction
linregress. Affichez ces deux valeurs, avec leur unité, à l'aide d'une commande print. Commentez.
Indication: print("valeur =", ma_variable) ou print(f"valeur = {ma_variable})

7) Ajouter des commentaires dans votre code pour expliquer les points qui ne sont pas évidents et
faire ressortir sa structure générale.
8) Ajouter sur le graphique la droite de régression légendée avec la formule 𝑈 = 𝐸 – 𝑟𝐼, où 𝐸 et 𝑟
sont remplacés par leur valeurs numériques. Mettre ce graphique dans votre compte-rendu ainsi votre
code Python (utiliser une police à largeur fixe, par exemple Courier New ou Monaco)
IV. Incertitudes (de type B)
Une mesure sans incertitude n'a aucune valeur. Il importe donc de déterminer les incertitudes Δ𝐸 et
Δ𝑟 sur les valeurs trouvées précédemment pour 𝐸 et 𝑟, en se référant aux incertitudes sur les données
expérimentales. Nous nous concentrerons ici sur une détermination graphique, sachant qu'il existe
d'autres méthodes plus avancées que vous découvrirez éventuellement en temps utile.
En premier lieu, il faut connaître l'incertitude sur chaque mesure individuelle (barres d'erreur des
points expérimentaux). Comme vu en TD, une incertitude peut être estimée de deux façons différentes:
- par une approche statistique (estimation de type A) ;
- par une estimation a priori (estimation de type B), basée par exemple sur des données d’étalonnage.

Exercice 1 (suite et fin): incertitude sur les paramètres d'une droite de régression
Les incertitudes sur les points expérimentaux ont déjà été calculées à partir des données techniques
(manuel du constructeur). Il s'agit donc ici d'incertitudes de type B.
10) Complétez votre fichier .xlsx puis votre script, afin de tracer le graphique des mesures
expérimentales assorties de leurs barres d’incertitudes (selon chaque axe).
11) Expliquez comment, à partir des différentes mesures de 𝑈 ± Δ𝑈 et 𝐼 ± Δ𝐼, il est possible de
compléter le calcul de régression linéaire pour obtenir l'incertitude Δ𝐸 sur 𝐸 et l'incertitude Δ𝑟 sur 𝑟.
On s'intéressera surtout à l'incertitude Δ𝑟. Comment s'y prendre en pratique pour "faire tourner la
droite de régression ?
12) Complétez votre graphique avec les droites de régression de pente minimale et maximale.
Déterminez l'intervalle d'incertitude autour de la valeur de 𝑟 trouvée à la question 6.
13) Inclure votre code, votre graphique et votre valeur de 𝑟 encadrée de son incertitude (attention à
ne retenir que les décimales significatives) dans votre compte-rendu. Commentez.

V. Incertitudes statistiques (type A) [avancé]

Déterminer une incertitude statistique est pertinent lorsque l’expérience peut être répétée à l’identique
plusieurs fois. Cela permet par ailleurs d’améliorer, dans une certaine mesure, la précision du résultat
en accumulant des données. L’incertitude statistique Δ𝐺 sur une grandeur G dépend du taux de
confiance que l’on se fixe. Une incertitude ΔG avec un taux de confiance de 95% signifie que la vraie
valeur de G se trouve, avec probabilité 95%, dans l’intervalle [𝐺 − Δ𝐺, 𝐺 + Δ𝐺]. Plus le taux de
confiance fixé est élevé, plus l’incertitude Δ𝐺 est grande (pour s’assurer que la vraie valeur soit dans
l’intervalle en question). Pour une grandeur G mesurée n fois, on peut montrer que l’incertitude sur
#
la moyenne 𝐺̅ = ∑$%&# 𝐺% est donnée par l’expression :
$
)
Δ𝐺̅ = 𝑡'$(# ∙ %
√$

où n le nombre de mesures, 𝜎+ est l’écart-type de la distribution de 𝐺 (estimé en pratique en calculant

l'écart-type 𝑠$(# des 𝑛 mesures), α le taux de confiance souhaité, et 𝑡'$ le coefficient ‘de Student’
correspondant. On remarque que Δ𝐺 décroît comme : l’incertitude sur 𝐺̅ diminue donc (lentement)
lorsque le nombre de mesures augmente.
Python permet de déterminer facilement l'intervalle de confiance [𝐺̅ − Δ𝐺̅ , 𝐺̅ + Δ𝐺̅ ] autour d'une
moyenne 𝐺̅ grâce au bout de code suivant :
import numpy as np
from [Link] import t # t est la distribution de Student
Gmin, Gmax = moyenne + [Link](alpha, n-1) * [Link](sigma) / [Link](n)

Ce code détermine les deux bornes de l'intervalle de confiance [𝐺min , 𝐺max ] autour la moyenne. Ainsi,
si l'on a calculé la valeur moyenne (variable moyenne) et l'écart-type 𝑠$(# (variable sigma) d'une série
de n mesures indépendantes d'une même grandeur, le code ci-dessus détermine l'intervalle de
confiance autour de cette moyenne pour le taux de confiance spécifié par la variable alpha.

Exercice 2 : Intervalle de confiance

1) Utilisez l'instruction [Link] pour retrouver l'intervalle de confiance obtenu dans l'exemple
"Mesure d'un temps de chute" à la fin de la section II.C.2.b du fascicule de TD (page 11). Affichez le
résultat sous la forme 𝑥,%$ < 𝑥̅ < 𝑥,-. et sous la forme 𝑥̅ ± Δ𝑥̅ .
2) Entrez une série de mesures quelconques dans un tableau Excel. Calculez ensuite avez Python la
moyenne, l'écart-type et l’intervalle de confiance autour de la moyenne.
3) (Généralisation) À partir des résultats recueillis dans un tableau (fichier Ex2_ABC.xlsx disponible
sur Moodle), obtenir la valeur moyenne, encadrée de son incertitude, pour chaque colonne1 (une
colonne correspondant à une série de mesure).
4) Représentez, sur un même graphique, les données brutes (U, I) (nuage de points) et la moyenne
?, 𝐼 )̅ correspondante avec ses barres d’incertitude pour les 3 séries de mesures (couples tension et
(𝑈
courant). Comparez. Joignez votre code commenté au compte-rendu.
5) Les intervalles de confiance que vous avec calculés correspondent à trois mesures réalisées par
trois binômes différents (A, B et C). Pour être admissibles, les moyennes doivent se situer dans les
intervalles 12,2 < 𝐼 < 12,4 mA et 4,058 < 𝑈 < 4,068 V. Comparez les intervalles de
confiance obtenus par chaque binôme avec la plage de valeurs admissibles. Qu’en concluez-vous ?
6) Le binôme C a décidé de réaliser de nouvelles mesures (fichier Ex2_D.xlsx). Ces nouveaux
résultats sont-ils concluants ?

Exercice 3 : Graphique interactif

#
Résoudre l'équation non-linéaire 𝑒 . = /0123 (.) en traçant sur un même graphique les fonctions
#
𝑓(𝑥) = 𝑒 . et 𝑔(𝑥) = /0123 (.). Légender les deux courbes. Déterminer leur point d'intersection,
avec au moins deux décimales significatives, en zoomant sur la région adéquate du graphique.
Indication: Créer un graphique interactif et se servir de l'outil "Zoom" dans la barre d'outils (bouton 🔎).

1
Utiliser éventuellement le bout de code ci-dessous pour parcourir, par paires de deux colonnes, les 6 premières
colonnes du tableau data :
for i in range(0, 6, 2): # pour i = 0, 2 et 4
mesures_I = data[[Link][i]] # [Link][0] est le titre de la 1re colonne.
mesures_U = data[[Link][i+1]] # [Link][1] est le titre de la 2e colonne.
# mesures_i et mesures_U contiennent maintenant les mesures des colonnes i et i+1.
 TP 2 – Variables reliées de manière non linéaire
Graphiques avancés : échelle logarithmique, changement de variables

I. Introduction
Vous savez déjà représenter et analyser des données expérimentales qui suivent, du moins en théorie,
une relation linéaire. Or la Nature n'est pas toujours aussi accommodante et vous serez fréquemment
amenés à tracer et analyser des données qui suivent une relation non linéaire. Il est alors souvent
possible de se ramener au cas linéaire en utilisant, à choix, l’une des deux techniques suivantes :
- employer une échelle logarithmique pour l'un (ou les deux) axe(s) ;
- effectuer un changement de variables.
Si la première méthode ne constitue qu’un simple choix de représentation – inoffensif en ce qu’il
n’affecte pas les valeurs numériques des données – la seconde demande plus de prudence. En effet,
toute opération de traitement a posteriori des données de mesure doit se faire avec précaution. Vous
verrez dans ce TP comment on peut analyser efficacement des données en effectuant un changement
de variables, et aussi comment prendre en compte l'impact du changement de variables sur les
incertitudes de mesure (incertitude sur les nouvelles variables ?).

II. Représentation logarithmique

Comme illustré à la suite du tutoriel (bibliothèque d'exemples), représenter les données sur une
échelle linéaire n’est parfois pas pertinent et il vaut mieux employer une échelle logarithmique. La
représentation logarithmique s’impose par exemple lorsque la grandeur étudiée varie sur une échelle
très grande (en abscisse ou en ordonnée). Le spectre audible en est bon exemple : l’oreille humaine
perçoit des sons de fréquences comprises approximativement entre 20 Hz et 20 kHz (3 décades) sur
une plage d’intensité de plus de 14 ordres de grandeur. Représenter un spectre audio sur une échelle
linéaire serait inadapté car seules les grandes valeurs, celles dans les kilohertz, seraient clairement
lisibles. C'est pour cette raison que certaines grandeurs sont habituellement quantifiées selon une
échelle logarithmique, comme l’intensité acoustique (généralement exprimée en 𝑑𝐵7 ).
La représentation logarithmique permet par ailleurs de mettre en évidence des lois de variations non
&
#
linéaires difficile d'identifier "à l'œil", telles une loi exponentielle ou de puissance (𝑥 / , . , 𝑥 ' = √𝑥,
(
𝑥 ' , … ) fréquemment rencontrées en sciences expérimentales. Cette représentation fournit un
complément puissant à l’analyse dimensionnelle.

Exercice 1 : Graphiques avec échelle(s) logarithmique(s)

Le fichier .xlsx à disposition regroupe plusieurs fonctions 𝑦$ ; utilisez les représentations linéaire,
semilogarithmique (logarithmique en x ou y uniquement) et log-log afin d’associer à chacune la loi
correspondante, parmi les lois suivantes : 𝑒 (. , √𝑥, ln(𝑘 ∙ 𝑥), 𝑥 / , 𝑥 8 , 𝑥 ' (où 𝛼 est une constante
que vous déterminerez).
Comme précédemment, joignez votre code, commenté, au compte-rendu et illustrez votre propos par
des graphiques.
Exercice 2 : Application à l'identification d'une relation non linéaire
On cherche empiriquement une loi régissant la période de vibration du mode fondamental d’une corde
vibrante. Par analyse dimensionnelle, on postule que cette loi est de la forme
9
𝑇 = 𝛼𝐿 ∙ L:

où 𝛼 est une constante sans dimension, 𝐿 la longueur de la corde (en mètres), 𝐹 la force de traction
(en Newtons) qui lui est appliquée, et 𝜇 sa masse linéique (en kg·m-1). Afin de valider ou réfuter cette
hypothèse, on réalise trois séries de mesures :
- la première avec 𝐿 variable (et 𝐹, 𝜇 constantes) ;
- la seconde avec 𝐹 variable (et 𝐿, 𝜇 constantes) ;
- la dernière avec 𝜇 variable (et 𝐿, 𝐹 constantes).
En utilisant les résultats de ces trois séries de mesure (fichier Excel sur Moodle) et des représentations
graphiques de votre choix (en échelle log ou non) :
- validez ou invalidez la loi ci-dessus ;
- en cas de validité, estimez la valeur de la constante 𝛼.
Remarque: Après un changement de variables (logarithme…), vous pouvez utiliser linregress.

Comme de coutume : code, commentaires, graphiques.

III. Changement de variable

Une représentation logarithmique est parfois aussi peu pertinente qu’une échelle linéaire. Mais un
changement de variable 𝑥 ; = 𝑓(𝑥) peut nous sortir de l’embarras dans certains cas si la fonction
choisie permet de retrouver une relation linéaire, qui est facile à exploiter. C’est de fait ce que vous
avez fait implicitement en utilisant une échelle logarithmique : vous avez utilisé 𝑥′ = ln(𝑥) en lieu et
place de x. Nous pouvons généraliser cette technique à d'autres transformations. Considérons par
exemple la loi de conjugaison d’une lentille mince. La relation de conjugaison de Descartes s’écrit :
# # #
=====
<7;
− ====
<7
= <9;
=====
(loi de conjugaison avec origine au centre) (1)

avec RRRRR
𝑂𝐴; , RRRR
𝑂𝐴 les distances algébriques où se trouvent l’image et l’objet par rapport à la lentille, et
==== ======)
<7.<9
RRRRR; la distance focale de celle-ci. Après calcul la relation de conjugaison donne RRRRR
𝑂𝐹 𝑂𝐴; = ==== ======) .
<70<9
Cette relation RRRRR
𝑂𝐴′ = 𝑓(𝑂𝐴RRRR) est représentée sur la Figure 2.a dans le cas d'une lentille convergente
de focale RRRRR
𝑂𝐹′ = 10 cm. On remarque que ce graphe n’est pas aisé à lire; il est difficile en particulier
de déterminer précisément la distance focale RRRRR𝑂𝐹′. Cependant, si l’on opère le changement de
variables
# # #
𝑥 = <7
====
, 𝑦 = =====
<7;
, 𝜙 = <9;
=====
(2)

où 𝜙 est la vergence de la lentille, on remarque que l’expression (1) devient : 𝑦 = 𝑥 + 𝜙.

On retrouve alors une équation affine, de pente 1, coupant l’axe des ordonnées en 𝜙 (Figure 2).
Figure 2: Relation de conjugaison d'une lentille mince convergente dans l'espace direct (à gauche) et inverse (à droite).

Exercice 3 : Linéarisation par changement de variable

RRRR; RRRRR
En utilisant le fichier regroupant des mesures de couples de points (𝑂𝐴 𝑂𝐴; ) d'une lentille, estimez
sa vergence 𝜙 en utilisant le changement de variables (2). On fait pour l’instant abstraction des
incertitudes de mesure.

IV. Incertitudes : propagation d’erreur [avancé]

Une estimation a priori des incertitudes (de type B basée sur l’erreur d’arrondi) amènerait à sous-
estimer fortement l’incertitude. Heureusement, le caractère répétable (bien qu’un peu laborieux) de
l’expérience permet de quantifier rigoureusement les incertitudes sur 𝑂𝐴 RRRRR (incertitudes de
RRRR et 𝑂𝐴′
type A) et in fine sur 𝜙. Il ‘suffira’ (euphémisme) d’appliquer la méthode vue en fin de TP 1 :
incertitude via un intervalle de confiance (écart-type, coefficient de Student) et rotation de la droite
de régression.
RRRR ± Δ𝑂𝐴
Il est relativement aisé de calculer 𝑂𝐴 RRRR . Les problèmes commencent lorsqu’on souhaite
représenter non pas 𝑂𝐴RRRR ± Δ𝑂𝐴
RRRR mais 𝑥 ± Δ𝑥 , avec 𝑥 = 1⁄RRRR
𝑂𝐴 . Qu’en est-il de Δ𝑥 ? Ici deux
approches sont couramment employées :
- une approche empirique : représenter l’ensemble des mesures sous forme d’un nuage de points ;
- une approche plus mathématique et élégante : la propagation d’erreur.
L'approche empirique est simple à mettre en œuvre et efficace. Elle a aussi le mérite donner une bonne
intuition visuelle de la dispersion des mesures mais elle rend la quantification et l’interprétation des
résultats plus difficile. La seconde a le grand avantage de fournir des barres d’incertitude 'propres',
compatibles avec une régression linéaire par exemple, mais demande un calcul de propagation
d'erreur. De fait, les deux méthodes sont complémentaires.

Exercice 4 : Propagation d'erreur sous un changement de variables (méthode du nuage de points)

# #
RRRR; RRRRR
- À partir du fichier de mesure contenant des couples (𝑂𝐴 𝑂𝐴; ), calculez les paires Y==== ; ======) Z ;
<7 <7

- Représentez ces résultats sous la forme d’un nuage de points (une paire = un point) ;
- Estimez à nouveau la valeur de la vergence 𝜙 de la lentille, et son intervalle de confiance ;
- Commentez vos résultats : avantages, limites de cette approche ?

Approche mathématique: formule de propagation d’erreur

La méthode de la propagation d’erreur consiste à linéariser la fonction du changement de variable au
voisinage du point de mesure. Si on considère une fonction 𝑦 = 𝑓(𝑥) dérivable, autour d’un point x0,
on peut écrire
?@
𝑓 ; (𝑥) = ?. ⇒ 𝑑𝑦 = 𝑓′(𝑥)𝑑𝑥

où 𝑓′(𝑥) est la dérivée de 𝑓 par rapport à 𝑥. Si certaines conditions mathématiques sont réunies (elles
le sont très souvent en pratique), on peut écrire que si x varie dans un petit intervalle Δ𝑥 autour de 𝑥A ,
alors :

Δ𝑦 = |𝑓 ; (𝑥A )| Δ𝑥
où 𝑓′(𝑥A ) est la valeur de la dérivée au point x0 et Δ𝑥 l’incertitude sur x.
#
Exemple : On a mesuré RRRRR
𝑂𝐴′ = 1,12 ± 0,005 m. Combien vaut Δ(<7;
=====
)?

Réponse:
# #
• On calcule la dérivée de la fonction de transformation : ici 𝑦 = . donc 𝑓′(𝑥) = − . '
• On évalue cette dérivée au point mesuré, çàd x = 1,12 : 𝑓′(𝑥 = 1,12) = −0,797
• On multiplie par l’intervalle d’incertitude sur x, soit ici 0,005, ce qui fournit
#
Δ𝑦 = |𝑓 ; (𝑥A )| = a− #,#/' a ∙ 0,005 = 3,98 ∙ 10(8 m–1.
• Soit, après arrondi à 1 chiffre significatif : Δ𝑦 = 4 ∙ 10(8 m–1.
#
Autrement dit : <7;
=====
= 0,893 ± 0,004 m–1 (puisque 1/1,12 = 0,8928571428571428)

On peut constater que (1) on y arrive même si ça paraît raide comme ça et (2) il vaut mieux coder un
script qui gère ce calcul une bonne fois pour toutes et on n’en parle plus : c’est là qu’un traitement
automatisé des mesures prend tout son sens. De surcroît, il s'agira parfois de traiter de grands volumes
de données.

Exercice 5
Le couple de points conjugués (𝑂𝐴 RRRR; 𝑂𝐴
RRRRR; ) a été mesuré à 5 reprises pour 12 positions de la lentille
différentes (autrement dit 12 × 5 × 2 = 120 distances algébriques). Toutes ces mesures ont été
patiemment répertoriées dans un fichier .xlsx (comme sur la ‘fiche de mesure’ plus bas). À l’aide de
ces mesures, et d’un script à votre façon :
- Pour chaque colonne : déterminez la valeur moyenne 𝑥̅ , l’écart-type 𝜎. et l’incertitude Δ𝑥 (donnée
par l'intervalle de confiance pour un taux de confiance de 95%). Complétez les lignes correspondantes
(𝑥̅ , 𝜎. , Δ𝑥) du tableau ci-dessous.
- Calculez l’inverse de la moyenne (ligne 1⁄𝑥̅ ).
- Calculez l’incertitude sur l’inverse Δ(1⁄𝑥 ) (même procédé que plus haut).
- Tracez vos résultats sur un graphe, en prenant soin de bien identifier les axes et en particulier leurs
échelles (unités).
- Comparez ce graphe avec les mesures brutes (nuage de points) : les deux représentations sont-elles
en accord ?
- Déterminez, par régression linéaire, la valeur de la vergence 𝜙 et l'incertitude sur 𝜙.

Série 1 Série 2 … Série 12

RRRR
𝑂𝐴 RRRRR
𝑂𝐴′ RRRR
𝑂𝐴 RRRRR
𝑂𝐴′ … RRRR
𝑂𝐴 RRRRR
𝑂𝐴′
… … … … … … …
… … … … … … …
Mesures … … … … … … …
… … … … … … …
… … … … … … …
𝑥̅
𝜎.
Δ𝑥
1⁄𝑥̅
Δ(1⁄𝑥 )