GIN FA 4 02 01 INSTRUMENTATION

P Breuil
OBJECTIFS :

connaitre les bases des statistiques de la mesure afin de pouvoir dune part
comprendre les spcifications dun composant et dautre part valuer avec
rigueur les performances dune chaine de mesure.
Etre capable de comprendre le suivi des solutions dinstrumentation
(talonnage, vrification du fonctionnement,).
Comprendre le fonctionnement dune chane dacquisition de mesure, les
diffrents signaux mis en uvre et les principales oprations de traitement
de signaux associs.
Comprendre les notions dchantillonnage et de quantification et leur
influence sur la mesure, comprendre les informations du domaine
frquentiel.
Etre capable de choisir des capteurs et de superviser leur mise en uvre en
fonction de linformation souhaite (type, prcision,), de lenvironnement,
et du systme de traitement de linformation
Pour cela, connatre les principes physiques et les principales technologies
utiliss dans les capteurs

GIN FA 4 02 01 INSTRUMENTATION P Breuil

1.
2.

3.

Statistiques de la mesure
La chane dacquisition de mesure et
signaux associs
Les capteurs

Total : 24 heures
TD
Cours
TP
12
4
8

Autonomie
>12

Calendrier

Mer 10/12/2014 am

cours

La mesure

Jeu ou Ven 11 ou 12/12/2014 m ou am

TP

Mesure Excel

Mar 27/01/2015 am

cours

Signal, acquisition

Lun 2/02/2015 am

cours

capteurs

Jeu 5/02/2015 m ou am

TP*

TP signal, capteurs

Xx Mars 2015

TP*

signal

ENSMSE, 158 cours Fauriel journe

* valu

Contact & lien:

Ressources du cours dinstrumentation:

http://campus.emse.fr/course/view.php?id=260
(accs anonyme: GINFA2013)

pbreuil@emse.fr

Evaluation 1
TPs (coef 1/4)

Evaluation sur les rendus en fin de sance

dun TP, dpt sur Campus

Evaluation 2
Rapport (coef 3/4)
Etude dune solution dinstrumentation, si possible dans
lentreprise.,
Mise en uvre des lments du cours.
Objectif, cahier des charges initial,
Moyens mis en uvre (capteurs, chaines de mesure et
dacquisition),
Justification mtrologique, spcifications attendues
justifies,
Aspect cot
Vous devrez proposer un sujet (pour ventuelle validation ou

ajustement) au plus tard lors de la dernire sance de TPs (15 24 mars 2015), mais si possible avant
Rapport ~20 pages + annexes (format lectronique)
Eventuellement fichier excel (calculs, simulations etc)
Date limite: 13 mai 2015, dpt sur Campus

Statistiques de la
Mesure

Mesure Measurement
Incertitude uncertainty
Etalonnage Calibration
Philippe Breuil, dcembre 2014

La Mesure
Mesure=??
Instrument de mesure, unit de mesure, mthode de mesure
Mesurage = action de mesurer (measurement)

L'objectif d'un mesurage consiste dterminer la valeur du mesurande

(measurand) , c'est--dire la valeur de la grandeur particulire mesurer
(GUM* 2008)
En gnral, le rsultat d'un mesurage est seulement une approximation ou
estimation de la valeur du mesurande et, de ce fait, est seulement complet lorsqu'il
est accompagn par une expression de l'incertitude de cette estimation (GUM
2008)

*Guide to the expression of Uncertainty in Measurement

Mtrologie

Mtrologie = science de la mesure

Aspect

Statistiques de la mesure:

lgal

Obligations lors dune transaction commerciale

Obligations lors de la publication dune mesure

Aspect

- calcul des incertitudes

- Etalonnage

Moyens de mesure: Capteurs

Aspect

physique et mathmatique

conomique

Traabilit et fiabilit
Optimisation de la qualit

Mesure dune grandeur:

Le mesurage se fait l'aide d'un instrument de mesure:

Par comparaison: ex, mtre, rapporteur

Plus gnralement, linstrument de mesure va servir

transformer un phnomne physique en un autre plus
facilement mesurable par lintermdiaire dun capteur
-- pHmtre: grandeur chimique -> grandeur lectrique
-- boussole: grandeur magntique -> grandeur gomtrique
(angle)

Cf cours suivant

Mtrologie, chaine de mesure

Etalons
CGPM: tous les 4 ans

NIST (US),
PTB (D),
NPL (UK)

Laboratoire National
dEssais

Comite Franais
daccrditation

11

Units de Mesure: Systme International

Systme International (SI): bas sur 7 grandeurs talon

Units de Mesure: Systme International

Systme International (SI): 1960, bas sur le systme mtrique (CGS puis MKSA)

Units de Mesure
Autres units autorises:
-Composes partir des units primaires:
joule (J)=kg.m2.s-2
-Autorises car signification physique universelle: C, heure, eV
-Multiples puissances de 10

10-18

atto

Vocabulaire (1)
Le vocabulaire est normalis par le BIPM:

VIM: Vocabulaire International de Mtrologie

Erreur absolue:

diffrence entre la valeur relle et la mesure

Erreur relative:

erreur / |mesure|
Erreur systmatique:

erreur de valeur moyenne non nulle

Erreur alatoire:

erreur non prvisible, de valeur moyenne nulle.

Exactitude de mesure:

Etroitesse de laccord entre UNE valeur mesure et la valeur vraie

15

Vocabulaire (2)
Justesse de mesure:

Etroitesse de laccord entre la moyenne dun grand nombre de

valeurs mesures et la valeur vraie
Sensibilit dun SDM*:

dy/dx pour x donn (x=mesurande, y=valeur fournie par le SDS)

Ex, capteur de pression: mV/hPa
Rsolution dun SDM*:

plus petite variation du mesurande dtectable.

Incertitude:

Paramtre non ngatif qui caractrise la dispersion des valeurs

attribues un mesurande partir des informations utilises
Incertitude relative:

incertitude/|mesure|

16

* Systme de mesure

Vocabulaire (3)
Non linarit:

dviation maximale par rapport la droite approximant la rponse

Offset dun SDM*:

valeur du signal de sortie quand le mesurande est 0

Slew rate :

vitesse maximale de variation du signal de sortie sans distorsion

Temps de rponse:

X% : Temps ou bout duquel, en rponse un chelon de

grandeur mesurer, le signal a atteind X% de sa valeur asymptotique
(typiquement 95%)
Hysteresis dun SDM*:

aptitude dun SDM dont le signal de sortie ltat stationnaire ne

dpend pas que du mesurande mais aussi de lhistoire des
signaux antrieurs
* Systme de mesure

17

Vocabulaire (4)
Drive:

Lente variation du signal de sortie en fonction du temps ou de la

temprature, entre constante
Limite de dtection dun SDM*:

plus petite valeur non nulle mesurable pour une certaine

probabilit derreur sur le fait que la valeur vraie est nulle ou non
MTBF:

Mean Time Between Failure

Rptabilit:

Etroitesse de laccord entre les valeurs obtenues par des mesurages

rpts dans les mmes conditions.
Reproductibilit:

Etroitesse de laccord entre les valeurs obtenues par des mesurages

rpts en faisant varier certaines conditions de mesure.
* Systme de mesure

18

Quelques rappels sur l'erreur et l'incertitude

Mesure x dune variable de valeur relle xR:

xR = E (x)
(esprance de x)
Expectation

Erreur: variable =xR-x

x = xR + B + A

Erreur systmatique: B
Systematic error
Erreur accidentelle ou alatoire: A
Random or accidental error

19

Erreur systmatique ou alatoire?

Par dfinition, l'erreur alatoire est imprvisible

(et donc non corrigeable) et de valeur
moyenne nulle
Le caractre systmatique ou alatoire de
l'erreur peut dpendre du contexte

20

10

Erreur systmatique ou alatoire?

Ex: mesure d'une masse l'aide d'une balance
numrique:
a: Erreur alatoire non explique
T: Drive en temprature
o: Erreur "oprateur"
u: Erreur propre l'appareil
s: Erreur systmatique de la srie (!)

Erreur: = a+T+o+u+s

Conditions des expriences

u s

1 oprateur le mme jour, 1 appareil

Idem + tal sur plusieurs jours
Idem + plusieurs oprateurs
Idem + tests sur un lot d'appareils
21

Caractrisation de la mesure (et de lerreur alatoire):

Moyenne estime de n mesures

d'une mme valeur xR

x=

1 n
xi
n 1

Estimated mean

lim(x ) = x
n

= E ( x)

xR = valeur relle

(esprance de x)
Expectation

(loi des grands nombres)

Law of large numbers

(Si erreur alatoire)

22

11

Ecart-type de l'erreur alatoire:

Standard deviation of random error

V = E (x xR )

Variance (de lerreur alatoire) :

Variance (of random error)
Ecart-type de
l'erreur alatoire

= V
=

((x x ) ) = 1n ( x x )
2

Valeur relle,
priori inconnue

s=

Ecart-type estim de
l'erreur alatoire

1 n
( xi x ) 2

n 1 1

E (s ) =
Ecart type
relatif :

r =

23

Distributions derreurs
Distributions of errors

P()
Courbe de probabilit de l'erreur

Gaussienne ou normale*,
Uniforme,
Poissonnienne,
Etc

Gaussian or normal*,
Uniform,
Poissonnian,

* La plus rpandue, grce au Thorme central limite

24

12

La distribution Gaussienne (ou normale)

1 x x 2

1
F ( x) =
e 2
2

3: 99.7% des valeurs

0.5

2: 95.5% des valeurs

0.4

: 68.3% des valeurs

0.3
0.2

Tableau des coefficients

t de Student

0.1
0
3

= cart-type

Ecart la mo yenne x-x

N=5

N=10

N=20

50 %

0,73

0,70

0,69

68 %
70 %

=1-LOI.STUDENT(t;N;2)

1,16

1,09

1,06

1,04
1,5

90 %

2,02

1,81

1,73

95 %

2,57

2,23

2,09

1,96

99 %

4,03

3,17

2,85

2,56

6,87

4,59

3,85

99,7 %
99,9 %

N= nb chantillons utiliss pour le calcul de s

0,67
1

87 %

P = proba[ X X R < t. ]

N> 100

1,65

3
3,28
6
25

99,999 999 8 %

Thorme central limite

Central Limit Theorem

Si une variable est la rsultante d'un

grand nombre de causes, petites, effet
additif, cette variable tend vers une loi

normale.
C'est cause de cette interprtation que
la loi normale est trs souvent employe
comme modle (malheureusement pas
toujours raison).
Demo

26

13

Distribution derreur uniforme

Erreur quiprobable sur tout un intervalle
Peu courant, sauf erreur de discrtisation:
5

d =

2 3

2
x dx =

= 0.29

2
27

Distribution de Poisson

Ex: comptage dvnements non

simultans (dsintgration radioactive,
queue)

Moyenne:
Variance:

demo
28

14

Significance tests

Les tests dhypothse

Tests dune hypothse ( null hypothesis , ex: 2 chantillons ont mme

moyenne) partir dun nombre fini dchantillons, entachs derreur
alatoire.
Le rsultat du test nest pas absolu mais est une probabilit qui est une
aide la validation ou non de lhypothse initiale, il ne constitue donc
jamais une preuve.
Tests paramtriques
(hypothse sur distribution + ou ncessaire)

1-sample T-test

Comp. chantillon valeur de rfrence, intervalle de confiance

2-samples T-test

Comparaison de 2 chantillons

F-Test

Comparaison de la variance de 2 chantillons

ANOVA

Analyse de variance: analyse des variances de K chantillons,

comparaison des moyennes

Chi-Square test

Utilisation notamment pour vrifier une hypothse de distribution

Grubbs test

Dtection des valeurs aberrantes ( outliers )

Tests non paramtriques

(pas dhypothse sur distribution)

Comparaison de 2 chantillons, mthode de rang

Test Wilcoxon.M.W

29

En rouge: tests dcrits + loin, sinon voir biblio ou google

one-sample T-test simplifi

Comparaison de la mesure M dun chantillon une valeur de rfrence R,
on suppose que la distribution est normale.
Hypothses:
M est diffrent de R ?
M est probablement diffrent de R ?
la diffrence entre la valeur de la mesure M et une valeur de

rfrence R nest pas due quaux erreurs alatoires

Cette hypothse de diffrence H1 est retenue si sa probabilit est
suprieure 95% (par exemple) (ou si la probabilit dgalit est
infrieure 5% (H2)
1 mesure: M, cart-type estim de la mesure connu: s, distr. gaussienne

Hypothse retenue si:

M R t.s
95%
-4s -3s -2s s 0 s 2s 3s 4s

(t=coef de Student)

si s est calculable prcisment :

H1: 95% (ou
H2: 5%)

t 1.96

H1: 99% (ou

H2: 1%)

H1: 99.9%
(ou H2: 0.1%)

2.56

3.28

30

15

one-sample T-test officiel

Comparaison de la moyenne dun chantillon une valeur de rfrence R, on
suppose que la distribution est normale*.
Hypothse: la diffrence entre la moyenne de n mesures et une valeur de
rfrence nest pas due quaux erreurs alatoires
Cette hypothse est retenue si sa probabilit est suprieure
95% (par exemple)
n mesures: moyenne , cart-type estim de chaque mesure: s
On montre (+ loin) que lcart-type estim de la moyenne est:

s' =

s
n

Hypothse retenue si:

s
n

R t
95%

(t=coef de
Student)

si s est calculable prcisment :

-4s -3s -2s s 0 s 2s 3s 4s

H1: 95% (ou

H2: 5%)

t 1.96

H1: 99% (ou

H2: 1%)

H1: 99.9%
(ou H2: 0.1%)

2.56

3.28

31

one-sample T-test, exemple

Hypothse: la diffrence
entre la moyenne de n
pesages dune masse talon
et la valeur de cette masse
nest pas due quaux erreurs
alatoires
Il existe un biais

?
R t.

s
n

t=

R
s
n

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

1.04946993
1.11917309
0.99865798
1.01040713
1.14655592
0.97054733
1.14894136
1.08005111
1.03044121
0.98202478
1.05094267
1.06252219
1.02608401
1.04961426
1.03483134
1.03475702
0.98306671
1.09287381
0.97490694
1.07697103

Etalon R (kg)

1.0000

moyenne : 1.04614199
Ecart-type s: 0.05326172

0.0461

t.

0.02381937

(t=2)
(n=20)

1.2
1.1
1
0.9
0.8
1

9 11 13 15 17 19

16

two-sample T-test
Comparaison de 2 moyennes de 2 chantillons, on suppose que la distribution est normale.
Hypothse: la diffrence entre les 2 moyennes nest pas due quaux erreurs alatoires
Cette hypothse est retenue si sa probabilit est suprieure 95% (par exemple)

Ech 1

Ech 2

Nb mesures

n1

n2

Ecart type estim

s1

s2

Moyenne estime

On prend alors, comme carttype de |1-2| :

Comparaison de 1 et 2:
Peut se ramener un 1-sample-test
en comparant |1-2| 0

s=

s12 s22
+
n1 n2

(dmontr dans partie lois de

propagation de lerreur )

1 2 t.s

Hypothse retenue si:

s12 s22
1 2 t
+
n1 n2
Et le nombre de degrs de libert est en 1ere approx: n1+n2-2

33

two-sample T-test: exemple

Hypothse: la diffrence
entre les moyennes de pesages
dune mme masse par 2
oprateurs nest pas due
quaux erreurs alatoires
Il existe un biais entre les 2
oprateurs

?
1 2 t.

s12 s22
+
n1 n2

op1
op2
3.59385514 3.49673556
3.58810682 3.50481358
3.53371004 3.47201328
3.52760094
3.553306
3.44867115 3.57512954
3.51024893 3.55717682
3.60880932 3.62969549
3.53927667 3.66487781
3.55719746 3.54702026
3.52552333 3.54598904
3.49798625 3.48741103
3.49706929 3.56409401
3.56771949 3.56622487
3.7
3.59781434
3.54564972
3.65
3.54032574
3.50388551
3.6
3.57799787
3.65577103
3.55
3.49003712
3.55839436
3.57276739
3.53637213
3.5
3.61263276
3.57229694
3.45
3.50544464
3.56392763
3.4
3.60261554
3.35
3.52637678
3.3
1 3.5652033
3
5
7
3.58384532
3.50903522

moyenne
cart-type s

op1
op2
3.54463973 3.55551443
0.04510027 0.04809217

0.0108747

|1-2|

s12 s22
+
n1 n2

s=
n:

43

s.t:

0.0139361

11

t=2

0.02787228

13

15

17

19

21

23

25

17

Intervalle de confiance

Confidence interval

L'intervalle de confiance p (95%) dune mesure x est un

intervalle de valeurs qui a une probabilit centre p (95%)
de contenir la vraie valeur xR du paramtre estim.

[x , x + ]

P ( xR < x ) = P( xR > x + ) = (1 p ) / 2
et = incertitude p (95%)

La calcul de et en fonction de la probabilit P (gnralement 95%) dpend de la loi de

distribution de l'erreur

Distribution symtrique:
=

Valeur moyenne de la mesure

= la plus probable

Distribution
normale
35

Intervalle de confiance, cas de la distribution normale:

L'intervalle de confiance p (95%) dune mesure x est un
intervalle de valeurs qui a une probabilit centre p (95%)
de contenir la vraie valeur xR du paramtre estim.

[x t .s , x + t .s ]

3: 99.7% des mesures

2: 95.5% des mesures

0.4

: 68.3%
x des
, xmesures
+

0.3
0.2
0.1
0
3

= cart-type

Ecart la mo yenne x-x

Coefs de Student t

Nombre de points - 1 pour le

calcul de

0.5

intervalle de conf. 90.0% 95.0% 98.0% 99.0% 99.9%

p
0.1
0.05
0.02
0.01 0.001
deg lib
1
6.31 12.71 31.82 63.66 636.62
2
2.92
4.30
6.96
9.92 31.60
3
2.35
3.18
4.54
5.84 12.92
4
2.13
2.78
3.75
4.60
8.61
5
2.02
2.57
3.36
4.03
6.87
6
1.94
2.45
3.14
3.71
5.96
7
1.89
2.36
3.00
3.50
5.41
8
1.86
2.31
2.90
3.36
5.04
9
1.83
2.26
2.82
3.25
4.78
10
1.81
2.23
2.76
3.17
4.59
12
1.78
2.18
2.68
3.05
4.32
14
1.76
2.14
2.62
2.98
4.14
17
1.74
2.11
2.57
2.90
3.97
20
1.72
2.09
2.53
2.85
3.85
30
1.70
2.04
2.46
2.75
3.65
40
1.68
2.02
2.42
2.70
3.55
50
1.68
2.01
2.40
2.68
3.50
100
1.66
1.98
2.36
2.63
3.39
100000
1.64
1.96
2.33
2.58
3.29

36

18

criture dune mesure (distribution normale)

Le rsultat dune mesure doit comporter 4 lments :
Ex : CNO = 125.3 ppb 1.7 ppb ( 95% ou k=2)
1
2
3
4
1 : Valeur numrique avec un nombre correct de dcimales
2 : Unit
3 : Incertitude largie = t.
4 : Le coefficient dlargissement t utilis

Probabilit en % pour que la mesure

soit dans lintervalle
x ts, x + ts

1 : Numerical value with a correct

number of decimals
2 : Unit
3 : expanded uncertainty = t.s
4 : Coverage factor t

95%
Loi normale:
37

valuation de lincertitude :
valuation par analyse statistique de sries de mesures ( type A )
(gnralement mesure, mais aussi simulation)

valuation par calcul de leffet sur lincertitude finale des diffrentes

sources dincertitude ( type B : par tout autre moyen !), elles mme
values :

par une mthode de type A,

par des donnes constructeur, dtalonnage etc

Il est alors ncessaire de connatre les lois de propagation de

lerreur

38

19

valuation par analyse statistique de sries de mesures

Exemple: valuation dune mthode de mesure dune rsistance:

V =E
E

R0
R + R0

R = R0

R?

E V
V

Mesure et calcul avec un grand nombre N

de rsistances talon (R connu)

V mesur

Calcul de lcart-type
(en fait, cart-type estim s)

R0

Incertitude 95% = t., # 2 (si N>15)

Ne tient pas compte:
-De lincertitude du Vmtre (V)
-Des incertitudes sur E, R0, les rsistances
talon
39

valuation par calcul de leffet sur lincertitude finale des diffrentes

sources dincertitude

Exemple: valuation dune mthode de mesure dune rsistance:

R = R0

R?

E V
V

(R0), (E), (V) connus

V mesur

Loi de propagation des

cart-types

R0

combined standard
uncertainty

R E

E U
R
( R0 ) + 0 ( E ) + 0 2 (V )
U
V
V

( R) =

Explication

40

20

Quelle est la pese la plus prcise?

42

21

Lois de propagation des incertitudes des erreurs alatoires

indpendantes (1)
combined standard uncertainty for random & independant errors

Exemple de la somme: s=a+b

es=ea+eb
Rappel: les erreurs sajoutent algbriquement:
ea
eb
es

Et leur cart-type?

moyenne
variance
ecartype

a+b

2.82
2.61
2.64
3.45
3.32
2.79
3.17
2.70
3.10
3.40

1.51
1.71
1.68
2.02
1.90
2.08
1.55
2.09
1.86
1.56

4.33
4.32
4.32
5.48
5.23
4.88
4.72
4.79
4.96
4.95

3.00
0.11
0.33

1.80
0.05
0.23

4.80
0.16
0.39

6.00
5.00
4.00

3.00

2.00

a+b

1.00
0.00
1

10

4.80 somme moyennes

0.16 somme variances
0.55 somme cart-types

Lois de propagation des incertitudes des erreurs alatoires

indpendantes (2)
combined standard uncertainty for random & independant errors

Exemple de la somme: s=a+b

Erreur alatoire:

(s)(a)+(b)
Les cart-types ne sajoutent pas!!

Var (a + b) = Var ( a) + Var (b)

( (a + b ))2 = (a )2 + (b )2

Les variances si!!

(a+b)= (a)2+ (b)2

Les cart-types sajoutent quadratiquement

22

cart type de l'erreur alatoire de la somme de

variables

Exemple de la somme:
Variance: Var (a) =

s=a+b

1
(ai a )2

n 1

(suite)

Var (b) =

2
1
(
bi b )

n 1

2
2
2
Var(s)= 1 (ai a +bi b ) = 1 (ai a ) +(bi b ) +2((ai a )(bi b ))
n1
n1

Var (a + b) = Var (a ) + Var (b) + 2Cov(a, b)

=0 si erreurs indpendantes

Les variances sajoutent,

Et les carts-types?

(a+b)= (a)2+ (b)2

Somme quadratique des cart-types

45

Quelle est la pese la plus prcise?

23

Rappel: loi de propagation dune petite erreur

y = f (x)

f ( x + x) = f ( x) +
y =

df
.x
dx

df
.x
dx

y = f ( x1 ,..xi ,..)

Fonction quelconque:

f
xi
( y ) =
1 xi
n

a.b.c 3
Cas particulier, produit:
y = 1/ 2
d
y a b
c
d
=
+
+ 3 1/ 2
y
a
b
c
d

Loi de propagation de la variance et de lcart-type

y = f ( x1 ,..xi ,..)

Fonction quelconque:

n
f
xi
( y ) =

x
1
i

La variance est additive, donc si les variables xi sont indpendantes:

n
f
V ( xi )
V ( y ) =

x
1
i

Ecart type: V(x)=((x))2

f
( y ) =
1 xi
n

( xi )

Cas gnral (variables non indpendantes):

f
( y ) =
1 x i
n

n 1

f f
Cov ( xi , x j )
j =i +1 xi x j
n

( xi ) + 2
i =1

!
24

Lois de propagation des

incertitudes des

erreurs alatoires (1)

y = f ( x1 ,..xi ,..)

Fonction quelconque:

Incertitude pour une dist. normale: I(y)=t.(y), gnralement, t~2

f
( y ) =
1 xi
n

( xi )

(rappel: variables xi indpendantes)

49

Lois de propagation des incertitudes des erreurs alatoires

indpendantes (2)

Combinaison linaire:

Ex: somme ou
diffrence:

y = a+bc

y = ai xi

( y ) 2 = (ai ( xi )) 2

( y ) = (a ) 2 + (b) 2 + (c) 2

Application fondamentale en instrumentation: La moyenne

50

25

Lois de propagation des incertitudes des erreurs alatoires

indpendantes (3)
Application fondamentale en instrumentation: La

x=

1 n
xi
n 1

(x) =

1
n

moyenne

( x)

( x)

Thorme de la moyenne:

Theorem of the mean

Si une srie de mesures a une erreur alatoire et

indpendante dcart-type , alors la moyenne de n
de ces mesures a une erreur alatoire dont lcarttype est divis par racine carre de n.

Loi "des grands nombres"

51 Exc

Demo

Lois de propagation des incertitudes des erreurs alatoires (4)

Produits et puissances :
Proprit intressante des cart-types relatifs:

( x)
x

y = A xi

( xi )
( y)

= i
y
x
i

Somme quadratique des cart-types relatifs

Exemple:

( y)

a.b.c 3
y = 1/ 2
d

(a) (b) (c) (d)

=
+
+3
+1/ 2

y
d
a b c
2

52

26

Lois de propagation des erreurs alatoires:

exemple de la droite dtalonnage

Dbit: D=a.V
V = tension fournie par capteur

0 D 10 L/h
a=0.8 L/h/mV * 0.01 (t=2)

Etalonnage

Inc. Sur V : 0.1 mV (t=2)

Incertitude relative sur dbit D?

I ( D)
( D)
(a) (V )
=2
=2
+

D
D
a V
2

(a) a (V )
=2
+

a D
2

I (a) aI (V )
=
+

a D

Mesure des faibles

valeurs peu prcise!

* a = inverse de la sensibilit

53

Calcul de lincertitude par simulation de lerreur alatoire

ou de Monte-Carlo
Ex: y=f(x1,x2),
x1 et x2 ont des erreurs alatoires (pas forcement indpendantes) caractrises par
leur cart-type s1 et s2

Simuler un certain nombre dexpriences avec les

mmes valeurs x1 et x2 + erreur alatoire (tirages )
yi=f(x1+1,x2+2)

N fois

Les i sont calculs laide dun gnrateur de nombre

alatoires distribution adquate (gnralement normale*)
Calcul de lcart type des yi

27

Calcul de lincertitude par simulation de lerreur alatoire, exemple

Tirage alatoire normal:

= 2Ln(Rnd) *cos( 2Rnd' )

D=a.V
0 D 10 L/h
a=0.8 L/h/mV 0.01

Inc. Sur V = 0.1 mV

5.0012 Dmax
0.0526 a
0.1052 I(a)
I(V)

moyenne des D
5.0000 E Type des D
6.2500 Incertitude

Dbit:
tension V:

N tirage (400) erreur sur a erreur sur V

valeur a
1
-0.0010
0.0253
2
0.0011
-0.0518
3
0.0032
0.0436
4
-0.0098
0.0026
5
0.0021
0.0867
6
-0.0064
-0.0202
(t=2)
7
0.0017
-0.0820
8
-0.0065
0.0444
(t=2)
9
0.0009
0.0757
10
-0.0049
-0.0318
11
0.0130
0.0109
12
0.0004
0.0084
13
-0.0046
0.0031
14
-0.0024
0.0249
15
0.0047
0.0311
16
-0.0021
-0.0251

0.7990
0.8011
0.8032
0.7902
0.8021
0.7936
0.8017
0.7935
0.8009
0.7951
0.8130
0.8004
0.7954
0.7976
0.8047
0.7979

10.0000
0.8000
0.0100
0.1000

valeur V
D=a.V
6.2753
5.0142
6.1982
4.9654
6.2936
5.0551
6.2526
4.9407
6.3367
5.0824
6.2298
4.9437
6.1680
4.9450
6.2944
4.9949
6.3257
5.0663
6.2182
4.9439
6.2609
5.0901
6.2584
5.0092
6.2531
4.9737
6.2749
5.0049
6.2811
5.0543
6.2249
4.9668

lincertitude due la discrtisation :

Discretization uncertainty
La discrtisation intervient lorsque les
valeurs finales constituent un
ensemble discret.
Rsolution du systme dacquisition,
ne pas confondre avec lincertitude,
ou la sensibilit.
0.1
0.09

Tension affiche

0.08
0.07
0.06

0.05
0.04
0.03
0.02
0.01
0
0

0.05

0.1
Tension relle

56

28

lincertitude due la discrtisation : (2)

Erreur maxi: /2

Ecart type de lerreur due

la discrtisation:

Ecart type de lerreur

totale:

d =

2 3

( X ) = 2 ( x) + d2
57

Le Dithering
demo

La mthode du moyennage
peut rduire aussi lerreur
de discrtisation (=
quantification):
Pas de bruit , pas de moyennage

bruit , pas de moyennage

On peut gagner 1 bit de

rsolution chaque fois que
lon multiplie par 4 la
frquence
dchantillonnage

Pas de bruit , moyenne 50

signaux

bruit , moyenne 50 signaux

condition que le signal avant

numrisation contienne un bruit
(alatoire et indpendant) de valeur
efficace suprieure la rsolution
initiale

La prsence derreur alatoire permet ici damliorer la prcision de la mesure!!!

58

29

lincertitude due la discrtisation : (3) les dcimales

significatives
Ecriture dun nombre avec un nombre de chiffres fini

Erreur de discrtisation

Pour une mesure, lcart type de lerreur introduite doit tre petit devant celui
de lerreur de mesure initiale
Mais les systmes numriques peuvent donner beaucoup de chiffres significatifs

Ex: mesure = 438.2659872

cart-type mesure = 0.55 (soit 0.125 % en relatif)

438.2659872 ?
Doit-on crire:

438.265 ?
438 ?
59

lincertitude due la discrtisation : (3) les dcimales significatives:

exemple
Ex: mesure = 438.2659872

Mesure affiche

rsolution

438.265987

cart-type mesure = (x)= 0.55 (soit 0.125 % en relatif)

E.T. erreur
discrtisation

d =

2 3

E.T. erreur finale

( X ) = 2 ( x) + d2

% derreur due
la
discrtisation

2.9 10-7

0.55

< 10-3 %

2.9 10-3

0.550008

10-3 %

0.029

0.5506

0.14 %

0.29

0.62

13 %

2.89

2.94

434 %

0.000001
438.27

0.01
438.3

0.1
438

1
440

10
On peut choisir la rsolution immdiatement plus petite que lcart-type de la mesure.
60
Lcart-type (ou lincertitude) affich ne doit pas avoir plus de 2 chiffres significatifs.

30

Capabilit dun systme de mesure

Vrification de la
tolrance:

Va dpendre de la tolrance dsire

et du cot de la mesure
Capabilit = adquation entre lincertitude de la mthode de
mesure et lincertitude globale de la mesure dsire

Tolrance, capabilit dun systme de mesure

-SL

Capabilit=T/U

+SL

T=Tolrance
U=incertitude

Mesure moyenne

certaines normes : T/U=8

Distrib. des erreurs
de fabrication

Notion de risque:
-risque client

Pice retenir
T

( rejeter mais retenue)

-risque fabricant

( retenir mais rejete)

Pice rejeter

Val. relle

31

Limite de dtection
plus petite valeur non nulle mesurable pour une certaine
probabilit derreur sur le fait que la valeur vraie est nulle ou non
80

signal thorique

70

signal rel

60

seuil de dcision
erreur type 1

50

erreur type 2

40
30
20
10
0
-10 1
18

36

-20

Niveau signal
seuil de decision

cart type bruit analyseur:

-20

20

40

60

type 1
type 2
>0
Si distr.
Normale
et
probabilit de 95%:
nb erreurs
11
9
% bonnes dcisions:
95 LDD=3.3
On 11
prend souvent:
LDD=3

80

Etalonnage dun systme de mesure

Etalonnage: Opration consistant tablir une relation entre les
valeurs de la grandeur indiques par un appareil de mesure et les valeurs
correspondantes de la grandeur ralises par des talons (VIM)
C pF
195
190
185
180
175
170
165
160
0

20

40

60

80

100
H%

32

Etalonnage: Cration dun modle de

comportement
Calibration: Creation of a behavior model
ETALONNAGE
Variables X
mesures
(capteurs)
Variables Y
mesures
(analyses)

PREDICTION
Variables X
mesures
(capteurs)

Cration modle
de comportement

tensions

Modle

Calcul de
prdiction

Estimation des
variables Y

modle ou
Prdicteur F

Y=F(X)

65

talonnage - calibrage
tension

talonnage (calibration!) = calcul

complet du modle, ncessite un
grand nombre dexpriences.
pression

tension

Calibrage (gauging) =
recalage du modle, ncessite 1
exprience ( zro ), voire 2 ( zro
+ gain ).
Correction variations de fabrication
Correction drive

pression

Correction changement conditions

exprimentales (temprature, tarage
dune balance)
Etc

Si le modle nest pas linaire, le calibrage ne peut corriger que de faibles variations
66

33

Le cot de ltalonnage - calibrage

Problme de la portabilit du modle
En usine :

talonnage modle de connais. + calibrage 1 ex.

talonnage 1 ex.
talonnage mod. de connais. + calibrage tous

Cot croissant

Performance croissante

talonnage par modle de connaissance

talonnage 1 ex + calibrage tous

talonnage tous

67 23:28

Les moindres carrs

The least Squares
Mthode des moindres carrs :

On veut modliser: Y = F(X), en fait, partir des expriences, on a:

Y = F(X) + E o E = rsidu ou erreur

E = Y F ( X ) = y ij f j ( x1i ,..., x ij )

minimal

On utilise gnralement la distance Euclidienne:

(
i, j

y ij f j ( x1i ,..., x ki )

minimale

68

34

La rgression linaire
Linear regression
Monovariable (y=f(x) ) + hypothse linaire (y=ax+b)
2 cas:
Y

Rgression de y/x:

y = ax + b + y
X

Minimisations des
erreurs sur Y

Rgression de x/y:

x = a ' y + b'+ x

y =

1
b'
x
a'
a'

Attention, une rgression de y/x avec des

erreurs sur x (ou linverse), entrane une
erreur systmatique sur la pente

Minimisation des
erreurs sur X

69

La rgression linaire: y/x ou x/y?

Attention, une rgression de y/x avec des erreurs sur x (ou linverse), entrane
une erreur systmatique sur la pente
Rgression X/Y

Rgression Y/X
y = 1.0036x - 0.0354

10

10

0
-2

0
0

-2

y = 0.6669x + 1.6244

12

12

10

12

-2

10

12

-2

Diffrence ngligeable dans une majorit de cas

70

35

Caractristiques de la rgression y/x:

Estimations de a et b:

(x x)(y y) Cov( x, y)
a=
=
Var ( x)
(x x)
i

Minimisations des erreurs

sur Y

y = ax + b

b = y ax
Ecart type de
la pente:

sa =

sy/ x

(x i x) 2

avec

(y

s y/x =

y i ) 2

n2

Ecart type de lordonne

lorigine:

x
n (x x)
2
i

sb = s y / x

71

Mesure de la qualit d'ajustement d'une rgression

linaire:
Var(Y)

information totale =

Var( aX+b) +

information modlise

Var()

information rsiduelle

Coef. De dtermination:

Rd =

Coef. de corrlation:
Rd=Rc2

Var(info modlise)
Var(info totale)

Rc =

Cov ( X , Y )
( X ) (Y )
72

36

Le coef. de corrlation,
utilisation:

35

30

25

20

R=0.75
R=0.8

15

10

0
0

10

12

25

R=0.8
20

R=0.75

15

10

0
0

600

10

12

R=0.8
R=0.75

500
400

Le cfficient de corrlation
ne sert quantifier que les
relations linaires entre X et
Yvariables

300
200
100
0
0

10

-100

Rgression linaire: examen des rsidus

tension (mV)

900

73

15

residuals

Valeurs mesures

800
700

y = 0.7063x - 39.517

600

Rsidu = information non

modlise, idalement
erreur alatoire

500
400
300

Ri=yi-(a.xi+b)

200
100
0
-100 0

200

400

600

800

1000

1200

1400

courant (mA)

Graphe des rsidus: mesure - droiteregr.

80

Dtection points
aberrants (outliers)
A liminer aprs
vrification et avec
prcautions

60

tension (mV)

40
20
0
-20 0

200

400

600

800

-40
-60

1000

1200

1400

Vrification linarit
A corriger
ventuellement avec
rgression non linaire

-80
-100

courant (mA)

74

37

Autres mthodes de modlisation

comportementale:
Multivariables:
Multivariable linaire
Regression multivariable, analyse composantes principales
Moindres carrs partiels (PLS)
Monovariable non linaire
Polynomial, loi puissance, fonction quelconque

75

Rgression non linaire: rgression polynomiale

Permet de modliser la plupart des problmes peu non linaires

Ex: courbe de
tendance d'Excel:
12
10
8
6
4
2
0
0

76

38

Biblio & liens utiles

Bouquins:
"Statistics for analytical Chemistry" 3 rd ed. J.C. Miller and J.N. Miller John Wiley & Sons, 1998.
"Multivariate Statistical Methods, A Primer" B.F.J. Monley, Chapman & Hall 1986.
"Modlisation et estimation des erreurs de mesure", M Neuilly, CETAMA, Lavoisier, Paris 1993.

Sites WWW:
http://www.emse.fr/%7Epbreuil/capmes/index.html:exercices sous Excel (TP du 10/12)

http://physics.nist.gov/cuu/Uncertainty/index.html: excellent site simple et succinct mais de rfrence

sur la calcul des incertitudes, ce document s'en est beaucoup inspir. Un cours plus complet de
statistiques est disponible : http://www.itl.nist.gov/div898/handbook/
http://eric.univ-lyon2.fr/~ricco/cours/supports_data_mining.html: Cours trs complet en Franais, avec
exemples et logiciels
http://www.agro-montpellier.fr/cnam-lr/statnet/cours.htm: Cours en Franais sur les techniques de la
statistique
http://fr.freestatistics.info/index.php: Collection de liens et surtout de Freewares sur les stats
http://my.execpc.com/~helberg/statistics.html: mme chose
http://www.math-info.univ-paris5.fr/smel/simulations/cadre_simulations.html: cours, articles exemples
et surtout "applets" sur les stats
:http://www.deltamuconseil.fr/Publications/Publications-metrologie-generale.aspx#: Deltamu PME de
mtrologie offrant de nombreuses ressources
http://www.asqualab.com/documents/qualite/metrologie/19-unites_pifometriques.pdf: Norme
pifomtrique

77

La norme AFNOR la plus utilise:

PDF
78/62

http://www.asqualab.com/documents/qualite/metrologie/19-unites_pifometriques.pdf

39