Les mesures présentent certaines limites physiques, qui sont liées à l'instrument utilisé ou aux variations de la grandeur mesurée. La variation de la valeur de la quantité mesurée, qui peut être petite ou grande, est appelée "incertitude".
Certaines limitations des mesures sont le résultat des instruments de mesure. Les limites de l'instrument peuvent produire des résultats qui diffèrent des vraies valeurs. Il existe deux sources pour ces erreurs, la précision instrumentale et le fonctionnement instrumental, comme dans les exemples ci-dessous :
Précision instrumentale : la variation de la propriété que tu veux mesurer est plus petite que l'échelle de ton instrument. Voici un exemple : tu mesures la longueur d'un objet dont la longueur totale est de 19,5 mm, mais ta règle ne comporte que des marques de centimètres. Dans ce cas, ta mesure ne sera qu'approximative, c'est-à-dire que tu obtiendras peut-être une lecture de 2 cm, ce qui est une approximation proche mais pas la valeur réelle.
Fonctionnement instrumental : ton instrument présente un défaut ou est devenu imprécis avec le temps. Un exemple de cette situation est l'utilisation d'un thermomètre numérique qui diffère de la température réelle de 2 degrés Celsius, de sorte que toutes les lectures de température seront faussées par ces 2 degrés.
Figure 1. L'échelle de l'instrument peut limiter la précision de nos mesures. Source : Flickr (domaine public).
Comment les données dévient-elles et produisent-elles des "erreurs" ?
Chaque fois que nous effectuons une mesure ou que nous lisons des données, nous pouvons introduire des erreurs. La source de l'erreur peut être l'instrument, l'utilisateur ou le système. Les erreurs se répartissent en deux catégories principales, les erreurs systématiques et les erreurs aléatoires. Il existe un troisième type d'erreur, appelé erreur gaffe, qui peut être un capteur cassé ou une lecture erronée.
Erreurs systématiques
Les erreurs systématiques ont leur origine dans les instruments ou le système et ne se produisent pas accidentellement. Les erreurs systématiques apparaissent systématiquement dans toutes les mesures que nous prenons. Ces erreurs proviennent d'une mauvaise utilisation d'un instrument, d'une déviation au sein de l'instrument ou du système qui analyse les données. Les erreurs systématiques sont toujours présentes dans le système.
Il existe plusieurs sources d'erreurs systématiques :
Les instruments : l'instrument de mesure ajoute, soustrait ou modifie les données mesurées lors de chaque mesure. Il y a donc un écart constant dans les données mesurées par l'instrument.
Systèmes : cette source d'erreur est un défaut du système que nous utilisons pour nos mesures.
Observations : ce type d'erreur trouve sa source chez l'utilisateur. Également appelé "erreur d'observation", il s'agit d'une divergence entre la valeur mesurée et la façon dont l'individu lit cette valeur. Un exemple est lorsque l'individu mesure la longueur avec une règle et fait une erreur de parallaxe. Dans ce cas, la mesure delalongueur d'un objet diffère de sa longueur réelle parce que l'expérimentateur regarde les marques de la règle sous un certain angle.
Erreurs aléatoires
Les erreurs aléatoires sont le produit du hasard et se présentent lorsque les données s'écartent soudainement des valeurs mesurées. Elles peuvent avoir deux sources :
Les systèmes : une erreur peut être produite par un défaut dans le système, comme le dysfonctionnement soudain d'un capteur. Il ne s'agit pas d'une erreur systématique mais d'un événement ponctuel car il n'y a pas de dysfonctionnement constant.
Observations : contrairement à une erreur de parallaxe, ces erreurs ne sont que des maladresses, comme une mauvaise lecture.
Qu'est-ce que la précision et l'exactitude ?
La précision et l'exactitude sont deux concepts liés aux mesures. Elles déterminent la qualité de nos valeurs mesurées.
La précision
La précision indique à quel point notre valeur mesurée est reproductible. Si notre instrument de mesure est précis, chaque mesure qu'il effectue sera proche de toutes les autres mesures. Ainsi, en mesurant le poids d'un objet dont la valeur est de 4,3 kg, nous obtiendrons toujours une valeur très proche de 4,3 kg.
La précision ne signifie pas que les mesures sont correctes. Un instrument peut être précis mais s'écarter constamment de la valeur réelle. Dans notre exemple d'un objet pesant 4,3 kg, une balance pourrait constamment produire des valeurs proches de 4,0 kg.
Précision
La précision signifie que l'instrument délivre une valeur identique ou très proche de la valeur réelle. Une balance très précise mesurant le poids d'un objet de 4,3 kg produira toujours des valeurs très proches de 4,3 kg, avec seulement de très légères variations.
Pour obtenir des mesures de grande qualité, nous avons donc besoin d'instruments d'une grande exactitude et d'une grande précision.
Figure 2. L'objet sur cette image a une longueur de 4,25 cm. Source : Manuel R. Camacho, StudySmarter.
Plus on est proche du cercle blanc au centre, plus la mesure est précise.
Les mesures en violet sont précises mais pas exactes.
Les mesures en bleu foncé ne sont ni précises ni exactes.
Les mesures en bleu clair sont précises et exactes.
Limites physiques des mesures - Points clés à retenir
Lorsque l'on prend des mesures, il y a toujours des limites. Ces limites entraînent des différences entre les valeurs mesurées et les valeurs réelles.
Les limites des mesures sont le produit des instruments ou de l'utilisateur.
Les limites des mesures produisent des erreurs dans les valeurs mesurées.
Tout écart entre les valeurs mesurées et les valeurs réelles, produit par des erreurs ou des limitations de mesure, constitue une "incertitude".
Les erreurs peuvent être systématiques ou aléatoires. Les erreurs systématiques ont leur origine dans les instruments ou le système, tandis que les erreurs aléatoires sont le résultat d'un pur hasard.
La précision et l'exactitude décrivent la qualité des mesures. L'exactitude est la propriété de mesurer une valeur proche de la valeur réelle, tandis que la précision est la propriété de répéter constamment la même valeur.
Apprends plus vite avec les 7 fiches sur Limites des Mesures
Inscris-toi gratuitement pour accéder à toutes nos fiches.
Questions fréquemment posées en Limites des Mesures
Qu'est-ce que la limite de mesure en physique ?
La limite de mesure en physique désigne la précision maximale avec laquelle une quantité peut être mesurée, en raison des limites des instruments ou des méthodes utilisés.
Pourquoi les limites de mesure sont-elles importantes ?
Les limites de mesure sont importantes car elles déterminent la précision des résultats expérimentaux et permettent d'évaluer l'incertitude attachée aux mesures.
Comment peut-on réduire les erreurs de mesure ?
Pour réduire les erreurs de mesure, on peut utiliser des instruments plus précis, calibrer régulièrement ceux-ci, et répéter les mesures pour obtenir une moyenne.
Quels sont les types courants d'erreurs de mesure ?
Les types courants d'erreurs de mesure incluent les erreurs systématiques, les erreurs aléatoires, et les erreurs instrumentales.
How we ensure our content is accurate and trustworthy?
At StudySmarter, we have created a learning platform that serves millions of students. Meet
the people who work hard to deliver fact based content as well as making sure it is verified.
Content Creation Process:
Lily Hulatt
Digital Content Specialist
Lily Hulatt is a Digital Content Specialist with over three years of experience in content strategy and curriculum design. She gained her PhD in English Literature from Durham University in 2022, taught in Durham University’s English Studies Department, and has contributed to a number of publications. Lily specialises in English Literature, English Language, History, and Philosophy.
Gabriel Freitas is an AI Engineer with a solid experience in software development, machine learning algorithms, and generative AI, including large language models’ (LLMs) applications. Graduated in Electrical Engineering at the University of São Paulo, he is currently pursuing an MSc in Computer Engineering at the University of Campinas, specializing in machine learning topics. Gabriel has a strong background in software engineering and has worked on projects involving computer vision, embedded AI, and LLM applications.