Ref1 Atelier Gauss

Techniques de calcul pour la physique et la chimie
David Boilley 1
Normandie Université et GANIL
Niveau Licence 2
Année 2013 - 2014
1. GANIL, BP 55027, F-14076 Caen cedex 05, boilley@ganil.fr, tél : 02 31 45 47 81

http://tinyurl.com/davidboilley
Table des matières
1 Calculs d’incertitude 3
1.1 Quand le résultat de mesure est une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Valeur moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Variance et écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.4 Variance et écart-type de la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.5 Estimateur de la variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.6 La distribution gaussienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Calcul de l’incertitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Estimation de type A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Estimation de type B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.3 Loi de composition des incertitudes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.4 Exemple d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.5 Exercices : entraı̂nement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.6 Astuce de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Ecriture et règles d’arrondi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Ecriture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 Arrondi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.3 Facteur d’élargissement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Ecriture du résultat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 Période . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.3 pH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.4 Remplissage d’une burette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.5 Mesure du diamètre de la Lune . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Régression linéaire par la méthode des moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.1 Moyenne pondérée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Méthode des moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Intégrales multiples 19
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Eléments de volume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Elément de volume en coordonnées cartésiennes . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 Elément de volume en coordonnées cylindriques . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.3 Elément de volume en coordonnées sphériques . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Application aux calculs des surfaces et volumes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.1 Exemple de calcul d’un volume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Rappel sur les différents systèmes de coordonnées . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.1 Eléments de volume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.2 Autres découpages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1
2.5 Calcul de la position du centre de masse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.1 Méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6 Calculs de moments d’inertie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.3 Astuce de calcul classique pour le moment d’inertie d’une sphère homogène . . . . . . . . 24
2.7 Changements de variables dans une intégrale multiple . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.1 Exemple avec une intégrale double . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.2 Méthode dans le cas général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.7.3 Exercice facultatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Les nombres complexes 27

3.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Parties réelle et imaginaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Module et argument . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.3 Trigonométrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.4 Equations du second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.5 Racines nièmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4 Equations différentielles linéaires du premier ordre 29

4.1 Résolution dans le cas général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Solution de l’équation différentielle homogène . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.2 Solution dans le cas où les coefficients A et B sont constants . . . . . . . . . . . . . . . . 30
4.1.3 Résolution dans le cas général : méthode de la variation de la constante . . . . . . . . . . 30
4.1.4 Résolution dans le cas général : méthode du facteur intégrant . . . . . . . . . . . . . . . . 31
4.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.1 Quelques intégrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.2 Charge d’un condensateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.3 Chute d’un corps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.4 Cinétique chimique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2.5 Décroissance radioactive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2.6 Démarrage d’un moteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2.7 Condensateur en régime sinusoı̈dal (facultatif) . . . . . . . . . . . . . . . . . . . . . . . . 32
5 Equations différentielles linéaires du second ordre 33

5.1 Résolution de l’équation différentielle homogène . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2.1 Oscillateur harmonique simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2.2 Oscillateur harmonique amorti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2.3 Pendule amorti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2.4 Barrière de potentiel parabolique (facultatif) . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.3 Etude du cas où le second membre est harmonique . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.4.1 Solution particulière de l’équation différentielle avec second membre sinusoı̈dal . . . . . . 36
5.4.2 Solution complète de l’équation différentielle . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.4.3 Solution particulière de l’équation différentielle avec second membre sinusoı̈dal . . . . . . 36
5.4.4 Avec une équation du premier ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2
Chapitre 1
Calculs d’incertitude
La mesure étant une étape essentielle de toute démarche scientifique, il est important de pouvoir évaluer
sa qualité. Depuis les années 1970, l’évaluation de l’incertitude fait l’objet d’un travail de normalisation inter-
national à l’instar de ce qui a été fait pour les unités de mesure. La méthode présentée ici est celle qui doit
être utilisée par tous, dans tous les pays. Le Guide pour l’expression de l’incertitude de mesure, communément
appelé le GUM, peut être téléchargé gratuitement sur le site Internet du Bureau International des Poids et
Mesures (http ://www.bipm.org/fr/publications/guides/). Il a été repris sous forme de norme européenne et
donc française sous la référence NF ENV 13005 en 1999. Ce travail de normalisation n’est pas fini puisque trois
suppléments ont été publiés depuis, le dernier datant de 2012. D’autres sont en cours de préparation.
Mais avant de commencer, une petite précision linguistique : le vocabulaire international de métrologie (VIM,
disponible en ligne avec le GUM) précise que le mot mesure a, dans la langue française courante, plusieurs
significations. Aussi n’est-il pas employé seul dans le présent vocabulaire. C’est également la raison pour laquelle
le mot mesurage a été introduit pour qualifier l’action de mesurer. Le mot mesure intervient cependant
à de nombreuses reprises pour former des termes de ce Vocabulaire, suivant en cela l’usage courant et sans
ambiguı̈té. On peut citer par exemple : instrument de mesure, appareil de mesure, unité de mesure, méthode de
mesure .
1.1 Quand le résultat de mesure est une variable aléatoire

1.1.1 Introduction
Il n’y a pas de mesurage parfait car il y a toujours des paramètres extérieurs qui viennent influencer. Même
pour une grandeur aussi simple que la longueur d’une table, l’endroit où est fait le mesurage peut conduire à faire
varier le résultat. Ou le choix de l’instrument de mesure. Cela peut être aussi l’environnement (température,...)
qui influe.
Ainsi, si l’on répète plusieurs fois le même mesurage, on peut avoir des résultats qui varient. Lequel choisir ?
Si tous ces résultats sont proches les uns des autres, ce sera assez facile. En revanche, s’ils sont très dispersés,
on aura moins confiance.
Il nous faut choisir le résultat que l’on estime le meilleur et estimer la dispersion de tous les résultats à l’aide
d’outils mathématiques que nous allons définir et utiliser dans ce cours. Pour cela, nous allons donc considérer
les résultats de mesure comme une variable aléatoire pour laquelle nous allons utiliser des probabilités.
Prenons l’exemple d’une pesée : un premier mesurage peut donner, par exemple, x1 = 724, 173 g, puis après
avoir recommencé toute la procédure à partir du tarage on peut obtenir x2 = 724, 190 g. . .
On peut faire un histogramme des effectifs pour présenter les résultats, voir figure 1.1. En ordonnée, on
met nab le nombre de valeurs comprises dans l’intervalle [a, b]. nab /n, où n est le nombre total de valeurs, est
appelé fréquence. Dans le cas idéal, quand le nombre de résultats tend vers l’infini, cet histogramme tend vers
un courbe continue appelée fonction densité de probabilité [probability density function].
La question qui se pose à tout expérimentateur face à une distribution de données est quelle valeur choisir ?
Quelle confiance dans ce choix ? Si les autres valeurs sont très proches, on peut avoir confiance. En revanche, si
les autres résultats peuvent prendre des valeurs éloignées, on aura moins confiance dans le résultat.
3
Figure 1.1 – Histogramme des effectifs des valeurs issues d’une série de mesurages (figure tirée de M. Neuilly)
Le choix généralement retenu, et l’on verra que c’est le plus pertinent, c’est de prendre la moyenne des
résultats obtenus.
1.1.2 Valeur moyenne

Quand on a n résultats de mesurage d’une même grandeur, c’est la valeur moyenne [mean value], bien
connue, qui est retenue comme meilleure estimation de la valeur de la grandeur mesurée,
n
X xi
x̄ = . (1.1)
i=1
n
Il n’y a là rien de bien nouveau. Il n’est donc pas nécessaire de s’étendre plus.
1.1.3 Variance et écart-type

Pour estimer la dispersion des résultats, on fait la moyenne du carré de l’écart à la moyenne pour obtenir la
variance [variance],
n
X (xi − x̄)2
s2 (x) = . (1.2)
i=1
n−1
√
s = s2 est appelé écart-type [standard deviation]. Au dénominateur, c’est bien n − 1 qui est utilisé et non n.
Cette correction est due à Friedrich Wilhelm Bessel et est donc appelée correction de Bessel.
Plus les points sont dispersés, plus les termes (xi − x̄)2 seront grands et plus la variance ou l’écart-type
seront grands.
L’écart-type a la même dimension que la grandeur mesurée, alors que la variance aura la dimension du carré
de la grandeur mesurée. Attention à ne pas confondre les deux.
1.1.4 Variance et écart-type de la moyenne

Imaginons qu’un binôme ait fait une première série de n mesures et ait calculé la moyenne de ses résultats.
Un autre binôme, qui fait le même TP et n mesures, ne va pas obtenir la même moyenne, même s’il travaille
aussi bien. On peut étudier la distribution des moyennes obtenues par plusieurs binômes. Un calcul, que nous
ne ferons pas ici, permet de montrer que la variance des moyennes vaut
n
X (xi − x̄)2
1 2
s2 (x̄) = s (x) = . (1.3)
n i=1
n(n − 1)
4
Pour bien comprendre la différence, s(x) est l’écart-type obtenu quand on choisit une valeur particulière au
hasard et s(x̄) celui que l’on obtient quand on choisit la valeur moyenne.
On peut aussi prendre l’exemple des notes de bac pour comprendre. Si l’on regarde toutes les notes sur une
épreuve donnée, elles vont de 0 à 20. En revanche, si l’on regarde la moyenne obtenue par une classe, elle sera
plus proche de 10. Il est peu probable qu’une classe ait une moyenne proche de 0 ou 20.
Ainsi, la distribution des moyennes est plus étroite. D’où l’intérêt de choisir la moyenne comme résultat
final.
Dans la suite il faut bien faire attention au choix de la formule à utiliser en fonction du contexte. Prenons
le cas d’un fabricant de matériel de mesure qui fait faire une étude statistique sur les instruments qui sortent
de son usine. C’est s(x) qu’il doit spécifier à ses clients qui n’achètent qu’un instrument. En revanche, si en TP
vous multiplier les mesurages et choisissez la valeur moyenne comme résultat, c’est alors s(x̄) qu’il faut choisir.
1.1.5 Estimateur de la variance

On peut aussi regarder les variances obtenues par chaque binôme du paragraphe précédent. Elles seront
toutes différentes, car le nombre de mesurages est fini. Chaque résultat correspond à une estimation de la
variance et les formules s2 (x) ou s2 (x̄) sont appelées des estimateurs des variances.
Si le nombre de binômes tend vers l’infini et que l’on fait la moyenne des variances obtenues, Bessel a
montré qu’il fallait bien mettre n − 1 au dénominateur de la formule utilisée pour retrouver le résultat des
mathématiques.
Et si l’on calcule la variance des variances obtenues par les différents binômes pour estimer la qualité de
l’estimation de chaque binôme, p on peut montrer que l’incertitude relative sur l’écart-type s(x) estimé par un
nombre n de mesurages vaut 1/ 2(n − 1) . L’annexe E du GUM propose une formule pour s(x̄) qui est plus
complexe et dont on peut tirer le tableau 1.1.
Nombre d’observations n Incertitude relative sur s(x̄)

2 76%
3 52%
4 42%
5 36%
10 24%
50 10%
Table 1.1 – Incertitude relative sur l’estimateur de l’écart-type de la moyenne en fonction du nombre d’obser-
vations.
On voit immédiatement que l’estimation de l’écart-type de la moyenne est très mauvaise si le nombre
d’observations est faible. Pour n plus petit que 10, on gagne beaucoup en faisant un mesurage supplémentaire.
Au-delà, il faut un grand nombre de répétitions pour faire baisser de façon significative l’incertitude relative sur
l’estimation de l’écart-type.
1.1.6 La distribution gaussienne

Un mesurage, ou une série de mesurages, ne sont pas toujours effectués pour simplement évaluer la va-
leur d’une grandeur, mais aussi, par exemple, pour contrôler la conformité d’un produit. Supposons que la
concentration d’un polluant quelconque dans de l’eau soit égale à 0, 90 ± 0, 05 (peu importe l’unité) et que la
norme impose une concentration inférieure 1. Cette eau pourra-t-elle être commercialisée ou non ? Pour pouvoir
répondre, il faut connaı̂tre la probabilité que la concentration dépasse le seuil imposé. Si cette probabilité est
jugée suffisamment faible, l’eau sera commercialisée. Elle ne le sera pas dans le cas contraire.
Obtenir la valeur moyenne et la variance d’une série de mesures n’est donc pas toujours suffisant. Parfois,
il est aussi utile de connaı̂tre la fonction de densité de probabilité pour pouvoir faire des statistiques. Or, la
distribution de probabilité des valeurs moyennes obtenues par plusieurs binômes a presque toujours la même
forme. C’est la conséquence d’un théorème mathématique appelé théorème central limite que nous n’aborderons
pas.
5
La fonction de distribution de probabilité que l’on rencontre le plus souvent est appelée distribution gaus-
sienne [gaussian distribution] ou distribution normale [normal distribution]. Ainsi, la probabilité de mesurer une
valeur donnée dans l’intervalle compris entre x et x + dx est f (x) dx avec
(x − µ)2

1
f (x) = √ exp − , (1.4)
2πσ 2σ 2
où µ et σ sont des constantes caractéristiques.

Comme on peut le voir sur la figure (1.2), cette fonction a l’allure d’une courbe en cloche avec un maximum
en x = µ. La largeur de la cloche est caractérisée par σ : plus σ est grand, plus le pic est large.
Je ne ferai pas le calcul, mais l’on peut montrer que la valeur moyenne de cette distribution est µ et la
variance σ 2 .
Figure 1.2 – Distribution normale et largeurs (figure tirée de Wikipedia).
Cette fonction de distribution de probabilité est bien normalisée à un. Si l’on fait la somme sur toutes les
possibilités, Z ∞
f (x) dx = 1. (1.5)
−∞
Le calcul n’est pas immédiat et sera fait en exercice dans le dernier chapitre de ce cours.
Si la courbe de distribution suit une loi normale, il est possible de connaı̂tre la probabilité d’obtenir une
valeur dans un intervalle donné en fonction de σ, voir figure 1.3. Par exemple, pour calculer la probabilité de
trouver une valeur comprise dans l’intervalle [µ − σ, µ + σ], il faut additionner toutes les probabilités de chaque
sous-intervalle élémentaire [x, x + dx[ entre µ − σ et µ + σ, ce qui revient à calculer la somme suivante,
Z µ+σ
f (x) dx = 0, 68. (1.6)
µ−σ
Le calcul de l’intégrale ne peut pas être fait analytiquement. Il faut donc admettre le résultat.
Ainsi, sur la figure 1.3, le cas a correspond à l’intervalle [µ − σ, µ + σ] et inclut 68,26% des résultats. Les
valeurs avec ±2σ et ±3σ englobent respectivement 95,44% et 99,73% des valeurs. 99% correspond à ±2, 58σ.
La largeur à mi-hauteur [full width at half maximum, FWHM] est parfois utilisée et vaut F W HM = 2, 36σ.
Dans la suite, c’est l’écart-type σ qui va servir à quantifier l’incertitude. A l’aide des propriétés de la fonction
gaussienne, on peut en déduire la confiance, en terme de probabilité, que l’on a dans un résultat donné avec son
6
Figure 1.3 – Représentation de la distribution normale ou gaussienne et de la proportion d’événements inclus
dans l’intervalle pour différentes valeurs du facteur d’élargissement k. La valeur moyenne a été fixée à 0 ici.
incertitude. Si l’on veut être sûr d’englober toutes les valeurs possibles, on choisira ±kσ pour l’incertitude avec
k = 2 ou 3 par exemple, en précisant bien le facteur d’élargissement k retenu. En pratique, c’est très souvent
k = 2 qui est utilisé.
Les notes de bac de l’exemple précédent sont bien réparties sur tout l’intervalle [0, 20], mais les moyennes
de chaque classe sont, quant à elles, réparties suivant une distribution proche de la distribution gaussienne.
Mais attention, cette courbe gaussienne correspond à un cas idéal où l’on a fait un très grand nombre de
mesurages. Quand on n’a qu’un petit nombre, l’écart-type estimé n’est, lui-même, pas très sûr. Si l’on veut
englober par exemple 95% des valeurs, il faudra donc choisir un facteur d’élargissement, k, plus grand que 2.
Quelle valeur prendre alors pour k ? Le GUM recommande d’utiliser une autre loi que la gaussienne, appelée
loi de Student qui est très complexe. Dans la pratique, on utilise plutôt des valeurs tabulées dans la table de
Student. On y reviendra.
1.1.7 Exercices
Etude statistique 1
Suite à une série de mesurages, on obtient le tableau de valeurs suivant :
n 1 2 3 4 5 6 7 8 9 10
m (g) 2 827 2 828 2 826 2 829 2 825 2 827 2 824 2 829 2 830 2 825
Calculer
1. la moyenne,
2. la variance,
3. l’écart-type,
4. l’écart-type de la moyenne.
Etude statistique 2
Votre calculatrice a sûrement un générateur de nombres aléatoires qui tire, au hasard, des nombres uni-
formément répartis entre 0 et 1 (touche RAN).
Tirer au hasard une centaine de nombres et mettre un bâtonnet dans l’un des 10 intervalles de largeur 0,1
compris entre 0 et 1 :
0-0,1 0,1-0,2 0,2-0,3 0,3-0,4 0,4-0,5 0,5-0,6 0,6-0,7 0,7-0,8 0,8-0,9 0,9-1
n
nmoy
Vérifier que la distribution obtenue est bien uniforme.
Calculer la moyenne de 10 valeurs aléatoires successives. Mettre un bâtonnet dans la case concernée du
tableau ci-dessus. Recommencer l’opération une dizaine de fois minimum. Que peut-on dire de la distribution
obtenue ?
7
Loi gaussienne
Calculer f (µ ± σ)/f (µ), f (µ ± 2σ)/f (µ) et f (µ ± 3σ)/f (µ) et les placer sur un graphe. En déduire l’allure
de la courbe représentant la gaussienne.
1.2 Calcul de l’incertitude

Le GUM prend bien soin de distinguer les termes “erreur” et “incertitude”. Ils ne sont pas synonymes,
mais représentent des concepts différents. Ils ne doivent pas être confondus ou utilisés à tort l’un pour l’autre .
En effet, pour détecter une erreur, il faut connaı̂tre la valeur exacte, appelée valeur vraie . Et généralement,
on ne connaı̂t pas la valeur vraie d’une grandeur donnée. On ne peut donc pas déterminer l’erreur.
La notion d’incertitude est différente et se veut opérationnelle. Pour le GUM, l’incertitude caractérise la
dispersion des valeurs qui pourraient raisonnablement être attribuées à la grandeur mesurée. Elle est exprimée
à l’aide d’un écart-type.
Bien entendu, on peut avoir une distribution de valeurs avec une grande incertitude et une valeur moyenne
proche de la valeur vraie, même si l’on ne le sait pas. C’est même le but de tout mesurage. Inversement, on peut,
malheureusement, faire un mesurage avec une faible incertitude qui est erroné et avoir une valeur moyenne très
éloignée de la valeur vraie.
Pour détecter d’éventuelles erreurs et les corriger au mieux, il faut tester les instruments de mesure et
la procédure mise en place. On peut, par exemple, faire des tests à l’aide d’étalons qui donnent une valeur de
référence. Quand ce n’est pas possible, on peut utiliser un autre instrument pour comparer. Dans les laboratoires
de mesure qualifiés, on a aussi souvent recours à des essais inter-laboratoires. Et quand il s’agit d’une mesure
pionnière en recherche, une validation par un autre laboratoire est indispensable.
Les erreurs ne sont pas l’objet de ce cours. Ici, nous nous limiterons à l’évaluation de l’incertitude pour
laquelle, le GUM distingue deux façons de procéder.
1.2.1 Estimation de type A

Le GUM définit l’évaluation de type A de l’incertitude [type A evaluation of measurement uncertainty],
comme étant l’évaluation d’une composante de l’incertitude de mesure par une analyse statistique des valeurs
mesurées obtenues dans des conditions définies de mesurage .
Quand on a répété plusieurs fois le même mesurage et obtenu une série de valeurs xi , la valeur retenue est
la moyenne, x̄, à laquelle on associe la variance
n
X (xi − x̄)2
s2 (x̄) = , (1.7)
i=1
n(n − 1)
comme nous l’avons déjà vu.

L’écart-type issu d’une évaluation de type A est généralement noté s et sert à estimer l’incertitude statistique.
Lors de la saisie, il faut veiller à ce que les différences xi − x̄ aient au moins deux chiffres significatifs. Cette
formule, qui a le mérite d’être simple, n’est pas pratique à mettre en œuvre dans un tableur par exemple, car
il faut d’abord calculer la moyenne. On peut aussi utiliser
" n n
# " n #
2 1 X
2 1 X 2 1 X
2 2
s (x̄) = x − ( xi ) = x − n(x̄) . (1.8)
n(n − 1) i=1 i n i=1 n(n − 1) i=1 i
qui est équivalente et plus simple à utiliser.
Exercice : Montrer, en développant le carré de la formule (1.7), que l’on retrouve bien la formule (1.8).
Cette estimation de type A ne contient pas toute l’incertitude. Reprenons l’exemple de la longueur de la
table. Si chaque mesurage est fait avec le même mètre, l’incertitude sur l’instrument de mesure n’est pas incluse.
En revanche, si l’on change de mètre à chaque fois, elle l’est. Dans le premier cas, il faut l’ajouter en prenant
en compte les indications du fabricant de l’instrument de mesure.
8
On peut imaginer aussi que vous mesurez la longueur de la table avec un instrument grossier gradué en
centimètres. Il ne sert à rien de multiplier les mesurages car on trouvera toujours le même résultat. Dans ce cas
aussi, il faut trouver une autre méthode pour estimer l’incertitude absolue.
1.2.2 Estimation de type B

L’évaluation de type B de l’incertitude [type B evaluation of measurement uncertainty] est définie très
simplement : évaluation d’une composante de l’incertitude de mesure par d’autres moyens qu’une évaluation
de type A de l’incertitude .
L’écart-type issu d’une évaluation de type B est généralement noté u.
Quelques exemples simples

Les sources d’information pour estimer les incertitudes-types de type B sont multiples :
— résultats de mesures antérieures,
— spécifications du fabricant,
— valeurs de référence provenant de tables ou manuels. . .
Dans ces cas là, il suffit de recopier l’incertitude indiquée. Il est parfois coutume de multiplier l’écart-type
par un facteur d’élargissement pour exprimer l’incertitude. Il faut alors veiller à diviser par ce facteur pour
revenir à l’écart-type. Quand le résultat est exprimé sous forme de pourcentage, il s’agit alors de l’incertitude
relative. Attention à bien revenir à l’incertitude absolue.
Cas des incertitudes de lecture

Imaginons, qu’il s’agisse d’une incertitude de lecture : le ménisque du niveau de liquide x dans une éprouvette
est compris entre les graduations a et b. Quelle valeur choisir ? Avec quelle incertitude ? On n’a aucune raison
de privilégier une valeur plutôt qu’une autre dans l’intervalle [a, b]. On suppose donc que la probabilité d’avoir
la valeur x, P (x), est la même pour chaque point de cette intervalle et nulle en dehors.
La valeur moyenne peut donc être aisément calculée :
Rb
x P (x) dx a+b
x̄ = Ra b = ... = . (1.9)
P (x) dx 2
a
Pour cela, nous avons simplement estimé la moyenne pour chaque valeur x de l’intervalle pondérée par sa
probabilité P (x) dx qui se trouve être constante dans cet exemple. Le résultat obtenu n’est pas une surprise.
La variance, quant à elle, peut être évaluée de la même façon :
Rb
2 (x − x̄)2 P (x) dx (b − a)2
u = a Rb = ... = . (1.10)
P (x) dx 12
a
Si l’on note que la longueur de l’intervalle [a, b] est 2d = b − a, le résultat précédent devient alors
d2
u2 = . (1.11)
3
Evidemment, il ne faut pas oublier de prendre la racine pour revenir à l’incertitude correspondante.
Exercice : Calculer ces deux intégrales et vérifier les résultats obtenus.
Les normes internationales de chimie préconisent de prendre une distribution triangulaire quand on travaille
avec du matériel de classe A équipé d’une bande photophore, afin de donner plus de poids à la valeur nominale.
Dans ce cas, l’incertitude de lecture est
d
u= √ , (1.12)
6
si le triangle a une base de longueur 2d. Le calcul est un peu plus long que pour la distribution rectangulaire,
mais pas beaucoup plus difficile.
9
Le GUM liste de nombreux autres cas. D’une manière générale, l’espérance et la variance sont évaluées à
partir des lois de distribution choisies par
R∞ R∞
−∞
x P (x) dx (x − m)2 P (x) dx
m = R∞ et u = −∞R ∞
2
. (1.13)
−∞
P (x) dx −∞
P (x) dx
1.2.3 Loi de composition des incertitudes

On mesure rarement directement la grandeur qui nous intéresse. Par exemple, pour la surface d’un rectangle,
on doit mesurer une longueur et une largeur et faire un calcul. Quelle sera l’incertitude sur la surface, connaissant
les incertitudes sur la longueur et la largeur ?
Supposons que la grandeur qui nous intéresse, y, appelée grandeur de sortie, dépende de deux grandeurs
mesurées ou tabulées x1 et x2 , appelées grandeurs d’entrée. La relation entre ces grandeurs se fait à l’aide d’une
fonction mathématique que l’on note y = f (x1 , x2 ). A partir de la définition de la différentielle,
∂f ∂f
dy = dx1 + dx2 , (1.14)
∂x1 ∂x2
on en déduit, pour un petit écart par rapport la moyenne,
∂f ∂f
y − ȳ ' (x1 − x̄1 ) + (x2 − x̄2 ). (1.15)
∂x1 ∂x2
En élevant au carré et en prenant la moyenne, on obtient finalement la variance
2 2
∂f ∂f
u2 (y) = u2 (x1 ) + u2 (x2 ) (1.16)
∂x1 ∂x2
Pour ce faire, nous avons supposé que les deux grandeurs d’entrée ne sont pas corrélées et que la moyenne sur
le terme croisé (x1 − x̄1 )(x2 − x̄2 ) est nulle. Ce n’est pas toujours le cas et la formule donnée dans le GUM est
plus complexe. Nous nous limiterons ici à des grandeurs d’entrée indépendantes mesurées avec des instruments
de mesure différents.
Ce résultat est facilement généralisable à N grandeurs d’entrée indépendantes xi . Si y = f (x1 , . . . , xN ),
alors,
2 2 N 2
∂f ∂f X ∂f
u2 (y) = u2 (x1 ) + . . . + u2 (xN ) = u2 (xi ). (1.17)
∂x1 ∂xN i=1
∂xi
Il s’agit d’une version simplifiée de la loi de propagation de l’incertitude qui n’est valable que si les grandeurs
d’entrée sont indépendantes entre elles. On ne distingue pas ici les incertitudes de type A et celles de type B
qui sont traitées de la même façon. Les incertitudes des grandeurs d’entrée ont été notées u(xi ) par commodité.
Ce pourrait être s(x̄i ).
1.2.4 Exemple d’application

Considérons le cas d’une résistance R obtenue à partir du mesurage de la tension V et de l’intensité I.
R = V /I. On a donc une grandeur de sortie, R qui dépend de deux grandeurs d’entrée, V et I. La méthode
préconisée donne, à partir de la formule du GUM (1.17),
2 2
2 ∂R 2 ∂R
u (R) = u (V ) + u2 (I). (1.18)
∂V ∂I
Après calcul des dérivées partielles, on obtient,
u2 (V ) V 2 2
u2 (R) = + 4 u (I), (1.19)
I2 I
10
ou en relatif, r
u(R) u2 (V ) u2 (I)
= + . (1.20)
R V2 I2
Comparons cette méthode à la méthode traditionnelle qui utilise la différentielle logarithmique,
dR dV dI
= − , (1.21)
R V I
pour encadrer l’incertitude en considérant le cas le plus pessimiste,
∆R ∆V ∆I
= + . (1.22)
R V I
Une simple application numérique supposant que V et I sont connues à 10% près, donne
∆R u(R)
= 20% et = 14%. (1.23)
R R
Cette différence de résultats s’explique par la différence de philosophie de chacune des approches. Si V et I sont
tous les deux trop grands, les incertitudes se compensent et R sera plus proche de la valeur vraie. De même s’ils
sont tous les deux trop petits. Cette situation est bien prise en compte dans l’approche basée sur les statistiques,
mais pas dans celle pessimiste avec les valeurs absolues où l’on suppose que les erreurs ne peuvent que s’ajouter
et jamais se compenser.
Dans l’ancienne méthode, il s’agit d’encadrer une valeur en étant pessimiste, alors que dans la nouvelle, il
s’agit plutôt d’estimer une dispersion des valeurs qui pourraient être raisonnablement attribuées au mesurande
pour ensuite attribuer un degré de confiance au résultat.
1.2.5 Exercices : entraı̂nement

En supposant que a et b sont deux grandeurs indépendantes, trouver l’incertitude sur x, u(x), en fonction
des incertitudes u(a) et u(b) pour les fonctions suivantes :
1. x = 12 (a + b)
2. x = 21 (a − b)
3. x = a2 + b2
4. x = 1/a2
5. x = ab2
6. x = an bm .
Pour les trois derniers exemples, calculer aussi l’incertitude relative u(x)/|x|.
1.2.6 Astuce de calcul

Quand la relation entre la grandeur de sortie et les grandeurs d’entrée est un produit, le calcul des dérivés
est compliqué et le résultat final aussi. En revanche, comme le montre l’exercice précédent, si l’on exprime
l’incertitude relative, le résultat devient simple. N’y a-t-il pas un moyen d’obtenir directement l’incertitude
relative ?
Prenons un exemple concret assez général, x = an bm , avec a et b deux grandeurs d’entr’ee indépendantes.
Grâce à la fonction logarithme, on peut transformer le produit en une somme :
ln x = n ln a + m ln b. (1.24)
En prenant la différentielle, on obtient,
dx da db
=n +m , (1.25)
x a b
qui élevé au carré, conduit à
u2 (x) 2
2 u (a)
2
2 u (b)
= n + m , (1.26)
x2 a2 b2
si l’on ne tient pas compte du terme croisé.
Exercice : Reprendre les trois derniers cas de l’exercice précédent avec cette méthode.
11
1.3 Ecriture et règles d’arrondi
Le résultat d’un mesurage doit être exprimé de façon à ce qu’il n’y ait aucune ambiguı̈té pour le lecteur.
Autrement, il ne pourra pas l’utiliser. Il existe donc tout un ensemble de règles.
Pour être utile, le résultat du mesurage doit être accompagné de la description précise du mesurande, qui
est, d’après le VIM, une grandeur particulière soumise à mesurage . Dire que l’on a mesuré une température
ne veut rien dire. La température de quoi ? La température de la pièce, mais où, à quelle heure ? Si l’on précise
qu’il s’agit de la température moyenne de la pièce unetelle en son centre sur une journée à partir d’un mesurage
effectué toutes les heures tel jour de l’année et que l’on ajoute les conditions météorologiques par exemple,
le résultat exprimé aura beaucoup plus de sens pour l’utilisateur. En principe, le mesurande ne peut être
complêtement décrit qu’avec une quantité infinie d’informations. Les lacunes en information peuvent parfois
introduire une composante dans l’incertitude d’un mesurage.
1.3.1 Ecriture
Les unités sont, bien entendu, celles du SI. Une petite règle grammaticale mérite d’être signalée : il est
interdit d’utiliser des symboles après des nombres écrits en toutes lettres. Exemple : cinq m est interdit, on
écrit cinq mètres ou 5 m . Avec les bars, cela donne, 5 bar ou cinq bars . Dans le premier cas, il
s’agit du symbole qui est invariant et dans le deuxième, du nom que l’on accorde.
L’écriture des nombres est aussi normalisée afin d’éviter toute ambiguı̈té. Pour faciliter la lecture, les nombres
sont écrits par tranche de trois chiffres séparés par un espace, mais jamais par une virgule ou un point. Les
années, millésimes font exception à cette règle. En revanche, la virgule est obligatoire pour séparer la partie
entière de la partie décimale, et non pas le point. Exemple : 1 234 567,890 123.
1.3.2 Arrondi
Les valeurs numériques ne doivent pas être données avec un nombre excessif de chiffres. Pour l’incertitude
type ou élargie, deux chiffres significatifs suffisent. Pour la valeur numérique du résultat, le dernier chiffre à
retenir est celui qui a la même position que le deuxième chiffre significatif dans l’expression de l’incertitude.
Exemple : (1 234, 567 ± 0, 089) × 104 m.
L’arrondissage consiste à remplacer un nombre par un autre nombre appelé arrondi choisi comme étant le
multiple entier le plus proche du nombre donné.
Exemple 1 Avec un intervalle d’arrondissage de 0,1, 12,235 devient 12,2, et 12,251 devient 12,3.
Ce pose alors le problème du cas où le nombre donné finit par 50. La norme NF X 02-001 propose de choisir
le multiple entier pair comme arrondi de façon à minimiser l’erreur d’arrondissage quand on traite de longues
séries. Des variantes sont possibles.
Exemple 2 Avec un intervalle d’arrondissage de 0,1, 12,25 devient 12,2, et 12,35 devient 12,4.
Avec un intervalle d’arrondissage de 1, 109,50 devient 110 et 108,50 devient 108.
Il est toujours recommandé d’arrondir en une seule fois, l’arrondissage en plusieurs étapes pouvant conduire
à des erreurs.
Si après un arrondissage le dernier chiffre est un 0, il faut le garder : 60 et 6 × 101 ne sont pas équivalents.
60 a deux chiffres significatifs, alors que 6 × 101 n’en a qu’un. 60 est équivalent à 6, 0 × 101 .
1.3.3 Facteur d’élargissement

Dans certains domaines, comme en chimie par exemple, la pratique est d’exprimer l’incertitude finale en
multipliant l’écart-type par deux. Dans le cas où la fonction densité de probabilité finale est proche d’une
gaussienne, cela revient à englober 95% des valeurs.
12
Mais, on l’a vu, l’évaluation de type A de l’incertitude requiert un grand nombre de répétitions pour être
fiable (voir le tableau 1.1). Si l’on veut englober par exemple 95% des valeurs, il faudra donc choisir un facteur
d’élargissement, k, plus grand que 2. Quelle valeur prendre alors pour k ? Le GUM recommande d’utiliser la loi
de Student, qui est très complexe (annexe G). Dans la pratique, on utilise plutôt des valeurs tabulées dans la
table de Student (Student est le pseudonyme de William Sealy Gosset employé de la brasserie Guinness qui n’a
pas eu le droit de publier sous son nom).
n p = 68, 27% p = 95% p = 99% p = 99, 73%

2 1,84 12,71 63,66 235,80
3 1,32 4,30 9,92 19,21
4 1,20 3,18 5,84 9,22
5 1,14 2,78 4,60 6,62
11 1,05 2,23 3,17 3,96
21 1,03 2,09 2,85 3,42
51 1,01 2,01 2,68 3,16
101 1,005 1,984 2,626 3,077
∞ 1,000 1,960 2,576 3,000
Table 1.2 – Valeur du facteur d’élargissement k en fonction du nombre de répétitions n.
Cette table de Student ne s’applique qu’à des incertitudes de type A appliquées à la moyenne. Il existe des
règles pour les autres cas qui sont très approximatives. Voir le GUM pour en savoir plus. Dans le GUM, la table
de Student est exprimée en fonction du nombre de degrés de liberté qui est égal à ν = n − 1 si l’on ne détermine
que la moyenne. Des tables plus complètes sont données.
Si, pour des utilisations particulières, on est amené à multiplier par un facteur d’élargissement l’incertitude
afin d’obtenir une incertitude globale, la valeur numérique de ce facteur doit toujours être donnée. Le lecteur
pourra ainsi retrouver l’écart-type qui seul est utile pour un calcul d’incertitude ultérieur. Pour aider à la
compréhension des résultats, on peut aussi indiquer le niveau de confiance quand on le connaı̂t.
1.3.4 Conclusion
Tout résultat de mesure doit faire apparaı̂tre la valeur de la grandeur mesurée, l’incertitude qui peut être
élargie, l’unité de mesure et le facteur d’élargissement. Sans toutes ces informations, un résultat ne peut pas
être utilisé et n’a pas donc pas de valeur.
Veiller à écrire correctement le résultat final dans les exercices ci-dessous.
1.4 Exercices
1.4.1 Ecriture du résultat
Le mesurage d’une masse donne m = 1, 234 667 kg. L’évaluation de l’incertitude conduit à une valeur
affichée sur la calculatrice égale à 2, 187 772 g. Exprimer correctement le résultat du mesurage avec un facteur
d’élargissement k = 2.
1.4.2 Période
On détermine la période T d’un mouvement périodique en mesurant l’intervalle de temps ∆t, correspondant
à, par exemple, cinq périodes. Calculer l’incertitude sur T connaissant celle sur ∆t. Conclusion ?
1.4.3 pH
On mesure le pH d’une solution avec une incertitude relative de 1%. Donner la concentration en moles par
litre de l’ion H3 O+ avec l’incertitude relative pour une solution de pH = 4,3. On rappelle que [H3 O+ ]= 10−pH .
13
1.4.4 Remplissage d’une burette
Considérons le cas d’une burette comme sur la photo.
Figure 1.4 – Ménisque dans une burette de classe B.
En première approche, on peut dire que l’incertitude de lecture correspond à la graduation la plus petite.
En supposant que la distribution des valeurs est rectangulaire sur cet intervalle, on peut en déduire l’incertitude
correspondante. Si des étudiants ne suivent pas les instructions et que leur œil n’est pas bien en face du ménisque,
l’incertitude peut être plus large. Inversement, un expérimentateur aguerri, utilisant du matériel de classe A
équipé d’une bande photophore pour repérer la position du ménisque pourra prendre une distribution moins
pénalisante : les normes en chimie préconisent de choisir une distribution triangulaire qui privilégie la valeur
nominale.
Retenons, ici, une incertitude de lecture uniforme sur la plus petite graduation. A cette incertitude de lecture
s’ajoute l’incertitude due au matériel utilisé. La valeur lue a elle-même une incertitude donnée par le fabricant
qui a dû faire une étude statistique sur les burettes qu’il produit pour la déterminer.
Finalement, le volume V versé dans la solution à l’aide de la burette nécessite deux lectures. On écrit
V = (b + Xb ) − (a + Xa ), (1.27)
où a et b correspondent aux valeurs lues sur la graduation et les X, à la correction due aux incertitudes de
lecture correspondantes. La valeur moyenne de X est nulle, mais pas sa variance.
La plus petite graduation d = 0, 10 cm3 . Les valeurs lues sont a = 10, 00 cm3 et b = 110, 00 cm3 . Le fabricant
de la burette indique une précision de 0,010%.
1. Calculer l’expression de l’incertitude sur le volume versé V en fonction des incertitudes de lecture et des
incertitudes sur a et b.
2. Que vaut l’incertitude de lecture ?
3. Que vaut l’incertitude sur a et b ?
4. En déduire l’incertitude finale sur le volume versé.
5. Exprimer le volume versé avec un facteur d’élargissement de deux.
1.4.5 Mesure du diamètre de la Lune

La méthode utilisée consiste à masquer la Lune avec un disque de diamètre connu, puis de mesurer la distance
entre l’observateur et disque. La distance Terre-Lune est supposée connue et le diamètre de la Lune est déduit
par application du théorème de Thalès. L’observation est faite par une nuit de pleine Lune lorsque la planète
est au zénith. Le disque utilisé est une pièce de 2 euros.
L’expression du diamètre de la Lune, D, est donnée par
d.L
D= ,
l
14
avec
d : diamètre de la pièce : d = (25, 76 ± 0, 01) mm (k = 2).
L : distance Terre-Lune : l’orbite de la Lune varie entre son périgée à 356 675 km et son apogée à 406 720 km.
Nous considérerons cet intervalle comme l’intervalle de confiance de la mesure de L avec une dispersion
des valeurs supposée uniforme.
l : distance entre l’observateur et la pièce qui fait l’objet de mesurages répétés en reprenant la procédure de
masquage de la Lune à chaque fois. Les valeurs obtenues sont dans le tableau ci-dessous.
n 1 2 3 4 5 6 7 8
l (mm) 2 827 2 828 2 826 2 829 2 825 2 827 2 824 2 829
1. Calculer la distance moyenne ¯l.

2. Calculer l’écart-type correspondant, s(¯l), en précisant la formule utilisée.
3. En déduire le diamètre moyen de la Lune.
4. Donner l’expression littérale de l’incertitude relative sur le diamètre de la Lune D.
5. Préciser la valeur de la variance de chaque composante de la formule précédente. Expliciter vos calculs.
6. En déduire la valeur numérique de l’incertitude relative du diamètre de la Lune.
7. Exprimer le résultat du mesurage du diamètre de la Lune.
8. Quel est le terme dominant dans le calcul d’incertitude ? Comment améliorer la qualité du mesurage ?
1.5 Régression linéaire par la méthode des moindres carrés

Cette section a pour but d’introduire une méthode couramment utilisée en TP. Les applications seront donc
faites en TP.
Il est très aisé de trouver l’équation de la droite qui passe par deux points. Mais, quand on a trois points, ou
quatre ou plus, qui ne sont pas forcément bien alignés à cause des erreurs ou incertitudes de mesure, comment
faire pour trouver le droite qui prend en compte de façon équilibrée les écarts la droite ? Confrontés à ce que
Stigler 1 appelle un problème de riches dans son ouvrage sur l’histoire de l’incertitude avant 1900, les
physiciens s’intéressant à la mécanique céleste ou à la mesure de longueur d’arcs de méridiens terrestres avaient
beaucoup plus de données que de paramètres à déterminer. C’est, d’ailleurs, très souvent le cas en sciences, où
l’on cherche à expliquer des phénomènes complexes avec des lois simples.
Il y a eu plusieurs tentatives de combinaison avant que Legendre, en 1805, propose un appendice sur la
méthode des moindres quarrés à son mémoire sur l’orbite des comètes : Dans cette circonstance, qui
est celle de la plupart des problèmes physiques et astronomiques, où l’on cherche à déterminer quelques élémens
importans, il entre nécessairement de l’arbitraire dans la distribution des erreurs, et on ne doit pas s’attendre
que toutes les hypothèses conduiront exactement aux mêmes résultats ; mais il faut sur-tout faire en sorte que
les erreurs extrêmes, sans avoir égard à leurs signes, soient renfermées dans les limites les plus étroites qu’il est
possible. De tous les principes qu’on peut proposer pour cet objet, je pense qu’il n’en est pas de plus général, de
plus exact, ni d’une application plus facile que celui dont nous avons fait usage dans les recherches précédentes,
et qui consiste à rendre minimum la somme des quarrés des erreurs. Par ce moyen, il s’établit entre les erreurs
une sorte d’équilibre qui empêchant les extrêmes de prévaloir, est très-propre à faire connoı̂tre l’état du système
le plus proche de la vérité.
Point d’incertitude sur le résultat trouvé dans cette approche. Il faut attendre l’application de la théorie
des probabilités avec, comme question principale, quelle distribution de probabilité choisir pour estimer l’in-
certitude ? Stigler décrit les différentes tentatives de Laplace. C’est Gauss qui, en 1809, justifie la méthode
des moindres carrés, qu’il prétend utiliser depuis 1795, en utilisant une distribution que l’on appelle gaussienne
1. Stephen M. Stigler, The History of Statistics, The Measurement of Uncertainty before 1900, Cambridge, Massachusetts, The
Belknap press of Harvard University press 1986.
15
maintenant et qui avait déjà été introduite par De Moivre. Il montre aussi comment résoudre le problème, même
quand il est non linéaire.
C’est le théorème central limite démontré par Laplace, qui lui permet, en 1810, de justifier l’utilisation de
la distribution gaussienne et de compléter le lien entre la méthode des moindres carrés et les probabilités. Il
l’appliquera ensuite à la mécanique céleste, à la géodésie et aux sciences sociales.
Avant d’aborder cette méthode, considérons un problème plus simple.
1.5.1 Moyenne pondérée

Imaginons que le même mesurande ait fait l’objet de deux mesurages indépendants dans deux laboratoires
différents. Les résultats obtenus sont
x = xA ± u(xA ) dans le labo A (1.28)

et x = xB ± u(xB ) dans le labo B. (1.29)
Comment combiner ces résultats pour avoir une estimation encore meilleure ?
Si |xa − xB | est beaucoup plus grand que u(xA ) et u(xB ), alors ils sont incompatibles. Supposons qu’ils
soient compatibles.
Si l’on note µ une valeur donnée du mesurande et que l’on suppose que la distribution des moyennes obtenues
par les deux laboratoires est gaussienne, alors, la probabilité que le laboratoire A mesure µ est égale à
(µ − xA )2

1
P (µ|A) = √ exp − . (1.30)
2πu(xA ) 2u2 (xA )
On aura une expression similaire pour P (µ|B).

La probabilité que le laboratoire A obtienne µ ET que le laboratoire B obtienne aussi µ est égale au produit
de ces deux probabilités si les mesures sont indépendantes :
χ2 (µ − xA )2 (µ − xB )2

1
P (µ|A, B) = exp − avec χ2 = + . (1.31)
2πu(xA )u(xB ) 2 u2 (xA ) u2 (xB )
La valeur la plus probable de µ correspond donc au maximum de cette probabilité, c’est à dire à la valeur
qui minimise χ2 . En dérivant par rapport à µ, on obtient finalement que la meilleure estimation de X vaut,
xA xB
u2 (xA ) + u2 (xB )
xm = 1 1 . (1.32)
u2 (xA ) + u( xB )
Il s’agit de la moyenne pondérée des coefficients wA = 1/u2 (xA ) et wB = 1/u2 (xB ) respectivement,
wA xA + wB xB
xm = . (1.33)
wA + wB
Plus l’incertitude est faible, plus la valeur a de poids et influencera le résultat final. Et un résultat moins précis
aura un poids plus faible dans la moyenne.
On peut généraliser aisément à N mesurages de X :
PN
k=1 w k xk 1
xm = PN avec wk = . (1.34)
k=1 wk
u2 (xk )
L’incertitude correspondant à cette nouvelle valeur peut être calculée facilement à l’aide de la formule de
propagation des incertitudes du GUM. On trouve, pour la variance,
1
u2 (xm ) = PN . (1.35)
k=1 wk
16
Exercice facultatif :
Démontrer les résultats précédents, équations (1.33) et (1.35).
1.5.2 Méthode des moindres carrés

Les données expérimentales sont souvent confrontées à des modèles pour tester la validité de ces modèles
ou pour ajuster leurs paramètres. On va supposer, ici, que le modèle est bien connu mais que l’on veut trouver
les paramètres qui permettent au mieux de reproduire les données expérimentales. Le modèle se traduit, par
exemple, par une fonction mathématique comme une droite dont on cherche les coefficients. La démarche
suivie va consister à chercher les paramètres ou coefficients les plus probables. Se posera ensuite la question
de l’incertitude sur le résultat (coefficients de la fonction). Nous n’allons traiter que le cas le plus simple, une
droite.
La méthode des moindres carrés [least squares fitting] a été élaborée indépendamment par Adrien-Marie
Legendre en 1805 et Carl Friedrich Gauss en 1809.
Considérons un ensemble de n données (xi , yi ) qui devraient s’aligner sur une droite d’équation y = Ax + B.
On cherche à déterminer les coefficients A et B les plus probables et les incertitudes associées.
Supposons, pour commencer par un cas simple, que l’on peut négliger les incertitudes sur les xi et que les
yi ont une incertitude u(yi ). On connaı̂t alors la valeur vraie de chaque yi qui est Axi + B.
En faisant l’hypothèse que les données sont indépendantes et que les distributions sont gaussiennes ou
facilement approximables par une gaussienne, la probabilité que les coefficients A et B conviennent est obtenue
n n
χ2 (yk − Axk − B)2
X X
P (A, B) ∝ exp − avec χ2 = = wk (yk − Axk − B)2 (1.36)
2 u2 (yk )
k=1 k=1
en introduisant les facteurs de pondération wk = 1/u2 (yk ). Il est important de bien avoir en tête toutes ces
conditions quand on utilise la méthode des moindres carrés.
A et B sont déterminés en minimisant χ2 , d’où le nom de méthode des moindres carrés [least-squares fitting].
En dérivant χ2 par A et B respectivement, on tombe sur un système de deux équations à deux inconnues,
n
X n
X n
X
A wk x2k +B wk xk − wk xk yk = 0 (1.37)
k=1 k=1 k=1
n
X n
X n
X
A wk xk + B wk − wk yk = 0 (1.38)
k=1 k=1 k=1
facile à résoudre. On trouve,

n n n n
!
1 X X X X
A = wk · wk xk yk − w k xk · w k yk (1.39)
∆
k=1 k=1 k=1 k=1
n n n n
!
1 X X X X
B = wk yk · wk x2k − w k xk yk · wk xk , (1.40)
∆
k=1 k=1 k=1 k=1
Pn Pn Pn 2
avec ∆ = k=1 wk x2k · k=1 wk − ( k=1 wk xk ) .
Les incertitudes sur A et B ainsi que la covariance peuvent être déterminées avec les formules de propagation
de l’incertitude du GUM :
n 2 n
X ∂A 1 X
u2 (A) = u2 (yk ) = . . . = wk (1.41)
∂yk ∆
k=1 k=1
n 2 n
2
X ∂B 1 X
u (B) = u2 (yk ) = . . . = wk x2k (1.42)
∂yk ∆
k=1 k=1
n n
X ∂A ∂B 2 1 X
u(A, B) = u (yk ) = . . . = − w k xk . (1.43)
∂yk ∂yk ∆
k=1 k=1
17
Les coefficients A et B sont déterminés à l’aide des mêmes données expérimentales. Ils sont donc corrélés .
En effet, si une donnée est trop grande, elle sera trop grande pour A et B simultanément. La corrélation entre
A et B est exprimée par la covariance u(A, B) que vous n’avez pas encore apprise. La dernière formule ci dessus
est donc donnée pour plus tard, quand vous saurez ce que c’est.
Ces formules paraissent assez complexes mais sont très faciles à programmer. Les calculatrices les utilisent
généralement. Vous pouvez le tester en comparant le résultat donné par votre machine et le résultat obtenu en
utilisant ces relations.
Exercice facultatif :
Démontrer les résultats précédents.
18
Chapitre 2
Intégrales multiples
2.1 Introduction
Une intégrale simple, du type
Z b
f (x) dx (2.1)
a
peut être vue comme l’aire sous la courbe f (x) entre f (a) et f (b). Pour cela, on découpe implicitement cette
aire en rectangles infiniment fins de largeur dx et de longueur f (x). Intégrer revient à faire l’addition de tous
ces rectangles élémentaires pour obtenir l’aire totale.
Rb
Ainsi, a dx correspond à la longueur b − a.
Les intégrales peuvent aussi servir à calculer des surfaces ou des volumes. Il s’agit alors d’intégrales à deux
ou trois dimensions, appelées intégrales multiples.
La longueur élémentaire dx doit être remplacée par une surface élémentaire dS ou un volume élémentaire
dτ ou dV qui dépendent du système de coordonnées choisies. Il y a deux coordonnées pour les surfaces et trois
pour les volumes. Les bornes de variation de ces coordonnées sont exprimées par un signe intégral. Il y a donc
un double signe pour une surface et un triple signe pour un volume.
Commençons par écrire les volumes volumes élémentaires en fonction du système de coordonnées choisi. Ce
sera plus simple pour les surfaces.
2.2 Eléments de volume

2.2.1 Elément de volume en coordonnées cartésiennes
Dessiner les coordonnées cartésiennes et représenter un point M de coordonnées x, y, z.
Si l’on fait varier la coordonnée x du point M de la valeur x à x + dx, le point M se déplace d’une longueur
dx suivant le vecteur de base ~ux . Préciser de même les déplacements du point M quand on fait varier chacune
des deux autres coordonnées, y et z.
Représenter ces trois déplacements élémentaires sur un dessin et déterminer le volume élémentaire du pa-
rallélépipède rectangle ainsi dessiné.
2.2.2 Elément de volume en coordonnées cylindriques

Suivre la même démarche pour les coordonnées cylindriques et en déduire l’expression de l’élément de volume.
Les coordonnées cylindriques sont r, θ et z :
— z est l’altitude du point M comme pour les coordonnées cartésiennes.
r et θ correspondent aux coordonnées polaires de D, la projection du point M dans le plan (Ox, Oy) :
— r est la distance du point D au point O ou de M à l’axe Oz.
— θ est l’angle Ox,dOD.
19
2.2.3 Elément de volume en coordonnées sphériques
Suivre la même démarche pour les coordonnées sphériques et en déduire l’expression de l’élément de volume.
Les coordonnées sphériques sont r, θ et ϕ que l’on peut utiliser pour se repérer sur la Terre :
— r = OM correspond à l’altitude comptée à partir du centre de la Terre. Attention, le r des coordonnées
sphériques n’est pas le même que le r des coordonnées cartésiennes. Il ne faudra pas les confondre.
— θ = Oz,d OM est l’angle depuis le pôle Nord.
— ϕ est défini comme l’angle θ des coordonnées cylindriques et correspond à la longitude.
A noter qu’il est parfois coutume de définir l’angle θ à partir de l’équateur où il correspond alors à la latitude.
Qu’est ce que cela change pour l’élément de volume ?
2.3 Application aux calculs des surfaces et volumes

2.3.1 Exemple de calcul d’un volume
Considérons le cas le plus simple du calcul du volume d’un parallélépipède rectangle de volume V et de côtés
a, b et c. Le système de coordonnées le plus adapté est le système cartésien.
Additionner les volumes élémentaires, dτ revient à empiler des sucres dans une boı̂te. On peut commencer
par la coordonnée x, puis y et finalement z. Mais on peut choisir un autre ordre, cela n’a pas d’importance. On
écrit finalement, ZZZ Z Z Z
= dx dy dz. (2.2)
V a b c
La convention est de commencer par l’intégrale intérieure, puis d’aller vers l’extérieur.
Attention, il y a des cas où l’ordre dans lequel est fait l’inégration est important. C’est le cas du cône
ci-dessous.
2.3.2 Exercices
Intégrer consiste à additionner tous les volumes élémentaires en faisant bien attention aux bornes d’inégration.
Choisir le système de coordonnées ad-hoc et calculer :
1. le volume d’un parallélépipède de rectangle de côtés a, b et c ;
2. le volume d’un cylindre de rayon R et hauteur H ;
3. le volume d’une sphère de rayon R ;
4. le volume d’une demi-sphère de rayon R ;
5. la surface d’une sphère de rayon R ;
6. le volume d’un cône de hauteur H et de rayon de base R.
2.4 Rappel sur les différents systèmes de coordonnées

2.4.1 Eléments de volume
Cette partie donne la solution aux trois premiers exercices préliminaires pour que nous partions tous sur les
mêmes bases.
Le système de coordonnées le plus simple est le système de coordonnées cartésiennes représenté sur la figure
2.1. Si l’on fait varier la coordonnée x de la valeur x à la valeur x + dx, le point M se déplace de la longueur
dx dans la direction ~ux . Il en est de même pour les directions y et z. A ces trois déplacements élémentaires
correspond un élément de volume cubique de volume dτ = dxdydz. Ce système de coordonnées a le mérite d’être
très simple, mais n’est pas adapté à des intégrales sur des formes géométriques ayant une section circulaire car
les bornes d’intégration sont difficiles à écrire.
Le système de coordonnées cylindriques est particulièrement bien adapté au cas où le solide a un axe de
symétrie de révolution. Comme précédemment, si l’on fait varier la coordonnée r de la valeur r à r + dr, le
point M se déplace de dr dans la direction de ~ur . Si θ passe de θ à θ + dθ, le point M se déplace de rdθ dans
20
la direction ~uθ . Pour z, c’est comme avec les coordonnées cartésiennes. A ces trois déplacements élémentaires
correspond un élément de volume cubique de volume dτ = rdrdθdz.
De la même façon pour les coordonnées sphériques, si r varie de r à r + dr, le point M se déplace de dr
dans la direction de ~ur . Si θ varie de θ à θ + dθ, le point M se déplace de rdθ dans la direction ~uθ . Enfin, si ϕ
varie de ϕ à ϕ + dϕ, le point M se déplace horizontalement de r sin θdϕ. A ces trois déplacements élémentaires
correspond un élément de volume cubique de volume dτ = r2 sin θdrdθdϕ.
Attention, ce dernier résultat dépend du choix fait pour les angles. Si θ était défini à partir de l’équateur
au lieu du pôle Nord, l’élément de volume deviendrait dτ = r2 cos θdrdθdϕ. Pour éviter toute ambiguı̈té, il est
recommandé de dessiner les coordonnées.
Une fois le système de coordonnées choisi, il faut correctement écrire les bornes d’intégration, puis intégrer. . .
2.4.2 Autres découpages

Masse d’air
En supposant que l’atmosphère a une température T uniforme, ce qui est correct sur de faibles variations
d’altitude, la masse volumique de l’air s’écrit

M gz
ρ(z) = ρ0 exp − ,
RT
où M est la masse molaire, R la constante des gaz parfaits et g l’accélération de la pesanteur.
On veut calculer la masse d’air contenue dans un parallélépipède rectangle de surface de base S et de hauteur
H.
1. Sachant qu’un élément de volume dV a une masse dm = ρ(z)dV , écrire l’intégrale qui permet d’accéder
à la masse totale.
2. Choisir le découpage le plus approprié sachant que la densité ne dṕend que de z.
3. En déduire la masse recherchée.
Charge totale d’un sphère

r
Une sphère chargée de rayon R a une densité volumique de charge ρ(r) = ρ0 (1 − R ), où r est la distance au
centre. On veut calculer la charge totale de la sphère.
1. Choisir le système coordonnées le plus adapté.
2. Intégrer uniquement sur les deux angles.
3. Comme l’intégrande ne dépend que de r, on pourra choisir un découpage en “pelure” d’oignon d’épaisseur
dr. Quel est le volume de cette “pelure” ? Comparer le résultat au résultat précédent.
4. Finir le calcul et trouver la charge totale.
Autres calculs
Reprendre le calcul du volume d’un cône avec un découpage plus astucieux.
De la même façon, déterminer le volume d’une pyramide de base carrée de côté a et de hauteur H.
Normalisation de la fonction gaussienne (facultatif )

R +∞ 2
Comme on ne sait pas calculer directement l’intégrale d’une fonction gaussienne, −∞
Ae−x dx, on la
multiplie par la même intégrale avec y pour obtenir
Z +∞Z +∞
2 2
A2 e−(x +y ) dxdy.
−∞ −∞
En écrivant ensuite cette intégrale double à l’aide des cordonnées polaires, on peut faire le calcul. En déduire A
R +∞ 2
pour que −∞ Ae−x dx = 1.
21
Chimie théorique
En mécanique quantique, la fonction d’onde donne accès à la probabilité de trouver un électron à la distance
r d’un noyau. Soit
Zr
ψ1s (r) = Ke− a0 ,
une fonction d’onde. La probabilité que l’électron soit contenu dans le volume dV situé à la distance r est
2
dP (r) = ψ1s (r)dV.
1. Trouver la constante K de façon à ce que la probabilité totale sur tout l’espace soit égale à 1.
2. Estimer la probabilité que l’électron soit compris entre les sphères de rayon R1 = 2a0 et R2 = 2, 5a0 .
2.5 Calcul de la position du centre de masse

2.5.1 Méthode
Le centre de masse d’un solide est défini par
~ dm
RRR
OM
ZZZ
GM~ dm = ~0 ou ~ =
OG S
RRR , (2.3)
S S
dm
où O est une origine quelconque.
La détermination du centre de masse est essentielle en mécanique du solide. Souvent, cela peut être fait sans
calcul car le centre de masse appartient obligatoirement aux plans ou axes de symétrie du solide. Mais, parfois,
on n’échappe pas aux calculs. . .
Les relations définissant la position du centre de masse, équations (2.3), sont définies à l’aide d’intégrales sur
la masse. Pour passer à des intégrales volumiques faisant intervenir les coordonnées d’espace, il faut utiliser la
masse volumique ρ : dm = ρdτ . L’élément de volume dτ sera ensuite exprimé à l’aide du système de coordonnées
de l’espace le mieux adapté au problème, c’est à dire celui pour lequel les bornes d’intégration seront faciles à
écrire mathématiquement. Ce sont souvent des considérations de symétrie qui guident le choix.
La position du centre de masse est déterminée par ses trois coordonnées cartésiennes. Il faut donc projeter
la relation (2.3) sur chacune d’entre elles et intégrer, car pour additionner des vecteurs, il faut additionner les
coordonnées.
Ainsi, Z Z Z
~ ux = 1
xG = OG.~ ~ dm .~ux .
OM (2.4)
m S
Si ~ux est un vecteur fixe, il peut être inséré dans l’intégrale. Ce n’est pas possible avec les vecteurs mobiles des
bases cylindrique et sphérique comme ~ur , ~uθ . . . Finalement,
ZZZ ZZZ
1 ~ .~ux ) dm = 1
xG = (OM x dm. (2.5)
m S m S
Pour les deux autres coordonnées cartésiennes, il suffit de remplacer x par y et z, respectivement.
Exemple : Détermination du centre de masse d’un cône homogène

Comme le centre de masse G appartient nécessairement à l’axe de révolution du cône qui est un axe de
symétrie, il suffit de calculer sa coordonnée zG , en projetant l’équation (2.3) sur l’axe Oz,
RRR
S
z dm
zG = . (2.6)
m
Les deux autres coordonnées seront nulles et il n’est pas utile de se fatiguer à les calculer. L’élément de volume
peut être exprimé en coordonnées cylindriques, étant donnée la symétrie du problème, dτ = rdθdrdz. Il n’y a
plus qu’à intégrer sur chacune de ces coordonnées en faisant attention à l’ordre des bornes,
ρ h
Z Z R(z) Z 2π
zG = dz rdr dθz. (2.7)
m 0 0 0
22
En effet, le rayon maximal R(z) dépend de z : R(z) = zb/h, où b est le rayon de la base du cône. Il faudra donc
intégrer d’abord sur r, puis ensuite sur z. On obtient aisément
ρ π 2 2
zG = h b . (2.8)
m4
Mais il y a plus simple, en découpant le cône de la figure 2.2 en rondelles dont le centre de masse est z. Il
ne reste alors qu’à intégrer sur z seulement, car ce découpage revient à intégrer sur r et θ. Ainsi,
Z h Z h 2
ρ 2 ρ zb ρ π 2 2
zG = zπR (z)dz = zπ dz = h b , (2.9)
m 0 m 0 h m4
comme précédemment. Pour simplifier cette expression, il faut relier m et ρ, et donc calculer le volume du cône
de la même manière,
ZZZ Z h Z h 2
zb π
τ= dτ = πR2 (z)dz = π dz = hb2 . (2.10)
S 0 0 h 3
Finalement, zG = 34 h.
2.5.2 Exercices
Déterminer la position du centre de masse
1. d’une barre inhomogène de longueur L dont la masse volumique vaut ρ(x) = ρ0 x/L ;
2. d’une demi-sphère homogène de rayon R par deux méthodes différentes : en intégrant directement en
utilisant les coordonnées sphériques ou en découpant la demi-sphère en disques d’épaisseur dz ;
3. d’un demi-cylindre obtenu en coupant un cylindre dans le sens de la longueur, c’est à dire suivant un
plan comprenant son axe ;
4. d’un triangle rectangle de côtés a et b ;
5. d’une pyramide de base carrée de côté a et de hauteur h.
2.6 Calculs de moments d’inertie

2.6.1 Rappels
Le moment d’inertie d’un solide par rapport à un axe ∆ s’écrit
ZZZ
I∆ = DM 2 dm, (2.11)
S
où D est la projection du point M sur l’axe.

Comme précédemment, dm = ρdτ . Le calcul se fera en choisissant le système de coordonnées le plus adapté
aux symétries du problème à cause des bornes d’intégration. La distance DM doit être écrite dans ce système
de coordonnées et le résultat final doit être exprimé simplement à l’aide de la masse totale du solide.
2.6.2 Exercices
Parallélépipède rectangle
Calculer le moment d’inertie d’un parallélépipède rectangle de côtés a, b et h par rapport un axe parallèle
à la hauteur passant par son centre. Que vaut le moment d’inertie par rapport à un axe parallèle passant par
une arête ? Vérifier que le théorème de Huygens est satisfait.
Barre inhomogène
Calculer le moment d’inertie d’une barre non homogène de longueur L et de densité ρ = ρ0 x/L par rapport
un axe perpendiculaire passant par son extrémité située en x = 0.
23
Disque
Calculer le moment d’inertie d’un disque homogène par rapport à son axe de symétrie.
Cylindre
Calculer le moment d’inertie d’un cylindre homogène par rapport à son axe de symétrie.
Sphère
Calculer le moment d’inertie d’une sphère homogène par rapport à un axe de symétrie par deux méthodes
différentes. On procédera par découpage en éléments simples et en disques d’épaisseur dz.
2.6.3 Astuce de calcul classique pour le moment d’inertie d’une sphère homogène
Pour une sphère homogène, il existe une méthode de calcul astucieuse classique qui est plus simple que les
deux calculs demandés dans l’exercice précédent.
Considérons le moment d’inertie d’une sphère pleine homogène de rayon R tournant autour d’un axe passant
par son centre. En remarquant que, par raison de symétrie, Ix = Iy = Iz , et
ZZZ ZZZ ZZZ
Ix = (y 2 + z 2 ) dm, Iy = (x2 + z 2 ) dm, et Iz = (x2 + y 2 ) dm, (2.12)
S S S
on en déduit que
ZZZ
1 3 3 3
Io = (x2 + y 2 + z 2 ) dm = (Ix + Iy + Iz ) = Ix = Iy = Iz . (2.13)
S 2 2 2 2
Io est beaucoup plus facile à calculer en coordonnées sphériques,
Z R
R5 3
Io = ρ r2 4πr2 dr = 4πρ = mR2 , (2.14)
0 5 5
avec m = ρ 43 πR3 la masse totale. Finalement,
2
Ix = Iy = Iz = mR2 . (2.15)
5
2.7 Changements de variables dans une intégrale multiple

2.7.1 Exemple avec une intégrale double
Soit f(x,y) une fonction de deux variables définie dans un domaine D(x,y) limité par une courbe fermée (Γ).
Dans les exemples précédents, on cherchait à calculer une intégrale de la forme
ZZ
f (x, y)dxdy. (2.16)
D(x,y)
Ce choix est bien adapté à l’utilisation des coordonnées cartésiennes. On a vu qu’il était parfois plus judicieux
d’utiliser un autre système de coordonnées. Avec les coordonnées polaires (r,θ), l’élément de surface est dr rdθ.
Pour le passage des variables (x,y) aux variables (r, θ) on passe du domaine D(x,y) au nouveau domaine
∆(r,θ) ; on a ainsi : ZZ ZZ
f (x, y)dxdy = F (r, θ)rdrdθ. (2.17)
D(x,y) ∆(r,θ)
Le facteur r qui accompagne dr dθ peut être obtenu de façon systématique à partir des formules de changement
de variables des coordonnées cartésiennes aux coordonnées polaires.
x = r cos θ et y = r sin θ, (2.18)
24
En notant
φ : (r, θ) 7→ (x, y)
On considère la matrice jacobienne,

∂x/∂r ∂x/∂θ cos θ −r sin θ
J= = . (2.19)
∂y/∂r ∂y/∂θ sin θ r cos θ
Le déterminant de cette matrice vaut

cos θ −r sin θ

sin θ = |r cos2 θ + r sin2 θ| = r. (2.20)
r cos θ
Le facteur r dans l’expression rdrdθ peut donc être obtenu à partir des formules de changement de variables :
c’est la valeur absolue du déterminant de la matrice jacobienne de changement de variables.
2.7.2 Méthode dans le cas général

Effectuer un changement de variables dans une intégrale multiple nécessite les trois opérations suivantes :
- Description du domaine d’intégration dans les nouvelles variables.
- Traduction de la fonction à intégrer.
- Remplacement de l’élément d’intégration en faisant intervenir la valeur absolue du déterminant de la matrice
jacobienne.
Pour le passage des variables (x,y,z) aux variables (X,Y,Z) cela peut être résumé dans la formule,
ZZZ ZZZ
f (x, y, z)dxdydz = F (X, Y, Z)|detJ| dXdY dZ, (2.21)
D(x,y,z) ∆(X,Y,Z)
où J est la matrice jacobienne,  ∂x ∂x ∂x


∂X ∂Y ∂Z
J=  ∂y ∂y ∂y 
. (2.22)
∂X ∂Y ∂Z
∂z ∂z ∂z
∂X ∂Y ∂Z
Son déterminant s’écrit, ∂x ∂x ∂x

∂X
∂y
∂Y
∂y
∂Z
∂y
det J = ∂X ∂Y ∂Z
(2.23)
∂z ∂z ∂z
∂X ∂Y ∂Z
et vaut
∂x ∂y ∂z ∂y ∂z ∂x ∂z ∂x ∂y ∂z ∂y ∂x ∂x ∂z ∂y ∂y ∂x ∂z
det J = + + − − − . (2.24)
∂X ∂Y ∂Z ∂X ∂Y ∂Z ∂X ∂Y ∂Z ∂X ∂Y ∂Z ∂X ∂Y ∂Z ∂X ∂Y ∂Z
Il faut ensuite prendre la valeur absolue.
2.7.3 Exercice facultatif

Exprimer les coordonnées cartésiennes d’un point M en fonction de r, θ, et ϕ, les coordonnées sphériques.
Déterminer la matrice jacobienne exprimant le passage des coordonnées cartésiennes aux coordonnées sphériques.
Calculer le déterminant de cette matrice. Vérifier que l’on retrouve l’élément de volume déterminé lors des
exercices préliminaires.
25
Coordonnées cartésiennes
z+dz
M z+dz Coordonnées cylindriques
z
z
y y+dy M
uz
x
x+dx
ur
Coordonnées sphériques
utheta
ur utheta
uphi
Figure 2.1 – Les éléments de volume pour les trois systèmes de coordonnées.
dz
b
O z
R(z)
Figure 2.2 – Cône dont on cherche le centre de masse
26
Chapitre 3
Les nombres complexes
Vous pouvez faire une révision historique et ludique en visionnant les chapitres 5 et 6 de
http ://www.dimensions-math.org.
3.1 Rappels
Un nombre complexe est un ensemble de deux nombres réels
z = x + iy (3.1)
où i2 = −1. x = <(z) est appelé partie réelle et y = =(z) partie imaginaire. On a les propriétés suivantes,
<(z1 + z2 ) = <(z1 ) + <(z2 ) et =(z1 + z2 ) = =(z1 ) + =(z2 ), (3.2)
mais <(z 2 ) 6= [<(z)]2 .

Une représentation graphique est souvent utilisée, en plaçant x en abscisse et y en ordonnée. Le nombre
complexe z est alors identifié au vecteur x~ux + y~uy . Ainsi, on peut écrire aussi,
x = r cos θ et y = r sin θ, (3.3)
de façon à avoir,
z = r(cos θ + i sin θ). (3.4)
Dans cette repésentation, p
r = |z| = x2 + y 2 (3.5)
est appelé module de z et θ = arg(z), l’argument. En utilisant les séries, on peut montrer que cette représentation
polaire peut s’écrire de façon plus compacte et pratique :
z = reiθ . (3.6)
Les parties réelle et imaginaire peuvent être retrouvées à l’aide des relations suivantes,
eiθ + e−iθ eiθ − e−iθ

cos θ = sin θ = . (3.7)
2 2i
Ce sont les formules d’Euler.
Le choix entre la représentation cartésienne, éq. (3.1), et la représentation polaire, éqs. (3.4) et (3.6) dépend
du problème. Les additions et soustractions sont plus simples avec la notation cartésienne et les multiplications,
divisions, puissances et racines, plus simples avec la notation exponentielle.
On appelle le complexe conjugué de z le nombre complexe pour lequel i a été remplacé par −i,
z ∗ = x − iy. (3.8)
27
Les notations z ∗ et z̄ sont couramment employées. On déduit aussi aisément les parties réelle et imaginaire d’un
nombre complexe :
z + z∗ z − z∗
<(z) = et =(z) = . (3.9)
2 2i
∗
Le produit zz conduit à
zz ∗ = (x + iy)(x − iy) = x2 + y 2 = r2 . (3.10)
Ainsi, √
|z| = zz ∗ . (3.11)
On peut aisément montrer que
|z1 .z2 | = |z1 |.|z2 | et arg(z1 .z2 ) = arg(z1 ) + arg(z2 ), (3.12)
et que
z1 |z1 | z1
| |= et arg( ) = arg(z1 ) − arg(z2 ). (3.13)
z2 |z2 | z2
Si deux nombres complexes ont même module, |z1 | = |z2 |, alors il existe un réel θ tel que z1 = eiθ z2 .
3.2 Exercices
3.2.1 Parties réelle et imaginaire
Soit z = x + iy un nombre complexe, trouver la partie réelle et imaginaire de
1. z 2
2. ez
3. z1
1−i
4. 1+i
Mêmes questions avec z = reiθ .
Soient z1 = exp(i π3 ) et z2 = exp(−i π4 ). Calculer les parties réelle et imaginaire de z1 et z2 . En déduire celles
π π
de z1 z2 et la valeur exacte de cos 12 et sin 12 .
3.2.2 Module et argument

Ecrire sous la forme reiθ les nombres complexes suivants :
1. 1 + i et 1 − i
2. i et −i
3. 1 et −1
√
4. 1 + i 3
5. 1−i
1+i
3.2.3 Trigonométrie
En utilisant les représentations complexes, retrouver les relations trigonométriques pour sin2 θ et cos2 θ.
Linéariser de même sin3 θ et cos3 θ.
3.2.4 Equations du second ordre

Résoudre 2z 2 − 3z + 4 = 0 et z 2 − i = 0.
3.2.5 Racines nièmes

Trouver l’ensemble des racines cubiques de l’unité. Donner la partie réelle et imaginaire de chacune d’entre
elles. Faire de même avec la racine quatrième de -1.
28
Chapitre 4
Equations différentielles linéaires du

premier ordre
4.1 Résolution dans le cas général

Nous allons écrire l’équation différentielle du premier ordre la plus générale,
f 0 (x) = A(x)f (x) + B(x), (4.1)
où A(x) et B(x) sont des fonctions connues. C’est f (x) que l’on cherche à déterminer. f 0 (x) est la dérivée de
f (x).
4.1.1 Solution de l’équation différentielle homogène

Commençons par résoudre l’équation différentielle dans le cas où B = 0, c’est à dire, en ne gardant que les
termes où f (x) intervient,
fg0 (x) = A(x)fg (x). (4.2)
On parle alors d’équation différentielle homogène. En réécrivant cette équation sous la forme,
fg0 (x)
= A(x), (4.3)
fg (x)
et en intégrant, on obtient, Z x
ln(|fg (x)|) = A(x0 )dx0 + C (4.4)
où C est une constante d’intégration. Ainsi, la solution générale de l’équation différentielle homogène, éq. (4.2),
s’écrit Z x
fg (x) = K exp A(x0 )dx0 , (4.5)
avec K = eC , une constante quelconque.

L’expression trouvée dans le cas général est compliquée. Mais dans les exercices que vous aurez à traiter, on
sait calculer la primitive de la fonction A(x). Par exemple, si A(x) est une constante, A(x) = A, alors l’équation
(4.5) devient simplement :
fg (x) = K exp(Ax). (4.6)
Remarques :
— Les équations différentielles que vous aurez à résoudre dépendront souvent d’une autre variable que x.
Ce sera souvent le temps t.
— La démarche suivie ici peut être appliquée pour des équations plus compliquées, dites à variables
séparables. On passe alors par l’étape de l’équation (4.3) où l’on met d’un côté tout ce qui dépend
de f et le reste de l’autre. Il y aura des exemples dans les exercices.
29
4.1.2 Solution dans le cas où les coefficients A et B sont constants
Nous allons ensuite considérer le cas simple où les coefficients A et B sont constants.
En posant f (x) = g(x) + C, où C est une constante et en l’injectant dans l’équation (4.1), on obtient,
g 0 (x) = Ag(x) + AC + B. (4.7)
Si C = −B/A, g(x) satisfait l’équation différentielle homogène (4.2).
Ainsi, dans la pratique, on commence par chercher la solution générale de l’équation homogène, éq. (4.5),
qui se simplifie pour devenir,
fg (x) = KeAx . (4.8)
On ajoute ensuite une solution particulière fp constante pour laquelle fp0 (x) = 0. Ainsi, à partir de l’équation
(4.1), on a directement fp (x) = −B/A. La solution générale de l’équation complète s’écrit, en additionnant les
solutions générales et particulières pour donner
B
f (x) = KeAx − . (4.9)
A
La constante d’intégration K est déterminée à l’aide d’une condition initiale s’il s’agit d’une intégration tem-
porelle ou d’une condition aux limites s’il s’agit d’une intégration spatiale. Si par exemple, f (0) = f0 ,
B Ax B
f (x) = (f0 + )e − . (4.10)
A A
Remarque importante : la détermination de la constante d’intégration ne peut être faite qu’à la fin, sur la
solution complète de l’équation différentielle, et PAS sur la solution de l’équation différentielle homogène !
4.1.3 Résolution dans le cas général : méthode de la variation de la constante

Dans le cas général où les coefficients A et B sont des fonctions de x, on ne peut pas utiliser la méthode
précédente et il faut adopter une autre démarche. Pour alléger les équations, on va supposer que A est constante.
La démarche est identique si A(x).
On utilise la technique dite de la variation de la constante pour trouver la solution générale. Pour cela,
on fait l’hypothèse que la constante K de la solution générale de l’équation différentielle homogène, éq. (4.5),
dépend de x. D’où le nom de la méthode. On injecte donc
f (x) = K(x)eAx (4.11)
dans l’équation différentielle complète, éq. (4.1) et l’on obtient :
K(x)A exp(Ax) + K 0 (x) exp(Ax) = Af (x) + B(x). (4.12)
Après élimination des termes identiques, à savoir les premiers termes de gauche et de droite, on a :
K 0 (x) = exp(−Ax)B(x). (4.13)
K(x) est obtenu par intégration,
Z x
K(x) = exp(−Ax0 )B(x0 )dx0 + K0 , (4.14)
où K0 est une constante d’intégration. Finalement, f (x) est obtenue à partir de l’éq. (4.11),
Z x
f (x) = K0 exp(Ax) + exp(Ax) × exp(−Ax0 )B(x0 )dx0 . (4.15)
La constante d’intégration K0 , est déterminée par les conditions initiale ou aux limites pour f (x).
Dans le cas où A(x), la méthode est identique et l’expression finale,
Z x Z x Z x Z x0 !
0 0 0 0
f (x) = K0 exp A(x )dx + exp A(x )dx × exp − A(x )dx B(x0 )dx0 ,
00 00
(4.16)
Rx
est un peu lourde, car écrite dans un cas général. Dans les exercices qui suivent, A(x0 )dx0 peut être calculée,
ce qui allège les expressions.
30
4.1.4 Résolution dans le cas général : méthode du facteur intégrant
La méthode de la variation de la constante n’est pas universelle, même si elle est très employée. Il existe une
autre méthode, dite du facteur intégrant, beaucoup utilisée aux Etats-Unis, qui est plus rapide. Repartons de
l’équation différentielle complète écrite en mettant la partie homogène d’un côté et le second membre de l’autre,
f 0 (x) − Af (x) = B(x). (4.17)
On divise ensuite cette équation par la solution homogène trouvée, ce qui revient à multiplier par e−Ax :
e−Ax f 0 (x) − Ae−Ax f (x) = e−Ax B(x). (4.18)
On remarque que le terme de gauche correspond à la dérivée du produit e−Ax f (x). Et donc, en intégrant, on a
finalement, Z x
0
e−Ax f (x) = e−Ax B(x0 ) dx0 + K0 , (4.19)
où K0 est une constante d’intégration qui sera déterminée à l’aide des condition initiales. On trouve bien le
même résultat qu’avec l’autre méthode, équation (4.15).
4.2 Exercices
4.2.1 Quelques intégrales
Calculer
1. x1 dx
R
R n
2. x dx
R dx
3. ax+b
dx
R
4. (ax+b)(f x+g) .
Pour cette dernière, il faudra décomposer en éléments simples.
4.2.2 Charge d’un condensateur

On branche une tension continue V aux bornes d’un condensateur de capacité C et d’une résistance R.
L’évolution de la charge du condensateur, q, est régie par l’équation suivante :
dq q
V =R + . (4.20)
dt C
Donner l’expression de la charge en fonction du temps, sachant que le condensateur est initialement déchargé.
4.2.3 Chute d’un corps

La vitesse vz d’un corps de masse m en chute libre dans l’air satisfait l’équation fondamentale de la dyna-
mique,
dvz
m = −mg − γvz , (4.21)
dt
avec g la constante de gravitation et γ le coefficient de frottements fluides.
En supposant que le corps est lâché d’une hauteur h sans vitesse initiale, en déduire l’expression de la vitesse
en fonction du temps. Calculer ensuite l’expression de l’altitude z en fonction du temps.
31
4.2.4 Cinétique chimique
On veut étudier une réaction chimique irréversible de la forme A → B. La vitesse de cette réaction est définie
par la vitesse de disparition de A. La concentration de A, notée c = [A], satisfait à l’équation différentielle
suivante, pour une réaction dite d’ordre 2,
dc
v = − = kc2 , (4.22)
dt
où k est une constante. Trouver la solution de cette équation en supposant que la concentration initiale est c0 .
Reprendre l’exercice, pour une réaction d’ordre p > 1 décrite par l’équation différentielle,
dc
v=− = kcp . (4.23)
dt
p est un entier.
4.2.5 Décroissance radioactive

Supposons qu’un noyau X se désintègre en un noyau Y avec une constante de temps 1/λ1 . Le noyau Y
se désintègre ensuite en un noyau Z avec une constante de temps 1/λ2 . Les populations moyennes NX et NY
satisfont les équations différentielles suivantes :
dNX
= −λ1 NX , (4.24)
dt
dNY
= −λ2 NY + λ1 NX . (4.25)
dt
La population NY diminue par décroissance radioactive mais est aussi alimentée par la décroissance du noyau
père. On peut avoir le même type d’équations en cinétique chimique, avec deux réactions successives.
En supposant qu’à l’instant initial t = 0, il n’y a que N0 noyaux X, trouver les expressions des populations
moyennes NX et NY en fonction du temps en utilisant la méthode de la variation de la constante et la méthode
du facteur intégrant. Vérifier que les deux méthodes donnent bien le même résultat.
On appelle activité le nombre de désintégrations par unité de temps. Ainsi, l’activité du noyau X est
AX = λ1 NX et celle du noyau Y , AY = λ2 NY . Dans le cas où 1/λ1 1/λ2 , comparer AX et AY pour des
temps longs.
4.2.6 Démarrage d’un moteur

Un moteur ayant un moment d’inertie I par rapport à son axe de rotation subit un couple moteur et
résistant de résultante égale à M > 0. A cela s’ajoute un frottement fluide de moment Mf = −αω. L’équation
du mouvement est donnée par
I ω̇ = M − αω.
A t = 0, ω(0) = 0.
1. Calculer ω(t) si M est constant.
α
2. Calculer ω(t) si M(t) = M0 [1 − exp(−λt)]. Pour cet exercice, on supposera que λ 6= I.
4.2.7 Condensateur en régime sinusoı̈dal (facultatif )

On branche une tension sinusoı̈dale V = V0 cos(ωt) aux bornes d’un condensateur de capacité C et d’une
résistance R. L’évolution de la charge du condensateur, q, est régie par l’équation suivante :
dq q
V =R + . (4.26)
dt C
Donner l’expression de la charge en fonction du temps, sachant que le condensateur est initialement déchargé.
Indications : On utilisera la méthode de la variation de la constante pour résoudre cette équation différentielle.
Pour calculer l’intégrale avec une fonction exponentielle et cosinus, on utilisera le fait que cos θ = <(eiθ ).
32
Chapitre 5
Equations différentielles linéaires du

second ordre
La résolution des équations du second ordre est plus compliquée que celle du premier ordre. Pour simplifier,
nous allons nous limiter au cas où les coefficients de l’équation sont constants. L’équation différentielle linéaire
du second ordre à coefficients constants la plus générale s’écrit donc,
af 00 (x) + bf 0 (x) + cf (x) = s(x), (5.1)
avec a, b et c des constantes et s(x), une fonction quelconque.
5.1 Résolution de l’équation différentielle homogène

Comme pour les équations du premier ordre, on commence par résoudre l’équation différentielle homogène,
af 00 (x) + bf 0 (x) + cf (x) = 0, . (5.2)
qui peut être transformée en un système d’équations différentielles du premier ordre en posant, g(x) = f 0 (x) :
ag 0 (x) + bg(x) = −cf (x) (5.3)
0
f (x) = g(x). (5.4)
La résolution est un peu compliquée car elle nécessite de découpler ces deux équations, mais on sait que l’on va
aboutir à des fonctions exponentielles.
La méthode généralement utilisée pour résoudre l’éq. (5.2) est donc de chercher directement des solutions
de la forme f (x) = Aerx . En injectant cette solution dans l’équation (5.2), on obtient que r est est une racine
du polynôme caractéristique,
ar2 + br + c = 0. (5.5)
On a généralement deux racines r1 et r2 qui sont réelles ou complexes conjugées selon le signe du discriminant,
et la solution la plus générale de l’équation différentielle homogène (5.2) s’écrit :
f (x) = A1 er1 x + A2 er2 x . (5.6)
A1 et A2 sont deux constantes d’intégration.
Dans le cas particulier où le polynôme caractéristique n’a qu’une racine double r, quand son discriminant
est nul, la solution la plus générale de l’équation différentielle homogène (5.2) s’écrit :
f (x) = (Ax + B)erx , (5.7)
où A et B sont deux constantes d’intégration.
Si le second membre de l’équation différentielle, s(x), est constant, on cherchera une solution particulière
constante, comme dans le cas des équations du premier ordre. Ensuite, les constantes d’intégration peuvent être
déterminées à l’aide de deux conditions initiales ou aux limites.
33
5.2 Exercices
5.2.1 Oscillateur harmonique simple
Un oscillateur harmonique simple satisfait à l’équation différentielle de la forme,
ẍ + ω02 x = 0. (5.8)
Chercher les racines du polynôme caractéristique et exprimer la solution générale de cette équation. Montrer
qu’elle peut être exprimée sous la forme de la somme d’un sinus et d’un cosinus.
En supposant que x(0) = a et ẋ(0) = 0, écrire la solution de l’équation différentielle à partir des deux
expressions trouvées précédemment : celle qui a la forme de l’équation (5.6) et celle exprimée avec un sinus et
un cosinus. Vérifier que les deux résultats sont identiques.
Donner l’expression de l’énergie cinétique et de l’énergie potentielle à chaque instant. Que vaut la somme
des deux ? Calculer la valeur moyenne de chacune de ces énergies sur une période.
5.2.2 Oscillateur harmonique amorti

L’équation différentielle satisfaite par un oscillateur harmonique amorti s’écrit,
ẍ + 2λẋ + ω02 x = 0. (5.9)
Régime pseudo-périodique
Dans le cas où ces racines du polynôme caractéristique sont complexes, écrire la solution sous la forme d’une
fonction réelle impliquant des fonctions sinusoı̈dales. En supposant que x(0) = a et ẋ(0) = 0, écrire la solution
de l’équation différentielle. Exprimer la pseudo-période T 0 .
Donner l’expression de l’énergie cinétique et de l’énergie potentielle à chaque instant. La somme des deux
est-elle constante ?
Calculer de combien a diminué l’énergie mécanique sur une période, Em (t + T 0 )/Em (t).
Régime apériodique
Dans le cas où les deux racines du polynôme caractéristique sont réelles. En supposant que x(0) = a et
ẋ(0) = 0, écrire la solution de l’équation différentielle. Réécrire cette solution en faisant intervenir les fonctions
sinus et cosinus hyperboliques :
1 x 1 x
sh(x) = (e − e−x ) et ch(x) = (e + e−x ). (5.10)
2 2
Comparer au résultat précédent.
5.2.3 Pendule amorti

Un pendule amorti de moment d’inertie I0 , de longueur OG = L et de masse m a pour équation du
mouvement
I0 θ̈ = −mgLθ − αθ̇,
si θ 1. On écarte le pendule d’un angle θ0 et on le lâche sans vitesse initiale.
1. Ecrire le polynôme caractéristique.
2. Pour quelles valeurs de α le pendule n’oscillera pas ?
3. En supposant que la condition précédente est satisfaite, donner les racines du polynôme caractéristique.
4. Ecrire la solution générale de l’équation différentielle.
5. Trouver alors θ(t) en fonction des données de l’énoncé.
34
5.2.4 Barrière de potentiel parabolique (facultatif )
On considère une barrière de potentiel parabolique, Ep (x) = − 21 kx2 . On lance de la position x0 < 0 un point
matériel à la vitesse v0 > 0. Sachant qu’il y a un force de frottement fluide, on veut trouver l’énergie cinétique
minimale pour le point arrive au sommet de la barrière en x = 0.
L’équation du mouvement s’écrit,
ẍ + 2λẋ − ω02 x = 0. (5.11)
Chercher les racines du polynôme caractéristique et exprimer la solution générale de cette équation.
Ecrire la solution du problème en tenant compte des conditions initiales.
Trouver la valeur de v0 pour que limt→∞ x(t) = 0. En déduire l’énergie cinétique minimale pour que le
point passe au-dessus d’un barrière de potentiel de hauteur B = 21 kx20 . Que devient ce résultat s’il n’y a pas de
frottement ? Faire l’application numérique pour λ/ω0 = 1, 5.
5.3 Etude du cas où le second membre est harmonique

Considérons l’équation correspondant à un oscillateur en régime forcé,
d2 x dx
2
+ 2λ + ω02 x = a cos ωt. (5.12)
dt dt
Les solutions de cette équation différentielle avec un second membre se décomposent en deux parties,
x(t) = xT (t) + xP (t), (5.13)
où xT (t) correspond à la solution générale de l’équation différentielle homogène vue précédemment. Pour des
temps longs, cette solution tend vers zéro. On parle alors de régime transitoire. L’autre partie de la solution,
xP (t), est une solution particulière de l’équation différentielle complète (5.12) que nous allons apprendre à
trouver si le second membre est une fonction sinusoı̈dale.
On va chercher une solution particulière qui est aussi sinusoı̈dale, oscillant à la même fréquence, mais avec
un déphasage φ,
xP (t) = A cos(ωt + φ). (5.14)
Pour trouver les deux paramètres A et φ, il faut injecter cette solution dans l’équation différentielle (5.12), ce
qui est un peu fastidieux car il faut faire appel à des formules de trigonométrie. On utilise donc les nombres
complexes en posant
xP (t) = <(XP (t)), avec XP (t) = Aei(ωt+φ) . (5.15)
XP (t) est alors solution de l’équation différentielle suivante,
d2 XP dXP
+ 2λ + ω02 XP = aeiωt . (5.16)
dt2 dt
En injectant XP (t) dans l’équation différentielle, on obtient aisément que
a
Aeiφ = . (5.17)
ω02 − ω 2 + 2iλω
A et φ étant respectivement le module et la phase de la solution trouvée, on en déduit que

a 2λω
A= p 2 et tan φ = − . (5.18)
(ω0 − ω )2 + 4λ2 ω 2
2 ω02− ω2
On connaı̂t alors complètement la solution particulière xP (t), équation (5.15), à laquelle il faut ajouter la
solution générale de l’équation différentielle homogène. Les deux constantes d’intégration peuvent alors alors
être déterminées à l’aide des conditions initiales, si nécessaire.
A noter que la solution générale de l’équation homogène tend vers zéro pour les temps longs et que seule
la solution particulière demeure. On parle de régime transitoire quand il y a les deux solutions et de régime
permanent quand il ne reste que la solution particulière.
35
5.4 Exercices
5.4.1 Solution particulière de l’équation différentielle avec second membre si-
nusoı̈dal
En utilisant la méthode explicitée ci-dessus, trouver la solution particulière de l’équation différentielle (5.12).
5.4.2 Solution complète de l’équation différentielle

Ecrire la solution complète de l’équation différentielle dans le cas où le régime est apériodique. On ne
cherchera pas à déterminer les constantes d’intégration. Observe-t-on des oscillations ?
Que devient cette solution pour des temps longs ?
5.4.3 Solution particulière de l’équation différentielle avec second membre si-

nusoı̈dal
Trouver la solution particulière de l’équation différentielle (5.12) après avoir remplacé le second membre par
a sin ωt.
Comparer les résultats avec la solution trouvée précédemment, exercice 5.4.1.
5.4.4 Avec une équation du premier ordre

On branche une tension sinusoı̈dale V = V0 cos(ωt) aux bornes d’un condensateur de capacité C et d’une
résistance R. L’évolution de la charge du condensateur, q(t), est régie par l’équation suivante :
dq q
V =R + . (5.19)
dt C
Le condensateur est initialement déchargé. On va chercher une solution particulière de la forme qp (t) =
A cos(ωt + ϕ)
1. Ecrire l’équation différentielle complexe qui permet de trouver la solution particulière.
2. Calculer A et tan ϕ en fonction des données de l’exercice. Que vaut cos ϕ ?
3. Calculer la solution générale de l’équation différentielle homogène.
4. En déduire l’expression de la solution complète de l’équation différentielle.
5. Donner l’expression de q(t) pour des temps longs.
36

Ref1 Atelier Gauss

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ref1 Atelier Gauss

Uploaded by

Copyright:

Available Formats

Techniques de calcul pour la physique et la chimie

1. GANIL, BP 55027, F-14076 Caen cedex 05, boilley@ganil.fr, tél : 02 31 45 47 81

3 Les nombres complexes 27

4 Equations différentielles linéaires du premier ordre 29

5 Equations différentielles linéaires du second ordre 33

1.1 Quand le résultat de mesure est une variable aléatoire

1.1.2 Valeur moyenne

1.1.3 Variance et écart-type

1.1.4 Variance et écart-type de la moyenne

1.1.5 Estimateur de la variance

Nombre d’observations n Incertitude relative sur s(x̄)

1.1.6 La distribution gaussienne

où µ et σ sont des constantes caractéristiques.

Figure 1.2 – Distribution normale et largeurs (figure tirée de Wikipedia).

1.2 Calcul de l’incertitude

1.2.1 Estimation de type A

comme nous l’avons déjà vu.

qui est équivalente et plus simple à utiliser.

1.2.2 Estimation de type B

Quelques exemples simples

Cas des incertitudes de lecture

Exercice : Calculer ces deux intégrales et vérifier les résultats obtenus.

1.2.3 Loi de composition des incertitudes

1.2.4 Exemple d’application

Après calcul des dérivées partielles, on obtient,

1.2.5 Exercices : entraı̂nement

1.2.6 Astuce de calcul

Exemple : (1 234, 567 ± 0, 089) × 104 m.

1.3.3 Facteur d’élargissement

n p = 68, 27% p = 95% p = 99% p = 99, 73%

Table 1.2 – Valeur du facteur d’élargissement k en fonction du nombre de répétitions n.

Figure 1.4 – Ménisque dans une burette de classe B.

1.4.5 Mesure du diamètre de la Lune

1. Calculer la distance moyenne ¯l.

1.5 Régression linéaire par la méthode des moindres carrés

1.5.1 Moyenne pondérée

x = xA ± u(xA ) dans le labo A (1.28)

On aura une expression similaire pour P (µ|B).

1.5.2 Méthode des moindres carrés

facile à résoudre. On trouve,

2.2 Eléments de volume

2.2.2 Elément de volume en coordonnées cylindriques

2.3 Application aux calculs des surfaces et volumes

2.4 Rappel sur les différents systèmes de coordonnées

2.4.2 Autres découpages

Charge totale d’un sphère

Normalisation de la fonction gaussienne (facultatif )

2.5 Calcul de la position du centre de masse

Exemple : Détermination du centre de masse d’un cône homogène

2.6 Calculs de moments d’inertie

où D est la projection du point M sur l’axe.

avec m = ρ 43 πR3 la masse totale. Finalement,

2.7 Changements de variables dans une intégrale multiple

x = r cos θ et y = r sin θ, (2.18)

Le déterminant de cette matrice vaut

2.7.2 Méthode dans le cas général

où J est la matrice jacobienne,  ∂x ∂x ∂x

Son déterminant s’écrit, ∂x ∂x ∂x

2.7.3 Exercice facultatif

Figure 2.2 – Cône dont on cherche le centre de masse

Les nombres complexes

<(z1 + z2 ) = <(z1 ) + <(z2 ) et =(z1 + z2 ) = =(z1 ) + =(z2 ), (3.2)

mais <(z 2 ) 6= [<(z)]2 .

x = r cos θ et y = r sin θ, (3.3)