Cours Outils et Méthodes pour la Physique

navigationMENU
La connaissance progresse en intégrant en elle l'incertitude, non en l'exorcisantEdgar Morin

Accéder à une valeur objective de la réalité sans erreur est tout simplement impossible. L'erreur fait partie de l'opération de mesure. Une des forces de la science est d'avoir mis au point des outils qui permettent d'estimer cette erreur.

Mesurer c'est évaluer

Notion d'erreur et d'incertitude

Expérience

Mesurons, à l'aide d'un chronomètre, la durée tt correspondant à 2,5 périodes d'oscillation d'un pendule simple (5 passages à la verticale). En faisant faire cette même mesure par différents élèves on trouve

mesure n°1234
durée tt3,62 s3,47 s3,44 s3,30 s

L'expérience précédente montre que les résultats sont différents ce qui traduit l'existence d'erreurs de mesure. L'erreur faite lors de la mesure d'une grandeur xx est l’écart entre la valeur mesurée (xix_i) et sa valeur vraie (xvraiex_{\rm vraie}), laquelle est unique mais inaccessible. Elle présente deux composantes ; une aléatoire, l'autre systématique.

Exemple

Dans l'expérience précédente on peut lister les différentes sources d'erreur :

Erreur aléatoireErreur systématique (biais)
réflexe humaindéfaut de parallaxe
fidélité limité du chronomètrechronomètre mal calibrés
erreur de lectureverticale mal positionnée

Bien qu'il ne soit pas possible de compenser l'erreur aléatoire faite sur une mesure, elle peut être réduite en augmentant le nombre d'observations comme nous allons le voir. En revanche, l'erreur systématique d'un résultat de mesure ne peut être réduite en augmentant le nombre d'observations, mais par l'application d'une correction.

Le résultat final est exprimé sous la forme d’un intervalle de valeurs probables x=xm±Δxx=x_{\rm m} \pm \Delta xxmx_{\rm m} est la mesure, c'est-à-dire la meilleure estimation de la valeur vraie et Δx\Delta x l'incertitude sur la mesure que l'on cherche à évaluer. Plus précisément l'intervalle [xmΔx,xm+Δx][x_{\rm m}-\Delta x,x_{\rm m}+\Delta x] est défini comme un intervalle de confiance associé à une probabilité de contenir la valeur vraie xvraiex_{\rm vraie}. Cette probabilité est appelé niveau de confiance.

Exemple

La masse de l'électron vaut (CODATA 2010) me=(9,10938291±0,00000040)1031kg m_\text{e}=(9{,}109\,382\,91\pm 0{,}000\,000\,40)\cdot 10^{-31}\,\mathrm{kg} avec un niveau de confiance de 68%.

Insistons sur le fait que sans incertitude il nous est impossible de comparer deux résultats ou de réfuter une loi. Pour qu'un résultat ait une valeur scientifique il faut pouvoir prouver que les éventuels écarts entre la théorie et l'expérience sont non significatifs c'est-à-dire liés aux erreurs de mesure ce qui rend nécessaire l'estimation des incertitudes.

Écriture scientifique

Avant de voir comment estimer les incertitudes, faisons une petite mise au point sur les conventions d'écriture scientifique.

Dans une valeur numérique, le premier chiffre non-nul de gauche désigne le chiffre le plus significatif et le dernier chiffre de droite le chiffre le moins significatif. Les nombres 1230, 1,230 et 0,001230 ont ainsi tous quatre chiffres significatifs. Le nombre de chiffres significatifs rend compte de la précision du résultat et permet donc de se faire une idée de l’incertitude, même quand cette dernière n’est pas indiquée. Par exemple, écrire c=(3,00278±0,04)108m.s1c = (3,00278\pm 0,04)\cdot 10^{8}\,\mathrm{m.s^{-1}} n'a aucun sens, puisque l'incertitude indique que nous n'avons pas d'information au delà de la deuxième décimale. Il faut donc arrondir le résultat au centième.

Comment arrondir ?

Pour les arrondis on adopte la méthode qui consiste à arrondir au plus près : cela consiste à repérer le dernier chiffre à arrondir (en fonction de la précision) puis à l'augmenter d'une unité si le chiffre suivant est au moins égal à 5 ou à le conserver sinon. Par exemple,

  • arrondir 1,645 à l'unité donne 2 ;
  • arrondir 1,645 au dixième donne 1,6 ;
  • arrondir 1,645 au centième donne 1,65.

Si l'on reprend l'exemple précédent, on écrira plutôt c=(3,00±0,04)108m.s1c = (3,00\pm 0,04)\cdot 10^{8}\,\mathrm{m.s^{-1}} Par ailleurs, l'incertitude étant elle-même entachée d'une incertitude assez importante, on ne garde qu'un seul chiffre significatif, éventuellement deux si l'on estime faire une erreur d'arrondi trop importante avec un seul chiffre. Par exemple 175,652±6,922176±7et175,652±1,394175,7±1,4 175,652\pm 6,922\to176\pm7 \quad\text{et}\quad 175,652\pm 1,394\to175,7\pm1,4

En résumé

Une fois l'incertitude estimée, on l'arrondi à un ou deux chiffres. On ajuste la valeur de la mesure xmx_{\rm m} de manière à ce que son dernier chiffre significatif soit à la même position que celui de l'incertitude en arrondissant au plus près. Le résultat se met sous la forme x=(xm±Δx)10nuniteˊx=(x_{\rm m}\pm\Delta x)\cdot 10^n\quad\text{unité}

Comment estimer une incertitude ?

Décrivons les différentes méthodes qui nous permettent d'évaluer les erreurs aléatoires. Notez que l'on suppose les erreurs systématiques négligeables et que ça n'est qu'à la fin, lorsque l'on confronte théorie et expérience, que l'on peut invoquer l'existence de biais pour expliquer un désaccord.

Les différents types d'estimations

Finalement, mesurer c'est accéder à une grandeur aléatoire. Cette variable aléatoire présente une distribution qui a souvent l'allure d'une gaussienne dont la figure ci-contre en donne une représentation.
Pour caractériser la dispersion des résultats autour de la moyenne on définit l'écart-type σ\sigma \: σ=def(xx)2 \sigma\stackrel{\text{def}}=\sqrt{\overline{(x-\overline{x})^2}} x\overline{x} désigne la et (xx)2\overline{(x-\overline{x})^2} la moyenne des écarts quadratiques. On montre qu'il existe une probabilité de 68% pour qu'une mesure soit compris dans l'intervalle x±σ.\overline{x}\pm\sigma . On dit alors que l'intervalle x±σ\overline{x}\pm\sigma représente un niveau de confiance de 68%. Le problème que l'on se pose est, comment, à partir de mesures, évaluer les valeurs x\overline{x} et σ\sigma ? Pour cela, il existe deux types d'estimations :

Courbe De Gauss
Loi de probabilité d'une variable aléatoire gaussienne. On a 68% de chance de trouver xx dans l'intervalle x±σ\overline{x}\pm\sigma et 95% dans l'intervalle x±2σ\overline{x}\pm2\sigma.
Type A
On répète nn fois la même expérience puis on effectue une analyse statistique.
Type B
À partir d'une seule mesure on estime x\overline{x} et σ\sigma à l'aide de différentes informations (notices techniques) et d'hypothèses probabilistes.

Estimation de type A

Supposons que l'on collecte nn mesures en répétant nn fois la même expérience. On cherche à accéder aux paramètres x\overline{x} et σ\sigma à partir des nn mesures x1x_1, x2x_2, ..., xnx_n. Si nn\to \infty on pourrait reconstruire la loi de probabilité relative à la variable xx et par conséquent calculer x\overline{x}. Hélas, nn est fini ; il faut donc chercher la meilleur façon d'estimer les paramètres x\overline{x} et σ\sigma à partir d'un ensemble discret de mesures.

Nous distinguerons deux situations :

Cas où n10n\geq10La théorie des probabilités permet de montrer que la meilleur estimation de x\overline{x} est la moyenne arithmétique.

Estimation de x\overline{x}

m=defx1+x2++xnnxm\stackrel{\text{def}}= \dfrac{x_1+x_2+\cdots+x_n}{n}\simeq \overline{x}

On montre également que la meilleure estimation de σ\sigma est l'écart-type non biaisé (noté σn1\sigma_{n-1} sur les calculatrices)

Estimation de σ\sigma

s=def(x1m)2+(x2m)2++(xnm)2n1σs\stackrel{\text{def}}=\sqrt{\frac{(x_1-m)^2+(x_2-m)^2+\cdots+(x_n-m)^2}{n-1}}\simeq \sigma

Notez que dans cette formule, la somme des écarts quadratiques est divisé par n1n-1 et non par nn comme on pourrait s'y attendre. Une façon de retenir ce facteur n1n-1 est de réaliser que pour estimer un écart-type il faut au moins deux mesures ce qui implique n>1n>1.

Cas où n<10n<10Si l'échantillon est petit (disons n10n≤10) il y a une correction à apporter. On montre alors que la meilleure estimation de l'écart-type vaut t×st\times stt est le coefficient de Student donnée dans le tableau ci-dessous.

Coefficients de Student pour un intervalle de confiance de 68%
Nombres de mesures nn2345678910
Coefficient tt1,841,321,201,141,111,091,081,071,06

Exemple

Dans l'expérience précédente, on peut estimer l'incertitude-type associé à la mesure de la durée tt. On trouve m=3,62+3,47+3,44+3,304=3,4575  sm=\dfrac{3,62+3,47+3,44+3,30}{4}=3,4575\;\mathrm{s} et puisque l'échantillon contient n=4n=4 mesures, σt=1,2×(3,62m)2+(3,47m)2+(3,44m)2+(3,30m)230,1575  s\sigma_t= 1,2\times\sqrt{\dfrac{(3,62-m)^2+(3,47-m)^2+(3,44-m)^2+(3,30-m)^2}{3}}\simeq0,1575\;\mathrm{s} Ainsi, chaque mesure présente une incertitude-type de l'ordre de 0,16 s.

Incertitude sur la moyenne arithmétique — La moyenne arithmétique est la meilleure estimation de la valeur vraie, pour autant elle n'en est pas moins entachée d'une certaine erreur. En effet, si l'on répète une autre série de nn mesures on trouve une autre valeur de mm. Il faut donc chercher à calculer l'écart-type de la moyenne σm\sigma_m. Il est alors assez facile de montrer que σm=σntsn\sigma_m=\frac{\sigma}{\sqrt{n}}\simeq \frac{t\,s}{\sqrt{n}} En d'autres termes, par rapport à une mesure isolée, on réduit l'incertitude d'un facteur n\sqrt{n} en procédant à nn . Finalement, le résultat se met sous la forme

Mesure de type A

x=m±tsnavec{m=def1nxis=def1n1(xim)2 x=m\pm\frac{t\,s}{\sqrt{n}} \quad\text{avec}\quad \left\{ \begin{array}{rcl} m &\stackrel{\text{def}}=& \displaystyle{\frac{1}{n}\sum x_i}\\[3mm] s &\stackrel{\text{def}}=& \displaystyle{\sqrt{\dfrac{1}{n-1}\sum (x_i-m)^2}} \end{array} \right.

Exemple

Dans l'expérience qui nous sert de fil rouge, on peut accéder à une valeur précise de tt en calculant sa moyenne arithmétique mm et son incertitude-type : m=3,4575etσm=0,15754=0,0787 m=3{,}4575 \qquad\text{et}\qquad \sigma_m=\frac{0{,}1575}{\sqrt 4}=0{,}0787 Après avoir arrondi à un chiffre l'incertitude-type on peut finalement écrire le résultats de nos observations : t=3,46±0,08  sniveau de confiance : 68% t=3{,}46\pm 0{,}08 \;\mathrm{s}\qquad \text{niveau de confiance : } 68\%

Estimation de type B

Lorsque l'on procède à une unique mesure on ne peut plus estimer l'incertitude-type de façon statistique. On procède alors de la manière suivante.

  1. On détermine la plage d'erreur Δ=xmaxxmin\Delta=x_{\rm max}-x_{\rm min} dans laquelle il est raisonnable de penser que se trouve la valeur vraie. Cette plage d'erreur peut être fournie par la notice technique d'un appareil de mesure, ou déterminée de façon empirique en fonction des conditions de l'expérience. Il ne faut pas oublier qu'une estimation à un chiffre significatif suffit.
  2. On fait ensuite l'hypothèse que la probabilité de trouver la valeur vraie dans cet intervalle est uniforme. Il est alors facile de montrer grâce aux probabilités que xxmax+xmin2etσΔ12 \overline{x}\simeq\frac{x_\text{max}+x_\text{min}}{2} \qquad\text{et}\qquad \sigma\simeq\frac{\Delta}{\sqrt{12}}

Exemples

  1. On souhaite déterminer par autocollimation la focale d’une lentille convergente. La plage de distance qui permet d’obtenir l’image nette de l’objet par le miroir est 9,8 cm — 11,2 cm. Comme valeur vraie, on prendra le centre de la plage : f=11,2+9,82=10,5cmf'= \dfrac{11,2+9,8}{2} = 10,5\,\mathrm{cm} Pour calculer l’incertitude, on effectue σf=11,29,812=0,4  cm\sigma_{f'} =\dfrac{11,2-9,8}{\sqrt{12}} = 0,4\;\mathrm{cm}
  2. On mesure une tension de 4,32 V avec un voltmètre sur le calibre 20 V, la résolution est de 10 mV. La notice technique indique une précision de ±(0,5% valeur lue + 1 digit). La plage d'erreur vaut donc Δ=2×[(0,5×4,32)/100+0,01]=0,0632  V\Delta=2\times[(0,5\times 4,32)/100+0,01]=0,0632\;\mathrm{V} et l’incertitude-type σ=0,0632120,02  V\sigma = \dfrac{0,0632}{\sqrt{12}} \simeq 0,02\;\mathrm{V}

Incertitude composée

La plupart du temps, l'erreur expérimentale présente de nombreuses composantes dont on peut estimer l'incertitude-type (notée σi\sigma_i). Pour obtenir l'incertitude globale il faut alors composer les incertitudes-type. Si l'on suppose ces différentes composantes indépendantes, alors en vertu de la loi de composition des variances, on a : σtotal=iσi2 \sigma_{\rm total}=\sqrt{\sum_i\sigma_i^2}

On notera que puisque l'on arrondit l'incertitude à un chiffre significatif, il est possible de négliger σi\sigma_i si ce dernier est au moins trois fois plus petit que le terme le plus important.

Exemple

Reprenons notre expérience. On a estimé l'incertitude-type associée notamment au réflexe humain par la méthode de type A et on a trouvé σA=0,0787  s\sigma_A=0,0787\;\mathrm{s}. En revanche, le chronomètre présente une erreur de justesse qui n'est pas évaluée par la méthode de type A. Si l'on suppose une précision du chronomètre égale au 1/100ième s, on prendra σB=0,0112=3  ms \sigma_B=\frac{0,01}{\sqrt{12}}=3\;\mathrm{ms} On constate que l'erreur liée au manipulateur est prépondérante et qu'il est légitime de négliger l'erreur liée à l'instrument : σtotal=σA\sigma_{\rm total}=\sigma_A.

Incertitude élargie

Pour finir, il est d'usage de donner les incertitudes avec un niveau de confiance de 95%. On notera Δx\Delta x cette incertitude dite élargie :

Incertitude élargie

Δx=kσaveck=2pour un niveau de confiance de 95% \Delta x=k\sigma \quad\text{avec}\quad k=2\quad\text{pour un niveau de confiance de 95\%}

Si rien n'est précisé, le résultat d'une mesure est a donner avec un niveau de confiance de 95%, ce qui correspond à un bon niveau de confiance.

On définit aussi l'incertitude relative par Δxx\frac{\Delta x}{x} exprimé en %. Plus elle est petite, plus la mesure est précise.

Expérience

Finalement, la durée correspondant à 2,5 périodes d'oscillations du pendule simple peut s'écrire t=3,46±0,16  sniveau de confiance : 95% t=3,46\pm 0,16 \;\mathrm{s}\qquad \text{niveau de confiance : 95\%} ce qui signifie que la période des oscillations vaut T=1,38±0,06  sniveau de confiance : 95%T=1,38\pm 0,06\;\mathrm{s}\qquad \text{niveau de confiance : 95\%} L'incertitude est donc de 4% en valeur relative.

Propagation des erreurs

Supposons que l'on mesure nn grandeurs différentes x1,x2,,xnx_1,x_2,\ldots,x_n et que l'on calcule, à partir d'une loi physique ou d'une définition, une nouvelle grandeur G=f(x1,x2,,xn)G=f(x_1,x_2,\ldots,x_n). Connaissant les incertitudes Δxi=1n\Delta x_{i=1\ldots n} associées aux nn mesures, il est alors légitime de se demander quelle est l'incertitude de GG suite à la propagation des erreurs dans le calcul de GG.

Cas d'une loi affine

Commençons par un cas simple, celui d'une relation affine à une seule variable : G=ax+bavecx=xm±Δx G=ax+b \quad\text{avec}\quad x=x_m\pm\Delta x

Dans ce cas, il est facile de voir sur un graphique qu'une incertitude Δx\Delta x produit une incertitude ΔG=aΔx\Delta G=|a|\Delta x de sorte que le calcul donne

Loi affine

G=Gm±ΔGavec{Gm=axm+bΔG=aΔx G=G_m\pm\Delta G \quad\text{avec}\quad \left\{\begin{array}{rcl} G_m &=&ax_{\rm m}+b\\ \Delta G&=&|a|\Delta x \end{array}\right.
Propagation Affine
Propagation des incertitudes dans le cas d'une relation affine.

Exercice

L'indice de réfraction de l'air à 20°C varie avec la pression selon la loi de Gladstone : n=1+kPaveck=(27±1).105  bar1 n=1+kP \quad\text{avec} k=(27\pm 1).10^{-5}\;\mathrm{bar^{-1}} et où PP est exprimé en bar. Que vaut l'indice de l'air à 20°C et à la pression P=2P=2 bar ?

n=1,00054±0,00002n=1,00054\pm0,00002

Cas d'une loi puissance

Supposons maintenant que la grandeur GG dépend d'une variable xx via une loi de puissance : G=G0xn G=G_0\,x^n et cherchons à estimer l'incertitude de GG liée à la propagation de l'incertitude de xx. Pour cela nous allons supposer que les incertitudes sont petites en valeur relative. Cela signifie qu'entre xx et x+Δxx+\Delta x, GG varie si peu qu'on peut approcher la courbe par un segment de coefficient directeur a=dGdx=nG0xn1 a=\frac{\mathrm{d}G}{\mathrm{d}x}=n\,G_0\, x^{n-1} Si l'on applique le résultat du paragraphe précédent, on trouve donc ΔG=aΔx=nG0xn1Δx\Delta G=|a|\,\Delta x=|n\,G_0\,x^{n-1}|\,\Delta x. En divisant par GmG_{\rm m} on trouve la règle simple suivante.

Loi de puissance

Dans le cas d'une loi de puissance, l'incertitude relative est multipliée par la puissance : ΔGGm=nΔxx \left|\frac{\Delta G}{G_{\rm m}}\right|=\left|n\frac{\Delta x}{x}\right|

Exemple

On cherche à déterminer le volume d'une bille d'acier de rayon r=(2,778±0,005)  mmr=(2,778\pm 0,005)\;\mathrm{mm}. Sachant que le volume d'une sphère s'écrit V=4/3πr3V=4/3\pi\,r^3 on trouve Vm=89,80  mm3etΔVV=3Δrr=0,54%ΔV=0,5  mm3V_{\rm m}=89,80\;\mathrm{mm^3}\quad\text{et}\quad \frac{\Delta V}{V}=3\frac{\Delta r}{r}=0,54\%\quad\Longrightarrow\quad\Delta V=0,5\;\mathrm{mm^3} On écrira donc V=(89,8±0,5)  mm3V=(89,8\pm0,5)\;\mathrm{mm^3}

Méthode générale

GG ne dépend que d'une variable — En physique, il arrive souvent que le calcul d'une grandeur GG implique plusieurs variables. Cependant, il également assez courant qu'une des variables soit moins précise que les autres de sorte que l'on peut considérer les autres variables comme des paramètres constants. On peut alors considérer que G=f(x)avecx=xm±Δx G=f(x) \quad\text{avec}\quad x=x_m\pm\Delta x Dans ce cas, et à condition de GG varie peu entre xmx_m et xm±Δxx_m \pm\Delta x, on écrira

G=Gm±ΔGavec{Gm=f(xm)ΔG=f(xm)Δx G=G_m\pm\Delta G \quad\text{avec}\quad \left\{\begin{array}{rcl} G_m &=&f(x_m)\\ \Delta G&=&\left|f'(x_m)\right|\Delta x \end{array}\right.

GG dépend de nn variables — Considérons maintenant le cas général G=f(x1,x2,,xn)avecxi=xm,i±Δxi G=f(x_1,x_2,\ldots,x_n) \quad\text{avec}\quad x_i=x_{\text{m,}i}\pm \Delta x_i Si les grandeurs xix_i sont indépendantes, on utilise la formule  :

Fonction à plusieurs variables

ΔG=(a1Δx1)2+(a2Δx2)2++(anΔxn)2aveca1=fx1 \Delta G=\sqrt{(a_1\Delta x_1)^2 + (a_2\Delta x_2)^2+\ldots+(a_n\Delta x_n)^2} \quad\text{avec}\quad a_1=\frac{\partial f}{\partial x_1}\ldots

Exemple

Un dipôle électrique est soumis à la tension U=(2,6±0,3)  VU=(2,6\pm0,3)\;\mathrm{V} ce qui produit un courant d'intensité I=(0,89±0,06)  AI=(0,89\pm0,06)\;\mathrm{A}. Calculons la puissance électrique P=U.IP=U.I fournie à ce dipôle.

Tout d'abord, la valeur numérique de la puissance vaut Pm=UmIm=2,6×0,89=2,314  WP_{\rm m}=U_{\rm m}I_{\rm m}=2,6\times0,89=2,314\;\mathrm{W} Ensuite, calculons les dérivées par rapport à UU et II : PU=IetPI=UdP=IdU+UdI\dfrac{\partial P}{\partial U}=I \quad\text{et}\quad \dfrac{\partial P}{\partial I}=U \quad\Longrightarrow\quad \mathrm{d}P=I\, \mathrm{d}U+U\,\mathrm{d}I On en déduit l'incertitude sur le calcul de GG : ΔP=(0,89×0,3)2+(2,6×0,06)2=0,31  W\Delta P=\sqrt{(0,89\times 0,3)^2+(2,6\times 0,06)^2}=0,31\;\mathrm{W} On écrira donc : P=2,3±0,3  WP=2,3\pm0,3\;\mathrm{W}

Cas où les données sont fournies sans incertitudes

Il arrive fréquemment, notamment dans les sujets de concours, que l'on ait à faire un calcul à partir de données dont les incertitudes sont absentes. Dans ce cas c'est le nombre de chiffres significatifs qui indique la précision. On admet alors que le dernier chiffre significatif est connu à ±0,5. Par exemple, v=55  km.h1signifiev=55,0±0,5  km.h1v=55\;\mathrm{km.h^{-1}}\quad\text{signifie}\quad v=55,0\pm0,5\;\mathrm{km.h^{-1}} Donc, rigoureusement, pour savoir comment arrondir le résultat d'un calcul il faut faire une estimation de l'incertitude liée au calcul. Cependant, si l'on veut s'épargner ce calcul fastidieux, on peut appliquer la méthode simplifiée suivante.

Règles de calcul

  • Cas d'une somme : c'est la donnée qui présente le moins de décimales qui impose son nombre de décimales au résultat.
  • Cas d'un produit ou d'un quotient : la donnée qui présente le plus faible nombre de chiffres significatifs impose son nombre de chiffres significatif au résultat.
  • Cas d'une fonction f(x)f(x) : le résultat est arrondi avec le même nombre de chiffres significatifs que xx.

Exemples

  • 25,2cm+8,3mm=(25,2+0,83)cm=26,0cm25{,}2\,\mathrm{cm}+8{,}3\,\mathrm{mm}=(25{,}2+0{,}83)\,\mathrm{cm}=26{,}0\,\mathrm{cm}. Le résultat doit être arrondi au dixième de centimètre. Attention à ne pas oublier d'écrire les grandeurs avec la même unité !
  • 0,6000,9+0,300=0,50\dfrac{0{,}600}{0{,}9+0{,}300}=0{,}50. En effet, la somme 0,9 + 0,300 vaut 1,2 (arrondi au dixième) et possède deux chiffres significatifs. Le résultat doit présenter deux chiffres significatifs.
  • 0,300×4,180×(157,0)0,069=145,391.102\dfrac{0{,}300\times 4{,}180\times(15-7{,}0)}{0{,}069}=145,39\ldots\simeq 1.10^2, car 157,0=815-7{,}0=8 est arrondi à l'unité près et ne présente donc qu'un seul chiffre significatif.

Pour en savoir plus...

  1. J. Taylor Incertitudes et analyse des erreurs dans les mesures physiquesParis, Dunod, 2000.
  2. F-X Bally et al. Incertitudes expérimentales ENS, Université ParisParis, 2010.
  3. D. Larousserie Neutrinos supraluminiques : chercher l'erreur[en ligne, consulté le 2015-06-06], 2012. Disponible sur lemonde.fr