Derniere Version Stat

Introduction exprimentale la mesure - Erreur
Le comptage pour le PM situ en bas est plus lev que celui pour le PM situ en haut :
lorigine cleste des muons a t mise en vidence.
4. Introduction exprimentale la mesure

a. Erreur
i. Introduction gnrale
On peut dfinir lerreur*de mesure note ER sur une grandeur* physique X comme la
diffrence entre une valeur mesure ou calcule x et la valeur vraie Xvrai38 soit
. Dans la trs grande majorit des cas, on ne connat pas la valeur vraie ; sinon, il ny
aurait aucune raison den effectuer une mesure39. La valeur vraie est une construction
thorique que lon peut connatre de manire approximative soit grce aux mesures
antrieures soit grce des prdictions thoriques. En effet, un rsultat de mesure40 nest jamais
une valeur : il est donn sous la forme dun intervalle de valeurs probables du mesurande*41. Cest
pour cela qu un rsultat de mesure, on associe une incertitude42 de mesure qui caractrise la
dispersion des valeurs attribues un mesurande.
On peut globalement distinguer deux types derreurs : les erreurs systmatiques et les erreurs
alatoires.
(A) Les erreurs systmatiques
Les erreurs systmatiques notes ERs sont des erreurs constantes (ou variations lentes). Pour
un mesurande donn, elles introduisent systmatiquement le mme dcalage. On a alors
avec le meilleur estimateur de la valeur de la mesurande. Leur origine
provient gnralement dun dispositif inadapt ou mal utilis. Un examen attentif de la chane
de mesure permet de les rduire. Cependant, il est souvent difficile de les dtecter. Pour les
mettre en vidence, il faut effectuer deux sries de mesurage* 43 du mme mesurande avec
deux dispositifs diffrents faisant si possible appel des mthodes diffrentes.
La rduction des erreurs systmatiques passe souvent par le rtalonnage du capteur ou par le
choix dun capteur ou dune mthode de mesure plus adapte. Si lerreur systmatique* est
connue, on peut sen affranchir en post-traitement. Lors de la suite de cet expos, nous ne
traiterons pas des erreurs systmatiques, on les considrera comme traites par ailleurs.
38
La valeur vraie (Xvrai) du mesurande est la valeur que lon obtiendrait si le mesurage tait parfait.
39
Le mot mesure a, dans la langue franaise courante, plusieurs significations. Aussi n'est-il pas employ
seul dans le prsent Vocabulaire. C'est galement la raison pour laquelle le mot mesurage a t introduit pour
qualifier l'action de mesurer. Le mot mesure intervient cependant de nombreuses reprises pour former des
termes de ce Vocabulaire, suivant en cela l'usage courant et sans ambigut. On peut citer, par exemple :
instrument de mesure, appareil de mesure, unit de mesure, mthode de mesure. Cela ne signifie pas que
l'utilisation du mot mesurage au lieu de mesure pour ces termes ne soit pas admissible si l'on y trouve
quelque avantage.
40
Le rsultat de mesure est lensemble des valeurs attribues un mesurande.
41
Grandeur que lon veut mesurer.
42
Dans le langage courant, le terme incertitude est li au doute. Dans le langage scientifique, lincertitude de mesure dfinit
un intervalle de valeurs probables dune grandeur et cet intervalle est associ un niveau de confiance (voir partie erreur
statistique). Il est fait de mme pour les erreurs systmatiques que lon suppose gaussienne et donc on leur associe aussi un
niveau de confiance.
43
Ensemble des oprations permettant de dterminer exprimentalement une ou plusieurs valeurs que lon peut
raisonnablement attribuer une grandeur.
Sciences lEcole www.sciencesalecole.org 51

(B) Les erreurs alatoires
Les erreurs alatoires sont les fluctuations des observations qui conduisent des rsultats diffrents
dune exprience une autre. On ne peut pas connatre la valeur ni mme le signe (suprieure ou
infrieure la valeur vraie) de lerreur alatoire note ERa mme si son origine est connue. Ainsi, lors
de chaque mesure, lerreur alatoire peut prendre nimporte quelle valeur dans un intervalle donn qui
dpend de notre chane de mesure. On a alors : avec une mesure particulire de
lensemble N des mesures effectues et le meilleur estimateur de la valeur de la mesurande. Comme
on le verra un peu plus tard, la plupart du temps, le meilleur estimateur du mesurande est la valeur
moyenne x des N mesures, soit : .
Ces erreurs alatoires sont essentiellement dues :
aux caractristiques intrinsques de la chane de mesure ;
aux signaux parasites dorigine lectrique ou thermique.
Ces perturbations sur la mesure proviennent de llectronique associe au capteur et la
chane de mesure. Mais aussi des grandeurs d'influence44 que lon ne mesure pas de faon
prcise ; ainsi, leurs variations rapides ne sont pas compltement prises en compte dans les
caractristiques ou leur compensation est partiellement incorrecte.
Il est souvent assez difficile d'valuer les valeurs des erreurs alatoires45 ou mme leur ordre
de grandeur : on fait appel alors une approche statistique (ce que lon fera par la suite dans
cet expos).
(C) Notion justesse* et de fidlit*
La justesse donne le degr de concordance entre le rsultat obtenu et la valeur vraie alors que
la fidlit indique le degr de concordance entre les rsultats dune srie de mesures dune
mme quantit. La justesse exprime alors le fait quune mesure est ou non correcte et la
fidlit si elle est reproductible.
La fidlit svalue simplement en rptant les mesures, elle est donc associe aux erreurs
alatoires. La fidlit dun instrument de mesure est son aptitude donner des indications trs
voisines lors de lapplication rpte du mme mesurande dans les mmes conditions. Un
instrument est dautant plus fidle que lerreur alatoire qui lui est associe faible.
Analogie avec une cible
44
Une grandeur dinfluence est une grandeur qui nest pas le mesurande mais qui a un effet sur la valeur mesure
45
La rduction des erreurs alatoires passe par lamlioration des composantes de la chane de mesure et par la
protection de cette chane (suspension antivibratoire, blindage lectromagntique, stabilisation des grandeurs
dinfluence). Toutes ces oprations de rduction des erreurs de mesure ont un cot (matriel, temps pass,
montaire)

Sur le schma prcdent, on considre que la valeur vraie se situe au centre de la cible.
(a) Comme lensemble des tirs (mesures) sont proches les unes des autres, on peut dire que la
composante alatoire de lerreur est faible. De plus, la distribution des tirs est centre sur le
centre de la cible, la composante systmatique de lerreur est trs faible.
(b) Lerreur alatoire est toujours faible mais lerreur systmatique est beaucoup plus
importante les tirs sont systmatiquement dcentrs vers la droite.
(c) Dans ce cas, lerreur alatoire est large, mais lerreur systmatique est faible les tirs sont
trs tals mais pas systmatiquement dcentrs .
(d) Ici, la fois lerreur alatoire et lerreur systmatique sont importantes.
Le problme est que lon ne connat pas la valeur vraie donc on ne sait pas o se trouve le
centre de la cible. La situation lorsque lon fait une mesure est plutt la suivante :
On voit alors quil est assez simple46 de prendre en compte lerreur alatoire (il suffit
destimer la dispersion des points) mais que lerreur systmatique est beaucoup plus dlicate
46
condition de faire plusieurs mesures dans des conditions de reproductibilit

valuer (comment savoir si cest la situation a) ou b) qui correspond la bonne mesure ou

le cas c) ou d)) : sans rfrence ou sans mesure effectu avec une autre technique, il est
impossible de dterminer cette erreur systmatique.
Remarque : dans les expriences, laccumulation de prise de donnes ne change pas la nature
de lerreur alatoire mais permet un traitement qui rend souvent lerreur alatoire ngligeable
devant les erreurs systmatiques. Dans le cas du cosmodtecteur, il peut tre intressant
dvaluer le temps de comptage au-del duquel ces erreurs deviennent faibles et donc de
sintresser aux possibles erreurs systmatiques.
(D) Retour sur lerreur de mesure
Si on reprend les dfinitions et les notations prcdentes, on obtient
Lors dune mesure, la valeur de lerreur ER est toujours inconnue. Dans tous les cas, il faudra
rechercher un encadrement des valeurs probables de lerreur ER. Cet encadrement sera
appel intervalle de confiance de la valeur de lerreur ER et il devra tre associ un niveau
de confiance.
On peut schmatiser cela avec le diagramme suivant :
Schma reprsentant lerreur systmatique ERs et lerreur alatoire ERa

Daprs A. Bernard et J.-L. Vidal, Lyce des Catalins,Montlimar
On peut alors faire les remarques suivantes :

le systme de mesure contient tout ce qui est ncessaire pour obtenir une mesure xi
de la valeur du mesurande X (un nombre et une unit);
on prsente le mesurande Xvrai lentre du processus de mesure et on ralise N mesures

xi dans les conditions de rptabilit47;

si le mesurage tait parfait, toutes les mesures auraient la mme valeur xi = Xvrai ;
un mesurage nest jamais parfait et il y a toujours une erreur de mesure
dont on ne peut connatre que lintervalle dincertitude ;
tous les rsultats sont disperss autour de la valeur moyenne 48 des N mesures :
chaque valeur mesure xi est affecte par une erreur alatoire ;
souvent, tous les rsultats sont dcals de la mme quantit , erreur
systmatique de mesurage ;
dans tous les cas, lerreur de mesure est .
(E) Optimisation du protocole
Un des travaux essentiel de lexprimentateur est loptimisation du protocole exprimental

dans le but de diminuer autant que faire se peut les erreurs alatoires et les erreurs
systmatiques. On peut rsumer le travail de celui-ci laide de lorganigramme de la figure
suivante.
Organigramme doptimisation du protocole. Daprs le GRIESP.
47
Le mme oprateur, ou le mme programme, effectue N mesures, avec le mme instrument, exactement dans les mmes
conditions.
48
On considre dans ce cas que la valeur moyenne est le meilleur estimateur.

ii. Exprience ralise avec le cosmodtecteur
(A) Prsentation de lexprience
Une exprience de comptage des muons a t effectue toute une nuit pendant 13 h. Lobjectif
tait de dterminer le nombre de muons dtects par le cosmodtecteur par seconde.
Lappareil tait rgl par dfaut et comptait les muons par intervalle de temps de 5 s. Cela
revenait donc faire lexprience de comptage 9 060 fois.
(B) Prsentation des rsultats
Premire reprsentation
Si lon appelle xi le rsultat dune mesure cest--dire le nombre de muons par intervalle
de 5 s , ki le nombre de fois o la mesure xi a t obtenue et N le nombre total dexpriences
ralises, on obtient lhistogramme suivant reprsentant ki en fonction de xi :
Histogramme reprsentant le nombre de comptage ki en fonction du nombre de muons xi

dtects par intervalle de 5 s.
En statistique, on travaille plutt avec les frquences . Si on reprsente alors

les frquences en fonction de xi, on obtient :

Histogramme reprsentant la frquence fi des comptages en fonction du nombre de muons xi

dtects par intervalle de 5s
On montrera plus tard que cet histogramme des frquences peut tre ajust par une courbe
disymtrique de Poisson. On a alors :
Histogramme reprsentant la frquence fi des comptages en fonction du nombre de muons xi

dtects par intervalle de 5s et courbe de Poisson ajuste.
Les rsultats sont disperss de faon disymtrique : les rsultats qui suivent une courbe de
Poisson sont plus complexe traiter en ce qui concerne les incertitudes.

Seconde reprsentation
Sans toucher aux donnes et linformation contenue dans ces donnes, en changeant juste le
mode de reprsentation pour que le traitement soit plus ais, on va regrouper les expriences
de comptage par deux. Ainsi, au lieu davoir 9060 expriences de 5 s, cela reviendra avoir
4 530 expriences de 10 s. En effectuant ce regroupement, on a alors qui reprsente le
rsultat dune mesure (dun comptage) mais pendant un intervalle de 10 s, est le nombre
dexpriences (ici 9060/2) et le nombre de fois o la mesure xi a t obtenue, on obtient
lhistogramme suivant:
Histogramme reprsentant le nombre de comptages en fonction du nombre de muons xi

Si on note la frquence du rsultat . Si on reprsente cette frquence en

fonction de , on montrera plus tard que cet histogramme des frquences peut tre ajust par
une courbe symtrique de Gauss. On a alors :
Histogramme reprsentant le nombre de comptages en fonction du nombre de muons xi

dtects par intervalle de 10 s ajust par une courbe de Gauss.
On constate que les valeurs sont disperses symtriquement autour dune valeur mdiane.

Troisime reprsentation
On peut aussi se dire que notre objectif tant de dterminer le nombre de muons dtects par
seconde, il peut tre judicieux de comptabiliser tous les muons dtects pendant le temps total
dexprience. On a alors le rsultat suivant, 67 821 muons ont t dtects pendant ces 13 h. Il
semble simple alors pour trouver le rsultat recherch de diviser le nombre total de muons par
le nombre de secondes de lexprience. Cependant, on ne tient pas compte des fluctuations de
la mesure ; ainsi, si le lendemain cette exprience tait de nouveau ralise dans les mmes
conditions (mme temps total dexprience), il est parier que le rsultat sera diffrent, il
pourra tre de 67 001 ou 68 123 ou une autre valeur encore. Il faut donc valuer ces
fluctuations de comptage.
Pour bien comprendre la situation, effectuons un mesurage constitu de 24 comptages de 5 s

chacun, ce qui nous donne une exprience dont le temps total est de 2 min.
Les rsultats sont les suivants :
Quatre chantillons de 24 expriences : comptage du nombre de muons dtects par

intervalle de 5 s
On constate que les valeurs obtenues pour chaque comptage sont diffrentes chaque
exprience (une exprience dure 5 s). Ainsi, par exemple, la valeur 8 muons par 5
secondes vaut 5 dans la premire exprience, 5 dans la seconde, 6 dans la troisime et 10
dans la quatrime

En effectuant dautres chantillons de ce mesurage (24 expriences de 5 s), on obtient les

occurrences suivantes pour la valeur 8 muons par 5 s. On reprsente sur un graphe ces valeurs
(lchantillon a t ralis 100 fois). En abscisse, on a le nombre de fois o lon a obtenu
8 muons par 5 s dans un chantillon et en ordonne le nombre de fois o ce rsultat
apparait sur les 100 chantillons.
Histogramme dcrivant les fluctuations statistiques pour la valeur 8 muons par 5 s
On va montrer que, dans ce cas, les donnes peuvent tre approximes par une distribution
binomiale.
Histogramme dcrivant les fluctuations statistiques pour la valeur 8 muons par 5 s et

ajustement avec une distribution binomiale
Premier bilan
On a vu que, dans le premier cas, on pouvait ajuster nos mesures une courbe de Poisson;
dans le second, il est possible dajuster avec une courbe de gauss et dans le troisime cas, on a
vu que la fonction binomiale modlisait les fluctuations de comptage. De plus, dans nos trois
manires de reprsenter les rsultats, il est ncessaire dvaluer la dispersion des mesures.
Ainsi, ces trois fonctions (celle de Poisson, de Gauss et la binomiale) que lon appelle des
fonctions de distributions vont nous permettre davoir des modles pour analyser nos rsultats
de mesure (moyenne, talement de la mesure, plage de confiance).
La seconde partie de ce chapitre est consacre ltude de ces fonctions de distribution qui
constituent des modles pour pouvoir tudier nos rsultats exprimentaux.

iii. Les fonctions de distribution

(A) Variable alatoire
On appelle variable alatoire une variable X susceptible de prendre diffrentes valeurs,

auxquelles il est possible daffecter une probabilit. Soit V lensemble des valeurs possibles
de X : si V est fini ou dnombrable, on dit que la variable est discrte. Dans le cas contraire, la
variable est dite continue.
Exemples :
dans le lancer de d, la variable alatoire X = {1,2,3, 4, 5,6} est discrte et ne peut
prendre que 6 valeurs ;
la vitesse dune voiture est une variable continue ;
la plupart des observables physiques (temprature, pression, longueur) sont des
variables continues ;
les variables discrtes apparaissent gnralement dans les expriences o il y a
dnombrement (exemple : cosmodtecteur, CRAB).
(B) Loi de probabilit
Soit p(x), la probabilit quune variable alatoire discrte X prenne la valeur x. Lensemble
des couples (x,p(x)) est appel loi de probabilit de la variable alatoire. Elle peut tre
reprsente par un histogramme.
Lorsque la variable est continue, la probabilit que X prenne la valeur x est gnralement
infiniment petite. Ainsi, si on tire au hasard des nombres rels rpartis uniformment entre 0
et 5, la probabilit quun tel nombre soit exactement gal 1,2367744 est trs faible, quoique
non nulle.
Il devient ds lors plus intressant de calculer la probabilit que X prenne une valeur dans un
petit intervalle :
La quantit
dfinit la densit de probabilit dans lintervalle ]a,b]. Par passage la limite, on dfinit :
La quantit quivaut la probabilit que la variable X prenne une valeur situe

entre c et d.
Exemple : dans le lancer dun d non truqu, la loi de probabilit discrte se rsume :
xi 1 2 3 4 5 6
P(xi) 1/6 1/6 1/6 1/6 1/6 1/6
Autre exemple, la probabilit de tirer un nombre alatoire issu dun chantillon uniforme sur
lintervalle [0,1[ vaut :

Pour une variable discrte, la probabilit de tirer une valeur parmi toutes les valeurs possibles
vaut obligatoirement 1 car on est sr du rsultat. Cela signifie que lon a toujours :
De la mme faon, pour une variable continue, la probabilit de tirer une valeur parmi
lensemble des valeurs possibles est toujours gale 1. On a donc :
Ces rsultats sont valables quelle que soit la loi de probabilit49. On appelle ces probabilits
des fonctions de distribution ou de probabilit.
(C) Proprits des fonctions de probabilit
Pour caractriser une fonction de distribution, on a besoin dau moins deux paramtres :
son esprance l'quivalent en probabilit de la moyenne d'une srie statistique en
statistiques que l'on notera .
son talement c'est--dire un paramtre caractrisant la largeur de cette courbe. Celui-ci
est dcrit par sa variance 2 ou carr de l'cart-type .
On dfinit tel que :

dans le cas continu
dans le cas discret
Exemple : dans le lancer dun d non truqu, lesprance vaut :
ce rsultat est exact et ne dpend pas du nombre de lancers.
et 2 par :
dans le cas continu
dans le cas discret
Pour chaque valeur de x, on considre lcart lesprance et on calcule la valeur moyenne
du carr de cet cart50.
Ces dfinitions sont compltement gnrales et sont valables pour toutes les distributions. Il
existe un certain nombre de fonctions de distribution type (distribution de gauss ou normale,
distribution de Poisson, distribution binomiale). Nous allons tudier deux distributions
particulirement utiles pour lanalyse des rsultats du cosmodtecteur.
Exemple : dans le lancer de dun d non truqu, lcart-type vaut :
ce rsultat est lui aussi exact et ne dpend pas du nombre de lancers.
49
Pour une variable discrte, chaque probabilit satisfait forcment , puisque la somme des probabilits est gale
1. La probabilit p(x) est alors un nombre sans unit.
En revanche, pour une variable continue, il est tout fait possible davoir , , puisque cest lintgrale qui est borne.
En outre p(x) peut sexprimer en units physiques. Par exemple, si x est une longueur mesure en [m], alors p(x) sexprimera
en [m]-1.
50
On nutilise pas la valeur moyenne de lcart car celle-ci est nulle.

(D) Fonction de distribution uniforme
La loi uniforme dcrit une variable alatoire X dont les valeurs sont quiprobables sur un
intervalle [a,b[ :
Distribution uniforme
On a , cela donne :
On montre dans ce cas que :
(E) Fonction de distribution binomiale
Pile ou face (ou la loi de Bernoulli)
La loi de Bernoulli est lexpression la plus simple dune loi de probabilit. Elle sexprime par
une variable alatoire X qui na que deux tats : elle prend soit la valeur 1 (pile), avec une
probabilit p, soit la valeur 0 (ou face), avec une probabilit q.
Lesprance vaut dans ce cas
et la variance
Exemple : dans le jeu de pile ou face, avec une pice non truque, on a
Introduction la loi binomiale
On lance quatre pices de monnaie (n=4) et que lon compte le nombre de face obtenu, x.
Quelle est la probabilit dobtenir les diffrentes valeurs possibles de x=0,1,2,3,4 ?

La probabilit dobtenir face avec une pice est p (loi de Bernoulli).

La probabilit dobserver x pices tombant sur face et n-x sur pile est le
produit du nombre de diffrentes combinaisons possibles par la
probabilit que chacune de ces combinaisons arrive cest--dire .

On peut sparer ces probabilits pour chaque combinaison en deux parties : une partie est la
probabilit que x pices tombent sur face et lautre partie est la probabilit
que les autres n-x pices tombent sur pile . Le produit de ces
deux parties est la probabilit de la combinaison telle que x pices tombent
sur face et n-x pices tombent sur pile . Ainsi, dans notre exemple, on a :
Si on trace cette fonction on obtient :
Distribution binomiale pour n=4 et p=1/2
En rgle gnrale, la probabilit p de succs pour chaque preuve nest pas gale la
probabilit q=1-p dchec. Par exemple, lorsque lon lance un d, la probabilit quune valeur
particulire soit tire est , alors que la probabilit de tirer lune des 5 autres valeurs est
dans ce cas,
Loi binomiale
Une loi binomiale de paramtres n et p est une loi de probabilit qui correspond l'exprience
suivante :
On renouvelle n fois de manire indpendante une preuve de Bernoulli de paramtre p. On
compte alors le nombre de succs x obtenus l'issue des n preuves et on appelle X la
variable alatoire correspondant ce nombre de succs.
On a ainsi :
La loi binomiale intervient frquemment dans les phnomnes physiques o il nexiste que
deux tats possibles, chacun tant assorti dune probabilit. On utilise ainsi la loi binomiale
pour les fluctuations de comptages ou les marches alatoires dcrivant le mouvement
brownien.

Moyenne et cart-type
En utilisant la dfinition de du paragraphe 1.3.1., on a :
et pour , on a :
(F) Fonction de distribution poissonnienne
La distribution de Poisson est une approximation de la distribution binomiale dans le cas o la

moyenne du nombre de succs est largement plus petite que le nombre totale de tirages, cest
dire lorsque car . On rencontre ainsi cette distribution dans des situations o
des vnements rares et indpendants se produisent alatoirement dans le temps avec une
probabilit par unit de temps connue. Si les vnements sont indpendants les uns des autres,
le nombre x dvnements qui se produisent pendant une dure fixe est une grandeur alatoire
dont la distribution de probabilit est la loi de Poisson :
correspond alors au nombre moyen dvnements observs.

On rencontre par exemple la distribution de Poisson lorsque lon compte peu de muons par 5s
o lorsque lon diminue le temps de 5s (temps dexprience). La loi de Poisson dcrit bien des
phnomnes de comptage : dtection de photons par un photomultiplicateur, comptage de
particules mises lors de dsintgrations radioactives, comptage dions dans un spectromtre
de masse, comptage dindividus en microbiologie...
Moyenne et cart-type
La distribution de Poisson nest pas symtrique autour de sa moyenne. Une de ses

particularit est quelle ne dpend que dun seul paramtre.
En utilisant la dfinition de du paragraphe 1.3.1., on a :
et pour , on a :
Exemple : une dcharge luminescente met en moyenne photons par seconde.

Sur ceux-ci, seule une trs faible fraction pntre dans un photomultiplicateur.
Le nombre moyen de photons dtects en une seconde vaut donc . Ce
nombre fluctue au cours du temps avec un cart-type qui vaut

(G) Fonction de distribution gaussienne ou normale
Description de la distribution gaussienne
La distribution gaussienne est une approximation de la loi binomiale dans le cas limite
particulier o le nombre dobservations possibles n devient infini et que la probabilit de
succs p pour chacune est grande dans ce cas, On approche alors cette loi binomiale
par la loi normale ayant mme esprance = np et mme variance 2=np(1 p). On peut le
constater sur ce graphe.
Distributions binomiales pour diffrentes valeurs de p et n et distributions gaussiennes pour

diffrentes esprances et cart-type
Dans le cas d'une gaussienne, la densit de probabilit f(x) est donne par :
.
Cest une fonction continue qui dcrit la probabilit dobtenir la valeur alatoire x. Elle est
caractrise par deux paramtres et , correspondant respectivement lesprance et
lcart-type.
Influence de sur la distribution de Gauss Influence de sur la distribution de Gauss
On constate dans lexprience de comptage du nombre de muons que lorsque l'on augmente le
temps de comptages donc le nombre de fois o l'on fait l'exprience, on tend vers une fonction
limite qui est une fonction gaussienne51.
51
Le thorme central limite (parfois appel thorme de la limite centrale) tablit la convergence en loi d'une
suite de variables alatoires vers la loi normale. Intuitivement, ce rsultat affirme que toute somme de variables
alatoires indpendantes et identiquement distribues tend vers une variable alatoire gaussienne.

Thorme de la limite centrale
Un trs grand nombre de phnomnes alatoires prsentent des distributions qui sont ou
suivent de trs prs une loi normale. Cela sexplique par le thorme central limite.
Cela revient dire que, si une grandeur physique subit linfluence dun nombre important de
facteurs indpendants, et si linfluence de chaque facteur pris indpendamment est petit par
rapport la valeur de la grandeur tudie, alors la distribution de cette grandeur tend vers une
loi normale.
On ralise deux simulations avec Scilab52. La premire simulation, on considre un cas o

lon a deux erreurs alatoire chacune tant modlis par une fonction de distribution
rectangulaire de mme intervalle. La composition de ces deux distribution rectangulaire nous
donne une distribution triangulaire :
Composition de deux erreurs alatoires de distribution rectangulaire (les units sont

arbitraires)
Maintenant, on simule vingt erreurs alatoires que lon considrera elles aussi comme de
distribution rectangulaire mais ntant pas dfini ncessairement avec le mme intervalle.
52
On peut aussi utiliser le logiciel Gum_MC ralis par J.-M. BIANSANLe logiciel Gum_MC est un logiciel libre sous
licence GNU GPL que lon peut tlcharger sur le site de lauteur ladresse
http://jeanmarie.biansan.free.fr/gum_mc.html

Composition de vingt erreurs alatoires de distribution rectangulaire (les units sont

arbitraires)
On obtient dans ce cas une distribution gaussienne.
Composition de vingt erreurs alatoires de distribution rectangulaire (les units sont

arbitraires) ajustes par une gaussienne
Distribution gaussienne et niveau de confiance
Le thorme central limite nous permet de dire quun grand nombre de rsultats de mesures
physiques peuvent tre dcrites par la distribution gaussienne. En effet, dans la trs grandes
majorit des cas, il y a un grand nombres derreurs alatoires qui perturbent la mesure.
La distribution gaussienne est entirement dtermine par les valeurs (, ) et un grand
nombre de grandeurs physiques peut tre dcrit par cette distribution (qui, par dfinition, est
inconnue !). Les rsultats exprimentaux peuvent alors tre caractriss par deux valeurs
seulement. Par convention, on prsente ces derniers sous la forme
avec lincertitude. Ecrire le rsultat sous cette forme ne nous garantie pas 100% que
notre rsultat sera situ entre et mais indique seulement une probabilit que
notre rsultat se trouve entre ces bornes. On dfinit alors un niveau de confiance pour notre
rsultat.
Ainsi, la probabilit d'avoir un rsultat compris :

dans l'intervalle [- ; + ] est tel que : soit 68,3%

dans l'intervalle [- 2; +2] est tel que : soit 95,4%
dans l'intervalle [- 3; +3], est tel que : soit 99,7%
Pour une distribution de Gauss, la probabilit de trouver x en dehors de lintervalle [- ; +

] est gale 1/3, c'est--dire trs importante ! Autrement dit, si l'on mesure une grandeur x
plusieurs fois, environ 1/3 des rsultats se trouve en dehors de et seulement 2/3 dans
l'intervalle. De ce point de vue, il n'y a rien de dramatique si le rsultat sort de cet intervalle.
Par contre, s'il se trouve aussi en dehors de l'intervalle [-3; +3], la situation devient
beaucoup plus proccupante. La probabilit d'un tel vnement pour la distribution de Gauss
est seulement de 0,3%.
Distribution de Gauss et probabilit
(H) chantillonnage et meilleure estimation
Lobservation de la Nature ne peut nous donner que des valeurs en nombre limit. Toutes les
mthodes de la statistique infrentielle reposent sur des chantillons. Le but est dinfrer
partir dchantillons des caractristiques de la population dans son ensemble, et de quantifier
la certitude quon peut tenir de ces informations. On a N ralisations dune variable alatoire
x.
Ainsi, on a vu prcdemment que l'on pouvait crire le rsultat de notre mesure
conventionnellement l'aide des fonctions de distributions gaussienne. Seulement, la
distribution gaussienne est un cas limite qui ncessite une infinit d'expriences ce qui est
bien entendu impossible raliser. En gnral lors d'une exprience, il est difficile de
connatre la distribution de la valeur physique mesure x et ainsi de dterminer lesprance
mathmatique de la distribution et son cart-type . La seule information dont nous
disposons est un ensemble de rsultats, c'est--dire le nombre fini de mesures
. A partir de ces mesures nous tentons de construire des valeurs qui tiendront lieu
desprance mathmatique et d'cart-type . Il va donc tre ncessaire d'utiliser les
statistiques pour pouvoir estimer la fois la valeur moyenne et l'cart-type . Pour cela, par
analogie avec les dfinitions thoriques, nous introduirons la valeur moyenne et l'cart-type
exprimentales. Les estimateurs sont donc des indicateurs qui rsument eux seuls certaines

caractristiques de la loi. On constate aussi que, plus on a de mesures, plus on tend vers la
distribution limite. On a reprsent ci-dessous la probabilit de comptage relle et la
probabilit suivant une loi Gaussienne pour les comptages de 2 min et 333 min.
Evolution de lajustement de la gaussienne en fonction du nombre de comptages.
Population ou chantillon
Il existe une diffrence entre lesmodles et les observations. Dans le premier cas, et pour
autant que la loi de probabilit soit connue, on parlera de population. Les quantits qui seront
dduites, telles que lesprance, sont thoriques et en ce sens dpourvues derreur. Il est rare
de pouvoir travailler sur une population sauf si on dispose dun modle mathmatique exact
du phnomne tudi (jeu de d).
Lorsque la loi de probabilit nest pas connue, alors il faut raliser une exprience pour
estimer les proprits telles que la moyenne. On parlera alors dchantillon. Les valeurs
obtenues seront dautant plus proches des valeurs thoriques que lexprience a t bien
mene. En vertu de la loi des grands nombres, les valeurs obtenues avec lchantillon
convergent vers celle de la population lorsque la taille de lchantillon augmente. Tout le
problme consiste estimer au mieux ces valeurs.
Proprits dun estimateur
Un bon estimateur doit satisfaire la fois trois conditions souvent contradictoires : il doit
tre cohrent, non biais et efficace. On appellera dans ce paragraphe, estimateur de la
variable alatoire recherche (par exemple la moyenne).
Cohrence dun estimateur
La loi des grands nombres nous dit que quen moyennant le rsultat dune exprience un
grand nombre N de fois, lestimateur (not ) ainsi obtenu tend vers une variable non
alatoire x0 qui est la valeur numrique recherche. Cest la proprit de cohrence.
Biais dun estimateur
Lorsque la taille N dun chantillon tend vers linfini, un estimateur cohrent tend vers la
valeur exacte x0 recherche. Mais dans le cas rel o lchantillon est de taille finie, on
aimerait que lesprance de lestimateur (que lon note ) scarte le moins possible de
la valeur x0. Cet cart est appel biais. Pour un estimateur biais, on a :

o bN est le biais de lchantillon. Pour un estimateur cohrent, . Lestimateur

de la figure ci-dessous est biais.
Exemple dun estimateur cohrent et biais. Daprs T. Dudok de Wit, Universit dOrlans
Efficacit dun estimateur
Parmi diffrents estimateurs de la mme quantit, on choisira celui dont lcart-type est
minimal : la convergence vers la valeur exacte nen sera que plus rapide.
Exemple : pour estimer la moyenne dun chantillon , on effectue habituellement la

moyenne arithmtique sur toutes les valeurs. On peut aussi effectuer la moyenne de la valeur
minimum et de la valeur maximum. Cependant, lcart-type de la moyenne arithmtique est
bien plus petit que celle de la moyenne du minimum/maximum.
Deux estimateurs defficacit diffrente. Daprs T. Dudok de Wit, Universit dOrlans.
Meilleure estimation d'une esprance mathmatique
La meilleure estimation de lesprance mathmatique que l'on peut faire l'aide d'un tableur
(Excel, LibreOffice ou autre) est la moyenne exprimentale (ou arithmtique) que l'on notera
et qui s'effectue sur un nombre fini de mesures.

On considre que N vnements indpendants53 (notre nombre de comptages de 5 s) d'une

variable alatoire x (nombre de muons dtects en 5 s) sont mesurs. On a alors :
Cette valeur est appele valeur moyenne estime partir d'un chantillon ou valeur moyenne
exprimentale.
Exemple : on ralise des nombres N diffrents de lancer de d, on obtient alors les moyennes
N 10 100 1000 10000 100000

3,2 3,56 3,486 3,5366 3,5010
Ces valeurs convergent bien vers lesprance mathmatique lorsque N tend vers infini.
De plus, on constate que notre estimateur est bien cohrent et non biais
Evolution de la valeur moyenne en fonction du nombre dexpriences
On a trac la variation de la moyenne en fonction du nombre dexpriences ralises avec le

cosmodtecteur. On obtient les rsultats suivants :
Variation de la moyenne sur 500 expriences
On constate que les variations de la moyenne sont trs importantes lorsquil y a peu
dexpriences mais que celle-ci converge vers une valeur limite et ne fluctue quasiment plus
aprs 400 expriences. On a bien ici un estimateur cohrent et non biais.
Meilleure estimation de la variance (ou du carr de lcart-type)
La variance exprimentale s2 est dfinie, par analogie avec la valeur moyenne, de la faon
suivante:
Lcart-type caractrise, en quelque sorte, l'incertitude* moyenne pour les mesures

prises sparment54.
53
Ce qui est notre cas ici car le nombre de muons incidents est alatoire.
54
Le facteur N1, et non pas N, vient du fait que la formule ci-dessus utilise x, seule quantit accessible
lexprience, et non pas Xvrai. Il est ais de sen souvenir : on conoit bien quil nest pas possible destimer
lcart-type dune distribution partir dune seule mesure.

Ecart-type de la moyenne
Lcart-type ne dcrot pas lorsque l'on augmente le nombre de mesures : malgr la prsence
du facteur N-1, il faut prendre en compte lcart la moyenne quune mesure supplmentaire
ajoute. Notre meilleure estimation de la moyenne est une combinaison de ces N mesures et
on a toutes les raisons de penser que cette estimation de la moyenne est plus meilleure (c'est-
-dire plus proche de lesprance ) lorsque l'on a beaucoup de mesures que lorsque l'on en a
qu'une seule. Il en est de mme pour l'cart-type, on devrait accder une diminution de
l'erreur lorsque l'on augmente le nombre de mesures.
En rptant de nombreuses fois lexprience consistant mesurer N valeurs de la grandeur X
dont on prend ensuite la valeur moyenne, on obtient la distribution de probabilit de . Dans
ce cas, peut tre aussi associe une variable alatoire, elle-mme associe une fonction
de distribution gaussienne desprance mathmatique et dcart-type appel cart-type
de la moyenne. En effet, la moyenne est donn par : les grandeurs tant
des variables alatoires, il en est de mme de . Les variables alatoires sont indpendantes
et le thorme des variances conduit . Lcart-type de la moyenne vaut alors:
reprsente lincertitude sur la dtermination de la valeur vraie X vrai (forcment inconnue

qui correspond ici ) partir de la moyenne de N mesures. Cette dtermination est donc
fois plus prcise que celle obtenue partir dune mesure unique. Dans la pratique, crot
lentement et amliorer la prcision dun facteur 10 oblige effectuer 100 fois plus de
mesures.
Ecart-type et cart-type de la moyenne.

.
Comme on peut le voir sur le graphique ci-dessus, lorsquon effectue une mesure unique, la
valeur trouve suit la distribution de probabilit reprsente en pointills. N mesures
indpendantes se rpartissent alatoirement sur cette courbe. Lorsquon prend la valeur

moyenne de ces N mesures, les carts la valeur vraie se compensent statistiquement, avec
dautant plus defficacit que N est grand. Si on ralise plusieurs dterminations de la
moyenne de N mesures, elles suivent la distribution en trait plein.
Or, on ne connat jamais , on ne peut avoir que son meilleur estimateur s, on a alors la
meilleure estimation de l'cart-type de la moyenne donne par :
(I) Rsultat dune mesure
Incertitude
Lincertitude traduit les tentatives scientifiques pour estimer limportance de lerreur

alatoire commise. Si est valu statistiquement (ce que lon fera dans la suite de
lexpos), on cherche dans ce cas caractriser la distribution de probabilit des valeurs de x.
En labsence derreur systmatique, lestimation de la valeur moyenne est la meilleure
estimation de la valeur vraie Xvrai tandis que lincertitude , directement relie lestimation
de lcart-type de la distribution, dfinit un intervalle dans lequel la valeur vraie X vrai se
trouve avec un niveau de confiance connu. On choisit le plus souvent comme incertitude
lestimation de lcart-type de la distribution. On parle alors dincertitude-type*.
Prsentation dun rsultat de mesure
Ainsi lorsque l'on se base sur N mesures , on peut crire notre rponse finale pour
la dtermination de la valeur de Xvrai :
o est la moyenne de et correspond l'cart-type de la moyenne55,

.
avec t le coefficient dlargissement. Ainsi, dans le cas o la distribution des valeurs de nos
mesures est gaussienne, pour t=1, on a un un niveau de confiance de 63,8%, pour t = 2, on a
un niveau de confiance de 95,4% et pour t = 3, on a un niveau intervalle de confiance de
99,7%56.
(J) Retour sur la premire exprience
Analyse partir de la seconde courbe reprsentant les mesures de la partie ii
On sintresse la moyenne et lcart-type selon cette reprsentation des rsultats.
55
Lorsque le nombre de mesures tend vers l'infini, l'cart-type de la moyenne tend vers zro ce qui est tout fait
normal puisque dans ce cas, il n'y a plus aucun doute sur la valeur de la moyenne qui correspond alors X.
56
Lintervalle de confiance associ lcart-type dpend de la distribution (gaussienne, poisssonnienne,
binomiale,) vers laquelle tendant les mesures exprimentales.


Lorsque lon fait les calculs, on obtient une moyenne de 14,971523 muons 57 pour 10
secondes. On a alors muons par seconde. Lestimation de lcart-type pour
10 s est 3,827286, soit muons par seconde pour lestimation de lcart-type
pour 1 s. On en dduit alors que lestimation de lcart-type de la moyenne est
muons par seconde.
On peut alors crire le rsultat sous la forme suivante :
On a donc bien un rsultat exprimental avec un niveau de confiance donn.
Analyse partir de la troisime reprsentation des mesures de la partie ii
On a 67 821 muons dtects pendant 13 h (plus prcisment ). On

peut donc en dduire que le nombre moyen de muons dtects par seconde est
muons par seconde. On dmontre que lestimation de lcart-type dans le cas dun
comptage est dans notre cas, on a 260,424653 pour le comptage de 45 300 s soit, si lon
ramne ce rsultat 1 s, on obtient muons par seconde.
On crit alors le rsultat sous la forme suivante :
57
A ce stade, on ne se proccupe pas des chiffres significatifs, cela est trop tt et pourrait altrer nos rsultats .

mais il est difficile dattribuer un niveau de confiance dans un cas non gaussien58. On prend
alors par convention un coefficient dlargissement t de 2.
Analyse partir de la premire courbe reprsentant les mesures de la partie ii
On sintresse la moyenne et lcart-type selon cette reprsentation des rsultats.

dtects par intervalle de 5 s
On obtient une moyenne de 7,48576159 muons par intervalle de 5 s. On en dduit

muons par seconde. Lestimation de lcart-type pour 5 s est 2,7241173 donc
muons par seconde. Or on sintresse lestimation de lcart-type de la
moyenne soit muons par seconde.
On crit alors le rsultat sous la forme suivante :
De la mme manire que prcdemment, il est difficile de calculer le niveau de confiance

pour une poissonnienne59 et cela dpasse le cadre de ce document introductif.
58
Pour notre exprience, on est dans le cas o la distribution binomiale est quasiment une distribution
gaussienne, il ne serait pas illogique dcrire le rsultat de la mme faon que dans le paragraphe prcdent.
59
On remarquera tout de mme que cet chantillon de valeur nest pas trs loign dune gaussienne.

Bibliographie
J.R. Taylor, An Introduction to Error Analysis, 2nd edition, University Science Books
Sausalito, California, 1997;
K. Protassov, Probabilits et incertitudes dans l'analyse des donnes exprimentales, Presses
Universitaires de Grenoble, 1999;
Philip R. Bevington & D. Keith Robinson, Data Reduction and Error Analysis for the
Physical Sciences, McGraw-Hill Education, 2003 ;
Johann Collot, Erreur, probabilit statistique, Polycopi du cours de physique exprimentale
des hautes nergies du DEA de Physique Thorique RhneAlpin,
http://isnwww.in2p3.fr/atlas/cours/index.html, 2001 ;
F.-X. Bally & J.-M. Berroir, Incertitudes exprimentales, Polycopi de cours du centre de
prparation interuniversitaire l'agrgation de physique de Montrouge,
http://poisson.ens.fr/Ressources/incertitudes.pdf, 2008.

Introduction exprimentale la mesure - Traitement de donnes exprimentales
b. Traitement de donnes exprimentales
i. Trac d'une courbe modlisant les donnes exprimentales :

ajustement d'un modle
On dispose de N couples de mesures (Xi,Yi). On se propose d'ajuster un modle f q

paramtres ajustables qui puissent expliquer la variable Y (variable explique) en fonction des
valeurs de X (variable explicative).
Yi = fP(Xi) et avec p1,...,pq l'ensemble des paramtres de notre modle ajuster.
On considre un modle f fix et on ne joue qu'avec la valeur des paramtres. Pour rpondre
aux questions sur la qualit de l'ajustement, la premire dmarche entreprendre est de dfinir
une fonction cot ou critre d'ajustement qui mesurera cette qualit. L'obtention des
meilleurs paramtres revient donc rechercher le minimum de ce critre en faisant varier les
paramtres.
Deux mthodes classiques, utilisant des mesures diffrentes de la qualit de l'ajustement sont
couramment utiliss : le critre du 2 et le critre des moindres carrs.
ii. Utilisation du critre du 2
(A) Application la distribution angulaire du flux de muons
Dfinition du critre du 2
Le critre est construit partir de la somme des carrs des carts relatif au modle ramens au
nombre de degr de libert du systme60.
avec n, le nombre de points exprimentaux ; q, le nombre de paramtre du modle ; f(Xi), la

valeur donne par le modle pour ; Yi, la valeur exprimentale de rang i et
l'incertitude type estim pour Yi61. En toute rigueur, l'incertitude type doit tre issue
d'une distribution gaussienne. Nous avons vu prcdemment (estimation des fluctuations de
comptage) que lorsque est assez grand, la distribution distribution binomiale des
fluctuations de comptage tend vers une distribution gaussienne. On considrera dans la suite
que cette condition est toujours vrifie. On prendra alors . Dans notre cas, le
critre du 2 est donc :
60
Correspond au nombre de points exprimentaux moins le nombre de paramtre du modle.
61
On considre que lerreur sur est ngligeable par rapport celle de

2 correspond une statistique qui caractrise la dispersion des valeurs mesures par rapport
aux valeurs donnes par le modle. Si les mesures sont en parfait accord avec les valeurs du
modle alors on a 2=0. Ce cas est totalement improbable.
Dans notre relation du 2, le numrateur reprsente une mesure de la dispersion des mesures
par rapport au modle mais le dnominateur donne une mesure de la dispersion attendue. On
peut alors conclure que l'on a un bon accord entre nos mesures et le modle prdit lorsque la
moyenne des dispersions des mesures correspond la moyenne des dispersions attendue.
Ainis, on devrait obtenir une contribution telle que, pour chaque mesure,
soit une contribution de 1 pour chaque mesure. Dans ce cas, 2=n. Cela est presque
correct. En fait, la vraie valeur attendue de 2 est : o est le nombre de
degr de liberts et q le nombre de paramtre de notre modle. On utilise alors de 2r appel
2 rduit dfini par :
Notre modle sera en bonne adquation lorsque 2r est proche de 1.
(B) Application la distribution angulaire du flux de muons.
Explicitation du modle
Pour la distribution angulaire du muon, le modle utilis est le suivant :
avec N() le nombre de muons reu par l'appareil pour un angle ; , l'angle sous lequel est
inclin la roue (voir exprience distribution angulaire du flux de muons) et a et b deux
paramtres dterminer.
On a donc ici deux paramtres dterminer, ce sont a et b donc . On va donc minimiser

2 suivant :
avec Nexp( i), le nombre de muons mesurs pour un angle i.
Utilisation d'un tableur pour minimiser r2
On va utiliser un tableur pour minimiser r2 mais il est tout fait possible d'utiliser un logiciel
de calcul numrique (Scilab, Matlab ou Octave, par exemple) pour raliser ce travail. On
utilisera l'outil solveur disponible sur LibreOffice Calc et sur Microsoft Excel. Cet outil, par
ajustements successifs des paramtres, va nous permet de minimiser la fonction r2.
Voici comment se prsente un fichier LibreOffice Calc avant optimisation par le solveur :

Dans notre cas, on a n=19 valeurs exprimentales.

La colonne E correspond au modle , on est alors obliger de fixer a
priori une valeur pour a et b (case F23 et F25)62. Le solveur partira de ces deux valeurs et des
paramtres pour minimiser r2 (case F24).
La colonne F correspond c'est dire la contribution d'un
point exprimental au r2.
On utilise ensuite la fonction solveur63. La fentre suivante apparat :
La cellule cible correspond la cellule que vous dsirez optimiser. On a alors le choix de
minimiser cette cellule, de la maximiser ou alors de faire tendre la cellule vers une valeur
62 On essaie de donner une valeur pas trop loign pour minimiser le temps de calcul.
63 Pour LibreOffice Calc, on va dans outils puis solveur.

particulire. Dans notre cas, il s'agit de minimiser r2 qui correspond dans notre exemple la
cellule F24.
Ensuite, il faut renseigner le tableur sur les cellules qu'il peut modifier pour pouvoir obtenir
l'optimisation attendue qui correspond la case Par modification de cel. Dans notre cas, le
tableur devra modifier deux valeurs, a et b qui se trouvent respectivement dans les case F23 et
F25.
Il reste plus ensuite qu' demander au logiciel d'effectuer le calcul en appuyant sur le bouton
rsoudre. Aprs quelques instants, le calcul est effectu et de nouvelles valeurs (dsormais
optimises) sont donnes dans les case F23 et F25.
Voici la feuille de calcul aprs optimisation :
En observant la valeur r2, on constate dans notre cas qu'elle est assez proche de 1 cela veut
dire qu'il y a de grandes chances que notre modle tienne la route . Dans le cas o r2 est
assez lev (ou trs proche de 0), il sera peut-tre judicieux de rflchir soit la qualit des
mesures soit la pertinence du modle.
On peut alors crire que :

N ()=430,6 . cos2 ()+42,28
(C) Application au temps de vie du muon
Explicitation du modle
Pour le temps de vie du muon, nous avons affaire une dcroissance exponentielle plus une
constante due au bruit, le modle utilis est le suivant :
( )
t
N (t)=A.exp +B
avec N(t) le nombre de muons restant au temps t ; , le temps de vie du muon et A et B deux
paramtres dterminer.

On a donc ici trois paramtres dterminer, ce sont A, B et donc q=3. On va donc

minimiser 2 suivant :
t
( )
2
n( A.exp +BN exp (t ))
2=
i =1 N exp (t)
avec Nexp( t), le nombre de muons au temps t.
Dans le tableur, on cr une colonne donnant N(t)64 (le nombre de muon au temps t) et une
colonne dt (pas temporel) comme indiqu ci-dessous :
Enfin, on utilise la fonction solveur de notre tableur en faisant varier les paramtres A, B et .
On trouve alors dans notre cas =2,1 s (la valeur du PDG est =2,2 s)65.
Remarques :
Pour minimiser 2, il faut faire attention de pas prendre en compte le nombre N(t)
pour t<100 ns car ces signaux sont trs bruits66 (ici, par scurit67, nous avons occult
tous les dsintgrations de muons dont le temps de dsintgration est infrieur
400 ns).
Le choix du pas temporel (ici 400 ns) est un des critres les plus sensibles. Son choix
doit tre fait avec prcaution : si le pas est trop petit, la fluctuation du comptage est
trop importante ; sil est trop important, le nombre de points de mesures devient trop
restreint.
Si l'on ramne notre 2 au 2r sachant que l'on a 129 mesures et 3 paramtres donc :
64
N(t) a t obtenu grce la fonction frquence de Excel ou LibreOffice.
65
Nous ne ferons pas destimation de lerreur sur cette mesure car celle-ci est assez complexe estimer. Pour
plus dinformation voir louvrage de P.R. Bevington
66
Ce bruit peut tre d des chos du signal primaire dans le PM
67
On pourra vrifier linfluence de ce choix.

iii. Utilisation de la mthode des moindres carres : application au

temps de vie du muon
Lorsque lon trace la courbe N(t)=f(t), le modle utilis est :

avec N0, le nombre de muons t=0 s et B correspondant au bruit de fond.
Pour utiliser la mthode des moindres carres, nous devons linariser cette quation. Pour
cela, il faut estimer le bruit B (celui-ci correspond la moyenne des comptages des temps
levs car on estime que lorsque t est lev, on na plus de muons mais uniquement du bruit
de fond), on a donc une nouvelle valeur .
Le modle sans le bruit est donc . Si on linarise cette
quation, on a :
De la mme manire que pour le 2, il faut minimiser la somme suivante :
Ici correspond , Yi correspond .
Ainsi, cela revient minimiser :
o ti est le temps correspondant au comptage .

Nous devons alors ajuster deux paramtres, ln N0 et . Pour cela, on doit minimiser cette
expression et pour cela on drive cette expression par rapport chacun des paramtres que
lon doit ajuster. On a alors :
et
Aprs calcul, on obtient :
avec

Lincertitude est donne par lcart-type telle que :
En utilisant les mmes donnes que pour le 2, on a la feuille Excel suivante :
On a donc un temps de vie =2,190,12 s ( 68,3% en degr de confiance). Cette mesure est
donc compatible par rapport celle obtenue par la mthode du 2.
Remarques :
Cette mthode prsente lavantage dune estimation de lerreur sur le temps de vie du
muon.
On prendra garde lvaluation du bruit de fond : une mauvaise valuation de celui-ci
peut entraner de grands carts sur lestimation du temps de vie.
Dun point de vue de lvaluation du temps de vie, les deux mthodes sont
quivalentes. Une valeur plus proche de la valeur thorique attendue de lune des deux
mthodes ne signifie pas que cette mthode est meilleure : une erreur systmatique de
nos mesures peut faire que la meilleure estimation de la valeur vraie par nos mesures
est une valeur quelconque autour de la valeur thorique attendue.

ANNEXE
Meilleure estimation de comptage (fluctuation statistique de comptage d'une valeur xi)
Fluctuations statistiques de comptage
On considre un comptage de 2 minutes effectu, le nombre de fois k ou le cosmodtecteur a

compt x=8 muons/5s est k=5. La frquence de ce rsultat est 0,21. On a effectu un nombre
N=24.
On considre que les fluctuations statistiques pour la valeur x=8 suit la loi de distribution
binomiale suivante donnant la probabilit d'obtenir un comptage :
Si on trace cette distribution PB en fonction de , on obtient :
Cette courbe reprsente les fluctuations statistiques pour le comptage x=8 muons/5s.

Meilleur estimation de la probabilit p et de l'cart-type
Soit N, le nombre total de comptages effectus et k le nombre de fois o la condition est

satisfaite (par exemple le nombre de fois o l'on a obtenu a muon/5s). Le meilleur estimateur
pour le paramtre p (probabilit de succs) de la distribution binomiale est:
avec si la condition est satisfaite et sinon. Dans notre exemple, on a donc

, N=24 et k=5.
On a vu dans le paragraphe prcdent que le meilleur estimateur pour la variance d'une valeur
moyenne est .
Ce qui donne, dans le cas d'une distribution binomiale : .
Si on remplace p par son estimateur, on a :
ou encore
et est appel erreur statistique de comptage.

Dans notre exemple, on obtient :
Cas particuliers :
Comme en gnral N est trs grand, cette expression est le plus souvent connue sous la
forme . Dans notre cas, . , ce qui est une assez
bonne estimation. Dans la suite de notre expos, nous considrerons que cette formule
s'applique68 et les barres d'erreur sur les comptages seront telles que l'on aura
l'intervalle reprsent par une barre.
Si k est grand69, la distribution binomiale tend vers une loi normale de moyenne k et
dcart type ( si lefficacit de comptage est faible, c'est--dire
que ) et de moyenne .
68
Il faut nanmoins rester vigilant vis--vis de l'applicabilit de cette dernire formule simplifie. Si on a un
nombre de comptages N proche de 1, on doit utiliser l'expression complte pour obtenir le rsultat correct.
69
Si k est petit et que p est galement petit , on est dans le cadre dapplication de la loi de Poisson qui est
asymtrique, ce qui conduit un intervalle de confiance galement asymtrique autour de la moyenne k.

On a superpos la distribution prcdente une gaussienne d'cart-type
et de moyenne . On voit donc que mme pour un comptage assez

faible (ici 5), la fluctuation sur un comptage est quasiment gaussien70 71.
70
Ceci justifie les ajustements par la mthode du 2 que nous utilisons dans la partie suivante.
71
Dans ce cas, le rsultat est donn par un intervalle: k s(k), qui est 68,2% de confiance ( 95,4% pour k
2.s(k)). Voir ci-dessous.

LEXIQUE
LEXIQUE
Antiparticule, f
particule de mme masse mais dont les charges (cest--dire tous ses nombres
quantiques) sont opposes celle de la particule correspondante.
Baryon, m
particule compose de trois quarks, transmettant et subissant l'interaction forte. Ex :
proton et neutron.
Cherenkov (effet), m
production de lumire par une particule charge traversant un milieu transparent une
vitesse suprieure la vitesse de la lumire dans ce milieu.
Chromodynamique quantique (QCD), f

thorie des interactions fortes, dites aussi de couleur
Concidence (circuit de), m

dispositif lectronique testant la simultanit de deux signaux. Il correspond la
fonction logique ET de l'algbre de Boole.
Compton (effet), m
dviation d'un photon, rayon X ou gamma, par un lectron libre ou faiblement li,
dcouverte par A. H. Compton en 1923
Couleur, f
Charge (dans le sens de nombre quantique) que possdent les sensibles linteraction
forte.
Electrodynamique quantique (QED), f

thorie quantique des interactions lectromagntiques. Le trs haut pouvoir prdictif
de l'lectrodynamique quantique en a fait un modle de thorie physique.
Erreur alatoire, f
composante de l'erreur de mesure qui, dans des mesurages rpts, varie de faon
imprvisible
Erreur de mesure, f
Erreur, f
diffrence entre la valeur mesure d'une grandeur et une valeur de rfrence.
Erreur systmatique, f
composante de l'erreur de mesure qui, dans des mesurages rpts, demeure
constante ou varie de faon prvisible.
Fidlit de mesure, f
Fidlit, f

LEXIQUE
troitesse de l'accord entre les indications ou les valeurs mesures obtenues par des
mesurages rpts du mme objet ou d'objets similaires dans des conditions
spcifies.
Freinage (rayonnement de), m

Bremstrahlung
rayonnement mis par une particule charge traversant un champ lectrique.
Gerbe, f
cascade de particules produites (notamment dans l'atmosphre) par l'impact d'un
proton ou d'un noyau de trs haute nergie.
Gluon, m
particule qui transmet l'interaction de couleur entre les quarks.
Grandeur, f
proprit d'un phnomne, d'un corps ou d'une substance, que l'on peut exprimer
quantitativement sous forme d'un nombre et d'une rfrence.
Hadron, m
particule sensible l'interaction forte (proton, neutron, pion...)
Hadronique
compos de hadrons
Incertitude de mesure, f
Incertitude, f
paramtre non ngatif qui caractrise la dispersion des valeurs attribues un
mesurande, partir des informations utilises.
Incertitude-type, f
Incertitude de mesure exprime sous la forme d'un cart-type.
Jauge (thorie de), f

En physique thorique, une thorie de jauge est une thorie des champs base sur un
groupe de mtrie locale, appel groupe de jauge, dfinissant une invariance de
jauge . Le prototype le plus simple de thorie de jauge est l'lectrodynamique
classique de Maxwell.
Justesse de mesure, f
Justesse, f
troitesse de l'accord entre la moyenne d'un nombre infini de valeurs mesures
rptes et une valeur de rfrence
Kaon (mson K), m

mson contenant un quark trange , de masse proche de 500 MeV
Lepton, m

LEXIQUE
particule de base du Modle Standard sensible l'interaction faible et insensible

l'interaction forte.
Mesurage, m
Mesure, f
processus consistant obtenir exprimentalement une ou plusieurs valeurs que l'on
peut raisonnablement attribuer une grandeur
Mesurande, m
grandeur que l'on veut mesurer
Mson, m
particule compose d'un quark et d'un antiquark, transmettant et subissant l'interaction
forte. Le mson le plus connu est le pion (mson ), dcouvert en 1947.
Modle Standard, m
ensemble de thories comprenant la thorie lectrofaible et la chromodynamique
quantique, synthse de l'essentiel des connaissances actuelles sur les particules et leurs
interactions.
Muon (), m
particule analogue l'lectron mais de masse deux cents fois plus leve. Le muon est
l'un des leptons de base du Modle Standard.
Neutrino, m
particule de masse trs faible et de charge lectrique nulle. Le Modle Standard admet
trois espces de neutrinos. Ils ne sont sensibles qu' l'interaction faible.
Photocathode, f
surface sensible d'un photomultiplicateur mettant un lectron sous l'impact d'un
photon.
Photomultiplicateur, m
dispositif photolectrique transformant un photon en un signal lectronique.
Photon, m
boson vecteur de la force lectromagntique. La lumire est constitue de photons,
ainsi que les rayons X et gamma.
Quark, m
composant lmentaire des particules interaction forte. Les quarks interagissent par
l'interaction dite de couleur , correspondant l'change de gluons.
Rsultat de mesure, m
Rsultat d'un mesurage, m
ensemble de valeurs attribues un mesurande, complt par toute autre information
pertinente disponible
Scintillateur, m

LEXIQUE
matriau transparent mettant de la lumire quand il est travers par une particule
charge en mouvement. Cette lumire peut-tre transforme en signal lectrique
l'aide d'un photomultiplicateur.
Section efficace, f
nombre exprimant la probabilit d'une interaction entre particules. Ce nombre la
dimension d'une surface.
Tau, m
lepton charg dcouvert en 1972, analogue l'lectron et au muon, mais de masse
beaucoup plus leve.
Temps de vie, m
dans une dsintgration, le temps de vie est le temps ncessaire pour que la population
dun chantillon passe de N0 N0/2.
Thorie de jauge, f
thorie permettant de dcrire les interactions fondamentales partir des symtries
quelles conservent. Celles-ci servent de base au choix du groupe (au sens
mathmatique du terme) dit de jauge sur lequel est bas la thorie. Par exemple,
llectromagntisme est bas sur le groupe U(1) de symtrie car linteraction est
invariante par changement de phase spatiale et temporelle des champs dcrivant les
particules.
Valeur vraie, f
Valeur vraie d'une grandeur, f
valeur d'une grandeur compatible avec la dfinition de la grandeur

Derniere Version Stat

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Derniere Version Stat

Hochgeladen von

Copyright:

Verfügbare Formate

Introduction exprimentale la mesure - Erreur

4. Introduction exprimentale la mesure

(A) Les erreurs systmatiques

Sciences lEcole www.sciencesalecole.org 51

(B) Les erreurs alatoires

(C) Notion justesse* et de fidlit*

Analogie avec une cible

Sciences lEcole www.sciencesalecole.org 52

Sciences lEcole www.sciencesalecole.org 53

valuer (comment savoir si cest la situation a) ou b) qui correspond la bonne mesure ou

(D) Retour sur lerreur de mesure

Si on reprend les dfinitions et les notations prcdentes, on obtient

Schma reprsentant lerreur systmatique ERs et lerreur alatoire ERa

On peut alors faire les remarques suivantes :

Sciences lEcole www.sciencesalecole.org 54

xi dans les conditions de rptabilit47;

(E) Optimisation du protocole

Un des travaux essentiel de lexprimentateur est loptimisation du protocole exprimental

Organigramme doptimisation du protocole. Daprs le GRIESP.

Sciences lEcole www.sciencesalecole.org 55

ii. Exprience ralise avec le cosmodtecteur

(A) Prsentation de lexprience

(B) Prsentation des rsultats

Histogramme reprsentant le nombre de comptage ki en fonction du nombre de muons xi

En statistique, on travaille plutt avec les frquences . Si on reprsente alors

Sciences lEcole www.sciencesalecole.org 56

Histogramme reprsentant la frquence fi des comptages en fonction du nombre de muons xi

Histogramme reprsentant la frquence fi des comptages en fonction du nombre de muons xi

Sciences lEcole www.sciencesalecole.org 57

Histogramme reprsentant le nombre de comptages en fonction du nombre de muons xi

Si on note la frquence du rsultat . Si on reprsente cette frquence en

Histogramme reprsentant le nombre de comptages en fonction du nombre de muons xi

Sciences lEcole www.sciencesalecole.org 58

Pour bien comprendre la situation, effectuons un mesurage constitu de 24 comptages de 5 s

Quatre chantillons de 24 expriences : comptage du nombre de muons dtects par

Sciences lEcole www.sciencesalecole.org 59

En effectuant dautres chantillons de ce mesurage (24 expriences de 5 s), on obtient les

Histogramme dcrivant les fluctuations statistiques pour la valeur 8 muons par 5 s

Histogramme dcrivant les fluctuations statistiques pour la valeur 8 muons par 5 s et

Sciences lEcole www.sciencesalecole.org 60

iii. Les fonctions de distribution

On appelle variable alatoire une variable X susceptible de prendre diffrentes valeurs,

(B) Loi de probabilit

La quantit quivaut la probabilit que la variable X prenne une valeur situe

Sciences lEcole www.sciencesalecole.org 61

(C) Proprits des fonctions de probabilit

On dfinit tel que :

Exemple : dans le lancer dun d non truqu, lesprance vaut :

ce rsultat est exact et ne dpend pas du nombre de lancers.

Exemple : dans le lancer de dun d non truqu, lcart-type vaut :

ce rsultat est lui aussi exact et ne dpend pas du nombre de lancers.

Sciences lEcole www.sciencesalecole.org 62

(D) Fonction de distribution uniforme

On montre dans ce cas que :

(E) Fonction de distribution binomiale

Pile ou face (ou la loi de Bernoulli)

Lesprance vaut dans ce cas

Introduction la loi binomiale

Sciences lEcole www.sciencesalecole.org 63

La probabilit dobtenir face avec une pice est p (loi de Bernoulli).

probabilit que chacune de ces combinaisons arrive cest--dire .

Si on trace cette fonction on obtient :

Distribution binomiale pour n=4 et p=1/2

Sciences lEcole www.sciencesalecole.org 64