TP Mesures et incertitudes

Lycée Thiers - Physique-Chimie - MPI/MPI* - 2022-2023

Contenu du programme officiel :

Notions et contenus Capacités exigibles
Variabilité de la mesure d’une grandeur physique. Incerti- Identifier les incertitudes liées, par exemple, à l’opérateur, à l’environnement,
tude. aux instruments ou à la méthode de mesure.
Incertitude-type. Procéder à l’évaluation d’une incertitude-type par une approche statistique
(évaluation de type A). Procéder à l’évaluation d’une incertitude-type par une
autre approche que statistique (évaluation de type B).
Associer un intervalle de confiance à l’écart-type dans l’hypothèse d’une distri-
bution suivant la loi normale.
Incertitudes-types composées. Évaluer l’incertitude-type d’une grandeur s’exprimant en fonction d’autres
grandeurs, dont les incertitudes-types sont connues, à l’aide d’une somme, d’une
différence, d’un produit ou d’un quotient.
Comparer entre elles les différentes contributions lors de l’évaluation d’une
incertitude-type composée.
Capacité numérique : simuler, à l’aide d’un langage de programmation ou
d’un tableur, un processus aléatoire permettant de caractériser la variabilité de
la valeur d’une grandeur composée.
Écriture du résultat d’une mesure. Écrire, avec un nombre adapté de chiffres significatifs, le résultat d’une mesure.
Comparaison de deux valeurs ; écart normalisé. Comparer deux valeurs dont les incertitudes- types sont connues à l’aide de
leur écart normalisé.
Analyser les causes d’une éventuelle incompatibilité entre le résultat d’une me-
sure et le résultat attendu par une modélisation.
Régression linéaire. Utiliser un logiciel de régression linéaire afin d’obtenir les valeurs des para-
mètres du modèle. Analyser les résultats obtenus à l’aide d’une procédure de
validation : analyse graphique intégrant les barres d’incertitude ou analyse des
écarts normalisés.
Capacité numérique : simuler, à l’aide d’un langage de programmation ou
d’un tableur, un processus aléatoire de variation des valeurs expérimentales de
l’une des grandeurs – simulation Monte-Carlo – pour évaluer l’incertitude sur
les paramètres du modèle.
En gras les points devant faire l’objet d’une approche expérimentale.

Table des matières

1 Variabilité et incertitude-type 2
1.1 La variabilité en science expérimentale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 L’incertitude-type. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Interprétation de l’incertitude-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Comparaison de deux mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Estimation du résultat d’une mesure et de l’incertitude-type 5
2.1 Expériences sans variabilité observée (incertitudes de type B) . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Expériences avec variabilité observée (incertitudes de type A) . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Schématisation du choix de la méthode d’estimation de l’incertitude . . . . . . . . . . . . . . . . . . . . 7
3 Les incertitudes-type composées 8
3.1 Incertitude-type composées de type somme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Incertitudes-type composées de type produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Incertitudes-type composées quelconques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4 La régression linéaire 8
4.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.2 Quand utiliser une régression linéaire ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.3 Application par méthode Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5 Annexe : Méthode Monte-Carlo pour estimer des incertitudes-types 9
5.1 Incertitude-type composée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5.2 Régression linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

L’évaluation des incertitudes de mesure est toujours un point délicat du travail expérimental. Toutefois, cette
difficulté est réelle et intrinsèque à toute mesure, quelle que soit le niveau de l’expérience. L’objectif de ce document
est de fournir un cadre unique pour toutes les expériences rencontrées en CPGE.

Maxime Champion - www.mchampion.fr 1/11

TP : Mesures et incertitudes Maxime Champion

« Bien que ce Guide fournisse un cadre pour l’estimation de l’incertitude, il ne peut remplacer ni la réflexion
critique ni l’honnêteté intellectuelle ni la compétence professionnelle. L’évaluation de l’incertitude n’est jamais une
tâche de routine ni une opération purement mathématique ; elle dépend de la connaissance détaillée de la nature du
mesurande et du mesurage. La qualité et l’utilité de l’incertitude fournie pour le résultat d’un mesurage dépendent,
en fin de compte, de la compréhension, de l’analyse critique et de l’intégrité de [celles et] ceux qui contribuent à son
évaluation. »

GUM 2008 (dernière version) - 3.4.8

1 Variabilité et incertitude-type
1.1 La variabilité en science expérimentale
Une expérience de mesure en science expérimentale est un processus généralement complexe qui entremêle de très
nombreux processus. Cette complexité se traduit systématiquement par une variabilité de la mesure, qui implique
que la répétition de l’ensemble de la mesure conduit généralement à une valeur mesurée sensiblement différente de
la première. Cette variabilité est naturelle et fait intrinsèquement partie de la mesure. Il ne faut pas chercher à la
faire disparaître, bien au contraire, elle renferme généralement une grande richesse d’information sur le processus
physique !
Cette variabilité peut provenir de nombreux aspects, dont les principaux sont les suivants :
. le choix de la méthode de mesure ;

Exemple 1 : Choisir de mesurer un petit élément à la règle graduée ou au pied à coulisse n’implique
pas la même précision !

. les variations de l’environnement ;

Exemple 2 : Si l’on souhaite mesurer la célérité du son avec un protocole se déroulant sur une journée
complète, comme la température de l’air va évoluer au cours du temps, la célérité du son aussi.

. les instruments de mesure ;

Exemple 3 : Mesurer une tension avec deux voltmètres semblant identiques amène parfois à une
mesure de tension légèrement différente.

. le processus physique lui-même ;

Exemple 4 : Par exemple, une expérience de mécanique quantique est intrinsèquement variable car la
mécanique quantique ne prédit que des lois de probabilité.

. et surtout, la personne réalisant l’expérience.

Généralement au niveau scolaire, la personne réalisant l’expérience est la principale cause de variabilité de la
mesure. Par ses gestes, ses choix et sa technique, cette personne introduit une variabilité importante. Il est donc
totalement naturel que deux personnes réalisant la même expérience, dans les mêmes conditions, avec le même
matériel, trouvent des valeurs différentes.
Il est à noter que le but de toute formation expérimentale, de la maternelle jusqu’au plus haut niveau universi-
taire et professionnel, est de patiemment faire diminuer cette variabilité. En acquérant chaque année des nouvelles
connaissances et de nouvelles compétences, un·e étudiant·e peut donc patiemment réussir à faire diminuer son impact
personnel sur la variabilité d’une mesure.

1.2 L’incertitude-type
Définition. La quantification de la variabilité d’une mesure x d’une grandeur est appelée incertitude-type et
notée u(x).
Par définition, l’incertitude-type correspond à l’écart-type de la distribution des données issues d’une répétition
de la mesure.

Dans ce document, le résultat d’une mesure sera noté par convention x ± u(x) .
L L L Attention ! Ce qui suit le ± est une incertitude-type. Il ne s’agit pas d’une « incertitude élargie ». Cette
notation synthétique peut prêter à confusion. Pour éviter cela, on peut spécifier les deux informations de façon
séparée, à savoir x = ... d’une part et u(x) = ... d’autre part.
On fera à ce stade deux remarques :

2/11
TP : Mesures et incertitudes Maxime Champion

. pour estimer l’incertitude-type du résultat d’une unique mesure, il faut donc répéter un grand nombre de fois le
processus de mesure. Cette répétition et les valeurs supplémentaires servent uniquement à estimer la variabilité
du processus de mesure.
. l’incertitude-type est l’estimation d’une variabilité qui est unique à chaque processus de mesure. Il est donc naturel
que deux personnes réalisant exactement la même expérience aient une variabilité, et donc une incertitude-type,
différente.
Propriété. La variabilité d’un processus de mesure avec un protocole, du matériel et des conditions expérimentales
données, impliquant une ou plusieurs personnes dans l’expérience, est mesurée par une unique incertitude-type.

Incertitude-type « relative » : On peut définir de plus l’incertitude-type de mesure « relative » la grandeur

u(x)/x, que l’on donne généralement en pourcentage.

I Les chiffres significatifs

Lorsqu’on écrit un chiffre en notation scientifique, le nombre de chiffres employés dans la mantisse (le facteur
avant la puissance de 10) est par définition le nombre de chiffres significatifs. Lorsqu’on écrit un chiffre en notation
décimale, et que ce chiffre est inférieur à 1 en valeur absolue, ou bien n’est pas un multiple entier de 10, la définition
est la même, à ceci près qu’on ne compte pas les premiers 0 à gauche.

Exemple 5 : 1.2540 × 10−2 possède 5 chiffres significatifs ; 0.0023 en possède 2 ; 1254 en possède 4 ;
on ne peut pas dire combien de chiffres significatifs il y a dans 2500, car il existe une ambiguïté :
2500 = 2.5 × 103 ou 2.500 × 103 ?

Le nombre de chiffres significatifs employés sert à communiquer une information grossière quant à l’incertitude
associée à la valeur écrite, si on ne la connaît pas.
L’incertitude-type résulte d’une évaluation : on n’est jamais certain de sa valeur. Pour rappeler que l’incertitude-
type est elle-même incertaine, on limite en général son nombre de chiffres significatifs à deux.
Lorsque l’incertitude-type est précisée, le nombre de chiffres significatifs de la valeur mesurée correspondante n’a
plus de sens propre. On le choisit de manière à faciliter la lecture, en s’arrangeant pour que le dernier chiffre de la
valeur mesurée ait la même position (dans la mantisse ou en écriture décimale) que le dernier chiffre de l’incertitude-
type.

Exemple 6 : A = 623.5 cm2 , u(A) = 11.3 cm2 se réécrit A = 624 cm2 , u(A) = 11 cm2 ou encore de
manière condensée A = (624 ± 11) cm2 (où ce qui suit le ± est l’incertitude-type).
De même, L = 100 m, u(L) = 1.55 cm se réécrit L = (100.000 ± 0.016) m.

1.3 Interprétation de l’incertitude-type

Revenons à la définition de l’incertitude-type. Soit un ensemble de N mesures notées xi avec i allant de 1 à N .
On définit la moyenne x̄ de l’ensemble, qui nous permet de définir l’écart-type, et donc l’incertitude-type, grâce
aux relations v
N u N
1 X u 1 X
x̄ = xi et u(x) = t (xi − x̄)2 .
N i=1 N − 1 i=1

Il est à noter qu’il n’y a qu’une incertitude-type u(x) pour l’ensemble des mesures xi , et non pas une pour chacune.
En effet, l’incertitude-type caractérise la variabilité d’un processus de mesure, et donc toutes les mesures issues de
ce processus ont logiquement la même incertitude-type.

• • •• • • • •• • • •• • ••••••••••••••••• ••••••• • •••• •• • • •• • ••• • • •• •••

u(x)

Fig. 1 – Représentation d’une série de 100 mesures d’une grandeur x ainsi que de la largeur de l’incertitude-type de cet
ensemble.

La figure 1 représente une distribution de mesures ainsi que l’incertitude-type. On constate qu’en moyenne deux
valeurs prises au hasard sont séparées de quelques u(x). Toutefois, on constate aussi que quelques points sont très
éloignés des autres. Il ne s’agit pas de points aberrants, mais de valeurs dans des domaines peu fréquents car peu
probables mais tout de même possibles.

3/11
TP : Mesures et incertitudes Maxime Champion

Propriété. L’incertitude-type permet de quantifier la variabilité d’une mesure. Ainsi, deux mesures x1 et x2 issues
du même processus sont séparées en moyenne de quelques u(x) par construction de l’incertitude-type en tant
qu’écart-type.

I Vers la distribution gaussienne

Imaginons que nous soyons capable de reproduire une expérience de mesure de temps de vol d’ultrason un très
grand nombre de fois. Voici à quoi pourraient ressembler les courbes pour 100, 1 000 et 10 000 expériences.

(a) Simulation de 100 expériences. (b) Simulation de 1 000 expériences. (c) Simulation de 10 000 expériences.

Fig. 2 – Vers la gaussienne...

La courbe de la figure 2c est celle qui s’approche le plus d’une distribution lisse, appelée distribution gaussienne.
Cette courbe « en cloche » est caractéristique de très nombreux processus de mesure. Le fait que la distribution
aléatoire des résultats d’une mesure tende vers une courbe gaussienne est un résultat important en physique. Pour
ces trois simulations, on trouve une valeur moyenne autour de cm = 343 m/s et un écart-type de u(c) = 10 m/s. Le
résultat de la mesure est la donnée de ces deux grandeurs.
On peut montrer que, pour une distribution gaussienne, environ 68% des résultats du processus de mesure sont
comprises entre cm − u(c) et cm + u(c) et 95% sont comprises entre cm − 2u(c) et cm + 2u(c).

1.4 Comparaison de deux mesures

I Définition de l’écart normalisé
Pour pouvoir comparer deux mesures entre elles, il faut un critère quantitatif pour indiquer si ces deux mesures
sont considérées comme compatibles ou incompatibles.

Définition. L’écart normalisé EN entre deux processus de mesure donnant les valeurs m1 et m2 et d’incertitudes
types u(m1 ) et u(m2 ) est défini par
|m1 − m2 |
EN = p . (1.1)
u(m1 )2 + u(m2 )2

Par convention, on qualifie souvent deux résultats de compatibles si leur écart normalisé vérifie la propriété
EN . 2 .

Remarque : L’écart normalisé s’appelle aussi parfois « z-score ».

Ce seuil à 2 est d’origine historique. On le retrouve dans de nombreux champs scientifiques, comme la médecine, la
pharmacie, la biologie, la psychologie, l’économie, l’écologie, etc. Ce seuil peut différer selon le domaine : par exemple
pour démontrer l’existence d’une nouvelle particule en physique subatomique, il faut atteindre un seuil de 5.
On constate avec les trois histogrammes 3a, 3b et 3c que les distributions se chevauchent si EN est suffisamment
petit. Si elles se chevauchent, cela veut dire qu’il est possible que les deux processus de mesure conduisent au même
résultat.

I Interprétation
Pour justifier cette convention, on peut revenir à la définition de l’incertitude-type. Celle-ci quantifie les fluctua-
tions potentielles de la valeur mesurée annoncée. Lorsque deux mesures sont cohérentes, on s’attend à ce qu’elles ne
coïncident pas exactement, mais qu’elles ne s’écartent pas l’une de l’autre de plus que de quelques incertitudes-type.
Pour respecter cette définition, prenons deux valeurs expérimentales que l’on souhaite comparer m1 et m2 ,
d’incertitudes-type u(m1 ) et u(m2 ). Si m1 et m2 peuvent être considérées comme compatibles, cela implique que la
valeur 0 n’est éloignée de m1 − m2 que de quelques u(m1 − m2 ).
p
On admet pour l’instant que u(m1 − m2 ) = u(m1 )2 + u(m2 )2 (ce résultat est discuté dans la partie 3.1).

4/11
TP : Mesures et incertitudes Maxime Champion

(a) Deux distributions avec EN ≈ 0.3. (b) Deux distributions avec EN ≈ 2.1. (c) Deux distributions avec EN ≈ 5.0.

Fig. 3 – Tracé de deux distributions de résultats de mesures.

Ainsi, EN compare m1 − m2 − 0 et u(m1 − m2 ). Autrement dit, ce rapport donne le nombre d’incertitudes-type

séparant 0 de m1 − m2 . Si ce nombre est trop grand, 0 n’est pas compatible avec m1 − m2 et donc m1 et m2 ne sont
pas compatibles.
Dans les trois figures 4a, 4b et 4c, la barre verticale représente la valeur 0. On constate bien que, si EN est trop
grand, alors cela implique que la valeur 0 est séparée de tous les points de mesure d’un trop grand nombre de fois
l’incertitude-type.

(a) Simulation d’un calcul de m1 − m2 (b) Simulation d’un calcul de m1 − m2 (c) Simulation d’un calcul de m1 − m2
point par point avec les distributions de point par point avec les distributions de point par point avec avec les distribu-
la figure 3a. la figure 3b. tions de la figure 3c.

Fig. 4 – Simulation d’un calcul de m1 − m2 point par point.

2 Estimation du résultat d’une mesure et de l’incertitude-type

2.1 Expériences sans variabilité observée (incertitudes de type B)
Certaines expériences n’ont pas de variabilité observée. Cela signifie qu’en reproduisant la mesure, on retrouve
systématiquement le même résultat. C’est par exemple le cas lorsque l’on mesure naïvement la taille d’un objet avec
la même règle graduée. Logiquement, reproduire la mesure n’apporte pas d’information.
Cette absence de variabilité observée n’implique pas une absence de variabilité. Cela signifie juste qu’à l’échelle
de cette expérience, avec l’appareil de mesure choisi, la variabilité est plus faible que la précision de la mesure.
Ce phénomène n’est pas uniquement lié à l’appareil de mesure. En effet, selon les conditions expérimentales, il
n’est parfois pas matériellement possible (ou souhaité) de reproduire le processus de mesure. Dans ce cas, une seule
valeur est accessible et il faut tout de même estimer son incertitude-type.
Il faut donc estimer théoriquement la variabilité de la mesure sans l’observer. Nécessairement, cela est possible
sous certaines hypothèses qui ne seront pas forcément adaptées à toutes les expériences.
Propriété. Lors d’une mesure sans variabilité observée, on estime la plus petite plage dans laquelle l’expérimentateur
est certain de trouver la valeur recherchée. On note x̄ la valeur centrale de cette plage et ∆ sa demi-largeur.
Autrement dit, l’expérimentateur est certain de trouver la valeur recherchée dans l’intervalle [x̄ − ∆, x̄ + ∆].
∆
Dans ce cas, le résultat de la mesure est x̄ ± u(x̄) avec u(x̄) = √ .
3

Comme toute incertitude-type, elle représente l’écart-type de la distribution uniforme des données comprises dans
l’intervalle [x̄ − ∆, x̄ + ∆].

5/11
TP : Mesures et incertitudes Maxime Champion

Ce résultat se démontre exactement en calculant l’écart-type de la distribution de probabilité p(x)

normalisée qui conduit à une probabilité égale pour toutes les valeurs comprises entre x̄ − ∆ et x̄ + ∆.
´ +∞
Cet écart-type au carré est donné par la formule −∞ (x − x̄)2 p(x)dx.

Insistons sur deux remarques :

. L’intervalle ∆ doit être pris le plus faible possible selon les critères personnels de l’expérimentateur et selon
les conditions de l’expérience. Il ne doit pas y avoir de règle générale. Par exemple avec une règle graduée au
millimètre, si la valeur tombe directement sur une graduation, il est naturel de prendre ∆ = 0.25 mm, tandis que
si la valeur est entre deux graduations, on prendra plus logiquement ∆ = 0.5 mm. Et enfin, un étudiant peu sûr
de lui peut choisir de prendre dans le même cas ∆ = 1 mm.
. Pour les appareils de mesure numérique, il est nécessaire de consulter la notice de l’appareil. Toutefois, bien
souvent, les notices ne précisent pas clairement la nature de la valeur de la précision fournie (est-ce une incertitude-
type ? un intervalle ? un écart-type d’une distribution gaussienne ?). Dans ce cas, on suppose que l’incertitude
affichée sur la notice est un intervalle ∆ de certitude de trouver la mesure.

Comment concilier l’évaluation de type B de l’incertitude-type et le traitement statistique ?

L’évaluation de l’incertitude-type d’une mesure en prenant l’écart-type de la distribution correspond à une éva-
luation expérimentale de l’incertitude-type. Ainsi, on reproduit la mesure, on constate la variabilité et on la mesure
grâce à sa définition. Toutefois, pour que cette mesure soit correcte, il faut que l’écart-type d’un nombre limité de
points donne une bonne estimation de l’incertitude, ce qui n’est jamais certain.
Remarque : Il faut aussi que les mesures soient totalement indépendantes. Ainsi, un résultat précédent
ne doit pas biaiser une mesure suivante en cherchant un résultat « dans une zone connue ».

L’évaluation de type B correspond à une évaluation majoritairement théorique de la même incertitude-type. En

effet, à l’aide d’informations partielles sur le protocole de mesure, on cherche à estimer la variabilité de la mesure.
Il s’agit donc d’un processus délicat nécessitant un travail de modélisation. Ce travail est souvent plus complexe à
réaliser que l’expérience car toutes les causes de variabilités doivent être anticipées et réfléchies.
Ces deux évaluations correspondent donc à deux façons différentes d’estimer l’incertitude. Ces deux estimations
doivent être compatibles, à condition que l’estimation expérimentale soit correctement réalisée et que la modélisation
théorique décrive correctement la réalité.
On observe en pratique plusieurs situations :
. Si l’incertitude statistique est du même ordre de grandeur que l’incertitude de type B : le traitement
théorique de l’incertitude a intégré toutes les variabilités de l’expérience, et cela implique que l’on sait précisément
pourquoi la mesure est variable car les causes d’incertitudes sont contrôlées.
. Si l’incertitude statistique est plus grande que l’incertitude de type B : le traitement théorique de l’incer-
titude n’a pas intégré toutes les causes de variabilités de l’expérience, certaines ont pu être oubliées. L’incertitude
expérimentale est donc une bonne estimation globale de la variabilité de l’expérience.
. Si l’incertitude statistique est plus petite que l’incertitude de type B : le traitement théorique de
l’incertitude a surestimé la variabilité de la mesure. En effet, si l’estimation théorique est correcte, cette variabilité
doit apparaître en reproduisant la mesure.

Exemple 7 : Prenons une expérience de mesure de distance focale d’une lentille mince convergente.
Un étudiant réalise vingt mesures de positions d’objet et d’image puis, en appliquant la relation de
conjugaison, il en déduit vingt valeurs de la distance focale. En réalisant un traitement statistique, il
mesure l’écart-type de la distribution de ces distances focales u(f 0 ) = 0.15 cm.
Ensuite, cet étudiant consciencieux estime la précision de la mesure de la position de l’objet à
1 cm et la précision de la positon de l’image à 3 cm car il lui semble que l’image reste nette sur une
plage assez large. À l’aide d’une simulation Monte-Carlo, il en déduit que l’incertitude de type B vaut
u(f 0 ) = 0.32 cm.
Ainsi, en estimant la précision sur les positions, l’étudiant estime une variabilité qui est le double
de la variabilité observée. L’étudiant estime donc une variabilité qui n’est pas observée. Les incertitudes
sur les mesures des positions sont donc sur-estimées.
Qui plus est, en conduisant le calcul d’incertitude de type
√ A décrite au paragraphe suivant, l’incer-
titude finale sur la moyenne est donnée par u(f¯0 ) = u(f 0 )/ 20 = 0.033 cm. Le calcul d’incertitude de
type B a donc donné une incertitude largement surestimée et son estimation a pris un temps certain à
l’étudiant.

Ainsi, l’estimation de type B de l’incertitude-type permet de vérifier si on maîtrise bien toutes les causes de
variabilités de l’expérience. Toutefois, si on a accès à l’incertitude statistique, l’estimation de l’incertitude de type

6/11
TP : Mesures et incertitudes Maxime Champion

B au niveau CPGE prend un temps certain et est souvent surestimée. Ainsi, lorsque cela est possible, on pourra se
satisfaire de l’incertitude statistique.

Remarque : À un niveau universitaire de traitement des incertitudes, on choisit généralement de faire

une moyenne pondérée. Les points de mesures de forte incertitude-type individuelle ont alors un poids
moins fort dans l’estimation de la moyenne. Ainsi, même si elle n’est pas nécessaire à notre niveau,
l’estimation des incertitude-types sur chaque point de mesure permet une meilleure estimation de la
valeur finale.

2.2 Expériences avec variabilité observée (incertitudes de type A)

Lorsque la variabilité des mesures est accessible, il convient de répéter un grand nombre de fois le processus
mesure pour estimer l’incertitude-type sur une unique réalisation de la mesure.
Toutefois, comme nous l’avons vu au paragraphe 1.3, certains points de mesure ont statistiquement une chance
d’être très éloignés des autres.
Pour gagner en précision, nous pouvons utiliser les différents points de mesures effectués pour aller plus loin
qu’une simple estimation de l’incertitude-type sur une mesure unique.
Nous changeons donc d’expérience, l’expérience n’est plus « mesurer un point à l’aide d’un protocole » mais
« mesurer la moyenne de N points effectués avec le même protocole ». Cette expérience est différente et a donc une
incertitude-type différente. L’intérêt de la moyenne est qu’elle va réduire les variabilités.
Pour estimer l’incertitude-type de cette moyenne, il faut par définition reproduire un grand nombre de fois
l’expérience et calculer l’écart-type de la distribution obtenue. Or chaque expérience est déjà la reproduction de
la mesure unique un grand nombre de fois, on comprend bien que cette opération peut vite être chronophage.
Heureusement, il existe une formule mathématique permettant d’estimer cet écart-type.

Propriété. On réalise N fois le même protocole pour obtenir l’ensemble des points expérimentaux {xi }. On note
l’incertitude-type u(x) de cet ensemble de mesures qui est évaluée en calculant son écart-type.
N
1 X u(x)
Le résultat de l’expérience est x̄ ± u(x̄) avec x̄ = xi la moyenne de la distribution et avec u(x̄) = √ .
N i=1 N

Ainsi, en une série de mesure, on obtient les points expérimentaux, leur incertitude-type, la moyenne de ces points
et grâce à cette formule, l’incertitude-type sur la moyenne. On obtient ainsi une estimation plus précise de la grandeur
à mesurer en modérant la variabilité de chaque prise de mesure unique.

Remarque : Cette relation se démontre avec la formule de l’incertitude composée de type somme du
paragraphe suivant.
En appliquant la formule d’incertitude de type somme, on a
! v s 
uX u(x) 2
X xi
u   2
u(x) u(x)
u(x̄) = u =t = N = √ .
i
N i
N N N

2.3 Schématisation du choix de la méthode d’estimation de l’incertitude

Variabilité observée ?

oui
non
N mesures d’écart-type σ.
Incertitude sur une valeur ?

oui non

Incertitude de la moyenne ∆
Incertitude de la mesure unique σ Type B : u = √
Définition : u = σ Type A : u = √ 3
N

7/11
TP : Mesures et incertitudes Maxime Champion

3 Les incertitudes-type composées

Très souvent, la mesure expérimentale n’est pas le résultat recherché de l’expérience. Il faut souvent combiner des
mesures entre elles pour obtenir le résultat souhaité.
L L L Attention ! Les mesures doivent être indépendantes entre elles pour que ces formules soient valides.

3.1 Incertitude-type composées de type somme

Propriété. Supposons que l’on calcule y(x1 , x2 ) = αx1 + βx2 . L’incertitude-type de y est alors donnée par
q
2 2
u(y) = (αu(x1 )) + (βu(x2 )) . (3.1)

3.2 Incertitudes-type composées de type produit

β
Propriété. Supposons que l’on calcule y(x1 , x2 ) = axα
1 x2 . L’incertitude-type relative de y est alors donnée par

s 2  2
u(y) u(x1 ) u(x2 )
= α + β . (3.2)
y x1 x2

u(x1 )
On remarque que pour les formules de type produit ou fraction, il faut considérer les incertitudes relative .
x1
Si une des incertitudes relatives est au moins 10 fois plus grande, avec les mises au carré dans la formule, son effet
sera au final 100 fois plus importante.
Propriété. Dans les formules de types produit ou fraction, on parle d’incertitude prépondérante si une des incer-
titudes relatives est 10 fois plus grande que les autres. Dans ce cas, on peut négliger les autres incertitudes.

3.3 Incertitudes-type composées quelconques

Seules les deux formules précédentes sont à connaître, pour tous les autres cas, nous allons revenir à la définition
des incertitudes puis, à l’aide d’une simulation informatique comportant une part d’aléatoire, calculer l’incertitude-
type.

Définition. Un algorithme utilisant la variabilité d’une mesure pour simuler un calcul d’incertitude fait parti des
algorithmes de type Monte-Carlo.

Remarque : Les algorithmes de Monte-Carlo sont nombreux et ont de nombreuses applications. Leur
point commun est qu’ils sont basés sur un processus aléatoire simulé informatiquement.

4 La régression linéaire
4.1 Principe
Définition. Prenons des listes de mesures x et y avec leurs incertitudes. La régression linéaire est une opération
mathématique qui consiste à trouver les meilleurs cœfficients a et b tels que axi + b soient les plus proches en
moyenne des points de mesures yi .

Remarque : En toute rigueur, il faudrait parler de régression affine et non pas linéaire.

Une régression linéaire permet de trouver la « meilleure droite » modélisant le mieux le comportement de ces
points. Mathématiquement, on peut optimiser par un calcul dit « des moindres carrés » ce procédé.
L L L Attention ! Le coefficient r 2 n’a aucun intérêt pour valider un modèle physique ou pour estimer des incertitudes-
type. Pour vous convaincre que le coefficient r2 ne permet en rien de juger une régression linéaire, on peut regarder
la vidéo suivante (dans laquelle le coefficient « cor » correspond au r) :

https://youtu.be/It4UA75z_KQ

8/11
TP : Mesures et incertitudes Maxime Champion

4.2 Quand utiliser une régression linéaire ?

Supposons que l’on cherche à vérifier un modèle y = ax + b et que l’on ait, après expérience, un ensemble de
valeurs expérimentales {xi } et {yi } qui possèdent chacun une certaine variabilité.
La régression linéaire simple permet, à partir de l’ensemble des points expérimentaux, de trouver une valeur de
a et une valeur de b. Pour estimer l’incertitude-type de ces paramètres, il faut réaliser des ensembles de nouvelles
mesures {xi , yi } puis réaliser une nouvelle régression linéaire. En réalisant un grand nombre de fois cette opération,
on obtiendra, en prenant les écarts-types, les valeurs des incertitudes-types sur les paramètres. Bien souvent, un tel
procédé est bien trop long et donc peu pratique.
Il faut donc mieux, lorsque c’est possible, éviter le traitement des incertitudes par régression linéaire.
. Lors d’une expérience identique réalisée par plusieurs expérimentateurs conduisant à une régression linéaire par
chacun des expérimentateur, l’incertitude-type finale est uniquement évaluée par l’étude de la variabilité des
résultats de la régression linéaire. Il n’est pas nécessaire d’étudier plus en détail la régression linéaire. Dans ce
cas, la régression linéaire est une des étapes du protocole de mesure, et sa variabilité est intégrée lors du calcul
de variabilité final.
. Si le modèle recherché implique b = 0, dans ce cas, on cherche uniquement à estimer a. On peut donc calculer
un grand nombre de valeur de a par la relation yi /xi puis réaliser un traitement statistique sur ces valeurs. Le
grand intérêt est que, dans ce cas, les N points de mesures conduisent à N valeurs de a ayant une variabilité
claire. Dans le cas de la régression linéaire, ces N valeurs conduisent à une unique valeur de a dont on ne peut
pas directement étudier la variabilité.

Dans tous les autres cas, on peut estimer la variabilité de a et b par une simulation Monte-Carlo.

Remarque : Dans ce second cas, si le calcul de l’écart normalisé final entre la mesure de a et la valeur
attendue a une valeur plus grande que 2, c’est que le modèle linéaire n’est peut être pas optimal et qu’un
modèle avec un b non nul serait préférable.

4.3 Application par méthode Monte-Carlo

On commence par réaliser une régression linéaire sans incertitudes sur les valeurs mesurées. La pente et l’ordonnée
à l’origine obtenues sont le résultat numérique de la mesure.
Pour estimer leurs incertitudes-type, il faut de plus estimer pour chaque point de mesure la valeur de son
incertitude-type. Ensuite, à l’aide d’une simulation Monte-Carlo, on utilise cette variabilité individuelle pour générer
un grand nombre de distributions de points. Pour chacune de ces distributions, on réalise une régression linéaire ce
qui conduira au final à un grand nombre de valeurs de a et de b. Il suffit ensuite de réaliser une étude statistique de
ces données pour en déduire leur incertitude-type.
Pour s’assurer qu’une régression linéaire est correcte, on tracera systématiquement sur un graphique les données
mesurées ainsi que la droite de la régression linéaire. Le modèle sera validé si, à l’œil, les points de mesure sont bien
alignés et que la droite passe le plus proche de tous les points possibles, en incluant leurs incertitudes-type.

Remarque : On rappelle que l’incertitude-type est une estimation de la variabilité de la mesure. Ainsi,
il est naturel que les points expérimentaux soient éloignés de la valeur de la modélisation de quelques
incertitudes-type.

Si l’on constate par exemple que les points ressemblent plus à une parabole qu’à une droite, la régression linéaire
ne sera pas l’outil approprié.

5 Annexe : Méthode Monte-Carlo pour estimer des incertitudes-types

Les codes présentés dans cette partie sont réalisés sous python. Ce n’est absolument pas une obligation, les
simulations peuvent être réalisées avec n’importe quel tableur pouvant réaliser un tirage de nombres aléatoires.

5.1 Incertitude-type composée

I Principe
Supposons que l’on cherche à estimer une grandeur y donnée par y = f (x1 , x2 , ...) avec les xi des données résultants
d’une mesure et f une fonction connue. Chaque xi est caractérisé par sa valeur et son incertitude-type.
La valeur de y est donnée par l’application de la formule. Pour estimer l’incertitude-type, il faut remonter à la
variabilité de y, qui est elle-même une conséquence de la variabilité des xi .
Pour cela, il faut :

9/11
TP : Mesures et incertitudes Maxime Champion

. Fixer un nombre N de simulations à réaliser ;

. Pour k entre 1 et N , réaliser
. un tirage aléatoire pour chaque x1 ;
. utiliser les valeurs de ce tirage et la fonction f pour calculer une valeur yk ;
. sauvegarder cette valeur yk ;
. l’incertitude-type de y est l’écart-type de la distribution des yk . La moyenne des yk permet de retrouver la valeur
y.
Le choix de la distribution de probabilité de chaque xi dépend de plusieurs facteurs expérimentaux. La modélisa-
tion de cette distribution peut être délicate. Par exemple, il n’est pas du tout naturel de prendre systématiquement
une distribution gaussienne.
En règle général en CPGE, les xi sont mesurés avec une précision. En dessous de cette précision, l’étudiant
est incapable d’accéder à une information sur la distribution de probabilité. On privilégie donc la distribution
uniforme de probabilité, cohérente avec l’expérience pratique de l’étudiant. Toute autre forme de distribution
doit pouvoir être justifiée et argumentée par l’étudiant.
L L L Attention
√ ! Il ne faut pas oublier qu’en notant ∆ la précision, l’incertitude-type qui caractérise la variabilité
vaut u = ∆/ 3.

I Exemples
À l’aide de python, on a simulé à l’aide d’une méthode Monte-Carlo les incertitudes composées de :
. une fréquence connaissant la période ;
. une longueur entre deux points connaissant leurs positions ;
. une célérité connaissant une fréquence et une longueur d’onde ;
. une célérité connaissant la période de l’onde et la position de deux nœuds séparant 10 longueurs d’ondes ;
. une distance focale connaissant les positions de l’objet et de l’image.
Tous ces exemples sont regroupés dans un Google Colab disponible en cliquant ici 1 .

5.2 Régression linéaire

I Principe
En physique-chimie, nous n’avons jamais des séries parfaites de nombres, chaque mesure a une incertitude. Sup-
posons que nous ayons réalisé m mesures de couples (xi , yi ), chacun avec une incertitude-type (u(xi ), u(yi )). Ces
incertitudes-types peuvent être différentes pour chaque mesure.
Pour en tenir compte, on réalise une simulation Monte-Carlo en réalisant un très grand nombre de régression
linéaire sur une série de points sans incertitudes. Pour obtenir ces points, on génère aléatoirement pour chaque point
mesuré une valeur à l’aide des incertitudes-type expérimentales. Conformément aux préconisations du GUM, si nous
n’avons pas d’information pour savoir de quelle façon générer les valeurs, on choisit une distribution de probabilité
uniforme (cf. section précédente).
√ Attention, on rappelle que pour une distribution uniforme entre x − ∆ et x + ∆,
on a la relation ∆ = u(x) × 3.
Les valeurs finales de la pente et de l’ordonnée à l’origine sont les moyennes de toutes leurs valeurs, et leurs
incertitudes-types sont les écarts-types de ces deux ensembles de valeurs.
On note m le nombre de points de mesures. Pour la simulation Monte-Carlo, il faut réaliser le programme ci-
dessous décrit en pseudo-code :
. réaliser une régression linéaire unique pour estimer la pente et l’ordonnée à l’origine ;
. fixer un nombre N très grand ;
. créer deux listes vides pour stocker les pentes et les ordonnées à l’origine des régressions ;
. pour chaque i compris entre 1 et N , réaliser
. pour chaque j compris entre 1 √ et m, réaliser un tirage
√ aléatoire d’une valeur de Yj donnée par une loi de
probabilité uniforme entre yj − 3 × u(yj ) et yj + 3 × u(yj ) ;
. pour chaque j compris entre 1 √ et m, réaliser un tirage
√ aléatoire d’une valeur de Xj donnée par une loi de
probabilité uniforme entre xj − 3 × u(xj ) et xj + 3 × u(xj ) ;
. réaliser une régression linéaire sur cet ensemble (Xj , Yj ) puis ajouter dans les listes la pente et l’ordonnée à
l’origine de cette régression.
. calculer pour les écarts-types des deux listes des pentes et des ordonnées à l’origine pour obtenir les incertitudes-
types ;
. tracer sur un graphique la droite obtenue avec la pente moyenne et l’ordonnée à l’origine moyenne ;
. superposer sur le même graphique les points de mesures en indiquant leurs incertitudes-type sous la forme de
barre d’erreur.
1. https://bit.ly/3A6IiRS

10/11
TP : Mesures et incertitudes Maxime Champion

I Exemple
Lorsqu’un métal est éclairé par un rayonnement ultraviolet ou proche ultraviolet, des électrons sont extraits du
métal : c’est l’effet photoélectrique. On considère une plaque de baryum éclairée par une lampe spectrale au mercure.
Un système de filtres permet de sélectionner une longueur d’onde particulière λ émise par la lampe. Un dispositif
expérimental indépendant permet de mesurer l’énergie cinétique Ec des électrons extraits de la plaque de baryum.
On récapitule ci-dessous les valeurs mesurées. L’incertitude-type de l’énergie cinétique est de 0.05 eV.

Ec (eV) 2.40 1.69 0.91 0.57 0.35

ν (×1014 Hz) 11.825 10.111 8.210 7.4129 6.8838
u(ν) (×1012 Hz) 2.3 1.7 1.1 0.91 0.79

L’énergie cinétique des électrons extraits d’un métal éclairé par une onde électromagnétique de fréquence ν s’écrit :

Ec = h(ν − νs ) (5.1)

où νs est une constante appelée fréquence seuil.

Le code python de la régression linéaire est disponbile dans un Google Colab en cliquant ici 2 .
Par régression linéaire, on obtient h = (6.63 ± 0.20) × 10−34 J · s et νs = (6.03 ± 0.10) × 1014 Hz.
Il est à noter que la fréquence de seuil doit être calculée en cours de simulation Monte-Carlo, et non pas à l’aide
des valeurs finales de pente et d’ordonnée à l’origine moyenne. En effet, ce calcul en cours de simulation permet la
prise en compte des corrélations entre la pente et l’ordonnée à l’origine. Dans cette expérience, on constate un facteur
3 entre les deux possibilités.

2. https://bit.ly/3A4ieqh

11/11