Livre Incertitudes

Calcul d'incertitudes
Application
aux sciences exprimentales
(exercices corrigs)
Mathieu ROUAUD
Professeur Agrg de Sciences Physiques
en classes prparatoires aux grandes coles d'ingnieurs
Diplm en Physique Thorique
Pour un meilleur partage de la connaissance et l'accs au plus grand nombre
le li!re est en licence libre le li!re numrique est gratuit et pour minimiser le co"t de la
!ersion papier il est imprim en noir et blanc et sur papier conomique#
Livre numrique $
%%%#incertitudes#fr&li!re#pdf
Livre papier :
sur %%%#lulu#com
Pour contacter l'auteur :
ecrire'incertitudes#fr
(oudiguen )*+,- .uerrien
Ce livre est sous licence Creative Commons Attribution!on Commercial "#$#
/ous 0tes libres $
de reproduire distribuer et communiquer
cette cration au public
de modifier cette
cration #
Selon les conditions sui!antes $
Attribution# /ous de!e1 citer le nom de l'auteur original de la manire
indique par l'auteur de l'2u!re ou le titulaire des droits qui !ous confre
cette autorisation 3mais pas d'une manire qui suggrerait qu'ils !ous
soutiennent ou approu!ent !otre utilisation de l'2u!re4#
Pas d'Utilisation Commerciale# /ous n'a!e1 pas le droit d'utiliser cette
cration 5 des fins commerciales#
A chaque rutilisation ou distribution de cette cration !ous de!e1 faire
appara6tre clairement au public les conditions contractuelles de sa mise 5
disposition# 7a meilleure manire de les indiquer est un lien !ers cette page
%eb $ http$&&creati!ecommons#org&licenses&by8nc&)#-&deed#fr
9hacune de ces conditions peut 0tre le!e si !ous obtene1 l'autorisation du
titulaire des droits sur cette 2u!re#
:ien dans ce contrat ne diminue ou ne restreint le droit moral de l'auteur ou
des auteurs#
Date de parution $ ;uillet )-,+ :!ision $ ao"t )-,+
<u!rage bas sur les deux premiers chapitres prolongs et augments du li!re
Probabilits, statistiques et analyses multicritres#
Avantpropos
9et ou!rage se !eut accessible et pdagogique# =l
est le fruit d'interrogations personnelles sur la nature
probabiliste des mesures en sciences# Dans un cursus
classique ces aspects ne sont pas ou peu abords# =l est
important que les fondements exprimentaux et pratiques
des sciences soient complmentaires d'une science au
tableau en cours magistraux# =l existe une beaut
scientifique qui na6t de l'interaction entre la thorie et
l'exprience#
Tout en introduisant les principes fondamentaux
de la statistique cet ou!rage explique comment
dterminer les incertitudes dans diffrentes situations
exprimentales# (eaucoup d'exemples sont issus de cours
et tra!aux pratiques raliss en math sup#
(onne lecture >
Remerciements :
?e remercie @ric A<=BCT 3professeur Agrg de 9himie
en prpa4 et Drgoire (<AACT 3ingnieur charpentier4
pour leurs multiples apports 5 la clart pdagogique de
l'ou!rage# En grand merci 5 :eine pour sa relecture
prcise et consciencieuse# Pleins de mercis 5 Aurlien
SCFA9G 3tudiant4 et aux enseignants de sciences8
physiques HranIoise FA:9ADCT 3pour ses contri8
butions en mtrologie4 et ?ulien (<A/A7CT#
Ferci 5 la !ie et 5 tous ceux qui m'ont prcd#
%able des mati&res
=# /A:=A(7C A7@AT<=:C############################################,
A# Drandeurs et mesures##############################################,
(# 9entre d'une distribution#########################################,
9# Dispersion d'une distribution##################################+
D# Cxemples de distributions#######################################J
C# Thorme central limite##########################################K
,4 Population et chantillons###########################################K
)4 7e thorme central limite########################################,-
+4 9oefficient de Student et incertitude########################,)
J4 Cxemples##################################################################,J
H# Distribution de Dauss############################################,L
,4 Dfinition d'une distribution continue######################,L
)4 9ourbe de Dauss#######################################################,*
+4 7oi normale standard################################################),
D# Test d'hypothse####################################################))
G# Test du Mhi8deux##################################################)J
=# Sources des incertitudes#########################################)K
?# Cxercices################################################################+,
==# 9<::@7AT=<AS CT =AD@PCADAA9CS##############J-
A# 9oefficient de corrlation#####################################J-
(# Hormule de propagation des incertitudes##############JN
,4 Hormule de propagation des cart8types###################JN
)4 9alcul d'incertitude###################################################JO
9# :gression linaire################################################N,
,4 Principe et formules##################################################N,
)4 Dtermination du 1ro absolu###################################NN
+4 :gression a!ec barres d'erreurs###############################NK
J4 7inarisation#############################################################O-
N4 9omparaison des mthodes######################################O,
D# :gression gnralise##########################################OL
,4 Principe####################################################################OL
)4 :gression polynomiale###########################################K-
+4 :gression non linaire############################################K+
C# Cxercices ##############################################################K*
===# 9<FP7@FCATS#####################################################*+
A# Fesure a!ec une rgle##########################################*+
(# Ftrologie###########################################################,-N
9# Thermodynamique##############################################,,+
D# =ndpendance des !ariables################################,,*
=/# DC/<=:S###############################################################,),
A# De!oir Suricate###################################################,),
(# De!oir Aar!al######################################################,)J
/# T:A/AEP P:AT=.ECS########################################,)L
A# Fesure d'un indice lumineux##############################,)L
(# 7e miroir sphrique#############################################,+)
9# :elation de con;ugaison d'une lentille################,+N
D# Dioptres et lentilles minces sphriques###############,+K
/=# <ET=7S FATG@FAT=.ECS###############################,+*
/==# 9<::C9T=<AS####################################################,J)
/===# (ibliographie & Sources & 7ogiciels & =llustrations ,L,
=P# TA(7CS & =ndex#####################################################,LO
A# 9oefficients de Student#######################################,LO
(# /aleurs critiques de Mhi8deux#############################,LK
'# (AR'A)L* AL+A%O'R*
A. Grandeurs et mesures
Soit X une variable alatoire et n ralisations {x
i
}
e cette variable!
Aous pou!ons simplement estimer une grandeur
classique $ par exemple combien y8a8t8il de ;ours dans
une semaine Q 7a rponse est sans ambiguRt# Par contre
pour une grandeur statistique l'approche est plus subtile#
=maginons des tudiants qui font des expriences de
calorimtrie pour mesurer la capacit thermique de l'eau
,
#
7es diffrents groupes mesurent les !aleurs sui!antes $
SN,--T J)+-T +KN-T JNO-T +*L-U ?&M&Vg# .ue !aut alors la
capacit Q Aous donnerons dans ce chapitre une rponse 5
cette question# Clle sera de nature probabiliste#
B. Centre d'une distribution
Aous cherchons une caractristique du centre de la
distribution des obser!ations Sx
i
U# =l en existe plusieurs le
moe par exemple est facile 5 dterminer il s'agit de la
!aleur la plus reprsente 3illustrations page J4# Aous
, PGWS=.EC $ .uantit d'nergie 5 fournir 5 un Vilogramme d'eau pour
que sa temprature s'l!e de ,X9# 7'eau emmagasine ainsi de
l'nergie et peut la restituer par la suite en diminuant sa
temprature# Tables $ c
eau
Y J,L- ?oules par degr 9elsius et par
Vilogrammes#
,
a!ons aussi la miane qui correspond 5 la !aleur qui
spare la distribution en deux parties gales# Fais la plus
utilise est la moyenne qui reprsente au mieux le centre
d'une distribution $
x=
x
1
+x
2
+...+x
i
+...+x
n
n
soit
x=
i=1
n
x
i
n
)
Pour la capacit thermique de l'eau nous obtenons $
c=
5100+4230+3750+4560+3980
5
=4324 J / K/ kg
Aous a!ons considr la moyenne arithmtique# Aous
aurions pu prendre la moyenne gomtrique $
x=
n
.
x
i
Par exemple pour deux tempratures )-X9 et J-X9 la
moyenne gomtrique est
.
20 C40C28,3 C
alors que la moyenne arithmtique est +-X9# Dans la
pratique on constate que la moyenne arithmtique est
mieux adapte#
) FATG $ se dit Zla moyenne de x est gale 5 la somme de " 5 n des x
i le tout di!is par n[# Pour la moyenne gomtrique nous
considrons la racine n
ime
du produit des x
i
# x \x moyen\ se dit
aussi \x barre\#
)
C. Dispersion d'une distribution
=l s'agit d'estimer ce que nous pourrions aussi ap]
peler la largeur d'une distribution# 7a grandeur la plus
simple 5 dterminer est l'tenue diffrence entre les !a]
leurs maximale et minimale# Fais celle8ci est trs sensible
aux !aleurs extr0mes qui ne sont pas tou;ours reprsenta]
ti!es et peu!ent m0me parfois 0tre absurdes#
Dans les faits la grandeur la plus utilise est l'cart-type $
s=
.
i=1
n
( x
i
x)
2
n1
Pour l'cart8type de la capacit thermique de l'eau nous
obtenons $
soit
s
c
530 J / K/ kg
Aous pourrions aussi considrer l'cart moyen par rapport
5 la moyenne 3!oir l'exercice ,4#
+
Pour l'cart8type si nous di!isions par n au lieu de n#"
nous obtiendrions l'cart quaratique moyen# 7e choix de
l'cart8type sera ;ustifi par la simplicit des formules qui
en dcouleront# De plus nous tra!aillons sou!ent a!ec n
grand et la diffrence entre les deux types d'carts
quadratiques est alors minime#
D. Exemples de distributions
$as " %
J
11
9
10
14
11
8
9
12
7
8
8
9
11
14 moyenne = 10 cart-type= 2,07
10 mode= 9 tendue= 7
9 mdiane= 9,5 cart quadratique moyen= 2,00
x
1
x
1
1
x
1
2
x
1
3
x
1
4
x
1
5
x
1
6
x
1
7
x
1
8
x
1
9
x
1
10
x
1
11
x
1
12
x
1
13
x
1
14
x
1
15
x
1
16
7 8 9 10 11 12 13 14 15 16 17 18 19
0
1
2
3
4
5
6
x1
f
r
q
u
e
n
c
e
s
$as & %
$as ' %
N
15
13
12
13
14
13
16
19
13
14
10
16
14
14 mdiane= 14 cart quadratique moyen= 1,94
x
2
x
2
1
x
2
2
x
2
3
x
2
4
x
2
5
x
2
6
x
2
7
x
2
8
x
2
9
x
2
10
x
2
11
x
2
12
x
2
13
x
2
14
x
2
15
x
2
16
7 8 9 10 11 12 13 14 15 16 17 18 19
0
1
2
3
4
5
6
x2
f
r
q
u
e
n
c
e
s
10
10
12
11
9
8
10
9
9
11
9
11
10
10 mdiane= 10 cart quadratique moyen= 1,00
x
3
x
3
1
x
3
2
x
3
3
x
3
4
x
3
5
x
3
6
x
3
7
x
3
8
x
3
9
x
3
10
x
3
11
x
3
12
x
3
13
x
3
14
x
3
15
x
3
16
7 8 9 10 11 12 13 14 15 16 17 18 19
0
1
2
3
4
5
6
x3
f
r
q
u
e
n
c
e
s
7a moyenne n'est pas tou;ours la !aleur la plus
reprsente 3cas " et &4 et elle peut m0me dans certains
cas 0tre absente# Dans le cas ' la courbe est symtrique ce
qui implique l'galit de la mdiane et de la moyenne#
Sur les trois exemples certaines !aleurs sont reprsentes
plusieurs fois on parle alors de la (rquence (
i
d'une
!aleur x
i
# Aous a!ons n=
i=1
c
f
i
o^ c correspond au
nombre de !aleurs de x
i
diffrentes auxquelles nous
attribuons une frquence 3dans la suite c sera aussi le
nombre de classes4#
7a moyenne et l'cart8type peu!ent alors s'exprimer ainsi $
x=
i=1
c
f
i
x
i
n
=
i=1
c
f
i
n
x
i
s=
.
i =1
c
f
i
( x
i
x)
2
n1
Parfois on rassemble les !aleurs par classe par exemple si
nous nous intressons 5 la taille des habitants d'une !ille
nous pou!ons rassembler tous les habitants qui ont une
taille comprise entre ,O- cm et ,K- cm dans le m0me
ensemble appel classe# 7eur nombre dans cette classe est
la frquence 3ou effectif de la classe4 et la !aleur est prise
gale au milieu de la classe ici ,ON cm 3dmarche
illustre dans l'exercice N4#
Plus la courbe est ramasse sur son centre plus l'cart8type
est faible 3sur le cas ' l'cart est deux fois plus faible que
sur les cas " et &4#
O
E. Thorme central limite
") Population et c)antillons
9onsidrons une !ille d'un million d'habitants#
Pour sonder la population nous pou!ons interroger un
chantillon de seulement mille personnes tires au hasard#
A partir de cet chantillon de n*"+++ indi!idus nous
pou!ons gr_ce 5 la statistique a!oir des informations sur
la population toute entire# Plus la taille de l'chantillon
est grand plus les rsultats seront prcis# Aous appelons
x la moyenne de l'chantillon et s son cart8type# Pour

la population nous notons , 3lettre grec mu4 la moyenne
et - 3sigma4 l'cart8type# Plus l'chantillon est grand plus
les !aleurs de

x et de s de cet chantillon sont amenes
5 se rapprocher de celles , et - de la population#
9omme dans le cas des sondages d'opinion a!ec
des chantillons de l'ordre de mille personnes si nous me]
surons la taille de mille habitants qui sont choisis au ha]
sard parmi la population d'une !ille d'un million d'habi]
tants la moyenne de la taille sur cet chantillon a de forte
chance d'0tre proche de celle sur l'ensemble de la popula]
tion mais n'a aucune raison de lui 0tre gale#
=llustrons maintenant par le ;eu du lancer de
pices# A chaque lancer nous obtenons une ralisation de
la !ariable alatoire pile ou (ace# =ci la population est infi]
nie nous pou!ons rpter le lancer indfiniment et a!oir
une infinit de mesures# De plus les probabilits tant
K
connues nous pou!ons dterminer 5 l'a!ance les caract]
ristiques de la population#
Tout d'abord quand la taille de l'chantillon de!ient trs
grande et donc infinie l'chantillon s'identifie 5 la popula]
tion $
j=lim
n-
x
+
#
Cnsuite nous !oyons appara6tre la notion de probabilit $
p
i
=lim
n-
f
i
n
o^ p
i
est la probabilit de ralisation de
l'!nement x
i
#
D'aprs la formule page O nous a!ons ainsi l'expression de
la moyenne pour la population $ j=
p
i
x
i
#
Aous a!ons

p
i
=1 car nous considrons tous les
!nements possibles 3,Y,--`4#
Aous associons x
+
*+ 5 l'obser!ation (ace et x
"
*" pour
pile# 9omme la pice est quilibre p
+
*p
"
*".&*+,/*/+0
et ,*p
+
!x
+
1p
"
! x
"
# Aous a!ons ;ug inexistant l'!nement
la pice reste sur la tranc)e#
De m0me nous a!ons $ c=lim
n-
s et en prenant la limite
de la formule pour s page O nous obtenons
c=
.
p
i
( x
i
j)
2
3a!ec pour n grand n#" pris gal 5
n4#
Au final $ j=0,5 et c=0,5 #
+ FATG $ se lit Z, est gal 5 la limite de x quand n tend !ers l'infini2!
L
Prle!ons un chantillon en lanIant neuf pices $
S-T ,T ,T -T ,T ,T ,T -T -U#
Aous a!ons alors

x0,56 et s0,53 #
Supposons que nous tirions de nombreuses fois neuf
pices alatoirement au sein de la m0me population# A
chaque fois nous aurions un rsultat diffrent pour

x #
Par exemple pour deux autres chantillons prle!s $
S,T ,T -T ,T ,T -T ,T ,T -U a!ec

x0,67 et s0,50
et S-T ,T -T -T -T -T ,T -T -U a!ec

x0,22 et s0,44
.uelle serait alors la rpartition de l'ensemble de ces r]
sultats Q 3appele la distribution d'chantillonnage4
7es !aleurs obtenues pour les chantillons sont en gnral
diffrentes de celles de la population mais plus l'chan]
tillon est grand plus il est probable que les !aleurs soient
proches de celle de la population# 9as d'un chantillon de
taille nYN- o^
x0,520 et s0,505 $
S--,---,,,,,,,--,-,,,,,---,--,,-,,-,---,,-----,,,-,U
*
&) 3e t)orme central limite
TG@<:aFC 9CAT:A7 7=F=TC $
4ous prlevons au sein 5une population es c)antillons
alatoires e taille n, la moyenne e l5c)antillon x varie
autour e la moyenne e la population , avec un cart#
type gal 6 -.7n, o8 - est l5cart#type e la population!
9uan n cro:t la istribution 5c)antillonnage e x est
e plus en plus concentre autour e , et evient e plus
en plus proc)e 5une istribution e ;auss!
Aous dcrirons prochainement ce qu'est une distri]
bution de Dauss dans l'immdiat nous considrerons sim]
plement une courbe en cloche# 9'est un thorme trs im]
portant quelque soit la forme de la distribution de la po]
pulation la distribution d'chantillonnage est ,aussienne-
et sa dispersion est donne par le thorme central limite#
=llustrons sur des schmas $
A gauche nous a!ons la probabilit p d'un !nement x
3distribution de la population4# Par exemple pour une po]
,-
pulation d'un million d'habitants pourrait 0tre ici repr]
sent la probabilit p qu'ils aient une taille donne x# Si
nous pou!ions mesurer la taille de tous les habitants nous
pourrions dterminer exactement leur taille moyenne , et
son cart8type -# 9'est d'un point de !ue pratique difficile
ou m0me impossible alors nous dcidons de mesurer la
taille de mille habitants seulement# Pour que ce soit carac]
tristique nous tirons ces mille personnes au hasard# Aous
obtenons mille mesures de tailles de x
"
5 x
"+++
# De cet
chantillon de taille n*"+++ nous calculons une moyenne
x et un cart8type s# Aous pensons que x est proche de ,
mais 5 la fois il n'y a aucune raison qu'il soit gale 5 ,#
Aous plaIons cette !aleur de x sur la partie droite de la fi]
gure page ,-#
Aous prenons un nou!el chantillon alatoire de mille
personnes et nous plaIons un nou!eau x#
Aous rptons ensuite cette opration un grand nombre de
fois# Aous !oyons 5 droite la distribution des chantillons
obtenue $
,,
') $oe((icient e Stuent et incertitue
7e thorme central limite s'applique dans la limite des
grands nombres mais on sait l'adapter pour n petit gr_ce
aux coe((icients e Stuent# Cn effet on ne peut pas appli]
quer directement ce thorme car ne connaissant pas -
nous l'estimons a!ec s# Du fait d'une statistique faible il y
a alors un largissement connu $
j=
x!t
s
.
n
7e coefficient de Student t dpend de n et inclut la
con(iance que nous !oulons donner au rsultat# Si la
confiance est de *N` nous a!ons *N chances sur ,-- que
, soit compris entre

xts/
.
n
et

x+ts/
.
n
# 7es !a]
leurs de t sont lues dans la table page ,LO#
Aous reconnaissons ici la notion d'incertitude Ax
$
x=
x!Ax a!ec Ax=t

s
.
n
Ax est aussi appele l'incertitue absolue et Ax/
x
l'incertitue relative#
J FATG $ se lit \delta x\#
,)
:eprenons l'exprience de calorimtrie dcrite
page , supposons que nous !oulions maintenant
conna6tre la capacit thermique de l'eau a!ec une
confiance de *N`# Aous trou!ons dans la table pour
quatre egrs e libert 3l*n#"4 t*&,<=#
D'o^ $ c=
c!ts
c
/
.
n=4320!660 J / K / kg 5 *N`#
=ci suite 5 la dispersion des !aleurs mesures par les tu]
diants Ac/
c15% # 7es mesures en calorimtrie ne

sont pas trs prcises# 7a !aleur attendue ici connue est
bien dans l'inter!alle $ 366041804980 #
Aous a!ions aussi l'exprience a!ec les pices d]
crite sur les pages K 5 *# Pour le premier chantillon de
neuf pices nous aurions a!ec une confiance de *-` $
j
1
=0,56!1,860,53/
.
9 d'o^
j
1
=0,56!0,33
#Pour
le )
me
$
j
2
=0,67!0,31
# 7e +
me
$
j
3
=0,222!0,273
#
Aous de!ons a!oir j=0,5 dans l'inter!alle ce qui est
facilement !rifi pour
j
1
et
j
2
# Pour
j
3
on y est
presque mais de toute faIon un cas sur dix peut 0tre en
dehors 3,--` moins *-`4# A!ec une confiance de *N`
j
3
engloberait la !aleur attendue#
Cn sciences exprimentales nous nous efforIons
de quantifier l'ensemble des phnomnes naturels# Fais
par la nature m0me de la dmarche exprimentale les dif]
frents paramtres qui permettent de dcrire une situation
ne sont pas parfaitement connus# Aous n'a!ons pas sim]
plement une !aleur numrique associe 5 chaque caract]
,+
ristique mais un inter!alle pour une confiance donne# Cn
toute rigueur 5 toute grandeur exprimentale doit 0tre as]
socie son incertitude a!ec sa confiance#
>) ?xemples
9oncrtement un grand nombres de facteurs ala]
toires !ont influer sur la mesure d'une grandeur facteurs
indpendants qui quelque soient leurs natures !ont au fi]
nal gnrer une distribution gaussienne des !aleurs# Pre]
nons deux exemples le lancer de pices et celui de ds 5
six faces#
Pour les pices nous comptons le nombre de piles
5 chaque lancer de plusieurs pices# Aous dnombrons le
nombre de possibilits pour un nombre de piles donn#
Pour une pice une possibilit pour 1ro pile 3face H4 et
une possibilit pour un pile 3P4# Pour deux pices une
possibilit pour 1ro pile 3H H4 deux possibilits pour un
pile 3H P ou P H4 et une possibilit pour deux piles 3P P4#
Plus le nombres de pices lances simultanment est
grand plus nous tendons !ers une distribution gaussienne#
une
pice
eux
pices
,J
Aous pou!ons obtenir en ordonne la probabilit en di!i]
sant par le nombres de possibilits &
n
et en abscisse la
moyenne pour chaque pice en di!isant par le nombre de
pices n# Pour n*" nous a!ons alors la distribution de la
population et ensuite les distributions d'chantillonnage
pour diffrentes !aleurs de n#
trois
pices
quatre
pices
0 1 2 3 4
0
1
2
3
4
5
6
7
cinq
pices
0 1 2 3 4 5
0
2
4
6
8
10
12
six
pices
0 1 2 3 4 5 6
0
5
10
15
20
25
De m0me pour les ds nous numrons les possibilits
pour leur somme et nous tendons aussi !ers une gaus]
sienne#
Pour un seul d la somme correspond tout simplement 5
la !aleur du d# Aous a!ons une possibilit pour chaque
!aleur $
,N
un %
1 2 3 4 5 6
0
1
2
Pour deux ds il y a une seule possibilit pour que la
somme fasse deux $ , pour le premier d et , pour le
deuxime d# Pour que la somme fasse trois il y a deux
possibilits $ , puis ) ou ) puis ,# 7e plus probable a!ec
deux ds est d'obtenir K $ 3,O4 3O,4 3)N4 3N)4 3+J4 3J+4#
eux s %
2 3 4 5 6 7 8 9 10 11 12
0
1
2
3
4
5
6
7
trois s %
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
0
5
10
15
20
25
30
,O
Pour quatre ds nous reconnaissons d;5 bien la courbe en
cloche et le profil est clairement de type gaussien $
quatre
s %
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
0
20
40
60
80
100
120
140
160
Sur ce dernier exemple !rifions la !alidit du thorme
central limite#
7a moyenne pour la population est $
j
x
=(1+2+3+4+5+6)/ 6=3,5
7a moyenne de la distribution d'chantillonnage est bien
la m0me $
j
x
=14/ 6=3,5
#
7'cart8type de la population $
c
x
=
.
p
i
( x
i
j)
2
d'o^
c
x
=
.
1/6( 13,5)
2
+( 23,5)
2
+( 33,5)
2
+( 43,5)
2
+(53,5)
2
+(63,5)
2
et
c
x
1,71
,K
d'o^ pour quatre ds
c
x
=c
x
/
.
n=c
x
/ 20,85
# <r sur la
courbe du dessus 5 J-` du maximum 3explication page
)-4 nous a!ons un cart d'en!iron ',/ 3entre ' et >4 soit
en moyenne 3,5/ 40,88 # =l y a bien correspondance#
!. Distribution de Gauss
") @(inition 5une istribution continue
=l existe des grandeurs fondamentalement conti]
nues# 7e temps en est une# 7e temps s'coule continument
tel un fluide il ne saute pas d'une !aleur 5 l'autre# S'il
semble parfois grainer les secondes comme les perles
d'un chapelet cela n'est d" qu'5 l'appareil de mesure insuf]
fisamment prcis# Par contre quand nous lanIons un d
six faces impossible de dire \;'ai fait )+N >\ c'est une !a]
leur interdite seules les !aleurs entires de un 5 six sont
permises#
Ainsi certaines distributions de probabilit sont
discrtes et d'autres continues# Pour le lanc de ds la pro]
babilit est discrte $ p
"
*!!!*p
A
*".A et
i=1
n=6
p
i
=1 # 7e
rsultat du lancer n'a que six !aleurs possibles# Par contre
si nous nous intressons 5 la taille des habitants d'une
!ille celles8ci sont toutes possibles la distribution est
continue# Aous parlons alors de densit de probabilit
p(x) a!ec p(x)x la probabilit d'un !nement d'0tre entre
x et x1x# x est une petite !ariation et x1x est infini]
,L
ment !oisin de x# 7a probabilit que l'!nement se ra]
lise sur l'ensemble des !aleurs possibles est de ,--` $
x=
+
p( x) dx=1
N
9alcul de la moyenne et de l'cart8type d'une distribution
continue $
j=
+
xp( x)dx c
2
=
+
( xj)
2
p( x) dx
O
&) $ourbe e ;auss
7e thorme central limite s'intresse au cas o^ la
taille de l'chantillon n est grande et dans le cas limite o^
n tend !ers l'infini nous considrons une distribution
continue# 9elle8ci est une gaussienne l'expression math]
matique est connue $
p( x) =
1
.
2nc
e
1
2
(
xj
c
)
2
Dans le complment mathmatique page ,J, diffrents
termes sont ;ustifis#
N FATG $ se lit Zl'intgrale de p de x x allant de moins l'infini 5 bc
est gale 5 , [#
O FATG $ 7a moyenne est aussi appele C3P4 esprance de P#
d
)
Y/3P4 est appele !ariance de la !ariable alatoire P#
Proprits $ C3aPbb4YaC3P4bb /3aP4Ya
)
/3P4 et
/3P4YC3P
)
48C3P4
)
#
,*
Aous a!ons reprsent sur le graphe sui!ant deux cas $
7'aire totale sous la courbe !aut tou;ours ,# Fais si main]
tenant nous ne nous cartons que d'un cart8type par rap]
port 5 la moyenne nous n'a!ons que OL` des
possibilits $
jc
j+c
p( x)dx=0,683...68%
7'cart8type peut s'!aluer ici en effet 5 A+0!p
max
$
p(j!c) / p
max
=1/
.
e0,607
)-
@largissons 5 deux cart8types $
j2c
j+2c
p( x)dx=0,954...95%
<n dit *N` de confiance ou une confiance 5 deux
sigmas# <n tra!aille sou!ent a!ec cette confiance#
Puis pour trois sigmas $
j3c
j+3c
p( x) dx=0,997...>99%
') 3oi normale stanar
9'est la distribution normale de Dauss centre et
),
rduite# Pour le recentrage nous soustrayons la moyenne $
x ' =xj # Pour la rduction nous di!isons par l'cart8
type $
z=
xj
c
d'o^ $
p
(
z
)
=
1
.
2n
e
z
2
2
Aous a!ons alors une distribution normale de moyenne
nulle et d'cart8type gale 5 un $
G. Test d'hypothse
Aous !oulons !rifier une hypothse B# 7a !aleur
correspondant 5 la grandeur X est suppose gale 5 x
B
# Si
))
aprs estimation de ,
x
et -
x
x
G
est compris entre ,
x
8)-
x
et
,
x
b)-
x
alors l'hypothse B est accepte a!ec une
confiance de *N` sinon l'hypothse est re;ete#

.i x
"
# $
x
%&'
x
nous avons /01 de chances d'avoir rai2
son de soutenir l'h3poth&se " et 01 de chance de nous
tromper#
Pour tra!ailler a!ec d'autres confiances il suffit de consi]
drer le coefficient de Student t
C
#
Dans l'exercice J page +) nous testons un isolant ther]
mique et nous !rifions les !aleurs annonces par le fabri]
)+
cant#
7'hypothse peut aussi 0tre dissymtrique et nous ne
considrons alors qu'une des deux parties de la queue de
distribution $ par exemple la charge maximale d'un ascen]
seur est de +-- Vg la masse totale des occupants est de
)L-e,- Vg 5 -# .uelle est la probabilit d'0tre en sur]
charge Q )N chances sur mille#
". Test du (hi-deux
=l s'agit d'un test d'hypothse simple bas sur les
diffrences entre les effectifs obser!s et ceux esprs $
Cffectifs obser!s $
... ...
1

2

!

c
Cffectifs esprs $
... ...
"
1
"
2
"
!
"
c
Aous calculons la sommes des carts au carr par rapport
5 la !aleur thorique attendue $
X
2
=
j=1
c
(O
j
E
j
)
2
E
j
3nomm \Vhi8deux\4
Aous a!ons ensuite une table 3page ,LK4 qui permet d'es]
timer la probabilit que l'h3poth&se soit 4uste# Sui!ant
la !aleur de
X
2
et le nombre de degrs de libert nous
dterminons la ;ustesse de l'hypothse#
)J
7es degrs de libert se calculent ainsi $
ddl =c1 3nombre de !aleurs moins une unit4
=llustrons a!ec les expriences ralise par le botaniste
Fendel# =l effectue des croisements entres des plants ici
des hybrides# =l croise entre eux des pois 5 fleurs roses# Sa
thorie lui indique qu'il doit obtenir )N` de pois 5 fleurs
rouges )N` de pois 5 fleurs blanches et N-` de pois 5
fleurs roses# 9eci rsulte de la rencontre alatoire des ga]
mtes# =maginons qu'il obser!e sur mille fleurs les !aleurs
sui!antes $ )K` de blanches )J` de rouges et J*` de
roses# Doit8il continuer 5 croire en son hypothse Q
Cffectifs obser!s $
270 240 490
Cffectifs esprs $
250 250 500
d'o^
X
2
=
( 270250)
2
250
+
(240250)
2
250
+
( 490500)
2
500
2,2 et
ddl=31=2 #
Donc d'aprs la table il y a plus de +-` de chance que
l'hypothse soit ;uste# =l n'y a alors aucune raison de la
re;eter# Cn gnral on prend une probabilit critique de
N` en dessous de laquelle on en!isage de re;eter
l'hypothse#
7e test se gnralise facilement pour un tableau#
)N
Cffectifs obser!s $ Cffectifs esprs $
(
O
11
O
12
... O
1 j
... O
1c
O
21
O
22
... ... ... ...
... ... ... ... ... ...
O
i1
... ... O
i j
... ...
... ... ... ... ... ...
O
l 1
... ... ... ... O
l c
) (
E
11
E
12
... E
1j
... E
1c
E
21
E
22
... ... ... ...
... ... ... ... ... ...
E
i1
... ... E
i j
... ...
... ... ... ... ... ...
E
l1
... ... ... ... E
l c
)
7es l tiennent compte du nombre de colonnes c et de
lignes l $ ddl =(c1) (l 1)
7e

2
se calcul a!ec le m0me type de formule $
X
2
=
(i , j)
(O
i j
E
i j
)
2
E
i j
De plus nous utilisons la m0me table pour dterminer la
!alidit de l'hypothse#
)O
). *ources des incertitudes
Ene !ariable alatoire a une incertitude d'autant plus
faible que la mesure est fidle ;uste et que le systme
d'acquisition a une bonne rsolution#
7a ;ustesse est assure par l'absence d'erreurs systma]
tiques# =l peut exister un biais qui rend la mesure inexacte
3m0me si la dispersion est faible4# Crreurs de lecture ab]
sence de contrle et de corrections de facteurs influents
incertitude due 5 la modlisation etc# Tous les biais
doi!ent 0tre identifis et estims afin d'0tre a;outs 5 la
dispersion le systme de!ient alors ;uste#
7a fidlit pro!ient de la rptabilit et de la reproductibi]
lit des mesures# 7es !aleurs d'un systme fidle sont peu
disperses# 7a dispersion peut pro!enir d'erreurs acciden]
telles ou d'un phnomne physique par essence alatoire
3comme par exemple la radioacti!it4# 7es exprimenta]
teurs par un tra!ail propre consciencieux et selon un pro]
tocole bien dfini et rflchi pourront minimiser la dis]
persion# 7es sources peu!ent 0tre innombrables nous es]
saierons d'en identifier un maximum afin de les !aluer#
7a rsolution de l'instrument de mesure dpend de la taille
des graduations du type du !ernier ou du nombre de di]
gits de l'affichage# A l'incertitude due 5 la discrtisation
des mesures peu!ent s'a;outer d'autres facteurs# =l faudra
se rfrer 5 la notice ou contacter le fabricant pour
conna6tre au mieux la prcision de !otre appareil# <n peut
aussi effectuer un talonnage a!ec un instrument de haute
prcision qui sert de rfrence#
)K
7'influence de ces diffrentes sources d'incertitude peut
0tre illustre par une cible et des flches# 7e centre de la
cible correspond 5 la grandeur 5 mesurer et les flches re]
prsentent les diffrentes mesures# Si les flches dans
leur ensemble ne sont pas correctement centres la ;us]
tesse n'est pas assure# 7e resserrement des flches repr]
sente la fidlit# 7a distance entre les cercles sur la cible
indique la rsolution# 7a !aleur note est celle du cercle
dont la flche est le plus proche# 7'exprimentateur !oit
les flches et les cercles par contre il ne sait pas o^ est la
cible et son centre# =l tient l'arc et son dsir d'0tre au plus
proche du centre de la cible montre la qualit et la rigueur
de son tra!ail#
Desure Euste, (ile et avec une bonne rsolution %
)L
Desure Euste, mais peu (ile et avec une (aible rsolution %
Desure peu isperse mais avec un biais, et mal rsolue %
)*
Desure avec un biais, (ortement isperse
et une (aible rsolution %
7'cart8type complet sera dtermin 5 partir des carts de
chaque source en a;outant les carrs 3dus aux compensa]
tions explicites au chapitre )4 $
c=
.
c
1
2
+c
2
2
+c
3
2
+...
+-
+. Exercices
Exercice 1 : ges corrig p142
Soient les ges des tudiants d'une classe {18; 20;
18; 19; 18; 18; 18; 17; 18; 19; 17; 19; 17; 21; 18}.
Dterminez le mode la mdiane la mo!enne
arit"mti#ue la mo!enne gomtri#ue l'tendue
l'cart$t!%e l'cart #uadrati#ue mo!en et l'cart
mo!en
7
.
Exercice 2 : Cartes corrig p142
Soit un &eu' de (2 cartes. )ous tirons au "asard cin#
cartes. Dterminez la %ro*a*ilit d'a+oir un carr
d'as %uis celle d'a+oir une couleur.
Exercice 3 : Champ de pesanteur corrig p142
Des tudiants mesurent l'intensit g du c"am% de
%esanteur terrestre au la*oratoire. ,es "uit *in-mes
mesurent les +aleurs sui+antes en m.s/ 0 120 ; 8(2 ;
1(00 ; 8(7 ; 823 ; 917 ; 972 ; 1011.
a4 5uel commentaire gnral 6eriez$+ous en +o!ant
ces rsultats.
*4 7alculez la mo!enne et l'cart$t!%e.
c4 ,a dis%ersion des +aleurs donne #uelle incer$
titude sur la mo!enne 8con6iance de 9294 : ,e
rsultat est$il co"rent a+ec la +aleur attendue :
d4 ;n neu+i<me *in-me 6ait une nou+elle mesure
dans les m=mes conditions e'%rimentales. >stimez
la %ro*a*ilit #u'ils o*tiennent un rsultat entre 8 et
12 m.s/.
K
cart moyen=
(
x
i
)
/ n=
(
.
(
x
i
x
)
2
)
/ n
+,
Exercice 4 : Test d'un isolant corrig p143
;n 6a*ricant indi#ue %our un %anneau isolant en
cellulose une conducti+it t"ermi#ue de 00(9
?.m.@. ,a +aleur est certi6ie A 29 %r<s. Bous +oulez
+ri6ier si c'est +rai %our cela +ous %renez di'
%anneau' au "asard et +ous mesurez leurs
conducti+its res%ecti+es 8m?.m
$1
.@
$1
4 0
(91 (88 (92 (92 (89 (91 (92 311 (81 (9(
,es +aleurs sont$elles con6ormes A celles annonces
%ar le 6a*ricant 8il consid<re une con6iance de 929
sur la marge donne4 : Courrait$il selon +os
rsultats annoncer une autre marge :
Exercice 5 : Devoir corrig p143
Cour un de+oir les notes o*tenues %ar des tudiants
sont les sui+antes 8notation sur 204 0
10 2 1( 7 1 9 2 2 10 12 2 (
12 12 11 1 ( 1( 11 10 2 7 2 8
2 12 3 11 11 2 8 12 10 18 1
a4 Dterminez la mo!enne et l'cart$t!%e.
*4 Dalisez un diagramme a+ec les notes en
a*scisse et les 6r#uences en ordonne.
c4 Eaire un autre diagramme des 6r#uences en
regrou%ant les donnes en classes 0 F0 1 2G F( 3
2G ... F18 19 20G. Hn indi#uera aussi les
6r#uences relati+es. 7om%arez la lisi*ilit a+ec le
%remier diagramme.
+)
Exercice : !ams corrig p144
,e Iams se &oue a+ec cin# ds #uili*rs A si' 6aces.
14 Hn lance les cin# d<s #uelle est la %ro*a*ilit de
6aire un Iams directement 8m=mes +aleurs sur les
cin# ds4.
24 Cour un lancer #uelle est la %ro*a*ilit d'a+oir un
total in6rieur A di' :
(4 )ous e66ectuons une srie de lancers et nous
o*tenons les totau' sui+ants 0 18 12 17 22 11 12
13 22 2( 13 2( 13 18 21 12 12 18 1( 12 18
17 12 17 21 22 11 8 12 12 1(.
a4 7alculez la mo!enne et l'cart$t!%e.
*4 5uelle est l'estimation de la mo!enne a+ec
un inter+alle de con6iance de 929 : >st$ce #ue
cela corres%ond A la +aleur t"ori#ue :
c4 Dalisez un gra%"e des +aleurs a+ec leurs
6r#uences corres%ondantes.
d4 Si nous e66ectuons un nou+eau lancer #uelle
est selon +ous la %ro*a*ilit d'a+oir un
rsultat su%rieur A 23 :
Exercice " : #i$ces corrig p145
)ous e66ectuons un grand nom*re de lancers d'une
%i<ce nous c"erc"ons A dterminer si les
%ro*a*ilits d'o*tenir un %ile ou un 6ace sont gales.
)ous e66ectuons l'e'%rience a+ec trois %i<ces
di66rentes sont$elles #uili*res : 8r%onses a+ec
une con6iance de 9294
14 32 %iles et 28 6aces.
24 210 %iles et 390 6aces.
(4 320 %iles et 280 6aces.
++
Exercice " : #arit% corrig p145
7a parit hommes8femmes est8elle respecte dans les
deux chambres et le conseil constitutionnel Q
Gommes Hemmes
Assemble nationale JK- ,-K
Snat )K) KO
9onseil constitutionnel ,- )
Exercice & : 'aissances corrig p145
Jestons l'"!%ot"<se sui+ante 0 les naissances en
Su<de se r%artissent uni6ormment tout au long de
l'anne. Su%%osons #ue nous a+ons un c"antillon
alatoire de 88 naissances. ,es rsultats sont
regrou%s selon des saisons de longueur +aria*le 0 27
naissances au %rintem%s 8a+ril$&uin4 20 en t
8&uillet.aoKt4 8 en automne 8se%tem*re.octo*re4 et
(( en "i+er 8no+em*re$mars4.
Lu seuil de 29 l'"!%ot"<se %eut$elle =tre re&ete :
Sur le m=me e'em%le on collecte maintenant un tr<s
grand c"antillon 0 2((82 13978 13101 et (2803.
5uelle est alors la conclusion :
+J
Th%orie

Exercice 1( : )aussiennes dans le plan et l'espace
corrig p146
Gaussienne une dimension :
Soit la loi de %ro*a*ilit de Mauss centre et rduite
p( x).
1$ 7alculez et com%arez la mo!enne de x et de N'N.
,a#uelle corres%ond A la distance mo!enne au %oint
d'origine : 5ue dire de
x
et de
x
:
2$ 7alculez numri#uement P(x<1) P(x<2) et
P(x<3).
Gaussienne bidimensionnelle :
Soit la loi de %ro*a*ilit #ui gnralise une gaussienne
A deu' dimensions sui+ante 0 p( x , y)=p( x) p( y) a+ec
p( x) et p( y) des lois normales centres et rduites.
Aides :
Soit des intgrales multi%les a+ec des *ornes ind$
%endantes des +aria*les et des 6onctions continues les
+aria*les sont alors s%ara*les 0

f ( x , y) dxdy=
f ( x) f ( y) dxdy=
f ( x) dx
f ( y) dy
Cassage en coordonnes %olaires 0
j
2
=x
2
+y
2
et dxdy=2nj d j 8s!mtrie %ar rotation4
1$ 5uelle est l'e'%ression de p( x , y) : Oontrez #ue
+N
p( x , y) +ri6ie les deu' conditions ncessaires %our
une loi de %ro*a*ilit.
2$ >n introduisant les coordonnes %olaires +ri6iez
#ue la %ro*a*ilit sur tout le %lan +aut *ien l'unit.
Bous e'%rimerez p( j) d6inie tel #ue 0
p( x , y) dx dy=
p(j) d j .
p( j) est la densit de %ro*a*ilit %ar ra%%ort A .
p( j) d j corres%ond A la %ro*a*ilit d'un +nement
d'=tre entre et d .
5ue +alent la mo!enne de la distance au %oint
d'origine et l'cart$t!%e
%our cette loi de

%ro*a*ilit :
($ 7alculez P( j<c
j
) P( j<2c
j
) et P( j<3c
j
).
Gaussienne !ridimensionnelle :
Soit la loi de %ro*a*ilit #ui gnralise une gaussienne
A trois dimensions sui+ante 0
p( x , y , z)=p( x) p( y) p( z ) a+ec p( x) p( y) et p( z )
+O
des lois normales centres et rduites.
Aides :
)ous a+ons a+ec les intgrales tri%les les m=mes
conditions de s%aration des +aria*les #u'a+ec les
intgrales dou*les.

Cassage en coordonnes s%"ri#ues 0
r
2
=x
2
+y
2
+z
2
et dx dy dz=4nr
2
dr
8s!mtrie s%"ri#ue4
1$ 5uelle est l'e'%ression de p( x , y , z) : >'%rimez
p( r) d6inie tel #ue 0
p( x , y , z) dx dy dz=
p( r)dr .
p( r) est la densit de %ro*a*ilit %ar ra%%ort A r.
p( r) dr corres%ond A la %ro*a*ilit d'un +nement
d'=tre entre r et rdr.
2$ L+ec cette nou+elle e'%ression +ri6iez #ue la
%ro*a*ilit sur tout l'es%ace +aut *ien l'unit.
($ 5ue +alent la mo!enne r et l'cart$t!%e
r
%our cette
loi de %ro*a*ilit :
3$ 7alculez P( R<c
r
) P( R<2c
r
) et P( R<3c
r
).
2$ 7om%arez les trois cas d'une gaussienne 1D 2D ou
(D. Bous de+ez retrou+er les rsultats du ta*leau #ui
suit.
+K
Daussienne ,D )D +D
Distance 5
l'origine
N'N
8
f r
Foyenne
.
2
n
.
n
2
2
.
2
n
@cart8types 1
.
2
.
3
P 5 d OL+` ,8,&eYO+)` O-L`
P 5 )d *NJ` *L)` **+`
P 5 +d **K` ***LL` *****J`
Cour +ri6ier +os calculs sur un ta*leur +ous %ou+ez utiliser
les 6onctions sui+antes 0
sur H%enH66ice 0
somme d'une zone slectionne P 8e'.0 Q3(0Q2(4 0
RSHOO>8P4
+aleur 6i'e A la cellule Q( 0 SQS(
ROHI>))>8P4
carr 0 PT2
racine carre 0 PT81.24
R>7LDJIC>8P4
coe66icient de Student %our une con6iance de 929 et
nR20 0 R,HU.SJ;D>)J.U)B>DS>8002;194
%ro*a*ilit #ue l'"!%ot"<se soit +raie ta*leau des
+aleurs o*ser+es P 8e'.0 Q710>724 celui des +aleurs
estimes PP 0 RJ>SJ.@VUD>;W8P;PP4.
8 OLJV 0 Aous pourrions nous tonner de la diffrence de l'expression en ,D
a!ec la !aleur absolue ce n'est qu'une question de dfinitions en coordonnes
cylindriques et sphriques# Par exemple fgh-Tbij et kgh-T)lj mais nous
pourrions aussi prendre fgh8iTbij et kgh-Tlj la moyenne de f serait alors
nulle et nous aurions considr sa !aleur absolue#
+L
+*
''# CORR+LA%'O!. *%
'!D+P*!DA!C*.
Au chapitre prcdent nous n'a!ions qu'une gran]
deur alatoire X a!ec ses n ralisations Sx
i
U# Faintenant
nous a!ons plusieurs grandeurs et un nou!el indice per]
met de les distinguer $ X
E
et ses mesures Sx
EF
U# X
E
est la E
me
grandeur et x
EF
est la F
me
obser!ation de cette grandeur#
Aous allons nous intresser aux interactions entre diff]
rentes grandeurs#
Pour illustrer considrons un chantillon de quatre
indi!idus qui possdent trois caractristiques la taille X
"

le poids X
&
et le mois de naissance X
'
# A priori nous nous
attendons 5 une corrlation entre la taille et le poids $ plus
on est grand plus on a en gnral une masse importante
3corrlation positi!e4# Par contre nous pou!ons penser
que le mois de naissance n'a aucune incidence sur le poids
et la taille 3X
'
non corrle a!ec X
"
et X
&
4#
A. Coe,,icient de corrlation
7e coefficient de corrlation r permet d'identifier
s'il y a une relation linaire entre deux !ariables X
i
et X
E
$
r
ij
=

k
|( x
i k
x
i
)( x
j k

x
j
)
.
k
|( x
i k
x
i
)
2
k
| ( x
j k
x
j
)
2
J-
r !arie entre #" et 1"# Si r=1 les !ariables sont
parfaitement corrles $ r=1 m0me sens de !ariation
r=1 sens oppos# Si r=0 il n'y a pas la moindre
corrlation les !ariables sont parfaitement indpendantes#
9alcul de r
"&
r
"'
et r
&'
$
X
"
(cm)
X
&
(Fg)
X
'
x
1
x
1
x
2
x
2
x
3
x
3
( x
1

x
1
)
2
, ,O- OJ J 8,N 8,, 8) ))N
) ,K- OO L 8N 8* ) )N
+ ,L- LJ * N * + )N
J ,*- LO + ,N ,, 8+ ))N
x
,KN KN O mY N--
et la suite des calculs $
( x
2
x
2
)
2
( x
3
x
3
)
2
( x
1
x
1
)
.( x
2

x
2
)
( x
1
x
1
)
.( x
3
x
3
)
( x
2
x
2
)
.( x
3
x
3
)
,), J ,ON +- ))
L, J JN 8,- 8,L
L, * JN ,N )K
,), * ,ON 8JN 8++
J-J )O J)- 8,- 8)
J,
d'o^ $
r
12
=
420
.
500
.
404
0,93

r
13
0,09
et
r
23
0,02
#
r
"&
est proche de b, nous a!ons donc une corrlation
positi!e importante# r
"'
et r
&'
sont proches de 1ro $ X
'
est
indpendante de X
"
et X
&
$
Cxemples de nuages de points entre deux !ariables $

J)

Aous !oyons sur les exemples K * et ,- une forte
corrlation entre les deux !ariables# Pourtant le coefficient
de corrlation n'est pas aussi proche de 8, ou b, que nous
pourrions l'imaginer il est m0me nul sur l'exemple *# 9eci
pro!ient du fait que les corrlations ne sont pas linaires#
J+
=l peut y a!oir des phnomnes de saturation 3exemple
,-4 ou de seuil 3un produit peut 0tre bnfique 5 faible
dose et nocif pour des doses plus importantes 8 exemple
*4# =l est prfrable d'a!oir identifi ces phnomnes en
amont# Pour cela il est important de bien rflchir 5 la
pertinence des !ariables que l'on choisi a!ant de
commencer une tude statistique#
Autre exemple $ si nous tudions le !olume G de
diffrents ob;ets en fonction de leur taille H nous
trou!ons une corrlation positi!e# Fais celle8ci sera bien
plus forte entre G et X*H
'
3graphes K et L4#
7e fait que deux !ariables soient corrles n'implique pas
ncessairement une relation de cause 5 effet entre les deux
!ariables 3la !ariation d'une !ariable entraine la !ariation
de l'autre4# 7es !ariations des deux !ariables peu!ent 0tre
attribuables 5 une cause commune extrieure#
Par exemple on peut supposer qu'il y a corrlation entre
la consommation d'huile 5 bron1er et celle de crmes
glaces# =l n'y a !idemment aucuns liens de cause 5 effet
entre les deux mais une cause commune d'ordre
mtorologique#
Des raisons physiques permettent de montrer une
causalit pas une tude statistique#
JJ
B. !ormule de propa-ation des incertitudes
Soit un seau rempli d'un million de grains de
sable# 7a masse d'un grain est de ,- mg 5 ,mg prs#
.u'elle est la masse de sable contenue dans le seau Q
") Iormule e propagation es cart#types
Pour une approche gnrale du problme soit une fonc]
tion ( qui dpend de p !ariables indpendantes $
f ( x
1
, x
2
, ... , x
j
, ... , x
p
)
A chacune de ces !ariables alatoires est associe une !a]
leur moyenne
x
j
et et un cart8type
c
j
#
.ue !alent ( et
c
f
Q
7a statistique donne la rponse et dmontre la formule de
propagation des cart8types $

*
* Aous obtenons la formule de la !ariance en remplaIant d
)
par /#
JN
c
f
2
=
j=1
p
|
(
c f
c x
j
)
2
c
j
2
&) $alcul 5incertitue

Pour les incertitudes 3dfinies page ,)4 nous a!ons aussi
une formule de propagation $
7a formule de propagation des incertitudes n'est pas
exacte comme pour les cart8types mais elle est trs
pratique et le plus sou!ent trs proche du rsultat exact#
Pour notre seau $
a!ec
o^ nous appelons D la masse totale de sable dans le seau
m
E
la masse de chaque grain et p le nombre de grains#
c / cm
j
=cm
1
/ cm
j
+...+cm
j
/ cm
j
+...+cm
p
/ cm
j
c / cm
j
=0+...+1+...+0=1
3les calculs de dri!es partielles sont expliqus page ,J-4
JO
A f
2
=
j =1
p
|
(
c f
c x
j
)
2
A x
j
2
(m
1
, m
2
,... , m
j
,... , m
p
)
A
2
=
j =1
p
(
c / c m
j
)
2
A m
j
2
=
j =1
p
m
j
alors
d'o^
A
2
=pAm
2
a!ec
Am=Am
j
quelque soit E#
Hinalement $
A=
.
pAm=
.
10000000,001 g
#
7e seau pse donc dix Vilos 5 un gramme prs# 7a
prcision sur la masse du seau est donc de --,`#
AaR!ement nous aurions pu penser que l'incertitude
globale sur la masse du seau tait la somme des
incertitudes de chaque grain nous aurions alors une
incertitude absolue d'un Vilo et une relati!e de ,-` ce
qui est trs diffrent de la ralit et ignorerait les
compensations#
=ci la formule de propagation est trs prcise car nous
a!ons un trs grand nombre de grains# Clle est m0me
exacte ds les petits nombres si la distribution de la
masse des grains est gaussienne
,-
#
,- FATG $ une combinaison linaire de grandeurs gaussiennes est elle8
m0me gaussienne 3s'applique ici 5 une somme4# Ct dans la
formule de propagation des incertitudes si ( et les x
i
ont des lois
de probabilits de m0me nature la formule est tout aussi exacte
que la formule de propagation des cart8types#
JK
A
2
=
(
j =1
p
1
2
)
Am
2
Cn pratique certains cas se rencontrent sou!ent $
Pour des sommes ou des diffrences les
incertitudes absolues au carr s'a;outent $
Par exemple si *x
&
#x
"
a!ec Jx
&
*Jx
"
*"cm alors
Ad1,4cm
#
pour des produits ou des quotients les incertitudes
relati!es au carr s'a;outent $
Par exemple si K*L.M a!ec L et M 5 ,` alors K est
connu 5 ,J`#
Dans les cas plus complexes il faut raliser explicitement
le calcul aux dri!es partielles#
A l'aide d'un ordinateur il est aussi possible de faire un
calcul numrique# <n peut gnrer des nombres alatoires
ou utiliser des paquets dcorrls globalement gaussiens#
9ette dernire mthode est illustre dans l'exercice ) de ce
JL
Af
2
=
j=1
p
Ax
j
2
(
Af
f
)
2
=
j=1
p
(
Ax
j
x
j
)
2
chapitre# En tableur peut permettre de faire auto8
matiquement les calculs 3par exemple feuille J du tableur
=ncertitudes7ibres sur %%%#incertitudes#fr4#
<n peut aussi donner des mthodes qui donnent des ides
gnrales sur l'incertitude# Clles d!eloppent une certaine
intuition mais il y a un risque de se tromper#
Par exemple comme les incertitudes s'a;outent au carr
on peut considrer que l'incertitude la plus grande !a
l'emporter rapidement sur les autres# Dans l'exemple o^
K*L.M si L est connu ,` et M 5 -,` alors K est connu 5
,--N`n,` on peut ngliger l'incertitude sur =#
Pour des sommes ou des diffrences on considre parfois
que le terme qui a le dernier chiffre significatif le moins
prcis indique la prcision du dernier chiffre significatif
du rsultat# Fais sur notre exemple de la masse du seau
rempli de grains de sable Ia ne marche pas $ la masse
d'un grain est m Y ,- mg or la masse du seau F est
connue au gramme et non au milligramme >
Pour les produits ou des quotients on considre parfois
que le facteur qui a le nombre de chiffres significatifs le
plus faible indique le nombre de chiffres significatifs du
J*
rsultat mais l5 aussi il faut 0tre trs attentif#
Ene illustration trs simple si B*&) a!ec )*/,++m 3)
connu au cm4 que !aut B Q D'aprs la rgle du dessus B
serait connu a!ec trois chiffres significatifs donc
B*"+,+m# B ne serait connu qu'5 "+cm prs il !a de soit
que l'on est plus !ers le cm###
A'utilise1 pas ces recettes si !ous n'a!e1 pas conscience
des piges possibles#
N-
C. .-ression linaire
Si maintenant nous a!ons deux !ariables corrles
nous pourrions !ouloir dterminer la relation la plus adap]
te entre elles# 7es !ariables alatoires seront nommes X
et N et nous chercherons la droite qui passe au mieux par
le nuage de points y(x)# Par exemple quelle est la relation
la mieux adapte entre la taille X et le poids N dans notre
exemple initial $ y=ax+! Q .uelles sont les incerti]
tudes Aa et A! Q
") Principe et (ormules
7a mthode choisie est celle des moindres carrs $
la droite considre la meilleure est celle qui minimise la
somme des carrs des distances 5 la droite distances
prises selon y 3carts4#
7'ensemble des points se note
i
( x
i
, y
i
)
# Pour x
i
donn
N,
l'ordonne estime sur la droite s'crit
y
i
=a x
i
+!
#
D'o^ la somme des distances au carr $
d
2
=
i
( y
i
y
i
)
2
7es dri!es partielles de cette quantit selon a et b s'an]
nulent pour la meilleure droite et nous obtenons les qua]
tions sui!antes $
i
( y
i
a x
i
!) x
i
=0 et

i
( y
i
a x
i
!)=0 #
Aous obtenons ainsi les rsultats dsirs $

a=
x y
y
x
2
x
2
et
!=
ya
x
#
<n nomme e
i
le rsidu tel que
y
i
= y
i
+e
i
#
<n trou!e les diffrents cart8types sui!ants
,,
$
pour les rsidus
pour la pente
s
a
=
s
r
.
i
( x
i
x)
2

pour l'ordonne 5 l'origine
,, Dmonstrations p*-#
N)
s
!
=s
r
.

x
i
2
n
( x
i
x)
2
s
r
=
.
i
e
i
2
n2
Puis
Aa=t
n2
s
a
et
A!=t
n2
s
!
#
t
n#&
$ coefficients de Student pour n#& degrs de libert#
/ous 0tes ainsi 5 m0me de mener tous les calculs#
Cffectuons les calculs pour le poids en fonction de la
taille$
x y=(160x64+170x66+180x84+190x86)/ 4
x
2
=(160
2
+170
2
+180
2
+190
2
)/ 4
a=(13230175x75)/(30750175
2
)=0,84 et
!=750,84x175=72
s
r
=
.
|(64(0, 84x16072))
2
+(4,8)
2
+4,8
2
+(1,6)
2
/ 25,06
s
a
5,06/
.
(160175)
2
+(5)
2
+5
2
+15
2
0,226
Aa2, 92x0,2260,66 a!ec une confiance de *-`
s
!
5,06
.
(160
2
+170
2
+180
2
+190
2
)/ | 4(15
2
+5
2
+25+225)39,7
A!2, 92x39,7116 5 *-`
d'o^ $ Poids=(0,84!0,66)"aille(72!116) 5 *-`#
Hormule ici trs imprcise ce qui n'est pas tonnant !u le
peu de points et la dispersion des donnes# Fais la m]
thode de calcul est maintenant explicite et comprhen]
sible#
Sur le graphique qui suit nous a!ons $
au milieu la droite interpole 3le meilleur quilibre
entre les points du dessus et ceux du dessous de
cette droite4#
N+
Cn pointills sont reprsents les deux droites ex]
tr0mes 3
y=a
min
x+!
max
et
y=a
max
x+!
min
4#
7a premire en!eloppe correspond aux !aleurs es]
times de y# =nter!alle de confiance de la moyenne
de y
o
pour une !aleur x
o
$
Par exemple pour x
o
*"</ cm nous a!ons
y
o
*</,+O<,> Fg# <n peut m0me a!oir une estima]
tion en dehors de l'inter!alle par exemple pour
x
o
*"P/ cm nous a!ons y
o
*P&O"/ Fg#
NJ
A y
o
=t
n2
s
r
.
1
n
+
( x
o
x)
2
( x
i
x)
2
7a deuxime en!eloppe correspond 5 une prdic]
tion si nous effectuions une nou!elle mesure# =n]
ter!alle de prdiction pour une obser!ation y
o
$
Par exemple il y a *-` de chance pour une per]
sonne de ,KN cm que sa masse soit entre NL et *)
Vg 3en moyenne *-` des points sont dans cette se]
conde en!eloppe et ,-` en dehors4#
&) @termination u Qro absolu
Aous tudions un
ga1 enferm dans un rci]
pient rigide de !olume
constant# Aous a!ons des
sondes pour mesurer sa
temprature et sa pres]
sion# =nitialement le ga1
est 5 temprature et pres]
sion ambiante ensuite
nous immergeons l'en]
semble dans de l'eau
chaude et nous laissons
!oluer en prenant des
mesures 5 la !ole
,
$
1 "e!!e exprience a rellemen! ! ralise le mardi 1#
oc!obre 2$$6 %ourges par &' ()*A*+ e! )' ,-(). au
,/ce Alain01ournier'
NN
A y
o
=t
n2
s
r
.
1
n
+
( x
o
x)
2
( x
i
x)
2
+1
heure ,-h
,N
,-h
+-
,-h
J-
,-h
NN
non
note
non
note
,)h
temprature
o 3X94
,*L N)* JKL J)J +O) ++N +-)
pression
P 3hPa4
,-,+ ,,+- ,,,) ,-*+ ,-K) ,-O, ,-J*
Aous supposons que le ga1 obit 5 l'quation d'tat
du ga1 parfait
P# =n R" =n R( 22
0K
)
# Cn traIant
R(P) nous pou!ons obtenir la temprature du 1ro
absolu $ l'ordonne 5 l'origine donne o
-M
#
Aous !oyons que la rgression est bonne
3rY-****,4 mais les points mesurs sont loigns du 1ro
absolu# Par prolongement nous obtenons a!ec une
confiance de *N` $
O
0K
=266,0!4,8 C
#
NO
<r nous sa!ons que le 1ro absolu est 5 8)K+,N X9 ce
qui n'est pas trs cohrent# Aous pou!ons donc supposer
qu'il y a un biais et que nous n'a!ons pas considr toutes
les sources d'incertitudes#
') Kgression avec barres 5erreurs
7es instruments de mesure ne sont pas parfaits et
les notices indiquent leurs prcisions# 7a prcision du
manomtre est 5 un pour cent prs et celle du
thermomtre au degr# Aous a!ons donc une incertitude
sur x et y $

i
( x
i
!Ax
i
, y
i
!A y
i
)
Aous allons a;outer ce qu'on appelle des barres
d'erreurs nous n'a!ons plus des points mais des
rectangles# Plus un point est prcis plus il ;oue un rle
important# 7a mthode des moindres carrs est modifie
et la somme des carrs est pondre par ce \poids\ $
i
$
i
e
i
2
a!ec $
i
=
1
(A y
i
)
2
+(aAx
i
)
2
9'est une mthode itrati!e nous mettons
initialement une !aleur de a estime puis la !aleur de a
obtenue la remplace ;usqu'5 l'galit des !aleurs#
NK
Aous obtenons alors $
O
0K
=266!35C
a!ec
la m0me confiance que les incertitudes sur x
i
et y
i
# 7a
!aleur est cette fois satisfaisante# 7es sources principales
d'incertitudes semblent retenues#
Aous pourrions aussi considrer l'incertitude de
modlisation induite par l'hypothse de ga1 parfait mais
dans les conditions exprimentales de cette exprience
l'hypothse est excellente# 9ette source d'incertitude est
ngligeable de!ant les autres considres ici# 7'utilisation
d'un modle de ga1 rel 3/an der paals par exemple4
permettrait de le dmontrer#
NL
Hormules hij $
%
2
=
i
$
i
| y
i
(a x
i
+!)
2
c%
c!
2
=0 et
c%
ca
2
=0
conduit 5 $
! =

$
i
y
i

$
i
x
i
2

$
i
x
i

$
i
x
i
y
i
A
et
a =

$
i

$
i
x
i
y
i

$
i
x
i

$
i
y
i
A
a!ec
A =

$
i

$
i
x
i
2
$
i
x
i
)
2
puis
A! =
.
$
i
x
i
2
A
et
Aa =
.
$
i
A
N*
>) 3inarisation
Dans de nombreux cas nous pou!ons nous ramener 5 un
modle linaire 3ici au sens y=a x+! 4# Aous donnons
quelques exemples ci8dessous $
y=o x
x , y ,o>0
y' =a x' +! a!ec
y' =ln ( y) x ' =ln( x)
et
=a
o=e
!
et
A=Aa Ao=oA!
y=oe
x
x ,o>0
y' =ln ( y) x ' =x
y=
1
o+x
y' =
1
y
3loi logis8
tique4
y' =ln (
y
1y
) y' =o+ x
3loi de
Pareto4
y' =ln (1y)
x ' =ln( x)
=a o=e
!
a
3loi de peibull4
y' =ln
(
ln (
1
1y
)
)
x ' =ln( x) =a
o=e
!
a
y=o+e
x
non linarisable
y=
o x
+x
non linarisable
y=o+ x+x
2
non linarisable selon y(x)
O-
y=1
(
o
x
)
y=
e
o+x
1+e
o+ x
y=1e
(
x
o
)
/) $omparaison es mt)oes
Dans toutes les mthodes de rgression que nous consid]
rons nous nous intressons 5 la !ariabilit de y 5 x fix 3la
dmarche in!erse donnerait des rsultats qui!alents4#
Pour un x
i
donn nous a!ons un y
i
et son cart8type d
yi
#
a) Ksum
"# Kgression simple
y
"
*=,' y
"
*"<,' y
"
*"=,' y
"
*&<,' y
"
*&=,' y
"
*'<,' y
"
*'=,'
$as " % a*/ b*/ s
r
*&,'> s
a
*+,>>' et s
b
*",P=
7a rgression simple ne correspond pas 5 des incertitudes
sur les donnes nulles# Clles sont inconnues et nous les es]
timons 5 partir des donnes elles8m0mes# 7es incertitudes
sont considres constantes quelque soit y
i
# 7'incertitude
O,
correspond 5 l'cart8type des y
i
par rapport 5 la droite esti]
me $
s
y
i
=s
y
=s
r
=
.
i
( y
i
y
i
)
2
n2

s
a
=
s
r
.
i
( x
i
x)
2

s
!
=
.
x
2
( x
i
x)
2
s
r
&# Kgression avec carts#types constants selon y
$as & % a*/ b*/ s
y
*&,// s
a
*+,>=& s
b
*&,"A
Dans ce cas les s
yi
sont gaux et connus $ s
y
i
=s
y
et
s
a
=
s
y
.
i
( x
i
x)
2

s
!
=
.
x
2
(x
i
x)
2
s
y
O)
Si la droite ne passe pas par les barres d'erreurs on peut
penser que toutes les sources d'incertitudes n'ont pas t
retenues# =l faut soit les intgrer dans s
y
soit appliquer la
mthode prcdente#
'# Kgression avec cart#types selon y
s
y"
*> s
y&
*',/ s
y'
*' s
y>
*&,/ s
y/
*& s
yA
*",/ s
y<
*"
$as ' % a*>,A< b*A,/" s
a
*+,>=& s
b
*&,"A
7es s
yi
sont connus# Aous pou!ons appliquer la formule de
propagation des cart8types $
s
a
2
=
i
(
ca
c y
i
)
2
s
y
i
2
et s
!
2
=
i
(
c!
c y
i
)
2
s
y
i
2
7es formules sont exactes et permettent de retrou!er les
expressions des cas prcdents# Dans le cas plus com]
O+
plexe d'cart8types !ariables selon y
i
nous a!ons les esti]
mations sui!antes $
Aa=
1
.
$
i
1
.
x
2
x
2

A!=
1
.
$
i
.
x
2
x
2
x
2
$
i
=
1
c
y
i
2
># Kgression avec cart#types selon y et x
s
y"
*> s
y&
*',/ s
y'
*' s
y>
*&,/ s
y/
*& s
yA
*",/ s
y<
*"
s
x"
*+," s
x&
*+,& s
x'
*+,' s
x>
*+,> s
x/
*+,/ s
xA
*+,A s
x<
*+,<
s
"
*>,+ s
&
*',A s
'
*',> s
>
*',& s
/
*',& s
A
*',> s
<
*',A
$as > % a*>,P= b*/,"> s
a
*+,AP/ s
b
*',"A
9omme x
i
est fix nous reportons la dispersion de x
i

sur y
i
$
s
y
i
"otal
2
=s
i
2
=s
y
i
2
+a
2
s
x
i
2
q nou!eau tout se passe comme si seuls les y
i
a!aient des
OJ
cart8types s
i
# D'o^ les formules $
s
a
2
=
i
(
ca
c y
i
)
2
s
i
2
et s
!
2
=
i
(
c!
c y
i
)
2
s
i
2
7es dri!es sont complexes 5 calculer 3les poids d]
pendent de a4 nous pou!ons par contre les !aluer num]
riquement# Aussi nous utilisons habituellement les estima]
tions sui!antes $
Aa =
.
$
i
A

A! =
.
$
i
x
i
2
A

$
i
=
1
c
y
i
2
+a
2
c
x
i
2
b) @iscussion
$as / % a*/ b*/ s
a
*+,APA s
b
*',"A
7es incertitudes de ce cas peu!ent a!oir pour origine les
instruments de mesure# 7a dispersion des !aleurs du pre]
ON
mier cas pO, peu!ent pro!enir d'erreurs accidentelles lies
5 l'exprience ou d'un phnomne par essence alatoire#
Aous aimerions que le quatrime cas pOJ intgre l'en]
semble les sources d'incertitudes des cas , et N $
s
a
1
0,443
et
s
a
5
0,696
donne
s
a
4
0,695
Aous a!ons utilis les formules classiques# Aous a!ons
l'impression que la dispersion autour de la droite de r]
gression n'est pas inclue# Aous allons effectuer le calcul
direct a!ec la formule de propagation et la mthode des
petites !ariations $
s
a
2
=
i
(
ca
c y
i
)
2
s
i
2
et
(
ca
c y
j
)
= lim
A y
j
-0
(
Aa
A y
j
)
Cn gardant tous les y
i r;
constants $
y
j
+A y
j
-a+Aa
Jy
E
est une petite !ariation par rapport 5 y
E
si Jy
E
de!ient
chaque fois plus petit
Aa
A y
j
reste constant 3dfinition de
la dri!e4#
Cssayions de retrou!er le rsultat pour s
a /
$ remplaIons
y
"
*"+ par y
"
*"+,++" alors de a*/ nous a!ons aprs itra]
tions a*>,PPPP+< d'o^
Aa
A y
1
0,093
!
Aous remettons y
,
5 "+ et rptons le procd pour y
)
en
le remplaIant par "/,++"# D'o^ les rsultats sui!ants $
OO
E*" E*& E*' E*> E*/ E*A E*<
ca
c y
j
8--*+ 8--KL 8--J* 8---O --J, --L- -,-N
Aous trou!ons alors
s
a
5
0,696
le m0me rsultat que
l'autre mthode#
Procdons de m0me pour s
a >
$
E*" E*& E*' E*> E*/ E*A E*<
ca
c y
j
8--*O 8--L- 8--N- 8---K --L, -,)) -,JK
Aous trou!ons alors
s
a
4
0,786
rsultat significati!e]
ment diffrent de l'estimation classique qui semble main]
tenant intgrer l'ensemble des sources d'incertitudes#
Dans l'exercice Scart#types proportionnel 6 y p*, nous
tudions un cas particulier o^ nous effectuons le calcul
analytique direct# 7a comparaison peut ainsi 0tre largie#
OK
D. .-ression -nralise
Aous gnralisons la mthode des moindres carrs
pondrs pour une fonction et une dpendance des
paramtres non linaires# (ien que la rgression multiple
ait des d!eloppements analogues elle n'est pas traite
dans cet ou!rage hxj#
") Principe
Aous comparons
y
i
5 la !aleur f (x
i
) donne par la
fonction cherche $
y
i
f (x
i
)
# 7e poids attribu 5
( y
i
f (x
i
))
2
est in!ersement proportionnel 5 la !ariance
du terme y
i
f (x
i
) #
7es grandeurs
x
i
et
y
i
sont indpendantes
,)
d'o^ $
,) Parler d'indpendance entre deux !ariables alors que nous
recherchons une relation fonctionnelle entre les deux peut sembler
illogique# Aous faisons ici rfrence 5 la dtermination
OL
# ( y
i
f ( x
i
))=# ( y
i
)+# ( f ( x
i
))
Cn appliquant 5 nou!eau la formule de propagation de la
!ariance $
# ( f ( x
i
))=f ' ( x
i
)
2
# ( x
i
)
d'o^ $ %
2
=
i
$
i
( y
i
f ( x
i
))
2

a!ec
$
i
=
1
c
y
i
2
+f ' ( x
i
)
2
c
x
i
2

,+
Cnsuite
c %
2
ca
k
=0
permet de dterminer les paramtres a
F
de notre fonction 3par un calcul analytique ou une
rsolution numrique4#
q chaque fois nous pou!ons nous ramener 5 un systme
d'quations linaires de la forme BA*T a!ec B une
matrice carre et A le !ecteur associ aux paramtres#
Cnsuite A*B
#"
T o^ B
#"
est la matrice in!erse de B#
7es incertitudes sur les paramtres sont donnes par les
termes diagonaux de la matrice B
#"
$
c
a
k
2
=( &
1
)
kk
c
r
2
o^ c
r
2
correspond 5 la !ariance des
rsidus par rapport 5 la courbe estime#
.uand il n'y a pas d'incertitudes sur les donnes
explicites l'cart8type des rsidus 5 p paramtres s'crit $
exprimentale de chaque grandeur qui est indpendante au sens
des incertitudes de l'autre 3discut dans le complment p,,*4#
,+ S
&
est aussi appel U
&
# Si nous supposons les lois de probabilits
normales les cart8types peu!ent 0tre remplacs par les
incertitudes en utilisant la loi de Student#
O*
s
r
=
.
( y
i
f ( x
i
))
2
np
.uand V
i
dpend de paramtres nous itrons la mthode
;usqu'5 ce que nous puissions considrer les poids
constants# Si nous connaissons les cart8types des
donnes les cart8types des paramtres peu!ent se
calculer a!ec la formule de propagation ou bien 0tre
estims comme en rgression linaire a!ec barres
d'erreurs pN*#
&) Kgression polynomiale
Dans ce cas $

f ( x)=a
0
+a
1
x+a
2
x
2
+...+a
m
x
m
=
i=0
m
a
i
x
i
9ette fonction est non8linaire par rapport 5 x et linaire
par rapport aux paramtres#
=llustrons a!ec l'exemple de la loi de 9auchy due au
phnomne de dispersion de la lumire $
n(\)=a
0
+
a
1
\
2
+
a
2
\
4
a!ec les donnes sui!antes $
W(,m) -O,NK -NL*) -NOLN -N,N) -J*L,
n ,K,)KO ,K,NKL ,K,LN) ,K)K,O ,K+-O-
K-
7es incertitudes sur W et n sont dans un premier temps
ngliges# .ue !alent a
+
a
"
a
&
et leurs incertitudes Q
Aous a!ons une rgression parabolique sous la forme $
f (x)=a
0
+a
1
x+a
2
x
2
a!ec f =n x=1/\
2
#
%
2
=
( y
i
a
0
a
1
x
i
a
2
x
i
2
)
2
et
donne $

ya
o
a
1
xa
2
x
2
=0
x ya
o
xa
1
x
2
a
2
x
3
=0
x
2
ya
o
x
2
a
1
x
3
a
2
x
4
=0
d'o^ BA*T a!ec $
&=
(
1

x x
2
x x
2
x
3
x
2
x
3
x
4
)
'=
(
a
0
a
1
a
2
)
et
(=
(

y
x y
x
2
y
)
#
A!ec un tableur nous pou!ons facilement faire les
calculs $
&
(
1 3,3 11
3,3 11 38
11 38 135
)
&
1
(
4150 2530 376
2530 1546 230
376 230 34,3
)

(
(
1,7
5,7
19
)
d'o^
'=&
1
(
(
1,68129
0,01135
0,00022
)
#
Pour les incertitudes $
Aa
k
=
.
( &
1
)
kk
t
n3
s
r a!ec
s
r
=
.
( y
i
f ( x
i
))
2
n3
K,
c%
2
/ca
k
=0
s
r
*",=<!"+
#/
et 5 *N` de confiance t
n#'
*>,'+
D'o^ $
a
+
*",A="'O+,++"< a
"
*(","'O+,"+)!"+
#&
,m
&
et a
&
*(&,&O",/)!"+
#>
,m
>

Prenons maintenant l'incertitude Jn*+,++++> 5 *N` de
confiance nous a!ons une incertitude sur y et pas sur x#
7es poids sont donc constants $ $
i
=$=1/ An
2
# Aous
par!enons au m0me systme d'quations et de m0me
pour B B
#"
T et A#
=ci en procdant de manire analogue 5 la rgression
linaire a!ec barres d'erreurs nous pou!ons en premire
approche estimer la dispersion des rsidus par
1/
.
$
i
$

Aa
k
=
.
( &
1
)
kk
$
i
d'o^ $
a
+
*",A="'O+,++"& a
"
*(",">O+,+<)!"+
#&
,m
&
et a
&
*(&,&O",+)!"+
#>
,m
>

A!ec l'ensemble des incertitudes Jn*+,++++>
JW*+,++/,m et Jx*&JW.W
'
les poids dpendent du point#
Aous par!enons nanmoins au m0me systme d'quations
en considrant les poids constants sur une itration et
nous calculons B B
#"
T et A a!ec des paramtres estims#
Pour calculer les moyennes nous utilisons l'expression du
poids sui!ante $
$
i
=
1
An
2
+(a
1
+2a
2
x
i
)
2
Ax
i
2
K)
Aous obtenons ainsi une premire expression des
paramtres# Pour itrer nous remplaIons les paramtres
estims par ces nou!eaux paramtres# Aous itrons autant
que ncessaire# 7a con!ergence est sou!ent trs rapide $
=tration a
-
a
,
a
)
Cstims
,N ---N ----,
,
,OL,)L)LJL)-L --,,+N-+K*K)J ----),*O+)),N
)
,OL,)O*LKNJOO --,,+NL)NJK*N ----),LJOOKK,
###
=ci aussi nous prenons $
Aa
k
=
.
( &
1
)
kk
$
i
d'o^ $
a
+
*",A="'O+,++"' a
"
*(",">O+,+=)!"+
#&
,m
&
et a
&
*(&,&O",&)!"+
#>
,m
>

') Kgression non linaire
Aous allons partir de p paramtres a
F
estims et utiliser
une mthode d'itration# Sur chaque itration les poids se]
ront considrs constants et la fonction sera linarise
pour chacun des n points sur l'ensemble des paramtres#
7a fonction dpend des x
i
et des paramtres a
F
nous
posons $
f
i
= f ( x
i
) a
k
)
K+
%
2
=
i
$
i
( y
i
f
i
)
2
et
c %
2
ca
k
=2
i=1
n
$
i
c f
ca
k
( y
i
f
i
)=0
7es premiers paramtres estims sont nots a
+ F
# ensuite
nous les noterons a
E F
pour la E
ime
itration# Aous allons
effectuer un d!eloppement limit d'ordre un pour une
petite !ariation Xa
+ F
autour de a
+ F

,J
#
Aotons a=( a
1,
... , a
k
, ... , a
p
) et
6a=(6a
1,
... , 6a
k
, ... , 6 a
p
) $
f ( x
i
) a
0
+
6a
0
)= f ( x
i
) a
0
)+
l =1
p
6a
0l
(
c f ( x
i
)
a)
ca
l
)
a
0l
soit en allgeant les notations $

f
i
= f
0, i
+
l
(
c f
ca
l
)
0, i
6a
0l

ainsi
i
$
i
c f
ca
k
( y
i
f
0, i
l
(
c f
ca
l
)
0,i
6a
0l
)=0
et
i
$
i
c f
ca
k
( y
i
f
0, i
)=
i , l
$
i
c f
ca
k
c f
ca
l
6 a
0 l
#
Aous posons
&
k , l
=
i
$
i
(
c f
ca
k
)
i
(
c f
ca
l
)
i
=&
l , k

(
k
=
i
$
i
c f
ca
k
( y
i
f
0,i
)
et
'
l
=6a
0l
#
d'o^ 5 nou!eau BA*T et A*B
#"
T# Aous itrons ;usqu'5
con!ergence et !ariations sur les paramtres ngligeables#
,J FATG $ nous gnralisons la notion de dri!e en a;outant les
!ariations selon tous les paramtres $
f ( x
0
+c)f ( x
0
)+c( f ' ( x))
x
0
KJ
=ci aussi nous utilisons $
c
a
k
2
=( &
1
)
kk
c
r
2
!
=llustrons a!ec une exprience de biologie o^ l'on tudie
la relation entre la concentration du substrat hSj et la
!itesse de raction dans une raction en1ymatique 5 partir
de donnes reportes dans le tableau sui!ant hixj $
i , ) + J N O K
hSj --+L -,*J -J)N -O)O ,)N+ )N-- +KJ-
v --N- -,)K --*J -),)) -)K)* -)OON -++,K
Aous souhaitons a;uster sous la forme $
y=
o x
+x
en posant v*y et hSj*x#
Aous partons des estimations Y
+
*+,P et Z
+
*+,&#
c f
co
=
x
+x

c f
c
=
o x
(+x)
2

&=
(
&
11
&
12
&
21
&
22
)

'=
(
o
)
et
(=
(
(
1
(
2
)
#
Cn absence d'incertitudes fournies sur x
i
et y
i
$
&
11
=
i=1
7
(
c f
co
)
o
0
i
(
c f
co
)
o
0
i
=
i
(
c f
co
)
o
0
, i
2
=
i
(
x
i
0
+x
i
)
2
KN
&
12
=&
21
=
i
o
0
x
i
2
(
0
+x
i
)
3
et
&
22
=
i
o
0
2
x
i
2
(
0
+x
i
)
4
#
(
1
=
i
x
i
0
+x
i
( y
i
f
0,i
)
et
(
2
=
i
o
0
x
i
(
0
+x
i
)
2
( y
i
f
0, i
)
a!ec
f
0,i
=
o
0
x
i
0
+x
i
Aous pou!ons maintenant tout mettre dans un tableur
nous obtenons $
&
11
3,81

&
12
=&
21
2,89

&
22
3,70
(
1
2,33
et
(
2
1,86
#
puis
&
1
(
0,649 0,508
0,508 0,668
)
d'o^
'=&
1
(
(
0,567
0,0602
)
#
Ainsi de Y
"
*Y
+
1XY
+
et Z
"
*Z
+
1XZ
+
nous a!ons les
nou!eaux paramtres estims $
o
1
0,90,5670,333
et
1
0,2+0,060,260
Aous replaIons ces !aleurs au dbut des calculs 5 la place
de Y
+
et Z
+
pour itrer# Aous calculons de nou!elles
matrices et !ecteurs B B
#"
T et A et nous obtenons Y
&
et
Z
&
#
KO
Aous donnons l'ensemble des rsultats dans le tableau
sui!ant $
=tratX
Y Z XY XZ S
&
-* -) 8-NK --O- ,JJNJ*ONL,N
,
-+++ -)O --,-, -,OO --,N-K)-KN+
)
-+J+ -J+ --,N- -,-+ ---LJNL+))L
+
-+NL -N+ ---J- --)J ---KLOJ+)J-
J
-+O,J -NNJ ----J ---)J ---KLJJ,L)O
N
-+O,L- -NNO, -----+ ----,L ---KLJJ--OK
O
-+O,L+ -NNO+ ------) -----,+ ---KLJJ--NK
Aprs suffisamment d'itrations $
&
1
(
1,52 6,34
6,34 36,2
)
9alculons les incertitudes sur les paramtres $
s
r
=
.
%
2
n2
et
Ao=
.
(&
1
)
11
t
n2
s
r
.1,52.1,48.
.
0,00784
5
d'o^
Ao0,07

A0,35
#
Hinalement $ Y*+,'AO+,+< et Z*+,/AO+,'/

5 L-`#
KK
3e grap)ique qui suit reprsente la vitesse e raction en (onction e
la concentration u substrat! 3es carrs sont les points
exprimentaux, la ligne continue la courbe optimale et en pointills
les eux courbes extr[mes
f
o
max
,
min
et
f
o
min
,
max
!
0 0,5 1 1,5 2 2,5 3 3,5 4
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
Si nous !oulons considrer les incertitudes pour chaque
point nous de!ons a;outer les poids# 9eux8ci sont
considrs constants sur chaque itration# =l faudra
calculer la dri!e de ( par rapport 5 x qui inter!ient dans
l'expression du poids#
Pour des cart8types sur l'ensemble des donnes nous
pou!ons calculer les cart8types des paramtres en
s'inspirant des mthodes de la rgression linaire pO,#
KL
E. Exercices
Exercice 1 : Corr%lations corrig p143
1$ Hn ralise neu6 e'%riences nous o*tenons A
c"a#ue 6ois trois ralisations des grandeurs W
1
W
2
et
W
(
0
a4 Sur l'ensem*le des e'%riences dterminez les
mo!ennes arit"mti#ues et les cart$t!%es de ces trois
grandeurs.
*4 Jracez W
2
en 6onction de W
1
. Cuis W
(
8W
1
4 et W
(
8W
2
4.
c4 7alculez les coe66icients de corrlation r
12
r
1(
et r
2(
.
7ommentez.
2$ O=me c"ose a+ec les donnes sui+antes 0
($ O=me c"ose a+ec les donnes sui+antes 0
#1 2 #2 0 #2 2 1
#1 0 2 #2 0 2 #1
$
1
$
2
K*
i= 1 2 3 4 5 6 7 8 9
#1 #1 0 0 0 1 1 1
0 #1 1 0 #1 1 0 #1
0 1 #1 0 1 #1 0 1
$
1
x
1
1
= #1
$
2
x
2
1
= 1
$
3
x
3
1
= #1
0 1 #1 2 0 #1 0 #2 1
1 2 #1 2 0 #2 #1 #2 1
$
1
$
2
Exercice 2 : *olumes corrig p144
X l'aide d'une %i%ette &auge nous rem%lissons #uatre
*c"ers a+ec 100 m, d'eau c"acun. Cour tester la
%i%ette et connaYtre %rcisment la #uantit d'eau
nous e66ectuons #uatre %eses au dcigramme et nous
o*tenons ramen en m, les rsultats sui+ants %our
les di66rents *c"ers 0
B
1
R{1001 ; 1000 ; 999 ; 1000}
1$ 7alculez la mo!enne et l'cart$t!%e de B
1
. >stimez la
%rcision de la %i%ette a+ec une con6iance de 929.
)ous rem%lissons maintenant deu' *c"ers et
rassem*lons le contenu des deu' dans un seul 0
/ Y /
1
Z B
2
.
7orres%ondant A B
1
nous a+ons les mesures sui+antes
%our B
2
0
B
2
R{1000 ; 1001 ; 1000 ; 999}
Car e'em%le %our la troisi<me mesure nous a+ons
B
1
R999 m, et B
2
R1000 m,.
2$ Oontrez #ue B
1
et B
2
sont des grandeurs
ind%endantes.
($ 7alculez la mo!enne de B son cart$t!%e et
l'incertitude [B A 929.
3$ Courriez$+ous retrou+er ce rsultat a+ec la 6ormule
de %ro%agation des incertitudes:
56our a77iner le !es! il 7audrai! prendre plus de mesures8
mais le principe res!e le m9me8 e! les rsul!a!s res!en!
:alides car nous a:ons largi a:ec le ;!uden!8 considr des
donnes dcorrles e! des pa<ue!s globalemen! gaussiens'
=ous de:rions aussi !enir comp!e des incer!i!udes sur les
mesures 0rsolu!ion0 en plus de leur dispersion'>
L-
Exercice 3 : +r,res corrig p15$
)ous +oulons mesurer la distance d entre deu' ar*res.
Cour cela nous dis%osons d'un *ton d'une longueur
d'un m<tre. D'un ar*re A l'autre nous re%ortons le
*ton cent 6ois. )ous estimons %our c"a#ue re%ort une
incertitude de 1 cm.
5uelle est l'incertitude sur la +aleur de d :
Exercice 4 : -%thode de .essel corrig p151
7'est une mt"ode de 6ocomtrie #ui %ermet de
mesurer la distance 6ocale 7? d'une lentille
con+ergente. Cour cela on mesure la distance + entre
un o*&et lumineu' et son image sur un cran. 5uand
+@47? il e'iste deu' %ositions o\ l'image est nette. ,a
distance entre ces deu' %ositions est note d. )ous
a+ons ensuite la distance 6ocale de la lentille %ar la
relation 7?A5+B0dB>C4+. )ous mesurons DR2000]10
mm et dR2(1]20 mm.
5uelle est alors l'incertitude sur 7? :
Exercice 5 : /ndice corrig p153
)ous +oulons dterminer e'%rimentalement l'indice
n
2
d'un +erre. Cour cela nous e66ectuons l'e'%rience
de la r6raction d'un 6aisceau laser. ,es lois de
Descartes %our l'o%ti#ue gomtri#ue indi#ue #ue
n
1
.sin8i
1
4Rn
2
.sin8i
2
4 a+ec n
i
les indices lumineu' et i
i
les
angles %ar ra%%ort A la normale au dio%tre. )ous
a+ons n
1
Rn
air
R1 i
1
R(0]1^ et i
2
R20]2^.
Dterminez n
2
a+ec son incertitude.
L,
Exercice : 0ormule de Cauch1 corrig p154
)ous +oulons mesurer la +ariation d'indice
lumineu' n en 6onction de la longueur d'onde D dans
un milieu trans%arent 8%"nom<ne de dis%ersion4.
Cour cela nous utilisons un %risme une lam%e A
sodium et un goniom<tre. D'a%r<s la t"orie la
+ariation de n5D> doit sui+re la 6ormule de 7auc"! dans
le s%ectre +isi*le 0
n(\)='+
(
\
2
,e s%ectre de raie du sodium est connu. Cour c"a#ue
raie de longueur d'onde D
i
on calcule l'indice n
i
corres%ondant en utilisant la 6ormule du %risme
sui+ante 0
n
i
=
sin
(
'+*
m, i
2
)
sin
(
'
2
)
+
m
est la d+iation minimale. AA6$E est l'angle au
sommet du %risme. 7es deu' angles sont mesurs A 2'
%rs 81'Rune minute d'arc et 1^R10'4.
)ous o*tenons ainsi le ta*leau de donnes sui+ant 0
W(nm) O,NK NL*) NOLN N,N) J*L,
9ouleur rouge ;aune !ert8;aune !ert bleu8!ert
@
m
NKX J*N' NLX *' NLX )L' N*X )ON' N*X N-'
n ,K,)KO ,K,NOL ,K,LN) ,K)K,O ,K+-O-
1$ Dterminez l'incertitude sur n 8celle$ci est
glo*alement constante d'une +aleur A l'autre4.
L)
2$ Lcce%tant l'e'%ression en 1CDB de la 6ormule de
7auc"! en dduire A et % a+ec leurs incertitudes.
5ue +aut le coe66icient de rgression r :
($ Ceut$=tre #u'en tra_ant n en 6onction de 1CD ou 1CD
3
nous aurions un meilleur alignement des %oints :
)ous +oulons +ri6ier e'%rimentalement #ue la
+ariation en 1CDB est *ien la meilleure des relations
%ol!nomiales. Cour cela nous %renons la 6orme 0
n(\)='+(. \
o
Cro%osez une mt"ode %our dterminer L Q et `.
)ous %ourrons +ri6ier le mod<le car nous aurons `
a+ec son incertitude.
Exercice " : -ur corrig p156
)ous a+ons un mur d'une sur6ace SR72 m/. ,a
tem%rature e'trieure est de 1^7 et la tem%rature
intrieure est maintenue A 18^7. 7e mur de 20 cm
d'%aisseur est constitu de e
%
R30 cm de %aille
com%resse 8conducti+it t"ermi#ue a
%
R32 m?.@.m4
et de e
e
R10 cm d'enduit 8a
e
R200 m?.@.m4. ,es a sont
donnes A 109 %r<s les %aisseurs au cm et les
tem%rature au demi degr.
1$ Dterminez la rsistance t"ermi#ue a+ec son
incertitudede la %aille %our ce mur 8D.a.SRe4
2$ O=me c"ose %our l'enduit.
($ Sac"ant #ue les rsistances t"ermi#ues s'associent
comme les rsistances lectri#ues en srie
dterminez la rsistance t"ermi#ue totale du mur a+ec
son incertitude.
3$ 5uelle doit =tre la %uissance minimale du c"au66age
de la maison rien #ue %our com%enser les %ertes %ar
les murs : 8bJRD.c4
L+
Exercice 2 : /solation et inertie corrig p15#
)ous a+ons une maison %roc"e des
%rconisations %our une maison nergie Fro. ,es
rsistances t"ermi#ues ramenes au m/ soit e.a sont
%our le toit de 8 m/.@.? %our les murs et le sol de 3
m/.@.? et %our les "uisseries de 1 m/.@.? 8les
rsistances sont connues a+ec une %rcision de 1094.
,a maison a une sur6ace au sol de (1 m/ 23 m/ de toit
82 m/ de mur et 8 m/ d'"uisseries.
1$ ,es rsistances #ui+alentes du toit du mur du sol
et des "uisseries tant en %arall<le dterminez la
rsistance t"ermi#ue totale 8en @.?4 a+ec sa
%rcision.
,es tem%ratures e'trieures et intrieures sont
constantes.
2$ 5uelle doit =tre la %uissance minimale du c"au66age
de la maison %our maintenir la tem%rature intrieure
constante en com%ensant les %ertes :
($ )ous cou%ons le c"au66age et nous mesurons la
tem%rature au cours du tem%s 0
t en heures - , ) J N O L * ,-
T en X9 ,L ,O ,J ,) ,, ,- * * L
>'%li#uez %our#uoi la dcroissance ne %eut =tre
linaire. )ous considrons la dcroissance de t!%e
e'%onentielle 0 J8t4Ra.e'%8$t.d4Z* . Dterminez * a et
d a+ec leurs incertitudes.
3$ ,a maison est isole %ar l'e'trieur. ,e 6lu'
t"ermi#ue %erdu corres%ond A une diminution de
l'nergie emmagasine dans la maison. 7ette inertie
est due A la ca%acit t"ermi#ue 7 des matriau' 8e.@4.
a4 >n raisonnant sur un inter+alle de tem%s
in6initsimal dt trou+ez l'#uation di66rentielle
LJ
+ri6ie %ar J8t4 et retrou+ez l'e'%ression du (.
*4 5uelle est la relation entre d D et 7 : Dterminez 7
et son incertitude.
Au 3' nous pou:ons aussi !enir comp!e des incer!i!udes de
mesure : le !emps peu!09!re considr comme par7ai!emen!
connu e! la !empra!ure es! mesur a:ec un !GermomH!re
dila!a!ion d?un li<uide a:ec des gradua!ions !ous les degrs
"elsius'
6our simpli7ier nous a:ons considr <ue la !empra!ure
ex!rieure res!e cons!an!e 5pour !enir comp!e des :aria!ions
IourCnui! nous en:isagerions des :aria!ions sinusoJdales e!
une approcGe Garmoni<ue>'
Exercice & : 3endement corrig p16$
Des #uantits d'engrais dtermines sont
r%andues sur des c"am%s et nous o*tenons les
rendements sui+ants 0
>ngrais
8fg."a4
100 200 (00 300 200 100 700
Dendement
85."a4
31 33 2( 1( 11 12 78
1$ Dterminez la droite de rgression #ui %asse %ar ce
nuage de %oints. Cente ordonne A l'origine et
incertitudes a+ec une con6iance de 929.
2$ Cour 220 fg d'engrais %ar "a estimez le rendement.
($ O=me c"ose en a*sence d'engrais.
3$ Si un agriculteur r%and 220 fg d'engrais %ar
"ectare #uelle est la %ro*a*ilit #u'il o*tienne 30 A 10
#uintau' de crales :
LN
Exercice 1( : 4tude d'une pile corrig p162
)ous c"erc"ons A dterminer la tension A +ide
> et la rsistance interne r.
Cour cela nous mesurons %our la %ile di66rentes
+aleurs de ; et U a+ec un +oltm<tre et un am%<rem<tre
8; R > $ r.U4 0
cali*re
%our ; 0
unit 0 B
%rcision ]0029 ]000(
; 8B4 3
7(1
3
7(1
3
7(0
3
728
3
723
3
723
3
722
3
721
3
719
3
711
cali*res
%our U 0
unit 0 gL
%rcision
]029 ]00(
unit 0 mL
%rcision ]029 ]0000(
U
92
8(
112
32
122
12
0
2(22
0
3181
0
2200
0
2831
0
1111
0
7720
0
9213
1$ Sans les *arres d'erreurs 0 dterminez >]b> et
r]br.
2$ O=me c"ose en incluant cette 6ois les incertitudes
de c"a#ue mesure indi#ues dans la notice du
6a*ricant du multim<tre.
Exercice 11 : 0ocom%trie corrig p164
)ous dsirons dterminer la distance 6ocale 6'
d'une lentille con+ergente. ,a lentille est en H et 6ait
l'image net en L' d'un %oint o*&et L. )ous mesurons
HL HL' et leurs incertitudes 8sont incluses toute les
sources d'incertitudes gomtri#ues latitude de mise
au %oint et modlisation4. )ous considrons #ue la
lentille +ri6ie la relation de con&ugaison 0
1.HL' Z 1.HL R 1.6'.
Dterminez 6' %ar l'intermdiaire d'une rgression
linaire. Ja*leau %age sui+ante.
LO
%onnes ex&rimenta'es (mm) *
+ +,
635 5 150 15
530 5 160 17
496 5 164 15
440 5 172 18
350 5 191 20
280 5 214 25
210 5 292 28
150 5 730 102
O+ O+,
Th%orie
Exercice 12 :
Cour la rgression sim%le montrez #ue 0
i=1
n
( x
i
x)
2
=n( x
2
x
2
)
Exercice 13 :
Cour la rgression sim%le montrez #ue nous %ou+ons
aussi crire s
!
=s
r
.
1
n
+

x
2
( x
i
x)
2
.
Exercice 14 :
Cour la rgression sim%le montrez #ue 0
A!=
.
x
2
Aa
.
LK
Exercice 15 : +s1mptotes corrig p16#
Cour la rgression sim%le montrez #ue au dessus et
en dessous de la droite de rgression les as!m%totes
des droites e'tr=mes des cour*es de con6iance et de
%rdiction se con6ondent #uand x
o
de+ient grand.
Exercice 1 : /ntervalle de con5iance et de
pr%diction pour la r%gression lin%aire avec ,arres
d'erreurs corrig p16#
Dgression a+ec *arres d'erreurs
1$ Donnez les e'%ressions de x et xB en utilisant les
%oids K
i
. 5uel lien constatez$+ous a+ec l'e'%ression de
L 8%294 :
Lnalogie
2$ X %artir des inter+alles de con6iance et de
%rdiction %our /
o
en rgression sim%le 8%23 et
sui+ante4 dterminez %ar analogie les 6ormules #ui
sui+ent 0
estimation 0 %rdiction 0
Ay
o
=
1
.
n
$
i
.
1+
( x
o
x)
2
x
2
x
2
Ay
o
=
1
.
n
$
i
.
1+n+
( x
o
x)
2
x
2
x
2
($ Dterminez les carts selon / A la droite de
rgression %our les droites e'tr=mes les cour*es de
con6iance et les cour*es de %rdiction #uand x
o
de+ient grand.
Dans un e'ercice %rcdent nous a+ons montr #ue
%our la rgression linaire les as!m%totes se
con6ondaient A l'in6ini. Car analogie #ue doit$on %oser
%our #u'il en soit de m=me en rgression a+ec *arres
d'erreurs :
Oontrer #ue nous a+ons alors les 6ormules sui+antes 0
LL
>stimation 0 Crdiction 0
Ay
o
=
1
.
$
i
.
1+
( x
o
x)
2
x
2
x
2

Ay
o
=
1
.
$
i
.
2+
( x
o
x)
2
x
2
x
2
,es 6ormules ainsi o*tenues %ar analogie sont
em%iri#ues elle sem*lent e'%rimentalement
co"rentes et demandent con6irmation %ar une
dmonstration t"ori#ue.
"ourbes de con7iance e! prdic!ion pour l?exprience du
Fro absolu : M5E"> en 7onc!ion de 65G6a>
Exercice 1" : +utres expressions corrig p164
Cour la rgression a+ec *arres d'erreurs donnez
l'e'%ression de a b La et Lb en 6onction de x / x/ xB
et /B. 7om%arez a+ec la rgression sim%le.
L*
Exercice 12 : -%thode des moindres carr%s
corrig p1#$
Dmontrez %ar la mt"ode des moindres carrs les
e'%ressions de a et b 0
1$ %our la rgression linaire sim%le.
2$ %our la rgression linaire a+ec *arres d'erreurs.
,es Lx
i
et L/
i
sont considrs %etits %ar ra%%ort A x
i
et
/
i
.
Dmonstration des e'%ressions de La et Lb %our la
rgression sim%le 0
&!Gode 1 :
1$ Oontrez #ue a=
i
p
i
y
i
a+ec p
i
=
x
i
( x
i
x)
2
.
2$ Dduire de cette 6ormule de a sa +ariance N5a>
12
.
&!Gode 2 :
;tilisez la 6ormule de %ro%agation des cart$t!%es.
Cour la rgression linaire sim%le %ourriez$+ous
retrou+er a8 b La et Lb en utilisant la mt"ode
matricielle de la rgression gnralise :
Exercice 1& : Esp%rance de a corrig p1#2
Cour la rgression linaire nous notons O et P les
%aram<tres de la %o%ulation 0 -5/
i
>AO x
i
P'
a et b sont les %aram<tres estims A %artir d'un
c"antillon 0 y
i
=a x
i
+!
Oontrez #ue nous a+ons un estimateur non *iais %our
O soit >8a4RO.
,N FATG $ C3PbW4 Y C3P4 b C3W4# Si P et W sont deux !ariables
indpendantes $ /3PbW4 Y /3P4 b /3W4#
*-
Exercice 2( : 4cart6t1pes proportionnels 7 1
corrig p1#2
)ous nous %la_ons dans le cas t"ori#ue %articulier o\
les cart$t!%es de la rgression linaire sont
%ro%ortionnels A / 0
c
y
i
=k y
i
. 7e cas o\ les
incertitudes relati+es sont constantes est e'%ri$
mentalement courant. )ous nous intressons ici au
coe66icient directeur a.
1$ Oontrez #ue 0
a=
1
y
2
x
y
x
y
2
1
y
1
y
2
x
2
y
2
x
y
2
)
2
2$ >'%rimez
ca
c y
j
8calcul long4.
($ 7alculez s
a
en utilisant les e'%ressions trou+es
%our les deu' &eu' de donnes sui+ants 0
x
i
, ) + J N O K
, $ y
i
,- ,N )- )N +- +N J-
) $ y
i
L)LO ,K)LO ,L)LO )K)LO )L)LO +K)LO +L)LO
8)ous %renons QA$814.
Detrou+er ces rsultats a+ec la mt"ode numri#ue
8+aluation des dri+es %ar %etites +ariations4.
7om%arer a+ec les +aleurs o*tenues %ar la mt"ode
classi#ue.
Exercice 21 : /nterpr%tation de l'expression de w
i

corrig p1#4
eusti6iez gra%"i#uement la %osition de a dans l'e'%res$
sion de K
i
.
*,
Rgression non-linaire
Exercice 22 : D%composition en gaussiennes
corrig p1#5
;ne 6a*ri#ue usine des clous. )ous mesurons a+ec un
%ied A coulisse la taille de 38 clous 0
Deu' mac"ines 6a*ri#uent les clous. ,es clous
6a*ri#us %ar une mac"ine n'ont %as e'actement la
m=me taille nous su%%osons #ue la taille est
distri*ue selon un %ro6il gaussien. Dterminer les
caractristi#ues des %ro6ils gaussiens des clous
6a*ri#us %ar c"acune des deu' mac"ines 8ma'imum
mo!enne et cart$t!%e4. 7om*ien de clous ont
6a*ri#us c"a#ue mac"ine :
Cour +ri6ier +os calculs de corrlation +ous %ou+ez utiliser
la 6onction du ta*leur HHo 0
7H>EEU7U>)J.7HDD>,LJUH)8P;PP4.
7our*es 0 UnsertionhDiagramme...hWI8Dis%ersion4hetc.
Cour les calculs matriciels in+ersion de matrices 0
U)B>DS>OLJ8P4 %roduit de matrices 0 CDHD;UJOLJ8P;PP4.
Bous %ou+ez utiliser le 6ic"ier Uncertitudes,i*resHHo(2.ods
sur le site iii.incertitudes.6r %our raliser les rgressions.
Eeuille 2 rgression sim%le et 6euille ( a+ec *arres
d'erreurs.
*)
'''# COMPL+M*!%.
A. /esure a0ec une r-le
Article publi dans le (EP hiij#
KSSLDS
3a mesure 5une graneur par un systme
5acquisition inuit e part sa rsolution une erreur e
iscrtisation! 4ous nous attac)ons ici 6 la mesure 5une
longueur avec une rgle graue! $e type e mesure nous
amne 6 consirer une loi e probabilit continue
uni(orme! 4ous utilisons ensuite un prouit e
convolution pour terminer l5incertitue avec sa
con(iance 5une somme e longueurs! 4ous gnralisons
(inalement au cas gnral u calcul 5incertitues pour
es variables alatoires inpenantes en utilisant la
(ormule e propagation es erreurs!
=AT:<DE9T=<A
Aous !oulons mesurer des longueurs et !aluer les
incertitudes le plus prcisment possible# =ncertitudes sur
les !aleurs mesures et leurs sommes# Aous disposons
dsune rgle de ,Ncm gradue au millimtre et de deux
;eux de cartes# 7a rgle est suppose parfaite et les cartes
de chaque ;eu 5 lsidentique#
*+
,# FCSE:C DC 7A 7<ADECE: DsEAC 9A:TC
Aous plaIons la
graduation du 1ro
sur le bord gauche
de la carte# Sur le
bord droit nous
considrons la
graduation la plus
proche du bord#
7'exprimentateur
ne lit pas entre les
graduations# 7'paisseur des traits qui dlimitent une
graduation est considre comme ngligeable de!ant la
largeur de cette graduation# Aous obtenons ainsi pour le
;eu ,$
x
1
=8,4!0,05cm.
*J
Pour le ;eu )$
x
2
=11,2!0,05cm.
Aous acceptons une perte d'information due 5 la
rsolution +=1mm de la rgle# 7orsque ultrieurement
nous exploitons ces donnes toutes les !aleurs entre
x
min
=x
moy
+/ 2
et
x
max
=x
moy
++ / 2
sont
quiprobables# 7a loi de probabilit de la !ariable
continue alatoire P est uniforme# x est une ralisation
de P# 9ette distribution de probabilit a une tendue
E=x
max
x
min
et nous !rifions pour la densit de
probabilit f ( x) $
+
f ( x) dx=1
7a probabilit pour que la !aleur de P soit comprise entre
x et x+dx est de f ( x) dx # 7e rsultat sera compris
a!ec certitude entre
x
min
et
x
max
$ par exemple
x
1
=8,4!0,05cm
5 ,--` de confiance mais
x
1
=8,4!0,04 cm
a!ec une probabilit de L-`#
*N
Pour caractriser l'talement d'une distribution
considrons l'tendue C et l'cart8type , dont la
dfinition pour une loi continue est$
# =c
2
=
( xx
moy
)
2
f ( x)dx
/ est appele la !ariance# Pour une loi uniforme$
c=6/
.
120,296
et nous a!ons
x=x
moy
!,
a!ec une confiance de NL`#
7'cart8type est une grandeur adquate pour caractriser la
largeur d'une distribution# 7'tendue quant 5 elle est
dfinie par les !aleurs extr0mes qui peu!ent 0tre peu
reprsentati!es ou pire des !aleurs aberrantes#
)# 7<ADECE: DCS DCEP 9A:TCS F=SCS (<ET q
(<ET
Aous souhaitons dterminer l'incertitude sur x
a!ec
x=x
1
+x
2
# Si nous traIons
x
2
en fonction de
x
1

l'ensemble des points possibles forme un domaine carr#
7'ensemble des points tel que x soit constant est une
portion de droite de pente 8, et d'ordonne 5 l'origine x $
x
2
=x
1
+x
# =l n'y a qu'un cas qui ralise
x=x
min
soit
x
1
=x
1min
) x
2
=x
2 min
au point A sur la figure# Par
contre sur l'ensemble du segment h9Dj
x=x
moy
# Aous
comprenons que toutes les !aleurs de x ne sont pas
quiprobables#
*O
7a loi de probabilit f de P se calcule 5 partir de celle
f
1
de P
,
et
f
2
de P
)
# Pour une somme de !ariables
alatoires indpendantes le rsultat est donn par un
produit de con!olution hiiij $
f ( x)=
f
1
( y) f
2
( xy )dy =
xx
min
= f ( x )=0
x
min
xx
moy
= f ( x)=
( xx
min
)
6
2
x
moy
xx
max
= f ( x)=
( x
max
x)
6
2
x>x
max
= f ( x)=0
*K
Aous a!ons alors une loi de probabilit triangulaire#
Aous obtenons x=19,6!0,1cm a!ec ,--` de
confiance et x=19,6!0, 055cm a!ec L-` de
confiance#
+# AAA7<D=C A/C9 7C 7AA9C: DC DCEP D@S
Pour chaque d les six !aleurs sont quiprobables#
=ci la loi de probabilit n'est plus continue mais discrte#
Pour le lancer simultan de deux ds la somme des
!aleurs obtenues est comprise entre deux et ,)# Dans ce
cas il n'y a plus quiprobabilit une manire de faire
deux a!ec un double un deux manires de faire trois a!ec
un et deux ou deux et un### Pour faire sept nous obtenons
le maximum de possibilits# Aous retrou!ons ainsi une loi
triangulaire#
J# 7<ADECE: DC DCEP 9A:TCS D'EA FtFC ?CE
F=SCS (<ET q (<ET
*L
7es cartes d'un ;eu tant supposes identiques si la
longueur de l'une d'elle est surestime il en sera de m0me
pour la deuxime# Dans ce cas les erreurs s'a;outent et ne
peu!ent pas se compenser# Pour deux cartes diffrentes la
premire mesure pou!ait 0tre sous8estime et la deuxime
surestime une compensation pou!ant alors se produire#
=ci ce n'est plus le cas et pour
- =-
i
+-
i
'
nous
obtenons une loi de probabilit 5 nou!eau uniforme de
largeur ) + # Aos !ariables alatoires ne sont plus
indpendantes#
Pour le ;eu ,$
x
1
=8,4!0,04 cm=x=2x
1
=16,8!0, 08cm
5 L-` de confiance#
N# S<FFC DC A 7<ADECE:S =AD@PCADAATCS
Aous a!ons - =
i=1
.
-
i
# 9haque longueur
-
i

suit une loi uniforme de largeur + # Pour la somme de
neuf !ariables alatoires indpendantes aprs itration du
calcul nous obtenons la courbe sui!ante $
**
Aous a!ons dans ce cas
x=x
moy
!0,11cm
5 L-`#A
,--` de confiance
x=x
moy
!0, 45cm
ce qui amne 5
considrer des domaines o^ la probabilit de prsence de
P est !raiment ngligeable# Ene incertitude de -JNcm
semble inutile alors que **` des cas taient d;5 prsents
a!ec une incertitude de -))cm#
:aisonner a!ec une confiance de ,--` re!ient 5
considrer l'tendue celle8ci est additi!e pour une somme
de !ariables# 7'tendue est proportionnelle 5 A#
,--
L-` *N` **`
AY, -J- -JL -N-
) -NN -KL -*-
+ -OO -*K ,,*
J -KN ,,) ,J,
N -LJ ,)N ,O-
O -*) ,+L ,KO
K -** ,J* ,*,
L ,-O ,N* )-N
* ,,) ,O* ),L
,- ",& ",= &,'
)- ",< &,/ ','
N- &,A >,+ /,&
,-- ',< /,< <,>
Fais cette approche ne tient pas compte d'une chose$ la
courbe se resserre autour de la moyenne quand A
augmente#=l existe une autre grandeur additi!e$ la
!ariance# 7'cart8type racine de la !ariance est
proportionnel 5 uA et tient compte des compensations
d'erreurs#
7a courbe obtenue est ce qu'on appelle une courbe en
cloche# En thorme statistique appel thorme central
limite indique que pour A grand la courbe tend !ers une
gaussienne# 7'tendue d'une gaussienne est infinie pour un
cart8type fini#
Aous pou!ons rsumer l'!olution de l'incertitude
sur la somme de A longueurs indpendantes mesures
a!ec une m0me rsolution + dans un tableau# Cn
,-,
italique 5 partir de AY,- il s'agit de simulations
numriques ralises sur ordinateur par gnration de
nombres alatoires#
7es rsultats des mesures sont sou!ent donns
a!ec une confiance de *N` ce qui correspond pour une
gaussienne 5 une incertitude d'en!iron 2 #
O# AET:CS APP7=9AT=<AS
En coureur souhaite mesurer son temps de
parcours# Sa montre 5 affichage numrique indique qu'il
part 5 10/52min et qu'il arri!e 5 11/11min #
7'affichage est 5 la minute il est donc partit entre
10/52min 00 s et 10/52min 59s # D'o^ la date de
dpart dans l'inter!alle
t
1
=10 /52min30 s!30 s
# 7a
rsolution est d'une minute# 7a dure du parcours est
At =t
2
t
1
# 7es rsultats restent !rais pour une
diffrence# Aous a!ons AY) et At =19min!47s a!ec
*N` de confiance#
F0me dmarche si des tudiants mesurent une diffrence
d'angles sur un goniomtre# 9haque mesure tant 5 la
minute d'arc prs l'incertitude du rsultat est de JK
secondes d'arc 5 *N`#
Sept personnes !eulent rentrer en m0me temps
dans un ascenseur# Sa charge maximale est de N--Vg#
7eurs masses indi!iduelles sont mesures a!ec un pse
personne d'une rsolution de un Vilogramme# 7a masse
totale est de J**Vg# .uelle est la probabilit d'0tre en
surchargeQ
,-)
Pour AYK l'incertitude atteint un Vilogramme a!ec une
confiance de L-`# =l y a donc une chance sur dix pour
que l'ascenseur soit en surcharge#
Au laboratoire de nombreux appareils de mesure
disposent d'affichages numriques# 7a rsolution est au
dernier digit prs# Fais l'incertitude globale est bien
suprieure# =l faut consulter la notice de chaque appareil#
9<A97ES=<A
7a dmarche gnrale consiste 5 combiner des lois
de probabilits# 7'outil mathmatique utilis est un
changement de !ariables puis une ou plusieurs
intgrations# Pour la mesure a!ec une rgle dcrite dans
cet article il s'agissait d'une somme de deux !ariables
alatoires indpendantes et nous a!ons obtenu un produit
de con!olution#
Si l'on !eut faire un calcul plus rapide une analyse
de !ariance peut suffire# Aous a!ons une !ariable
alatoire - qui dpend de A !ariables alatoires
indpendantes
-
i
$
- =f ( -
1
, -
2
,. .. , -
i
, .. . , -
.
)
#
Aous appelons
,
i
l'cart8type de
-
i
et , celui de - #
Pour des
,
i
finis et de petites !ariations nous a!ons la
formule de propagation des cart8types hi!j $
c
2
=
i=1
n
(
c f
c x
i
)
2
c
i
2
Ct indpendamment des lois de probabilits cette
relation entre les !ariances reste !raie# <n pourra ainsi
donner son rsultat a!ec une incertitude 5 2 ou 3 #
,-+
Cxiste8t8il une formule analogue en terme de confianceQ
<ui mais elle est approximati!e c'est la formule de
propagation des incertitudes$
A f
2
=
i =1
n
(
c f
cx
i
)
2
A x
i
2
a!ec
x
i
=x
i moy
!Ax
i

f = f
moy
!A f
et une confiance
constante# 9ette formule est trs pratique et permet un
calcul rapide et raisonnable des incertitudes combines#
.ui plus est elle est exacte si la forme des distributions
est la m0me pour X et les
-
i
# Par exemple si les
-
i
sont
5 distribution gaussienne toute combinaison linaire l'est
aussi#
Aous tenons ainsi compte des compensations et nous
!itons d'utiliser la formule
A f =
i=1
n
c f / c x
i
Ax
i
qui
surestime les incertitudes parfois m0me a!ec un tel excs
que l'on en perd son sens physique# 9ette dernire
formule ne tient compte d'aucunes compensations on a la
pire des situations statistiquement improbable# =ci par
exemple pour A Y ,-- on aurait une incertitude de N- +
au lieu de NK + dans la pratique 3confiance de *N`4#
Dans cet article nous nous sommes concentr sur
la rsolution d'un systme d'acquisition qui donne une
erreur de discrtisation# Fais on peut aussi 0tre amen 5
considrer des erreurs systmatiques et des erreurs
alatoires# =ci la rgle tait suppose parfaite c'est 5 dire
;uste et fidle#
,-J
B. /trolo-ie
5# *6emples
=ntressons8nous 5 deux instruments de mesure particuliers $ un
chronomtre et un ampremtre#
/esure d'une dure a0ec un chronomtre 1
Aous mesurons la dure d'un phnomne# Aous supposons
que l'exprimentateur appuie aux bons moments pour mesurer
ce que l'on appelle les dates initiale t
"
et finale t
&
# Pour 0tre un
bon exprimentateur il faut a!oir une connaissance minimale
de ses instruments de mesure# En chronomtre du type utilis
ici fonctionne a!ec un quart1 trs prcis# 7a dri!e est d'une
quin1aine de secondes par an soit en!iron -----J secondes
sur notre exprience# =ci nous ngligeons la dri!e# Aous pou]
!ons supposer le chronomtre parfait 3;uste et fidle4# Seule la
rsolution !a inter!enir 3v Y ,&,- me de seconde4#
'min'&,</s \ t
"
\ 'min'&,=/s
>min//,A/s \ t
&
\ >min//,</s
et * t
&
# t
"
7es lois de probabilit de t
"
et t
&
sont uniformes et celle de
triangulaire 3!oir article prcdent4#
D'o^
,O
d
d
Yv&uOn-J,v wd n -KL v 3tableau page ,-,4
,O 9alculons l'cart8type d'une distribution triangulaire 3aprs
recentrage4 $ c
2
=
6
0
x
2
( x+6)
6
2
dx+
0
6
x
2
(6x )
6
2
dx=
6
2
6
# <u si
nous utilisons la formule de propagation des cart8types on trou!e
,-N
d Y L)*-- e --KL s et wd&dn-,` a!ec *N` de confiance#
Faintenant si le phnomne durait plusieurs mois l'incertitude
la plus grande serait la dri!e le chronomtre ne serait plus
;uste# Aous !oyons que l'ensemble de la situation
exprimentale est 5 prendre en compte et pas seulement
l'instrument de mesure#
Aous pourrons incorporer cette incertitude systmatique de
dri!e par la connaissance de la !aleur du biais#
Si la dri!e n'est pas connue nous pou!ons prendre ,--
chronomtres identiques que nous lanIons simultanment#
Aous aurons au final une dispersion alatoire des !aleurs qui
donne une incertitude lie 5 la dri!e#
/esure d'un courant a0ec un ampremtre 1
7'ampremtre plac en srie dans un circuit mesure le
courant de la branche o^ il est situ#
Aous choisissons le calibre adapt ici pour des courants de )-
5 )-- mA et nous mesurons $ = Y ,LO+- mA#
.uelle est l'incertitude sur = Q
Aous pourrions penser comme pour le chronomtre qu'elle est
sur le dernier digit en fait la notice indique une plus grande
que pour une somme ou diffrence de n grandeurs de m0me
cart8types nous a!ons d
n
Y un d
,
# =ci d
)
Y u) d
,
Y u) v &u,) Y
v&uO#
,-O
incertitude $
D'o^ w= Y -K`x,LO+-mA b +x,-xA#
Pour simplifier nous pou!ons considrer que les
indications des fabricants sont donnes a!ec
une con7iance de /01 et un pro7il ,aussien#
Alors = Y ,LO+- e ,+J mA
a!ec un ni!eau de confiance de *N`
3,LJ*O mA y = y ,LKOJ mA4
Cssayons de retrou!er l'erreur systmatique donne par le
fabricant en regardant l'erreur alatoire donne par ,)
ampremtres de m0me modle# Aous les plaIons en srie et
ainsi ils mesurent tous la m0me grandeur $
,-K
7e calcul de l'cart8type donne $ s
M
* +,&" mA le coefficient de
Student !aut t * &,& d'o^ JM * t ! s * +,>/ mA#
Soit = Y ,LOJ- e -JN mA a!ec un ni!eau de confiance de *N`
3,LN*J mA y = y ,LOLN mA4#
7'incertitude est ici 5 peu prs + fois plus faible ce
qui est normal car nous a!ons une meilleure
connaissance de la moyenne 3JM * t ! s . 7n * +,"'
,-L
I (mA)
186,30
186,40
186,24
186,19
186,39
186,22
186,64
186,40
186,23
186,91
186,36
186,47
1
8
6
,
0
5
1
8
6
,
1
5
1
8
6
,
2
5
1
8
6
,
3
5
1
8
6
,
4
5
1
8
6
,
5
5
1
8
6
,
6
5
1
8
6
,
7
5
1
8
6
,
8
5
1
8
6
,
9
5
1
8
7
,
0
5
0
1
2
3
-ourant (m+)
.
r
q
u
e
n
c
e
mA4# Si nous considrons l'ampremtre pour lequel
=Y,LO*,mA seule l'incertitude systmatique plus grande
fournie par le constructeur garantie un bon encadrement#
Par ailleurs l'incertitude du constructeur concerne l'ensemble
des ampremtres de ce modle qu'il produit et pas seulement
ceux li!rs au lyce# Aussi nous de!ons considrer pour la
comparaison des rsultats que les ,) ampremtres n'ont pas
t recalibrs a!ec un talon depuis leur achat d'il y a plus de
,N ans#
8# !ormes
Pour dterminer rigoureusement l'incertitude il faudrait que
tous les fabricants donnent la confiance de leurs incertitudes et
les profils des lois de probabilit#
Pour contribuer 5 une information complte sur l'expression de
l'incertitude et fournir une base pour la comparaison
internationale des rsultats de mesure 3e comit international
es pois et mesures et l']rganisation internationale e
normalisation ont d!elopps un guide h!iij#
=l s'agit de mettre en place des mthodes d'!aluation et
d'expression des incertitudes harmonises pour tous les pays et
tous les domaines 3de la sant de la scurit industriel
commercial etc#4#
"# (ocabulaire
.ue l'on parle a!ec le !ocable de la statistique ou a!ec celui de
la mtrologie les notions sont les m0mes# Pour aider 5 faire la
;onction nous a!ons synthtis certaines expressions courantes
dans un tableau# Sur une m0me ligne !ous trou!ere1 les termes
qui!alents#
,-*
statistique h!ij hi!j mtrologie h!j h!iij h!iiij
grandeur 5 mesurer P mesurande F
mesure action de mesurer mesurage
ensemble des mesures Sx
i
e wx
i
U rsultat du mesurage
x
i
une mesure m
i
P Y x e wx rsultat d'une mesure F Y m e wF
dispersion
fidlit
3rptabilit et
reproductibilit4
erreurs
alatoires
3accidentelles4
erreurs de
type A
;ustesse biais
erreurs
systma8
tiques
erreurs de
type (
rsolution
3sensibilit4
3erreur de4
discrtisation
x
3esprance4
moyenne de la population
3sou!ent inconnue4
la !aleur !raie
F
!rai
x moyenne de l'chantillon m ou m
d $ cart8type de la population 3sou!ent inconnu4
s s
x
cart8type
de l'chantillon
cart8type
exprimental
s
exp
s & un s
x
cart8type estim
de la distribution
d'chantillonnage
incertitude8
type
s Y s
exp
& un
coefficient de Student t
wx Y t # s & un
facteur d'largissement F
wF Y V # s
wx
incertitude
3incertitude absolue4
incertitude8type
largie
wF
wx & x prcision 3incertitude relati!e4 wF & m
,,-
:emarques $
Plus le biais est grand moins la mesure est ;uste#
Plus les mesures sont disperses moins la fidlit est
bonne#
7'cart8type de l'chantillon est un estimateur biais de
l'cart8type de la population#
Dans ce li!re nous a!ons !it de parler d'erreur nous
a!ons prfr le terme incertitue# Cn mtrologie nous
parlons de diffrentes erreurs 3erreur de mesure erreur
alatoire et erreur systmatique4#
Aous utilisons le terme cart pour la diffrence entre la
moyenne de la mesure et la !aleur attendue 3une !aleur
donne par le fabricant ou dans les tables4#
9# Mthode simpli7ie d'valuation de l'incertitude de
t3pe )
Si le fabricant donne des limites et que l'on ne dispose d'aucune
autre information il est raisonnable de supposer la probabilit
gale sur l'inter!alle et nulle en dehors# Aous utilisons alors les
caractristiques d'une loi uniforme 3h!iij p)+ et h!j pK4 $
9as $ =ncertitude8
type $
=ncertitude
largie $
Appareil 5 cadran lecture
d'un rglet digit etc#
:solution $
X * x
max
#x
min
x * x O X.&
s
x
=
6
.
12
Ax=k s
x
3F*& 5 *N`4
7e constructeur fournit la
classe $ % a
a correspond 5 X.&
s
x
=
a
.
3
,,,
:emarques $
Pour le premier cas nous ne disposons pas
d'information du constructeur dans le second il fournit
ce que l'on appelle la classe a de l'appareil#
Aous prenons VY) a!ec une confiance de *N` comme
si nous a!ions une gaussienne 3approximation4#
Si la notice est conIue selon cette norme nous aurons
pour l'ampremtre 3tudi page ,-K4 s
=
Y ,+J mA et =
Y ,LO+- e )OL mA 5 *N`#
Sur le matriel de !errerie ;aug la classe
est tou;ours indique#
Par exemple sur une pipette ;auge de )N
m7 nous a!ons les indications sui!antes $
7a classe est --O m7 d'o^ s
!
Y --+N m7 et / Y )N e
--K m7 a!ec une confiance de *N`# 7a prcision sur
le !olume est de -)L`#
Pour une rsistance K de ,---z et d'une prcision de
N` 3brun noir rouge or4 nous a!ons $
AR=2. 1000.(5/100)/
.
358D
5 *N` de confiance#
R=1000!58D
et
AR/ R5,8
`#
Pese $ une balance numrique de rsolution -,g
indique une masse m de K+Kg#
Am=2. 0,1/
.
120,06 g
m=73,70!0,06 g
5
*N`#
Am/ m0,08
`
Par la mthode d'autocollimation nous mesurons la
distance focale (5 d'une lentille con!ergente mince#
7'image est nette 3latitude de mise au point4 de
(5
min
*"P/mm 5 (5
max
*&+'mm# D'o^ s
optique
*&,'"mm#
s
gomtrique
*+,&Pmm 3X de "mm du banc d'optique4 et
s
molisation
*+,/=mm 3paisseur de &mm de la lentille4#
s=
.
s
o
2
+s
g
2
+s
m
2
f
'
=199,0!4,8mm( 95%)
,,)
C. Thermodynami2ue
Aous allons tudier la dtente de ?oule et Day87ussac# Pour
cette dtente nous allons utiliser deux mthodes pour
dterminer les fluctuations de la pression dans l'tat final $ l'une
classique en thermodynamique l'autre en utilisant la formule
de propagation# Dans ce cadre nous montrerons que cette
formule est en accord a!ec les lois de la physique#
5# Description de la dtente de :oule ;a3Lussac
Aous a!ons deux enceintes aux parois indformables et calori]
fuges pou!ant communiquer au moyen d'un robinet# =nitiale]
ment un fluide est enferm dans l'un des compartiments l'autre
compartiment est !ide# Aous ou!rons le robinet et une dtente
dans le !ide se produit# 7a pression s'galise#
,,+
Aous considrerons le cas o^ les deux enceintes ont le m0me
!olume#
De plus le fluide tudi sera un ga1 parfait $ le premier prin]
cipe de la thermodynamique permet alors de montrer que la
temprature finale est gale 5 la temprature initiale $ H
I
*H
M
T et
pour les !olumes G
I
*&G
M
#
8# <3poth&ses du ,a= par7ait
7es molcules sont considres ponctuelles identiques et sans
interactions entre elles# Clles !oluent donc de manire tout 5
fait indpendante elles s'ignorent mutuellement et les seuls
contacts des particules sont a!ec les parois des rcipients#
7eurs chocs sur les parois exercent une pression celle8ci d]
pend de la densit des particules et de la temprature $
P# =n R" =P=n
*
k
(
"
a!ec
.=n. .
'
et n
*
=. /#
n $ nombre de moles de ga1 dans la bo6te
4 $ nombre de molcules de ga1 dans la bo6te
n
^
$ densit de particules
3nombre de particules par unit de !olume4
k
(
=R/ .
'
$ constante de (olt1mann
K $ constante des ga1 parfaits 4
A
$ nombre d'A!ogadro
Aous a!ons ici les m0mes tempratures initiale et finale ainsi
P
I
*P
M
&) et la pression est directement proportionnelle 5 la
densit de particules $
Pn
*
,,J
"# <3poth&ses de la ph3sique statistique
Aous distinguons l'tat macroscopique du ga1 appel macro]
tat 3dcrit par les !ariables d'tats de la thermodynamique
telles la pression et la temprature4 de tous les tats microsco]
piques correspondants appels microtats 3dcrit par les posi]
tions et les !itesses indi!iduelles de toutes les molcules du
ga14# En exprimentateur 3macroscopique4 qui obser!e la d]
tente ne peut mesurer que le nombre total de particules 3et donc
la pression4 dans chaque compartiment# =l n'a pas accs 5 l'en]
semble des informations microscopiques du systme $ par
exemple il ne sait pas si une particule donne A est dans le
compartiment de gauche ou de droite il peut seulement en
conna6tre la probabilit#
Aous noterons F le nombre total de molcules dans le comparti]
ment de gauche#
=maginons notre ga1 constitu de cette seule particule deux
possibilits $
F*+ p*".& ou F*" p*".&
7es deux microtats possibles ont la m0me probabilit p et
correspondent chacun 5 un macrotat#
Aotre ga1 a maintenant deux particules 4*& $
,,N
7e macrotat F*" est reprsent par deux microtats#
:egardons aussi le cas 4*' $
Allons encore plus loin pour 4*> $
macrotats F*+ F*" F*& F*' F*>
microtats 3A(9D4
3A(9D4
3(A9D4
39A(D4
3DA(94
3A(9D4
3A9(D4
3AD(94
3(9AD4
3(DA94
39DA(4
3(9DA4
3A9D(4
3A(D94
3A(9D4
3A(9D4
probas p*"."A p*".> p*'.= p*".> p*"."A
Aous !oyons que plus le nombre de particules est grand plus
les macrotats autour de k . /2 sont probables#
Aous a!ons deux principes physiques $
les microtats sont quiprobables#
hypothse ergodique $ au cours du temps tous les
microtats sont indiffremment balays et le systme
reste un temps qui!alent dans chacun deux#
,,O
9# +tat le plus probable et 7luctuations
Aous comprenons maintenant que le systme sera la plupart du
temps dans le macrotat F*4.& 3prenant 4 pair ce qui ne res]
treint pas notre tude car 4 est trs grand et nous ne sommes
donc pas 5 une particule prs4#
Aombre de microtats _ et probabilit p
pour un macrotat F donn $
D=C
.
k
=
. 0
k 0 ( .k )0
et p( k )=
C
.
k
2
.
Hinalement cela !a se passer autour de 4.& alors symtrisons
et posons F*4.&1i d'o^ $ D=. 0 /( . / 2+i) 0( . / 2i ) 0
Aous cherchons l'expression de p(i) pour 4 grand et i petit uti]
lisons la formule de Stirling ln( n0)nln (n)n a!ec n grand
et le d!eloppement limit ln( 1+1)1 a!ec { petit T nous
a!ons alors $ ln| p(i )4i
2
/ . et p(i )e
4 i
2
/ .
#
7a probabilit obtenue obit 5 une loi gaussienne#
Dterminons l'cart8type $
p(!c)
p
max
=
1
.
e
d'o^ c
.
.
2
#
Aous a!ons l'incertitude relati!e 5 un sigma pour le nombre de
particules et donc aussi pour la pression $
c
./ 2
. / 2
=
1
.
.
et
c
P
P
=
1
.
.
4 est grand ainsi la pression fluctue trs peu et est parfaite]
ment dfinie#
,,K
0# Utilisation de la 7ormule de propa,ation
Aous a!ons 4 particules de pression p
E
qui contribuent ou pas
5 la pression du compartiment de droite $ P=
j=i
.
p
j
#
Si la particule est dans le compartiment de gauche p
E
*+ si elle
est 5 droite p
E
*P
I
.(4.&)# Donc
c
p
=P
2
/ .
3m0me principe
que les pices page L4# Cn utilisant la formule de propagation
des cart8types nous obtenons $ c
P
=
.
. c
p
et
c
P
P
=
1
.
.
># Conclusion
7a formule de propagation permet de retrou!er rapidement le
rsultat de la physique statistique#
Si nous faisions l'erreur de considrer que les incertitudes
s'a;outent nous aurions
P
2
=P
2
!P
2
# Ainsi la pression et
toutes les !ariables d'tat de la thermodynamique ne seraient
pas dfinies# De plus cette dtente dmontre irr!ersible en
!ertu du second principe de!iendrait r!ersible#
Aous !oyons 5 nou!eau sur cet exemple que la formule de
propagation n'est pas seulement un outil rigoureux pour le cal]
cul des incertitudes mais participe aussi aux fondements des
lois de la nature#
,,L
D. )ndpendance des 0ariables
9onsidrons un systme# Aous mesurons deux gran]
deurs associes 5 celui8ci# Aormalement les deux processus de
mesure s'effectuent indpendamment# 7'action de mesurer la
premire grandeur fournit un ensemble d'obser!ations relati!es
5 cette grandeur# 9es obser!ations ont un centre et une disper]
sion# Dans un second temps nous mesurons le deuxime gran]
deur et il n'y a aucune raison que cette deuxime collecte d'in]
formations soit perturbe par la premire# 7es fluctuations de la
premire ne sont pas corrles a!ec celles de la deuxime#
Cn effet la plupart du temps le mesurage ne modifie pas le
systme et les diffrents processus de mesure n'interagissent
pas entre eux#
Cxemple $ nous a!ons un systme lectrique en rgime
stationnaire constitu d'un gnrateur de tension continue L qui
alimente une rsistance K parcourue par un courant M# Aous
a!ons la relation thorique L*KM et nous souhaitons estimer K#
Aous effectuons ,-- obser!ations de la tension L 3nous pou]
!ons prendre ,-- !oltmtres diffrents4 et nous en dduisons L
et JL# Dans un second temps nous procdons de m0me pour M
d'o^ M et JM# Acessairement le coefficient de corrlation r
LM
entre SL
"
### L
"++
U et SM
"
### M
"++
U est nul# 7es grandeurs L et M
sont indpendantes# D'o^ K*L.M et JK.K*7(JL.L`1JM.M`)#
Deuxime exemple $ nous lanIons quatre ds quilibrs
six faces de couleurs diffrentes# Aous calculons la somme $
,,*
S*
"
1
&
1
'
1
>
# Si les lancers des trois premiers ds donnent 5
chaque fois O cela ne pr;uge en rien la probabilit d'obtenir O
a!ec le quatrime d c'est tou;ours une chance sur six# Aos
quatre grandeurs sont indpendantes# 9onclusion $ quelque soit
i,E*",&,',> a!ec i=j r
iE
*+ et c
%
2
=c
1
2
+c
2
2
+c
3
2
+c
4
2
#
=l existe une gnralisation de la formule de propaga]
tion des cart8types dans le cas de grandeurs corrles mais
dans la plupart des cas nous n'a!ons pas 5 l'utiliser $
c
f
2
=
j
(
c f
c x
j
)
2
c
j
2
+2
ij
(
c f
c x
i
)(
c f
cx
j
)
r
ij
c
i
c
j
:emarques $
c
f
c f / cx
i
c
i
#
si
f =x
1
+x
2
c
1
=c
2
et
r
12
=1
alors
c
f
=0
#
,)-
'(# D*(O'R.
Dure de composition d'une heure pour chaque
de!oir# 9alculatrice autorise# Documents ordinateurs et
tlphones interdits# Toutes les rponses doi!ent 0tre
;ustifies et clairement explicites# 7es tables de Student
et de Vhi deux sont fournies ainsi qu'un formulaire a!ec
la formule de l'cart8type et celle du coefficient de
corrlation#
Cxtraits de de!oirs donns en deuxime anne d'cole
d'ingnieur 3@cole Gubert 9urien & Fa6trise de l'efficacit
nergtique4#
A. De0oir *uricate
Exercice 3 45 pts6 1
Aous lanIons quatre pices quilibres#
.uelle est la probabilit d'en a!oir quatre qui tombent
du cot pileQ
F0me question pour a!oir trois faces et un pile suite au lancer
des quatre pices#
Aous allons maintenant nous intresser 5 la composition de
diffrentes eaux minrales $
,),
Calcium Bicarbonates Magnsium
Chlorures
Sulfates Potassium Sodium pH
mg/L mg/L mg/L mg/L mg/L mg/L mg/L
Evian 78 357 24 4,5 10 1 5 7,2
Badoit 190 1300 85 44 38 10 165 6
Contrex 486 403 84 10 1187 3,2 9,1 7,2
Hpar 555 403 110 11 1479 4 14 7,2
St-Yorre 90 4368 11 322 174 132 1708 6,6
Vittel 202 402 43 8 336 2 4,7 7,5
Volvic 11,5 71 8 13,5 8,1 6,2 11,6 6,95
Vichy clestin 103 2989 10 235 138 66 1172 6,8
Salvetat 253 820 11 4 25 3 7 6
Exercice & 47 pts6 1
Aous allons tout d'abord considrer la quantit ( de
bicarbonates en mg&7 $
a4 Dtermine1 la !aleur moyenne ( de (#
b4 9alcule1 l'cart8type
B
sur (#
c4 A!ec une confiance de *N`
quelle est l'incertitude ( Q
Aous considrons maintenant la concentration S en sulfates#
d4 7es grandeurs ( et S sont8elles corrles Q 3si la !aleur
absolue du coefficient de corrlation r est infrieure 5
la !aleur critique r
c
ici gale 5 -N) les grandeurs
peu!ent 0tre considres comme indpendantes4#
e4 Dtermine1 la teneur moyenne totale S( SU en mg&7
des bicarbonates et sulfates a!ec son incertitude#
,))
Aous considrons une population d'un pays constitue
de pau!res et de non8pau!res# 7es pays est dcoup en quatre
rgions# Dans chaque rgion nous tirons ,--- personnes au
hasard et nous obtenons la rpartition sui!ante $
Zone
gog!a"
#$i%&e $
Aord 8 Cst 9entre 8
Aord
Sud <uest
Pau!res $ ,,) ,-N ,NJ ,,+
Aon
pau!res $
LLL L*N LJO LLK
Aous faisons l'hypothse que la pau!ret est uniformment
rpartie sur tout le pays#
7'hypothse est8elle soutenable a!ec une probabilit critique de
N` Q
Exercice 45 pts6 1
Aous traIons maintenant pour les diffrentes eaux
minrales la quantit de sodium en fonction de celle de
chlorure# Ene rgression nous donne la pente et l'ordonne 5
l'origine a!ec leurs incertitudes 5 *N` de confiance# Pour
l'ordonne 5 l'origine nous trou!ons $ b Y 8J+')N mg&7# Aous
!ous proposons des possibilits pour la pente dont une est la
bonne explique1 !otre choix et pourquoi les autres ne peu!ent
con!enir#
Pour ce faire !ous de!e1 !ous aider d'une matrice de
l'exercice N# D'autres donnes qui peu!ent !ous aider $
F
Aa
Y)+-g&mol F
9l
Y+NNg&mol# /ous pourre1 conclure sur
l'information que l'on en tire sur les eaux minrales en gnral#
,)+
9as $ ,4 )4 +4 J4 N4 O4 K4 L4
pente a $ 8N+J N+J 8-ON -ON N+J 8N+J -ON 8-ON
a $ ,,* -,* -,* ,,* ,,* -,* -,* ,,*
B. De0oir 8ar0al
Aous lanIons deux ds quilibrs 5 six faces#
.uelle est la probabilit que la somme des deux ds fasse ,) Q
F0me question pour une somme gale 5 K#
Exercice & 47 pts6 1
Pour huit maisons du m0me modle nous mesurons les
rsistances thermiques# Pour les murs nous mesurons de la
premire 5 la huitime maison les !aleurs :
,
sui!antes en
mM&p $
+* J, J, J+ J, +K +* +*
a4 Dtermine1 la !aleur moyenne :
,
de :
,
#
b4 9alcule1 l'cart8type
1
sur :
,
#
c4 A!ec une confiance de *N` quelle est l'incertitude
:
,
Q
Aous mesurons maintenant les rsistances thermiques :
)
des
,)J
huisseries# Pour les m0mes maisons dans le m0me ordre les
!aleurs mesures en mM&p $
,-J ,-) *L ,-) *L ,-) *O *L
d4 7es grandeurs :
,
et :
)
sont8elles corrles Q
e4 Dtermine1 la rsistance thermique : de l'ensemble
Smurs huisseriesU a!ec son incertitude#
Aous faisons l'hypothse d'galit des salaires hommes8
femmes au sein de l'entreprise sui!ante $
Salaires en
( $
,--- 5
,***
)--- 5
)***
+--- 5
+***
J--- 5
J***
Gommes
3effectifs4$
,+* ,)J OL )*
Hemmes
3effectifs4 $
)O, OO )) ,,
7'hypothse est8elle soutenable a!ec une probabilit critique de
N` Q
Exercice 45 pts6 1
Pour les courbes sui!antes de temprature T 3X94 dans
une habitation en fonction du temps t3h4 indique1 si des cas du
tableau correspondent 5 des graphes# Dans les cas positifs
donne1 la correspondance sinon explique1 pourquoi cela n'est
pas possible# A'oublie1 pas que !os rponses doi!ent 0tre
scientifiquement ;ustifies#
,)N
9as $ ,4 )4 +4 J4
pente a $ +,O 8NL- )*- 8+-,
incertitude sur a $ -O+ -+, -+, -O*
ordonne 5 l'origine b $ ))K )-JJ ++O +-,+
incertitude sur b $ +J- ,K- ,K- +K-
coeff# de corrlation $ -*K,) 8-**,J -**,J 8-*O)K
,)O
,)K
(# %RA(AU? PRA%'@U*.
A. /esure d'un indice lumineux
(HP ralis au 3yce Alain#Iournier e Tourges)
Ltilisation u goniomtre et tue u prisme
En goniomtre permet de mesurer des angles dans un
plan hori1ontal# =l est constitu de trois parties principales
mobiles autour d'un axe central !ertical $ le collimateur la
lunette et la plateforme#
,)L
3ecture u vernier
,)*
Desure e l5angle au soma
met u prisme par
r(lexion %
Fise en place du prisme $
Fthode par auto8collimation $
Placer la face 3a4 approximati!ement perpendiculaire 5
l'axe optique 9 du collimateur# (loquer la plate8forme
a!ec la !is de blocage /
a
'#
A!ec la lunette !iser la face ( du prisme de faIon 5 ce
quelle soit perpendiculaire 5 3b4# Dterminer a!ec prci]
sion la position angulaire de la lunette pour laquelle le fil
!ertical du rticule et son image par rflexion sur 3b4 coRn]
cident $ pour cela on bloquera la rotation manuelle de la
lunette a!ec la !is de blocage /
(
au !oisinage de la bonne
position et on a;ustera a!ec la !is de rglage fin /
H
# Aoter
alors l'abscisse angulaire Z
"
#
Haire de m0me a!ec la face 3c4# Aoter Z
&
correspondant#
@tude thorique $
Fontrer que l'angle entre les deux positions de la lunette
est gal 5 b#A#
Cxploitation des mesures $ Dduire de ce qui prcde A
mesur a!ec son incertitude JA#
,+-
Dinimum e viation et inice u prisme %
Aous plaIons la lampe 5 sodium derrire le collimateur#
Aous obtenons un spectre de raies 5 la sortie du prisme#
De le mesure de la d!iation minimale connaissant A
nous en dduisons l'indice !ia la formule du prisme don]
ne plus bas# Dtermine1 l'indice pour les raies rouge
;aune et !ert8;aune# Darder le nombre de chiffres signifi]
catifs qui !ous semble pertinent#
9omment !olue l'indice a!ec la longueur d'onde Q
9omment s'appelle ce phnomne Q
n=
sin(
'+*
m
2
)
sin(
'
2
)
7es groupes suffisamment
a!ancs peu!ent mesurer
les indices pour d'autres
raies et tracer l'indice en
fonction de l'in!erse de la
longueur d'onde au carr
3ou mieux le logarithme de
l'indice en fonction de celui
de la longueur d'onde4# 9onclusion Q
raies , ) + J N O K
rouge ;aune !ert8
;aune
!ert bleu8
!ert
bleu8
!iolet
!iolet
|3nm4 O,NK NL*+ NOLN N,N) J*L, JKN- JOOK
,+,
B. 9e miroir sphri2ue
4ous consirons eux miroirs concaves D
"
et D
&
!
Fesure gomtrique du rayon
H)orie %
Cxprime1 : en fonction de d et D#
?xprience % Fesure1 d et D#
Cstime1 le rayon : a!ec son
incertitude w:#
Fesure mcanique du rayon
7a pulsation de petites oscillations d'une bille sans
amortissement dans une cu!ette circulaire est
o
0
=
.
g/ R # Cstime1 :#
Fesure optique du rayon
$onstruction gomtrique et relation e conEugaison %
Fontre1 que AYA' a!ec =1 pour AYA'Y9#
Sachant cela en dduire un protocole permettant la
mesure de :#
?xprience % Fesure de :ew:#
9ompare1 a!ec les autres mthodes#
,+)
Fesure optique de la focale
<n utilisera une lentille con!ergente telle que AYH pour
disposer d'un faisceau parallle 3A'
i
4#
Cn dduire une mthode de mesure de la focale f# Haire la
construction#
Cstime1 fewf et compare1 aux rsultats obtenus pour :#
:elation de con;ugaison
8SA 3min4 3max4 394 3Points =nter8
mdiaires4
8SA' 3max4 3min4 394
wSA # # # #
wSA' #
xY8,& SA #
yY8,& SA'
wx
wy
,++
Fontre1 que d'aprs la thorie nous a!ons une relation
linaire entre x et y# Si l'on note y*ax1b 5 quoi doi!ent
correspondre a et b Q
Tracer les points sur une feuille de papier millimtre
3minimum N4#
9omment estimer les incertitudes sur x et y Q
9eci fait les rectangles d'incertitudes seront placs sur le
graphique et les droites extr0mes passant au mieux par
les rectangles permettront de dterminer aewa et bewb#
9omparaison aux !aleurs attendues#
7es groupes suffisamment a!ancs pourront ensuite
rentrer les points sur ordinateur dans le tableur pr!u 5 cet
effet et procder par itration#
9onclusion#
,+J
C. .elation de con:u-aison d'une lentille
Soit une lentille mince sphrique d'une focale de b)--mm
3!aleur annonce par le fabricant4# Aous !oulons !rifier
la relation de con;ugaison et calculer la focale 5 partir de
L points exprimentaux mesurs sur un banc optique de
)m#
Aous plaIons successi!ement la lampe a!ec l'ob;et
lumineux la lentille puis l'cran 3nous a!ons ainsi un
ob;et et une image rels4#
7'axe optique est orient sui!ant la direction du rayon
incident# Fontre1 que d'aprs la thorie nous a!ons une
relation linaire entre xY8,&<A et yY,&<A'# Si l'on note
yYaxbb 5 quoi doi!ent correspondre a et b Q
9omment estimer les incertitudes sur x et y Q
Point chaque point mesur on prendra le plus grand soin
dans l'estimation des incertitudes 3incertitudes optiques
dues 5 la latitude de mise au point incertitudes
gomtriques dues 5 la rsolution du banc paisseur de la
lentille etc#4
8<A 3min4 3max4
3Points =ntermdiaires4
<A' 3max4 3min4
w<A # # #
w<A' #
xY8,& <A #
yY,& <A'
,+N
wx
wy
:entrer les points exprimentaux sur ordinateur dans le
tableur pr!u 5 cet effet et procder par itration#
Dtermine1 ainsi aewa et bewb# Cn dduire f'ewf'#
9omparaison aux !aleurs attendues#
7iste du matriel pour chaque binme $
un banc d'optique )m
+ pieds
une lampe source a!ec la flche
une alimentation lectrique
un cran blanc
une lampe torche
, porte lentille
un ordinateur a!ec le tableur rgression avec
barres 5erreurs
:sultats obtenus par K groupes le )) no!embre )--K au 7yce
Alain8Hournier $
a wa f' 3cm4 wf' 3cm4
, 8-** --+O ,** -)L
) 8-*L --NN )-N -N)
+ 8,-K --+O ,L* -)*
J 8-*O -, )-O -KJ
N 8,-+ --J* )-O -JJ
O 8,-+ --J, )-,+ -+,
K 8,-) --N* ,*NL -J)
,+O
D. Dioptres et lentilles minces sphri2ues
Tut u HP %
Aous dsirons mesurer les rayons de courbure
d'une lentille mince sphrique#
Fesurer sa distance focale par une mthode clas]
sique#
Dduire de ces mesures l'indice de la lentille#
H)orie %
:eprendre le thorme des !ergences pour un sys]
tme constitu d'une lentille et d'un miroir sph]
rique accols dans les conditions de Dauss#
Dmontre1 la relation de con;ugaison au sommet
d'un dioptre sphrique dans les conditions de
Dauss# Associe1 deux tels dioptres accols pour
trou!e1 l'expression de (5 focale image de la len]
tille en fonction de n K
"
et K
&
#
Propose1 deux mthodes exprimentales permettant de
mesurer les rayons de courbures d'une lentille mince
sphrique 3l'une optique l'autre par mesure directe4#
@onnes pour la mt)oe optique % Pour un rayon inci]
dent sur un dioptre seule en!iron *O` de l'nergie lumi]
neuse est transmise 3rfracte4 l'autre partie est rflchie#
,+K
Cxplique1 comment l'tude de cette portion rflchie per]
met de remonter au rayon de courbure d'un des deux
dioptre de la lentille 3est8ce tou;ours possible Q4 puis 5
l'indice de la lentille#
?xprience % Fesure1 les rayons de courbures d'au moins
deux lentilles diffrentes par les deux mthodes#
Proposition % celle de )--mm de grand diamtre et celle
de N-cm de distance focale#
?xploitation % Ene grande importance est donne aux cal]
culs d'incertitudes#
Desures optiques %
7
,
7
)
f
mesur
wf
mesur
:
mesur
w:
mesur
:
5 calcul
w:
5 calcul
:'
mesur
w:'
mesur
:
8 calcul
w:
8 calcul
n
calcul
wn
calcul
Fesure directes $ @tablir le
m0me type d'exploitation#
9ommentaires Q Prcision
sur l'indice compare 5 celle
obtenue a!ec le goniomtre Q
,+L
('# OU%'L. MA%<+MA%'@U*.
7es outils mathmatiques utiliss au chapitre , sont du
ni!eau lyce# 7es dri!es partielles utilises au chapitre ) sont
de la premire anne d'enseignement suprieur mais on
comprend trs !ite le lien a!ec les dri!es du lyce# 9'est au
chapitre + a!ec l'utilisation des matrices que nous plongeons
dans l'enseignement uni!ersitaire# Fon but n'est pas ici de
re!oir ou d'introduire toutes ces notions seulement un petit
formulaire qui pourra 0tre utile pour rsoudre les exercices
proposs#
A Drives
,8 Dfinition $ f ' ( x)=lim
c-0
(
f ( x+c)f ( x)
c
)
Par exemple si ((x)*x` $
( x+c)
2
x
2
=x
2
+2 xc+c
2
x
2
2 xc et ( 5(x)*&x#
Draphiquement la dri!e correspond 5 la pente de la courbe en
un point#
)8 Principales dri!es utilises $
fonction ( dri!e ( 5
A f
a x a 3constante4 A( a x)=
Ax
x
o
o x
o1
A( x
o
)=
o x
o1
Ax
sin(x) )os( x) A( sin( x))=)os( x)Ax
,+*
)os( x) sin( x) A( )os( x))=sin( x)Ax
e
x
e
x
A( e
x
)=e
x
Ax
ln( x) 1/ x A( ln( x))=Ax/
3+4
3' +4' 3u et v fonctions de x4
3 4 3' 4+4' 3
3
4
3' 44 ' 3
4
2
f ( g ( x)) g ' ( x) f ' ( g ( x))
1
x
=x
1
donc
(
1
x
)' =(1) x
11
=
1
x
2
#
.
x=x
1
2
donc
(
.
x) ' =
1
2
x
1
2
1
=
1
2
.
x
#
(sin( x
2
)) ' =( x
2
)' )os( x
2
)=2 x )os( x
2
)
) Drives partielles
9elles8ci concernent les fonctions 5 plusieurs !ariables# Par
exemple considrons la fonction 5 trois !ariables $
((x,y,Q) * x` # &Q 1 xy
Aous pou!ons regarder les !ariations de cette fonction par
rapport 5 une !ariable tout en considrant les autres constantes#
<n procde alors comme pour une dri!e# <n a donc $
(
cf
cx
)
y , z
=2 x+y
(
cf
c y
)
x, z
=x
et
(
c f
cz
)
x , y
=2
<n parle de dri!e partielle et par exemple pour la premire
on dit $ \d rond\ ( sur \d rond\ x 5 3a!ec4 x et y constants#
,J-
C 'nt,rales
<n montre en math que $

x=
+
e
x
2
dx=
.
n #
Pour la loi normale standard nous pou!ons !rifier que la
moyenne est nulle et que l'cart8type est gal 5 , $
p( x) =
1
.2n
e
x
2
2
et j=
+
xp( x) dx=0 car l'intgrale sur
un inter!alle symtrique d'une fonction impaire est nulle#
c
2
=
+
x
2
1
.2n
e
x
2
2
dx=
1
.2n
+
(x)(xe
x
2
2
) dx d'o^
c
2
.
2n=|x e
x
2
2
+
(1) e
x
2
2
dx=0+
.
2
+
e
x
2
dx
d'o^ l'cart8type gal 5 l'unit#
Aous a!ons utilis une intgration par parties $
a
!
3( x) 4' ( x) dx=| 3( x) 4( x)
a
!
a
!
3' ( x)4( x) dx
puis un changement de !ariable x ' =x/
.
2 #
Aous pou!ons aller plus loin en calculant le coe((icient e
issymtrie j
3
=
+
x
3
p( x) dx le coe((icient 5aplatissement
j
4
=
+
x
4
p( x) dx et de manire gnrale les moments
5orre n j
n
=
+
x
n
p( x) dx # 7'ensemble de ces moments
permettent de caractriser une distribution#
Pour une gaussienne j
3
=0 3symtrique4# Si ce coefficient est
ngatif la courbe s'tale !ers la gauche s'il est positif la courbe
s'tale !ers la droite# Pour une gaussienne j
4
=3 # Si ce
coefficient est infrieur 5 + la courbe est plus aplatie qu'une
gaussienne# Pour une loi binomiale $ j
4
=38/ n #
,J,
(''# CORR*C%'O!.
9orrections compltes ou sommaire sui!ant les cas#
Chapitre ' : (ariable Alatoire
*5 : A,es nonc p'"
nY,NT modeY,LT mdianeY,LT moyenne},L+++T moy# gom]
trique},L+-+T tendueYJT cart8type},,,+T cart quadratique
moyen},-KNT cart moyen}-LJJ#
*8 : Cartes nonc p'"
Ab de tirages possibles $ +)x+,x+-x)*x)L di!is par toutes les com]
mutations possibles des N cartes NxJx+x)x,YN> soit 8$5 "B> ;eux#
Ab de tirages correspondant aux carrs d'As $ une seule manire
d'a!oir les J As et )L possibilits pour la carte qui les accompagne
donc 8C ;eux possibles 3un ;eu Y ,)- tirages possibles4#
D'o^ la probabilit pY)L&)-,+KOY,+* chances sur un millionY,
chance sur K,*)Y$-$591#
Pour une couleur $ chaque couleur a L cartes# Ab de manires de choi]
sir N cartes parmi L Y L>&3N> 3L8N4>4 Y
C
5
8
3combinaison4 Y NO#
9omme il y a J couleurs $ JxNO Y))J#
D'o^ la probabilit p Y ))J & )-, +KO Y , chance sur L** Y $-551#
*" : Champ de pesanteur nonc p'"
a4 Trs dispers# <n pourrait indiquer moins de chiffres significatifs#
b4 g Y *+) m&s~# d
g
Y,**Jm&s~n)m&s~
,J)
c4 wg Y )+O#,**J&uL Y ,OO m&s~# D'o^ gY*+)e,OOm&s~ et la !a]
leur attendue appartient 5 l'inter!alle $
KOO m&s~ y g Y *L,m&s~ y ,-*L m&s~
d4 <n est en!iron 5 d de gn,-m&s~ d'o^ OL` de chance#
*9 : %est d'un isolant nonc p'&
xY+*)Le-J* mp&m&M 5 *N`# :sultats conformes# 75 la marge est
d'en!iron ,+` au lieu de N`# =l s'est assur une marge de scurit#
*0 : Devoir nonc p'&
a4 nY+N AnL)* et d
A
nJJ-#
b4 Aotes a!ec leur frquences $
Aotes
- , ) + J N O K L * ,- ,, ,) ,+ ,J ,N ,O ,K ,L ,* )-
Hrq# - , + ) , N ) ) ) , J J ) ) - + - - , - -
c4 9lasses frquences et frquences relati!es $
9lasses
h-,)j h+JNj hOKLj h*,-,,j h,),+,Jj h,N,O,Kj h,L,*)-j
Hrqu# J L O * J + ,
H# rel#
,,J` ))*` ,K,` )NK` ,,J` LNK` )LO`
,J+
Cn regroupant les donnes par classes il y a une perte d'information#
7a perte est ici faible# Fais par ailleurs nous a!ons un gain de !isibi ]
lit# Aous pou!ons plus facilement faire ressortir un comportement
global et des catgories d'tudiants# 7es frquences relati!es in]
diquent directement le pourcentage d'tudiant dans chaque classe par
exemple +J` des tudiants semblent en grande difficult ce qui est
plus difficile d'interprtation sur le premier diagramme#
*> : Dams nonc p''
,4 ,&,)*O
)4 3,bNb,Nb+NbK-4&O
N
Y,ON`
+4 a4 nY+- Sn,OK+ et d
S
n+LL#
b4 wSn,JN # SY,OK+e,JN a!ec une confiance de *N`# =ci la po]
pulation est infinie et connue# <n trou!e x
pop
Y,KN# 9'est cohrent# =l
n'y a pas de raison de penser que les ds sont pips#
c4
d4 7a somme est le rsultat de cinq lancers indpendants nous pou]
!ons penser d'aprs le thorme central limite que nous nous appro]
,JJ
chons d'une gaussienne $ 3)J8x4&d
S
n,OL# <n est proche de t
i*-`

donc la moiti N` sur la queue de gaussienne de droite# Donc 5
chance sur vin,t 3sur nos lancers ici $ ,&+- cohrent4#
*B : Pi&ces nonc p''
,4
X
2
n)NO y +LJ# =l n'y a pas lieu de remettre en cause l'qui]
libre des pices# 7a diffrence par rapport 5 l'quiprobabilit s'ex]
plique par les fluctuations statistiques#
<u par un test classique $
(
x=42/ 100)(j=0,5)<t
, 95%
(c=0,5)/
.
n=100
)4
X
2
n-J y +LJ# =dem# p#c# 3probabilit critique4 n )-L` il y a
une chance sur N que l'hypothse soit ;uste on ne peut pas la re;eter#
+4
X
2
n)NO +LJ > 7a pice n'est s"rement pas quilibre# Ene
chance sur deux millions que l'hypothse soit ;uste on la re;ette >
*C : Parit nonc p'>
/aleurs espres
)LLN )LLN
,KJ ,KJ
O O
X
2
=
( 470288,5)
2
288,5
+
(107288,5)
2
288,5
+... et
2
344 a!ec ddlY)x,Y) la probabilit que
l'hypothse soit !raie est trs infrieure 5 une
chance sur ,--- 3,+L yy+JJ pour -,`4# 7a
parit n'est pas respecte#
9omprenant ces rsultats il faudrait 0tre d'une mau!aise foi extr0me
pour prtendre qu'il n'y a aucune raison de penser que la parit n'est
pas respecte en ;ustifiant les carts par les fluctuations statistiques#
*/ : !aissances nonc p'>
X
2
nO,O y KL# 7'hypothse ne peut 0tre abandonne on a besoin
,JN
de plus d'effectif pour trancher#
X
2
n,)L KL# Gypothse totalement re;ete#
*5$ : ;aussiennes dans le plan et dans l'espace nonc p'/
,D $
,8

x=
+
x
1
.
2n
e
x
2
2
dx=0 car la fonction intgre est dfinie et im]
paire sur un inter!alle d'intgration symtrique 3proprit de l'int]
grale4#
x=
+
x
1
.
2n
e
x
2
2
dx=2
0
+
x
1
.
2n
e
x
2
2
dx
car cette fois la
fonction est paire# x=
2
.
2n
|e
x
2
2
=
.
2
n
. 7a distance correspond 5
une !aleur absolue sa moyenne est donc non nulle et positi!e# x cor]
respond 5 la moyenne de l'abscisse grandeur algbrique#
-
x
Y -
5x 5
Y, car x~ Y x~ et que c'est une loi normale rduite#
)8 P(x<1)=P(1<x<1)=
1
1
1
.
2n
e
x
2
2
dx nous calculons num]
riquement 35 la calculatrice sur un ordinateur###4 ces intgrales et re]
trou!ons les rsultats du chapitre sur la distribution de Dauss 5 d
deux d et trois d#
)D $
,8
p( x , y)=
1
.
2n
e
x
2
2
1
.
2n
e
y
2
2
=
1
2n
e
x
2
+y
2
2
p(x,y) est bien une
fonction positi!e ce qui est conforme 5 une loi de probabilit#
Sur tout le plan nous a!ons bien une probabilit de ,--` $
p( x , y) dx dy=
1
.
2n
e
x
2
2
dx

1
.
2n
e
y
2
2
dy=1.1=1
,JO
)8

p( x , y) dx dy=
1
2n
e
j
2
2
2njd j=1
p(j)=je
j
2
2
et

0
+
p(j) d j=| e
j
2
2
=1
#
j=
0
+
j p(j) d j=
j
2
e
j
2
2
d j=| j
2
(j)e
j
2
2
2j e
j
2
2
d j
j=00+
.
2
0
+
e
t
2
dt =
.
2
.
n
2
=
.
n
2
aprs une intgration par par]
ties 3u*c4 et un changement de !ariable 3c*7& t et on reconnait une
intgrale connue4#
c
j
2
=j
2
=
0
+
j
2
p(j) d j=
j
3
e
j
2
2
d j=| j
2
(e
j
2
2
)+2
je
j
2
2
d j
on retrou!e une intgrale calcule en ,D $ c
j
2
=00+21 c
j
=
.
2
+8
P(j<c
j
)=
0
.2
je
j
2
2
d j=1
1
e
P(j<2c
j
)=1
1
e
4
+D $
,8 p( x , y , z )=
1
(
.
2 n)
3
e
r
2
2
p(r )=or
2
e
r
2
2
o=
4n
(
.
2n)
3
)8

0
+
p(r )dr=o
.
n
2
=1 3intgrale d;5 calcule en )D4
+8

r =
0
+
r p(r )dr=o
0
+
r
3
e
r
2
2
dr=o2=
4
.
2 n
c
r
2
=
0
+
r
2
p(r )dr=o
0
+
r
4
e
r
2
2
dr=3
par intgration par parties#
d'o^ $ c
r
=
.
3
,JK
J8
P(r<c
r
)=
0
.3
je
r
2
2
dr0,608
et les deux autres aussi par calcul
numrique#
Chapitre '' : Corrlations et indpendances
*5 : Corrlations nonc p#4
,8 a4 x
,
Y38,8,8,b-b-b-b,b,b,4&*Y- de m0me x
)
Y- et x
+
Y-#
c
1
=
.
i =1
9
( x
i 1
x
1
)
2
/ (91)=
.
6x1/8 d'o^
c
1
=c
2
=c
3
=
.
3/ 20,87 #
b4
c4 r
,)
Y- # r
,+
Y- # r
)+
Y8, # P
,
et P
)
ne sont pas corrles# De m0me pour
P
,
et P
+
# P
)
et P
+
sont dpendantes et totalement corrles#
)8 a4 x
,
Y- et x
)
Y-#
c
1
1,22
et
c
2
1,58
#
c4 r
,)
Y-*-J # Drandeurs globalement corrles positi!ement#
+8 a4 x
,
Y- et x
)
Y-#
c
1
1,73
et
c
2
1,53
#
c4 r
,)
Y- # Drandeurs totalement dcorles ne pas oublier que les
corrlations recherches sont ici linaires# =l y a une corrlation en /#
)8 b4 +8 c4
,JL
#3 #2 #1 0 1 2 3
#3
#2
#1
0
1
2
3
#3 #2 #1 0 1 2 3
#3
#2
#1
0
1
2
3
*8 : (olumes nonc p3$
,8
/
,
Y3,--,b,---b***b,---4&J d'o^ (
5
E 5$$-$ mL#
c
1
=
.
0,1
2
+0
2
+(0,1)
2
+0
2
41
=
.
2
3
0,1mL
d'o^
c
1
0,082mL
D'aprs le thorme central limite $ JG*t!-.7n*',"=x+,+="A.&
t
l*'d P/0
*',"= soit F(
5
G $-5" mL et w/
,
&/,

n -,+&,--
7a pipette a!ec une confiance de *N` est 5 -,+ m7 prs soit pour
,-- m7 5 -,+` de prcision#
)8
#
i
=#
i
#
et
i
|( #
1
i
#
1
)(#
2
i
#
2
)=
i
|

#
1
i

#
2
i
=0,1.0+0.0 ,1+(0,1) .0+0.0 ,1=0
or
r
12
=

i
|( #
1
i
#
1
) (#
2
i
#
2
)
.
i
( #
1
i
#
1
)
2
i
( #
2
i
#
2
)
2
soit r
3&
#; les grandeurs sont totalement
dcorrles et donc indpendantes#
+8
/YS)--, T )--, T ,*** T ,***Um7 d'o^ (

E 8$$ mL#
c
V
=
.
0,1
2
+0,1
2
+(0,1)
2
+(0,1)
2
41
=
2
.
3
0,1mL
d'o^
c
V
0,115mL
et F(G $-5C" mL et w/ &/

n --*`
J8
G(G
"
,G
&
) d'o^ $
A#
2
=(
c#
c#
1
)
#
2
2
A#
1
2
+(
c#
c#
2
)
#
1
2
A#
2
2
=A#
1
2
+A#
2
2
et A# =
.
2.A#
1
0,18 m0me rsultat qu'au +8#
,J*
*" : Arbres nonc p31
Aous a!ons
d=
x
i
3soit *x
"
1x
&
1!!!1x
i
1!!!1x
n
4 o^ les x
i
sont
les mesures de longueur pour chaque report de b_ton# Jx
i
est
l'incertitude sur chaque mesure x
i
# =ci Jx
i
*"cm et x
i
*"++O"cm #
.uelle est alors l'incertitude J Q
Spontanment nous pourrions penser que
Ad=
Ax
i
d'o^ ici
J*"++cm soit "m pour "++m mesurs d'un arbre 5 l'autre# Fais
problme ce n'est absolument pas ce qu'indique la simulation ci8
dessous >
Clle indique plutt J*+,"m# Cn effet un simple calcul de
probabilits montre qu'il est extr0mement peu probable d'obtenir
pour PPm ou "+"m alors que l'on a une chance sur deux pour x
i

d'a!oir +,PPm ou ",+"m# <r nous dsirons a!oir J 5 probabilit
gale de Jx
i
#
=ci cd / cx
i
=1 et Jx
i
YJx quelquesoit i*"!!!n ainsi J*7n!Jx soit
J*+,"m ce qui correspond bien au rsultat attendu >
,N-
*9 : Mthode de )essel nonc p31
3f'&D4
d
Y3D
)
bd
)
4&Jd
)
et 3f'&d4
D
Y8d&)D d'o^
wf'Yuh33D
)
bd
)
4&Jd
)
4
)
3wD4
)
b3d&)D4
)
3wd4
)
j
puis 7' E 9>9-5%"-C mm
et wf'&f'Y-L`#
Soit par un calcul numrique a!ec un tableur et des macros 3pas
besoin alors d'effectuer des calculs de dri!es partielles4 $
,N,
7e tableur
utilise ici ) des J paquets
globalement gaussiens
parfaitement dcorrls
disponibles $

#2 #1 0 1 2
0
1
2
3
4
5
6
7
/aquets
xi
f

i
1 2 3 4 x y f
#2 0 #2 0 1973,71 536 457,04
#1 #1 0 0 1986,86 509,71 464,02
#1 0 #1 1 1986,86 536 460,56
#1 1 1 1 1986,86 562,29 456,93
#1 1 2 #1 1986,86 562,29 456,93
0 0 0 0 2000 536 464,09
0 0 #1 #2 2000 536 464,09
0 #1 1 #1 2000 509,71 467,52
0 1 1 #1 2000 562,29 460,48
0 #1 1 2 2000 509,71 467,52
0 0 0 1 2000 536 464,09
1 #2 0 0 2013,14 483,43 474,26
1 0 #1 0 2013,14 536 467,61
1 #1 0 #1 2013,14 509,71 471,02
1 2 #1 0 2013,14 588,57 460,27
2 1 0 1 2026,29 562,29 467,56

,N)

*0 : 'ndice nonc p31
D'aprs la loi de Descartes pour la rfraction $ n
2
=n
1
sin(i
1
)
sin (i
2
)
d'o^ n
8
G5-9>8 #
n
&
(i
"
,i
&
) alors
An
2
2
=
(
cn
2
ci
1
)
i
2
2
Ai
1
2
+
(
cn
2
ci
2
)
i
1
2
Ai
2
2
,N+
3la !ariation en fonction de l'indice n
"
n'est pas incluse car il est
suppos connu a!ec une grande prcision4
<n a
(
cn
2
ci
1
)
i
2
=
n
1
sin(i
2
)
)os(i
1
)
et
(
cn
2
ci
2
)
i
1
=n
1
sin(i
1
)
)os(i
2
)
sin
2
(i
2
)
#
soit An
2
=
|
(
)os(30)
sin(20)
n
180
)
2
+
(
sin(30 ))os(20)
sin
2
(20)
2n
180
)
2
1/ 2
3les angles sont mis dans leur unit naturelle les radians sans unit $
l rad Y ,L-X4
Hinalement
An
2
=0,1470
a!ec une confiance de *N`
n
&
#3<=%;<3> et wn
&
&n
&
Y,-`#
A!ec le tableur $ n
&
*",>AO+,"A et wn
&
&n
&
Y,,`# 7a mthode
numrique est approximati!e mais nous !rifions ainsi que nous
n'a!ons pas fait d'erreur de calcul#
Par ailleurs a!ec un goniomtre nous pou!ons faire des mesures
d'angles bien plus prcises 5 quelques minutes d'arc prs 3un minute
d'arc Y ,' Y ,X&O-4#
*> : Hormule de Cauch3 nonc p32
, 8
An
2
=
(
cn
c *
m
)
'
2
A*
m
2
+
(
c n
c '
)
*
m
2
A'
2
a!ec
(
cn
c *
m
)
'
=
)os| ( '+*
m
)/ 2
2sin( '/ 2)
et
(
cn
c '
)
*
m
=
)os| ( '+*
m
)/ 2 sin( '/ 2)sin |( '+*
m
)/ 2 )os( '/ 2)
2sin
2
( '/ 2)
,NJ
a!ec
'=60 *
m
$
(
cn
c *
m
)
'
1
2
et
(
cn
c '
)
*
m
1
d'o^
An0,00065
et J n.n n +,+>0
3m0me chose en calcul numrique4
)8
A!ec les barres d'erreurs wnY----ON et w3,&|~4Y)w|&|
+
a!ec
w|Y--Nnm on trou!e AE5->BCBBI$-$$5C8T wA&AY-,-*`T
)EJ5-8C0 I $-$00K#5$
59
mL et w(&(YJ)O`
n en (onction e ".W` (".m`) %
7a rgression simple donne rE$-////0###
3Si on oublie les barres d'erreurs AY,OKLKKe----KNT
wA&AY--JJ`T (Y3,)LN e --))4#,-
8,J
m~ et w(&(Y,KN`4
+8 Cn rgression simple $
rY-***JK### pour n(".W)
rY-****N### pour n(".W`)
rY-***L)### pour n(".W
'
)
,NN
2,6"012 2,8"012 3,0"012 3,2"012 3,4"012 3,6"012 3,8"012 4,0"012
1,712
1,717
1,722
1,727
1,732
7a loi en ".W` est donc meilleure
mais qu'elle !aleur de permet d'optimiser la rgression Q
Pour cela nous allons tracer y=ln(n')=o x+ln( () a!ec
x=ln(\) # et ln3(4 seront obtenus a!ec leur incertitudes et A
sera choisi de manire 5 a!oir r
max
#
7es rsultats sont les sui!ants r
max
Y8-****K-)J### pour
AY,OLJ+KJJ et nous trou!ons $ Y 8 )+-O e --++ # Puis a!ec les
barres d'erreurs $ ME 8-" I $-5 # 9onclusion Y 8 ) n'est pas dans
l'inter!alle le modle en ".W` n'est pas !alid #
9eci dit il fonctionne correctement# 7a diffrence peut
s'expliquer simplement car le modle de l'lectron lastiquement li
utilis ici comporte d'autres termes 3il s'agit d'un d!eloppement
limit d'une fonction plus complexe4 $
n='+
(
\
2
+
C
\
4
# Ene tude
plus a!ance pourrait le !rifier en incluant le nou!eau terme en ".W
>
#
=l faudrait aussi !rifier nos incertitudes exprimentales il
est possible que nous ayons nglig ou sous8estim des sources
d'incertitudes 3par exemple en triplant les incertitudes sur les angles 5
O' $ Y 8 )+ e -+ ###4#
*B : Mur nonc p33
,8
R
p
=
e
p
\
p
%
=
0,4 mK m
0,0456 . 72m
2
d'o^
R
p
=0,123 K / 6
(
AR
p
R
p
)
2
=
(
Ae
p
e
p
)
2
+
(
A\
p
\
p
)
2
et
AR
p
/ R
p
=0,103
R
p
=0,123!0,013 K/ 6
,NO
)8
R
e
=0,0069!0,0010 K/ 6
+8 7es rsistances sont en srie $ K*K
p
1K
e
et AR=
.
(AR
p
)
2
+(AR
e
)
2
d'o^
R=0,130!0,015 K / 6
J8
1=
A"
R
=
12
0,130
=92,36
(A1/ 1)
2
=(A(A" )/ A" )
2
+(AR/ R)
2
A" ="
int7rie3r
"
ext7rie3r
d'o^ A(A" )=
.
2.0 ,5 C A1/ 1 Y ,)*` et
806<1<104,3 6 d'o^ une puissance minimale de chauffage $
P
min
E 5$0 N
*C : 'solation et inertie nonc p34
,8 Cn parallle $
1
R
78
=
i
(
1
R
i
)
=
i
(
\
i
%
i
e
i
)
ou en terme de conductances thermiques ;*".K $ 9
78
=
i
9
i
donc dans notre cas $
1
R
=
%
s
(e
s
/ \
s
)
+
%
t
( e
t
/\
t
)
+
%
m
(e
m
/ \
m
)
+
%
/
(e
/
/\
/
)
=
36
4
+
54
8
+
82
4
+
8
1
pour les incertitudes $
A9=
.
i
A9
i
2
A9
i
=%
i
A(e
i
/ \
i
)
(e
i
/ \
i
)
2
A92,4716/ K
et
AR=R
2
A91,26mK/ 6
finalement
R=22,6!1,3 mK/ 6
et AR/ R Y NO `
,NK
)8
1=
A"
R
=
12
22,6.10
3
5316
e L,` 3comme 5 l'exercice Dur4
d'o^ une puissance minimale de chauffage $
P
min
E 0B0 N
+8
Aous a!ons
ncessairement une
asymptote 5 T
ext
$ la
temprature ne peut
descendre
spontanment en
dessous de T
ext
#
Si linaire la temprature tendrait !ers moins l'infini a!ec le temps#
"!=ae
t /t
d'o^ ln(" !)=lna
1
t
t
on trou!e b#T
ext
# ><7?C 3coefficient de corrlation r maximal4
puis on fait une rgression sur un tableur a!ec y=ln(" !) et
x=t 3page ) d'=ncertitudes7ibres4 $
0 1 2 3 4 5 6 7 8 9 10
0,5
1
1,5
2
2,5
x=t
y
=
'
n
(
1
#
1
e
x
t
)
,NL
coefficient directeur Y 8,& Y 8-,NOe --,NK h
8,
ordonne 5 l'origine Y ln a Y ln 3T
int
8T
ext
4Y )JKJ e --*J*
r
max
Y 8-**+K,K-JKJ 3meilleur alignement des points4
Aous a!ons $
At
t
=
A(1/ t)
(1/ t)
et Ax=x . A(ln x)
D'o^ $ @ # = h &> min A 3;<3B et T
int
# 37<> % 3<& ?C#
J8
a4
flux sortant d'nergie pendant dt
Y nergie calorifique perdue pendant ce m0me inter!alle de temps
soit 1dt =
A"
R
dt=
" (t )"
ext
R
dt =C d"
et
d"
dt
+
1
t
" =
1
t
"
ext
a!ec t=RC
o^ l'expression du +8 est la solution gnrale#
b4 C=t/ R et (AC/ C)
2
=(At/ t)
2
+(AR/ R)
2
d'o^ C # 3;5 % 33C D+E(
,N*
*/ : Rendement nonc p35
,8
Sur un tableur 3droite de rgression sur le graphique4 $
n = 7 3,71 -onf.* 95 2 t = 3 t = 2,57
x y (xi#xm) (xi#xm)3 yim (yi#yim)3 xi42
(xi#xm)3 (yi#ym)3 (xi#xm)
5(yi#ym) 5(yi#ym)
100 41 5271,43 90000 40,79 0,05 10000 90000 308,76 5271,4
200 44 2914,29 40000 46,71 7,37 40000 40000 212,33 2914,3
300 3 557,14 10000 52,64 0,13 90000 10000 31,04 557,14
400 63 0 0 58,57 19,61 160000 0 19,61 0
00 66 742,86 10000 64,5 2,25 250000 10000 55,18 742,86
600 6 1285,71 40000 70,43 29,47 360000 40000 41,33 1285,7
700 78 5828,57 90000 76,36 2,70 490000 90000 377,47 5828,6
xm = ym = -o6(x,y) = 7ar(x) = sy8x = sx2 = sx = sy = s2xy =
400 58,57 16600 280000 3,51 1400000 216,02 13,20 2766,7
0,017 29! r = 0,9701
8 22! 9,021
r* coefficient de corr'ation
'inaire a'9:rique.
a = 0,09 " o# - 0,017 sa = 0,00663
$ = 3 " o# - 8 s: = 2,96579
-oefficient de corr'ation
0,042 ; a ; 0,076
'inaire critique*
27 ; : ; 42 0,669
1est de corr'ation ('inaire)* <= 0,941
<* coefficient de dtermination (<=r42).
94,12 de 'a 6ariation de y est
=ci 'es 9randeurs sont corr'es. ex&'ique &ar x
da = %a&'a' = dy =
d: = %$&'$' =
rc =
si >r>;rc a'ors 9randeur non corr's
si >r>?rc a'ors 9randeur corr's
,O-
Kenement en (onction e la quantit 5engrais %
)8 7e rendement serait
alors de OK .&ha 5 J .&ha
prs a!ec une confiance de
*N pour cent#
Pour xo= 550
"stimation de 'a moyenne de yo*
63 ; yo ; 72
yom= 67
dyom= 4
dyom8>yom>= 62
+8 7e rendement serait
alors de +N .&ha 5 L .&ha
prs a!ec une confiance de
*N pour cent 3ordonne 5
l'origine4#
Pour xo= 0
"stimation de 'a moyenne de yo*
27 ; yo ; 42
yom= 35
dyom= 8
dyom8>yom>= 222
J8 7a probabilit est de
*N` 3inter!alle de
prdiction 5 ) sigmas4#
Pour xo= 250
/rdiction &our yo*
40 ; yo ; 60
yom= 50
dyom= 10
dyom8>yom>= 202
,O,
*5$ : +tude d'une pile nonc p36
Aous pou!ons comme pour le trac de la caractristique de tout
diple utiliser le montage sui!ant $
Cn faisant !arier : le montage parcourt diffrents points de
fonctionnement du diple# Aous a!ons choisi le montage longue
dri!ation 3:
/
i et :
A
-4#
,8 7e tableur donne $
a = #17,85 0 ou # 0,92
: = 4,7327 0 ou # 0,00049
r = #0,9980 -onfiance* 95 2
d'o^ $
CYJK+)Ke----N /
prcision $ --,- `
rY,KLNe-*) z
prcision $ N,O `
L(G) en (onction e M(A) %
0,00005 0,00025 0,00045 0,00065 0,00085
4,7150
4,7170
4,7190
4,7210
4,7230
4,7250
4,7270
4,7290
4,7310
)8
,O)
n = 10 a estim= #17,851
I(A) (())
0,000093 2,16*-07 4,731 0,0037 347,4"02 10%
0,00011 2,61*-07 4,731 0,0037 347,4"02 10%
0,00013 3,3*-07 4,730 0,0037 347,4"02 10%
0,00023 7,70*-07 4,728 0,0036 347,6"02 10%
0,000469 1,24*-06 4,724 0,0036 347,8"02 10%
0,00020 1,34*-06 4,724 0,0036 347,8"02 10%
0,00084 1,47*-06 4,722 0,0036 347,9"02 10%
0,000666 1,63*-06 4,721 0,0036 348,0"02 10%
0,00077 1,8*-06 4,719 0,0036 348,1"02 10%
0,000926 2,1*-06 4,716 0,0036 348,3"02 10%
@=
347,8"03
6,09 34,12 sa = 6,09
0,00324 0,06852 s: = 0,00324
a = -17,8 " o# - 6,1
$ = 4,7327 " o# - 0,0032
%I(A) %(()) &oids Ai Ai8@
da = da8>a> =
d: = d:8>:> =
d'o^ $ * E 9-B"8B I $-$$"8 ( prcision $ --K `
et r E 5B-C0 I >-5 O prcision $ +J `
L(G) en (onction e M(A) %
0,0001 0,0003 0,0005 0,0007 0,0009
4,710
4,715
4,720
4,725
4,730
4,735
9e sont bien s"r les rsultats du )8 qui font foi ceux du ,8 n'ont pas
,O+
tenu compte de sources d'incertitudes importantes#
*55 : Hocom&trie nonc p36
Dans les conditions de Dauss la relation de con;ugaison au centre de
la lentille mince sphrique s'crit $
1
O''
1
O'
=
1
f '
(5 $ distance focale image#
Aous a!ons ici un ob;et et une image rels et sui!ant le choix d'axe
optique O'0 et O'' >0 # Ainsi pour tra!ailler a!ec des
grandeurs positi!es nous posons $ O'=O' et O'=O'' #
7a mthode la plus rapide pour mesurer la focale d'une lentille
con!ergente est la mthode par auto8collimation# Cnsuite nous a!ons
la mthode de (essel plus prcise mais plus longue 5 mettre en
2u!re# 7'a!antage a!ec l'autre mthode de cet exercice certes
longue est que nous ne tra!aillons pas a!ec une seule mesure mais
a!ec n mesures# Plus le nombre mesure est grand plus le rsultat est
prcis#
w<A contient les incertitudes gomtriques 3mesures de longueurs4 et
de modlisation 3paisseur de la lentille conditions de Dauss4# w<A'
contient en plus les incertitudes optiques 3latitudes de mise au point4 $
w<A'Yu3w<A'
go
~bw<A'
mod
~bw<A'
opt
~4
,OJ
7a relation entre <A et <A' est hyperbolique nous considrons donc
xY,&<A et yY,&<A'# Aous a!ons alors une relations linaire y*ax1b
o^ le coefficient directeur a doit 0tre gal 5 8, et l'ordonne 5 l'origine
b 5 ,&f'# wxYw3,&<A4Yw<A&<A~ de m0me pour wy#
Cn utilisant un tableur 3ici %%%#incertitudes#fr&li!re&TPlentille#ods4
nous obtenons $
aY 8,-)e--* et bY---L)e----J soit 7' E 588 I > mm 3cohrent
a!ec l'indication du fabricant f'Y,)N mm4#
aY 8, est bien dans l'inter!alle nous !rifions aussi la !alidit de cette
relation linaire entre ,&<A et ,&<A'# Pour prciser da!antage la
!alidit de la relation de con;ugaison il faudrait aussi montrer que
cette relation linaire est celle qui donne la meilleure corrlation#
y en (onction e x %
0,0015 0,0025 0,0035 0,0045 0,0055 0,0065
0,0010
0,0020
0,0030
0,0040
0,0050
0,0060
0,0070
,ON
0,0871 8,! +a = 0,0871
0,000408 ,0! +$ = 0,0004
a = -1,021 " o# - 0,087
$ = 0,00821 " o# - 0,00041
-1,11 , a , -0,93
f-=1&$= 122
6
!
%a = %a&'a' =
%$ = %$&'$' =
%f-=%(1&$)=
%f-&f-=%(1&$)&'1&$'=
%horie
*58 :
i =1
n
( x
i
x )
2
=
i=1
n
x
i
2
2
i =1
n
x
i
x+
i =1
n
x
2
=n x
2
2
i=1
n
x
i
+n
x
2

n x
2
2
i =1
n
x
i
+n
x
2
=n x
2
2
x n
x+n
x
2
=n( x
2
x
2
)
*5" :
s
!
=s
r
.
1
n
+

x
2
( x
i
x)
2
=s
r
.
( x
i
x)
2
+n
x
2
n
( x
i
x)
2
=s
r
.
n( x
2
x
2
)+n
x
2
n
( x
i
x)
2
,OO
n = 8 a e+tim= -1,0210 a= -1,0210
x %x y %y poi%+ .i .i&/
0,0017 0,0000124 0,00667 0,000667 2249189 6%
0,00189 0,0000178 0,0062 0,000664 22698 6%
0,00202 0,0000203 0,00610 0,0008 3210643 9%
0,00227 0,000028 0,0081 0,000608 2696211 7%
0,00286 0,0000408 0,0024 0,00048 330804 9%
0,0037 0,0000638 0,00467 0,00046 330866 9%
0,00476 0,0001134 0,00342 0,000328 8248034 23%
0,00667 0,0002222 0,00137 0,000191 11349080 31%
/=
366372
d'o^
s
!
=s
r
.
n x
2
n
( x
i
x)
2
=s
r
.

x
i
2
n
( x
i
x)
2
*59 :
s
a
=
s
r
.
i
( x
i
x)
2
et
s
!
=s
r
.

x
i
2
n
( x
i
x)
2
d'o^ s
!
=s
a
.
x
i
2
n
ce qui nous amne immdiatement au rsultat recherch#
*50 : As3mptotes nonc p33
Pour la droite extr0me de plus grande pente $

Ay
o*
=y
o *
y
o
=(a
*
x
o
+!
"
)(a x
o
+!)=Aa . x
o
A!
lim
x
o
-
Ay
o*
=lim
x
o
-
(Aa. x
o
A!)=Aa . x
o
Pour la courbe de prdiction $
Ay
conf
=t
n2
s
r
.
1
n
+
( x
o
x)
2
( x
i
x)
2
=t
n2
s
r
.
1
n x
o
2
+
(
1

x
x
o
)
2
( x
i
x)
2
x
o
ainsi lim
x
o
-
Ay
conf
=t
n2
s
r
.
0+
1
( x
i
x)
2
x
o
=Aa. x
o
Pour la prdiction nous arri!ons simplement 5 la m0me conclusion#
9omme nous le pressentions exprimentalement toutes les
asymptotes se re;oignent bien 5 l'infini#
*5> : 'ntervalles de con7iance et prdiction nonc p33
,8
x=
i =1
n
$
i
x
i
i =1
n
$
i
et
x
2
=
$
i
x
i
2
$
i
#
A =
$
i

$
i
x
i
2
$
i
x
i
)
2
=
(
$
i
)
2
( x
2
x
2
)
)8 Cn rgression simple $
,OK
Ay
o
=t
n2
s
r
.
1
n
+
( x
o
x)
2
( x
i
x)
2
s
a
=
s
r
.
i
( x
i
x)
2
et
Aa=t
n2
s
a
d'o^ t
n2
s
r
=Aa
.
( x
i
x)
2
ainsi
Cn rgression a!ec barres $
Aa =
.
$
i
A
et A=
(
$
i
)
2
( x
2
x
2
) d'o^ par analogie nous a!ons $
soit Ay
o
=
1
.
n
$
i
.
1+
( x
o
x)
2
x
2
x
2
pour la confiance
et Ay
o
=
1
.
n
$
i
.
1+n+
( x
o
x)
2
x
2
x
2
pour la prdiction
+8 Par le m0me calcul qu'en rgression simple
lim
x
o
-
Ay
o*
=Aa. x
o
Ay
conf
=
1
.
n
$
i
.
1+
( x
o
x)
2
x
2
x
2
=
1
.
n
$
i
.
1
x
o
2
+
(
1

x
x
o
)
2
x
2
x
2
x
o
lim
x
o
-
Ay
conf
=
1
.
n
$
i
.
1
x
2
x
2
x
o
=
1
.
n
$
i
.
(
$
i
)
2
A
x
o
lim
x
o
-
Ay
conf
=
1
.n
.
$
i
A
x
o
=
1
.n
Aa. x
o
Par analogie nous de!ons prendre dans les formules nE5 pour la r]
gression a!ec barres d'erreur# Cn fait nous de!ions nous attendre 5 un
facteur de diffrence en effet les poids V
i
sont dfinis 5 un facteur
,OL
Ay
o
=Aa
.
n( x
2
x
2
)
.
1
n
+
( x
o
x)
2
n( x
2
x
2
)
Ay
o
=
.
$
i
A
.
n
.
A
(
$
i
)
2
.
1
n
+
( x
o
x )
2
n( x
2
x
2
)
prs# Par exemple nous aurions aussi pu prendre
$
i
' =
1/ a
2
(Ay
i
/ a)
2
+(Ax
i
)
2
# Aussi en rgression simple le nombre de
points est clairement dfini alors qu'a!ec les barres d'erreurs certains
points comptent plus que d'autres nY, signifie que tous les points
correspondent 5 ,--` des donnes# Pour trou!er les formules de
l'nonc il suffit de remplacer n par ,#
*5B Autres e6pressions nonc p34
x=
$
i
x
i
$
i
x
2
=
$
i
x
i
2
$
i
x y=
$
i
x
i
y
i
$
i
A
(
$
i
)
2
=x
2
x
2
a =

$
i

$
i
x
i
y
i

$
i
x
i

$
i
y
i
A
=
x y
y
x
2
x
2
! =

$
i
y
i

$
i
x
i
2

$
i
x
i

$
i
x
i
y
i
A
=
y x
2
x x y
x
2
x
2
Aa =
.
$
i
A
=
1
.
$
i
1
.
x
2
x
2
A! =
.
$
i
x
i
2
A
=
1
.
$
i
.
x
2
x
2
x
2
:gression simple $
a=
x y
y
x
2
x
2
3m0me formule a!ec les barres4
et

y=a
x+! qui implique !=
y x
2
x x y
x
2
x
2
3m0me formule4
Aa=t
n2
s
r
1
.
i
( x
i
x)
2
=
t
n2
s
r
.n
1
.
x
2
x
2
et
A!=t
n2
s
r
.

x
i
2
n
( x
i
x)
2
=
t
n2
s
r
.
n
.
x
2
x
2
x
2
7es formules sont semblables# 9omme n1 nous a!ons
,O*
1
.
$
i
t
n2
s
r ainsi
1
.
$
i
pour la rgression a!ec barres
est qui!alent 5 l'incertitude sur les rsidus en rgression simple#
*5C : Mthode des moindres carrs nonc p4$
:gression simple $

d
2
=
i
( y
i
a x
i
!)
2
c(
d
2
)
c!
=
i
2
c( y
i
a x
i
!)
c!
( y
i
a x
i
!)=2
i
( y
i
a x
i
!)
d'o^ $

( y
i
a x
i
!)=0

y
i
a
x
i
n!=0
et finalement en di!isant par n $

y=a
x+!
c(
d
2
)
ca
=
i
2
c( y
i
a x
i
!)
ca
( y
i
a x
i
!)=2
i
x
i
( y
i
a x
i
!)
d'o^ $
( y
i
a x
i
!) x
i
=0
y
i
x
i
a
x
i
2
!
x
i
=0
et finalement en di!isant par n $
x ya x
2
!
x=0
soit x ya x
2
(
ya
x)
x=0 et finalement $
a=
x y
y
x
2
x
2
:gression a!ec barres $ %
2
=
i
$
i
( y
i
a x
i
!)
2
c(
%
2
)
c!
=2
$
i
( y
i
a x
i
!)
car V
i
ne dpend pas de b#
Ainsi nous obtenons aussi
y=a
x+! #
c$
i
ca
=
c
ca (
1
Ay
i
2
+a
2
Ax
i
2
)
=
2a Ax
i
2
(Ay
i
2
+a
2
Ax
i
2
)
2
=2aAx
i
2
$
i
2
c(
%
2
)
ca
=2a
i
Ax
i
2
$
i
2
( y
i
a x
i
!)
2
+
i
2$
i
(x
i
)( y
i
a x
i
!)
,K-
or Ax
i
est petit de!ant x
i
et y
i
nous pou!ons donc ngliger le pre]
mier terme de!ant le second et nous trou!ons ainsi le m0me rsultat
qu'en rgression simple#
Fthode , $
,8 a=
x y
y
x
2
x
2
=
( x
i
y
i
x y
i
)
n( x
2
x
2
)
=...
)8
# (a)=
p
i
2
# ( y
i
)=

( x
i
x)
2
(
( x
i
x)
2
)
2
c
r
2
=...
9ar les !ariables y
i
sont indpendantes et sont supposes a!oir la
m0me !ariance#
+8 !=
y x
2
x x y
x
2
x
2
=
( y
i
x
2
x x
i
y
i
)
n( x
2
x
2
)
=...
# (!)=
( x
2
x x
i
)
2
(
( x
i
x)
2
)
2
c
r
2
=
n
(
x
2
)
2
2 x
2
x
2
+
x
2
x
2
(
( x
i
x)
2
)
2
c
r
2
=...
Fthode ) $
a=
x
i
y
i
y
i
n( x
2
x
2
)
or
c
y
i
c y
j
=
c( y
1
+...+y
j
+...+y
n
)
c y
j
=0+...+1+...+0=1
et
c
x
i
y
i
cy
j
=
c( x
1
y
1
+...+x
j
y
j
+...+x
n
y
n
)
cy
j
=0+...+x
j
+...+0=x
j
ainsi
ca
c y
j
=
x
j
x
n( x
2
x
2
)
et s
a
2
=
(
x
j
x
n( x
2
x
2
)
)
2
s
y
i
2
=...
Dmarche analogue pour b#
Approche matricielle $ le systme d'quation p,K- est qui!alent 5
,K,

y!a
x=0
x y!
xa x
2
=0

&=
(
1

x
x x
2
)

'=
(
!
a
)
et (=
(

y
x y
)
#
BA*T, A*B
#"
T
&
1
=
1
x
2
x
2
(
x
2
x 1
)
et
c
!
2
=(&
1
)
11
c
r
2
Aous a!ons une matrice de dterminant non nul et nous a!ons appli]
qu la formule d'in!ersion pour une matrice )x) 3on !rifie bien que
BB
#"
*B
#"
B*M4# Aous a!ons alors rapidement les formules recher]
ches#
*5/ *sprance de a nonc p4$
E(a)=E(
i
p
i
y
i
)=
i
p
i
E( y
i
)=
i
p
i
(ox
i
+)
E(a)=o
i
p
i
x
i
+
i
p
i
p
i
=
1
( x
i
x)
2
( x
i
x )=0

p
i
x
i
=
x
i
( x
i
x)
( x
i
x)
2
=
1
( x
i
x)
2
(( x
i
x)
2
+
x( x
i
x))=1+0
d'o^ E( a)=o
*8$ +cartt3pes proportionnels P 3 nonc p41
1$
a=
$
i
$
i
x
i
y
i
$
i
x
i
$
i
y
i
$
i
$
i
x
i
2
(
$
i
x
i
)
2
a+ec
$
i
=
1
k
2
y
i
2
.
2$ a=
3
4
ca
c y
j
=
3' 44' 3
4
2
3' =
c3
c y
j
=
2
y
j
3
x
y
+
1
y
2
x
j
y
j
2

2 x
j
y
j
3

1
y
x
y
2
1
y
j
2
,K)
4 ' =
c4
c y
j
=
2
y
j
3

x
2
y
2
+
1
y
2
2 x
j
2
y
j
3
2
x
y
2
2 x
j
y
j
3
)ous a+ons ainsi le calcul de la dri+e %artielle nous les
a&outons au carr selon toutes les +aleurs de I sur un ta*leur
a6in d'o*tenir s
a
0
/A5x5
/A5834x3846
,K+
eeu de donnes 1 %our QA$81 0 s
a
0,422
eeu de donnes 2 %our QA$81 0
s
a
0,427
)ous trou+ons e'actement les m=mes rsultats a+ec les %ej
tites +ariations 0
E*" E*& E*' E*> E*/ E*A E*<
ca
c y
j
8-))+K 8--)-+ --++, --J*O --NJ) --NJ+ --N)L
d'o\
s
a
0,422
E*" E*& E*' E*> E*/ E*A E*<
ca
c y
j
8-))+) 8---,O --N,J --+J+ --OOK --J,- --O,,
d'o\
s
a
0,427
)ous a+ions a+ec la mt"ode classi#ue %29 0
a
0,422
a
0,399
>ncore une 6ois la mt"ode a+ec la 6ormule de %ro%agation
et %lus raliste #ue la mt"ode classi#ue.
*85 'nterprtation de F
i
nonc p41
,8 Aous !oulons trou!er la droite qui passe au mieux
par tous les rectangles d'incertitudes et si possible au
plus prs de leur centre# Si la pente de la droite est
faible la droite est proche de l'hori1ontale a0 et
seul Jy
i
sera contraignant pour a;uster la droite et
$
i
1
(Ay
i
)
2
# Par exemple un rectangle tel que
Jx
i
*Jy
i
encadrera autant la droite qu'un autre pour
,KJ
lequel Jx
i
*+# Au contraire si la droite est !erticale a et seul Jx
i
sera contraignant pour a;uster la droite et
$
i
1
(aAx
i
)
2
Dans le cas intermdiaire o^ a*" Jy
i
et Jx
i
;ouent des rles
symtriques ce qui est satisfait par la formule
$
i
=
1
(Ay
i
)
2
+(Ax
i
)
2
#
*88 Dcomposition en ;aussiennes nonc p42
Aous considrons une dcomposition de la forme $
Aous a!ons six paramtres $
etc#
Aous partons des paramtres estims sui!ants $
Si !ous parte1 de paramtres quelconques l'itration risque de
di!erger# /ous regarde1 d'abord si l'adquation est graphiquement
correcte et surtout !ous essaye1 manuellement 5 t_tons de
minimiser S
)
#
,KN
Aous obtenons les expressions sui!antes pour la premire itration $
9onnaissant les !ariations des paramtres nous obtenons un nou!eau
;eu de paramtres pour la deuxime itration# Aous itrons autant que
ncessaire pour con!ergence et stabilit des grandeurs $
D'o^ les paramtres et matrice in!erse finaux sui!ants $
,KO
Aous pou!ons ainsi dterminer les cart8types sur les paramtres $
59,960 59,980 60,000 60,020 60,040 60,060
0
2
4
6
8
10
12
En clou correspond 5 une aire de --,x, donc pour une unit d'aire $
u#a#Y,-- clous#
,KK
'=
+
oe
1
2
(
x
6
)
2
dx=
.
2no6
suite au changement de !ariable
x ' =
x
6
Pour le pic de gauche $ .
1
=
.
2na
1
a
3
=17,33!4,91
Pour le pic de droite $ .
2
=
.
2na
4
a
6
=31,18!4,72
Au total $
.=.
1
+.
2
=48,5!6,8
3cohrent a!ec JL clous4
Devoir .uricate :
*5 : Pi&ces
Ab de lancers possibles $ )x)x)x)Y,O#
Ene seule possibilit correspond 5 J piles d'o^ une probabilit de une
chance sur 5> soit O)N`#
.uatre possibilits pour un pile $ PHHH HPHH HHPH HHHP# D'o^
pYJ&,O soit une chance sur quatre 3pY-)NY)N`4#
*8 : *au6 minrales Jbicarbonates et sul7atesK
a4 )E58"9-C m,QL#
b4 R
)
E59>/ m,QL#
c4 w(Yt#d
(
&un# t3ddlYLT*N`4Y)+,# F)E55"5 m,QL# Drande disper]
sion la teneur en bicarbonate est trs !ariable d'une eau 5 l'autre#
d4 r
(S
Y 8 -)ON y -N)# 7es grandeurs peu!ent 0tre considres
comme non corrles#
e4 D'aprs la formule de propagation des incertitudes $ si TY(bS on a
wTYu3w(
)
bwS
)
4#
,KL
D'o^ wTY,)-*N mg&7 TY(bS %E5>58 I 58$/ m,QL P /01 trs
dispers#
*" : Population Jpauvres Q nonpauvresK
/aleurs obser!es $
<
,,
Y,,) <
,)
Y,-N <
,+
Y,NJ <
,J
Y,,+
<
),
YLLL L*N ###
,--- ,--- ,--- ,---
Pau!res sur le pays $ ,,)b,-Nb,NJb,,+YJLJ sur J--- personnes au
total d'o^ ,),` de pau!res# Aous en dduisons le tableau espr
pour l'hypothse de rpartition uniforme$
C
,,
Y,), C
,)
Y,), C
,+
Y,), C
,J
Y,),
C
),
YLK* C
))
YLK* C
)+
YLK* C
)J
YLK*
,--- ,--- ,--- ,---
X
2
=
(112121)
2
121
+
(105121)
2
121
+
(154121)
2
121
+
(113121)
2
121
14,0
7e nombre de degrs de libert $ ddlY3J8,43)8,4 d'o^
X
2
YKL,N au
maximum pour que la probabilit que l'hypothse soit !raie soit sup]
rieure 5 N`# =ci on est bien au dessus l'h3poth&se est donc re4ete
3pour 0tre plus prcis la proba que l'hyp# soit ;uste n'est que de
-)*`4 #
*9 : *au6 minrales Jsodium et chloruresK )4
,K*
Devoir !arval :
*5 : D&s
+O possibilits# ,) $ pY,&+OY)L`# K $ pYO&+OY,&OY,OK`#
*8 : Maisons
a4 b4 c4 d4 :
,
YJ- mM&p T d
,
Y,LN mM&pT w:
,
Y,NN mM&pT r
,)
Y-
e4 :Y)LO e -L mM&p
*" : .alaires
~YLON KL hypothse non soutenable#
*9 : Courbes
,4 d4T +4 c4 T J4 b4T )4 aucunes correspondances#
,L-
('''# )iblio,raphie Q .ources Q Lo,iciels Q
'llustrations
Livres
SivT P:<TASS</ Monstantin# Probabilits et incertitues
ans l5analyse es onnes exprimentales# Presses
Eni!ersitaires de Drenoble ,***# ,)L p#
SviT p<AAA9<TT# Statistique Sconomie # ;estion #
Sciences # Decine! Cconomica ,*K)# *,* p#
S6T ?<E:ACAEP :oger# Hraitement es mesures# Cllipses
)--*# +KK p#
SiiiT SAP<:TA Dilbert# Probabilits, analyse es onnes et
statistique# Technip )--O# O)) p#
:<EAED Fathieu Probabilits, statistiques et analyses
multicritres# lulu#com %%%#incertitudes#fr&li!re#pdf )-,)# ,LJ p#
Neb
Place1 )ttp%.. de!ant le nom des sites#
7a plupart des fichiers sont en copie dans le dossier
y%%%#incertitudes#fr&li!re&#
:<EAED Fathieu# $alculs 5incertitues# y%%%#
incertitudes#fr&=ncertitudes#html
SviiiT FA:9ADCT HranIoise# ?stimer une incertitue et
Desures et incertitues (accompagnement personnalis en
"
re
S)# Professeur de Sciences Physiques appartenant au groupe
acadmique# 7yce Alain Hournier de (ourges# Sur le site
yphysique#ac8orleans8tours#fr&accompagnementpersonnalise&
,L,
SvT 4ombres, mesures et incertitues# mai )-,-#
y%%%#educnet#education#fr&rnchimie&recom&mesuresincertitudes#pdf
SviiT Svaluation es onnes e mesure e ;uie pour
lfexpression e lfincertitue e mesure! y%%%#bipm#org&utils&
common&documents&;cgm&?9DF,--)--LH#pdf )--L# ,+)p#
(:CE=7 P D= (CACDCTT< D# Mncertitue et talonnage!)---# ,Op#
Si6T Algorit)me e ;auss#4eVton 8 piVipdia
,N ;uin )-,+ 5 ,K$+)
Articles
SiT Kegression line analysis M#S#M:AAC et 7#S9GC9TC:
American ?# of Physics 0$L) 3,*L)4#
SiiT :<EAED Fathieu# Desure avec une rgle! (ulletin
de l'Enion des Physiciens nX*,+ a!ril )--*#
Lo,iciels
Tous les logiciels utiliss sont libres et gratuits#
Traitement de texte et tableur ]pen]((ice et
3ibre]((ice
Draphisme $ ;imp 3points4 MnFsFape 3!ectoriel4 et
Tlener 3+D4#
9alcul $ Scilab 3numrique4 X$AS 3symbolique4 et
programmes en PBP 3sur ser!eur4#
Trac de courbes $ gmPlot, HeXgrap)!
Systme d'exploitation $ Lbuntu#
,L)
'llustrations
:eprsentations +D situes a!ant la table des matires et en troisime
!ignette de la cou!erture arrire#
En marcheur alatoire se dplace dans un plan# =l lance deux pices et
regarde les rsultats $ deux piles un pile et un face un face et un pile
ou deux faces# 7a premire pice lui indique s'il doit faire un premier
!ers l'Cst ou l'<uest la deuxime s'il doit faire un second pas !ers le
Sud ou le Aord# Ainsi 5 chaque inter!alle de temps Jt il se dplace
dans le plan de deux pas# Pendant Jt la distance parcourue par le
marcheur est J * & p 3p longueur d'un pas4#
q qu'elle distance du point de dpart se trou!e
le marcheur 5 l'instant t Q 3 aprs n inter!alles de temps $ t * n Jt4
Pour n*" nous traIons les tableaux sui!ants $
0,5
1 1
#0,5
1 1
#0,5 0,5

2! 2!
2! 2!
7e centre du tableau est son point de dpart# Cn abscisse x 3direction
Cst8<uest4 le dplacement est de plus ou moins un pas 3x*Op , p*
J .& et on a pris J*"4# De m0me en ordonne $ y*Op! Dans
chaque est indiqu le nombre de possibilits de se retrou!er 5 cet
endroit# 7e second tableau indique les probabilits 3,&J JY)x)4#
Dans les quatre possibilits il est 5 une distance u)&) du point
d'origine# Ct en terme d'cart8type la distance caractristique est
s=
.
(4 . 1/
.
2)
2
/( 41)0,816
#
Pour n*& nous traIons les tableaux sui!ants $
1 1 2 1
0 2 4 2
#1 1 2 1
#1 0 1

6! 13! 6!
13! 2! 13!
6! 13! 6!

,L+
Par exemple pour 0tre en 3xY- T yY8,4 il y a deux chemins possibles $
3PHPP4 et 3HPPP4# @cart8type
s
2
1,033
#
7e marcheur a une chance sur quatre d'0tre re!enu au point de dpart#
Pour n*' nous traIons les tableaux sui!ants $
1,5
1 3 3 1
0,5
3 9 9 3
#0,5
3 9 9 3
#1,5
1 3 3 1
#1,5 #0,5 0,5 1,5

2! ! ! 2!
! 14! 14! !
! 14! 14! !
2! ! ! 2!

s
3
1,234
Pour n*> nous traIons les tableaux sui!ants $
2 1 4 6 4 1
1 4 16 24 16 4
0 6 24 36 24 6
#1 4 16 24 16 4
#2 1 4 6 4 1
#2 #1 0 1 2

0,4! 1,6! 2,3! 1,6! 0,4!
1,6! 6,3! 9,4! 6,3! 1,6!
2,3! 9,4! 14! 9,4! 2,3!
1,6! 6,3! 9,4! 6,3! 1,6!
0,4! 1,6! 2,3! 1,6! 0,4!

Pour n*/ nous traIons les tableaux sui!ants $
2,5
1 5 10 10 5 1
1,5
5 25 50 50 25 5
0,5
10 50
100 100
50 10
#0,5
10 50
100 100
50 10
#1,5
5 25 50 50 25 5
#2,5
1 5 10 10 5 1
#2,5 #1,5 #0,5 0,5 1,5 2,5

0,1! 0,! 1,0! 1,0! 0,! 0,1!
0,! 2,4! 4,9! 4,9! 2,4! 0,!
1,0! 4,9! 9,8! 9,8! 4,9! 1,0!
1,0! 4,9! 9,8! 9,8! 4,9! 1,0!
0,! 2,4! 4,9! 4,9! 2,4! 0,!
0,1! 0,! 1,0! 1,0! 0,! 0,1!
,LJ
Pour n*A nous traIons les tableaux sui!ants $
3 1 6 15 20 15 6 1
2 6 36 90
120
90 36 6
1 15 90
22 300 22
90 15
0 20 120 300 400 300 120 20
#1 15 90
22 300 22
90 15
#2 6 36 90 120 90 36 6
#3 1 6 15 20 15 6 1
#3 #2 #1 0 1 2 3

0,0! 0,1! 0,4! 0,! 0,4! 0,1! 0,0!
0,1! 0,9! 2,2! 2,9! 2,2! 0,9! 0,1!
0,4! 2,2! ,! 7,3! ,! 2,2! 0,4!
0,! 2,9! 7,3! 9,8! 7,3! 2,9! 0,!
0,4! 2,2! ,! 7,3! ,! 2,2! 0,4!
0,1! 0,9! 2,2! 2,9! 2,2! 0,9! 0,1!
0,0! 0,1! 0,4! 0,! 0,4! 0,1! 0,0!
D'o^ l'!olution de la distance quadratique moyenne du point
d'origine en fonction du temps $
0 1 2 3 4 5 6
0,00 1,00 1,41 1,73 2,00 2,24 2,45
s (2&)
0,000 0,816 1,033 1,234 1,417 1,82 1,732
t (Bt)
Ct
Aous traIons la courbe les points pour s en fonction de t puis celle
pour s en fonction de 7t $
0 1 2 3 4 5 6 7
0,0
0,5
1,0
1,5
2,0
<3 = 0,8839

0,0 0,5 1,0 1,5 2,0 2,5 3,0
0,0
0,5
1,0
1,5
2,0
<3 = 0,9957
Aous constatons une bien meilleur corrlation en 7t# Cn effet nous
!oyions directement que la distance 5 l'origine n'!oluait pas
proportionnellement au temps pour n*& nous sommes 5 en!iron une
unit de l'origine nous de!rions donc 0tre !ers ' pour n*A#
9ette !ariation en 7t est caractristique des phnomnes de diffusion
et trou!e ici son analogie a!ec les compensations d'erreurs en 7n#
,LN
'?# %A)L*. Q 'nde6
A. Coe,,icients de *tudent
-oefficient
-onfiance (2)
de @tudent
t 0 80 90 9 98 99 99, 99,8 99,9
%
e
9
r
s

d
e

'
i
:
e
r
t

(
t
a
i
'
'
e

d
e

'
,
c
D
a
n
t
i
'
'
o
n

m
o
i
n
s

'
e

n
o
m
:
r
e

d
e

&
a
r
a
m
E
t
r
e
s
)
1 1,00 3,08 6,31 12,7 31,8 63,7 127 318 637
2 0,82 1,89 2,92 4,30 6,96 9,92 14,1 22,3 31,6
3 0,76 1,64 2,35 3,18 4,54 5,84 7,45 10,2 12,9
4 0,74 1,53 2,13 2,78 3,75 4,60 5,60 7,17 8,61
0,73 1,48 2,02 2,57 3,36 4,03 4,77 5,89 6,87
6 0,72 1,44 1,94 2,45 3,14 3,71 4,32 5,21 5,96
7 0,71 1,41 1,89 2,36 3,00 3,50 4,03 4,79 5,41
8 0,71 1,40 1,86 2,31 2,90 3,36 3,83 4,50 5,04
9 0,70 1,38 1,83 2,26 2,82 3,25 3,69 4,30 4,78
10 0,70 1,37 1,81 2,23 2,76 3,17 3,58 4,14 4,59
11 0,70 1,36 1,80 2,20 2,72 3,11 3,50 4,02 4,44
12 0,70 1,36 1,78 2,18 2,68 3,05 3,43 3,93 4,32
13 0,69 1,35 1,77 2,16 2,65 3,01 3,37 3,85 4,22
14 0,69 1,35 1,76 2,14 2,62 2,98 3,33 3,79 4,14
1 0,69 1,34 1,75 2,13 2,60 2,95 3,29 3,73 4,07
16 0,69 1,34 1,75 2,12 2,58 2,92 3,25 3,69 4,01
17 0,69 1,33 1,74 2,11 2,57 2,90 3,22 3,65 3,97
18 0,69 1,33 1,73 2,10 2,55 2,88 3,20 3,61 3,92
19 0,69 1,33 1,73 2,09 2,54 2,86 3,17 3,58 3,88
20 0,69 1,33 1,72 2,09 2,53 2,85 3,15 3,55 3,85
22 0,69 1,32 1,72 2,07 2,51 2,82 3,12 3,50 3,79
24 0,68 1,32 1,71 2,06 2,49 2,80 3,09 3,47 3,75
26 0,68 1,31 1,71 2,06 2,48 2,78 3,07 3,43 3,71
28 0,68 1,31 1,70 2,05 2,47 2,76 3,05 3,41 3,67
30 0,68 1,31 1,70 2,04 2,46 2,75 3,03 3,39 3,65
40 0,68 1,30 1,68 2,02 2,42 2,70 2,97 3,31 3,55
0 0,68 1,30 1,68 2,01 2,40 2,68 2,94 3,26 3,50
60 0,68 1,30 1,67 2,00 2,39 2,66 2,91 3,23 3,46
70 0,68 1,29 1,67 1,99 2,38 2,65 2,90 3,21 3,44
80 0,68 1,29 1,66 1,99 2,37 2,64 2,89 3,20 3,42
90 0,68 1,29 1,66 1,99 2,37 2,63 2,88 3,18 3,40
100 0,68 1,29 1,66 1,98 2,36 2,63 2,87 3,17 3,39
200 0,68 1,29 1,65 1,97 2,35 2,60 2,84 3,13 3,34
300 0,68 1,28 1,65 1,97 2,34 2,59 2,83 3,12 3,32
00 0,67 1,28 1,65 1,96 2,33 2,59 2,82 3,11 3,31
1000 0,67 1,28 1,65 1,96 2,33 2,58 2,81 3,10 3,30
0 0,67 1,28 1,64 1,96 2,33 2,8 2,81 3,09 3,29
,LO
B. Galeurs criti2ues de (hi-deux
U
/ro:a:i'it &our que ',Dy&otDEse soit 6raie (2)
99 90 7 0 30 20 10 2 1 0,1
n
o
m
:
r
e

d
e

d
e
9
r
s

d
e

'
i
:
e
r
t
1 0,000157 0,0158 0,102 0,455 1,07 1,64 2,71 3,84 5,41 6,63 10,8
2 0,0201 0,211 0,575 1,39 2,41 3,22 4,61 5,99 7,82 9,21 13,8
3 0,115 0,584 1,21 2,37 3,66 4,64 6,25 7,81 9,84 11,3 16,3
4 0,297 1,06 1,92 3,36 4,88 5,99 7,78 9,49 11,7 13,3 18,5
0,554 1,61 2,67 4,35 6,06 7,29 9,24 11,1 13,4 15,1 20,5
6 0,872 2,20 3,45 5,35 7,23 8,56 10,6 12,6 15,0 16,8 22,5
7 1,24 2,83 4,25 6,35 8,38 9,80 12,0 14,1 16,6 18,5 24,3
8 1,65 3,49 5,07 7,34 9,52 11,0 13,4 15,5 18,2 20,1 26,1
9 2,09 4,17 5,90 8,34 10,7 12,2 14,7 16,9 19,7 21,7 27,9
10 2,56 4,87 6,74 9,34 11,8 13,4 16,0 18,3 21,2 23,2 29,6
11 3,05 5,58 7,58 10,3 12,9 14,6 17,3 19,7 22,6 24,7 31,3
12 3,57 6,30 8,44 11,3 14,0 15,8 18,5 21,0 24,1 26,2 32,9
13 4,11 7,04 9,30 12,3 15,1 17,0 19,8 22,4 25,5 27,7 34,5
14 4,66 7,79 10,2 13,3 16,2 18,2 21,1 23,7 26,9 29,1 36,1
1 5,23 8,55 11,0 14,3 17,3 19,3 22,3 25,0 28,3 30,6 37,7
16 5,81 9,31 11,9 15,3 18,4 20,5 23,5 26,3 29,6 32,0 39,3
17 6,41 10,1 12,8 16,3 19,5 21,6 24,8 27,6 31,0 33,4 40,8
18 7,01 10,9 13,7 17,3 20,6 22,8 26,0 28,9 32,3 34,8 42,3
19 7,63 11,7 14,6 18,3 21,7 23,9 27,2 30,1 33,7 36,2 43,8
20 8,26 12,4 15,5 19,3 22,8 25,0 28,4 31,4 35,0 37,6 45,3
21 8,90 13,2 16,3 20,3 23,9 26,2 29,6 32,7 36,3 38,9 46,8
22 9,54 14,0 17,2 21,3 24,9 27,3 30,8 33,9 37,7 40,3 48,3
23 10,2 14,8 18,1 22,3 26,0 28,4 32,0 35,2 39,0 41,6 49,7
24 10,9 15,7 19,0 23,3 27,1 29,6 33,2 36,4 40,3 43,0 51,2
2 11,5 16,5 19,9 24,3 28,2 30,7 34,4 37,7 41,6 44,3 52,6
26 12,2 17,3 20,8 25,3 29,2 31,8 35,6 38,9 42,9 45,6 54,1
27 12,9 18,1 21,7 26,3 30,3 32,9 36,7 40,1 44,1 47,0 55,5
28 13,6 18,9 22,7 27,3 31,4 34,0 37,9 41,3 45,4 48,3 56,9
29 14,3 19,8 23,6 28,3 32,5 35,1 39,1 42,6 46,7 49,6 58,3
30 15,0 20,6 24,5 29,3 33,5 36,3 40,3 43,8 48,0 50,9 59,7
31 15,7 21,4 25,4 30,3 34,6 37,4 41,4 45,0 49,2 52,2 61,1
32 16,4 22,3 26,3 31,3 35,7 38,5 42,6 46,2 50,5 53,5 62,5
33 17,1 23,1 27,2 32,3 36,7 39,6 43,7 47,4 51,7 54,8 63,9
34 17,8 24,0 28,1 33,3 37,8 40,7 44,9 48,6 53,0 56,1 65,2
3 18,5 24,8 29,1 34,3 38,9 41,8 46,1 49,8 54,2 57,3 66,6
36 19,2 25,6 30,0 35,3 39,9 42,9 47,2 51,0 55,5 58,6 68,0
37 20,0 26,5 30,9 36,3 41,0 44,0 48,4 52,2 56,7 59,9 69,3
38 20,7 27,3 31,8 37,3 42,0 45,1 49,5 53,4 58,0 61,2 70,7
39 21,4 28,2 32,7 38,3 43,1 46,2 50,7 54,6 59,2 62,4 72,1
40 22,2 29,1 33,7 39,3 44,2 47,3 51,8 55,8 60,4 63,7 73,4
2
,LK
In%ex
Asymptotes###########################LL
9alcul d'incertitude###############JO
9apacit thermique#################,
9hi )#####################################O*
9lasse################################>- +)
9lous#####################################*)
9oefficient d'aplatissement ,J,
9oefficient de corrlation#####J-
9oefficient de dissymtrie##,J,
9oefficient de Student###58- N+
,LO
9ompensations#############JK ,-,
9onducti!it thermique########L+
9onfiance##############################,)
Dcomposition en gaussiennes
##############################################*)
Densit de probabilit#####5C- *N
Dri!e partielle###########N) ,J-
Ds############################,N ++ *L
Dtente de ?oule Day87ussac
############################################,,+
D!eloppement limit##########KJ
Diffusion#############################,LN
Dispersion###########################,,-
Distribution de Dauss#####,- 5C
Droites extr0mes###########NJ ,+J
Caux minrales###################,),
@cart####################################,,,
@cart moyen######################+ +,
@cart quadratique moyen########J
@cart8type#######################+ ,,-
@quation diffrentielle##########LJ
Crreur accidentelle########)K ,,-
Crreur alatoire###,-J ,,- ,,,
Crreur de discrtisation##)K *+
,,-
Crreur de mesure################,,,
Crreur de type A#################,,-
Crreur de type (#################,,-
Crreur systmatique#####)K ,-J
,,- ,,,
Csprance######################,* ,,-
Cstimation#############################NJ
@tendue#############################+ *N
Hacteur d'largissement######,,-
Hidlit##################################)K
Hocomtrie##############L, LO ,,)
Hormule de 9auchy########K- L)
Hormule de propagation des
cart8types####################JN ,-+
Hormule de propagation des
incertitudes###################JN ,-J
Hrquence###############################O
Daussienne +D######################+N
Da1 parfait####################NL ,,J
Doniomtre#########################,)L
Gypothse ergodique##########,,O
=ncertitude#############################,)
=ncertitude absolue#########58- JL
,LL
=ncertitude relati!e##########58- JL
=ncertitude8type##################,,-
=ndice############################L, ,)L
=ntgrale########################,* ,J,
=ntgrale multiple#################+N
=nter!alle de confiance# # #NJ LL
=nter!alle de prdiction###NN LL
=solant###################################+)
?ustesse#########################)K ,,-
7inarisation###################O- K+
7oi de probabilit triangulaire
######################################*L ,-N
7oi de probabilit uniforme##*N
Facrotat############################,,N
Fdiane##################################)
Fesurage############################,,-
Fesurande##########################,,-
Fesure optique###################,++
Fthode des petites !ariations
##############################################OO
Fthode itrati!e######NK K- K+
Ftrologie##########################,-N
Ficrotat############################,,N
Firoir sphrique#################,+)
Fode#######################################,
Foindres carrs########N, NK OL
Foment##############################,J,
Fontage longue dri!ation#,O)
Foyenne#################################)
Foyenne arithmtique############)
Foyenne gomtrique############)
Auages de points##################J)
<rdonne 5 l'origine#############N)
Parfaite################################,-J
Pente#####################################N)
Physique statistique############,,N
Pile lectrique#######################LO
Prdiction##############################NN
Prisme###########################L) ,)L
Produit de con!olution# # #*+ *K
:gression a!ec barres
d'erreurs################################NK
:gression gnralise#########OL
:gression linaire###############N,
:gression multiple##############OL
:gression non linaire########K+
:gression parabolique########K,
:gression polynomiale#######K-
:ptabilit###################)K ,,-
:eproductibilit############)K ,,-
:sidu#############################N) O*
:sistance thermique####L+ ,)J
:solution###############)K *+ ,,-
Spectre de raie######################L)
Test d'hypothse###################))
Test du Mhi8deux##################)J
Thorme central limite#######,-
,-,
/aleur !raie########################,,-
/ariance##################,* *O ,-,
/ernier################################,)*
Bro absolu###########################NN
,L*

Livre Incertitudes

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Livre Incertitudes

Uploaded by

Copyright:

Available Formats

Calcul d'incertitudes

x la moyenne de l'chantillon et s son cart8type# Pour

x!Ax a!ec Ax=t

c15% # 7es mesures en calorimtrie ne

%our cette loi de

&) $alcul 5incertitue

x+! qui implique !=

You might also like