Terminale générale · Sciences de l'ingénieur

Composer les incertitudes et simuler un processus aléatoire

Composer des incertitudes connues avec une formule fournie et confronter le résultat à une simulation aléatoire Python.

Lecture et activités : environ 50 minutes

Objectifs

  • Utiliser une formule fournie avec des incertitudes-types connues.
  • Vérifier unités et hypothèses d’indépendance.
  • Programmer des tirages aléatoires et calculer une dispersion de sortie.
  • Comparer propagation approchée et simulation sans confondre leurs incertitudes.
Sommaire du chapitre
  1. Décrire les entrées et choisir le modèle
  2. Appliquer une formule fournie sans changer son sens
  3. Traduire les hypothèses en tirages Python
  4. Traiter une différence et repérer une dépendance
  5. Comparer les méthodes et discuter les limites

Une vitesse calculée à partir d’une distance et d’une durée possède-t-elle deux incertitudes ou une seule ?

Un chariot parcourt une piste. Distance et durée ont chacune une incertitude ; le quotient qui donne la vitesse hérite des deux. Les données sont fictives. On fournit les formules de propagation et un programme Python reproductible. Les tirages numériques représentent un modèle de connaissance des entrées, pas une campagne de mesures physiques.

Décrire les entrées et choisir le modèle

Écrivez d’abord la relation entre grandeurs, puis un tableau contenant valeur et incertitude-type pour chaque entrée. Pour v = L/t, on prendra L = 1,200 m, u(L) = 0,006 m, t = 0,800 s et u(t) = 0,004 s. La formule de propagation utilisée ici suppose des variations petites devant les valeurs et des entrées indépendantes. Cette dernière condition n’est pas garantie par l’existence de deux instruments : une même procédure peut créer une dépendance.

Une incertitude composée décrit la dispersion du résultat calculé. La propagation ne corrige pas un modèle inadapté : une vitesse moyenne sur toute la piste n’est pas forcément la vitesse instantanée au milieu. Vérifiez unités et domaine physique avant les nombres.

À toi d'essayer

Les incertitudes relatives de L et t valent-elles 0,5 % ou 5 % ?

Coup de pouce : Divise chaque incertitude par la valeur correspondante.

Voir la réponse

0,006/1,200 = 0,005 et 0,004/0,800 = 0,005, soit 0,5 % dans les deux cas. Les rapports sont sans unité. Ces faibles valeurs permettent ici une propagation linéarisée pertinente.

Appliquer une formule fournie sans changer son sens

Pour le quotient de deux entrées indépendantes à faibles incertitudes relatives, la formule fournie est u(v) = |v| × √[(u(L)/L)² + (u(t)/t)²]. Les contributions relatives sont mises au carré, additionnées puis ramenées à une incertitude absolue. Le signe moins de la dérivée par rapport au temps ne donne pas une soustraction de variances indépendantes. Les incertitudes-types ne sont pas des bornes extrêmes à additionner systématiquement.

Exemple résolu

Déterminer la vitesse moyenne et son incertitude-type avec les données du chariot.

  1. Étape 1 : Calculer v = 1,200/0,800 = 1,500 m/s.
  2. Étape 2 : Calculer la somme des carrés relatifs : 0,005² + 0,005² = 0,000050.
  3. Étape 3 : Prendre la racine : 0,0070711, soit une incertitude relative d’environ 0,707 %.
  4. Étape 4 : Multiplier par 1,500 m/s : u(v) = 0,0106066 m/s, soit environ 0,011 m/s.

Résultat : Le modèle donne v = 1,500 m/s et u(v) ≈ 0,011 m/s, sous les hypothèses d’indépendance et de faibles variations.

Piège à éviter : Additionner 0,006 m et 0,004 s n’a aucun sens dimensionnel.

À toi d'essayer

Une nouvelle mesure ramène u(L) à 0,003 m, sans changer u(t). Calculer u(v).

Coup de pouce : Recalcule les deux rapports plutôt que diviser directement le résultat par deux.

Voir la réponse

Les rapports valent 0,0025 et 0,005. u(v) = 1,5 × √(0,0025² + 0,005²) = 0,008385 m/s, environ 0,0084 m/s. Améliorer une seule entrée ne divise pas l’incertitude totale par deux.

Traduire les hypothèses en tirages Python

Pour illustrer la propagation, attribuons à L et t deux lois uniformes indépendantes centrées sur les valeurs du tableau. Pour une incertitude-type u, la demi-largeur est √3 × u : chaque entrée possède ainsi l’écart-type souhaité. C’est une hypothèse de simulation, pas une conséquence automatique de la seule connaissance de u. Le programme crée une paire différente à chaque répétition et calcule son quotient. L’écart-type des quotients estime la dispersion de la vitesse dans ce modèle. La graine fixe facilite la reproduction du même échantillon informatique.

Méthode

  1. Copier le code suivant dans un interpréteur Python local. Aucun paquet supplémentaire n’est requis. N est le nombre de tirages numériques, pas le nombre d’essais physiques.
  2. import random import statistics import math rng = random.Random(5080) N = 100000 valeurs = [] for _ in range(N): L = rng.uniform(1.200 - math.sqrt(3)*0.006, 1.200 + math.sqrt(3)*0.006) t = rng.uniform(0.800 - math.sqrt(3)*0.004, 0.800 + math.sqrt(3)*0.004) valeurs.append(L / t) print(statistics.mean(valeurs)) print(statistics.stdev(valeurs))
  3. Comparer la moyenne et l’écart-type obtenus à 1,500 m/s et 0,01061 m/s. Répéter avec une autre graine ou un autre N pour observer la variabilité numérique.

Les temps tirés appartiennent à [0,800 − √3 × 0,004 ; 0,800 + √3 × 0,004] s, donc restent strictement positifs. Cette vérification du domaine empêche une division par un temps nul. Pour des incertitudes relatives plus grandes, il faudrait réexaminer la linéarisation et les lois choisies : un programme qui calcule sans erreur peut encore représenter un modèle physique inadapté.

À toi d'essayer

Pourquoi ne faut-il pas réinitialiser random.Random(5080) à chaque passage dans la boucle ?

Coup de pouce : Une graine recrée le même début de suite.

Voir la réponse

On répéterait les mêmes premiers tirages au lieu de construire une collection variable. Il faut créer le générateur une fois avant la boucle, puis l’utiliser successivement. La reproductibilité porte sur la suite complète, pas sur un seul tirage répété.

À toi d'essayer

Faut-il diviser l’écart-type simulé par √100000 pour annoncer u(v) ?

Coup de pouce : Identifie si l’on cherche la dispersion de sortie ou la précision numérique d’une moyenne.

Voir la réponse

Non. L’écart-type des quotients représente u(v) dans le modèle. Le diviser par √N évaluerait plutôt la fluctuation numérique de la moyenne simulée sous des hypothèses appropriées. Augmenter N stabilise l’estimation ; cela n’améliore pas physiquement les instruments.

Traiter une différence et repérer une dépendance

Exemple résolu

On calcule une course d = x2 − x1 avec x1 = 0,200 m, x2 = 1,400 m, u(x1) = u(x2) = 0,003 m. La formule fournie pour deux entrées indépendantes est u(d) = √[u(x1)² + u(x2)²]. Que donne-t-elle et que changerait un même décalage du zéro ?

  1. Étape 1 : La course vaut d = 1,400 − 0,200 = 1,200 m.
  2. Étape 2 : Sous indépendance, u(d) = √(0,003² + 0,003²) = 0,0042426 m.
  3. Étape 3 : Si les deux positions contiennent exactement un même décalage b, écrire (x2 + b) − (x1 + b) : b s’annule.
  4. Étape 4 : Une contribution commune ne doit donc pas être traitée comme deux termes indépendants. Séparer les contributions communes et propres avant d’appliquer une formule adaptée.

Résultat : Avec les seules hypothèses initiales, u(d) ≈ 0,0042 m. Avec un décalage commun, ce terme se compense ; les autres sources restent à examiner.

Piège à éviter : Le signe moins entre positions ne permet pas de soustraire leurs variances indépendantes.

À toi d'essayer

Si seule la composante commune du zéro est connue, peut-on annoncer que u(d) vaut zéro ?

Coup de pouce : D’autres contributions peuvent subsister.

Voir la réponse

Non. On sait seulement que cette composante se compense dans la différence. Résolution, lecture et montage peuvent encore contribuer. Sans leurs informations, on ne dispose pas d’un budget complet ; il faut annoncer cette limite.

Comparer les méthodes et discuter les limites

Un léger écart entre simulation et propagation peut venir des tirages ou de la non-linéarité. Un grand désaccord impose de vérifier unités, lois et dépendances. Leur concordance sous les mêmes hypothèses ne prouve pas la validité physique de ces hypothèses.

Attention :

Trois erreurs typiques : sommer des incertitudes d’unités différentes ; tirer deux fois la même variable en croyant simuler deux entrées indépendantes ; confondre N tirages et N nouvelles mesures. Corrigez par un tableau d’entrées, deux appels successifs au générateur et une conclusion limitée au modèle numérique.

À toi d'essayer

Et maintenant : comment contrôler le programme sans comparer seulement un nombre final ?

Coup de pouce : Supprime successivement une contribution.

Voir la réponse

Faire une simulation avec u(L) nul puis avec u(t) nul, en gardant l’autre entrée variable. Chaque contribution seule doit produire une dispersion proche de 0,0075 m/s ici. Lorsque les deux sont nulles, toutes les sorties valent 1,5 m/s. Ces cas contrôlent le chemin du calcul, sans valider les hypothèses expérimentales.

À retenir

  • Une formule fournie s’emploie avec ses hypothèses.
  • Les contributions indépendantes se combinent quadratiquement dans ces modèles.
  • La simulation estime une dispersion sous des lois choisies.

S'entraîner sur cette notion

Aucun exercice spécifique n'a encore été validé pour ce chapitre. Le répertoire SI reste accessible.

Explorer les exercices SI

Fiche de révision

Pour v = L/t

vérifier la faible taille de u(L)/L et u(t)/t.

Propagation indépendante

u(v)/|v| = √[(u(L)/L)² + (u(t)/t)²].

Pour une différence indépendante

additionner les variances absolues.

Créer le générateur aléatoire une fois puis tirer une nouvelle paire à chaque boucle.

Comparer statistics.stdev des sorties à u(v), sans division supplémentaire par √N.

Une source commune peut se compenser ou se renforcer : l’indépendance doit être justifiée.

Questions fréquentes

Faut-il toujours utiliser des lois normales pour simuler des incertitudes ?

Non. La loi représente l’information disponible : une erreur de quantification peut par exemple être modélisée par une loi uniforme. La seule valeur d’une incertitude-type ne détermine pas toute la loi. Il faut annoncer les choix et vérifier leur compatibilité avec le domaine physique.

Pourquoi deux simulations donnent-elles des valeurs légèrement différentes ?

Un échantillon fini de tirages possède une fluctuation numérique. Une graine fixe reproduit le même échantillon avec le même environnement de calcul ; changer la graine en crée un autre. Augmenter N réduit cette fluctuation, mais pas l’incertitude liée aux données physiques du modèle.

Et maintenant ?

Choisis la suite de ton parcours : approfondir la notion suivante, revoir le chapitre ou t’entraîner avec les exercices réellement disponibles.

Besoin d’une révision ? Revoir la leçon précédente : Évaluer une incertitude-type par les méthodes A et B

Toutes les leçons de Terminale générale — Sciences physiques, complément SI

Scientia