Vous êtes sur la page 1sur 156

M E S U R E S - A N A LY S E S

Ti620 - Qualité et sécurité au laboratoire

Qualité au laboratoire

Réf. Internet : 42497 | 4e édition

Actualisation permanente sur


www.techniques-ingenieur.fr
Tec h n ique s de l ’I n gé ni eur
La plus impor tante ressource documentaire scientifique
et technique en français

Une information fiable, claire et actualisée


Validés par un comité scientifique et mis à jour en permanence sur Internet,
les articles Techniques de l’Ingénieur s’adressent à tous les ingénieurs et
scientifiques, en poste ou en formation.
Outil d’accompagnement de la formation et de la carrière des ingénieurs,
les ressources documentaires Techniques de l’Ingénieur constituent le socle
commun de connaissances des acteurs de la recherche et de l’industrie.

Les meilleurs experts techniques et scientifiques


Plus de 200 conseillers scientifiques et 3 500 auteurs, industriels, chercheurs,
professeurs collaborent pour faire de Techniques de l’Ingénieur l’éditeur
scientifique et technique de référence.
Les meilleurs spécialistes sont réunis pour constituer une base de
connaissances inégalée, vous former et vous accompagner dans vos projets.

Une collection 100 % en ligne


• Accessibles sur www.techniques-ingenieur.fr, les dernières nouveautés et
actualisations de votre ressource documentaire
• Les articles téléchargeables en version PDF

Des services associés


Rendez-vous sur votre espace « Mon compte » en ligne pour retrouver la liste
des services associés à vos droits d’accès et les utiliser.

 Des services associés


Pour toute information, le service clientèle reste à votre disposition :
Tél : 01 53 35 20 20 l Fax : 01 53 26 79 18 l Mail : infos.clients@teching.com

III
Cet ouvrage fait par tie de
Qualité et sécurité au laboratoire
(Réf. Internet ti620)
composé de  :

Qualité au laboratoire Réf. Internet : 42497

Sécurité au laboratoire Réf. Internet : 42378

Des bonnes pratiques en laboratoire à l’accréditation Réf. Internet : 22756

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

IV
Cet ouvrage fait par tie de
Qualité et sécurité au laboratoire
(Réf. Internet ti620)

dont les exper ts scientifiques sont  :

Marc PRIEL
Directeur honoraire du Centre de métrologie scientifique et industrielle, LNE
(Laboratoire national de métrologie et d'essais)

Denis LOUVEL
Responsable Qualité Mettler Toledo

Max FEINBERG
Directeur de Recherches à l'INRA

Gwenola BURGOT
Professeur à l'université de Rennes 1

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

V
Les auteurs ayant contribué à cet ouvrage sont :

Soraya AMAROUCHE Jacques GOUPY Catherine PORTE


Pour l’article : SL1040 Pour l’article : P230 Pour les articles : P228 – P229

Frédérique ANDRIEU Nathalie GRISE Mickael S. PRAVIKOFF


Pour l’article : SL1060 Pour l’article : SL1060 Pour l’article : SL1060

Dominique BERTRAND Dalila HACHANI Marc PRIEL


Pour l’article : P264 Pour l’article : SL2010 Pour l’article : P105

Marie Dominique BLANCHIN Sylvie HUET Stéphane PUYDARRIEUX


Pour l’article : SL290 Pour l’article : SL270 Pour l’article : P263

Fanny BOURRÉE Bernadette JOUGUET Philippe QUEVAUVILLER


Pour l’article : SL1060 Pour l’article : SL1050 Pour l’article : SL80

Vincent BRUEL Loïc KLINGER Patrick REPOSEUR


Pour l’article : P263 Pour l’article : SL1060 Pour les articles : SL1610 – SL1640

Marielle CROZET Gérard LAMARQUE Cédric RIVIER


Pour les articles : P262 – P263 Pour l’article : P226 Pour les articles : P105 – P262 – P263 –
SL1030
Patricia DEPLANCHE Patrick LEBLOIS
Pour les articles : SL2020 – SL2030 Pour l’article : SL2005 Jean-Michel ROGER
Pour l’article : SL265
Estelle DONADEI FACCHIN Denis LOUVEL
Pour l’article : SL1620 Pour les articles : R1732 – R1734 – Stéphane ROY
P1333 Pour l’article : SL80
Michèle DÉSENFANT
Pour l’article : P105 Guillaume MANIFICAT Serge RUDAZ
Pour l’article : P263 Pour l’article : P225
Huguette FABRE
Pour l’article : SL290 Patrick MERAS Bénédicte SALIN
Pour l’article : SL1050 Pour l’article : SL1060
Max FEINBERG
Pour les articles : P224 – P225 – P226 Marcel MOKILI Phahath THAMMAVONG
Pour l’article : P263 Pour l’article : P229
Hélène GAYON
Pour l’article : SL2010 Mariette NIVARD Bernard THAUREL
Pour l’article : SL1620 Pour l’article : P263
Marie-Hélène GENTIL
Pour l’article : SL1060 Isabelle PAINTRAND Cédric TROUVÉ
Pour l’article : SL1620 Pour l’article : SL2060
Jean-Philippe GHESTEM
Pour l’article : SL80 Catherine PERRIN Henri VALEINS
Pour l’article : SL290 Pour l’article : SL1060
Claude GOLDSZMIDT
Pour l’article : P218 Philippe PETIT Alain VIVIER
Pour les articles : SL2110 – SL2120 Pour l’article : P263

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

VI
Qualité au laboratoire
(Réf. Internet 42497)

SOMMAIRE

1– Qualité et validation Réf. Internet page

Démarche qualité et certiication d’un laboratoire de recherche public SL1620 11

Démarche qualité pour des données de recherche robustes SL1060 15

Qualité et assurance qualité en chimie analytique appliquée à l'environnement SL80 17

Évaluation des incertitudes des résultats d'analyse P105 21

Progiciels de gestion de laboratoire (LIMS) P218 25

Méthodes directes d'optimisation. Méthodes à une variable et simplex P228 29

Méthodes directes d'optimisation. Méthodes dérivées de la méthode Simplex P229 35

Plans d'expériences P230 43

Étalonnage multidimensionnel  : application aux données spectrales P264 49

Étalonnage des masses par les utilisateurs R1732 55

Étalonnage d'une balance par les utilisateurs R1734 61

Dosages immunologiques : modélisation et inférence statistique SL270 67

Pipettes. Trois référentiels pour étalonner une pipette à déplacement d'air P1333 71

Qualiication de l'appareillage analytique SL290 79

Caractérisation d'une méthode de mesure : étape clé dans le processus de validation SL1040 85

Facteur humain et démarche qualité dans les laboratoires de recherche SL1050 89

2– Validation des méthodes et évaluation d'incertitudes Réf. Internet page

Validation des méthodes d'analyse quantitatives au moyen du proil d'exactitude P224 93

De la validation des méthodes à la validation des résultats P225 99

Validation externe des méthodes d'analyse P226 103

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

VII
Limite de détection de méthodes d'analyse et termes apparentés P262 107

Cumul de mesures P263 111

3– Qualité des essais et analyses au laboratoire Réf. Internet page

Traçabilité métrologique des analyses chimiques SL1030 117

Robustesse des étalonnages multidimensionnels : application aux données spectrales SL265 121

Évaluation de la compétence des laboratoires. Accréditation et alternatives SL1610 125

Utilisation des matériaux de référence SL1640 129

4– Mise en œuvre de la norme ISO 17025 Réf. Internet page

Révision de la norme NF EN ISO/CEI 17025 SL2010 135

Évolutions de la norme ISO/IEC 17025 : 2017 SL2005 137

Sous-traitance d'essais et d'étalonnages SL2020 141

Achats de services et de fournitures SL2030 143

Audit interne des systèmes de mananagement de la qualité SMQ dans les laboratoires SL2060 145
accrédités
Gestion des équipements de laboratoire selon la norme ISO 17025 SL2110 149

Traçabilité des mesurages selon la norme ISO 17025 SL2120 153

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires
Qualité au laboratoire
(Réf. Internet 42497)


1– Qualité et validation Réf. Internet page

Démarche qualité et certiication d’un laboratoire de recherche public SL1620 11

Démarche qualité pour des données de recherche robustes SL1060 15

Qualité et assurance qualité en chimie analytique appliquée à l'environnement SL80 17

Évaluation des incertitudes des résultats d'analyse P105 21

Progiciels de gestion de laboratoire (LIMS) P218 25

Méthodes directes d'optimisation. Méthodes à une variable et simplex P228 29

Méthodes directes d'optimisation. Méthodes dérivées de la méthode Simplex P229 35

Plans d'expériences P230 43

Étalonnage multidimensionnel  : application aux données spectrales P264 49

Étalonnage des masses par les utilisateurs R1732 55

Étalonnage d'une balance par les utilisateurs R1734 61

Dosages immunologiques : modélisation et inférence statistique SL270 67

Pipettes. Trois référentiels pour étalonner une pipette à déplacement d'air P1333 71

Qualiication de l'appareillage analytique SL290 79

Caractérisation d'une méthode de mesure : étape clé dans le processus de validation SL1040 85

Facteur humain et démarche qualité dans les laboratoires de recherche SL1050 89

2– Validation des méthodes et évaluation d'incertitudes

3– Qualité des essais et analyses au laboratoire

4– Mise en œuvre de la norme ISO 17025

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires


QP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQVRP

Démarche qualité et certification


d’un laboratoire de recherche public

par Estelle DONADEI FACCHIN
Responsable du service qualité et certification
Agent CNRS auprès des laboratoires de chimie de Montpellier (Institut des biomolécules
Max Mousseron (IBMM UMR 5247), Institut Charles Gerhardt (ICGM UMR 5253),
Institut européen des membres (IEM UMR 5235))
Pôle Chimie Balard, ENSCM, F 34296, Montpellier, France
Mariette NIVARD
Responsable management qualité, conduite/pilotage/exploitation d’instruments
de recherche
Université Rennes, CNRS, IPR (Institut de physique de Rennes)-UMR 6251,
F-35000 Rennes, France
et Isabelle PAINTRAND
Ingénieure de recherche en techniques biologiques et responsable qualité
Université Grenoble Alpes, CNRS, Grenoble INP, LMGP, F-38000 Grenoble, France

Les auteures sont respectivement directrice et directrices adjointes du Groupement de


service accompagnement vers un système de management par la qualité (GDS ASYMU –
2000 CNRS)

1. Choix de la norme NF EN ISO 9001 ................................................ SL 1 620 - 3


2. Comment choisir son organisme certificateur ? ......................... — 3
3. Construire son système de management par la qualité............ — 4
4. Faire vivre son SMQ............................................................................. — 10
5. Revue de direction et audit à blanc ................................................ — 15
6. Préparer l’audit de certification....................................................... — 15
7. Conclusion.............................................................................................. — 15
8. Glossaire ................................................................................................. — 15
Pour en savoir plus ....................................................................................... Doc. SL 1 620

L es missions des structures de recherche ou de service dans le secteur public


(unités mixtes de recherche, fédérations de recherche, plateformes technolo-
giques...) sont définies avec la politique de leurs tutelles. Les comités d’évaluation
disposent de données factuelles illustrant le fonctionnement des structures.
Leurs principales missions sont :
– effectuer toutes les recherches présentant un intérêt pour l’avancement de
la science ainsi que pour le progrès économique, social et culturel du pays ;
– contribuer à l’application et à la valorisation des résultats de ces
recherches ;
– apporter son concours à la formation à la recherche et par la recherche.
La recherche publique s’effectue majoritairement dans le cadre d’appels à
projets. Il convient de prioriser et d’évaluer la pertinence des appels à projet
auxquels le personnel de la recherche va répondre. Les financeurs des projets
peuvent être publics ou privés et les fonds attribués sont gérés par l’une des
tutelles du laboratoire. In fine, les chercheurs doivent valoriser les travaux
scientifiques réalisés, justifier les dépenses engagées et peuvent être amenés à
p。イオエゥッョ@Z@ェオゥョ@RPQY

Copyright © – Techniques de l’Ingénieur – Tous droits réservés SL 1 620 – 1

QQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQVRP

DÉMARCHE QUALITÉ ET CERTIFICATION D’UN LABORATOIRE DE RECHERCHE PUBLIC ____________________________________________________________

justifier l’utilisation d’équipement(s) acquis dans le cadre d’un projet. Les exi-
gences des financeurs, tant au niveau de la qualité scientifique des projets que
dans la qualité de leur gestion est telle, que pour optimiser les facteurs de
réussite, de plus en plus de laboratoires ou plateformes technologiques
choisissent de mettre en place une démarche qualité conduisant à la construc-
tion d’un système de management par la qualité (SMQ) jusqu’à
l’obtention d’une certification, ou d’une accréditation, voire d’un label.

Q La norme NF EN ISO 9001 sert de référentiel pour la certification, permet-


tant de structurer et d’améliorer l’organisation d’un laboratoire. Cette norme
est reconnue à l’international.
Les plateformes technologiques qui souhaitent asseoir leurs compétences en
terme de laboratoires d’étalonnages et d’essais choisissent l’accréditation
NF EN ISO/CEI 17025. Sur le territoire français, cette accréditation est déli-
vrée par le comité français d’accréditation (site internet : COFRAC).
Il est important de savoir que l’orientation vers ces normes n’est pas obliga-
toire pour les laboratoires de recherche. Ce choix relève donc d’un
management qui doit s’assurer de l’adhésion du personnel.
A contrario, les activités définies par le code de la Santé publique sont sou-
mises à des normes européennes harmonisées. Ainsi l’accréditation est
obligatoire pour :
– les laboratoires de biologie médicale (LBM) ;
– les structures de l’établissement français du sang (EFS) ;
– les structures qui réalisent des activités biologiques d’assistance médicale
à la procréation : NF EN ISO 15189 pour les laboratoires de biologie médicale
(LBM) et NF EN ISO 22870 pour les analyses de biologie délocalisées.
L’Agence nationale de la recherche (ANR) a choisi de certifier « la program-
mation des appels à projets, sélection et financement, suivi et bilan des
meilleurs projets de recherche au regard de critères préalablement rendus
publics » depuis 2011.
L’association des instituts Carnot suit cette même dynamique au travers des
exigences de professionnalisme clairement établies dans la charte Carnot.
Le groupement interstructures – infrastructures en biologie santé et agro-
nomie (GIS IBiSA) délivre un label dont les exigences d’ouverture, de mode de
gestion, d’évolution technologique, de formation et d’évaluation des plate-
formes et infrastructures en sciences du vivant sont décrites dans une charte.
L’institut national de recherche en sciences et technologies pour l’environne-
ment et l’agriculture (IRSTEA) a fait le choix de certifier son établissement.
Enfin le dispositif national français d’évaluation Hcéres (Haut conseil
de l’évaluation de la recherche et de l’enseignement) est entré depuis 2015
dans un processus d’évaluation en vue du renouvellement de son inscription à
l’European Quality Assurance Register in higher education EQAR et de son
adhésion à l’European Association for Quality Assurance in Higher Education
ENQA.
Dans cet article, les spécificités d’un laboratoire de recherche public sont
prises en considération pour proposer une méthodologie de cheminement vers
la NF EN ISO 9001:2015.
Des exemples concrets issus de laboratoires de recherche certifiés
NF EN ISO 9001:2015 fournissent des éléments de construction du SMQ,
comme la cartographie des processus, les informations documentées, la plani-
fication et le suivi des actions.
La méthodologie pour construire puis faire vivre un SMQ conforme à la
norme NF EN ISO 9001 dans des entités de recherche est décrite. La qualité
scientifique des recherches n’est pas abordée, celle-ci étant évaluée par les
pairs lors de la publication des résultats dans des journaux à comité de lecture
ou par l’Hcéres. De même les aspects de ressources humaines, pouvant faire
faisant l’objet d’un code de conduite du recrutement du personnel, ne sont pas
développés (HR excellence in research – HRS4R).

SL 1 620 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQVRP

____________________________________________________________ DÉMARCHE QUALITÉ ET CERTIFICATION D’UN LABORATOIRE DE RECHERCHE PUBLIC

Principaux sigles Structurer son organisation selon la norme NF EN ISO 9001


permet un fonctionnement efficient de sa structure, redonnant
QVT Qualité de vie au travail du temps au cœur de métier et améliorant la qualité de vie au
travail (QVT) de l’ensemble du personnel. La finalité étant la
satisfaction des parties intéressées.
COFRAC Comité français d’accréditation


ANR Agence nationale de la recherche

SMQ Système de management par la qualité 2. Comment choisir son


AMDEC Analyse des modes de défaillance, de leurs effets
organisme certificateur ?
et de leur criticité
Il demeure très important de connaître les spécificités des orga-
SWOT Strengths (forces), Weaknesses (faiblesses), nismes de certification avant de contractualiser avec l’un d’entre
Opportunities (opportunités), Threats (menaces) eux.
La relation contractuelle avec l’organisme certificateur est de 3
PESTEL Politique, économique, sociologique,
ans, reflet du cycle de vie d’un certificat. Au renouvellement du
technologique, écologique, légal
certificat, la structure s’engagera à nouveau pour un cycle contrac-
tuel de 3 ans.
LMGP Laboratoire des matériaux et du génie physique
Le moyen le plus rassurant est de sélectionner un organisme de
ENSCM École nationale supérieure de chimie de certification accrédité [1]. La norme NF EN ISO/IEC 17021-2 de
Montpellier décembre 2018 spécifie les exigences de compétence du personnel
intervenant dans le processus d’audit et de certification des sys-
PDCA Plan, Do, Check, Act tèmes de management et le COFRAC est l’organisme qui accrédite
les organismes certificateurs. Cependant, les processus de certifi-
cation peuvent être différents d’un organisme à l’autre. La rédac-
tion d’un cahier des charges et la publication d’un appel d’offres
permettent d’évaluer plusieurs offres de service, avant de statuer
1. Choix de la norme sur une proposition de contrat de 3 ans.

NF EN ISO 9001 D’après la norme NF EN ISO 9001 : comment choisir un orga-


nisme de certification ? :

La norme NF EN ISO 9001:2015, est une norme organisation- « Il est essentiel d’exiger des offres détaillées qui incluent les
nelle. Suivre ce référentiel garantit la mise en place d’un fonction- aspects techniques : les pièces documentaires requises, le déroule-
nement efficace et performant, quel que soit le domaine d’activité. ment du diagnostic, l’échelonnement temporel des activités, la
durée estimative de l’audit, etc. L’offre de service doit également
La version 2015 de la norme met le SMQ au cœur de la stratégie comporter des considérations financières. La dernière condition,
du laboratoire. Cette nouvelle version requiert moins d’exigence mais non la moindre, est de s’assurer que l’organisme justifie
concernant la documentation. Les procédures de la version 2008 d’une solide expérience avec les entreprises similaires ».
ne sont plus obligatoires. Le référentiel met l’accent sur la
démarche d’amélioration continue, la communication et la prise en Une démarche qualité a un coût qui est lié au coût de mise en
compte des risques. À la notion de « clients » s’ajoute celle « des place (coût interne) et au coût de la certification (coût externe).
parties intéressées pertinentes ».
Il est peu aisé de quantifier le coût interne du projet qualité cor-
Il est important d’adapter le SMQ à la spécificité de la structure,
respondant au temps investi par le personnel (sensibilisation et
à ses besoins et à ses ressources. Ainsi le SMQ est une aide au
formation du personnel). Il est cependant important de valoriser le
pilotage. La direction l’utilisera comme un outil de management.
coût interne comme un investissement dont les bénéfices se révé-
Les chercheurs y verront un outil pour la conduite de projets de
leront sur le moyen et le long terme (capitalisation des savoir-faire,
recherche. L’ensemble du personnel du laboratoire se l’appro-
esprit d’équipe renforcé par la QVT), identification du personnel à
priera comme un outil de transmission et de valorisation des
l’image de la structure, partages des meilleures pratiques, etc.). On
savoir-faire. Le SMQ contribuera à l’amélioration de la communica-
estime le coût interne à 60-70 % du coût global du projet de certifi-
tion en interne et en externe. Il sera aussi un outil d’aide à l’évalua-
cation et le coût externe à 30-40 %.
tion par les instances (Hcéres, Centre national de la recherche
scientifique CNRS, Université, ANR...). Le coût externe du projet qualité correspond au coût de la certi-
L’amélioration continue, afin d’atteindre la satisfaction des par- fication, c’est-à-dire aux prestations d’audits externes réalisés par
ties intéressées, doit être l’objectif majeur de la mise en place d’un un organisme de certification. Il peut s’ajouter à ce coût des presta-
SMQ. Ce sont les actions planifiées, réalisées, suivies et analysées tions intellectuelles d’accompagnement ou la réalisation d’audits
qui permettent de conduire la structure vers une logique d’amélio- internes réalisés par des consultants.
ration. Le SMQ ne doit pas être assimilé à un système documen-
taire, il ne doit pas peser sur les équipes, mais au contraire fournir Le temps d’audit externe est fonction de l’effectif de la structure
des éléments de simplification et d’efficacité, ainsi qu’une organi- et des sites à auditer.
sation cohérente. Le temps d’audit pour un audit initial de certification (plus
Un SMQ certifié NF EN ISO 9001:2015 permet d’avoir une conséquent que les deux audits suivants) est précisé dans l’annexe
vision globale de la structure et de ses composantes, de fournir A du Document d’exigences International Accreditation Forum ©
aux instances des indicateurs pertinents et de s’assurer que les (IAF) « Détermination du temps d’audit des systèmes de manage-
exigences des tutelles, des instances et des financeurs sont ment de la qualité et des systèmes de management
prises en compte. environnemental » [2].

Copyright © – Techniques de l’Ingénieur – Tous droits réservés SL 1 620 – 3

QS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQVRP

DÉMARCHE QUALITÉ ET CERTIFICATION D’UN LABORATOIRE DE RECHERCHE PUBLIC ____________________________________________________________

Exemple de considérations financières : un laboratoire de – une gouvernance ajustée ;


recherche de taille moyenne (de 86 à 125 personnes) nécessitera un – une stratégie de mise en place établie ;
audit de certification (étape 1 + étape 2) de 7 jours. La 1re étape, réa-
– une préparation minutieuse de la mise en place ;
lisée soit sur site, soit à distance permet à l’auditeur de mieux appré-
hender l’organisme et de comprendre le système de management. – une conduite du changement adéquate ;
L’étape 2 permet à l’auditeur de vérifier la mise en œuvre et l’effica- – un suivi des actions conduites ;
cité du SMQ et son constat sera livré dans un rapport d’audit. – un système de pérennisation afin de conforter les acquis et
d’assurer le développement.


Les prestations d’audits externes proposés par les organismes de
certification évoluent en fonction de leurs réponses aux appels
d’offres (AO) des organismes de recherche cadrés par le code des
Marchés publics. 3.1 Connaître le contexte et identifier
Le coût des audits externes en 2018 dans le cadre d’AO est estimé les parties intéressées pertinentes
entre 900 et 1 500 €HT/ jour.
Le coût des audits internes en 2018 sur devis évolue de 700 à L’histoire du laboratoire est à prendre en considération. Le pro-
1 500 €HT/ jour. jet scientifique avec la structuration en équipes de recherche et le
positionnement externe (régional, national, international) pour
identifier les parties intéressées pertinentes. Le SMQ doit identifier
les besoins et répondre aux attentes des parties intéressées perti-
Il est important de choisir l’organisme certificateur offrant la
nentes.
logistique administrative et la compétence de l’auditeur externe
adéquates au secteur d’activité de la structure de recherche. Le chapitre 4 de la norme ISO 9001 aide la direction à dessiner
les contours du contexte de la structure.
La figure 4 reprend tous les chapitres de la norme selon la struc-
ture commune High Level Structure (HLS).
3. Construire son système
de management Exemples de parties intéressées pertinentes d’un labora-
toire de recherche : chercheurs, ingénieurs, techniciens, adminis-
par la qualité tratifs, post-doctorants, doctorants, stagiaires, tutelles, partenaires et
financeurs des contrats.

Un SMQ se construit en mode projet. Les acteurs sont identifiés


et les étapes planifiées [3].
3.2 Analyser les besoins
La figure 1 présente la planification des actions pour construire
un SMQ jusqu’à la certification de plusieurs laboratoires de l’insti- Pour réaliser l’analyse des besoins, il convient au préalable de
tut Carnot énergies du futur. dresser un état des lieux de l’existant. En effet, le laboratoire n’a
Les étapes de construction du SMQ en les mettant en regard des pas attendu de mettre en place un SMQ pour organiser son fonc-
différents articles de la norme NF EN ISO 9001:2015 sont présentés tionnement. Il est donc important de lister ce qui existe et d’analy-
sur la figure 2. ser si ce qui est mis en place répond aux attentes des parties
intéressées. C’est en étant à l’écoute des personnels que l’on
La figure 3 présente les étapes clefs du projet de construction pourra identifier leurs besoins. Cette étape est l’occasion de mettre
d’un SMQ. Chacune de ces étapes est détaillée ci-après. en commun les pratiques, d’échanger et de dégager des pistes
Le projet qualité doit être fédérateur et donner sens à la struc- d’amélioration. La communication sur la mise en place d’un SMQ
ture. Le guide [4] de la gestion des processus, BPM CBOK® V3 auprès des personnels est essentielle pour permettre leur adhésion
amélioré au niveau européen et traduit par les membres du club et éviter les frustrations.
des pilotes de processus établit la liste des éléments à prendre en
compte avant la construction d’un SMQ :
– une direction engagée, un animateur de dispositif clairement La prise en compte des besoins avec concertation de
désigné ; l’ensemble du personnel permet de construire un SMQ adapté
– une organisation adaptée ; au laboratoire.

Avril 2010 Juin 2010 à novembre 2012


Définition Mise en place de la démarche qualité :
du périmètre accompagnement des laboratoires Octobre 2012
de certification par le cabinet CSP Audit à blanc

Septembre 2009
Restitution Février 2013
du diagnostic Certification

Mai 2010 Formation / Action Juin 2012


Formation des pilotes (11 ½ journées) Échanges des
de processus et bonnes pratiques
du responsable qualité

Figure 1 – Planning des étapes de construction d’un SMQ

SL 1 620 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQPVP

Démarche qualité pour des données


de recherche robustes

par Frédérique ANDRIEU
Responsable qualité
Délégation Aquitaine du CNRS, Esplanade des arts et métiers, Talence, France
Fanny BOURRÉE
Responsable QHSE
LIRYC (L’Institut de rythmologie et de modélisation cardiaque), Hôpital Xavier Arnozan,
CHU de Bordeaux, Avenue du Haut Lévêque,
Pessac, France
Marie-Hélène GENTIL
Maître de conférences
UMR 5218 – IMS – Laboratoire de l’intégration du matériau au système, 351 Cours
de la libération, Talence, France
Nathalie GRISE
Adjointe conseiller prévention de centre
INRA (Institut national de la recherche agronomique), Centre INRA Bordeaux-Aquitaine,
71, avenue Edouard Bourlaux,
Villenave-d’Ornon, France
Loïc KLINGER
Responsable management par la qualité
Université de Bordeaux – CNRS – INSERMì
UMS 3033 IECB (Institut européen de chimie et biologie), Pessac, France
Michael S. PRAVIKOFF
Chargé de recherche CNRS
Université de Bordeaux – CNRS
CENBG (Centre d’études nucléaires de Bordeaux-Gradignan) UMR 5797 Université
de Bordeaux CNRS, Gradignan, France
Bénédicte SALIN
Responsable qualité
Université de Bordeaux – CNRS
IBGC (Institut de biochimie et génétique cellulaires), Bordeaux, France
et Henri VALEINS
Responsable systèmes d’information et qualité
Université de Bordeaux – CNRS
CRMSB (Centre de résonance magnétique des systèmes biologiques), Bât. 4A –
Zone Nord – case 93, Bordeaux, France

1. État des lieux – Situation actuelle ................................................... SL 1 060 - 2


2. Présentation de la norme ISO 9001 : systèmes
de management de la qualité – Exigences .................................... — 3
3. Application dans un projet de recherche en laboratoire .......... — 3
4. Conclusion.............................................................................................. — 6
5. Glossaire ................................................................................................. — 8
Pour en savoir plus ....................................................................................... Doc. SL 1 060
p。イオエゥッョ@Z@ョッカ・ュ「イ・@RPQY

our obtenir des résultats fiables et robustes dans la recherche, que celle-ci
P soit académique ou industrielle, il faut s’assurer que les données soient
suffisamment précises et nombreuses pour permettre leur reproductibilité.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés SL 1 060 – 1

QU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQPVP

DÉMARCHE QUALITÉ POUR DES DONNÉES DE RECHERCHE ROBUSTES ________________________________________________________________________

Pour des données scientifiques, il faut que les conditions d’acquisition, de trai-
tement et de stockage soient entièrement tracées. Selon la norme X05-501
(1994 Repérage d’identification – Principes de structuration et désignations de
référence), la fiabilité est l’aptitude d’un dispositif à accomplir une fonction
requise, dans des conditions données d’utilisation et de maintenance, pendant
une durée donnée.
L’évolution constante du monde de la recherche, ses contraintes et sa
Q complexité engendrent, parfois, des erreurs, honnêtes ou non... Le constat est
qu’il est nécessaire de faire le point sur les bonnes pratiques et de rappeler la
méthodologie à suivre pour minimiser ces « erreurs honnêtes » ainsi que les
résultats non reproductibles.
Dans cet article, il est montré que la démarche qualité, par ses concepts ori-
ginaux et éprouvés est clairement une réponse à cette problématique.
L’objectif est donc de montrer que les démarches qualité, les bonnes pratiques
et la mise en œuvre de référentiels ou normes qualité permettent d’améliorer
au quotidien la fiabilité des données de la recherche et le travail des person-
nels de laboratoire.

Les auteurs sont membres du comité de pilotage du réseau Qualité en Recherche


Régions Aquitaine Limousin (QRRAL) qui est une émanation du réseau Qualité en
Recherche (QeR) national soutenu par la Mission pour les Initiatives Transverses et Inter-
disciplinaires (MITI) du CNRS.

Sigle Description 1. État des lieux – Situation


CNRS Centre national de la recherche scientifique actuelle
COFRAC Comité français d’accréditation
Le monde de la recherche est en pleine mutation à cause des
COMETS Comité d’éthique du CNRS pressions dues au contexte concurrentiel et à un manque de
moyens. Cela se traduit par de nombreux changements et entraîne
COPE Committee Of Publishing Ethics des conséquences importantes. Par exemple, 2/3 des chercheurs
reconnaissent des pratiques douteuses selon une étude publiée [1].
HAL Hyper articles en ligne De même Mme Eva Giesen (ancienne directrice qualité INSERM)
HLS High-Level Structure dans son article [2] a fait le point sur les pratiques scientifiques ne
suivant pas correctement les bonnes pratiques éthiques.
INRA Institut national de la recherche agronomique Sept à neuf millions de chercheurs publient chaque année plus de
2,5 millions d’articles primaires dans plus de 35 000 journaux inter-
INSERM Institut national de la santé et de la recherche nationaux actifs toutes disciplines confondues. Ce volume de publi-
médicale cations est très important et ne cesse d’augmenter. Selon
ISO International Standard Organisation l’association STM (Scientific Technical and Medical) [3] entre 2002 et
2012, l’augmentation du nombre de journaux est passée de 3 %/an
MITI Mission pour les initiatives transverses et au début du XXIe siècle à 5-6 %/an ces dernières années tandis que
interdisciplinaires le nombre d’articles a crû de 3 %, et cette tendance va sans doute
encore s’amplifier dans les prochaines années.
NF Norme française L’adage « publish or perish » [4] résume bien l’enjeu auquel sont
OPIDOR Outils et services pour optimiser le partage et confrontés au quotidien les chercheurs. Une des conséquences
l’interopérabilité des données de la recherche bien identifiée dans le monde de la recherche est la course aux
publications entraînant une augmentation des rétractations
PDCA Plan Do Check Act d’articles scientifiques comme signalé la première fois dans
l’article de Nature [5] puis confirmé par Ferric et al. en 2012 [6].
QeR Réseau qualité en recherche Selon l’article de Van Noorden [7], les raisons de ces rétracta-
QRRAL Réseau qualité en recherche régions Aquitaine tions sont multiples :
Limousin – 44 % sont dues à une mauvaise conduite (11 % pour la fabrica-
tion ou la falsification de résultats, 17 % à de l’auto-plagiat et 16 %
SMQ Système de management de la qualité à du plagiat) ;
– 28 % des rétractations sont dues à des « erreurs honnêtes »,
STM Scientific, Technical and Medical c’est-à-dire des erreurs involontaires qui ne sont pas dues à un
acte frauduleux sciemment réalisé ;
5M Matériel, main d’œuvre, méthode, milieu, matière
– 11 % à des résultats non reproductibles.

SL 1 060 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slXP

Qualité et assurance qualité


en chimie analytique appliquée
à l’environnement Q
par Stéphane ROY
Adjoint au chef de service Métrologie Monitoring Analyse du BRGM
Docteur en géochimie et environnement de l’université Paris VII
Jean-Philippe GHESTEM
Chef de projet service Métrologie Monitoring Analyse du BRGM
Docteur en chimie de la pollution atmosphérique et physique de l’environnement
de l’université Paris VII
Ingénieur de l’École supérieure de physique et chimie industrielles de la ville de Paris
(ESPCI)
et Philippe QUEVAUVILLER
Cadre à la Commission européenne
Professeur à l’université libre de Bruxelles (VUB)

1. Contexte...................................................................................................... SL 80 - 2
2. Différents référentiels ............................................................................ — 2
3. Organisation du laboratoire .................................................................. — 3
4. Échantillonnage ........................................................................................ — 5
5. Étapes préparatoires à l’analyse .......................................................... — 8
6. Réalisation de l’analyse : qualité et outils de contrôle
de la qualité en routine........................................................................... — 14
7. Conclusion.................................................................................................. — 18
Pour en savoir plus ........................................................................................... Doc. SL 80
p。イオエゥッョ@Z@、←」・ュ「イ・@RPPY@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ョッカ・ュ「イ・@RPQX

ace à l’augmentation des impacts avérés des produits d’origine anthro-


F pique, sur notre environnement quotidien aussi bien à la surface de la
planète, qu’au fond des océans ou que dans l’atmosphère de nos villes, notre
vigilance et notre détermination ne peuvent que s’accroître quant à la qualité
des données que nous acquérons au jour le jour, dans tous les milieux et dans
toutes les matrices. En effet, ne pouvant qu’assez peu influencer à court terme
le niveau des émissions, il est du devoir des scientifiques de mettre à disposi-
tion de chacun des outils analytiques fiables permettant de quantifier
correctement leur impact afin, d’une part, de mieux comprendre d’éventuels
effets néfastes et, d’autre part, de tenter de prédire leurs effets potentiels de
manière fine pour au final mieux les combattre.
Ces objectifs, qui impliquent de réelles prises de décisions argumentées et
convaincantes, reposent, par définition, sur des « mesures » à réaliser dans
divers milieux, dans des contextes différents et souvent avec des contraintes
techniques variées. Ainsi, des techniques analytiques développées pour des
sites pollués ne seront pas adaptées à l’estimation d’impacts diffus ; de même,
des protocoles sur des sols ou des eaux polluées ne pourront être utilisés pour
des analyses rapides sur le terrain.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. SL 80 – 1

QW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slXP

QUALITÉ ET ASSURANCE QUALITÉ EN CHIMIE ANALYTIQUE APPLIQUÉE À L’ENVIRONNEMENT ____________________________________________________

Il est donc crucial de remettre la « mesure », et la chaîne analytique qui lui


est associée – étapes de terrain comprises – en adéquation avec les contextes
et les objectifs recherchés. Cette démarche ayant pour but de fournir des
valeurs fiables qui permettront une évaluation réelle des impacts et par la suite
d’amener à des prises de décisions sereines et acceptées.
Cette confiance passe indubitablement par la qualité des données acquises.


Un des moyens développés par les laboratoires d’analyses est le principe
d’Assurance Qualité. Cette Assurance Qualité, repose sur un référentiel interna-
tionalement reconnu depuis 2000, la norme NF EN ISO/CEI 17025 –
Prescriptions générales concernant la compétence des laboratoires d’étalon-
nage et d’essais – septembre 2005, pour sa dernière version.
Les concepts, définitions, recommandations à évoquer pour traiter de la
qualité et de l’assurance qualité en analyse chimique sont très nombreux. Ce
chapitre n’a pas pour objet de les aborder de façon exhaustive et détaillée. Il
décrit les principaux concepts qui pour beaucoup sont présentés de façon plus
complète dans d’autres chapitres des Techniques de l’Ingénieur.
Ce dossier correspond à une mise à jour du dossier, rédigé en 1997 par
M. Leroy, A. Boos, E.A. Maier et B. Griepink [1].

1. Contexte Tableau 1 – Concentration admise


par la communauté scientifique de métaux dans
l’eau de mer sur une période de 20 ans en µg/l
Les sciences analytiques jouent un rôle de plus en plus important (d’après [2])
dans les décisions prises au niveau règlementaire, judiciaire ou
privé. C’est pourquoi ceux qui réclament des réponses analytiques Métal 1965 1975 1983
et, en particulier, les acteurs politiques, judiciaires et commerciaux,
ont depuis longtemps reconnu la nécessité de résultats qui soient Pb 0,03 0,03 0,002
garantis. Plusieurs accidents dans le domaine pharmaceutique, par-
fois dramatiques et liés à une traçabilité ou à une fiabilité insuffi- Hg 0,03 0,03 0,001
sante des résultats, ont conduit les autorités à prendre des mesures Ni 2 1,7 0,46
pour l’organisation de systèmes d’évaluation. Les industries phar-
maceutiques et chimiques produisant des produits toxiques ont été Cu 3 0,5 0,25
les premières à mettre en place des règles strictes et définies au
niveau international, les Bonnes pratiques de laboratoire (BPL). Zn 10 4,9 0,39
Dans d’autres domaines, la majorité des pays développés a mis en
place des systèmes, appelés systèmes d’accréditation, pour l’éva-
luation de leurs laboratoires [27] [1]. illustre l’évolution des teneurs en métaux relevées dans les eaux de
la mer du Nord, telles que déterminées par des programmes de sur-
Dès l’édition d’une demande d’analyse, il s’établit entre le
veillance sur une période de vingt ans. Il est apparu, au début des
demandeur et l’analyste, un dialogue et des échanges dont les
années 1980, que la diminution brutale des teneurs observées
enjeux sont potentiellement très importants pour les deux
n’était en rien due à une décroissance de la pollution mais plutôt au
partenaires :
fait que la majorité des analyses réalisées avant 1980 étaient enta-
– pour le demandeur, il s’agit d’obtenir du laboratoire un résultat chées d’erreurs (d’un facteur 10) liées à une contamination des
conforme à sa demande mais également un résultat fiable sur échantillons lors de leur collecte (la source de contamination étant
lequel il pourra s’appuyer pour prendre des décisions adaptées essentiellement liée aux échantillonneurs et aux absences de pré-
(enjeux forts en termes de santé, d’environnement ou financiers) ; cautions lors de la manipulation des échantillons).
– pour l’analyste, l’objectif est de rendre un résultat fiable qui soit
conforme à la demande formulée. L’analyste souhaite évidemment
conserver sa bonne image de marque. Il doit également donner
confiance au demandeur et lui apporter si besoin les arguments
techniques démontrant la fiabilité du résultat. Enfin, l’analyste doit 2. Différents référentiels
organiser son laboratoire de façon efficace, planifiée. Il doit notam-
ment éviter de recommencer plusieurs fois des analyses en raison
d’erreurs déjà commises ou facilement évitables. Les moyens permettant d’aboutir à une qualité donnée des
résultats et permettant de démontrer cette qualité sont très variés.
Les notions de qualité et d’assurance de la qualité (cf. encadré Chacun peut créer son propre système ou bien utiliser les prin-
définition) doivent permettre aux deux protagonistes d’être satis- cipes de systèmes existants sans reconnaissance formelle.
faits de la prestation. Cependant, l’utilisation de systèmes reconnus internationalement
La non-prise en compte de certaines de ces notions peut entraîner et qui ont donc l’avantage d’assurer au laboratoire une reconnais-
des difficultés d’interprétation des données. Le tableau 1, tiré de [2], sance large de ses compétences est la solution la plus courante.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


SL 80 − 2 est strictement interdite. − © Editions T.I.

QX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slXP

_____________________________________________________ QUALITÉ ET ASSURANCE QUALITÉ EN CHIMIE ANALYTIQUE APPLIQUÉE À L’ENVIRONNEMENT

2.3 Norme NF EN ISO 17025


Encadré 1 – Définition des principaux termes employés
Le référentiel actuellement le plus utilisé par les laboratoires
Qualité : ensemble des propriétés et caractéristiques d’un d’analyses environnementales est le référentiel NF EN ISO 17025
produit ou d’un service qui lui confèrent l’aptitude à satisfaire [b]. Il décrit les « exigences générales pour la compétence des
des besoins exprimés ou implicites. Il faut noter que les laboratoires d’étalonnages et d’essais ». Ces exigences sont
besoins sont spécifiés, qu’ils peuvent changer avec le temps regroupées en exigences organisationnelles et exigences tech-
niques.


et doivent donc être révisés périodiquement.
Assurance de la qualité : ensemble des actions préétablies L’accréditation est la procédure formelle par laquelle le labora-
et systématiques nécessaires pour donner la confiance appro- toire sera reconnu compétent suivant cette norme pour réaliser
priée en ce qu’un produit ou service satisfera aux exigences certaines tâches. En effet, l’accréditation est en général accordée
données relatives à la qualité. pour une combinaison analyte-matrice-méthode. Cependant, des
possibilités d’accréditation de « portée flexible » existent mainte-
Maîtrise de la qualité : techniques et activités à caractère
nant et elles se développent rapidement [2].
opérationnel utilisées en vue de répondre aux exigences
relatives à la qualité. Elle implique des techniques opéra- En France, le COFRAC est l’organisme officiel désigné pour
tionnelles et des activités qui ont pour but à la fois de suivre décerner l’accréditation. Des accords de reconnaissance mutuelle
un processus et d’éliminer les causes de défectuosités en vue entre organismes accréditeurs européens membre de l’EA (Euro-
d’atteindre la meilleure efficacité économique. pean Co-operation for Accreditation ) permettent d’assurer une
équivalence des accréditations décernées.
Système qualité : ensemble de la structure organisa-
tionnelle, des responsabilités, des procédures, des procédés et
des ressources pour mettre en œuvre la gestion de la qualité.
Management de la qualité : aspect de la fonction générale
de management qui détermine la politique qualité et la met en
3. Organisation
œuvre. du laboratoire
Politique qualité : orientations et objectifs généraux d’une
entreprise en ce qui concerne la qualité, tels qu’ils sont expri-
més formellement par la direction générale. 3.1 Organisation générale

3.1.1 Engagement de la direction


Un laboratoire doit donc en premier lieu choisir le référentiel qui
correspond le mieux à ses activités et au type de reconnaissance La mise en place d’un système d’assurance qualité doit être un
souhaitée. objectif partagé par l’ensemble du personnel du laboratoire et
l’implication de chacun à son niveau de responsabilité est indis-
pensable à la réussite de cet objectif.
La direction du laboratoire doit clairement afficher que la qualité
2.1 Certification est un de ses objectifs prioritaires. Traditionnellement, elle rédige
un document (politique qualité) dans lequel elle s’engage à fournir
Le référentiel sur lequel s’appuie la certification est la norme les moyens nécessaires à la mise en place du système et à sa
internationale ISO 9001 : 2008 [a]. Cette norme s’applique à tout pérennisation. Un des objectifs de la direction, notamment à
type d’organisation (pas simplement aux laboratoires). Elle spéci- travers cette politique qualité, est la prise de conscience par cha-
fie les exigences pour le système de management de la qualité cun de l’importance de ses responsabilités dans la réussite du
d’une organisation désirant démontrer de façon continue sa capa- système.
cité à fournir un service qui satisfasse les besoins d’un client et
ayant pour objectif d’améliorer la satisfaction de ce client. La 3.1.2 Responsable qualité
certification est décernée par un organisme indépendant à la suite
d’audits de certification. La compétence du candidat n’est pas Afin d’assurer un fonctionnement correct du système, la responsa-
évaluée mais c’est plutôt sa capacité à contrôler des processus qui bilité de son contrôle et de son développement est confiée à une per-
l’est. De ce fait, la certification est peu utilisée comme principal sonne ou à un service indépendant du laboratoire. C’est une fonction
système d’assurance qualité dans le domaine des analyses envi- clé dans l’organisation du système qualité. Parmi les missions du
ronnementales. responsable qualité ou du service qualité, on peut citer l’animation,
le suivi et le contrôle des actions, la gestion documentaire...
Le responsable assurance qualité doit pouvoir en référer directe-
ment au plus haut niveau hiérarchique, c’est-à-dire au directeur du
2.2 Bonnes Pratiques de Laboratoire laboratoire. La position du responsable qualité doit être suffisam-
(BPL) ment forte pour éviter que la qualité ne soit négligée au détriment
de la production, de facteurs commerciaux ou de la rentabilité.
Les Bonnes Pratiques de Laboratoire ont été développées par la
Food and Drug Administration aux USA en 1978. L’OCDE (Organisa- 3.1.3 Manuel qualité et système documentaire
tion pour la Coopération et le Développement Économique) a
adopté les BPL qui sont devenues obligatoires pour les pays Un autre grand pilier d’un système d’assurance qualité (SAQ) est
membres de l’OCDE pour le contrôle de qualité des producteurs de le système documentaire mis en place par le laboratoire. Ce
produits chimiques et pharmaceutiques. Ces BPL définissent les système documentaire regroupe l’ensemble des documents utili-
conditions dans lesquelles les laboratoires doivent planifier, réali- sés dans le cadre du SAQ. Parmi ces documents, le manuel qualité
ser, conduire, enregistrer et rapporter leurs travaux. Ces règles ont tient un rôle particulier. Il doit devenir le « livre » de référence, le
été établies principalement pour les domaines de l’industrie chimi- guide du laboratoire, qui identifie la politique choisie, les objectifs
que et pharmaceutique et elles sont peu (ou pas) utilisées dans les et les activités qui en découlent, ainsi que les procédures mises en
programmes de surveillance environnementaux [3]. place pour vérifier que les objectifs sont effectivement atteints. Le

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. SL 80 – 3

QY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slXP

QUALITÉ ET ASSURANCE QUALITÉ EN CHIMIE ANALYTIQUE APPLIQUÉE À L’ENVIRONNEMENT ____________________________________________________

manuel qualité doit reprendre les prescriptions décrites dans le que l’analyste cherchera à recueillir pour améliorer la qualité du
référentiel auquel souhaite se référer le laboratoire (par exemple la résultat final.
norme NF EN ISO 17025 [b]). Il constituera la principale base docu-
mentaire des futurs auditeurs du laboratoire. Tout le personnel Le laboratoire doit donc organiser sa relation avec le client de
doit connaître l’existence et le contenu du manuel et doit le façon à préciser au mieux sa demande et de façon à pouvoir
consulter régulièrement. choisir les méthodes adaptées. Par la suite, il devra s’assurer que
les résultats rendus ont satisfait le client. Il devra aussi prendre en
Les thèmes suivants pourront notamment être traités dans le
compte dans son système qualité les éventuelles réclamations


manuel :
pour les traiter et en tirer les enseignements qui permettront
– la politique d’assurance qualité, ses objectifs et sa gestion ; d’améliorer le système.
– le résumé du manuel et la procédure de mise à jour à
respecter ;
– l’organisation du laboratoire, son infrastructure, le personnel
et les responsabilités de chacun ; 3.4 Amélioration continue
– l’inventaire de l’appareillage, sa description, les procédures
d’entretien et d’étalonnage ; Une des bases d’un système d’assurance qualité efficace est la
– l’inventaire du matériel (verrerie, matériel électrique, outillage, mise en place d’outils destinés à améliorer le système et la qualité
fluides...), son emplacement, les fournisseurs et le contrôle qualité des résultats de façon continue.
du matériel ;
– les méthodes d’analyse, les procédures de sélection et de vali- Les travaux ou résultats non conformes du laboratoire (et
dation de ces méthodes, l’exactitude et la répétabilité requises, les notamment les éventuels résultats hors acceptation aux essais
tableaux de contrôle, l’utilisation et la préparation des étalons d’aptitude) devront être exploités afin d’en déterminer les causes
(matériaux de référence certifiés ou non) ; et formaliser des actions correctives. De la même façon, les récla-
– les procédures de manipulation, d’enregistrement et de mations justifiées des clients devront participer à l’amélioration
stockage des échantillons, l’élimination et la sécurité du stockage ; continue du système.
– l’archivage, la confidentialité ;
Les audits internes et externes, points communs obligatoires de
– les audits : procédures internes, accréditations, tests de qualité
tout système d’assurance qualité, seront utilisés par le laboratoire
et procédures des actions correctives.
pour améliorer le système et pour obtenir une plus grande qualité
De façon générale, un système documentaire comporte trois de résultats. Les audits externes permettent par ailleurs de démon-
niveaux de documents qualité [1] : trer, à une tierce partie, que les pratiques du laboratoire sont
– les documents organisationnels qui correspondent aux procé- conformes au référentiel qu’il s’est engagé à respecter.
dures générales ;
Une fois par an, lors de « revues de direction », la direction du
– les documents opérationnels qui correspondent aux modes
laboratoire fait un bilan du fonctionnement et de l’efficacité du
opératoires techniques ;
système d’assurance qualité du laboratoire. Lors de ces « revues »,
– les documents « trace » qui correspondent aux enregis- les résultats de différents indicateurs, les conclusions des audits,
trements. Ce sont les documents qui permettent d’assurer la tra- les réclamations, les résultats non-conformes sont étudiés de
çabilité des opérations effectuées par les opérateurs. Ces façon globale afin d’élaborer un plan d’action.
documents sont essentiels car ils permettent très souvent de
retrouver la cause d’un dysfonctionnement et d’éviter ainsi qu’il ne
se reproduise.
3.5 Installations, appareils
et consommables
3.2 Personnel
Tout système d’assurance qualité doit reposer sur une organisa- La qualité requiert des bâtiments fonctionnels, des fournisseurs
tion claire et rigoureuse du personnel. Chaque personne du labora- et des produits fiables, et un équipement adapté. La qualité de
toire doit disposer d’une description de poste ou de fonction certaines analyses est fortement dépendante de la qualité des
établie par sa hiérarchie. Ces documents précisent les activités et conditions extérieures tributaires d’éventuelles pollutions appor-
les responsabilités incombant à la personne concernée. tées par l’air ambiant (HAP, COV, Pb, dioxines...). Des salles réser-
vées à la préparation des échantillons permettent de garder la
Le laboratoire doit aussi pouvoir montrer que les personnes qui salle de mesure suffisamment propre pour doser les éléments
ont été choisies pour occuper les différents postes sont sous forme de traces. Ne pas contrôler la température, l’humidité,
compétentes par : la luminosité, le débit des fluides peut affecter sévèrement la sta-
– la formation initiale de la personne (CV, parcours bilité des appareils ou des produits chimiques et, en conséquence,
professionnel) ; la qualité des résultats.
– des formations internes ou externes.
L’assurance de la qualité suppose également un suivi des appro-
La formation initiale est indispensable pour occuper un poste visionnements et de la qualité des consommables. La date d’arrivée,
mais elle n’est pas suffisante : le laboratoire doit aussi organiser le la localisation, le contrôle qualité et les conditions de stockage des
maintien de la compétence du personnel. réactifs, des gaz, des solvants et du matériel doivent être suivis.

Tous les instruments doivent faire l’objet d’une attention particu-


3.3 Relation avec le client lière. Il est de la responsabilité de l’analyste de vérifier les per-
formances d’un instrument avant d’en accepter la réception
Cet aspect de l’assurance qualité a été à juste titre fortement définitive. Tous les appareils doivent être entretenus et étalonnés
remis à l’ordre du jour par la norme NF EN ISO 17025. C’est un régulièrement, selon une fréquence propre à chaque instrument de
point capital pour la qualité du résultat qui doit être fiable mais mesure et par une méthode normalisée et/ou un organisme agréé.
également conforme à la demande du client. La connaissance du Certains instruments doivent faire l’objet de raccordements métro-
contexte de l’analyse, celle du type de matrice et les caracté- logiques de niveau plus ou moins élevé en fonction des applications
ristiques diverses liées à l’échantillon, sont autant d’informations (balances, sonde de température, appareils de volumétrie...).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


SL 80 – 4 est strictement interdite. – © Editions T.I.

RP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQPU

Évaluation des incertitudes


des résultats d’analyse

par Michèle DÉSENFANT
Responsable du service statistiques et calculs d’incertitude du Laboratoire national de
métrologie et d’essais (LNE)
Marc PRIEL
Directeur adjoint du Centre métrologie et instrumentation
et Cédric RIVIER
Responsable qualité de la division métrologie chimique du LNE

1. Concepts de mesurande, de caractéristique, de résultat


d’analyse .................................................................................................... P 105 – 2
1.1 Importance d’une définition précise du mesurande................................. — 2
1.2 Mesurande et échantillonnage ................................................................... — 2
1.2.1 Trois compétences complémentaires pour obtenir l’information .. — 3
1.2.2 Obtenir un échantillon : objets discrets, produits en vrac, liquides
et solides ............................................................................................. — 3
1.2.3 Échantillonnage et incertitude ........................................................... — 3
2. Incertitude de mesure comme critère décisionnel ........................ — 4
2.1 Comparaison de deux résultats de mesure entre eux ............................. — 4
2.2 Comparaison d’un résultat de mesure à une spécification ..................... — 4
3. Exigences de la norme ISO/CEI 17025 ............................................... — 4
3.1 Validation de méthode ................................................................................ — 4
3.2 Évaluation et expression de l’incertitude .................................................. — 5
4. Évaluation de l’incertitude des résultats d’analyse ....................... — 6
4.1 Concept d’incertitude .................................................................................. — 6
4.2 Présentation synthétique du GUM............................................................. — 6
4.3 Approche intralaboratoire et approche interlaboratoire .......................... — 7
5. Utilisation des données internes au laboratoire............................. — 8
5.1 Approche modélisation............................................................................... — 8
p。イオエゥッョ@Z@、←」・ュ「イ・@RPPU@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ェオゥャャ・エ@RPQX

5.1.1 Étape 1 : modélisation du processus de mesure ............................. — 8


5.1.2 Étape 2 : évaluation des incertitudes types ...................................... — 8
5.1.3 Étape 3 : propagation des incertitudes ............................................. — 9
5.1.4 Étape 4 : expression du résultat final................................................ — 11
5.2 Approche validation de méthode en analyse............................................ — 11
6. Utilisation de données externes au laboratoire .............................. — 15
6.1 Valeurs de performance de la méthode .................................................... — 16
6.2 Résultats d’essais d’aptitude ...................................................................... — 16
Pour en savoir plus........................................................................................... Doc. P 105

a norme ISO/CEI 17025 « Exigences générales concernant la compétence des


L laboratoires d’étalonnages et d’essais » demande de valider les méthodes lors-
que les laboratoires utilisent des méthodes non normalisées ou hors du domaine
d’application de la norme. Ce référentiel demande également que l’on associe aux
résultats fournis une incertitude. Les laboratoires d’analyse chimique ont une lon-

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 105 − 1

RQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQPU

ÉVALUATION DES INCERTITUDES DES RÉSULTATS D’ANALYSE __________________________________________________________________________________

gue expérience et une longue tradition de validation de leurs méthodes d’analyse


mais ils éprouvent parfois des difficultés pour évaluer l’incertitude de leurs résultats.
Les auteurs souhaitent ici faire le point sur les différentes façons d’aborder
l’évaluation de l’incertitude des résultats d’analyse et montrer que la méthode
traditionnelle présentée dans le « Guide pour l’expression de l’incertitude de
mesure » (GUM) (NF ENV 13005), peut être complétée et enrichie en utilisant

Q des données de validation de la méthode.


Les performances d’une méthode peuvent s’exprimer à l’aide de caractéristiques
telles que : la sélectivité, la spécificité, la justesse, la linéarité, la répétabilité, la repro-
ductibilité, la robustesse, les limites de détection… Ces caractéristiques s’évaluent
grâce à des travaux expérimentaux, réalisés en interne (approche intralaboratoire).
Les performances d’une méthode peuvent aussi être évaluées de manière collective
en impliquant plusieurs laboratoires (approche interlaboratoire).

1. Concepts de mesurande, Exemple : dans le cas d’un dosage des protéines dans des légumi-
neuses, on mesure l’« azote total » par la méthode de Kjeldahl, le
de caractéristique, mesurande est défini comme l’azote Kjeldahl. La teneur en protéines
est ensuite évaluée en multipliant la teneur en azote Kjeldahl par un fac-
de résultat d’analyse teur conventionnel. On a ajouté le qualificatif Kjeldahl au nom de la
caractéristique mesurée (concentration en azote) afin de préciser le
mesurande (analyte).

1.1 Importance d’une définition précise Définir un mesurande, c’est traduire une réalité fort complexe
du mesurande en une grandeur mesurable. Par exemple, si l’on veut caractéri-
ser l’état éthylique d’un individu, on définit un mesurande et plu-
sieurs choix sont possibles : mesurer son comportement, la
Il peut paraître trivial de dire que définir ce que l’on veut mesurer teneur de l’alcool dans le sang ou la teneur en alcool dans l’air
est la première opération à réaliser par l’analyste. Ce terme de expiré. Cette définition du mesurande est toujours simplifica-
mesurande, issu du monde de la métrologie, n’est pas encore d’un trice par rapport à l’état extraordinairement complexe de la réa-
emploi courant chez les chimistes, on parle plus souvent d’analyte. lité. Mais nous avons besoin de simplification pour comprendre,
Cependant, le concept est important et il mérite que l’on s’y pour analyser, pour établir des synthèses.
attarde. La norme NF X07-001 « Vocabulaire international des ter-
mes fondamentaux et généraux en métrologie » (VIM) définit le
mesurande comme « grandeur particulière soumise à mesurage ».
1.2 Mesurande et échantillonnage
Exemple : pression de vapeur d’un échantillon donné d’eau à 20 °C.

Nota : la définition du mesurande peut nécessiter des indications relatives à des gran- Le but de nombreuses mesures est de prendre des décisions : décla-
deurs telles que le temps, la température, la pression. ration de conformité d’un produit, vérification de rejets par rapport à
une limite réglementaire, modification du traitement d’un patient.
L’exemple et le nota précisés dans la définition nous éclairent pour
comprendre ce concept de mesurande ; nous nous apercevons que Il est important de bien comprendre que nous cherchons une
pour définir un mesurande, nous devons définir de très nombreuses information globale sur un lot complet, sur une population, mais
conditions permettant son observation. Si l’on ne prend pas le soin de que, ne pouvant jamais analyser en totalité le lot, nous extrayons un
fixer ces conditions d’observation, on ne définit pas correctement la échantillon « représentatif » qui permette d’inférer une information
grandeur que l’on souhaite mesurer et des doutes, des imprécisions, sur le lot ou la population. La figure 1 illustre cette démarche.
des incompréhensions peuvent résulter de ce manque de rigueur.
Exemples de définition de mesurande qui peuvent prêter à
discussion : on mesure la teneur en ozone (à l’entrée de l’analyseur)
que l’on exprime en microgrammes par mètre cube. Si les conditions
de pression et de température ne sont pas fixées, un doute existe sur Population totale,
Information globale
lot complet
cette définition de mesurande car le volume n’est pas défini et il varie
avec la température et la pression.
Échantillonnage Inférence
On mesure la concentration en cadmium dans les eaux de la Loire.
Sans précision sur le lieu et la date de prélèvement, on comprend bien
que de nombreuses valeurs de concentration en cadmium peuvent Mesures
Échantillon
élémentaires
correspondre à cette définition.
Estimation

Dans certaines techniques de mesure, le caractère conventionnel de


la méthode d’analyse prend une place importante. On est alors Figure 1 – De la mesure élémentaire vers une information plus
conduit à associer le nom de la méthode à la caractéristique mesurée. globale

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 105 − 2 © Techniques de l’Ingénieur

RR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQPU

_________________________________________________________________________________ ÉVALUATION DES INCERTITUDES DES RÉSULTATS D’ANALYSE

1.2.1 Trois compétences complémentaires


(0)

pour obtenir l’information Tableau 1 – Méthodes d’échantillonnage


Domaine
Pour les Anglo-Saxons, il n’existe qu’un seul terme : sampling, qui Textes de référence
d’application
recouvre à la fois ce que nous appelons prélèvement et échantillon-
nage. En français, nous pouvons définir ces termes de la façon Matériaux NF ISO 11648 « Aspects statistiques
suivante : en vrac de l’échantillonnage des matériaux en vrac »

Prélèvement : action de prélever une quantité de matière en


vue de son analyse.
Qualité
de l’air
Document Ademe [1]

Qualité du sol NF ISO 10381 « Qualité du sol – Échantillonnage »



Échantillonnage : organisation des multiples prélèvements en Qualité NF EN 25667 « Qualité de l’eau – Échantillonnage »
vue d’inférer une information à partir de mesures élémentaires. de l’eau

Nous voyons donc apparaître trois compétences, trois métiers qui


doivent collaborer pour obtenir l’information recherchée (figure 2) : ■ Échantillonnage des matériaux en vrac, des liquides et des gaz :
— l’« échantillonneur », dont les compétences sont du type plani- pour ces situations, les problèmes étant spécifiques à chacun des
fication d’expérience et traitement statistique des données a pour milieux, on assiste à une multiplication des méthodes d’échantillon-
tâche de définir la stratégie d’échantillonnage, c’est-à-dire de définir nage. Le tableau 1 précise différents textes applicables suivant la
où, quand, comment et combien prélever ; nature des matériaux.
— le « préleveur », dont les compétences sont essentiellement Nota : le lecteur doit garder à l’esprit qu’en fonction du milieu, en fonction de l’objectif,
une expérience de terrain, a une connaissance de la manipulation, de nombreux textes sur l’échantillonnage ont été publiés. Il lui est donc recommandé
du transport et du stockage des prélèvements, sa tâche est de préle- d’interroger les catalogues de normes en ligne.
ver en modifiant le moins possible la matière ; Le but de l’échantillonnage est d’estimer le mieux possible les
— l’« analyste », dont les compétences sont alors celles de la chimie paramètres de la population en prenant un échantillon représentatif.
analytique et de la métrologie, les échantillons reçus au laboratoire Nous pouvons adopter la définition suivante [P 220] : Un échantillon
nécessitant souvent une préparation : extraction, concentration…, est représentatif quand il est à la fois « juste » ou sans « biais » et
dont l’importance est primordiale pour la qualité de l’analyse. reproductible, c’est-à-dire que l’échantillon est non biaisé, tous les
Nota : la norme ISO/CEI 17025 comporte un paragraphe complet sur l’échantillonnage éléments du lot ont la même probabilité d’être sélectionnés, et
(ISO/CEI 17025, § 5.7 Échantillonnage) alors que la version précédente Guide ISO 25 n’abor- reproductible, la taille de l’échantillon est adaptée à la reproductibi-
dait pas cette question.
lité attendue. On peut répondre ainsi à la double question du com-
Au niveau de l’accréditation, les laboratoires ont la possibilité ment et du combien.
d’inclure ou d’exclure de leur portée d’accréditation les activités
d’« échantillonnage ». Certaines activités d’« échantillonnage » peu-
vent être exercées par des organismes d’inspection qui, eux, sont 1.2.3 Échantillonnage et incertitude
accrédités suivant un autre référentiel, la norme ISO/CEI 17011.
L’information globale que nous obtenons sur un lot de matière,
1.2.2 Obtenir un échantillon : objets discrets, pour une population totale, est entachée d’un doute. Ce doute est la
produits en vrac, liquides et solides résultante de l’incertitude sur le résultat de l’analyse, de l’incertitude
liée au prélèvement et de l’incertitude d’échantillonnage. De même,
Il nous faut tout de suite faire une distinction entre deux séries de le biais (ou l’erreur sur le résultat de mesure de la caractéristique du
problèmes liés à la question de l’échantillonnage. Cette distinction lot ou de la population totale) est la somme des trois biais. La
repose sur la nature des objets de la matière pour laquelle on cher- formule (1) montre comment se propagent les biais :
che à évaluer une caractéristique (ou mesurande dans le langage
des métrologues). Nous distinguons les populations formées e y = e échantillonnage + e prélèvement + e analyse (1)
d’objets discrets tels que les produits manufacturés des populations
formées de matériaux en vrac, de liquides, de gaz. La formule (2) montre comment se propagent les variances, la
variance étant le carré de l’incertitude type :
■ Échantillonnage des objets discrets : les questions d’échantillon-
nage pour ce type de population, souvent destinée à un contrôle par var ( y ) = var ( x échantillonnage ) + var ( x prélèvement ) + var ( x analyse ) (2)
attributs (conforme, non conforme, nombre de défauts…), sont relati-
vement bien réglées, et il existe de nombreuses normes sur la ques- On comprend facilement à l’examen de la formule (2) qu’il est
tion. Le lecteur est invité à se reporter à la norme NF ISO 2859-1 vain d’essayer de diminuer l’incertitude de l’analyse si l’on ne fait
« Règles d’échantillonnage pour les contrôles par attributs » et pas un effort comparable sur la qualité de l’échantillonnage et du
NF X06-023 « Sélection de plans d’échantillonnage pour le contrôle prélèvement. Si l’on souhaite maîtriser l’incertitude sur la caractéris-
du pourcentage d’unités non conformes par mesurage ». tique du lot, c’est sur les trois techniques qu’il faut agir simultané-
ment. Dans la suite, nous nous concentrons sur la partie analytique
et l’incertitude des résultats d’analyse.

Statistiques et planification
« Échantillonneur »
d’expériences
Le résultat de mesure n’est pas une valeur unique. Il est cer-
tain que l’on communique un résultat d’analyse sous forme
« Préleveur »
Connaissance du terrain d’une valeur unique, mais il faut aussi être conscient que la
et gestion des échantillons valeur que nous communiquons est la valeur que nous pensons
Chimie analytique, la plus probable pouvant être attribuée au mesurande.
« Analyste »
métrologie
En réalité, le résultat de mesure est une « variable aléatoire » dont
Figure 2 – Trois métiers, trois compétences pour obtenir les réalisations représentent les valeurs attribuables au mesurande
l’information et dont la distribution peut être résumée par deux paramètres, un

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 105 − 3

RS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQPU

ÉVALUATION DES INCERTITUDES DES RÉSULTATS D’ANALYSE __________________________________________________________________________________

paramètre de tendance centrale : le résultat de mesure, et un para-


mètre de dispersion : l’incertitude. La figure 3 représente la distribu- Encadré 1 – Méthode de comparaison
tion de la variable aléatoire « résultat de mesure ». de deux résultats
Si l’on admet ces principes, alors la définition de l’incertitude qui
nous est proposée dans le vocabulaire international des termes fonda- Lors d’une comparaison entre deux laboratoires, les résultats
mentaux et généraux de métrologie (NF X07-001) devient plus explicite : suivants ont été obtenus :
— 1er laboratoire : résultat annoncé y1, incertitude type u1 et
nombre de degrés de liberté ν1 ;

Q Incertitude : paramètre qui caractérise la dispersion des valeurs


qui pourraient raisonnablement être attribuées au mesurande.
— 2e laboratoire : résultat annoncé y2, incertitude type u2 et
nombre de degrés de liberté ν2.
Les lois de distribution des résultats sont supposés normales.
Le problème posé est : ces deux résultats sont-ils cohérents
entre eux, ou autrement dit, appartiennent-ils à la même
2. Incertitude de mesure population ?
Formons la différence D = y1 – y2 et estimons son incertitude :
comme critère décisionnel 2 2 2 2
u c ( D ) = u c ( y 1 – y 2 ) = u ( y 1 ) + u ( y 2 ) – 2cov ( y 1, y 2 ) (3)
De très nombreux résultats d’analyse sont utilisés pour prendre Formons le quotient :
des décisions. On souhaite vérifier si deux processus sont équiva-
lents ou si l’un est meilleur que l’autre. On peut s’intéresser à la y1 – y2
déclaration de la conformité d’un produit par rapport à une régle- t = -----------------
- (4)
uc ( D )
mentation et cette déclaration se fondera sur un ou plusieurs résul-
tats d’analyse. Nous examinons ici comment dans ces deux cas Cette quantité suit une loi de Student t(νeff) où νeff, est le nom-
l’incertitude intervient dans le processus de décision. bre effectif de degrés de liberté associé à l’incertitude sur la dif-
férence D.
Pour tester la cohérence de ces résultats à un niveau de
2.1 Comparaison de deux résultats confiance de (1 –α) %, on compare la valeur du tobservé à
de mesure entre eux t α (νeff). Si tobservé est supérieur à t 1 – ---α (νeff), alors la différence
1 – ---
2 2

Il est de fréquentes situations où nous avons à comparer deux est considérée comme significative.
résultats entre eux. Sont-ils différents ou bien la différence entre les Le nombre effectif de degrés de liberté s’estime grâce à
valeurs numérique n’est-elle que le fruit du hasard car tous deux l’expression suivante :
sont attribuables à la même grandeur ? La figure 4 illustre cette 4
situation, et le lecteur comprend facilement que sans incertitude, il c u
ν eff = -------------------------
- (5)
est impossible de décider de la différence « significative » entre les N
4
ui ( D )
deux résultats (encadré 1).
∑ ----------------
νi
i=1

2.2 Comparaison d’un résultat de mesure Dans le cas présent, nous avons considéré que le terme de
covariance dans l’expression de l’incertitude sur la différence D
à une spécification était nul car les résultats ont été obtenus dans deux laboratoires
différents et donc qu’il n’y a pas de point commun dans les deux
Les résultats de mesure sont souvent utilisés pour prendre des estimations d’incertitude de y1 et y2 :
décisions, par exemple déclarer la conformité d’un produit. Nous
2 2 2
avons une caractéristique d’un produit qui est définie par une valeur [u (y ) + u (y )]
1 2
nominale et une tolérance. Afin de vérifier la conformité de ce produit ν eff = --------------------------------------------------------
2
- (6)
2 2 2
à la spécification, nous effectuons des mesures. Actuellement, diffé- [ u ( y1 ) ] [ u ( y2 ) ]
rentes approches sont possibles. La figure 5 illustre la situation : ------------------------- + ----------------------
ν1 ν2
— dans la zone 1, la conformité est déclarée ;
— dans les zones 3, la non-conformité est déclarée ; La figure 6 résume la question lorsque nous sommes dans le cas
— dans les zones 2, la décision peut être prise avec un risque. où le résultat de mesure est dans la zone 2. Nous allons essayer
d’évaluer le risque lié à la décision (encadré 2).

3. Exigences
de la norme ISO/CEI 17025
Résultat 1 Résultat 2 Résultat 3 3.1 Validation de méthode
Le résultat de mesure n´est pas une valeur unique.
C´est un ensemble de valeurs numériques,
inégalement probables, que l´on appelle « variable La validation est définie dans la norme ISO/CEI 17025 : « la
aléatoire ». validation est la confirmation par examen et l’apport de preuves
objectives du fait que les prescriptions particulières en vue
Figure 3 – Fonction de distribution de probabilité de la variable
d’une application prévue déterminée sont remplies ».
aléatoire « résultat de mesure »

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 105 − 4 © Techniques de l’Ingénieur

RT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRQX

Progiciels de gestion de laboratoire


(LIMS)

par Claude GOLDSZMIDT
Ingénieur chimiste
Consultant sénior

1. Qu’est-ce qu’un LIMS ?........................................................................... P 218 – 2


1.1 Définitions .................................................................................................... — 2
1.2 Domaines d’application concernés............................................................ — 2
1.3 Les différents constituants d’un LIMS ....................................................... — 2
1.4 Terminologie utilisée................................................................................... — 3
2. Les principales fonctionnalités d’un LIMS ....................................... — 3
2.1 Gestion des demandes d’analyses ............................................................ — 3
2.2 Gestion de la vie des échantillons.............................................................. — 3
2.3 Assurance qualité : niveaux de traçabilité requis ..................................... — 4
2.4 Gestion des ressources du laboratoire...................................................... — 5
2.5 Restitutions (éditions) nécessaires............................................................. — 5
2.6 Aspects ergonomiques ............................................................................... — 6
2.7 Récapitulatif ................................................................................................. — 6
3. Pourquoi se doter d’un LIMS ................................................................ — 6
3.1 Améliorer la communication...................................................................... — 7
3.2 Augmenter l’efficacité et la productivité ................................................... — 8
3.3 Les aspects économiques........................................................................... — 8
3.4 Une vraie gestion du laboratoire ............................................................... — 8
3.5 Simplifier la recherche et l’accès aux données ......................................... — 8
3.6 Respecter les règles de l’assurance qualité .............................................. — 9
4. Comment se doter d’un LIMS............................................................... — 9
4.1 Gestion de projet LIMS ............................................................................... — 9
4.2 Les différents acteurs concernés................................................................ — 10
4.3 Examen approfondi de l’existant ............................................................... — 10
4.4 Rédaction d’un cahier des charges fonctionnel (Cdcf) ............................. — 11
p。イオエゥッョ@Z@ュ。イウ@RPPV@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQX

4.5 Consultation................................................................................................. — 11
4.6 Choix final .................................................................................................... — 11
4.7 Mise en opération........................................................................................ — 11
5. Conclusion ................................................................................................. — 12

es progiciels de gestion de laboratoire sont des outils informatiques compa-


L rables à la GPAO (ou ERP – Enterprise Resource Planning) en industrie.
L’implantation d’un progiciel de type GLAO – ou Laboratory Information Mana-
gement System (LIMS) suivant la formulation anglo-saxonne, souvent utilisée –
dans un laboratoire, quelles que soient sa taille, la nature de ses activités ou son
modèle d’organisation, est un projet stratégique pour l’entreprise : les enjeux
financiers sont importants et les retombées doivent l’être également, en termes
d’amélioration de la qualité et/ou de la productivité. Les spécificités de ce type de
projet sont liées essentiellement aux contraintes réglementaires fortes, variables
en fonction des continents et des pays et de leur niveau d’application dans les
sociétés, mais aussi au profil particulier des utilisateurs qui appartiennent à la

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 218 − 1

RU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRQX

PROGICIELS DE GESTION DE LABORATOIRE (LIMS) ___________________________________________________________________________________________

« Grande Famille des Laboratoires ». Il faut définitivement les impliquer au plus


tôt dans le projet pour le réussir dans les meilleures conditions. C’est pourquoi
les moyens mis en œuvre pour assurer la réussite de ce type de projet doivent
être, comme on a coutume de le dire, à la hauteur des ambitions.


1. Qu’est-ce qu’un LIMS ? On distingue deux grands types de fonctionnement :
— la routine : les produits analysés sont connus et le laboratoire
applique des procédures validées. Le processus analytique est répé-
Nous aborderons dans ce document les progiciels du marché, titif et maîtrisé. Il est possible de comparer les résultats obtenus à
c’est-à-dire des programmes informatiques « sur étagère » vendus des valeurs de référence qu’on appelle souvent limites de
par des éditeurs spécialisés et qu’il est nécessaire de paramétrer spécification ;
avant de pouvoir les utiliser. — la recherche : les produits sont en phase de découverte et le
laboratoire doit les caractériser au mieux.
On peut donner plusieurs et différentes définitions d’un LIMS.
Celle que nous choisissons est la suivante : ■ Routine : contrôle qualité et laboratoire de service
En routine on retrouve deux catégories de laboratoires :
Un LIMS est une méthode qu’un laboratoire utilise pour gérer — les laboratoires de contrôle qualité : ce sont des entités de ser-
ses données, distribuer les résultats qu’il produit et gérer les res- vice internes aux entreprises dont le rôle est d’assurer la qualité des
sources qui sont disponibles. Il doit être capable de gérer le produits entrants (matières premières), en cours de fabrication (pro-
cycle de vie des données qui inclut l’acquisition, le stockage, la duits intermédiaires) ou terminés et livrables (produits finis – vrac
production de rapports d’analyse et l’archivage. ou emballés) ;
— les laboratoires de service : qu’ils soient publics ou privés, ils
délivrent des prestations analytiques en réponse à une demande
Les données peuvent être gérées manuellement ou automatique- externe. Le type de produits et les analyses demandées sont très
ment grâce aux calculateurs. Dans la plupart des laboratoires, le variables.
LIMS opère la gestion des données de façon intermédiaire : une par-
tie manuelle et l’autre partie informatisée. Exemple : dans l’alimentaire, analyse microbiologique des plats
préparés pour les cantines scolaires.
Le client d’un LIMS doit avoir une idée claire de ce qu’il attend
d’un tel système s’il souhaite que ce dernier devienne vite opéra- ■ Recherche : essentiellement développement analytique
tionnel et surtout soit accepté par le personnel du laboratoire. Les chercheurs pensent le plus souvent que les LIMS ne sont pas
applicables dans leurs laboratoires car trop routiniers. Nous
sommes en désaccord complet avec ce point de vue, en effet ces
1.1 Définitions outils permettent de tracer les opérations réalisées dans le
laboratoire : le niveau de traçabilité recherché est à définir précisé-
ment. Les systèmes existant actuellement sur le marché sont suffi-
LIMS : Laboratory Information Management System (acronyme
samment ouverts et paramétrables pour permettre de répondre aux
d’origine anglo-saxonne).
besoins de la recherche qu’elle soit fondamentale ou appliquée.
GLAO : Gestion de laboratoire Assistée par Ordinateur ou sys- L’intérêt du chercheur est de pouvoir garder la trace des opérations
tème informatisé de gestion de laboratoire. et manipulations effectuées afin de pouvoir retrouver le scénario
d’un contexte analytique plusieurs semaines, mois ou années après.
Laboratoire : entité recevant des échantillons (il peut les prélever
de façon optionnelle) à analyser (ou à tester). Les échantillons peu- Nous avons eu l’occasion d’implanter des LIMS dans des labora-
vent être solides, liquides et gazeux et les analyses de type chimi- toires de développement analytique dont le rôle est la mise au point
que, microbiologique, physique, … de méthodes de contrôle qui seront ensuite (après transposition
industrielle) utilisées par les laboratoires de contrôle.
Information : toute donnée pouvant caractériser un produit ou un
échantillon. On distingue habituellement deux types de données :
— les données entrantes : elles accompagnent l’échantillon et 1.3 Les différents constituants d’un LIMS
doivent être saisies dans le LIMS,
— les données sortantes : résultats, données, conclusions liés à Comme pour la plupart des applications informatiques, un LIMS
l’échantillon et qui doivent être restitués sous différentes formes ne peut fonctionner sans les constituants suivants :
(rapport d’essai papier ou fichier électronique).
■ Le matériel informatique (ou hardware) :
Système de gestion : ensemble permettant de gérer l’information.
Il est constitué du matériel informatique (serveur, système d’exploi- — serveur(s) : d’application, de données, d’impression, serveur
tation, réseau, postes de travail et périphériques…) et de l’applica- Web… ;
tion. Ce système ne peut fonctionner sans la présence d’utilisateurs — postes de travail : PC ou MAC en client/serveur ou client léger
qui jouent un rôle primordial dans le domaine qui nous concerne. Web ;
— divers périphériques : imprimantes, lecteurs codes-barres,
scanners… ;
— concentrateurs de données : pour la connexion des instru-
1.2 Domaines d’application concernés ments de mesure ;
— la partie connectique : le réseau interne (LAN ou Intranet)
Les domaines d’application sont partout où l’on reçoit des échan- ainsi que les matériels indispensables (routeurs, hubs, protection
tillons pour les traiter et plus particulièrement les analyser. logicielle…).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 218 − 2 © Techniques de l’Ingénieur

RV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRQX

___________________________________________________________________________________________ PROGICIELS DE GESTION DE LABORATOIRE (LIMS)

■ Les constituants logiciels (ou software) :


Demande d’analyse (manuelle ou automatique)
— application : noyau de base + éventuels modules optionnels
en fonction du métier particulier du laboratoire ;
— logiciels d’acquisition de données : pour la connexion des Demande d’échantillon Identification
instruments ;
— outils et interfaces : requêteur (interrogation de la base de Arrivée sur le lieu d’analyse Enregistrement
données), générateur de rapport (permet de mettre en forme le
résultat des requêtes et surtout de produire les étiquettes et rap-
ports d’essais), outil d’import/export de données pour communi-
quer avec d’autres applications.
Analyse Saisie des résultats manuelle
automatique Q
Fin des tests Validation mise à disposition
■ Les utilisateurs : ce sont les plus importants car ils font vivre des résultats aux demandeurs
l’application. On distingue plusieurs profils d’utilisateurs :
Archivage des données
• — les clients ou demandeurs d’analyses : s’ils sont locaux ou Figure 1 – Domaines couverts par les LIMS
s’ils ont accès au système LIMS, ils pourront saisir directement
leurs demandes. L’option de modules Web permet de s’affranchir
de cette contrainte. Principalement, ils veulent pouvoir consulter
les résultats qu’ils attendent dans les meilleurs délais, recevoir
2.1 Gestion des demandes d’analyses
sous forme électronique ou papier les rapports d’essais et assez
souvent intégrer les résultats dans une autre application (GPAO Les demandes d’analyse peuvent prendre différentes
ou ERP par exemple) ; dénominations : commande client, lot de produit (acheté ou
— les personnes travaillant au laboratoire : fabriqué), projet, étude… Quoi qu’il en soit, le principe est toujours
le même : il s’agit de regrouper des échantillons (1 à n) dans un
• techniciens : réalisent les analyses et saisissent les résultats, même objet logique de manière à pouvoir les retrouver facilement
• cadres et responsables : valident les résultats et les échan- et surtout à les traiter dans un processus homogène.
tillons et gèrent le laboratoire ;
Par exemple, un rapport d’essais regroupe tous les échantillons
— certains services connexes (utilisant les données du laboratoire) : d’une même demande.
comptabilité, paie, achats, …
Le plus souvent, les données administratives et financières seront
liées à la demande :
1.4 Terminologie utilisée — demandeur (ou client) : société, contact, adresse, téléphone,
fax, email… tout ce qui est nécessaire pour l’échange
d’informations ;
En dehors de l’aspect linguistique (pays, langue), il est important — facturation : adresse, périodicité, tarif spécifique, remise… ;
que le laboratoire puisse continuer à utiliser dans le LIMS les — destinataire(s) des résultats : nombre de rapports d’essais,
mêmes termes qui sont utilisés tous les jours à la paillasse. Le pro- moyen de transmission (courrier, fax, email…), format et contenu
giciel LIMS devra disposer d’un outil de traduction ou de du rapport…
« localisation » qui permettra à tout utilisateur de continuer à tra- La plupart des LIMS gèrent des regroupements d’échantillons,
vailler avec les termes qui lui sont propres. mais ils ne le font pas tous : dans ce cas, on dit que le LIMS est
Dans le document d’expression des besoins ou dans le cahier des « orienté échantillons ».
charges, il est indispensable d’intégrer un glossaire où tous les ter- Ce qu’il est important de bien estimer, c’est le nombre de niveaux
mes seront définis et précisés de manière à éviter toute mauvaise hiérarchiques qui vont venir se superposer au-dessus des
interprétation ou compréhension. Certains concepts sont fonda- échantillons (figure 2) : le plus souvent ce nombre est limité (défini)
mentaux et peuvent prendre différentes dénominations. par le modèle conceptuel des données (MCD) du LIMS, il arrive très
rarement qu’il soit paramétrable.
Exemple : identifiant d’un échantillon = no d’échantillon ou no de
labo ou no d’enregistrement ou no chrono ou no de saisie ou no LIMS
ou…
2.2 Gestion de la vie des échantillons
L’échantillon est l’objet principal manipulé dans le LIMS. Son iden-
2. Les principales tifiant est le plus souvent la clé de recherche principale de l’applica-
tion. Il est indispensable de bien définir le niveau de traçabilité
fonctionnalités d’un LIMS nécessaire pour bien suivre le ou les processus appliqués aux
échantillons en respectant les règles d’assurance qualité imposées
par le contexte (société, groupe, contraintes réglementaires métier).
Les principaux LIMS du marché disposent d’un ensemble de fonc-
tionnalités qui s’appliquent dans un grand nombre de laboratoires. Pour ce faire, l’échantillon prendra différents statuts qui seront en
relation avec son état d’avancement dans le processus défini ci-dessus.
Cependant, même dans un métier ou dans une activité précise, Là encore, suivant les progiciels du marché, la liste des statuts dis-
chaque laboratoire constitue un cas particulier car deux laboratoires ponibles est fixée ou paramétrable (dans ce cas, on gère le plus sou-
travaillent très rarement exactement de la même façon. vent une table des statuts).
En fonction des spécificités du laboratoire, de la société ou du ■ Les statuts les plus souvent utilisés pour les échantillons sont les
groupe auquel il appartient et de son domaine d’application propre, suivants :
les fonctionnalités que nous allons décrire auront un poids plus ou
moins important qui pourra devenir nul dans certains cas. — reçu ;
— accepté ;
Un LIMS s’installe dans tous les domaines où le processus décrit — enregistré ;
par la figure 1 peut s’appliquer. — en cours d’analyse ;

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 218 − 3

RW

RX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRX

Méthodes directes d’optimisation


Méthodes à une variable et simplex

par Catherine PORTE
Docteur ès sciences physiques
Professeur des universités émérite
EA7341 – Laboratoire de chimie moléculaire et génie des procédés chimiques et énergé-
tiques au Conservatoire national des arts et métiers, Paris, France

1. Fonction réponse, variables et stratégies..................................... P 228v2 - 2


2. Méthodes directes à une variable ................................................... — 3
2.1 Méthode dichotomique séquentielle ..................................................... — 3
2.2 Méthode du nombre d’or ........................................................................ — 4
2.3 Méthode de Fibonacci ............................................................................. — 5
2.4 Remarques sur les méthodes univariables ........................................... — 8
3. Méthode directe à variables multiples : méthode simplex ...... — 8
3.1 Origine et principe de la méthode.......................................................... — 8
3.2 Construction du simplex initial............................................................... — 9
3.3 Exemple de calcul des coordonnées des points du simplex initial ..... — 12
3.4 Évolution du simplex............................................................................... — 14
3.5 Évolution en présence de contraintes.................................................... — 16
4. Exemples d’application de la méthode simplex .......................... — 16
4.1 Optimisation d’une séparation multicomposants
par chromatographie liquide .................................................................. — 16
4.2 Optimisation d’une réponse chromatographique................................. — 18
4.3 Optimisation du dosage du SO2 dans l’air ............................................ — 20
5. Principales caractéristiques de la méthode simplex ................. — 21
5.1 Variables ................................................................................................... — 21
5.2 Réponses .................................................................................................. — 21
5.3 Méthodologie ........................................................................................... — 22
5.4 Logiciel...................................................................................................... — 22
6. Conclusion ............................................................................................. — 22
Pour en savoir plus ........................................................................................ Doc. P 228v2

’optimisation est un ensemble de techniques permettant de trouver les


L valeurs des facteurs qui rendent optimale une fonction de réponse,
appelée aussi fonction objectif. Sur le plan mathématique, cela correspond à
la recherche des extremums de fonctions à plusieurs variables. Dans le
domaine des sciences appliquées, il s’agit de trouver les conditions expérimen-
tales permettant d’obtenir une valeur optimale de la réponse d’opérations
industrielles ou d’expériences de laboratoire.
Plusieurs stratégies d’optimisation peuvent être appliquées : méthodes dites
indirectes impliquant des modèles qu’ils soient de connaissance ou empiriques
(plans d’expériences) et méthodes directes. Dans cet article sont uniquement
décrites les méthodes directes, qui ne nécessitent pas le recours à un
modèle mathématique et surtout facilement applicables dans les sciences
appliquées.
p。イオエゥッョ@Z@ェオゥャャ・エ@RPQW

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 228v2 – 1

RY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRX

MÉTHODES DIRECTES D’OPTIMISATION ________________________________________________________________________________________________

– les caractéristiques physiques d’un produit (maximum, mini-


Symbole Description Unité
mum ou valeur nominale), etc.
Xi,j Valeur réduite de la variable j pour La fonction objectif peut aussi être la somme, pondérée ou non,
l’essai i de plusieurs réponses. Ce sera le résultat observé, ou mesuré, de
l’opération effectuée, que ce soit une analyse, une synthèse
xi,j Valeur réelle de la variable j pour l’essai i chimique, une extraction, une formulation, etc.
X0,j Valeur réelle de la variable j pour l’essai


initial
Dans tous les cas, la valeur de la réponse est subie par
XP Bande proportionnelle % l’expérimentateur.
Tosc Durée des oscillations s
La fonction objectif dépend d’un certain nombre de facteurs. On
TI Temps intégral s peut définir trois types de facteurs :
TD Temps dérivé s – les facteurs aléatoires ;
– les facteurs qui seront maintenus à un niveau donné tout au
CRF Fonction de réponse chromatographique – long des expérimentations ;
– les facteurs dont on désire faire varier la valeur au cours des
différentes expérimentations ; ils sont nommés variables.
Les facteurs, qu’ils soient maintenus ou variables peuvent être
1. Fonction réponse, par exemple :
variables et stratégies – le pH, la pression ou la température du milieu réactionnel ;
– la concentration, la masse, le volume de réactifs ou de solvant
ou encore le pourcentage de réactifs dans un mélange ;
L’objectif de l’optimisation est représenté sur les figures 1a et b ; – la durée de réaction, d’introduction de réactifs ou de maintien
sur la figure 1a, la réponse y est fonction d’une seule variable, x, en température, etc.
et l’on recherche à s’approcher de la valeur, xmax , comprise entre Il est évidemment nécessaire que les valeurs des variables évo-
les bornes xA et xB , qui rend optimale la valeur de la réponse y. luent indépendamment les unes des autres.
Sur la figure 1b, la fonction objectif dépend de deux variables
x1 et x2 ; elle est représentée sous la forme de courbes de niveaux
ou courbes d’isoréponses. On recherche alors à s’approcher des Dans tous les cas, la valeur de la variable est imposée
coordonnées, x1max et x2max , qui correspondent à la valeur opti- par l’expérimentateur.
male de y.
Une fonction objectif peut être : Pour pouvoir appliquer toute technique d’optimisation, il faut
– le rendement d’une opération (maximum) ; être capable de maintenir les variables et les facteurs constants
– la pureté d’un produit (maximum) ; aux niveaux désirés. Il est donc souhaitable que les méthodes
– la concentration en un produit (maximum ou minimum suivant d’optimisation soient mises en œuvre conjointement avec des
qu’il s’agit du produit attendu ou d’une impureté indésirable) ; techniques d’automatisation, de régulation et de contrôle.
– le coût d’une opération (minimum) ; Il existe de très nombreuses méthodes d’optimisation [1] [2] [3]
– la consommation énergétique d’une opération (minimum) ; [4] [5] [6] [7] [8] [9] [10] [11] [12] [13]. La plupart d’entre elles ont
– l’efficacité d’une séparation (maximum), en chromatographie été créées pour traiter le problème mathématique consistant à
par exemple ; trouver l’extremum de fonctions multivariables, non linéaires et

xA xB

courbes d’isoréponses
(valeurs croissantes de A vers Max)

Figure 1 – Optimisation d’une fonction objectif

P 228v2 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

SP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRX

_________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

soumises, ou non, à des contraintes. Certaines techniques ont été


étudiées dans le but de donner aux expérimentateurs une possibi-
lité rationnelle de déterminer les optimums de fonctionnement de
leurs systèmes physiques.
Les méthodes d’optimisation peuvent être classées en fonction
du type d’étude que l’on souhaite mener.
Premier cas : le phénomène physique est suffisamment connu
pour qu’il soit possible de créer un modèle mathématique repré-
sentatif du phénomène. Il s’agit alors d’un modèle de connais-
sance dont on recherche les extremums par les voies classiques

d’optimisation (dérivation, méthode de Lagrange).
Deuxième cas : le phénomène étudié est trop complexe pour
en déterminer un modèle physiquement significatif. On désire
alors seulement obtenir une relation entre les variables et la
réponse, qui soit représentative du phénomène étudié. On postule
alors une représentation mathématique empirique sous forme
d’une corrélation dont les paramètres sont ensuite déterminés afin xA xB
de déduire les variables vraiment influentes et de permettre de cal-
culer a priori les valeurs de la fonction objectif pour des conditions
expérimentales données ; on utilise ensuite des méthodes d’opti- Figure 2 – Recherche de l’optimum par la méthode dichotomique
misation pour déterminer l’optimum de fonctionnement. Dans ce séquentielle
cas, on dit qu’il s’agit d’une méthode indirecte d’optimisation
puisqu’il faut au préalable avoir un modèle mathématique.
Troisième cas : on désire connaître uniquement les conditions Dans l’intervalle de recherche [xA ; xB], deux mesures sont effec-
de fonctionnement optimal sans rechercher une représentation tuées aux points d’abscisses x1 et x2 situés de part et d’autre du
mathématique du phénomène. À partir des conditions initiales et milieu de l’intervalle ; le choix de l’écart entre ces deux points est
par itérations successives, on cherche à s’approcher de l’optimum crucial car ils doivent être suffisamment éloignés l’un de l’autre
de fonctionnement. Dans ce cas, il s’agit d’une méthode directe pour que les réponses en ces points soient significativement diffé-
d’optimisation puisqu’elle ne nécessite aucun modèle mathéma- rentes. On constate, figure 2, que la réponse au point d’abscisse x1
tique. est inférieure à la réponse au point d’abscisse x2 (y1 < y2). On éli-
mine alors la zone [xA ; x1] soit approximativement la moitié de
Dans cet article, uniquement le troisième cas est décrit. Le traite- l’intervalle d’étude.
ment du premier cas dépend directement du processus étudié et
du modèle physique correspondant. On rattache à ce type l’optimi- On effectue ensuite à nouveau deux mesures de part et d’autre
sation en chromatographie, par les diagrammes à fenêtres qui du centre de l’intervalle restant, [x1 ; xB], c’est-à-dire aux points
impliquent l’utilisation d’une relation linéaire connue entre la d’abscisses x3 et x4 . Ici, la réponse au point d’abscisse x3 étant la
réponse et les variables [14] [15]. Le deuxième cas, quant à lui, a plus faible, on élimine, la zone [x1 ; x3].
été décrit notamment dans les articles [P 230] [P 225] et dans un
certain nombre d’ouvrages [42] [43]. On procède de cette manière jusqu’à l’obtention de la précision
souhaitée.
Ce sujet fait l’objet de deux articles :
– l’article présent [P 228] Méthodes directes d’optimisation – Pour évaluer l’efficacité de cette méthode, on peut relier le
Méthodes à une variable et simplex, consacré aux méthodes impli- nombre d’essais, N, à l’intervalle initial, [xA ; xB], et à l’intervalle
quant une seule variable et à la méthode simplex adaptée à l’opti- restant, ∆ (tableau 1).
misation de plusieurs variables ;
– l’article [P 229] Méthodes directes d’optimisation – Méthodes
dérivées de la méthode simplex, consacré aux méthodes dérivées Tableau 1 – Évolution et efficacité de la recherche
de la méthode simplex. dichotomique séquentielle

Nombre
Nombre total Intervalle
Étape d’expériences
2. Méthodes directes nouvelles
d’expériences conservé ∆

à une variable 1 2 2

Pour que ces méthodes puissent être employées avec effica-


cité, il est nécessaire que, dans l’intervalle étudié, la fonction de 2 2 4
réponse soit unimodale, c’est-à-dire qu’elle présente un
seul optimum. Cela est pratiquement toujours le cas dans la
mesure où l’expérimentateur, compte tenu de sa maîtrise du
phénomène, se place dans une zone en général restreinte. 3 2 6

2.1 Méthode dichotomique séquentielle ... ... ... ...

C’est la méthode intuitive la plus simple. Pour la recherche d’un


m 2 N = 2m
maximum, elle procède par exemple, de la façon suivante
(figure 2) [1] [11] c.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 228v2 – 3

SQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRX

MÉTHODES DIRECTES D’OPTIMISATION ________________________________________________________________________________________________

On a :

avec m nombre d’itérations,


N nombre total d’essais.


On obtient ainsi :

Pour obtenir une précision de 10–3, il est nécessaire de réaliser


20 mesures si l’intervalle d’étude est de 1.

Bien qu’intuitivement satisfaisante, cette méthode n’est pas


très efficace. En effet, il est nécessaire de réaliser à chaque ité-
ration deux nouvelles expériences. Une technique n’impli-
quant qu’une mesure à chaque itération permettrait
d’économiser des expériences. C’est à cet objectif que répond
la méthode du nombre d’or.

2.2 Méthode du nombre d’or

Se reporter également aux références [1] [4] [10] [18] [19]


[20].

Le principe est identique à celui de la méthode précédente :


la zone optimale est cernée de plus en plus précisément par éli-
minations successives d’une partie de l’intervalle. Figure 3 – Recherche de l’optimum par la méthode du nombre d’or

À la première itération, deux essais sont réalisés et ensuite, à Tableau 2 – Évolution et efficacité de la méthode
chaque itération, un seul essai est effectué et est comparé au point du nombre d’or
conservé de l’itération précédente. Cela est possible, dans la
mesure où x1 , correspondant au meilleur essai, partage l’intervalle Nombre
[xA ; x2] de la même façon que x2 partage l’intervalle [xA ; xB] ; Nombre total Intervalle
Étape d’expériences
pour cela, on doit avoir la relation : d’expériences conservé ∆
nouvelles

1 2 2

2 1 3
où (figure 3).
On obtient : 3 1 4

... ... ... ...

ce qui permet de déterminer la valeur de d : m 1 N=m+1

On obtient ainsi :

ce qui correspond au rapport d’or soit 0,618.


Ainsi, lorsque le rapport est égal au rapport d’or,
soit 0,618, à chaque itération, un des essais de l’itération précé-
Pour obtenir la précision de 10–3, 16 expériences sont alors
dente peut être utilisé. Le principe de la méthode est représenté
nécessaires si l’intervalle d’étude est de 1.
figures 3a et 3b.
L’efficacité de la méthode se déduit de la relation entre le
nombre d’essais, N, l’intervalle initial, [xA ; xB], et l’intervalle final, On constate ainsi que la méthode du nombre d’or est plus
∆ (tableau 2). efficace que la méthode dichotomique séquentielle, par ail-
leurs l’écart entre les deux premiers essais n’a plus à être
On a : choisi par l’expérimentateur puisqu’il est déterminé grâce au
rapport d’or.

P 228v2 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

SR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRX

_________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

2.3 Méthode de Fibonacci

Se reporter également aux références [1] [4] [10] [21] [22].

2.3.1 Principe de la méthode


La suite de Fibonacci est une suite de nombres entiers dont
chaque terme est égal à la somme des deux termes précédents et
dont les deux premiers éléments sont 0 et 1.

100 Les nombres de la suite sont donc : 0 – 1 – 1 – 2 – 3 – 5 – 8 – 13
– 21 – 34 – 55 – 89 – 144 – 233 – 377 – 610 – 987 – 1 597...
On remarque que le rapport entre deux nombres successifs de la
suite tend très rapidement vers 0,618, donc vers le nombre d’or :
Figure 4 – Optimisation de la purification de la glycine
par la méthode du nombre d’or

Tableau 3 – Évolution de la purification


de la glycine par la méthode du nombre d’or La méthode est, dans son principe, identique à celle du nombre
(expériences effectuées en gras) d’or, mais elle s’applique à des variables dont les valeurs ne
peuvent être que des nombres entiers. L’intervalle de recherche
Essais effectués à l’intérieur
est assimilé à un nombre de la suite Un , les deux premières expé-
de l’intervalle
Intervalle Zone riences sont faites en Un–1 et Un–2. Suivant les résultats obtenus,
d’étude Rende- Rende- éliminée l’un des deux intervalles [0 ; Un–2] ou [Un–1 ; Un] est éliminé ; mais
MeOH MeOH
ment ment dans tous les cas, l’intervalle restant correspond au nombre Un–1,
(%) (%)
(%) (%) et l’un des essais de l’itération est utilisé à l’itération suivante.
50 à 100 69,1 85,3 80,9 88,5 50 à 69,1
Exemple
88,2 à
69,1 à 100 80,9 88,5 88,2 88,4 Prenons 34 comme nombre de Fibonacci auquel on associe l’inter-
100
valle d’étude. Les valeurs de la variable pour les deux premières expé-
69,1 à riences sont 21 et 13, c’est-à-dire les deux nombres précédant 34 dans
69,1 à 88,2 76,4 87,2 80,9 88,5
76,4 la suite.
76,4 à 88,2 80,9 88,5 83,7 89,4 Supposons que la plus mauvaise réponse soit obtenue quand la
variable a la valeur 21 (figure 5a), l’intervalle d’étude devient alors
[0 ; 21], le nombre de Fibonacci associé est 21 et les valeurs de la
variable sont 8 et 13 (déjà utilisé) pour les deux expériences à cette
Exemple d’application. Purification de la glycine par itération ; si la réponse en 8 est la plus mauvaise, l’intervalle [0 ; 8] est
cristallisation dans un mélange méthanol/eau : optimisa- éliminé et l’intervalle restant sera [8 ; 21] soit 13.
tion par la méthode du nombre d’or [20]
Supposons maintenant que la plus mauvaise réponse soit obtenue
La variable est le pourcentage de méthanol dans le mélange de quand la variable a la valeur 13 (figure 5b ), l’intervalle d’étude devient
cristallisation. Le domaine d’étude va de 50 à 100 % en méthanol. La alors [13 ; 34], le nombre de Fibonacci associé est 21 et les deux
réponse est le rendement en produit pur. L’évolution de la méthode nombres précédant 21 dans la suite sont 8 et 13. La variable prend
est représentée sur la figure 4 et dans le tableau 3. alors la valeur 13 + 8 soit 21 (expérience déjà réalisée) et 13 + 13 soit
À la première itération, deux essais sont effectués à 69,1 % (x1) et 26 (expérience à faire), supposons que la réponse en 21 soit la plus
à 80,9 % (x2) de méthanol dans le solvant de cristallisation. Les ren- mauvaise, l’intervalle [13 ; 21] est alors éliminé. L’intervalle restant
dements en produit pur sont respectivement de 85,3 % et de 88,5 %. après la deuxième itération est [21 ; 34] soit 13.
L’essai à 69,1 % étant le moins bon, la zone conservée est la zone
69,1 à 100 %, un nouvel essai est effectué à 88,2 % en méthanol L’intérêt de cette méthode est de connaître, a priori, le nombre
(x3), le rendement en ce point est alors comparé au rendement d’expériences à réaliser. Il est donc nécessaire de bien choisir le
obtenu pour l’essai fait à 80,9 % de méthanol et on procède de nombre de la suite servant à représenter l’intervalle d’étude.
même à chaque itération.
Le processus a été arrêté après 5 expériences. Un rendement de
89,4 % a été obtenu pour un pourcentage en méthanol de 83,7. 2.3.2 Détermination de Un
L’intervalle entre les deux derniers essais est proche de l’erreur expé-
rimentale.
Supposons que l’on cherche à déterminer la valeur de la
variable x dans l’intervalle [100 ; 1 000] fournissant l’optimum
La méthode du nombre d’or est applicable lorsqu’il est pos- de la fonction représentée dans la figure 6.
sible de faire évoluer la variable de façon continue (cas d’une
concentration, d’une température, etc.). Par contre, lorsque la Le domaine d’étude est de 900. Le problème est de savoir à quel
variable ne peut prendre que des valeurs discrètes, il est nombre de la suite, on va associer ce domaine. Suivant les cas,
nécessaire d’utiliser la technique de Fibonacci. deux possibilités s’offrent à l’expérimentateur.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 228v2 – 5

SS

ST
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRY

Méthodes directes d’optimisation


Méthodes dérivées de la méthode Simplex
par Catherine PORTE

Docteur ès sciences physiques
Professeur des universités émérites
EA7341 – Laboratoire de chimie moléculaire et génie des procédés chimiques et énergé-
tiques au Conservatoire national des arts et métiers
et Phahath THAMMAVONG
Docteur des universités
EA7341 – Laboratoire de chimie moléculaire et génie des procédés chimiques et énergé-
tiques au Conservatoire national des arts et métiers

1. Méthode de Nelder et Mead Modified Simplex (MS).............................. P 229v2 - 2


1.1 Principe de la méthode............................................................................... — 2
1.2 Exemples d’application .............................................................................. — 5
1.3 Synthèse ...................................................................................................... — 14
2. Méthode Super Modified Simplex (SMS)................................................. — 14
2.1 Principe de la méthode............................................................................... — 14
2.2 Exemples d’application .............................................................................. — 17
3. Méthode Multiple-Move ou Multi-Move (MM) ........................................ — 20
3.1 Principe de la méthode............................................................................... — 20
3.2 Exemple d’application ................................................................................ — 23
4. Méthode Weighted Centroid (WCM) ........................................................ — 26
4.1 Principe de la méthode............................................................................... — 27
4.2 Exemples d’application .............................................................................. — 28
5. Méthode avec prise en compte des sensibilités ...................................... — 30
5.1 Application, dans le domaine pétrolier, au calage d’historique
de pression .................................................................................................. — 30
5.2 Principe de la méthode............................................................................... — 35
5.2. Optimisation de la préparation de l’ion dichromate à partir
2 de chromate [21] ......................................................................................... — 35
6. Analyse et comparaison des différentes méthodes ................................ — 36
7. Choix d’une méthode d’optimisation ....................................................... — 37
8. Conclusion ................................................................................................... — 38
Pour en savoir plus .............................................................................................. Doc. P 229v2

omme nous l’avons vu dans l’article précédent [P228] « Méthodes directes


C d’optimisation – Méthodes à une variable et Simplex », ces méthodes pro-
cèdent d’une stratégie d’optimisation bien adaptée à des phénomènes
expérimentaux ; elles consistent à procéder par itérations successives en partant
d’une expérience initiale pour converger vers une zone optimale. Il s’agit, dans le
cas de systèmes impliquant plusieurs facteurs, de la méthode Simplex, méthode
d’optimisation directe ne nécessitant pas l’élaboration d’un modèle mathéma-
tique. Le principe de la méthode est de s’éloigner du plus mauvais essai en
supposant que la direction prise sera la bonne. Devant l’efficacité de la méthode
initiale, des auteurs ont préconisé un certain nombre de modifications qui tiennent
compte de la réponse obtenue à chaque nouvel essai.
p。イオエゥッョ@Z@ヲ←カイゥ・イ@RPQX

Copyright © – Techniques de l’Ingénieur – Tous droits réservés


P 229v2 – 1

SU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRY

MÉTHODES DIRECTES D’OPTIMISATION ________________________________________________________________________________________________

Ces méthodes concernent :


– soit la dilation ou la contraction du simplex dans la « bonne » direction, il
s’agit des méthodes de Nelder et Mead (« Modified Simplex ») et de Routh ou
de Van der Wiel (« Super Modified Simplex ») ;
– soit l’optimisation de la « bonne » direction en s’approchant aussi du meil-
leur essai (méthode Weighted Centroid)
– soit l’élimination simultanée de plusieurs essais (méthode Multi-Move) en
Q considérant que le groupe des essais se divise en deux populations : le groupe des
« bons » et le groupe des « mauvais » qui seront éliminés à l’itération suivante.
Dans cet article sont décrits
– les principes d’évolution pour chacune des méthodes. Des exemples
d’application sont donnés, les calculs sont détaillés pour chaque application ;
– une analyse et une comparaison des différentes méthodes ;
– un guide pour le choix d’une méthode d’optimisation.

Symbole Description
Φ Pourcentage volumique
B Essai le meilleur (Best)
CC Concentration en caroténoïde
CMS Concentration en matière sèche
CR Contraction externe
CRF Fonction réponse chromatographique
CW Contraction interne
E Extension
G Centre de gravité
N Essai le plus proche du plus mauvais essai (Next to the Worst)
R Reflex
W Essai le plus mauvais (Worst)
x Variable réelle
X Variable réduite
MS Modified Simplex Method
SMS Super Modified Simplex Method
MM Mutli-Move Method
WCM Weighted Centroid Method

1. Méthode de Nelder tenir compte de la réponse apportée par la réflexion pour pour-
suivre l’évolution du simplex.
et Mead Modified Simplex En effet dans la méthode initiale, la direction prise par le sim-
(MS) plex change à chaque itération. Dans cette modification, le sim-
plex, suivant la réponse obtenue au point symétrique, peut
conserver la même direction, ce qui, comme on va le constater,
augmente l’efficacité de la méthode.
Se reporter également aux références [2] [3] [4].

Le principe de construction du simplex reste le même que


celui de la méthode initiale [P228]. Comme dans la méthode
1.1 Principe de la méthode initiale, les points sont classés selon leur réponse : B pour le
meilleur essai, W pour le plus mauvais essai (Worst) et N pour
En 1965, la technique Modified Simplex (MS), établie par Nelder
le plus proche du plus mauvais essai (Next to the Worst), et les
et Mead, initialement prévue pour minimiser des fonctions non
coordonnées du point R, symétrique de W, par rapport au
linéaires, a été rapidement appliquée en chimie analytique en rai-
centre de gravité G des points restants, sont déterminées.
son de son efficacité évidente. L’intérêt de cette méthode est de

Copyright © – Techniques de l’Ingénieur – Tous droits réservés


P 229v2 – 2

SV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRY

_________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

On utilise toujours les valeurs réelles, une fois le simplex


construit, sachant que :
Y

avec xi,j valeur réelle de la variable j pour l’essai i,


B N
Xi,j valeur réduite, sans dimension, de la variable j pour
l’essai i, W 1 2 B
Δx j pas de variation pour la variable j,

W G R E Essai
N W

Figure 2 – Cas où l’extension a été un succès

À ce moment précis, on distingue, selon la réponse en R, trois


cas.

Y
1.1.1 Cas 1
La réponse en R, YR, est la meilleure de tous les essais, c’est-à- BN
dire meilleure que la réponse YB. On considère alors que la direc-
tion trouvée est la bonne et on dilate le simplex vers le point
W 1 2 B
extension E (ou Ext pour le différencier) où une expérience est
faite (figure 1).
NW
Les coordonnées du point E sont données par la relation sui-
vante :
W G R E Essai

Figure 3 – Cas où l’extension a été un échec


avec j variant de 1 à k
Les réponses en E et R sont comparées et le meilleur des deux
essais est retenu pour construire le nouveau simplex avec les essais 3, 5 et 7. Le symétrique du plus mauvais, l’essai 3, avec ~25 %,
essais B et N, dans le cas où le simplex est à deux variables. donne un résultat bien amélioré (~75 %). Une extension est effectuée
mais donne une moins bonne réponse (~50 %) et elle est ignorée. Le
Dans le cas où la fonction de réponse passant par les réponses quatrième simplex est donc constitué des essais 5, 7 et 8 (symétrique
en W, R et E a l’allure représentée dans la figure 2, on conserve de 3).
l’extension et le nouveau simplex est constitué des essais conser-
vés du simplex précédent et l’essai E
1.1.2 Cas 2
Les auteurs ne préconisent pas de poursuivre l’évolution dans
cette direction pour éviter de trop déformer le simplex. La réponse en R est comprise entre celle des points B et N ; elle
Dans le cas où la fonction de réponse passant par les réponses n’est donc ni la meilleure ni la pire. On ne peut considérer alors
en W, R et E a l’allure représentée dans la figure 3, on néglige que la direction W – R est la bonne et l’on poursuit la progression,
l’extension et le nouveau simplex est constitué des essais conser- sans modification par rapport à la méthode initiale.
vés du simplex précédent et l’essai R
Dans l’exemple de la figure 4, le symétrique du plus mauvais point 1.1.3 Cas 3
du premier simplex, essai 1 (figure 4a), donne le meilleur résultat
(~32 %), une extension est donc faite : elle donne une meilleure La réponse en R est inférieure à la réponse en N. Avant d’affir-
réponse (~47 %), elle est donc conservée. Dans le simplex 2 mer que la direction est mauvaise, on doit s’assurer que l’on n’est
(figure 4b) formé des essais 2, 3 et 5, le symétrique du plus mauvais, pas dans le cas où l’on a dépassé l’optimum sur la bonne direc-
essai 2, est, là encore, le meilleur (~50 %), l’extension donne un meil- tion. On a alors deux possibilités :
leur résultat (~52 %). Le simplex 3 (figure 4c) est donc constitué des – soit YR > YW : une contraction du côté de R est alors effectuée
et une expérience réalisée en ce point, CR (figures 5a et 6a) ; il
s’agit d’une contraction externe CR.
– soit YR < YW : une contraction est effectuée alors du côté de W
et une expérience réalisée en ce point, CW (figure 5b et 6a) ; il
s’agit d’une contraction interne CW.
Les coordonnées de CR et de CW sont obtenues à partir des rela-
tions :

avec j variant de 1 à k
Figure 1 – Méthode de Nelder et Mead. Cas où la réponse en R est la L’allure de la courbe liant les réponses en W et R est donnée sur
meilleure : extension la figure 5.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés.


P 229v2 – 3

SW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRY

MÉTHODES DIRECTES D’OPTIMISATION ________________________________________________________________________________________________

Y
X2

10 30
50

Q 70
80

W G CR R Essai
3 a YR > YW
R E
1
2

X1
Y

a simplex 1 (essais 1, 2 et 3)

X2

10 30
W CW G R Essai
50
b YR < YW
70
E 80
Figure 5 – Méthode de Nelder et Mead. Cas où la réponse en R est
R inférieure à la réponse en N

3
5 Trois cas de figure peuvent alors se présenter.

2 ■ Premier cas : la contraction est un succès et on poursuit l’évolution


avec les essais conservés du simplex précédent et l’essai correspon-
X1 dant à la contraction, comme cela est montré dans la figure 6.
■ Deuxième cas : la contraction a apporté une amélioration mais le
nouvel essai reste malgré tout le plus mauvais dans le nouveau
b simplex 2 (essais 2, 3 et 5) simplex (figure 7) et on a :

X2

On peut alors poursuivre l’évolution, à partir du simplex consti-


10 30 tué des points conservés du simplex précédent et de CR (ou CW)
50 de trois façons différentes :
E
70 – on prend le symétrique de CR (ou CW), ce qui revient évidem-
7 80 ment à faire un essai en CW (ou CR). On procède de cette façon
R lorsque les écarts entre les réponses en W et en R sont très faibles
(figure 7a) ;
– on effectue une nouvelle contraction. On procède de cette
3 façon lorsque la taille du simplex est suffisamment grande, après
5 plusieurs extensions (figure 7b) ;
– on prend le symétrique du second plus mauvais point (figure 7c).
2
■ Troisième cas : les contractions n’ont apporté aucune améliora-
X1 tion et on a :

c simplex 3 (essais 3, 5 et 7) On ne peut considérer que la direction WGR est la bonne. On


reprend la règle de la méthode initiale et on évolue par rapport
au second plus mauvais point dans le meilleur des deux simplex
Figure 4 – Évolution avec extension
(WBN ou RBN) lorsque le simplex est à deux variables. Cela est
illustré dans la figure 8 et le tableau 1 :

Copyright © – Techniques de l’Ingénieur – Tous droits réservés


P 229v2 – 4

SX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRY

_________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

1.2 Exemples d’application

1.2.1 Chromatographie en phase gazeuse CPG

Reprenons l’exemple décrit dans le paragraphe 4.2 du premier


article [P228] (Méthodes directes d’optimisation – Méthodes à une


variable et Simplex) de l’étude chromatographique du CRF (Chro-
matographic Response Function) d’un mélange d’alcools [5]. Le
simplex initial est identique à celui de la figure 24 de l’article
[P228]. On constate que le symétrique du point A a la meilleure
réponse, on effectue alors une extension. Dans le nouveau simplex
constitué des points B, C et E, le symétrique de B donne le meilleur
résultat, on effectue à nouveau une extension et ainsi de suite
jusqu’au point K où l’on obtient une bonne séparation. La progres-
sion du simplex est donnée figure 9, le détail des calculs est donné
tableau 2.
Arrivé au point K, il est possible, pour mieux cerner l’optimum
soit :
– de faire des contractions successives ;
– de construire un nouveau simplex à partir du point K et de
tourner autour de l’optimum.

1.2.2 Chromatographie liquide sous haute


pression HPLC
Dans cet exemple, les auteurs ont pris pour simplex initial une
figure quasi régulière qui couvre pratiquement la totalité du
domaine expérimental [6]. La figure va se réduire progressive-
ment grâce à des contractions successives.
On désire optimiser le CRF de la séparation de phénols substi-
tués. La phase mobile, ternaire, est constituée d’eau, de méthanol
et d’acétonitrile. Les variables retenues sont :
– le pourcentage volumique d’eau,  ;
– le pourcentage volumique de méthanol,
Les contraintes sont :

Figure 6 – Méthode de Nelder et Mead. Courbes d’isoréponses illus-


trant le cas où la réponse en R est inférieure à la réponse en N : Les zones correspondant aux contraintes sont représentées
contraction hachurées sur la figure 10. La fonction objectif est la fonction de
réponse chromatographique suivante :

– dans le premier simplex constitué des essais 1, 2 et 3, le


symétrique de l’essai 1, le plus mauvais, a une réponse meil-
leure mais elle reste la plus mauvaise, comparée aux réponses avec (mm2) surface de tous les pics,
des essais 2 et 3. On réalise une contraction externe, du côté de N nombre de pics,
R, mais la réponse n’est pas améliorée ;
tN (mm) durée d’apparition du dernier pic,
– dans le deuxième simplex, constitué des essais 4 (W), 2 (N)
et 3 (B), on prend le symétrique du second plus mauvais essai t1 (mm) durée d’apparition du premier pic.
et on réalise le symétrique de l’essai 2 par rapport au centre de Les termes et vont permettre de qualifier l’étale-
gravité des essais 3 et 4. Le troisième simplex sera constitué ment du chromatogramme. Les constantes 6 et 1 sont les valeurs
des essais 4 (W), 6 (N) et 3 (B) souhaitées pour les durées d’apparition du dernier et du premier
Toutes les règles de la méthode initiale s’appliquent de la pic.
même manière. Notons toutefois que, dans cette dernière tech- Le premier simplex est constitué des points 1, 2 et 3 ; l’évolution
nique, la figure géométrique change au cours de l’évolution. On de ce simplex initial est donnée dans la figure 10 ; le détail des
comprend donc qu’il n’est pas fondamentalement nécessaire de calculs est rassemblé dans le tableau 3. Les essais 4, 6, 8, 10 et 12
respecter la forme régulière d’un simplex, même dans le cas de la ne sont pas réalisables, les contraintes étant dépassées, une
méthode de base. réponse arbitraire de − 100 leur est affectée. Dans chaque cas, une
Nous allons expliciter cette méthode sur trois exemples. contraction interne est effectuée.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés.


P 229v2 – 5

SY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRY

MÉTHODES DIRECTES D’OPTIMISATION ________________________________________________________________________________________________

Y
4 (R)

2 (B) 5 (W)
6

Q 5

4
6 (CW) 3 (N)
1

1 (W)

W CW G CR R Essai

4 (R) Y 6
5
5 (CR1 et W)
2 (B) 6 (C et N)
R2
4

3 (N)
1

1 (W)

W G CR2 CR1 R Essai

4 (R) Y

2 (B) 5 (CR et N)

5
4
3 (N)
1

1 (W)

W G CR R Essai

Figure 7 – Évolutions possibles quand le point contracté est encore le plus mauvais

Les essais 5 et 14 ont été vérifiés puisqu’ils restent les meilleurs


points dans trois simplex successifs.
2 (N) 4 (R)

5 (CR) 1.2.3 Optimisation de la production


de caroténoïdes dans la levure
Rhodotorula glutinis
Six variables sont étudiées [7] :
1 (W) 3 (B) – le milieu de culture liquide constitué de farine de soja vert
hydrolysé (0 à 100 g/L) et d’extrait de patate douce (0 à 100 g/L) ;
– les paramètres de fermentation : température (20 à 40 °C) ;
pH (3 à 8) ; vitesse d’agitation [100 à 280 rpm (rotation par
minute)] et temps (0 à 144 h).
Le premier simplex, constitué de 7 essais, correspond à un plan
Figure 8 – Échec de la contraction : évolution par rapport au second d’essais qui couvrent un large domaine pour tous les facteurs
plus mauvais point (tableau 4)

Copyright © – Techniques de l’Ingénieur – Tous droits réservés


P 229v2 – 6

TP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRY

_________________________________________________________________________________________________ MÉTHODES DIRECTES D’OPTIMISATION

Tableau 1 – Évolution du simplex dans le cas où la contraction est un échec


Simplex Essais

Simplex 1 1 (~22 %) W 2 (~35 %) N 3 (~52 %) B 4 (~32 %) R/W 5 (~30 %) CR

Simplex 2 4 (~32 %) W 2 (~35 %) N 3 (~52 %) B 6 (~38 %) R/N

Simplex 3 4 (~32 %) W 6 (~38 %) N 3 (~52 %) B



La réponse est la somme de deux critères : concentration en
matière sèche (CMS) et concentration en caroténoïde (CC). Un
maximum est donc recherché.
Le symétrique R du premier essai par rapport au centre de gra-
vité des 6 essais restants donne des conditions qui ne sont pas
réalisables (durée négative). Une contraction interne CW est alors
réalisée ; elle donne un résultat satisfaisant.
Le symétrique R du plus mauvais essai, l’essai 2, dans le deuxième
simplex, donne une réponse de loin la meilleure (tableau 5). Une
extension E peut être envisagée mais les conditions opératoires
sortent du domaine d’étude ; l’essai n’est pas réalisé
Dans le troisième simplex (tableau 6), la réponse du symétrique
R de l’essai 3 est ni la meilleure de toutes, ni la plus mauvaise ; le
symétrique est donc conservé.
Dans le quatrième simplex (tableau 7), la réponse du symé-
trique R de l’essai 4, est ni la meilleure de toutes ; ni la plus mau-
vaise ; le symétrique est donc conservé.

Dans le cinquième simplex (tableau 8), la réponse du symé-


trique R de l’essai 5 est ni la meilleure de toutes, ni la plus mau-
vaise ; le symétrique est donc conservé.

Dans le sixième simplex (tableau 9), la réponse du symétrique R


de l’essai 10 est ni la meilleure de toutes, ni la plus mauvaise ; le
symétrique est donc conservé.
Dans le septième simplex (tableau 10), la réponse du symé-
trique R de l’essai 8 est ni la meilleure de toutes, ni la plus mau-
vaise ; le symétrique est donc conservé.
Dans le huitième simplex (tableau 11), la vitesse d’agitation du
symétrique R de l’essai 6 est hors domaine ; les auteurs ont fait
une contraction interne CW.
Dans le neuvième simplex (tableau 12), la réponse du symé-
trique R de l’essai 7 est la plus mauvaise de toutes ; une
contraction interne CW est réalisée.
Dans le dixième simplex (tableau 13), le symétrique R de
l’essai 15 n’a pas été réalisé, l’agitation étant probablement trop
proche de la valeur extrême. Une contraction interne a été faite qui
donne une réponse 12,34 meilleure que l’essai éliminé (12,16).
L’essai est conservé.
Dans le onzième simplex (tableau 14), le plus mauvais essai
correspond à la contraction interne. Le symétrique R de cet essai a
été réalisé, ce qui correspond en fait à une contraction externe du
simplex dix. La réponse est la meilleure.
Dans le douzième simplex (tableau 15), la réponse 12,42 du
symétrique de l’essai 14 est la plus mauvaise de toutes ; une
contraction interne est donc réalisée.
Dans le treizième simplex (tableau 16), la réponse 12,11 du
symétrique R de l’essai 11 est la plus mauvaise de toutes ; une
contraction interne CW est donc réalisée.
Le quatorzième simplex (tableau 17) est constitué de sept essais
qui ont des réponses comprises entre 13,34 et 13,83. On peut consta-
ter que les valeurs des variables sont assez différentes d’un essai à
Figure 9 – Comparaison des méthodes Simplex et Modified Simplex l’autre, ce qui implique qu’il y a des interactions importantes.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés.


P 229v2 – 7

TQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRY

MÉTHODES DIRECTES D’OPTIMISATION ________________________________________________________________________________________________

Tableau 2 – Méthode de Nelder et Mead. Détails des calculs pour l’établissement des coordonnées des essais.
Cas de la séparation par CPG

Simplex 1

Point X1 X2 CRF Type

Q A

B
0

0,9659
0

0,2588
–9,68

–9,58
W

C 0,2588 0,9659 –7,32 B

D 1,2247 1,2247 –7,27 R/A

E 1,8370 1,8370 –5,88 Ext

Simplex 2

Point X1 X2 CRF Type

B 0,9659 0,2588 –9,58 W

C 0,2588 0,9659 –7,32 N

E 1,8370 1,8370 –7,08 B

F 1,1299 2,5441 –5,12 R/B

G 1,2119 3,6868 –4,97 Ext

Simplex 3

Point X1 X2 CRF Type

C 0,2588 0,9659 –7,32 W

E 1,8370 1,8370 –7,08 N

G 1,2119 3,6868 –4,97 B

H 2,7902 4,5579 –3,98 R/C

I 4,0559 6,3540 0,59 Ext

Simplex 4

Point X1 X2 CRF Type

E 1,8370 1,8370 –7,08 W

G 1,2119 3,6868 –4,97 W

I 4,0559 6,3540 0,59 B

J 3,4308 8,2038 4,55 R/E

K 4,2277 11,3871 13,02 Ext

Simplex 5

Point X1 X2 CRF Type

G 1,2119 3,6868 –4,97 W

I 4,0559 6,3540 0,59 N

K 4,2277 11,3871 13,02 B

Copyright © – Techniques de l’Ingénieur – Tous droits réservés


P 229v2 – 8

TR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRSP

Plans d’expériences

par Jacques GOUPY



Docteur ès sciences
Ingénieur-conseil
Recherche, conseil et formation

1. Principe de la méthode .......................................................................... PE 230 - 3


1.1 Terminologie ................................................................................................ — 3
1.2 Méthode ....................................................................................................... — 4
2. Plans factoriels complets à deux niveaux 2k ................................... — 5
2.1 Plans complets à deux facteurs.................................................................. — 6
2.2 Effet d’un facteur ......................................................................................... — 6
2.3 Interaction entre deux facteurs................................................................... — 7
2.4 Calcul de l’effet d’un facteur ....................................................................... — 8
2.5 Matrice de calcul des effets ........................................................................ — 8
2.6 Notation de Box ........................................................................................... — 8
2.7 Plans factoriels 2k ........................................................................................ — 10
2.8 Construction des plans factoriels complets .............................................. — 11
2.9 Notation des essais des plans factoriels complets ................................... — 12

3. Plans factoriels fractionnaires à deux niveaux 2k–p ....................... — 12


3.1 Contrastes et relation d’équivalence.......................................................... — 12
3.2 Construction pratique d’un plan fractionnaire .......................................... — 14
3.3 Notation des plans factoriels fractionnaires.............................................. — 16
3.4 Hypothèses d’interprétation ....................................................................... — 17
4. Erreurs expérimentales .......................................................................... — 17
4.1 Définition et estimation des erreurs expérimentales ............................... — 17
4.2 Lutte contre les erreurs systématiques...................................................... — 18
5. Autres plans à deux niveaux................................................................. — 21
5.1 Objectifs des autres plans à deux niveaux ................................................ — 21
5.2 Plans de Rechtschaffner.............................................................................. — 21
p。イオエゥッョ@Z@ウ・ーエ・ュ「イ・@QYYW@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ョッカ・ュ「イ・@RPQU

5.3 Plans de Plackett et Burman ....................................................................... — 21


5.4 Plans sursaturés........................................................................................... — 21
6. Plans du second degré ........................................................................... — 22
6.1 Validation du modèle du premier degré.................................................... — 22
6.2 Modèle du second degré ............................................................................ — 22
6.4 Critères d’optimalité .................................................................................... — 23
6.5 Plans de Doehlert......................................................................................... — 23
6.6 Plans de Box-Behnken................................................................................. — 24
6.7 Plans hybrides.............................................................................................. — 25
6.8 Plans quadratiques gigognes ..................................................................... — 25
6.9 Plans non conventionnels........................................................................... — 26
7. Analyse de la variance............................................................................ — 26
7.1 Définition de l’effet d’un facteur................................................................. — 26
7.2 Somme des carrés des réponses ............................................................... — 27
8. Plans de mélange ..................................................................................... — 28
8.1 Modèle mathématique ................................................................................ — 28
8.2 Emplacement des points expérimentaux .................................................. — 28
8.3 Difficultés soulevées par les mélanges...................................................... — 28
9. Logiciels...................................................................................................... 28
Pour en savoir plus........................................................................................... Doc. PE 230

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation PE 230 − 1

TS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRSP

PLANS D’EXPÉRIENCES _________________________________________________________________________________________________________________

’expérimentateur, quel que soit son domaine d’étude, est toujours confronté
L au problème difficile de l’organisation optimale de ses essais. Comment
obtenir les bonnes informations dans les meilleurs délais et pour le moindre
coût ? Telle est la question à laquelle nous allons nous efforcer d’apporter une
réponse dans cet article.
Les scientifiques n’ont abordé ce sujet que depuis peu d’années. Les premiers
qui se sont penchés sur ce problème sont des agronomes et des statisticiens.
Q Les techniques et les notions qu’ils ont développées sont si générales qu’elles
peuvent être utilisées dans tous les domaines. En particulier, la chimie analyti-
que leur offre un vaste champ d’applications.
Cette science de l’organisation des essais est relativement récente puisqu’on peut
la faire démarrer avec les travaux de R.A. Fisher (début du vingtième siècle). Aussi
bizarre que cela paraisse, elle ne porte pas encore de nom. Nous avons proposé
Expérimentique ou Expérimentologie, mais la communauté scientifique n’a pas
encore décidé.
Le but de cette nouvelle science est l’optimisation du choix des essais et de
celui de leur enchaînement au cours de l’expérimentation. Nous verrons que ce
but peut être atteint à condition que l’expérimentateur se conforme à une
méthode rigoureuse et qu’il accepte d’abandonner certaines habitudes. Lorsqu’il
aura apprécié la puissance et le bien-fondé de cette nouvelle technique, il en
deviendra un adepte fervent et un chaud défenseur.
Nous avons personnellement constaté que la méthode des plans d’expé-
riences est au moins trois à quatre fois plus efficace que les démarches habituel-
les de conduite des essais, c’est-à-dire qu’elle permet d’arriver aux mêmes
résultats avec trois à quatre fois moins d’essais. Ajoutons que cette méthode
apporte à l’expérimentateur un puissant outil de réflexion et d’analyse qui lui
permettra de conduire son expérimentation avec sûreté et précision.
Les plans d’expériences ont d’abord été utilisés en agronomie. Puis, peu à peu,
ils ont été utilisés dans d’autres domaines techniques. Les chimistes les ont
adaptés à leurs problèmes. Depuis la fin des années 1980, les responsables de
la qualité ont découvert ces techniques et ils en font maintenant grand usage.
L’universalité de ces méthodes devrait les faire employer dans de nombreux
domaines. Nous pouvons déjà signaler des réussites en recherche fondamentale,
en recherche appliquée, en développement industriel et même en fabrication.
Personnellement, nous avons préconisé leur emploi pour réduire le nombre
des passages informatiques lors de simulation sur ordinateur.
Le champ d’applications est extrêmement vaste et l’imagination de chacun est
libre de trouver de nouveaux domaines et de nouveaux usages. En chimie ana-
lytique, on peut les utiliser pour trouver le réglage optimal d’un appareil, pour
découvrir les facteurs influant sur le résultat d’une méthode d’analyse, pour
améliorer les essais circulaires, pour détecter des erreurs systématiques, etc.

Pour plus de détails sur les travaux de R.A. Fisher, le lecteur pourra consulter les références
[1] [2].
Les domaines d’application des plans d’expériences sont étudiés dans les références [6]
[11] [16].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
PE 230 − 2 © Techniques de l’Ingénieur, traité Analyse et Caractérisation

TT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRSP

_________________________________________________________________________________________________________________ PLANS D’EXPÉRIENCES

1. Principe de la méthode Le passage des variables d’origine A aux variables centrées rédui-
tes x, et inversement, est donné par la formule suivante (A0 étant la
valeur centrale en unités courantes) :
A–A
1.1 Terminologie x = ---------------0- (2)
pas
L’intérêt des v.c.r. est de pouvoir présenter les plans d’expériences


1.1.1 Réponses, facteurs, niveaux de la même manière quels que soient les domaines expérimentaux
retenus et quels que soient les facteurs, ce qui donne une grande
Avant d’aborder l’étude des plans d’expériences, il convient de généralité de présentation à la théorie des plans d’expériences.
préciser le vocabulaire que nous allons utiliser. Nous nous inspire-
rons pour cela de la norme AFNOR X 06-080 et des usages des diffé-
rentes disciplines auxquelles nous ferons appel. Les termes 1.1.3 Domaine expérimental et domaine d’étude
nouveaux que nous définirons seront en lettres grasses dans la
suite du texte. Nous allons donner une interprétation géométrique de la relation
Un phénomène peut toujours être mis sous la forme mathéma- (1). Cette interprétation nous permettra de mieux comprendre la
tique suivante : construction des plans d’expériences et de mieux interpréter les
résultats. Pour la simplicité de l’exposé, nous prendrons des exem-
y = f (x1 , x2 ,..., xn ) (1) ples à deux facteurs, ce qui conduit à des figures à deux ou trois
dimensions. Lorsqu’il y a plus de trois facteurs, ce qui est le cas
avec y grandeur à laquelle s’intéresse l’expérimenta-
général, il faut raisonner dans des espaces à plus de trois dimen-
teur : cette grandeur est appelée la réponse ou la
sions. Mais, ayant compris ce qui se passe dans un espace à deux
grandeur d’intérêt,
dimensions, le lecteur n’aura aucun mal à extrapoler les raisonne-
xi variables sur lesquelles l’expérimentateur peut ments à des espaces à n dimensions.
agir ; ces variables peuvent être continues ou
Pour fixer les idées, prenons l’exemple de l’étude d’une réaction
discontinues ; on les appelle les facteurs ; les
chimique pour laquelle l’expérimentateur cherche à connaître
plans d’expériences permettent d’étudier
l’influence de la température et de la pression sur le rendement.
l’influence d’un grand nombre de facteurs sans
Construisons d’abord une représentation géométrique. Le premier
multiplier exagérément le nombre des essais,
axe d’un système d’axes cartésiens est attribué à la température et
f fonction mathématique qui explique le mieux les le second à la pression (figure 1). Le domaine expérimental est le
variations de la réponse selon les différentes plan température x pression dans lequel toutes les pressions et tou-
valeurs données aux xi. Dans le cas des plans tes les températures sont possibles. Mais, en général, un expéri-
d’expériences, cette fonction mathématique est mentateur limite les variations des facteurs étudiés. Ici, par
souvent un polynôme dont nous préciserons la exemple, la température varie entre 60 oC et 80 oC, la pression entre
forme dans les paragraphes suivants. 1 et 2 bar. On appellera domaine d’étude tous les points de la sur-
Lorsque l’on étudie un facteur xi, par exemple une température, face délimitée par les niveaux bas et haut de chaque facteur (surface
on ne le fait pas varier dans de larges proportions. On définit tou- en tramé bleu de la figure 1).
jours, en fonction des besoins de l’étude, une valeur inférieure et
une valeur supérieure. Les variations du facteur sont donc limitées
par deux bornes. La borne inférieure retenue par l’expérimentateur
est appelée niveau bas et la borne supérieure, niveau haut. On a Pression
l’habitude de désigner par le signe moins (–) le niveau bas d’un fac-
teur et par le signe plus (+) son niveau haut.
+1 2 bar

1.1.2 Coordonnées centrées réduites Domaine


d'étude
Lorsque l’on attribue la valeur – 1 au niveau bas et la valeur + 1 au
niveau haut, on effectue deux modifications importantes.
--1 1 bar
■ On change l’unité de mesure
Par exemple, si le niveau bas d’un facteur est 60 oC et le niveau
haut 80 oC, il y a 20 oC entre ces deux valeurs, soit 20 fois l’unité
60°C 80°C Température
courante de température. Entre – 1 et + 1, il y a deux unités nouvel-
les. La nouvelle unité vaut donc 10 oC, on lui donne le nom de pas. --1 +1

■ On déplace l’origine des mesures


Dans l’exemple choisi, le milieu de l’intervalle [– 1, + 1] corres- Figure 1 – Définition du domaine d’étude
pond à la température de 70 oC. La nouvelle origine, notée zéro, dif-
fère donc de l’origine exprimée en unités courantes.
Ces deux modifications entraînent l’introduction de nouvelles 1.1.4 Facteurs continus, facteurs discrets
variables que l’on appelle variables centrées réduites (v.c.r.) (cen-
trées pour indiquer le changement d’origine et réduites pour signa- Les facteurs peuvent être des grandeurs continues : la tempéra-
ler la nouvelle unité). ture, la pression, les longueurs sont des grandeurs continues. Il est
donc possible de leur donner des valeurs comprises entre le niveau
bas et le niveau haut et d’en déduire, grâce à un modèle mathéma-
tique, toutes les valeurs de la réponse dans le domaine d’étude. Les
facteurs continus peuvent prendre plusieurs niveaux d’étude. En

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation PE 230 − 3

TU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRSP

PLANS D’EXPÉRIENCES _________________________________________________________________________________________________________________

v.c.r., les niveaux retenus peuvent être, par exemple, – 2, – 1, 0, + 1,


+ 2 ou des valeurs non entières comme – 2,6 ou 3,1. Processus d'acquisition
des connaissances
Mais tous les facteurs ne sont pas continus. Si l’on étudie
l’influence de différentes personnes sur une réponse, le facteur
« personne » n’est pas continu. Il en serait de même d’animaux,
d’objets, de couleurs, d’odeurs, etc. Il n’y a aucune valeur intermé- Système à étudier
diaire entre deux niveaux de ce type de facteur. S’il n’y a que deux


niveaux à étudier, on attribuera le signe – à l’un et le signe + à l’autre
et cela d’une manière tout à fait arbitraire. Certains facteurs discrets Questions Q1, Q2, ..., Q4
peuvent parfois être ordonnés, par exemple, les trois niveaux
« petit », « moyen » et « grand ». Mais ce n’est pas toujours le cas et
certains facteurs discrets ne peuvent pas être ordonnés comme, par Inventaire des informations
exemple, les trois personnes Jacques, Pierre et Louis.
Dans certains cas, le même facteur peut se présenter, dans une
étude, comme un facteur discret et, dans une autre étude, comme Choix d'une méthode d'expérimentation
un facteur continu. Par exemple, on peut étudier les ventes de voitu-
res en fonction de leur couleur : bleu, rouge ou vert. Le facteur est ici
discret. Mais, si l’on étudie la réfringence de la lumière, on peut clas- Acquisition
ser les couleurs selon leur longueur d’onde. Le facteur couleur est progressive Expérimentation
alors continu. des résultats

Lorsque l’on effectue une étude, ces différents types de facteur


peuvent être simultanément présents. L’espace expérimental est Analyse des résultats
donc constitué d’un mélange d’axes pour facteurs continus et
d’axes pour facteurs discrets. Le traitement de ces types de facteur
n’étant pas toujours le même, les plans d’expériences doivent être
adaptés en conséquence. Dans un premier temps (§ 2, 3, 4), nous Connaissance du système étudié
étudions les plans factoriels à deux niveaux qui sont applicables à
Figure 2 – Schéma d’acquisition des connaissances
tous les types de facteur sans distinction. Le paragraphe 5 est con-
sacré à certains plans particuliers dont les facteurs ne prennent que
deux niveaux. Le paragraphe 6 est consacré aux facteurs continus
prenant plus de deux niveaux et dont l’interprétation est basée sur 1.2.2 Préparation de l’expérimentation
des modèles du second degré. Le paragraphe 7 est consacré aux
facteurs discrets ayant plus de deux niveaux. Quant au paragraphe La préparation de l’expérimentation consiste en une réflexion
8 qui traite des mélanges, il ne s’applique qu’aux facteurs continus. préalable effectuée soit seul, soit en groupe, et permettant :
— de préciser avec soin les réponses qui seront enregistrées à
chaque essai ;
1.2 Méthode — de rechercher tous les facteurs pouvant influer sur le proces-
sus étudié ;
— de définir les domaines d’étude de chacun des facteurs ;
1.2.1 Généralités — d’envisager les erreurs systématiques possibles pour éven-
tuellement s’en affranchir ;
— de prévoir les contraintes expérimentales possibles ;
Le bon usage des plans d’expériences doit s’inscrire dans une — d’organiser des essais supplémentaires pour évaluer l’erreur
méthode logique et rigoureuse dont la mise en œuvre est de la res- expérimentale.
ponsabilité de l’expérimentateur. Si l’on considère le schéma
d’acquisition des connaissances (figure 2), on constate que la pre- Cette réflexion préalable peut durer plusieurs heures au cours
mière étape consiste à définir le système que l’on se propose d’étu- desquelles se dégagent avec précision les principaux éléments à
dier, puis de poser les questions pour lesquelles on désire des prendre en compte pour organiser au mieux les essais. Il est ensuite
réponses. facile de choisir les plans qui conviennent le mieux au problème
posé : nombre de facteurs, ordre des essais (§ 4.2.5), blocking
(§ 4.2.2), confusion à éviter, etc.
Avant de lancer la moindre expérimentation, il est indispensa-
ble de vérifier si les solutions que l’on recherche n’existent pas
déjà ! Pour cela, il est prudent de faire appel à la théorie, de réa- 1.2.3 Analyse des résultats
liser une bibliographie, et d’interroger les experts, etc.
Lorsque l’on possède les résultats des essais, il faut s’assurer,
Cette première phase étant terminée, l’expérimentateur doit orga- avant d’entreprendre les calculs :
niser les essais qui lui permettront de répondre aux questions qui — qu’il n’y a pas de résultats aberrants ou faux ;
restent pendantes. Nous étudierons particulièrement cette étape de — que les niveaux ont bien été respectés au cours de l’expéri-
la préparation de l’expérimentation, en gardant à l’esprit qu’elle doit mentation ;
faciliter l’interprétation des résultats et permettre une acquisition — que le modèle mathématique retenu a priori représente bien
progressive des connaissances. La méthode des plans d’expérien- les résultats d’expériences ;
ces [6] s’intéresse donc aux trois étapes de réflexion qui sont enca- — que l’on a bien évalué les risques d’ambiguïté.
drées dans la figure 2. Étant sûr de la qualité de ses résultats, l’expérimentateur va pou-
voir procéder aux calculs et à l’interprétation. En fonction des
conclusions, il saura s’il a atteint pleinement son but ou s’il doit
envisager une nouvelle série d’essais pour compléter son informa-
tion.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
PE 230 − 4 © Techniques de l’Ingénieur, traité Analyse et Caractérisation

TV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRSP

_________________________________________________________________________________________________________________ PLANS D’EXPÉRIENCES

1.2.4 Acquisition progressive des connaissances de facteurs est supérieur à trois. Pour les espaces multidimension-
nels, nous adopterons une représentation matricielle. Pour montrer
Si l’expérimentateur n’a pas toutes les réponses aux questions la correspondance entre les deux représentations, géométrique et
posées ou si les premiers résultats soulèvent de nouvelles ques- matricielle, nous allons expliquer la construction de la matrice
tions, il va entreprendre des essais supplémentaires. Les conclu- d’expériences du plan 22 associée à la figure 3.
sions du premier plan lui permettront d’orienter les nouvelles
investigations. En particulier, il saura :


— si le domaine d’étude retenu contient les réponses qui
l’intéressent ; si oui, il le conservera ; sinon, il saura dans quelle x2
direction il faut aller pour trouver ce qu’il cherche ; Facteur 2 C D
— s’il doit envisager un modèle mathématique différent pour +1
y3 y4
expliquer les résultats des essais ; le modèle du premier degré est
parfois insuffisant et des expériences complémentaires devront être y-- y+
entreprises pour établir un modèle du second degré ; 0 y0
— s’il faut prévoir des essais ou des plans complémentaires pour
lever les éventuelles ambiguïtés.
y1 y2
L’organisation des expériences au départ de l’étude est telle que --1
A B
les nouveaux essais viendront s’intégrer harmonieusement aux pre-
miers, évitant ainsi toute perte de temps ou d’argent. Les premiers
résultats, s’ils ne répondent pas entièrement aux questions posées,
serviront à orienter le choix des nouvelles expériences. --1 0 +1 x1
Facteur 1

2. Plans factoriels complets Figure 3 – Meilleur emplacement des points expérimentaux

à deux niveaux 2k
Les plans factoriels complets à deux niveaux sont les plus sim-
ples, ils sont aussi les plus utiles car ils forment la base de tous les Tableau 1 – Matrice d’expériences
débuts d’étude. Les premiers résultats obtenus grâce à ces plans
peuvent toujours être complétés par de nouvelles expériences per- Essais à réaliser
mettant d’atteindre le degré de précision et d’information recher-
N° essai Facteur 1 Facteur 2
ché. Dans le présent paragraphe, nous présentons les plans
complets et nous n’abordons les plans fractionnaires que dans le 1 (A) –1 –1
paragraphe 3.
2 (B) +1 –1
3 (C) –1 +1
2.1 Plans complets à deux facteurs 4 (D) +1 +1
Domaine d’étude
Nous allons d’abord décrire le cas simple du plan 22. Commen- Niveau – 60 °C 1 bar
çons par expliquer cette notation : Niveau + 80 °C 2 bar
— le 2 en exposant signifie qu’il y a deux facteurs étudiés ;
— l’autre 2 signifie que chaque facteur prend deux niveaux.
Cette notation se généralise immédiatement : pour un plan
comportant l’étude de k facteurs prenant chacun deux niveaux, on La matrice d’expériences est constituée de deux sous-tableaux : le
écrira qu’il s’agit d’un plan 2k. premier définit les essais à réaliser et le second le domaine d’étude
(tableau 1). Le premier sous-tableau comprend trois colonnes ; la
Nous avons vu que l’on pouvait donner une représentation géo- première identifie les essais : ici, 1, 2, 3 et 4 ; la seconde et la troi-
métrique du domaine d’étude. Chaque point de ce domaine repré- sième indiquent les coordonnées (en v.c.r.) des points représentatifs
sente des conditions opératoires possibles donc une expérience que des expériences prévues.
l’opérateur pourrait réaliser. Le choix des meilleures expériences est
le problème fondamental de l’expérimentique. En l’absence de Exemple : l’essai no 1 est celui pour lequel les deux facteurs étu-
toute information sur la fonction f, on se donne, a priori, une loi diés sont aux niveaux bas : – 1 et – 1. Cet essai no 1 correspond au
d’évolution de la réponse en fonction des variables. Comme on ne point A de la figure 3.
désire effectuer, dans un premier temps, que deux essais par fac- L’essai no 2 est celui pour lequel le premier facteur est fixé au niveau
teur, soit deux niveaux par facteur, on adopte une loi du premier haut : + 1 et le second facteur est fixé au niveau bas : –1. Cet essai
degré par rapport à chaque variable. Cette loi est la suivante pour no 2 correspond au point B.
les plans factoriels complets comportant deux facteurs :
Le deuxième sous-tableau indique, en unités courantes, les
y = a0 + a1 x1 + a2 x2 + a12 x1 x2 (3) valeurs des niveaux haut et bas de chacun des facteurs. À titre
Avec ces hypothèses, on démontre que le meilleur emplacement d’exemple, nous avons indiqué des températures et des pressions.
des points expérimentaux se situe aux sommets du carré représen- Les deux représentations, géométrique et matricielle, sont équi-
tant le domaine d’étude : points A, B, C et D. La figure 3 illustre les valentes. Il faut savoir passer de l’une à l’autre pour bien interpréter
expériences à réaliser et le domaine d’étude. Mais cette représenta- les résultats des plans d’expériences.
tion géométrique, commode pour comprendre le mécanisme des
plans d’expériences, ne peut plus être employée dès que le nombre

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Analyse et Caractérisation PE 230 − 5

TW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRSP

PLANS D’EXPÉRIENCES _________________________________________________________________________________________________________________

2.2 Effet d’un facteur On montrerait de même que y+ est la moyenne des réponses au
niveau haut du facteur 1 :
1
L’expérimentateur ayant réalisé les essais est en possession de y + = --- ( + y 2 + y 4 ) (9)
quatre valeurs de la réponse : y1, y2, y3 et y4. Il a donc un système de 2
quatre équations à quatre inconnues. Les inconnues étant les coeffi- a1 est donc la demi-différence entre ces deux moyennes. On peut
cients du modèle : a0, a1, a2 et a12. En remplaçant dans la relation (3) dire aussi que a1 représente la moitié de la variation de la réponse
les xi par leur valeur, on obtient :


quand on passe du niveau bas au niveau haut du facteur 1 (figure 4).
y1 = a0 – a1 – a2 + a12 Ce résultat est important car il donne la signification de ce coeffi-
cient. C’est la variation de la réponse, variation due au facteur 1 seul,
y2 = a0 + a1 – a2 – a12 quand on passe du centre du domaine d’étude au niveau haut de ce
facteur. a1 s’appelle l’effet du facteur 1.
y3 = a0 – a1 + a2 – a12
y4 = a0 + a1 + a2 + a12
La résolution de ce système donne : y y4
1
a0 = --- (+ y1 + y2 + y3 + y4) (4) y3 y+
4 y0
y-- y2
1
a1 = --- (– y1 + y2 – y3 + y4) (5) y1
4
x2
1
a2 = --- (– y1 – y2 + y3 + y4) (6) C D
4 +1
0
1
a12 = --- (+ y1 – y2 – y3 + y4) (7) -1
4 A B

■ Signification de a0 --1 0 +1 x1

Si nous donnons à x1 et à x2 la valeur zéro, nous définissons le


centre du domaine d’étude. La relation (3) devient alors : Figure 4 – Représentation géométrique tridimensionnelle d’un plan
22 et de la surface de réponse correspondante
y 0 = a0
Le coefficient a0 est la valeur de la réponse au centre du domaine
d’étude. La formule (4) montre également que a0 peut être consi- On démontrerait de même que a2 est l’effet du facteur 2
déré comme la moyenne des quatre réponses. Nous utiliserons
Il est commode de représenter l’effet d’un facteur comme l’indi-
indifféremment ces deux acceptions.
que la figure 5 où l’on fait appel au plan de coupe y Ox1 passant par
■ Signification de a1 x2 = 0 pour le facteur 1.
Donnons la valeur zéro à x2, la relation (3) devient :
y = a0 + a1 x1
Puis, donnons maintenant successivement à x1 les valeurs – 1 et y
+ 1, on obtient les deux réponses y– et y+ :
y+
y– = + a 0 – a1 Effet du facteur 1
y0
y + = + a0 + a 1
y--
d’où :
1
a 1 = --- ( + y + – y– )
2 --1 0 +1 x1
y– est la valeur de la réponse pour le point de coordonnées
x1 = – 1 et x2 = 0, c’est-à-dire celle qui correspond au point milieu Figure 5 – Représentation de l’effet d’un facteur dans le plan vertical
du segment AC. Aucune expérience n’a été réalisée en ce point (figure 4) passant par x2 = 0
mais, si l’on utilise les relations (4) et (5), on vérifie que y– est la
moyenne des réponses au niveau bas du facteur 1, en effet :
y– = + a 0 – a1 2.3 Interaction entre deux facteurs
1 1
y – = --- ( + y 1 + y 2 + y 3 + y 4 ) – --- ( – y 1 + y 2 – y 3 + y 4 )
4 4 L’effet d’un facteur a été défini au niveau zéro de l’autre facteur.
Mais on peut aussi définir l’effet d’un facteur pour un autre niveau
1
y – = --- ( + y 1 + y 3 ) (8) de l’autre facteur. En particulier, on peut introduire l’effet d’un fac-
2 teur soit au niveau – 1, soit au niveau + 1 de l’autre facteur. L’effet du
facteur 1 au niveau – 1 du facteur 2 est la demi-différence entre y2 et
y1. Et l’effet du facteur 1 au niveau + 1 du facteur 2 est la demi-diffé-
rence entre y4 et y3. Si ces deux effets sont égaux, on dit qu’il n’y a

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
PE 230 − 6 © Techniques de l’Ingénieur, traité Analyse et Caractérisation

TX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVT

Étalonnage multidimensionnel :
application aux données spectrales

par Dominique BERTRAND
Docteur en biochimie
Directeur de recherche à l’Institut national de la recherche agronomique

1. Méthodes de régression......................................................................... P 264 - 3


1.1 Démarche générale de développement d’une application analytique.... — 3
1.2 Structure des données d’étalonnage ......................................................... — 4
1.3 Régression linéaire simple.......................................................................... — 4
1.3.1 Équation fondamentale...................................................................... — 4
1.3.2 Analyse de variance de la régression linéaire simple ..................... — 5
1.3.3 Intervalle de confiance des coefficients de régression.................... — 7
1.3.4 Intervalle de confiance des valeurs prédites .................................... — 7
1.4 Régression linéaire multiple ....................................................................... — 8
1.4.1 Principe général .................................................................................. — 8
1.4.2 Analyse de variance de la régression linéaire multiple................... — 8
1.4.3 Signification statistique des coefficients de la régression .............. — 9
1.5 Régression linéaire multiple pas à pas ...................................................... — 10
1.6 Principe des régressions RCP et PLS ......................................................... — 11
1.7 Régression sur composantes principales (RCP) ....................................... — 11
1.8 Régression PLS (Partial Least-Squares ) .................................................... — 12
1.8.1 Établissement du modèle PLS simple .............................................. — 12
1.8.2 PLS et complexité des modèles de régression ................................ — 13
1.8.3 La régression PLS2 ............................................................................. — 14
2. Étapes du développement d’une application analytique.............. — 15
2.1 Choix de la mesure de référence................................................................ — 15
2.2 Choix des échantillons de référence .......................................................... — 15
2.3 Étalonnage et validation ............................................................................. — 15
2.4 Détection des observations atypiques....................................................... — 17
2.5 Contrôle régulier du bon fonctionnement de la chaîne analytique......... — 17
2.6 Réajustement d’un modèle prédictif
p。イオエゥッョ@Z@ュ。イウ@RPPU@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQX

et transfert d’équation d’étalonnage.......................................................... — 18


2.6.1 Réajustement simple.......................................................................... — 18
2.6.2 Réajustement direct de la réponse instrumentale ........................... — 18
2.7 Prétraitements des spectres ....................................................................... — 19
2.7.1 Réduction des variations d’intensité des spectres........................... — 19
2.7.2 Dérivation ............................................................................................ — 20
2.8 Conclusion.................................................................................................... — 20
3. Annexes ...................................................................................................... — 21
3.1 Annexe 1. Équation de la régression linéaire multiple ............................. — 21
3.2 Annexe 2. Algorithme de la régression PLS1............................................ — 21
Pour en savoir plus ........................................................................................... Doc. P 264

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 264 − 1

TY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVT

ÉTALONNAGE MULTIDIMENSIONNEL : APPLICATION AUX DONNÉES SPECTRALES __________________________________________________________________

e nombreux dosages appliqués dans les laboratoires et dans l’industrie


D mettent en œuvre des méthodes spectrométriques. Ces méthodes sont en
effet souvent bien adaptées aux analyses de routine : elles peuvent être
spécifiques, précises et faciles à appliquer dans des conditions industrielles.
Certaines d’entre elles, telles que celles qui reposent sur la spectroscopie vibra-
tionnelle (dans les plages spectrales du visible ou de l’infrarouge proche ou
moyen) se prêtent bien à l’automatisation et à la mesure sur la ligne de pro-

Q duction. Elles sont rapides et peuvent souvent s’appliquer sur des produits
complexes, sans préparation fastidieuse des échantillons. Ces méthodes sont à
l’origine de très nombreux appareils d’analyse, souvent dévolus à une gamme
très spécifique de produits, utilisés dans pratiquement toutes les branches
industrielles.
Malgré leur intérêt, les méthodes d’analyse spectrométrique peuvent pré-
senter certaines difficultés, notamment en ce qui concerne leur étalonnage. En
effet, ces méthodes sont presque toujours utilisées de manière indirecte, en
remplacement de méthodes analytiques plus ou moins normalisées et dites
« de référence ». Au cours de la mise au point d’une analyse par spectrométrie,
on fait implicitement l’hypothèse que les données provenant de l’instrument de
mesure physique (le spectromètre) contiennent des informations qui peuvent
servir à estimer la valeur analytique qui aurait été obtenue si l’on avait utilisé
la méthode de référence. Une première étape de la mise au point consiste à
établir un modèle prédictif qui a pour but de fournir une estimation de la valeur
de référence à partir des données mesurées (spectre) sur l’échantillon à
analyser. Après avoir été validé, le modèle est ultérieurement appliqué, dans
les analyses de routine, pour doser des échantillons pour lesquels la valeur
analytique de référence est inconnue.
À partir des seules connaissances spectroscopiques, il est en général impos-
sible de modéliser très précisément la réponse d’un spectromètre. On ne
dispose généralement pas d’une information suffisante sur la composition de
l’échantillon analysé, ni sur ses caractéristiques physiques qui jouent un rôle
important dans la mesure spectrale. Pour cette raison, les modèles prédictifs
sont généralement établis en appliquant une approche expérimentale, reposant
sur l’étude de produits représentatifs de la population et analysés par la
méthode de référence. De nombreuses méthodes mathématiques et statistiques
sont, en principe, applicables pour effectuer cet étalonnage. Le développement
de ces méthodes est un des thèmes de la chimiométrie (« chemometrics » en
langue anglaise) dont le but est d’utiliser les sciences mathématiques, informa-
tiques et statistiques pour extraire des informations pertinentes à partir de
mesures provenant de capteurs, dans le domaine de la chimie.
L’étalonnage des méthodes spectrométriques peut reposer sur deux grandes
catégories de méthodes : les méthodes multidimensionnelles (linéaires) et les
méthodes connexionnistes, reposant sur le concept de réseaux de neurones.
Dans les méthodes connexionnistes, le modèle prédictif se présente sous la
forme d’un ensemble de petites unités interconnectées, appelées « neurones »,
qui effectuent chacune une transformation mathématique très simple et trans-
mettent le résultat à un ou plusieurs neurones [1]. Ces méthodes sont encore
en développement et restent d’un emploi marginal dans le domaine de la spec-
trométrie. Elles ont souvent le défaut de conduire à des modèles très complexes,
difficiles à interpréter sur le plan spectroscopique. Au contraire, les méthodes
multidimensionnelles sont d’un usage très courant et sont efficaces. La
régression PLS (« Partial Least-Squares », moindres carrés partiels), qui est
probablement la plus employée actuellement, a été à l’origine d’une véritable
révolution conceptuelle dans le domaine de l’étalonnage des méthodes spec-
trométriques.
Nous présentons ici les différentes étapes d’étude d’une méthode spectro-
métrique, qui comprennent non seulement l’étalonnage proprement dit, mais
également sa validation et son suivi au cours des analyses de série.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 264 − 2 © Techniques de l’Ingénieur

UP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVT

_________________________________________________________________ ÉTALONNAGE MULTIDIMENSIONNEL : APPLICATION AUX DONNÉES SPECTRALES

1. Méthodes de régression La première étape consiste à sélectionner un ensemble de


produits représentatifs de ceux qui seront analysés par la suite.
Sur l’ensemble de ces produits, on effectue, d’une part, les mesu-
res spectrométriques (ou spectre ) et, d’autre part, l’analyse par la
1.1 Démarche générale de développement méthode de référence. Nous désignerons dans la suite cet ensem-
d’une application analytique ble de spectres et les analyses correspondantes par l’expression
collection de référence. Dans une seconde étape, et selon des
Une étape du développement d’une analyse mettant en jeu une modalités qui seront précisées dans le paragraphe 2.3, la collection
méthode spectrométrique consiste à effectuer un étalonnage (ou cali-
bration, néologisme d’origine anglaise) qui permet de mettre en rela-
tion une valeur y de référence avec des mesures spectrométriques x.
de référence est divisée en deux groupes formant la collection
d’étalonnage proprement dite (ou collection de calibration), et la
collection de validation. Les paramètres du modèle prédictif, tels

Le modèle statistique associé à la régression linéaire est donné que les coefficients de régression, sont estimés sur la collection
par : d’étalonnage. Le modèle ainsi établi est ensuite testé sur la collec-
tion de validation. Après que l’on se soit assuré que le modèle de
yi = β 0 + β 1 xi 1 + β 2 xi 2 + ... + βm xi m + εi (1)
régression était satisfaisant, on peut l’appliquer en analyse de
avec yi valeur observée d’indice i, routine pour doser des produits dont la valeur de référence est
réellement inconnue. Il est cependant indispensable de contrôler
xi 1 , xi 2 , .... , xi m variables dites explicatives, prédictives ou régulièrement la qualité de l’analyse spectrométrique. Une bonne
indépendantes, manière d’effectuer ce contrôle est d’introduire régulièrement,
β 0, β 1 , .... , βp coefficients de régression, dans le circuit des analyses spectrométrique de série, des produits
εi terme d’erreur ou résidu. analysés également par la méthode de référence. L’analyse des
erreurs résiduelles obtenues avec ces produits de contrôle et de
La variance des résidus, ou variance résiduelle, est notée σ 2. leur évolution au cours du temps offre un moyen de s’assurer que
Faute d’informations suffisantes sur le plan de la spectroscopie la chaîne analytique est satisfaisante. Si ce contrôle met en évi-
théorique, les paramètres du modèle de la régression et sa qualité dence une évolution trop importante de la chaîne analytique, il
sont presque toujours estimés en appliquant une approche expéri- n’est pas toujours nécessaire de recommencer complètement la
mentale. Les grandes étapes de la mise au point d’une application procédure d’étalonnage. Un simple réajustement du modèle de
analytique sont résumées dans la figure 1. Nous insisterons, dans régression, moins lourd à mettre en œuvre qu’un réétalonnage
la suite, sur les points qui demandent une attention particulière. complet, peut être appliqué.

Collecte d’un ensemble


de produits représentatifs

Enregistrement des spectres


de la collection complète

Création d’une collection Création d’une collection


d’étalonnage de validation

Analyse de tous les produits


par la méthode de référence

Établissement d’un modèle prédictif


par l’application de méthodes statistiques
multidimensionnelles

Validation du modèle sur


la collection de validation

Analyses en série
de produits inconnus

Ajouter de nouveaux Les produits de contrôle Non Non


L’appareil fonctionne-t-il Entretien ou réparation
produits dans sont-ils analysés
Oui normalement ? de l’instrument
la collection avec précision ?
Oui
Oui Les produits de contrôle Non Vérifier le dosage
sont-ils représentatifs ? de référence

Figure 1 – Étapes du développement d’une application analytique (adapté de [2])

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 264 − 3

UQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVT

ÉTALONNAGE MULTIDIMENSIONNEL : APPLICATION AUX DONNÉES SPECTRALES __________________________________________________________________

Dans le paragraphe 1, nous présentons les différentes méthodes La structure des données spectrométriques est en général assez
de régression qui sont couramment appliquées pour l’étalonnage particulière. Le nombre d’observations n est souvent inférieur au
des spectromètres. nombre de variables (c’est-à-dire au nombre de mesures spectro-
métriques m). De plus, certaines mesures spectrométriques
contiguës dans le spectre peuvent être presque exactement pro-
portionnelles entre elles. Dans ces conditions, pour des raisons
1.2 Structure des données d’étalonnage purement numériques, la méthode de régression la plus connue, la
régression linéaire multiple, ne peut pas s’appliquer directement. Il


De nombreuses méthodes spectrométriques donnent des est nécessaire de mettre en œuvre des méthodes alternatives telles
signaux, les spectres, qui sont par nature continus. Par exemple les que la régression sur composantes principales ou la régression
spectres obtenus en spectroscopie vibrationnelle peuvent être vus PLS. Cependant, les régressions linéaires simples ou multiples
comme des fonctions empiriques f de la forme : donnent les bases statistiques des méthodes alternatives ou déri-
vées. Pour cette raison, ces méthodes sont tout d’abord présentées
x (λ) = f (λ)
dans les paragraphes suivants. Nous nous attacherons particulière-
avec λ longueur ou nombre d’onde du rayon lumineux ment à donner la signification des paramètres statistiques qui sont
envoyé sur l’échantillon étudié, calculés par la majorité des logiciels de statistiques dévolus à
l’analyse par spectrométrie.
x ( λ ) une mesure de la lumière absorbée par cet échantillon,
telle que la densité optique.
En principe, λ est continu et peut prendre une infinité de valeurs 1.3 Régression linéaire simple
entre deux bornes λ inf et λ sup qui forment la plage spectrale du
spectromètre mis en œuvre. En réalité, les mesures spectrales ne
sont enregistrées que de manière discontinue, à des valeurs λ1, 1.3.1 Équation fondamentale
λ2 , ..., λm où m désigne le nombre de points de mesure. Dans la plu-
Nous considérons ici le modèle de régression, de la forme donnée
part des cas, l’intervalle de mesure ∆ λ est maintenu constant sur
par l’équation (1), dans lequel le nombre de variables prédictives est
toute la plage spectrale.
égal à 1 (soit m = 1). Cette situation peut se rencontrer, par exemple,
Afin d’avoir la quasi-certitude de ne pas perdre d’informations dans certaines analyses reposant sur la colorimétrie, dans les-
spectrales pertinentes, on choisit généralement un intervalle de quelles on n’effectue qu’une mesure absorptiométrique par obser-
mesure très petit par rapport à la plage spectrale. Un spectre numé- vation de la collection d’étalonnage. Nous développons ici la
risé inclut souvent plusieurs milliers de mesures. Le spectre d’un méthode de régression linéaire simple car elle nous permet d’intro-
produit donné peut ainsi être mis sous la forme d’un vecteur-ligne duire différents concepts qui nous serviront pour expliquer des tech-
x , comprenant m éléments. niques plus complexes mais il faut bien noter qu’elle se révèle mal
adaptée au traitement des spectres complets. Le modèle de régres-
Les données spectrométriques de la collection d’étalonnage sion simple est donné par :
peuvent être elles-mêmes regroupées dans un tableau (ou matrice )
X , comprenant n lignes et m colonnes, avec n le nombre de spectres yi = β 0 + β 1 xi + εi (2)
formant la collection d’étalonnage, et m le nombre de points de
mesure (figure 2). avec i = 1, 2, ..., n.
Ayant à notre disposition le vecteur y des valeurs de référence
Une ligne d’indice k ( 1 ⭐ k ⭐ n ) de X , notée ici xk, représente le
et le vecteur x des mesures spectrométriques, nous cherchons à
spectre numérisé du produit k correspondant. Un élément xij de X
estimer les coefficients de régression β 0 et β 1 (figure 3).
donne la valeur de la mesure spectrométrique d’indice j pour le
produit i . De la même manière, les résultats des analyses de réfé- La méthode des moindres carrés, qui est presque toujours appli-
rence peuvent être regroupés dans un vecteur colonne y quée en absorptiométrie, consiste à estimer β 0 et β 1 par des
comprenant n éléments (n représente le nombre d’échantillons de valeurs b 0 et b 1 qui réalisent le minimum de la somme des carrés
la collection de référence). Un élément de yi de y donne la valeur des résidus SCR :
de référence associée au produit (ou observation ) i . En définitive,
n n
un produit d’indice k est donc caractérisé conjointement par son 2 2
spectre (numérisé) formant le vecteur-ligne x k et la valeur de réfé-
SCR = ∑ ei = ∑ ( yi – b0 – b1 xi ) (3)
rence yk . i=1 i=1

À partir de la collection d’étalonnage représentée par la matrice


X et le vecteur y , nous cherchons à estimer les paramètres du
modèle de régression défini par l’équation (1).
y

Mesure 1 Mesure 2 Mesure m Variable


dépendante
Spectre 1 x11 x12 x1m y1 yi
Spectre 2 x21 x22 x2m y2 εi
β0 + β1xi
Spectre 3 x31 x32 x3m y3
… … … … …
… … … … …
… … … … …
Spectre n xn1 xn2 xnm yn x

Figure 2 – Structure des données d’étalonnage Figure 3 – Droite de régression

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 264 − 4 © Techniques de l’Ingénieur

UR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVT

_________________________________________________________________ ÉTALONNAGE MULTIDIMENSIONNEL : APPLICATION AUX DONNÉES SPECTRALES

On voit que cette somme donne effectivement un critère de


qualité : une valeur nulle de SCR indiquerait que y est estimée sans

Teneur en protéines prédite


aucune erreur ; une grande valeur de SCR est au contraire le signe
que l’erreur d’estimation est forte, et que la régression linéaire 16
n’est pas appropriée. Ces indications seront précisées dans la
suite. 15

Pour déterminer b 0 et b 1 , on considère que SCR est une fonc- 14


tion à minimiser dépendant de ces deux paramètres. Le minimum
de la fonction SCR(b 0 , b 1 ) est réalisé lorsque ces dérivées partiel- 13
les par rapport à b 0 et b 1 sont nulles, soit : 12
∂ SCR ∂ SCR 11
------------------- = 0 et ------------------ = 0
∂ b0 ∂ b1
10
La résolution du système d’équations résultant de ces deux éga-
9
lités donne :
8
n
8 9 10 11 12 13 14 15 16
∑ ( yi – y ) ( xi – x )
Teneur en protéines observée
b1 = i=1
--------------------------------------------------------
- et b0 = y – b1 x (4)
n

∑ ( xi – x ) 2 Figure 4 – Estimation de la teneur en protéines


i=1 par spectrométrie proche infrarouge
n n

∑ yi ∑ xi
i=1 -
avec : y = ---------------- et i=1 -.
x = ---------------- La valeur du coefficient b 1 est alors donnée par le rapport de ces
n n deux valeurs, soit :
y et x sont les moyennes respectives de y et de x . –2
4,7348 × 10
b 1 = ----------------------------------------------
- = 82,5185
Pour un individu quelconque caractérisé par la valeur x (scalaire), –3
5,7378 × 10
y peut être estimé (ou « prédit ») en appliquant le modèle de
régression : Le coefficient b 0 s’obtient en appliquant la formule b 0 = y – b 1 x
^
y = b0 + b1 x soit :
b 0 = 12,23 – 82,5185 × 0,9391 = – 65,2655
où ^
y désigne la valeur prédite de y .
L’équation de régression s’écrit finalement :
C’est l’équation d’une droite qui passe par le point moyen de
^
coordonnées ( x , y ) . y = 82,5185 x – 65,2655
Les résultats peuvent être présentés graphiquement (figure 4).
Note au lecteur En appliquant cette équation d’étalonnage, il est maintenant possible
d’estimer la valeur de y (teneur en protéines brutes de la farine ana-
Les calculs associés aux exemples numériques donnés dans lysée) lorsque l’on a mesuré son absorption lumineuse à 2 200 nm. Par
le présent article ont été effectués en double précision. Pour des exemple, un échantillon inconnu dont l’absorption lumineuse vaut
raisons de lisibilité, les valeurs données dans l’article sont rédui- 0,9000 a une teneur en protéines brutes estimée à :
tes à quelques chiffres significatifs. Ainsi le calcul effectif à partir
des valeurs imprimées peut donner des résultats légèrement ^
y = 82,5185 × 0,9000 – 65,2655 = 9,0011 %
différents de ceux qui sont indiqués, sans changer fondamenta-
lement la logique d’interprétation des résultats. arrondie à 9,0 % (les décimales suivantes n’étant pas significatives).
Il n’est pas recommandé d’exploiter une équation de régression pour
Exemple 1 : on cherche à appliquer la spectrométrie proche infra- des valeurs de x qui ne sont pas dans l’intervalle de celles présentes
rouge pour analyser la teneur en protéines brutes dans des lots de dans la collection d’étalonnage.
farines de blé. Une étude préliminaire a montré que l’absorption lumi- Nota : pour simplifier les illustrations, cet exemple ne repose que sur dix observations
neuse à la longueur d’onde de 2 200 nm (1 nm = 10–9 m) pouvait être qui participent à l’étalonnage. Dans la pratique, pour avoir une collection d’étalonnage
représentative des produits analysés qui sont analysés par la suite, il serait nécessaire de
représentative de la teneur en protéines. Dix lots de farines de blé ont faire porter l’étalonnage sur plusieurs dizaines d’individus.
été collectés et analysés par la méthode de référence, qui est ici le
dosage des protéines brutes par la méthode normalisée de Kjeldahl.
On dispose, pour ces dix individus, de la mesure spectrométrique à 1.3.2 Analyse de variance de la régression
2 200 nm (variable prédictive x ) et de la teneur en protéines, exprimée
en pourcentage de la matière sèche des farines (variable à prédire, y ).
linéaire simple
Le tableau 1 donne les calculs élémentaires intervenant dans l’établis-
sement de l’équation de régression. Le calcul des coefficients de régression ne donne pas d’indica-
tion sur la pertinence du modèle de régression. Par contre, l’ana-
À partir des colonnes (1) et (2) on peut calculer les moyennes :
lyse de variance de la régression permet d’en tester la validité.
L’analyse de la variance repose sur un partitionnement des carrés
x = 0,9391 et y = 12,23
selon la relation :
Ces moyennes interviennent dans le calcul des colonnes (3) et (4).
n n n
Les sommes des colonnes (5) et (6) sont respectivement égales à : 2 ^ 2 ^ 2
∑ ( yi – y ) = ∑ ( yi – y ) + ∑ ( yi – yi )
5,7378 × 10–3 et 4,7348 × 10–2 i=1 i=1 i=1

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 264 − 5

US

UT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWSR

Étalonnage des masses


par les utilisateurs
par Denis LOUVEL


Mettler Toledo SAS

1. Définitions. Utilisation des poids certifiés ............................... R 1 732v2 – 2


2. Détermination de la masse ........................................................... — 2
2.1 Dérive du comparateur ...................................................................... — 2
2.2 Méthode ABBA ................................................................................... — 3
2.3 Méthode ABA ..................................................................................... — 3
2.4 Autre méthode.................................................................................... — 3
2.5 Élimination de la dérive par le calcul ................................................ — 3
2.6 Nombre minimum de cycles de mesure ........................................... — 4
2.7 Série fermée ....................................................................................... — 5
3. Correction de la poussée aérostatique....................................... — 5
4. Influence des phénomènes physiques sur les mesures........... — 6
5. Détermination de l’incertitude de mesure................................. — 6
5.1 Principe ............................................................................................... — 6
5.2 Analyses des causes d’incertitudes ................................................... — 7
5.3 Incertitude liée à l’environnement ..................................................... — 8
5.4 Analyse des erreurs humaines........................................................... — 8
6. Évaluation de l’incertitude type combinée................................ — 8
6.1 Évaluation de type A de l’incertitude type combinée ....................... — 8
6.2 Évaluation de type B de l’incertitude type combinée ....................... — 8
7. Périodicité d’étalonnage ............................................................... — 10
8. Moyens de mesure .......................................................................... — 10
8.1 Étalon de référence ............................................................................ — 11
8.2 Comparateur de masse ...................................................................... — 11
8.3 Instruments de mesure ...................................................................... — 11
8.4 Salle de mesure .................................................................................. — 11
9. Mode opératoire .............................................................................. — 12
9.1 Nettoyage du poids ............................................................................ — 12
9.2 Stabilisation thermique ...................................................................... — 12
9.3 Détermination du temps de stabilisation .......................................... — 12
9.4 Essai de répétabilité du comparateur de masse ............................... — 12
9.5 Étalonnage du poids. Masse conventionnelle................................... — 13
9.6 Incertitude de mesure ........................................................................ — 13
9.7 Exploitation des résultats................................................................... — 13
p。イオエゥッョ@Z@ュ。イウ@RPQP@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQX

9.8 Édition du certificat d’étalonnage ...................................................... — 13


9.9 Utilisation et marquage du poids classé ........................................... — 14
9.10 Conditions de conservation ............................................................... — 14
10. Mise en place d’un étalonnage..................................................... — 14
10.1 Poids ................................................................................................... — 14
10.2 Moyens de mesure ............................................................................. — 14
10.3 Conditions ambiantes ........................................................................ — 14
10.4 Fichier de calcul.................................................................................. — 14
10.5 Répétabilité du comparateur.............................................................. — 15
10.6 Inventaire des EMT de la balance à vérifier ...................................... — 15
10.7 Certificat d’étalonnage ....................................................................... — 15
10.8 Procédures .......................................................................................... — 15
11. Exemple numérique d’un étalonnage d’un poids de 20 kg ..... — 15
11.1 Essai de répétabilité du comparateur ................................................ — 15
11.2 Test de FISHER ................................................................................... — 16
11.3 Étalonnage d’un poids de 20 kg ........................................................ — 17
11.4 Détermination de l’incertitude ........................................................... — 18
Pour en savoir plus.................................................................................. Doc. R1732v2

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. R 1 732v2 – 1

UU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWSR

ÉTALONNAGE DES MASSES PAR LES UTILISATEURS –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––

es étalons de masse sont largement utilisés dans les entreprises ayant mis
L en place un système d’assurance de la qualité (ISO 9001, ISO 17025, BPF,
BPL). Ces étalons servent à s’assurer du bon fonctionnement de leurs instru-
ments de pesage. L’étalonnage de poids et de série de poids est une étape
essentielle de la traçabilité des instruments de pesage aux étalons nationaux.
L’équipement permettant de réaliser cette opération est appelé « comparateur
de masse ». L’étalonnage manuel est une opération longue, exigeante et

Q consommatrice de temps. Pour une meilleure incertitude, un comparateur de


masse automatisé est préféré.

3/ L’étalon est retiré du plateau, puis la masse à étalonner y est


1. Définitions. Utilisation déposée.
des poids certifiés 4/ L’indication est relevée (par exemple : 0,00456 g).
5/ La masse est retirée du plateau, puis l’étalon y est déposé.
6/ L’indication est relevée (par exemple : 0,00007 g).
Un glossaire est présenté en fin d’article. Pour ce cycle, la dérive entre les deux pesées de l’étalon est de
0,00007 g.
La pesée est une étape primordiale pour les laboratoires comme & Dérive du comparateur (figure 2)
pour l’industrie. Avoir l’assurance que le résultat concorde avec les
Le comparateur de masse dérive au cours de la mesure en raison
critères fixés est possible à l’aide des étalons de masse. On utilise
de l’échauffement à proximité de la cellule de mesure. Peu de
alors des poids certifiés qui simulent la prise d’essai pour évaluer le
mesures sont réalisées pour stabiliser l’échauffement du compara-
comportement de la balance. Leur forme, leur matière, leur valeur
teur, avant la pesée de l’étalon, pour qu’il soit dans la partie la plus
apportent la pérennité des contrôles dans le temps.
linéaire de la courbe de dérive.
Les poids étant utilisés régulièrement, le renouvellement de leur
étalonnage est nécessaire. En cas d’incident de manipulation, ils
doivent être ré-étalonnés. Quand le délai du laboratoire accrédité Lecture
choisi est important, le contrôle n’est plus effectué, le comporte-
ment de la balance n’est plus sous surveillance. Pour réduire les M1 E2
délais et les coûts, la solution consiste à réaliser l’étalonnage dans
ses propres locaux. Dérive
E1

Pour réaliser l’étalonnage de poids de façon efficace et fiable,


il faut une balance (ou comparateur de masse), un environne-
ment, un support logiciel et des accessoires parfaitement Pesée Pesée Pesée Temps
adaptés. n° 1 n° 2 n° 3
Tout ceci constitue une continuité de la chaı̂ne de raccorde- Étalon E Masse M
ment de la mesure aux étalons nationaux.
Figure 1 – Dérive de la mesure

2. Détermination de la masse Lecture

Dérive non linéaire Dérive ≈ linéaire


La détermination de la masse d’un poids consiste à le comparer
à un étalon de référence connu, à l’aide d’un comparateur de
masse. Pour chaque comparaison, la masse nominale du poids à
étalonner et celle de l’étalon de référence doivent être égales.
Selon l’incertitude de mesure recherchée, on utilisera une des
méthodes suivantes.

2.1 Dérive du comparateur


& Cycle de mesure (figure 1) Temps
1/ Le comparateur est mis à zéro avec l’étalon déposé sur le Étalon E Masse M
plateau.
2/ L’indication est relevée (par exemple : 0,00000 g). Figure 2 – Tracé de la dérive du comparateur

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


R 1 732v2 – 2 est strictement interdite. – © Editions T.I.

UV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWSR

–––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– ÉTALONNAGE DES MASSES PAR LES UTILISATEURS

Les mesures réalisées dans la partie non linéaire de la courbe ne À chaque série, on note l’indication fournie par le comparateur
devraient pas être prises en compte afin d’optimiser le calcul de de masse :
l’écart entre la masse et l’étalon. – 1re pesée de l’étalon de référence = A1 ;
– 1re pesée du poids = B1 ;
– 2e pesée de l’étalon de référence = A2.
2.2 Méthode ABBA
Pour chaque série, on calcule l’écart xi entre la masse de l’étalon
Pour cette méthode, on effectue une pesée par substitution où de référence et la masse du poids selon la formule (4) :
l’étalon et le poids sont placés successivement sur le plateau récep- ⎛ A + A2 ⎞
x i = B − A = B1 − ⎜ 1


teur de charge du comparateur. Chaque cycle de mesures com- ⎟ (4)
⎝ 2 ⎠
prend quatre pesées successives :
Étalon A La moyenne des écarts est calculée selon la formule (2).
La masse conventionnelle mc est déterminée selon la formule (3).
Poids B
Poids B 2.4 Autre méthode
Étalon A Le cycle AB1…BnA est couramment utilisé pour l’étalonnage des
poids de classe M, mais il est déconseillé pour les poids de classe E
À chaque série, on note l’indication fournie par le comparateur
et F (cf. encadré 1 et l’article [P 1380]).
de masse :
Si le comparateur de masse utilisé dispose d’un échangeur auto-
– 1re pesée de l’étalon de référence = A1 ;
matisé de poids et si le système est installé dans une chambre de
– 1re pesée du poids = B1 ;
pesée, ce cycle est acceptable pour l’étalonnage des poids E et F.
– 2e pesée du poids = B2 ;
– 2e pesée de l’étalon de référence = A2. Pour cette méthode, le nombre de poids à étalonner ne sera pas
supérieur à 5.
L’emploi d’un étalon pour boucler la série de mesures élimine la
dérive linéaire provoquée par la variation de la température dans le
local de pesée (variation due à la présence de l’opérateur). La durée
2.5 Élimination de la dérive par le calcul
de l’intervalle entre les mesures doit être constante. La première pesée d’un corps comprend toujours sa masse et
l’erreur de linéarité du comparateur. La seconde pesée d’un corps
Pour chaque série, on calcule l’écart xi entre la masse de l’étalon comprend toujours sa masse, l’erreur de linéarité du comparateur
de référence et la masse du poids selon la formule (1) : et la dérive D du comparateur.
⎛ B + B2 ⎞ ⎛ A1 + A2 ⎞ Cette dérive D entre la première et la seconde pesée est due à la pré-
xi = B − A = ⎜ 1 ⎟ −⎜ ⎟ (1) sence de l’opérateur qui dégage sa température corporelle ( ª 35  C).
⎝ 2 ⎠ ⎝ 2 ⎠
Comme l’opérateur relève les mesures avec un intervalle de
Ensuite, on calcule la moyenne des écarts selon la formule (2), temps constant, on estime que cette dérive est constante et cumu-
où n est le nombre de séries de mesure : lée d’une pesée à l’autre.
& Cycle ABBA
1 n
x= ∑x
n i =1 i
(2) – 1re lecture de l’étalon A = A1 + erreur ;
– 1re lecture de l’échantillon B = B1 + erreur + D ;
– 2e lecture de l’échantillon B = B2 + erreur + 2D ;
La masse conventionnelle mc, déterminée selon la formule (3), – 2e lecture de l’étalon A = A2 + erreur + 3D.
tient compte de la correction de la poussée de l’air, avec les para-
mètres suivants : Élimination de la dérive d’un cycle ABBA par le calcul :

⎡ ⎛ 1 1 ⎞⎤ Encadré 1 – Classe de précision des poids


⎢⎣
( )
mc ≈ EC + x + EC × ⎢ ρ a − ρ 0 × ⎜ − ⎟⎥
⎝ ρ t ρ t ⎠ ⎥⎦
(3)
Les poids sont répartis en sept classes E1, E2, F1, F2, M1, M2, M3
suivant leur degré de précision. La différence maximale tolérée
avec mc masse conventionnelle du poids à étalonner entre la masse nominale et la masse conventionnelle est égale
(en kg) ; aux valeurs indiquées au tableau 1 ([AF 168]).
EC masse conventionnelle de l’étalon de référence
(en kg) ; ⎛ B1 + erreur + ∆ + B2 + erreur + 2 ∆ ⎞ ⎛ A1 + erreur + A2 + erreur + 3 ∆ ⎞
X =⎜ −
⎝ 2 ⎠⎟ ⎝⎜ 2 ⎠⎟
x moyenne des écarts xi (en kg) ;
rt masse volumique du poids à étalonner
(en kg/m3) ; ⎛ 2B + 2 × erreur + 3 ∆ ⎞ ⎛ 2A + 2 × erreur + 3 ∆ ⎞
X =⎜ −
⎝ 2 ⎠⎟ ⎜⎝ 2 ⎠⎟
rr masse volumique de l’étalon de référence
(en kg/m3) ;
ra masse volumique de l’air (en kg/m3) ; 3∆ 3∆
X = B + erreur + − A − erreur −
r0 = 1,2 kg/m3. 2 2

X = B + erreur − A − erreur
2.3 Méthode ABA
Cette méthode ne comprend que trois pesées successives :
X =B − A
Étalon A
Poids B
B=X +A
Étalon A

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. R 1 732v2 – 3

UW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWSR

ÉTALONNAGE DES MASSES PAR LES UTILISATEURS –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––

Tableau 1 – Classes de précision des poids


Classes de précision
Valeur nominale
E1 E2 F1 F2 M1 M2 M3
50 kg ± 25 mg ± 75 mg ± 250 mg ± 0,75 g ± 2,5 g ±8g ± 25 g
20 kg ± 10 mg ± 30 mg ± 100 mg ± 0,3 g ±1g ± 3,2 g ± 10 g

Q 10 kg
5 kg
± 5 mg
± 2,5 mg
± 15 mg
± 7,5 mg
± 50 mg
± 25 mg
± 0,15 g
± 75 mg
± 0,5 g
± 0,25 g
± 1,6 g
± 0,8 g
±5g
± 2,5 g
2 kg ± 1,0 mg ± 3,0 mg ± 10 mg ± 30 mg ± 0,1 g ± 0,4 g ±1g
1 kg ± 500 mg ± 1,5 mg ± 5 mg ± 15 mg ± 50 mg ± 0,2 g ± 0,5 g
500 g ± 250 mg ± 750 mg ± 2,5 mg ± 7,5 mg ± 25 mg ± 0,1 g ± 0,3 g
200 g ± 100 mg ± 300 mg ± 1,0 mg ± 3,0 mg ± 10 mg ± 50 mg ± 0,1 g
100 g ± 50 mg ± 150 mg ± 500 mg ± 1,5 mg ± 5 mg ± 30 mg ± 0,1 g
50 g ± 30 mg ± 100 mg ± 300 mg ± 1,0 mg ± 3,0 mg ± 30 mg ± 0,1 g
20 g ± 25 mg ± 80 mg ± 250 mg ± 0,8 mg ± 2,5 mg ± 20 mg ± 0,05 g
10 g ± 20 mg ± 60 mg ± 200 mg ± 0,6 mg ± 2,0 mg ± 20 mg ± 0,05 g
5g ± 15 mg ± 50 mg ± 150 mg ± 500 mg ± 1,5 mg ± 10 mg ± 0,05 g
2g ± 12 mg ± 40 mg ± 120 mg ± 400 mg ± 1,2 mg ± 5 mg
1g ± 10 mg ± 30 mg ± 100 mg ± 300 mg ± 1,0 mg ± 5 mg
500 mg ± 8 mg ± 25 mg ± 80 mg ± 250 mg ± 0,8 mg ± 5 mg
200 mg ± 6 mg ± 20 mg ± 60 mg ± 200 mg ± 0,6 mg ± 4 mg
100 mg ± 5 mg ± 15 mg ± 50 mg ± 150 mg ± 0,5 mg ± 3 mg
50 mg ± 4 mg ± 12 mg ± 40 mg ± 120 mg ± 0,4 mg
20 mg ± 3 mg ± 10 mg ± 30 mg ± 120 mg ± 0,3 mg
10 mg ± 2 mg ± 8 mg ± 25 mg ± 100 mg ± 0,25 mg
5 mg ± 2 mg ± 6 mg ± 20 mg ± 60 mg ± 0,20 mg
2 mg ± 2 mg ± 6 mg ± 20 mg ± 60 mg ± 0,20 mg
1 mg ± 2 mg ± 6 mg ± 20 mg ± 60 mg ± 0,20 mg

& Cycle ABA & Cycle AB


– 1re lecture de l’étalon A = A1 + erreur ; – 1re lecture de l’étalon A = A1 + erreur ;
– 1re lecture de l’échantillon B = B1 + erreur + D ; – 1re lecture de l’échantillon B = B1 + erreur + D ;
– 2e lecture de l’étalon A = A2 + erreur + 2D. – 2e lecture de l’échantillon A = A2 + erreur + 2D ;
– 2e lecture de l’étalon B = B2 + erreur + 3D.
Élimination de la dérive d’un cycle ABA par le calcul :
Aucune élimination de la dérive pour un cycle AB.
⎛ A + erreur + A2 + erreur + 2 ∆ ⎞
X = B1 + erreur + ∆ − ⎜ 1
⎝ 2
⎟⎠ X 1 = (B1 + erreur + ∆) − (A1 + erreur )

⎛ 2A + 2 × erreur + 2 ∆ ⎞ X 1 = B1 − A1 + ∆
X = B + erreur + ∆ − ⎜ ⎟⎠
⎝ 2

X 2 = (B2 + erreur + 3 ∆) − (A2 + erreur + 2 ∆)


2A 2 × erreur 2 ∆
X = B + erreur + ∆ − − −
2 2 2
X 2 = B2 − A2 + ∆

X = B + erreur + ∆ − A − erreur − ∆ 2.6 Nombre minimum de cycles de mesure


La répétition des cycles de mesure ABBA ou ABA permet d’aug-
X =B − A menter la confiance dans le résultat. Le nombre de cycles de
mesure dépend de l’incertitude recherchée et de la répétabilité des
mesures. Le tableau 2 présente le nombre de cycles de mesure, n,
B=X +A à réaliser selon l’incertitude requise, la répétabilité et la reproducti-
bilité des mesures.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


R 1 732v2 – 4 est strictement interdite. – © Editions T.I.

UX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWSR

–––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– ÉTALONNAGE DES MASSES PAR LES UTILISATEURS

Tableau 2 – Nombre minimum de cycles de mesure 3. Correction de la poussée


Classe
aérostatique
Cycle
E1 E2 F1 F2 M1, M2, M3
Le principe d’Archimède permet de déterminer la masse volu-
ABBA 3 2 1 1 1 mique d’un objet aussi irrégulier dans sa forme que dans son
volume et qui ne peut pas être obtenu par une mesure directe.
ABA

AB1…BnA
5

5
3

3
2

2
1

1
1

1
Si l’objet est pesé d’abord dans l’air puis dans l’eau, la différence
de poids équivaudra au poids du volume de l’eau déplacé, qui est
le même que le volume de l’objet. Ainsi, la masse volumique du

poids de l’objet (poids divisé par le volume) peut facilement être
déterminée.
Tableau 3 – Exemple de processus de pesée
Dans le pesage de très haute précision, pour chaque pesée dans
pour une série de poids du type 5, 2, 2′′, 1 (x 10n g) (1) l’air et dans l’eau, le poids déplacé dans l’air et dans l’eau doit être
pris en compte pour obtenir une masse volumique et un volume
REF 5 + 2 + 2’ + 1 corrects.
Pour connaı̂tre l’influence de la poussée aérostatique sur le résul-
REF 5 + 2 + 2’ + 1*
tat de l’étalonnage d’une masse, il est indispensable de connaı̂tre la
5 2 + 2’ + 1 masse volumique du fluide (air ambiant) et la masse volumique de
la masse à étalonner.
5 2 + 2’ + 1* La connaissance de la valeur de la masse volumique de l’air est
indispensable pour connaı̂tre l’influence de la poussée aérostatique
2+1 vs 2’ + 1* sur le résultat de l’étalonnage d’un poids. La masse volumique est
calculée à partir de :
2 + 1* 2’ + 1
– la pression atmosphérique, exprimée en hPa (1 000 hPa = 1 bar
= 1 000 mbar = 760 mmHg = 101 325 Pa = 1 atm = 1 013,25 hPa) ;
2 1 + 1*
– la température de l’air ambiant, exprimée en  Celsius ;
2’ 1 + 1* – l’humidité relative de l’air, exprimée en % (quantité d’eau dans
un volume d’air).
1 1* La masse volumique de l’air ra, exprimée en kg/m3, est détermi-
(1) 1* correspond à la combinaison de poids 0,5 + 0,2 + 0,2’ + 0,1 (x 10 g) n née selon la formule (5) approchée, issue de l’annexe E de la
ou un étalon de contrôle, afin de passer aux sous-multiples suivants. recommandation internationale R111 de l’OIML (Organisation inter-
Certaines comparaisons peuvent doublées pour simplifier les calculs. nationale de métrologie légale) :
2′ représente la différence physique entre deux poids de même valeur
nominale. 0,34848 p − 0,009 HR × exp (0,061t )
ρa = (5)
273,15 + t
2.7 Série fermée
avec p pression atmosphérique (en hPa),
Nota : la méthode de la série fermée est seulement présentée dans cet article ; aucun
calcul d’incertitude associé n’est développé. t température de l’air (en  C),
Pour mettre en place l’échelle de masse des multiples et sous- HR humidité relative exprimée en pourcentage
multiples du kilogramme, tous les éléments de la série de poids (ex : 80 % d’humidité relative = 0,8).
doivent être comparés. Avec la dissémination (cette méthode pré-
sente aussi l’avantage de produire beaucoup d’étalons tout en La formule (5) présente une erreur relative de 2 x 10-4 pour les
réduisant l’utilisation d’un étalon de référence), les étalons de plages suivantes de mesure :
masse nominale inférieure et supérieure proviennent du même
point de départ, l’étalon national de 1 kg. 900 hPa < p < 1100 hPa ; 10 °C < t < 30 °C ; HR < 80 %
Au cours de ces pesées, différentes combinaisons de poids d’une
masse totale nominale sont comparées. Cette méthode est utilisée La correction de la poussée aérostatique entre deux corps de
pour l’étalonnage des poids E1, quand la meilleure incertitude de masses volumiques différentes est donnée par la formule (6),
mesure est indispensable. Si, avec cette méthode, un seul étalon issue de la R111 :
de référence est utilisé, le nombre d’équations de pesées doit être
supérieur au nombre de poids inconnus. Si plus d’un étalon de ⎡ ⎛ 1 1⎞⎤
C = ⎢( ρa − ρ0 ) × ⎜ − ⎟ ⎥ × mr (6)
référence est utilisé, le nombre d’équations peut être égal au nom- ⎢⎣ ⎝ ρt ρr ⎠ ⎥⎦
bre de poids inconnus. L’avantage de cette méthode est lié au fait
qu’elle inclut une redondance permettant d’obtenir une meilleure avec r0 = 1,2 kg/m3,
confiance dans les résultats. Cependant, elle nécessite des calculs ra masse volumique moyenne de l’air (en kg/m3),
mathématiques avancés.
rr masse volumique de l’étalon de référence (en
Dans l’exemple du tableau 3, l’étalon de référence (REF) a une
kg/m3),
valeur nominale de 10 (x 10n g).
rt masse volumique du poids à étalonner (en
L’application de cette méthode nécessite de peser tous les poids
sur le même comparateur pour simplifier le calcul d’incertitude. Le kg/m3),
récepteur du comparateur doit être suffisamment large pour dispo- mr valeur nominale de l’étalon de référence (en
ser les poids sans les empiler et risquer de les faire chuter. kg).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. R 1 732v2 – 5

UY

VP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWST

Étalonnage d’une balance


par les utilisateurs

par Denis LOUVEL
Market development
Sales International
et Mettler-Toledo SAS

1. Principe de la méthode ........................................................................... R 1 734v2 - 2


2. Mesurande .................................................................................................. — 2
3. Étape no 1 : essais métrologiques ....................................................... — 2
4. Étape no 2 : incertitude de l’erreur d’indication.............................. — 6
5. Étape no 3 : incertitude de la balance ................................................ — 10
6. Cas des balances à plusieurs échelons .............................................. — 14
7. Exploitation des données de mesure et d’incertitude ................... — 14
8. Incertitude d’une balance selon DAkkS ............................................ — 16
9. Conclusion.................................................................................................. — 17
10. Tableau des symboles ............................................................................. — 21
Pour en savoir plus ........................................................................................... Doc. R 1 734v2

ous les jours, des millions d’instruments de mesure et d’analyse sont véri-
T fiés avant d’être utilisés. Cette étape cruciale consiste à s’assurer que leurs
performances sont en adéquation avec les besoins des utilisateurs.
Durant des années, la balance a simplement été vérifiée sans que l’on
p。イオエゥッョ@Z@、←」・ュ「イ・@RPQR@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQX

connaisse l’influence de son incertitude. Elle a donc fait l’objet d’un traitement
particulier alors que l’incertitude des autres catégories d’instruments était bien
connue. Connaître l’incertitude d’une balance n’est pas chose compliquée à
l’aide de référentiels mis à notre disposition.
L’enjeu est désormais de savoir si l’association de ce nouveau terme qu’est
l’incertitude de la balance avec l’erreur de mesure risque de remettre en cause
la balance utilisée, le processus de mesure dans lequel elle est intégrée et donc
la qualité des produits, comme la qualité des analyses effectuées.
Cet article se limite à la détermination de l’incertitude de balances d’analyse
(celles avec une résolution inférieure au milligramme) car elles sont les plus
sensibles aux influences externes.
Cet article ne concerne pas les instruments de pesage à fonctionnement
automatique comme une doseuse pondérale, un groupe de pesage-étiquetage
ou une trieuse pondérale.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. R 1 734v2 – 1

VQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWST

ÉTALONNAGE D’UNE BALANCE PAR LES UTILISATEURS ____________________________________________________________________________________

1. Principe de la méthode 3.2 Conditions d’environnement


et d’installation
L’objectif est d’apprécier la performance de la balance donc de Ces conditions sont les suivantes :
savoir apprécier son incertitude. Suivant le guide technique – la balance est sous tension avant le début des essais, depuis
d’accréditation Cofrac LAB GTA 95 (voir « Pour en savoir plus »), la au moins une demi-heure, plus suivant les données du
méthode d’étalonnage comprend plusieurs étapes : constructeur ;


1) réaliser les essais métrologiques : justesse, excentration et – la balance doit être installée de façon à ce que les perturba-
répétabilité ; tions électriques ou magnétiques, les vibrations, les courants d’air
2) déterminer les incertitudes des erreurs d’indication U (EI) ; soient minimaux et ne gênent pas son bon fonctionnement ;
– l’environnement (température, humidité) des essais doit être
3) déterminer l’incertitude de la balance U (IP) en exploitant les
stable, si possible, durant les essais ;
résultats de l’étape 2 et en prenant en compte les conditions d’uti-
– les moyens et la balance à étalonner sont à la température de
lisation et de travail de la balance.
la pièce où s’effectue l’étalonnage.

3.3 Opérations préliminaires


2. Mesurande
Elles sont les suivantes :
Lorsqu’une balance est ajustée avec des poids étalons, les deux – la balance est de niveau ;
équilibres réalisés pour peser un corps (à vide puis en charge) – une charge équivalente à la portée maximale est déposée puis
conduisent à la relation suivante : retirée plusieurs fois du plateau de la balance (mise en chauffe) ;
– l’affichage à zéro est réglé, si nécessaire au début de chaque
essai ;
 a  a – la balance est ajustée avant l’étalonnage pour limiter ses
M  1−  = (x − E I )  1 − 
 r  r0  composantes d’incertitude ;
– s’assurer de l’identification de la balance à étalonner ;
avec M masse du corps pesé, – s’assurer de l’absence de défaut visible (exemple : plateau
sale, instabilité du zéro, dérive du zéro, etc.) ;
r masse volumique du corps pesé, – vérifier la validité du certificat d’étalonnage des moyens ;
EI erreur d’indication de la balance pour x, pour les – noter la température, la pression et l’humidité relative avant et
conditions a et r0 , après les essais métrologiques.

x résultat de la pesée,
a masse volumique de l’air ambiant lors de la pesée, 3.4 Poids étalons
r0 masse volumique conventionnelle de l’étalon utilisé pour ■ Raccordement
déterminer l’erreur d’indication de la balance Les poids utilisés doivent être raccordés aux étalons nationaux
(r0 = 8 000 kg/m3). avec un certificat d’étalonnage émis par un laboratoire d’étalon-
La masse conventionnelle MC du corps pesé se déduit de nage accrédité Cofrac ou équivalent européen.
l’expression suivante :
■ Masse conventionnelle
Conformément au document OIML D28, les poids sont étalonnés
1 1
MC ≅ x − E I + (a − a 0 )  −  x en masse conventionnelle avec des incertitudes élargies du tiers
 r r0  des EMT sur les étalons (pour rendre négligeables les corrections
de poussée aérostatique dues aux étalons).
avec a0 masse volumique de référence de l’air : a0 = 1,2 kg/m3.
Nota : EMT : erreur maximale tolérée.
Lors de la pesée d’un corps, pour pouvoir associer au résultat de
la pesée l’incertitude du résultat de la pesée, il est nécessaire ■ Classe de précision
d’avoir l’erreur de justesse (ou la correction) de la balance et son Pour minimiser l’incidence de l’incertitude des poids, la classe
incertitude. de précision des poids pour étalonner une balance d’analyse doit
être de classe E2. Pour étalonner une balance de précision, la
On l’obtient avec l’étalonnage de la balance, en partie, car elle classe F1 suffit. Pour étalonner une bascule industrielle, la classe
intervient sur le résultat de la pesée, ainsi que les conditions M1 suffit.
ambiantes durant la pesée comme la nature du corps à peser.
Nota : pour plus d’informations sur les classes de précision, se reporter à l’encadré 1
et au tableau 1.

3. Étape no 1 : essais
Encadré 1 – Classe de précision des poids
métrologiques
Les poids sont répartis en sept classes E1 , E2 , F1 , F2 , M1 ,
M2 , M3 suivant leur degré de précision. La différence maxi-
3.1 Méthode d’étalonnage male tolérée entre la masse nominale et la masse
conventionnelle est égale aux valeurs indiquées au tableau 1.
La méthode consiste à comparer, sur le lieu d’utilisation habi-
tuel, les indications de la balance aux valeurs conventionnellement Nota : il est à noter que les EMT de ce tableau proviennent du décret no 75-312 du
vraies des étalons. 9 avril 1975 et diffèrent légèrement de celles fixées dans la recommandation OIML R111.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


R 1 734v2 – 2 est strictement interdite. – © Editions T.I.

VR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWST

____________________________________________________________________________________ ÉTALONNAGE D’UNE BALANCE PAR LES UTILISATEURS

Tableau 1 – Classes de précision des poids


Valeur Classes de précision
nominale E1 E2 F1 F2 M1 M2 M3
50 kg ± 25 mg ± 75 mg ± 250 mg ± 0,75 g ± 2,5 g ±8g ± 25 g


20 kg ± 10 mg ± 30 mg ± 100 mg ± 0,3 g ±1g ± 3,2 g ± 10 g
10 kg ± 5 mg ± 15 mg ± 50 mg ± 0,15 g ± 0,5 g ± 1,6 g ±5g
5 kg ± 2,5 mg ± 7,5 mg ± 25 mg ± 75 mg ± 0,25 g ± 0,8 g ± 2,5 g
2 kg ± 1,0 mg ± 3,0 mg ± 10 mg ± 30 mg ± 0,1 g ± 0,4 g ±1g
1 kg ± 500 µg ± 1,5 mg ± 5 mg ± 15 mg ± 50 mg ± 0,2 g ± 0,5 g
500 g ± 250 µg ± 750 µg ± 2,5 mg ± 7,5 mg ± 25 mg ± 0,1 g ± 0,3 g
200 g ± 100 µg ± 300 µg ± 1,0 mg ± 3,0 mg ± 10 mg ± 50 mg ± 0,1 g
100 g ± 50 µg ± 150 µg ± 500 µg ± 1,5 mg ± 5 mg ± 30 mg ± 0,1 g
50 g ± 30 µg ± 100 µg ± 300 µg ± 1,0 mg ± 3,0 mg ± 30 mg ± 0,1 g
20 g ± 25 µg ± 80 µg ± 250 µg ± 0,8 mg ± 2,5 mg ± 20 mg ± 0,05 g
10 g ± 20 µg ± 60 µg ± 200 µg ± 0,6 mg ± 2,0 mg ± 20 mg ± 0,05 g
5g ± 15 µg ± 50 µg ± 150 µg ± 500 µg ± 1,5 mg ± 10 mg ± 0,05 g
2g ± 12 µg ± 40 µg ± 120 µg ± 400 µg ± 1,2 mg ± 5 mg
1g ± 10 µg ± 30 µg ± 100 µg ± 300 µg ± 1,0 mg ± 5 mg
500 mg ± 8 µg ± 25 µg ± 80 µg ± 250 µg ± 0,8 mg ± 5 mg
200 mg ± 6 µg ± 20 µg ± 60 µg ± 200 µg ± 0,6 mg ± 4 mg
100 mg ± 5 µg ± 15 µg ± 50 µg ± 150 µg ± 0,5 mg ± 3 mg
50 mg ± 4 µg ± 12 µg ± 40 µg ± 120 µg ± 0,4 mg
20 mg ± 3 µg ± 10 µg ± 30 µg ± 120 µg ± 0,3 mg
10 mg ± 2 µg ± 8 µg ± 25 µg ± 100 µg ± 0,25 mg
5 mg ± 2 µg ± 6 µg ± 20 µg ± 60 µg ± 0,20 mg
2 mg ± 2 µg ± 6 µg ± 20 µg ± 60 µg ± 0,20 mg
1 mg ± 2 µg ± 6 µg ± 20 µg ± 60 µg ± 0,20 mg

3.5 Autres moyens 3.6 Essais métrologiques


Ils sont utilisés pour mesurer les conditions ambiantes au début Les essais réalisés pour la détermination de l’incertitude de
et à la fin des mesures. l’erreur d’indication de la balance sont les suivants :
■ Thermomètre – essai de répétabilité ;
Le thermomètre sert à mesurer la température au début et à la – essai de justesse ;
fin des essais. – essai d’excentration.
Il n’est pas nécessaire de l’étalonner périodiquement ; nous ne Ils sont préparés et réalisés de la même façon que les essais
sommes intéressés que par la différence de température avant et principaux de l’article [P 1 380v2].
après et non une valeur juste de la température.
Nota : dans le cas d’une balance d’analyse, il est préférable de mesurer la température
de l’air à l’intérieur de la chambre de pesée ; ou de déterminer l’écart entre la cage et la 3.6.1 Essai de répétabilité
salle de mesure. Pour les autres balances, la température est mesurée à proximité du
plateau.

■ Baromètre/hygromètre La répétabilité est l’aptitude de la balance à fournir des résul-


tats concordants entre eux pour une même charge déposée
La pression atmosphérique et l’humidité relative de l’air ne sont
plusieurs fois et d’une manière pratiquement identique sur le
pas mesurées mais surveillées. On prend en compte leur étendue
plateau de la balance, dans des conditions d’essais constantes.
sur une période d’une année.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. R 1 734v2 – 3

VS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWST

ÉTALONNAGE D’UNE BALANCE PAR LES UTILISATEURS ____________________________________________________________________________________

Si l’instrument est utilisé à des charges connues et constantes, – un point proche du quart de la charge maximale (Max/4) ;
au lieu des charges préconisées, cet essai peut être effectué à cer- – un point proche de la moitié de la charge maximale (Max/2) ;
taines de ces charges. – un point proche des trois-quarts de la charge maximale
(3/4 Max) ;
■ Moyens d’essais – un point proche de la charge maximale (Max).
La répétabilité est déterminée en réalisant au moins cinq pesées Il faut veiller à limiter la quantité de poids utilisés en même
successives en au moins un point significatif lié à l’utilisation de la temps pour simuler le point de mesure, cela dans le but de réduire
balance, ou à défaut à la moitié de la plage de mesure.


la composante d’incertitude associée.
■ Conditions de relevé des mesures ■ Conditions de relevé des mesures
La même répartition des charges sur le plateau est conservée La même répartition des charges sur le plateau de la balance est
lors de chaque application, afin de ne pas engendrer d’erreur conservée lors de chaque application, afin de ne pas engendrer
d’excentration. La balance peut être remise à zéro avant le dépôt une erreur d’excentration. Les durées des phases de chargement
de la charge. À chaque dépôt de charge, la répétition des mesures sont sensiblement identiques. La balance peut être remise à zéro
a lieu dans une courte période de temps et sans interruption. La avant le dépôt de la charge.
durée respective d’application d’une même charge est sensi-
blement identique. ■ Démarrage des mesures
La charge à peser doit toujours être placée à l’intérieur de La balance est mise à zéro au début de l’essai. Entre chaque
repères centrés sur le plateau pour éviter toute erreur liée à dépôt de charge, la balance ne doit pas être remise à zéro afin de
l’excentration. S’ils n’existent pas, ces repères peuvent être tracés mettre en évidence son éventuelle dérive.
sur le plateau.
■ Valeurs à relever
■ Démarrage des mesures
On relève à chaque charge les valeurs lues, après stabilisation
La balance est mise à zéro au début de l’essai. Entre chaque des indications de la balance.
dépôt de la charge, la balance peut être remise à zéro si
nécessaire. ■ Remarque
Cet essai est à réaliser à l’aide de poids étalons.
■ Valeurs à relever
On relève les valeurs lues, après stabilisation des indications de
la balance. On corrigera les valeurs de mesure de la dérive du 3.6.3 Essai d’excentration
zéro, si elle existe.
■ Remarque L’excentration est l’aptitude de la balance à fournir des résul-
tats concordants, en modifiant le point d’application d’une
Cet essai peut être réalisé sans poids étalon, mais utiliser un même charge.
poids étalon permet de gagner du temps.

■ Moyens d’essais
3.6.2 Essai de justesse
La valeur nominale du poids est proche du 1/3 de la portée
maximale.
La justesse est l’aptitude de la balance à fournir des résultats ■ Conditions de relevé des mesures
concordants entre la valeur lue (indication de la balance) et la
valeur vraie (poids étalon), dans des conditions habituelles de La position centrale du plateau est choisie comme position de
fonctionnement. référence. Le poids est placé au centre du plateau (position C) et
l’indication IC qui en résulte est relevée. Puis le poids est déplacé
successivement en excentrant celui-ci de part et d’autre du centre
Quand la balance est utilisée sur toute son étendue de mesure, du plateau (figure 1).
l’erreur d’indication est déterminée à plusieurs charges depuis sa Il n’est pas nécessaire de placer le poids systématiquement au
pesée minimale jusqu’à sa portée maximale. centre de chaque portion. Il suffit de le déplacer d’1 ou 2 cm. Ce
Si elle n’est utilisée que sur une partie de son étendue de déplacement représente l’éventuelle erreur d’excentration
mesure, l’erreur d’indication est déterminée à des charges repré- commise par l’opérateur au cours d’une pesée courante.
sentatives des quantités pesées habituellement (par exemple :
balance utilisée pour contrôler le volume de micropipettes).
Si elle n’est utilisée qu’en un point, l’erreur d’indication est
déterminée à la charge habituellement pesée (par exemple :
balance utilisée pour contrôler la masse spécifique de
médicaments, ou la quantité nominale de préemballés).
■ Moyens d’essais
Selon le mode d’utilisation de la balance, l’essai peut être
effectué :
– en charges croissantes ;
– en charges décroissantes ;
– en charges croissantes et décroissantes.
Cinq valeurs de charge sont normalement suffisantes. Les
valeurs nominales des poids étalons sont choisies de manière à
permettre le relevé des valeurs réparties sur l’étendue de mesures
comme suit :
Figure 1 – Position des charges sur le plateau rectangulaire/
– un point proche de la charge minimale (Min) ; circulaire/carré

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


R 1 734v2 – 4 est strictement interdite. – © Editions T.I.

VT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
rQWST

____________________________________________________________________________________ ÉTALONNAGE D’UNE BALANCE PAR LES UTILISATEURS

■ Démarrage des mesures – respect d’un intervalle de temps suffisant et constant avant le
relevé des indications ; si un intervalle de temps spécifique est
La balance est mise à zéro au début de l’essai. Entre chaque
défini, le respecter (exemple : durée nécessaire pour obtenir une
dépôt de charge, la balance ne doit pas être remise à zéro.
indication stable).
■ Valeurs à relever
Les indications correspondantes (Ii) sont relevées et corrigées de
l’erreur à 0.
3.8 Traitement des données de mesure
La répartition des charges sur les différentes parties du plateau
de la balance est conservée lors de chaque application. À chaque
charge, les mesures ont lieu dans une courte période de temps et
Les données issues des mesures sont traitées d’une façon diffé-
rente à celle de la vérification conventionnelle :
– la répétabilité est calculée à partir de l’écart-type des pesées ;

sans interruption. La durée respective d’application d’une même – l’erreur d’indication correspond à la différence entre la valeur
charge est sensiblement identique. lue après pesée de l’étalon et sa valeur vraie ;
– pour l’excentration, c’est la différence entre la valeur obtenue
■ Remarques au centre du plateau et la plus grande valeur obtenue pour une
Cet essai est essentiel sauf pour les instruments pour lesquels la charge excentrée, qui est retenue pour le calcul d’incertitude.
probabilité d’excentration de charge en cours d’utilisation est
minimale (par exemple : réservoirs, trémies, balance à plateau Exemple de traitement des données de mesure
librement suspendu, etc.).
Les caractéristiques de la balance sont :
L’essai d’excentration de charge permet de déterminer un défaut – portée maximale : 220 g ;
mécanique du système de transmission de la charge. – résolution à vide : 0,1 mg ;
Il n’est pas recommandé de tester les charges excentrées à la – résolution en charge : 0,1 mg ;
portée maximale car cela risque d’endommager la balance. – plage d’étalonnage : 10 g à 200 g ;
– ajustage automatique activé : déclenché automatiquement quand
Tester les charges excentrées à une charge inférieure à Max/3 ne
∆T ⭓ 1 K ;
permet pas de mettre en évidence une erreur significative.
– classe de précision des poids : E2 avec certificat d’étalonnage ;
– variation de température (en étalonnage) : ∆T = 0,1 oC ;
– variation de température (en utilisation) : ∆T = 1 oC ;
3.7 Mode opératoire – coefficient de sensibilité de la balance : 1,5 × 10–6/oC ;
– charge excentrée : 100 g.
L’étalonnage est réalisé en prenant en compte les éléments
suivants : L’incertitude des poids étalons est présentée dans le tableau 2.
Les mesures issues des essais de répétabilité, de justesse et
– charge centrée et répartie le plus uniformément possible ; d’excentration sont données dans les tableaux 3, 4 et 5. Le tableau 6
– température, pression et humidité stables et relevées au début présente les conditions ambiantes dont les masses volumiques
et à la fin des mesures ; moyennes de l’air ambiant durant l’étalonnage et durant l’utilisation
– durée d’application de la charge limitée au nécessaire ; de la balance.

Tableau 2 – Incertitude des poids-étalons


Étalons 10 g 50 g 100 g 150 g 200 g
Incertitude d’étalonnage ± 0,02 mg ± 0,03 mg ± 0,05 mg ± 0,08 mg ± 0,10 mg

Tableau 3 – Essai de répétabilité – Mesures et traitement


Charge appliquée x 100 g
No de la pesée 1 2 3 4 5 6

xi – 100 g 0,0 mg 0,0 mg 0,0 mg 0,0 mg 0,0 mg 0,1 mg

(ux)e = s 0,041 mg

Tableau 4 – Essai d’excentration – Mesures et traitement


Charge appliquée x 100 g

Position de la charge C 1 2 3 4

Ii – 100 g 0,0 mg 0,0 mg 0,0 mg 0,0 mg 0,1 mg


Ii – IC \ 0,0 mg 0,0 mg 0,0 mg 0,1 mg

+ grande incertitude type relative (valeur absolue) uexc/x 4,1 × 10–7

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. R 1 734v2 – 5

VU

VV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slRWP

Dosages immunologiques :
modélisation et inférence statistique

par Sylvie HUET
Directeur de recherche INRA
Unité MIA Jouy

1. Modélisation des observations et estimation de courbes ...... SL 270 – 2


1.1 Estimation d’une courbe de calibration. Dosage de l’interféron
gamma ................................................................................................ — 2
1.2 Comparaison de courbes. Dosage d’anticorps anticoronavirus
à l’aide d’un test ELISA ...................................................................... — 3
1.3 Modèle de régression non linéaire .................................................... — 3
1.4 Estimation........................................................................................... — 4
1.5 Applications ........................................................................................ — 4
1.5.1 Dosage de l’interféron gamma : estimation de la courbe
d’étalonnage ............................................................................ — 4
1.5.2 Test ELISA : estimation des paramètres
pour les prélèvements de mai et juin ..................................... — 4
2. Précisions des estimateurs, intervalles de confiance
et tests .............................................................................................. — 5
2.1 Exemples ............................................................................................ — 5
2.2 Formalisation du problème................................................................ — 5
2.3 Solutions............................................................................................. — 5
2.3.1 Résultats asymptotiques « classiques » ................................. — 5
2.3.2 Intervalles de confiance pour l .............................................. — 5
2.3.3 Tests d’hypothèses linéaires ................................................... — 6
2.3.4 Estimations bootstrap.............................................................. — 6
2.4 Applications ........................................................................................ — 7
2.4.1 Dosage de l’interféron gamma................................................ — 7
2.4.2 Dosage ELISA : comparaison de courbes ............................... — 8
3. Retours sur la calibration.............................................................. — 9
3.1 Intervalles de prédiction et de calibration ......................................... — 9
3.1.1 Prédiction d’une réponse ........................................................ — 9
3.1.2 Calibration................................................................................ — 10
3.1.3 Application au dosage de l’interféron gamma ....................... — 11
3.2 Observations en plusieurs dilutions .................................................. — 12
4. Conclusion........................................................................................ — 12
p。イオエゥッョ@Z@、←」・ュ「イ・@RPPX@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ェ。ョカゥ・イ@RPQY

Pour en savoir plus.................................................................................. Doc. SL 270

C e dossier présente les méthodes statistiques permettant l’analyse des don-


nées de dosages immunologiques. Il s’agit pour l’essentiel des méthodes
d’estimation et d’inférence statistique pour les modèles de régression non
linéaires.
Deux exemples types servent de support aux développements méthodologi-
ques. L’objectif du premier exemple est le dosage de l’interféron gamma
contenu dans un échantillon de plasma à partir de l’estimation d’une courbe
d’étalonnage. Dans le second exemple, il s’agit de comparer les niveaux d’anti-
corps contenus dans deux échantillons de plasma bovins à partir des courbes
de réponse obtenues pour chacun de ces échantillons. Les questions posées par
l’expérimentateur sont essentiellement les suivantes :
– comment estimer une courbe d’étalonnage ?
– comment estimer la variabilité de l’estimation d’une dose ?

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. SL 270 – 1

VW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slRWP

DOSAGES IMMUNOLOGIQUES : MODÉLISATION ET INFÉRENCE STATISTIQUE –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––

– comment comparer les courbes de réponse de deux échantillons pour les-


quels on a effectué plusieurs dilutions ?
– comment utiliser au mieux les observations à notre disposition ?
Les méthodes pertinentes sont décrites de façon intuitive et mises en œuvre
sur les exemples. Ainsi, estimer la précision des estimateurs, revient à calculer
des intervalles de confiance ou à faire des tests d’hypothèses. Les méthodes
classiques comme le test de Wald ou le test de rapport de vraisemblance


ainsi que des méthodes basées sur des procédures de ré-échantillonage,
comme le bootstrap, sont présentées. Le dernier paragraphe traite plus en
détail du problème de la calibration : comment prendre en compte les différen-
tes sources de variabilité lors du calcul d’un intervalle de calibration ? En effet, il
existe deux sources de variabilité :
– celle due à l’estimation de la courbe d’étalonnage ;
– celle provenant de la variabilité de l’observation de la réponse.
Une autre question importante est comment profiter des observations effec-
tuées en plusieurs dilutions d’un échantillon pour estimer au mieux la concen-
tration de produits contenue dans cet échantillon ?

Les erreurs ei sont des variables aléatoires d’espérance nulle :


1. Modélisation E(ei) = 0. Elles sont supposées indépendantes. Enfin, pour compléter
des observations le modèle de régression, on suppose que la variance de ei vaut s2.
Le modèle étudié est le suivant :
et estimation de courbes Y i = f ðx i ,qÞ + ei

2 : (1)
varðei Þ = s , Eðei Þ = 0
L’analyse statistique des données d’un dosage immunologique
passe par la modélisation et l’estimation des paramètres d’une Le modèle généralement utilisé pour décrire les variations de la
courbe dans un modèle de régression. C’est pourquoi le modèle densité optique Y en fonction du logarithme de la concentration x
de régression et les méthodes permettant l’estimation des paramè- est la fonction logistique définie par l’équation suivante :
tres sont décrites dans ce premier paragraphe. q2 - q1
f ðx ,qÞ = q1 + : (2)
1 + expðq3 ðx - q4 ÞÞ
1.1 Estimation d’une courbe
de calibration. Dosage de l’interféron Tableau 1 – Données pour la courbe d’étalonnage
gamma d’un dosage de l’interféron gamma
Le dosage de l’interféron gamma permet d’établir un diagnostic
Dose (pg/ml) Réponse (densité optique)
sur des patients souffrant de mutations graves qui perturbent gra-
vement le fonctionnement de leur système immunitaire [3]. Quanti- 0 0,023 ; 0,025
fier l’interféron gamma contenu dans un échantillon de plasma
nécessite une procédure en deux étapes : 5,4 0,099
– établir une courbe d’étalonnage (appelée aussi courbe de cali-
bration) à partir d’une solution dite solution standard ; 13,6 0,196
– inverser la courbe afin de déterminer la dose inconnue d’inter-
féron gamma contenue dans une solution. 34,1 0,464

Les données pour la courbe d’étalonnage d’un dosage de l’inter- 85,4 0,963
féron gamma sont données dans le tableau 1. La figure 1 repré-
sente les densités optiques en fonction du logarithme de la dose, 170,9 1,712 ; 2,032
qui est la transformation habituelle de l’axe des abscisses. Dans
cette expérience, la réponse a été observée pour une dose nulle 213 2,017
dont le logarithme est posé égal à 0.
319 2,134 ; 2,426
Le modèle considéré est le suivant : Yi, la densité optique pour
une concentration dont le logarithme vaut xi, s’écrit : 424 2,574
Y i = f ðx i ,qÞ + ei
530 2,656
avec f (x, q) relation entre la densité optique et le loga-
rithme de la concentration x ; la fonction f 1 000 2,671
dépend de paramètres q inconnus.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


SL 270 – 2 est strictement interdite. – © Editions T.I.

VX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slRWP

––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– DOSAGES IMMUNOLOGIQUES : MODÉLISATION ET INFÉRENCE STATISTIQUE

Densité
Densité
optique
optique
2,5
2,0
2,0

1,5 1,5


1,0
1,0
0,5

0,0 0,5
0,0 0,5 1,0 1,5 2,0 2,5 3,0
lg (dose)
0,0
1,5 2,0 2,5 3,0 3,5 4,0 4,5
Figure 1 – Dosage de l’interféron gamma : densités optiques lg (dilution)
observées en fonction du logarithme de la dose en pg/ml
Mai Juin
Ce modèle dépend de 4 paramètres : pour q3 positif, q1, l’asymp- Figure 2 – Exemple ELISA : réponses observées en fonction
tote supérieure, est la réponse pour une dose infinie d’interféron et du logarithme des dilutions, x = - lg d
q2, l’asymptote inférieure, est la réponse pour une dose nulle d’in-
terféron ; les autres paramètres q3 et q4, décrivent la croissance de
la courbe. Tableau 2 – Exemple ELISA : valeurs observées de Y
Le but d’une telle expérience est d’estimer une dose inconnue pour les sérums prélévés en mai et juin
d’interféron gamma en utilisant la courbe d’étalonnage. Soit m, l’es-
pérance de la réponse pour une solution dont la dose d’interféron Réponse (densité optique)
D (ou son logarithme X) est inconnue, alors, X est l’inverse de f cal- Dilution
culée en m (si m est compris entre q2 et q1) : d mai juin
 
m - q2
X = f - 1 ðm,qÞ = q4 + 1 lg : (3) 1/30 1,909 1,956 1,886 1,880
q3 q1 - m
1/90 1,856 1,876 1,853 1,870
Dans ce paragraphe 1, nous montrons comment estimer la
courbe d’étalonnage et X. Le calcul de la précision de X est traité 1/270 1,838 1,841 1,747 1,772
dans le paragraphe 2.
1/810 1,579 1,584 1,424 1,406
1/2430 1,057 1,072 0,781 0,759
1.2 Comparaison de courbes.
Dosage d’anticorps anticoronavirus 1/7290 0,566 0,561 0,377 0,376
à l’aide d’un test ELISA 1/21869 0,225 0,229 0,153 0,138

Dans cette expérience, on utilise un test ELISA pour détecter la 1/65609 0,072 0,114 0,053 0,058
présence d’anticorps anticoronavirus dans le sérum de vaches et
de veaux. Cet exemple montre que l’on peut estimer les paramè-
tres de deux courbes simultanément, dans le but de déterminer si énoncées ci-dessus, les deux fonctions de régression satisfont la
les courbes sont identiques à une translation horizontale près. L’ex- relation suivante :
F mai ðdÞ = F juin ðrdÞ
périence complète est présentée dans l’article de Huet et al. [7].
Nous ne considérons ici qu’un sous-ensemble des données et La relation entre la densité optique Y et le logarithme de la dilu-
notre objectif est de comparer les niveaux d’anticorps dans deux tion x = lg(1/d) est généralement modélisée à l’aide d’une courbe
échantillons prélevés l’un en mai, l’autre en juin sur une même sigmoı̈dale :
vache. F mai ðdÞ = f ðx , qmai Þ et F juin ðdÞ = f ðx , qjuin Þ
Les données d’un test ELISA sont constituées des observations où, comme dans l’exemple précédent, on choisit pour f la fonc-
des densités optiques, Y, en différentes dilutions de sérum, d. Le tion logistique définie par l’équation (2). Ainsi, l’estimation de r
tableau 2 et la figure 2 présentent les résultats. est basée sur l’hypothèse de parallélisme entre les deux courbes
de réponse :
Si on suppose que les sérums sont dosés dans des conditions f ðx , qmai Þ = f ðx - b ; qjuin Þ où b = lgð1/rÞ (4)
expérimentales identiques, alors le problème est de quantifier les
différences (en termes de niveau d’anticorps) entre les sérums à Dans ce paragraphe 1, nous montrons comment estimer les
l’aide des courbes de réponse. Les modèles de dosages biologi- paramètres des fonctions de régression. Avant d’estimer b, il faut
ques et les techniques décrits par Finney [4] permettent d’estimer vérifier que les deux courbes satisfont l’équation (4). Cela est traité
l’efficacité relative d’un sérum par rapport à un autre sérum. L’effi- dans le paragraphe 2.
cacité r est définie de la façon suivante : une unité de sérum pré-
levé en mai produit la même réponse que r unités de sérum préle-
vés en juin. En d’autres termes, les deux sérums contiennent le 1.3 Modèle de régression non linéaire
même composant actif, l’anticorps, et tous les autres composants
sont sans effet sur la réponse. Ainsi un sérum se comporte Les notations suivantes sont utilisées : le nombre de valeurs
comme une dilution de l’autre. distinctes de la dose x vaut k ; pour i variant de 1 à k, ni répéti-
tions de la réponse Y sont observées pour chaque valeur de xi ;
Soit F mai(d) et F juin(d) les fonctions de réponse pour les sérums
soit Yij, pour j = 1,…ni, ces observations.
prélevés en mai et juin respectivement. Sous les hypothèses

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. SL 270 – 3

VY

WP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQSSS

Pipettes
Trois référentiels pour étalonner
une pipette à déplacement d’air Q

par Denis LOUVEL


Chef de produit métrologie scientifique
Mettler-Toledo SAS, Viroflay, France

1. Méthode d’étalonnage ......................................................................... P 1 333 3


2. Description du fonctionnement ........................................................ — 3
3. Étalonnage d’un volume...................................................................... — 5
4. Mode opératoire pour l’étalonnage.................................................. — 14
5. Calculs ...................................................................................................... — 16
6. Incertitude de mesure .......................................................................... — 18
7. Coefficients de sensibilité .................................................................. — 18
8. Incertitude ............................................................................................... — 28
9. Conclusion............................................................................................... — 34
10. Glossaire .................................................................................................. — 34
Pour en savoir plus ........................................................................................ Doc. P 1333

omme présenté dans l’article [P 1 331], l’utilisation de pipettes pour


C transférer des liquides est une activité quotidienne dans la plupart des
laboratoires de recherche en sciences de la vie. Les systèmes d’assurance
qualité modernes demandent un contrôle gravimétrique périodique et, le cas
échéant, l’ajustage des pipettes.
p。イオエゥッョ@Z@、←」・ュ「イ・@RPQU@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQX

Pour atteindre ces objectifs, le rapport technique ISO/TR 20461 [1] a été le
premier document officiel publié en novembre 2000 qui expliquait comment
étalonner un appareil volumétrique á piston (AVAP).
Considéré comme un référentiel par de nombreux organismes d’accré-
ditation nationaux (exemple : COFRAC, DAKKS, UKAS...), il a permis à de très
nombreux laboratoires d’étalonnage candidats à l’accréditation de démontrer
et/ou maintenir leurs compétences dans ce domaine.
Il est aussi appliqué par les services internes de métrologie d’entreprise tra-
vaillant selon les normes ISO 17025 et ISO 15189.
Depuis novembre 2000, plusieurs comparaisons interlaboratoires pilotées
par le LNE en 2009, l’IPQ entre juillet 2011 et juin 2012 à la demande du BIPM
et le DKD en 2009 ont eu lieu et ont montré d’importants écarts.
Cet article fait le point entre les trois principaux documents de référence pour
l’étalonnage d’AVAP :
– ISO/TR 20461:2000 – Rapport technique – Détermination de l’incertitude
de mesure pour les mesurages volumétriques effectués au moyen de la
méthode gravimétrique [1] ;

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 1 333 – 1

WQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQSSS

PIPETTES _________________________________________________________________________________________________________________________

– DKDR 8-1 – Guideline – Calibration of piston-operated pipettes with air


cushion, issue 12/2011 [9] ;
– COFRAC LAB GTA 90 – Guide technique d’accréditation – Étalonnage
des instruments volumétriques à piston, juin 2015 [8].
Pour le fonctionnement des pipettes, se reporter à l’article [P 1 330].


Tableau des notations et symboles
Unité
Symbole Définition
SI Usuelle
V m3 mL Volume réel de liquide
VT m3 mL Volume du coussin d’air, volume mort
3
VHub m mL Volume d’aspiration
VW m3 mL Vide partiel
pa Pa hPa Pression atmosphérique de l’air
pW Pa Pa Pression hydrostatique
pS Pa Pa Pression interne du ménisque
g m/s2 Accélération gravitationnelle
hW m mm Hauteur d’aspiration dans la pointe
ΔV m3 µL Variation de volume
X1 Emplacement du lieu de l’étalonnage
X2 Emplacement du lieu d’utilisation
VS m3 mL Volume sélectionné
E m3 mL Erreur du volume
ρW kg/m3 g/mL Masse volumique de l’eau à tW
cha Coefficients de sensibilité à l’humidité de l’AVAP
mE kg mg Perte moyenne par évaporation
mi kg mg Indication de la balance de la masse d’eau pesée
m kg mg Masse d’eau pure
a0 à a5 Constantes de l’échelle internationale de température
k1 à k3 Constantes de l’échelle internationale de température
mich kg mg Valeur indiquée par la balance (masse du volume délivré)
m0 kg mg Valeur indiquée par la balance après tarage
n Nombre de mesures
d kg mg Résolution de la balance, échelon réel
ρa kg/m3 g/ml Masse volumique de l’air
ha % % Humidité relative de l’air
T K K Température en Kelvin
ta °C °C Température de l’air
ρb kg/m3 g/mL Masse volumique des poids de la balance
s m3 mL Écart type des mesures
tW °C °C Température de l’eau

P 1 333 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

WR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQSSS

__________________________________________________________________________________________________________________________ PIPETTES

Tableau des notations et symboles (suite)


Unité
Symbole Définition
SI Usuelle
td °C °C Température du cône
–1 –1


αC °C °C Coefficient de dilatation cubique de l’AVAP
V20 m3 mL Volume à la température de référence de 20 °C

m3 mL Volume moyen à la température de référence de 20 °C

m3 mL Volume individuel mesuré à 20 °C

u (xi ) Composante d’incertitude


emt kg mg Erreur maximale tolérée de la balance
UIP kg mg Incertitude d’étalonnage de la balance
lin kg mg Erreur de linéarité de la balance
REP kg mg Répétabilité de la balance
Incertitude de la masse volumique du poids utilisé pour ajuster la
UDensité kg mg
balance
ΔR kg mg Variation d’indication de la balance
TC ppm/K Coefficient de sensibilité à la température de la balance
UTherm °C Incertitude d’étalonnage du thermomètre
dTherm °C Résolution du thermomètre
ΔT °C Défaut d’homogénéité de la température de l’air
UBaro Pa hPa Incertitude d’étalonnage du baromètre
dBaro Pa hPa Résolution du baromètre
UHygro % Incertitude d’étalonnage de l’hygromètre
dHygro % Résolution de l’hygromètre
ci Coefficient de sensibilité
uC (V20) kg/m3 mL Incertitude-type composée du volume V20
U (V20) m³ mL Incertitude élargie du volume V20

1. Méthode d’étalonnage Pour démontrer le raccordement d’un AVAP aux étalons natio-
naux, la balance est vérifiée avec des étalons certifiés. D’autres
méthodes d’essai comme les méthodes photométriques et titrimé-
Les AVAP sont étalonnés en utilisant la méthode gravimétrique triques sont décrites dans la norme ISO 8655-7 [12]. Elles
décrite dans la norme ISO 8655-6 [10]. La méthode est basée sur apportent la preuve de son raccordement quand les solutions utili-
la détermination du volume à une température de 20 °C par pesée sées sont certifiées.
d’eau pure, dans des conditions d’environnement définies.
La masse du volume de liquide est déterminée à partir de l’indi-
cation d’un instrument de pesage en tenant compte de la poussée
de l’air et est convertie en volume par la masse volumique de l’eau. 2. Description
De cette façon, la traçabilité métrologique du volume est réalisée
par la grandeur physique « masse » comme étalon de référence. du fonctionnement
L’objectif est d’apprécier la performance de l’AVAP, c’est-à-dire
son aptitude à délivrer un volume donné par rapport à des critères La figure 1 détaille les différentes positions de la distribution du
de fonctionnement fixés. liquide.
Un étalonnage complet consiste à enregistrer 10 valeurs mesurées La figure 2 détaille le système d’étanchéité des AVAP.
par volume à tester et par canal.
La figure 3 détaille le processus d’aspiration du liquide à l’inté-
Les systèmes de mesure sont les balances d’analyse avec les rieur de l’AVAP.
accessoires adaptés fournis (exemple : récipient de pesée, piège à
évaporation, protection contre les courants d’air) et un logiciel Le document [5] explique par le détail le fonctionnement d’un
d’étalonnage spécialement adapté pour l’étalonnage d’AVAP. AVAP à déplacement d’air.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 1 333 – 3

WS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQSSS

PIPETTES _________________________________________________________________________________________________________________________

Position Première Seconde


au repos butée butée

L’appui sur la tige du piston va de la position au repos (début de la distribution) au premier arrêt
(distribution complète) et au deuxième arrêt (soufflage)

Figure 1 – Fonctionnement d’un AVAP

Le volume est défini quand la colonne de liquide se détache du


liquide.
Ressort de piston Piston
Joint racleur Seule l’évaporation à la surface du liquide autour de l’orifice de
la pointe et une distribution incomplète du liquide pourraient
entraîner une diminution du volume distribué. Le liquide résiduel
restant toujours dans les pointes doit être évalué est à prendre en
compte lors de l’utilisation de l’eau comme liquide d’étalonnage.
C’est également vrai pour les gouttelettes à la surface externe de la
pointe. L’apparition de gouttelettes nécessite un changement de
pointe et/ou l’utilisation d’une eau fraîche.
Immédiatement avant l’immersion, la pression barométrique pa
existe dans le coussin d’air VT . La perturbation de la colonne de
liquide à la pression d’immersion dans le coussin d’air est réduite
par la pression hydrostatique de la colonne de liquide pW et la
pression interne du ménisque pS . La pression interne est dirigée
vers le bas lorsque les pointes en polypropylène et de l’eau sont
utilisées pour les essais.
Joint torique Joint
Le coussin d’air VT est augmenté par le vide partiel VW . V décrit
le volume réel du liquide dans la pointe. Il est donc inférieur au
Figure 2 – Système d’étanchéité des AVAP manuels volume d’aspiration du volume VHub de VW . Cela signifie que :

Le piston, scellé avec un joint racleur à l’embout, est d’abord mis


en position basse (première butée). La pointe de la pipette est
immergée dans le liquide d’essai et commence à prendre du La pression hydrostatique de l’eau ph est calculée par le produit
liquide alors que le piston glisse vers le haut jusqu’à atteindre sa de la masse volumique du liquide ρW , de l’accélération gravitation-
position supérieure. nelle g et de la hauteur d’aspiration du liquide dans la pointe hW :
Après aspiration du liquide et avoir observé un temps d’attente
de 1 s pour les AVAP à petit et moyen volume et d’environ 3 s
pour les AVAP à grand volume, la pointe doit être retirée du
liquide lentement sans toucher la paroi intérieure du tube et sans La formule d’origine devient :
secousse. La surface du liquide doit être plane là où la pointe
émerge.

P 1 333 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

WT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQSSS

__________________________________________________________________________________________________________________________ PIPETTES

VW = VHub – V

VHub Q

VT + VW
pa – pW – pS

VT , p a

Séparation
de la colonne
de liquide
V

L’appui sur la tige du piston va de la position au repos (début de la distribution) au premier arrêt
(distribution complète) et au deuxième arrêt (soufflage)

Figure 3 – Processus d’aspiration du liquide à l’intérieur du AVAP

Cette formule permet de calculer les effets résultant des change- – la vitesse de distribution et d’aspiration ;
ments liés à la pression barométrique, à l’angle d’inclinaison pen- – la variation de l’angle d’aspiration et de distribution de liquide ;
dant l’aspiration et aux changements liés à la masse volumique du – la profondeur d’immersion de la pointe et le temps d’attente ;
liquide, de la gravité, etc. Ainsi, cette équation doit être résolue au – le type de pointe utilisée ;
volume réel V, ce qui conduit à : – l’altitude.

3.1.1 Vitesse de distribution et d’aspiration


La vitesse d’aspiration et de distribution du liquide est un facteur
Pour utiliser ce terme pour le calcul, la hauteur d’aspiration du d’influence. Actionner le piston trop rapidement peut entraîner
liquide hW et le volume du coussin d’air doivent être mesurés. l’introduction de bulles d’air créant ainsi une erreur dans la
Cette formule montre que le volume de piston VHub est légèrement quantité de liquide distribué ou une rupture de la colonne d’eau
supérieur au volume réel V. La différence VW est égale à la dilata- (figure 4). Une analyse réalisée par l’Institute Portugues Da
tion du coussin d’air, créée par la pression hydrostatique interne et Qualidade (IPQ) [7] conclut que la vitesse d’aspiration de l’AVAP
du liquide d’essai. influence l’exactitude de l’étalonnage. Plus la manipulation (aspi-
ration, distribution) est rapide, plus le volume distribué est inexact.

3. Étalonnage d’un volume Important : durant l’étalonnage, l’opérateur doit conserver


une vitesse d’aspiration et de distribution identique (exemple :
5 s) comme préconisé par le fabricant.
3.1 Pipetage
Le pipetage est une opération délicate qui nécessite une forma-
tion et une bonne pratique pour obtenir des résultats cohérents et L’article [7] montre qu’une mauvaise vitesse de distribution et
exacts. La norme ISO 8655-6 [10] propose une procédure pour d’aspiration peut provoquer une erreur de mesure comme indi-
déterminer le volume des AVAP mais plusieurs facteurs quée dans le tableau 1. L’étalonnage a été réalisé à deux vitesses
d’influence ne sont pas expliqués en détail, comme : différentes : 2 s (valeur inférieure à la référence) et 8 s (valeur

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 1 333 – 5

WU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQSSS

PIPETTES _________________________________________________________________________________________________________________________

Tableau 1 – Erreur de mesure de la vitesse de distribution et d’aspiration


Volume nominal Vitesse de distribution Vitesse d’aspiration
de l’AVAP (µL) 2s 8s 2s 8s
10 – 0,53 % 0,27 % – 0,02 % 0,45 %
100 – 0,5 % 0,1 % – 0,2 % 0,18 %

Q 1 000
10 000
– 0,04 %
– 0,06 %
0,03 %
0,1 %
– 0,02 %
– 0,1 %
0,26 %
0,1 %

Lors de l’étalonnage ou de l’utilisation d’un AVAP, celle-ci doit


toujours être en position verticale pour aspirer le liquide. Des
erreurs peuvent se produire quand elle est inclinée car l’AVAP
aspire plus de liquide à cause de la pression hydrostatique.
Lors de la distribution du liquide, il faut que l’AVAP touche la
paroi du récipient de mesure avec un angle de 30 à 45°, afin
d’aider la distribution de tout le liquide contenu dans la pointe.

Important : durant l’étalonnage, l’opérateur doit aspirer le


liquide avec un angle de 90° et le distribuer avec un angle de
30 à 45° comme préconisé par le fabricant.

L’article [7] montre qu’un mauvais angle de distribution et


d’aspiration peut provoquer une erreur de mesure comme indiqué
dans le tableau 2.L’analyse des résultats proposée dans l’article [7]
permet de conclure que la modification de l’angle de distribution
diminue le volume et la modification de l’angle d’aspiration aug-
mente le volume. L’opérateur doit respecter les critères d’inclinai-
son fixés par les fabricants d’AVAP.
Bonne Pointe avec une rupture
La figure 5 illustre l’angle d’aspiration du liquide.
aspiration de la colonne d’eau

Figure 4 – Aspiration du liquide dans l’AVAP

supérieure à la référence). Le tableau 1 montre les résultats


obtenus pour la vitesse de distribution et d’aspiration.

L’analyse des résultats permet de conclure que la vitesse de


manipulation de l’AVAP est un facteur d’influence sur l’exactitude
de l’étalonnage. Plus la manipulation est rapide et moins de
volume est distribué. C’est donc à l’opérateur de respecter ces
critères de vitesse fixés par les fabricants d’AVAP.

3.1.2 Angle d’aspiration et de distribution


Angle correct Angle incorrect
Si un AVAP n’est pas manipulé verticalement pendant l’aspira-
tion, un plus grand volume est pipeté, car la pression hydrostatique
d’une colonne de liquide est proportionnelle au cosinus de l’angle
d’inclinaison. La modification maximale avec la ligne verticale doit
être de 10°. Figure 5 – Angle d’aspiration

Tableau 2 – Erreur de mesure de l’angle de distribution et d’aspiration


Volume nominal de l’AVAP Angle d’aspiration Angle de distribution
(µL) 45° 60° 60° 90°
10 0,21 % 0,08 % – 0,1 % – 0,2 %
100 0,18 % 0,03 % – 0,1 % – 0,2 %
1 000 0,32 % 0,17 % – 0,14 % – 0,2 %
10 000 0,46 % 0,13 % – 0,05 % – 0,19 %

P 1 333 – 6 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

WV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQSSS

__________________________________________________________________________________________________________________________ PIPETTES

3.1.3 Profondeur d’immersion et temps d’attente Tableau 3 – Profondeur d’immersion


et temps d’attente
3.1.3.1 Profondeur d’immersion
Le volume finalement restant dans la pointe de l’AVAP est défini Profondeur
Plage de volume Temps d’attente
au moment de la rupture de la colonne de liquide. À ce moment-là, d’immersion
(µL) (s)
l’orifice de la pointe se trouve un peu au-dessus de la surface du (mm)
liquide. Par conséquent, la profondeur d’immersion n’a pas


d’influence directe sur le volume, mais d’autres effets existant ont 0,1 à 1 1à2 1
un impact indirect. L’effet qui en résulte reste nettement au-des-
sous de 0,02 % sur l’exactitude par millimètre d’écart de profon- > 1 à 100 2à3 1
deur d’immersion. Les volumes partiels et les AVAP de petits
volumes peuvent afficher des valeurs remarquablement élevées. > 100 à 1 000 2à4 2

> 1 000 3à6 3


Important : durant l’étalonnage, l’opérateur doit appliquer la
profondeur d’immersion préconisée par le fabricant ou à défaut
celle du tableau 3.
Tableau 4 – Erreur de mesure
3.1.3.2 Temps d’attente de la profondeur d’immersion
Le processus d’étalonnage de la norme ISO 8655-6 [10] définit Volume nominal Profondeur d’immersion
un temps d’attente de 1 à 2 s. de l’AVAP
Au cours du temps d’attente après l’aspiration, le système de (µL) 1 mm 6 mm
pipetage ne doit pas être déplacé du liquide d’essai.
10 – 0,34 % 0,1 %
Les AVAP de petits volumes ont besoin de 1 s, les AVAP de
volumes nominaux supérieurs 1 000 µl ont besoin d’une période 100 – 0,1 % 0,2 %
d’attente plus longue d’environ 3 s pour s’assurer que l’aspiration
est terminée (différent de la norme ISO 8655-6 [10]). Un temps 1 000 – 0,1 % 0,15 %
d’attente plus long favorise l’évaporation dans le coussin d’air et
provoque la diminution de volume. Par conséquent, la période 10 000 – 0,1 % 0,24 %
d’attente doit être observée d’une manière la plus exacte. Un écart
avec le temps d’attente défini, augmente la valeur de l’incertitude.
Un écart de 0,5 s peut être considéré comme réaliste.
3.1.4 Type de pointe

Important : durant l’étalonnage, l’opérateur doit appliquer le L’utilisation systématique du consommable d’origine est préco-
temps d’attente préconisé par le fabricant ou à défaut celui du nisée pour respecter l’homogénéité du système. Les AVAP sont
tableau 3. conçus et ajustés en usine avec des pointes d’origine.
L’utilisation de pointes (cônes) différentes de celles du construc-
teur peut être validée par comparaison des résultats avec des
3.1.3.3 Erreur de mesure pointes d’origine. 10 cônes au moins sont nécessaires dans ce cas.

L’article [7] montre qu’une mauvaise profondeur d’immersion L’article [7] montre que la pointe d’une autre marque que celle
provoque une erreur de mesure comme indiquée dans le du fabricant peut provoquer une erreur de mesure comme indi-
tableau 4. quée dans le tableau 5.
L’article [7] montre qu’à 1 mm de profondeur les volumes mesu- L’article [7] montre que les deux pointes ont une forme très simi-
rés sont plus faibles que la référence car l’air pénètre dans l’AVAP. laire, mais la pointe de l’autre marque a un diamètre plus petit et
Lorsque la pointe est trop profondément immergée de 6 mm dans le montage est à un niveau inférieur à celui de la pointe du fabri-
le liquide, les volumes mesurés sont plus élevés que la référence cant. Cela signifie que le volume déplacé ou le volume de l’air est
car du liquide peut adhérer à la pointe et être transféré au récipient plus grand pour la pointe du constructeur conduisant à un volume
de pesage. de liquide distribué plus élevé.

Tableau 5 – Erreur de mesure de la pointe

Diamètre de la pointe Diamètre de la pointe


Volume nominal de l’AVAP Erreur de mesure
du fabricant d’une autre marque
(µL) (%)
(mm) (mm)

10 1,48 5,05 5

100 0,16 5,05 5

1 000 0,70 7,7 7,65

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 1 333 – 7

WW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pQSSS

PIPETTES _________________________________________________________________________________________________________________________

second à une altitude H plus élevée) procédant à l’étalonnage du


même AVAP avec la méthode gravimétrique.

La formule (6) montre que le volume dépend de la masse volu-


mique de l’air, pa [formules (4) et (5)].

La formule suivante montre que la pression atmosphérique


(exprimée en pascal) dépend de l’altitude H (en m) :

Q Orifice de pointe Bavure au niveau


de haute qualité de l’orifice de la pointe
Plus l’altitude augmente, plus la masse volumique de l’air
diminue.

On peut se retrouver dans une situation extrême : un AVAP est


conforme en sortie d’usine (fabricant situé au niveau de la mer) et
est non conforme après réception dans un laboratoire situé à une
altitude supérieure. La figure 7 montre la variation du volume en
fonction de l’altitude.

Bien que cette variation soit inférieure aux emt (écart maximal
Défaut de démoulage Défaut coaxial toléré) de la norme ISO 8655-2 [11], elle peut néanmoins remettre
en cause la conformité quand l’erreur est importante.
Figure 6 – Orifices de pointe
3.1.5.2 Volume mort (volume du coussin d’air)

La figure 6 illustre différentes qualités pour l’orifice de la pointe. Ce phénomène est mis en évidence en comparant les volumes
obtenus par un laboratoire (au niveau de la mer) ayant effectué
l’étalonnage de l’AVAP et par l’utilisateur (situé à une altitude plus
élevée) procédant au contrôle de réception.
C’est donc à l’opérateur de veiller à la qualité des pointes.
La variation de volume à différentes altitudes est causée par le
Une loupe suffisamment puissante peut suffire pour évaluer
coussin d’air dans l’AVAP et par la quantité mesurée de liquide
leur qualité. Une comparaison des résultats avec les pointes du
(eau). Une pression barométrique basse génère une compressibilité
fabricant de l’AVAP est aussi une solution pour qualifier la qua-
élevée du coussin d’air. Pour générer un vide partiel en maintenant
lité des pointes.
la colonne de liquide dans la pointe, le coussin d’air doit être encore
plus expansé avec la pression externe inférieure. En conséquence,
de plus petits volumes sont aspirés.
3.1.5 Altitude
3.1.5.1 Méthode gravimétrique – Poussée aérostatique ■ Influence du coussin d’air (volume mort)
Ce phénomène est mis en évidence en comparant les résultats La figure 8 détaille les éléments constituants l’AVAP après aspi-
fournis par deux laboratoires (un au niveau 0 de la mer et le ration du liquide.

0,090

0,080

0,070
Variation de volume

0,060

0,050
ΔV (µL)

µL
00
0,040 A P2
AV
100 µL
0,030

0,020

0,010
10 µL
0,000
0 500 1 000 1 500 2 000 2 500 3 000 3 500 4 000

Altitude H (m)

Figure 7 – Influence de la pression selon l’altitude sur le volume délivré

P 1 333 – 8 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

WX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slRYP

Qualification de l’appareillage
analytique

par Huguette FABRE
Professeur émérite, Laboratoire de chimie analytique, Université Montpellier, UFR Pharmacie,
Montpellier, France
Marie-Dominique BLANCHIN
Maître de Conférences, Laboratoire de chimie analytique, Université Montpellier, UFR
Pharmacie, Montpellier, France
et Catherine PERRIN
Professeur, Laboratoire de chimie analytique, Université Montpellier, UFR Pharmacie,
Montpellier, France

1. Exigences réglementaires ................................................................... SL 290v2 - 2


2. Terminologie........................................................................................... — 3
3. Étapes de la qualification d’un appareil ......................................... — 3
4. Démarche pour établir des tests QO ou QP ............................. — 6
5. Maintenance et étalonnage ................................................................ — 6
6. Exemples de tests pour appareillage d’analyse............................ — 7
7. Documentation ...................................................................................... — 20
8. Conclusion............................................................................................... — 20
9. Glossaire .................................................................................................. — 20
Pour en savoir plus ........................................................................................ Doc. SL 290v2

a qualification de l’appareillage qui démontre que l’appareil est adapté à


L son usage et est maintenu et étalonné de façon appropriée est un pré-
requis, avant l’étape de validation d’une méthode, qui consiste à étudier ses
performances au travers de certains critères (spécificité/sélectivité, exactitude,
fidélité, linéarité, limites de détection et quantification, intervalle d’application,
robustesse). Par la suite, il faut s’assurer que les performances du système
sont maintenues lors de l’application de la méthode en routine en utilisant des
tests de conformité du système et/ou des échantillons de contrôle de qualité.
Dans l’industrie pharmaceutique, les tests de conformité sont en général
réservés aux analyses chimiques et relèvent des « Bonnes pratiques de
fabrication », tandis que les échantillons de contrôle de qualité sont la règle en
bioanalyse qui relève des « Bonnes pratiques de laboratoire ».
Ces différentes étapes constituent un « triangle de qualité » dont la qualifi-
cation de l’appareillage et la validation du système informatique associé (non
traitée ici) constituent la base. À toutes les étapes, il faut « démontrer »,
c’est-à-dire apporter les preuves documentées, tangibles, en fournissant les
enregistrements et les données et en consignant les résultats dans des fiches.
Cet article aborde les données essentielles permettant de mettre en place la
qualification de l’appareillage dans un laboratoire d’analyse qui est le socle de
ce triangle de qualité.
p。イオエゥッョ@Z@ェオゥョ@RPQV

Copyright © – Techniques de l’Ingénieur – Tous droits réservés SL 290v2 – 1

WY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slRYP

QUALIFICATION DE L’APPAREILLAGE ANALYTIQUE ________________________________________________________________________________________

Sigles et abréviations 1. Exigences réglementaires


AFNOR Association française de normalisation
AIQ Analytical Instrument Qualification
Les standards écrits ou autres documents de qualité stipulent
ASTM American Society for Testing and Materials que les appareils utilisés pour produire des résultats d’analyse
doivent être qualifiés, entretenus, étalonnés et vérifiés à des


BPF Bonnes pratiques de fabrication
intervalles de temps définis et que les résultats des tests
BPL Bonnes pratiques de laboratoire doivent être documentés. Les appareils doivent être
« qualifiés », ce qui signifie « adaptés à l’usage ».
cGMP current Good Manufacturing Practices
CLHP Chromatographie liquide haute performance
Pour l’industrie pharmaceutique, la qualification de l’appareil-
Chromatographie liquide/spectrométrie de masse lage n’est pas un concept nouveau ; les exigences et recomman-
CL/SM/SM
en tandem dations sont mentionnées dans :
CPG Chromatographie en phase gazeuse – les Bonnes pratiques de fabrication (BPF) en Europe : « Le
CQ Contrôle de qualité matériel de mesure, de pesée, d’enregistrement et de contrôle doit
être étalonné et vérifié à des intervalles définis, par des méthodes
CV Coefficient de variation appropriées. Les comptes rendus de ces méthodes doivent être
conservés » [1] ;
EMT Erreurs maximales tolérées
– les current Good Manufacturing Practices (cGMP) et les
FDA Food and Drug Administration recommandations de la Food and Drug Administration (FDA)
FR Facteur de réponse aux États-Unis : « controls shall include the calibration of instru-
ments, apparatus, gauges, and recording devices at suitable inter-
Guide de la bonne exécution des analyses de vals in accordance with an established written program containing
GBEA specific directions, schedules, limits for accuracy and precision,
biologie médicale
and provisions, for remedial actions in the event accuracy and/or
HR Humidité relative precision limits are not met. Instruments, apparatus, gauges, and
recording devices not meeting established specifications shall not
International Conference on Harmonisation be used » [2] ;
ICH of technical requirements for registration
of pharmaceuticals for human use – la Conférence internationale d’harmonisation (ICH) :
« control weighing, measuring, monitoring, and test equipment
IRTF Infrarouge à transformée de Fourier that is critical for ensuring the quality of intermediates or active
LQI Limite de quantification inférieure pharmaceutical ingredients should be calibrated according to
written procedures and an established schedule » [3] ;
MRC Matériau de référence certifié
– le chapitre général Analytical Instrument Qualifi-
NIST National Institute of Standards and Technology cation (AIQ) de la Pharmacopée des États-Unis : AIQ is « one
of the major components required for generating reliable and
PE Pharmacopée européenne consistent data » [4].
POS Procédures opératoires standardisées
La qualification de l’appareillage analytique constitue la compo-
psi per square inch (1 psi = 6 894,76 Pa) sante de base du triangle de qualité représenté la figure 1 [4].
QC Qualification de la conception
QI Qualification de l’installation
CQ : Bioanalyse : BPL
QO Qualification opérationnelle assurent
QP Qualification des performances la performance
Renseignent du processus
Pendant
Société française des sciences et techniques sur la dérive Tests de conformité :
SFSTP
pharmaceutiques démontrent que le système Analyse
(appareil + méthode) correspond chimique : BPF
SM Spectrométrie de masse aux exigences fixées pour réaliser l'analyse
TC Tests de conformité Validation des méthodes d'analyse :
démontre que la méthode est adaptée à son usage
Tm Temps de migration Avant Qualification de l'appareillage d'analyse :
Tr Temps de rétention démontre que l'appareil est adapté à son usage et
est maintenu et étalonné de façon appropriée
UA Unités d’absorbance
CQ : contrôles de qualité
USP United States Pharmacopeia BPL : Bonnes Pratiques de Laboratoire
Vm Volume mort BPF : Bonnes Pratiques de Fabrication

λ Longueur d’onde
Figure 1 – Triangle de Qualité des résultats d’analyse (d’après [4])

SL 290v2 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

XP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slRYP

________________________________________________________________________________________ QUALIFICATION DE L’APPAREILLAGE ANALYTIQUE

Les mêmes exigences sont requises :


– pour les analyses biomédicales dont le référentiel actuel est
3. Étapes de la qualification
la norme ISO 15189:2012 qui a remplacé le Guide de bonne exé-
cution des analyses de biologie médicale « Les appareils doivent
d’un appareil
être périodiquement et efficacement inspectés, nettoyés, entrete-
nus et vérifiés selon la procédure en vigueur. L’ensemble de ces Le processus de qualification d’un appareil couvre la vie
opérations ainsi que les visites d’entretien et de réparation du complète du produit depuis sa conception jusqu’à son retrait.
constructeur ou de l’organisme de maintenance doivent être consi- La qualification est classiquement [4] [6] [7] [8] [9] [10] [11] divisée
gnés par écrit dans un registre de maintenance affecté à chaque
instrument. Le responsable du laboratoire doit s’assurer de la mise
en œuvre des moyens métrologiques nécessaires à leur véri-
en quatre étapes :
– qualification de la conception QC (design qualification

fication usuelle » [5] ; DQ) ;
– pour la compétence des laboratoires d’étalonnages et – qualification de l’installation QI (installation qualification
d’essais dont le référentiel est la norme ISO 17025:2005 : IQ) ;
« l’équipement et le logiciel correspondant utilisés pour les essais, – qualification opérationnelle QO (operational qualification
les étalonnages et l’échantillonnage doivent permettre d’obtenir OQ) ;
l’exactitude requise et doivent être conforme aux spécifications
pertinentes pour les essais et/ou les étalonnages en question ». – qualification des performances QP (performance qualifi-
Enfin, la norme ISO 9001:2015, qui concerne le management de cation PQ).
la qualité, indique que « les équipements de mesure doivent être Le déroulement dans le temps des différentes étapes de la
étalonnés ou vérifiés à intervalles spécifiés par rapport à des éta- qualification et les activités reliées à chacune des étapes sont
lons internationaux (...), réglés (...), identifiés (...), protégés contre donnés dans le tableau 1.
des réglages susceptibles d’invalider les résultats de mesure,
protégés contre tout dommage (...) ». Des divergences existent dans la littérature quant au positionne-
ment de ces activités ; certaines peuvent aussi être réalisées au
cours de plusieurs phases. Le point important est de les réaliser et
Il est bien évident que les principes de base soulignés dans de les documenter plutôt que de savoir à quelle phase elles appar-
cet article sont applicables à tous les laboratoires d’analyse, tiennent. La rédaction d’un « plan de validation » très tôt dans le
qu’ils soient ou non soumis à des exigences réglementaires. cycle de vie de l’appareil est la clé pour contrôler l’ensemble du
processus de qualification. Ce document constitue un cadre au
processus en définissant l’objectif, la stratégie, les différentes
étapes, les documents à fournir et les responsabilités du person-
nel. Il est exigé lors des audits ou des inspections réglementaires
2. Terminologie de l’industrie pharmaceutique.

Des divergences apparaissent dans les articles, ouvrages, sym-


posia... pour la terminologie de la qualification et de la validation. Tableau 1 – Étapes de la qualification [4]
Aussi, avant d’aborder les points principaux de la qualification, il
est important de préciser la terminologie pour éviter des confu- QC QI QO QP
sions. Les définitions de la qualification données ci-après sont
issues de la Pharmacopée des États-Unis et d’articles et ouvrages Après
Périodi-
spécialisés reconnus sur ce sujet [1] [4] [6] [7] [8] [9] [10] [11]. installation
Avant À quement
ou
achat l’installation à intervalles
réparation
définis
majeure
Qualification d’un instrument : processus qui permet
d’assurer qu’un instrument est adapté à l’application visée. Assurance Description du Paramètres Maintenance
de la QC système fixes préventive et
C’est un processus formel qui fournit la preuve documentée réparations
qu’un appareil est approprié à l’usage auquel il est destiné et a des
performances en accord avec des spécifications. Il fournit l’assu- Assurance Livraison Procédures
rance que l’équipement fonctionne correctement quelle que soit la de l’assistance pour modes
méthode d’analyse qui est utilisée. du fabricant opératoires,
étalonnage et
Adapté à Facilités maintenance
usage Environne-
Validation : confirmation par des preuves tangibles que les
ment
exigences pour une utilisation spécifique ou une application
prévue ont été satisfaites (NF EN ISO 9000).
Réseau et Stockage
stockage des des données
Le terme validation est réservé aux procédures d’analyse et logi- données sécurisées,
ciels et le terme qualification, à l’appareillage. Il est bien évident que sauvegarde
la qualification des appareils et la validation des logiciels (non traitée et archivage
ici) utilisés pour contrôler et acquérir des résultats d’analyse sont
étroitement liées et qu’une approche intégrée doit être adoptée. Assemblage
et installation
Un glossaire de termes employés dans cet article est donné
dans le paragraphe 9 avec la traduction des termes en anglais Vérification de Tests de Vérification
entre parenthèses. L’essentiel des termes métrologiques peut être l’installation fonctionne- des perfor-
trouvé dans la référence [12] et dans les normes et standards cités ment mances
dans le Pour en savoir plus [Doc. SL 290].

Copyright © – Techniques de l’Ingénieur – Tous droits réservés SL 290v2 – 3

XQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slRYP

QUALIFICATION DE L’APPAREILLAGE ANALYTIQUE ________________________________________________________________________________________

3.1 Qualification de la conception QC 3.3 Qualification opérationnelle QO

Elle couvre toutes les procédures qui se déroulent avant Elle couvre le processus permettant d’établir que l’appareil ou
l’installation. les modules qui le constituent fonctionnent dans leur environ-
nement dans un intervalle d’utilisation représentatif ou anti-
cipé, suivant les spécifications opérationnelles, et que le
La conception d’un appareil commercialisé incombant à son système informatique et la sécurité fonctionnent correctement.

Q fournisseur, l’utilisateur a peu d’influence sur la conception de


l’instrument et la QC est pratiquement toujours réalisée par le ven-
deur ou le fabricant. Le rôle de l’utilisateur est dans cette étape :
Les fonctions et l’intervalle testés dépendent des types d’applica-
tion prévus. Les tests sont formels, généralement établis par le
– d’identifier les besoins du laboratoire ; fournisseur, mais peuvent aussi être proposés par l’utilisateur. Ils
sont réalisés après étalonnage de l’appareil et exécutés avec des
– d’établir en fonction des usages prévus les spécifications opé-
étalons chimiques reconnus ou internationalement acceptés [13]
rationnelles (caractéristiques clés de l’appareil et intervalle d’utili-
ou des appareils (sondes de température, débitmètre, ampère-
sation) et fonctionnelles (exigences d’ensemble, y compris les
mètre...) traçables à des étalons nationaux ou internationaux. Si
précédentes, et tous autres facteurs critiques à son usage, comme
l’appareil est destiné à une application unique, le composé
la formation du personnel, la maintenance, l’étalonnage, la docu-
chimique test peut être celui utilisé dans la méthode de routine. Si
mentation, la période de garantie, etc.) ;
l’appareil est constitué de plusieurs modules [15], les tests peuvent
– de considérer la facilité d’utilisation ; être modulaires ou holistiques (globaux). Pour les systèmes inté-
– de justifier l’acquisition ; grés, les tests holistiques sont souvent appliqués et préférés aux
– d’établir le budget nécessaire à l’acquisition et à la tests modulaires, sauf si le paramètre testé est relié au module
maintenance ; lui-même, par exemple l’exactitude de longueur d’onde pour un
détecteur UV de chromatographie liquide. Les spécifications adop-
– de justifier le choix du fournisseur (vérifier par exemple le sys- tées doivent être fixées avant de réaliser le test. Elles ne sont pas
tème d’assurance qualité du constructeur au niveau du développe- nécessairement celles du constructeur et peuvent être élargies en
ment, de la fabrication et des tests effectués sur l’appareil, fonction des applications visées ou du test appliqué.
l’assistance à l’installation, le service après-vente, la formation...).
À ce stade, outre la référence à un système qualité (par exemple, Les tests de la QO sont répétés à une fréquence déterminée de
certification ISO 9001), l’audit du vendeur ou la documentation façon à ce que tous les paramètres restent dans les spécifications.
qu’il fournit, les communications informelles avec techniciens et Ils permettent de suivre l’évolution de l’appareillage au cours du
usagers, l’analyse d’échantillons jouent un rôle important dans la temps. La fréquence des tests dépend du type d’appareil, de son
sélection du fournisseur et l’assurance que l’appareil est adapté utilisation et de son environnement, des critères spécifiés et des
aux usages prévus. dérives de l’appareil.

Ainsi, pour une balance, elle est de 1 an pour un usage normal mais
peut être réduite à 6 mois en cas d’usage intensif.
3.2 Qualification de l’installation QI
La fréquence initialement définie peut être reconsidérée selon
l’expérience acquise.
Elle couvre les procédures qui se déroulent à l’installation de Quand l’appareil a été déplacé, modifié, n’a pas été utilisé pen-
l’appareillage dans son environnement. dant une longue période de temps, a fait l’objet d’une opération de
maintenance ou de remplacement de pièces, une requalification
qui reprend souvent les tests de la QO est effectuée. Elle n’est pas
Dans cette phase, il est vérifié que l’appareillage : nécessairement totale, mais doit couvrir le changement spécifique
qui a été réalisé.
– est conforme à la commande et livré sans dommage
physique ;
Exemple : le remplacement de la lampe d’un détecteur de chroma-
– est accompagné de la documentation requise ; tographie liquide nécessite une requalification modulaire du détecteur,
– est installé dans un environnement qui convient à son mais ne demande pas celle des autres parties du système.
utilisation ;
– s’allume correctement, Cette requalification modulaire est complétée ensuite par un test
global du système pour s’assurer que les performances globales
– que le logiciel et les composants du système communiquent sont satisfaisantes.
entre eux de façon satisfaisante.
La QO peut être faite par le fournisseur, par une société de
La comparaison des résultats de l’analyse d’un échantillon de sous-traitance ou par l’utilisateur, mais est toujours sous la respon-
référence à une valeur de référence peut être réalisée à ce stade. sabilité de l’utilisateur.
Ce point est quelquefois inclus dans la QO.
La QI pour les petits appareils simples et de prix peu élevé
comme les pH-mètres est souvent effectuée par l’utilisateur. Pour
3.4 Qualification des performances QP
les appareils plus complexes (chromatographes, spectrophoto-
mètres, titrateurs...) ou les balances, elle est effectuée par le four- Elle couvre le processus servant à démontrer que l’appareil
nisseur. Le déballage de l’appareillage par l’utilisateur invalide continue à fonctionner de façon régulière et constante selon
d’ailleurs quelquefois la garantie. des spécifications appropriées à son usage de routine.
À l’installation, une étiquette est apposée sur l’appareil compor-
tant un numéro d’identification propre au laboratoire et le En pratique, cela signifie que le système fournit un produit
numéro de série de l’appareil. L’appareil est clairement identifié acceptable. Les tests de performance sont réalisés en plus de la
par une fiche signalétique dont un exemple est donné dans la maintenance régulière et de l’étalonnage de l’appareil, à une fré-
figure 2 pour une balance de précision. quence beaucoup plus grande que celle de la QO et qui dépend de

SL 290v2 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

XR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slRYP

________________________________________________________________________________________ QUALIFICATION DE L’APPAREILLAGE ANALYTIQUE

FICHE SIGNALÉTIQUE D’UNE BALANCE

MATÉRIEL
Désignation : ………………………………………………………………………………………………………………………………………………...
………………………………………………………………………………………………………………………………………………...
Marque : ……………………………………… Type : ………………………………….. N° série : ……………………………………………………….
Date de mise en service : ……/……/…… Affectation : ……………………………………………………………………………..
Durée de garantie : ……………………………………………… Référence contrat de maintenance : ………………………………………………..

N° d’inventaire : ………………………………………………… N° d’identification : …………………………………………………………………….
Service : ………………………………………………………….. Local : …………………………………………………………………………………….
RESPONSABLE
Nom : ………………………….. Prénom : …………………………..……….. n° téléphone : …………………………..………..…….
REMPLAÇANT
Nom : ………………………….. Prénom : …………………………..……….. n° téléphone : …………………………..………..…….
DOCUMENT APPLICABLES
• Guide d’installation et fiche d’installation d’une balance
• Procédure générale pour la vérification de balances
• Mode opératoire pour la vérification simplifiée d’une balance et fiche de contrôle
CARACTÉRISTIQUES PRINCIPALES
Lister ci-dessous les éléments concernant la balance :
• Classification (mécanique, électrique, électronique) ;
• Précision d’affichage (échelon réel) ;
• Portée maximale ;
• Portée minimale ;
• Valeur du temps d’intégration (fixe ou réglable) ;
• Valeur du temps de stabilisation (fixe ou réglable) ;
• Type de calibrage (interne et/ou externe) ;
• Possibilité de calibrage externe par l’utilisateur (oui ou non) ;
• Présence d’un poids de calibrage interne (oui ou non) ;
• Présence d’un poids de calibrage externe (oui ou non) ;
• Valeur et classe du poids de calibrage externe ;
• Poids de la balance ;
• Encombrement (dimensions) ;
CONSOMMABLES
Reporter le nombre et la référence de chaque consommable à stocker :
• Fusible ;
• Lampe ;
• Pinceau ;
• Housse ;
• Papier (si imprimante connectée) ;
• Ruban encreur (si imprimante connectée) ;
• Autres ;

Figure 2 – Exemple de fiche signalétique pour une balance de précision (doc. Mettler-Toledo)

la robustesse de l’appareillage et de la criticité des tests. Ils sont ceutique) et/ou par l’analyse d’échantillons de « contrôle de
dérivés de la QO et/ou de procédures d’analyse et doivent toujours qualité » associés à des « cartes de contrôle » (parties intégrantes
utiliser des conditions similaires à celles de routine. Ils peuvent des analyses biologiques). Il est à souligner que tests de confor-
être effectués de façon classique ou automatique avec un logiciel mité et échantillons de contrôle de qualité complètent la QP, mais
intégré, être modulaires ou holistiques, ces derniers étant généra- ne sauraient la remplacer car ils ne peuvent détecter une perfor-
lement préférés. Les spécifications peuvent être celles de la QO ou mance marginale du système, comme par exemple la dérive de
des spécifications élargies plus appropriées à l’usage de routine. l’exactitude en longueur d’ondes d’un détecteur.
Les aspects de la QP sont en partie couverts par les « tests de La QP est en général faite par l’utilisateur et est sous sa respon-
conformité » (souvent inclus dans les méthodes d’analyse pharma- sabilité.

Copyright © – Techniques de l’Ingénieur – Tous droits réservés SL 290v2 – 5

XS

XT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQPTP

Caractérisation d’une méthode de


mesure : étape clé dans le processus
de validation Q
par Soraya AMAROUCHE
Laboratoire national de métrologie et d’essais (LNE)

1. Processus de validation d’une méthode, une démarche qualité SL 1 040 - 2


2. Méthode de mesure ................................................................................. — 2
3. Caractérisation : informations clés pour la validation
d’une méthode .......................................................................................... — 4
4. Conclusion.................................................................................................. — 12
5. Annexes....................................................................................................... — 13
Pour en savoir plus ........................................................................................... Doc. SL 1 040

alider, c’est apporter des preuves que la méthode de mesure ou d’analyse


V remplit les prescriptions particulières en vue d’une utilisation prévue,
déterminée (voir § 5.4 de NF ISO/CEI 17025 « Exigences générales concernant
la compétence des laboratoires d’étalonnage et d’essais »). En dehors des
méthodes normalisées (ou définies consensuellement par une profession) qui
sont considérées comme validées par les organismes d’accréditation
lorsqu’elles sont utilisées dans leur domaine d’application, les autres
méthodes (méthode normalisée adaptée, méthode développée en interne...)
doivent posséder un dossier de validation apportant les preuves que les per-
formances sont en adéquation avec les besoins formulés par un client (interne
ou externe). En effet, le besoin peut être pour répondre à une demande ponc-
tuelle d’un client ou pour proposer une nouvelle prestation.
L’analyse de la méthode de mesure candidate (processus de mesure au sens
p。イオエゥッョ@Z@ェオゥョ@RPQP@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQX

large) et du besoin client se traduit par une ou plusieurs caractéristiques à étu-


dier. Ces caractéristiques (justesse, répétabilité, reproductibilité, limite de
quantification, linéarité...) font partie de l’étape qui est nommée « caractérisation
intralaboratoire » dans le processus de validation de la méthode.
Ce document présente simplement les outils qui permettent de quantifier ou
vérifier ces caractéristiques de performance au sein du laboratoire. Il ne traite
pas des caractéristiques de performance de la méthode par essais interlabora-
toires développées dans la série des normes NF ISO 5725 [2] [3].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. SL 1 040 – 1

XU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQPTP

CARACTÉRISATION D’UNE MÉTHODE DE MESURE : ÉTAPE CLÉ DANS LE PROCESSUS DE VALIDATION _______________________________________________

1. Processus de validation 1.2 Choix et optimisation d’une méthode


non normalisée
d’une méthode,
Lorsqu’il n’existe pas de méthode répondant aux performances
une démarche qualité requises, il faut s’assurer avant de se lancer dans un dévelop-
pement de la faisabilité technique. Les critères de performance
requis par le client vont permettre de faire des choix a priori sur
La norme NF ISO/CEI 17025 [1] détaille le processus de valida-


différents postes : l’environnement d’essai, les équipements, les
tion d’une méthode de mesure dans les grandes lignes en laissant
consommables, le personnel, la méthode (mode opératoire)...
le choix sur les outils, tels que l’utilisation des plans d’expériences
ou la quantification de l’écart type de répétabilité ou l’écart type de Lorsque la méthode est développée, avant de se lancer dans la
reproductibilité. L’ensemble de la démarche est résumé dans la caractérisation, il est conseillé d’utiliser la technique des plans
figure 1. d’expériences [P 230] pour optimiser la méthode de mesure ou
d’analyse. L’objet des plans d’expériences est de quantifier
La partie « Caractérisation » s’inscrit dans un ensemble et
l’influence des paramètres sur la réponse à partir de résultats
s’applique lorsque la méthode utilisée est non normalisée ou hors
d’expérimentations choisies et ainsi fixer les paramètres au
de son domaine d’application.
meilleur niveau.

Méthode normalisée, que faire : 1.3 Dossier de caractérisation


– vérifier que le laboratoire a la capacité technique pour (caractérisation intralaboratoire)
mettre en œuvre la méthode ;
– vérifier que le personnel a les compétences pour mettre Le dossier de caractérisation doit rassembler toutes les opéra-
en œuvre l’ensemble de la méthode ; tions réalisées au cours de la caractérisation de la méthode et de
– réaliser sur un échantillon la méthode pour valider la l’évaluation de l’incertitude de mesure. Ce dossier constitue les
démonstration de la maîtrise de sa mise en œuvre dans son preuves nécessaires à la démonstration de la maîtrise par le labo-
champ d’application ; ratoire.
– lorsque l’écart type de répétabilité de la méthode est
publiée, le comparer à l’écart type de répétabilité obtenu. Il est donc nécessaire d’avoir pour chaque méthode :
– la définition du mesurande (§ 2.1) ;
– une définition claire du domaine d’application ;
– la procédure de la méthode de mesure, ainsi que la phase de
1.1 Analyse de l’expression du besoin développement et d’optimisation lorsqu’elles existent ;
et formalisation – la liste des caractéristiques définissant les performances de la
méthode (répétabilité, reproductibilité, justesse, linéarité...), ainsi
Une méthode de mesure validée n’a d’existence que par rapport que les méthodes utilisées pour les quantifier ;
à un besoin formulé. Le client exprime son besoin avec son voca- – les résultats de la caractérisation ;
bulaire (différent en fonction des domaines et des disciplines) qu’il – l’évaluation de l’incertitude de mesure (conseillée).
faut savoir interpréter et reformuler correctement en termes tech-
niques (caractéristiques à quantifier ou à vérifier) pour apporter la
méthode de mesure ou d’analyse qui convient. 1.4 Déclaration d’aptitude
L’analyse de l’expression du besoin client est l’étape de base et étape de validation
dans la démarche de caractérisation d’une méthode de mesure ou
d’analyse. Il est important de bien dissocier le dossier de caractérisation de
la méthode de l’opération de validation qui est la déclaration de
Exemple l’aptitude de la méthode à répondre à des besoins spécifiés d’un
client. Elle consiste à mettre en rapport les critères de performance
Demande du client : dosage du formaldéhyde dans le cadre de la requis par le client avec les caractéristiques de performance quan-
surveillance des locaux de travail. tifiées de la méthode et de statuer sur son adéquation.
La norme qui peut s’appliquer est la suivante NF X 43-264 : Qualité
de l’air. Air des lieux de travail.
Le mesurande est la détermination de la teneur en formaldéhyde
sur un domaine d’application de 0,12 à 600 mg ⋅ m–3.
2. Méthode de mesure
La méthode est présentée au client qui répond à son besoin initial
formulé. Il donne son accord sur la méthode mais pas sur le domaine Le VIM (Vocabulaire international de métrologie) [4] définit la
d’application dont la limite basse doit diminuer. Il faut donc adapter la méthode de mesure comme la « description générique de l’organi-
méthode et quantifier certaines caractéristiques pour l’étape de vali- sation logique des opérations mises en œuvre dans un
dation. mesurage ». L’étape mode opératoire (figure 2) est l’étape de base
qui peut être couplée à une étape « préparation de l’échantillon »
Quelles sont ces caractéristiques ? Il s’agit de : (étape 1) et à une étape « outils mathématiques » (étape 3) lorsque
– la répétabilité ; le résultat de sortie de l’étape mode opératoire n’est pas dans
– la reproductibilité ; l’unité exigée (passage par une droite d’étalonnage qui permet de
– la justesse ; relier des sorties en mV à des concentrations en mg · L–1...).
– la linéarité ;
– la limite de détection/limite de quantification.
Cette première étape de formalisation du besoin va donc permettre
2.1 Définition du mesurande
de sélectionner la méthode qui va répondre aux critères et si elle Il est important de définir avec le plus de précision possible ce
n’existe pas exactement, deux cas peuvent se présenter : que l’on veut mesurer. Le terme de mesurande est issu du vocabu-
– adapter une méthode normalisée existante ; laire de la métrologie et sa définition extraite de la nouvelle ver-
– développer une nouvelle méthode. sion du VIM est la suivante : « grandeur que l’on veut mesurer ».

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


SL 1 040 – 2 est strictement interdite. – © Editions T.I.

XV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQPTP

_______________________________________________ CARACTÉRISATION D’UNE MÉTHODE DE MESURE : ÉTAPE CLÉ DANS LE PROCESSUS DE VALIDATION

Expression du besoin client

Formalisation
(En caractéristiques quantifiables ou vérifiables)
Plans d’expériences
Quelle méthode ?
Processus de validation selon la norme ISO/CEI 17025

Méthode normalisée
(dans son champ d’application)
Autre méthode Q
Méthode adaptée Développement
d’une méthode d’une nouvelle
normalisée méthode
Confirmation
(application à blanc sur Caractérisation
un échantillon interne)
Justesse
Répétabilité
Reproductibilité
Vérification Linéarité
de l’emploi dans son Comparaison
Limite de détection
domaine d’application interlaboratoires
Limite de quantification
Spécificité/sélectivité
Robustesse

Aptitude de la méthode
Validation Évaluation de l’incertitude de mesure
aux besoins

Figure 1 – Processus de validation d’une méthode (Norme NF ISO/CEI 17025)

1 2 3

Préparation de l’échantillon Mode opératoire Outils mathématiques

Échantillonnage Courbe d’étalonnage


Mise en solution Traitement informatique
Découpe Algorithme…
Extraction…

Figure 2 – Méthode de mesure ou d’analyse

Cette définition est suivie de plusieurs notes nécessaires à sa ■ La définition du mesurande peut contenir certains éléments qui
compréhension, avec un échantillon choisi ci-dessous : laissent deviner la procédure de mesure. On a ci-dessous la
Note 1 : la spécification d’un mesurande nécessite la mesure de la même distance sur une cale mais dans une
connaissance de la nature de grandeur et la description de l’état configuration différente :
du phénomène, du corps ou de la substance dont la grandeur est – distance entre les deux centres des faces d’une cale, à 20 oC, la
une propriété, incluant tout constituant pertinent, et les entités chi- cale étant en position horizontale.
miques en jeu.
Note 3 : il se peut que le mesurage, incluant le système de
mesure et les conditions sous lesquelles le mesurage est effectué,
modifie le phénomène, le corps ou la substance, de sorte que la
grandeur mesurée peut différer du mesurande. Dans ce cas, une
correction appropriée est nécessaire.
– distance entre deux plans parallèles, à 20 oC, la cale étant en
Note 3, exemple 2 : la longueur d’une tige en équilibre avec la position horizontale.
température ambiante de 23 oC sera différente de la longueur à la
température spécifiée de 20 oC, qui est le mesurande. Dans ce cas,
une correction est nécessaire.

Exemples de définition de mesurande :


■ Concentration totale de glucose dans un spécimen de plasma
humain (mmol · L–1). Il est important de spécifier la nature de
l’échantillon.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. SL 1 040 – 3

XW

XX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQPUP

Facteur humain et démarche qualité


dans les laboratoires de recherche

par Bernadette JOUGUET
Institut de recherches sur la catalyse et l’environnement de Lyon (IRCELYON,
UMR 5256, CNRS-Université Lyon 1)
et Patrick MÉRAS
Institut des sciences analytiques – département service central d’analyse (ISA-SCA, UMR
5280, CNRS-Université Lyon 1)

1. Éléments essentiels au succès d’une démarche qualité ............ SL 1 050 - 2


1.1 Vision globale............................................................................................... — 2
1.2 Management relationnel ............................................................................. — 2
1.3 Engagement de la direction ........................................................................ — 3
2. Attitude managériale au cœur du système qualité.................... — 3
2.1 Leadership .................................................................................................... — 3
2.2 Attitudes positives de management........................................................... — 4
3. Implication du personnel ....................................................................... — 4
3.1 Responsabilisation du personnel ............................................................... — 4
3.2 Management relationnel des ressources humaines ................................. — 5
4. Conclusion.................................................................................................. — 5
Pour en savoir plus ........................................................................................... Doc. SL 1 050

e mot « qualité » est polysémique, c’est-à-dire qu’il a plusieurs sens, ce qui


L crée une source d’ambiguïté et de confusion [1]. De même, le terme de
« démarche qualité » n’est pas toujours bien compris, comme en témoigne la
mauvaise interprétation qui consiste à assimiler de façon systématique la
démarche qualité à une démarche de certification [2]. De plus, les normes
p。イオエゥッョ@Z@、←」・ュ「イ・@RPQR@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQX

ISO 9000 issues de la révision de 1994 ont contribué à lui donner une
connotation plutôt négative, empreinte de lourdeurs et de contraintes, en foca-
lisant les démarches qualité sur la rédaction de procédures et de modes
opératoires, au détriment de la valorisation du facteur humain. Fort heureuse-
ment, l’avènement des normes ISO 9000 version 2000 a marqué le passage
d’une approche de la qualité basée sur une culture technique fondée sur les
sciences exactes — souvent nommée « qualiticienne » et illustrée par la
formule « j’écris ce que je fais, je fais ce que je dis, je prouve ce que je fais » —
vers une démarche qualité axée sur une culture de management relative aux
sciences humaines et sociales [3]. Cette évolution relativement récente tient
compte des hommes et des femmes, en intégrant chaque acteur de la
démarche dans le système de management de la qualité et en encourageant la
mise en pratique du management relationnel préconisé par William Edwards
Deming dès 1950 [4].
Tout au long de cet article, l’expérience acquise au sein de deux laboratoires
de recherche et d’analyse dans le domaine de la chimie, l’IRCELYON et
l’ISA-SCA, va étayer nos propos. Ces deux unités mixtes de recherche regrou-
pent respectivement 230 et 80 personnes en moyenne par an. Elles sont
affiliées aux mêmes tutelles, le CNRS et l’université Lyon 1, et relèvent du
CNRS pour leur délégation globale de gestion. Dans les deux cas, une

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. SL 1 050 – 1

XY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
slQPUP

FACTEUR HUMAIN ET DÉMARCHE QUALITÉ DANS LES LABORATOIRES DE RECHERCHE ___________________________________________________________

démarche qualité basée sur le référentiel ISO 9001 a été mise en œuvre selon
une approche processus [5] et appliquée à l’ensemble du laboratoire. Seul
l’ISA-SCA a choisi et obtenu la certification ISO 9001 en octobre 2010 [6].
Quant à l’IRCELYON, sa réflexion a été initiée en 2004, dans le cadre d’une
action pilote du CNRS [7]. Elle a abouti à la mise en place d’un logiciel qualité
évolutif qui a joué un rôle prépondérant dans l’harmonisation de fonctionne-
ment des deux laboratoires qui se sont regroupés en 2007, lors de la création
Q de l’IRCELYON. Depuis, le développement du système qualité informatisé se
poursuit, en intégrant au fur et à mesure de nouveaux processus. Les auteurs
de cet article sont les responsables qualité de ces deux laboratoires et
membres fondateurs de l’atelier régional d’animation qualité Rhône-Auvergne
et Alpes [8] qui fait partie du réseau « Qualité en recherche » du CNRS.
Dans cet article, nous proposons de mettre en exergue le rôle fondamental
de tous et de chacun dans la réussite et l’appropriation d’une démarche qua-
lité, quel que soit le type de service où elle est implantée. Tout d’abord, nous
poserons les fondations favorables à son succès et développerons plus parti-
culièrement les notions d’équilibre dans la vision de la démarche, le
management relationnel et l’engagement de la direction. Puis, l’importance du
comportement de chacun sera mise en évidence en évoquant le rôle du lea-
dership et des attitudes positives de management. Enfin, au travers de
l’implication du personnel, nous aborderons la responsabilisation de chaque
individu, la prise en compte du management relationnel des ressources
humaines et le rôle des acteurs de la démarche.

Cet article est issu d’une présentation effectuée lors de la 9e école « Qualité en recherche et
en enseignement supérieur », Montpellier, 7-9 septembre 2011 et de l’école qualité du dépar-
tement PHASE de l’INRA, La Rochelle, 17-19 janvier 2012.

1. Éléments essentiels changement [12] qui va impacter, d’une part, les moyens
techniques mis en œuvre (méthodes et outils) et, d’autre part, les
au succès d’une démarche personnes impliquées dans la démarche. En conséquence, la
stratégie consiste à rechercher un équilibre dynamique entre la
qualité place attribuée aux êtres humains et celle occupée par les moyens
techniques, en adéquation avec les objectifs fixés et cela, dans le
respect des éléments qualité déjà existants et de la culture du
En accord avec le principe 6 de management de la qualité de service ou du laboratoire par exemple. C’est pourquoi, chaque
l’ISO 9000 [9], l’objectif permanent d’une démarche qualité est démarche qualité est unique.
l’amélioration continue de la performance globale d’un organisme
qui repose sur le principe de la roue de Deming [10]. Pour Dans le cadre du référentiel ISO 9001 (le seul certifiable), cette
l’atteindre, il est primordial que cette démarche soit participative, vision consiste à répondre avec bon sens aux exigences norma-
volontaire, pragmatique, progressive et consensuelle. L’engage- tives en prenant en compte l’expérience, les pratiques et la créati-
ment de tous est donc nécessaire à la réussite de la démarche et vité de chacun [6], plutôt que d’appliquer une norme sans choix de
certains facteurs clés concourent à son succès : l’engagement de la consensus préalable. Par exemple, l’outil informatique de gestion
direction, l’encadrement du projet (améliorations progressives, de la qualité doit s’adapter au besoin et être évolutif pour
formalisation des procédures, gestion du temps...) et l’implication accompagner la progression de la démarche ou l’évolution des
du personnel [11]. nouvelles technologies, et non l’inverse. Dans cette optique,
l’IRCELYON a mis en œuvre un système d’information automatisé
Dans ce paragraphe, nous soulignerons l’importance de trois
développé en interne avec un progiciel qualité placé au cœur du
éléments essentiels à l’intégration des hommes et des femmes
système de gestion des flux d’informations du laboratoire [13] et
dans la démarche et à son appropriation : une vision globale du
l’ISA-SCA un système de management de l’information du labora-
projet qualité, la mise en place d’un management relationnel et la
toire (LIMS : Laboratory Information Management System ) [14].
conviction de la direction de s’engager dans cette démarche.

1.1 Vision globale 1.2 Management relationnel


Dès le démarrage de la démarche, il convient de développer une La démarche qualité étant multicouche, la recherche de cet équi-
vision et des valeurs communes sur des objectifs partagés, adap- libre dynamique (§ 1.1) se retrouve à tous les niveaux de la démar-
tées aux besoins et aux attentes des acteurs et des partenaires de che. Chaque niveau est constitué de femmes et d’hommes,
cette démarche. En effet, une vision globale du projet qualité est encadrés par des responsables en charge de les manager, en
indispensable pour construire puis maintenir un système qualité mettant en œuvre deux ensembles de compétences : techniques et
cohérent et évolutif. Cela va se traduire par une dynamique de relationnelles. Dans cet article, nos propos seront axés sur le

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


SL 1 050 − 2 est strictement interdite. − © Editions T.I.

YP
Qualité au laboratoire
(Réf. Internet 42497)

1– Qualité et validation R
2– Validation des méthodes et évaluation d'incertitudes Réf. Internet page

Validation des méthodes d'analyse quantitatives au moyen du proil d'exactitude P224 93

De la validation des méthodes à la validation des résultats P225 99

Validation externe des méthodes d'analyse P226 103

Limite de détection de méthodes d'analyse et termes apparentés P262 107

Cumul de mesures P263 111

3– Qualité des essais et analyses au laboratoire

4– Mise en œuvre de la norme ISO 17025

 Sur www.techniques-ingenieur.fr
• Saisissez la référence Internet pour accéder directement aux contenus en ligne
• Retrouvez la liste complète des ressources documentaires

YQ

YR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRT

Validation des méthodes d’analyse


quantitatives au moyen du profil
d’exactitude
par Max FEINBERG
Ingénieur agronome, Docteur d’État en chimie,
Consultant en chimiométrie R
1. Place de la validation dans le cycle de vie................................. P 224v2 - 2
1.1 Concept de cycle de vie d’une méthode.................................................... — 2
1.2 Méthodologie classique de validation....................................................... — 4
1.3 Méthodologie globale : le profil d’exactitude ........................................... — 5
2. Vocabulaire de la validation ................................................................. — 6
2.1 Critère de justesse ....................................................................................... — 7
2.2 Critère de fidélité ......................................................................................... — 8
2.3 Critère d’exactitude ..................................................................................... — 9
2.4 Autres critères.............................................................................................. — 9
3. Estimation de la fidélité de la méthode ............................................ — 10
3.1 Conditions de mesure ................................................................................. — 10
3.2 Nombre de séries et nombre de répétitions par série ............................. — 11
3.3 Utilisation du coefficient de variation........................................................ — 11
4. Estimation de la justesse de la méthode .......................................... — 11
4.1 Modes d’expression de la justesse ............................................................ — 11
4.2 Traçabilité en chimie ................................................................................... — 12
4.3 Spécificité et interférences ......................................................................... — 12
5. Méthode du profil d’exactitude ........................................................... — 13
5.1 Disposer du mode opératoire et définir le mesurande ............................ — 14
5.2 Définir les objectifs...................................................................................... — 14
5.3 Échantillons de validation et valeurs de référence................................... — 14
5.4 Plan d’expérience de validation ................................................................. — 14
5.5 Plan d’expérience d’étalonnage ................................................................. — 15
5.6 Collecter les données .................................................................................. — 16
p。イオエゥッョ@Z@、←」・ュ「イ・@RPQR@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQX

5.7 Prédire les concentrations par étalonnage inverse .................................. — 16


5.8 Critères de validation et intervalles de tolérance ..................................... — 16
5.9 Construire le profil d’exactitude................................................................. — 19
5.10 Interpréter les résultats ............................................................................... — 20
6. Exemples d’interprétation et compléments ..................................... — 20
6.1 Ajouts dosés par pesée : réalignement des niveaux................................ — 20
6.2 Effets de matrice : valider un facteur de correction.................................. — 21
6.3 Limite de quantification (LQ)...................................................................... — 21
6.4 Estimation de l’incertitude de mesure....................................................... — 21
7. Calculs pratiques des critères de validation.................................... — 22
7.1 Choix d’un outil de calcul ........................................................................... — 22
7.2 Écarts-types de fidélité................................................................................ — 23
7.3 Intervalles de tolérance (β-IT) ..................................................................... — 26
8. Conclusion ................................................................................................. — 27
Pour en savoir plus ............................................................................................ Doc. P 224v2

es analystes sont maintenant très au fait de la validation des méthodes et,


L depuis 10 ou 15 ans, ils ont acquis une bonne expérience dans ce domaine.
Mais pourquoi – parmi toutes les préoccupations des analystes – la validation

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. P 224v2 – 1

YS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRT

VALIDATION DES MÉTHODES D’ANALYSE QUANTITATIVES AU MOYEN DU PROFIL D’EXACTITUDE __________________________________________________

des méthodes a-t-elle pris une place aussi importante ? Pour l’expliquer, il faut
rendre compte du développement de l’assurance qualité dans les laboratoires.
Les principes mêmes de l’assurance qualité sont bien connus et codifiés par
des normes très générales, publiées par l’Organisation internationale de nor-
malisation (ou International Organization for Standardisation, ISO). Elles
insistent sur le fait que la qualité des produits ou des services fournis par une
entreprise – comme des résultats d’analyse – a pour but de satisfaire les
besoins d’un client. L’assurance de la qualité est tout ce qui peut individuelle-
ment ou collectivement influencer le résultat d’une analyse.
Conceptuellement, c’est l’ensemble des dispositions à prendre pour assurer


que les résultats fournis seront de la qualité requise pour l’usage auquel l’utili-
sateur final les destine. Pratiquement, pour un laboratoire d’analyse et en
fonction de son domaine d’activité, chaque responsable peut s’appuyer sur des
référentiels qui fournissent des directives plus spécifiques pour organiser
l’assurance qualité. Il existe trois référentiels principaux qui règlent aujourd’hui
la vie des laboratoires d’analyse :
1) La norme ISO/CEI 17025 qui débouche sur l’accréditation, c’est-à-dire la véri-
fication de la compétence et l’aptitude d’un laboratoire à réaliser des analyses ;
elle est très générale et intéresse de nombreux types de laboratoires ;
2) Les bonnes pratiques de laboratoire (BPL) qui s’appliquent aux laboratoires
qui participent au développement de toute molécule chimique nouvelle pou-
vant avoir des effets sur la santé humaine ou l’environnement, tels les médica-
ments, les pesticides etc. ; c’est une démarche obligatoire pour un laboratoire
pharmaceutique ;
3) La norme ISO 15189 qui complète le « Guide de bonne exécution des
analyses » (GBEA) destiné spécifiquement aux laboratoires d’analyse de biolo-
gie médicale et qui précise comment peut se faire leur accréditation.
Tous ces textes affirment la nécessité de valider les méthodes mais sans
expliquer comment le faire. C’est pourquoi, de nombreux guides, recomman-
dations, normes sectorielles ou guidances ont été publiés pour aider les
analystes dans ces études de validation. Malheureusement, ils présentent
souvent des incohérences, tant dans le vocabulaire employé que dans les
méthodes statistiques proposées et l’expérience montre que les procédures
généralement proposées posent un problème lors de la prise de décision
finale. Aussi, la question pratique de savoir comment valider une méthode
reste-t-elle un sujet de débat.
Cet article est une proposition pour une approche universelle, plus cohérente
et plus opérationnelle basée sur un outil unique : le profil d’exactitude. Elle ne
s’applique qu’aux méthodes d’analyse quantitatives.

1. Place de la validation Étape 1 : Sélection de la méthode. D’abord il faut sélectionner


une technique analytique, c’est-à-dire choisir parmi les diverses
dans le cycle de vie méthodes publiées dans la littérature celle qui, a priori, permettra
de résoudre le problème analytique posé. Cette démarche repose
entièrement sur le savoir-faire et l’expertise du laboratoire. Selon
le Cofrac (Comité français d’accréditation), on peut distinguer trois
1.1 Concept de cycle de vie types de méthodes, mais cette distinction ne signifie pas que le
d’une méthode besoin de validation soit différent :
– les méthodes normalisées ;
D’abord, il convient de préciser à quel moment il faut valider – les méthodes adaptées de normes ou de textes de référence ;
une méthode. En effet, comme tout processus, les méthodes
– les méthodes développées par le laboratoire.
d’analyse naissent, évoluent et disparaissent ; ce périple peut être
résumé sous la forme d’un cycle de vie, concept déjà largement Lorsque le laboratoire applique intégralement une méthode
employé dans l’approche système. La figure 1 résume le cycle de normalisée, certains considèrent parfois qu’il est possible de
vie d’une méthode d’analyse. Par convention, on a représenté les passer directement à l’étape 5 et qu’il n’est pas nécessaire de
étapes principales et sous-étapes dans des rectangles et les outils procéder à une validation complète : une simple vérification d’apti-
associés comme des ellipses. tude suffirait. C’est la position du Comité français d’accréditation

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


P 224v2 − 2 est strictement interdite. − © Editions T.I.

YT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRT

__________________________________________________ VALIDATION DES MÉTHODES D’ANALYSE QUANTITATIVES AU MOYEN DU PROFIL D’EXACTITUDE

Cartes de contrôle
a) Capacité de la méthode.
Essai d’aptitude
b) Plan de contrôle.

5. Utilisation en routine

Estimation de l’incertitude


Vérification d’aptitude

Optionnel

4. Validation externe
Expertise
de l’analyste a) Reproductibilité.
1. Sélection b) Répétabilité.

a) Choix des analystes. Étude inter-laboratoires


Test
b) Type de méthode. de robustesse
c) Type de signal.

6. Revalidation

3. Validation interne
Optimisation
Test de robustesse a) Modèle d’étalonnage.
– Sensibilité.
Plan d’expérience b) Justesse.
– Spécificité.
2. Développement Procédure(s) c) Fidélité.
de validation
– Répétabilité (interne).
a) Optimisation de l’appareillage. – Fidélité intermédiaire.
b) Optimisation du mode opératoire. d) Limite de détection.
c) Mode opératoire normalisé (SOP). e) Limite de quantification.

Figure 1 – Cycle de vie d’une méthode d’analyse

(Cofrac). Toutefois, la façon de procéder à cette vérification n’est Validation de la méthode. Comme l’indique très explicitement la
pas très explicite et nous ne traiterons pas de ce cas de figure avec figure 1, la validation ne doit intervenir que sur une méthode
lequel nous sommes en désagrément. complètement mise au point. Son but est de démontrer que la
Étape 2 : Développement de la méthode. Ensuite, il convient de méthode employée permet effectivement d’atteindre les objectifs
mettre au point la méthode, c’est-à-dire optimiser les étapes du de performance exigés par un client. On distingue classiquement
mode opératoire pour les adapter à la matrice et aux conditions deux types de validation :
pratiques où elle sera utilisée. En particulier, il faut préciser – Étape 3 : Validation intralaboratoire ou interne. Elle est
l’ensemble des matrices auxquelles elle s’applique ainsi que la conduite dans un seul laboratoire. C’est surtout ce type de valida-
gamme de concentrations utilisables. En général, le développe- tion qui est traité dans cet article.
ment d’une méthode est synonyme d’optimisation. Pour cela la – Étape 4 : Validation interlaboratoires ou externe. Elle n’inté-
méthodologie de la surface de réponse est maintenant largement resse, en principe, que les méthodes utilisées par plusieurs labora-
reconnue comme l’approche la mieux adaptée à cet objectif [1] toires dont les résultats servent lors d’échanges commerciaux ou
[P 228] [P 229]. de contrôles officiels ; on peut la considérer comme optionnelle.
Si la méthode est « indirecte », une première tâche est d’établir Elle fait l’objet d’un article spécifique des Techniques de
un modèle d’étalonnage. Cependant, il existe aussi de nombreuses l’Ingénieur [P 226].
méthodes quantitatives « directes » qui ne requièrent pas d’étalon-
À l’issue de la validation, le mode opératoire peut évoluer mais,
nage. Un point important est aussi de vérifier l’existence d’éven-
surtout, on peut le compléter des performances effectivement
tuelles interférences. Dans certains cas favorables, un seul plan
constatées de la méthode.
d’expérience suffit pour optimiser les conditions opératoires et
évaluer les interférences. L’étape finale consiste à rédiger le mode Estimation de l’incertitude et vérification d’aptitude. La notion
opératoire retenu sous la forme de ce qu’on appelle dans le cadre d’incertitude de mesure appliquée aux analyses chimiques est
des Bonnes pratiques de laboratoires (BPL) un mode opératoire détaillée dans un article des Techniques de l’Ingénieur [P 105] et
normalisé ou Standard Operating Procedure (SOP). dans le guide désigné de façon abrégée par GUM (Guide pour

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. P 224v2 – 3

YU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRT

VALIDATION DES MÉTHODES D’ANALYSE QUANTITATIVES AU MOYEN DU PROFIL D’EXACTITUDE __________________________________________________

l’expression de l’incertitude de mesure) [2]. C’est un concept relati- Exemple : la Décision européenne 2002/657 est un texte régle-
vement récent en chimie analytique, largement repris dans la mentaire facile à se procurer sur Internet [3]. Selon ce document « La
norme ISO/CEI 17025:2005 : la nouvelle exigence d’estimation de validation doit démontrer que la méthode d’analyse est conforme aux
l’incertitude de mesure revêt une importance particulière pour les critères applicables pour les caractéristiques de performances corres-
laboratoires accrédités. pondantes. Des objectifs de contrôle différents exigent des catégo-
ries de méthodes différentes ».
Étape 5 : Utilisation en routine. La vie de la méthode se poursuit
par son utilisation en routine. L’obligation de maîtrise de la qualité Le tableau 1 reprend un des tableaux de ce texte réglementaire.
implique un contrôle des performances dans le temps. Pour On constate que les critères à déterminer varient en fonction du type
effectuer ce contrôle, il existe des outils spécifiques que sont les de méthode, selon qu’elle sert au dépistage ou à la confirmation. La
cartes de contrôle et les essais d’aptitude. définition des critères CCα et CCβ est fournie par ailleurs dans le
texte.
Étape 6 : Revalidation. Ensuite, après un certain temps d’utilisa-
tion, on peut être amené à apporter des améliorations qui, selon Un point intéressant souligné dans ce texte est que la validation

R leur importance, amènent à une revalidation plus ou moins consiste :


complète. – d’une part, en des obligations de résultats sous la forme de
valeurs cibles pour certains critères, comme le taux de récupération ;
– d’autre part, en des obligations de moyens à mettre en œuvre ;
1.2 Méthodologie classique par exemple, pour la détermination de certaines substances toxiques,
la CPG avec un détecteur à capture d’électrons ne peut être utilisée
de validation que si on a deux colonnes de polarités différentes.
Dans plusieurs documents référencés dans la partie Pour en À travers cet exemple, on voit se dessiner une nouvelle tendance,
savoir plus, la validation est présentée comme une suite d’études à savoir qu’à côté des critères de validation, on va associer des
expérimentales servant à calculer des critères de validation. valeurs seuils de performances en fonction de la méthode et de ses
Prenons un exemple pour illustrer les problèmes qu’ils soulèvent. objectifs, comme l’illustre le tableau 2.

Tableau 1 – Classification des méthodes d’analyse et caractéristiques de performances


à déterminer d’après la Décision européenne 2002/657
sur le contrôle des médicaments vétérinaires
Méthodes qualitatives Méthodes quantitatives
Type de méthodes
Dépistage Confirmation Dépistage Confirmation

Limite de détection CCβ + + + +

Limite de décision CCα – + – +

Justesse/récupération – – – +

Fidélité – – + +

Sélectivité/spécificité + + + +

Applicabilité + + + +

Robustesse + + + +

Stabilité + + + +

Tableau 2 – Valeurs seuils retenues par la Commission européenne pour le contrôle des résidus
de médicaments vétérinaires
Critère Niveau de concentration Valeurs seuils

艋 1 µg/kg – 50 % < R % < + 20 %

Taux de récupération R % (justesse) > 1 µg/kg à 10 µg/kg – 30 % < R % < + 10 %

艌 10 µg/kg – 20 % < R % < + 10 %

艌 10 µg/kg à 100 µg/kg CVR 艋 20 %

Fidélité (CVR) > 100 µg/kg à 1 000 µg/kg CVR 艋 15 %

艌 1 000 µg/kg CVR 艋 20 %

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


P 224v2 – 4 est strictement interdite. – © Editions T.I.

YV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRT

__________________________________________________ VALIDATION DES MÉTHODES D’ANALYSE QUANTITATIVES AU MOYEN DU PROFIL D’EXACTITUDE

Si les moyens de démonstration sont laissés à l’analyste,


souvent ces guides proposent aussi des tests statistiques (appelés Valeur
tests d’hypothèse) pour vérifier la conformité d’un critère par de référence
rapport à son seuil de performance ou d’autres critères plus quali-
tatifs, comme : CV < 15 %
– le test d’homogénéité de la variance dans le domaine
d’application ; +
– le test d’adéquation d’un modèle d’étalonnage (aussi appelé
test de linéarité) ; Biais < 15 %
– le test d’égalité des moyennes pour la technique des ajouts
dosés ;
– etc.


Ces tests viennent compléter ce qui est alors appelé une « étude
de validation ». a valeurs seuils vérifiées indépendamment

Mais, selon nous, l’écueil principal de cette méthodologie de


validation, basée sur des tests, tient au fait que ceux-ci ne portent
que sur l’hypothèse principale : on ne calcule que le risque
fournisseur. L’hypothèse alternative n’est pas prise en compte, au
cas où aucune différence n’est démontrée, c’est-à-dire que le
risque client n’est pas estimé.

Pratiquement, cela veut dire qu’on mesure le risque pour le CV < 15 %


laboratoire d’être accusé à tort de rendre un résultat faux, mais
qu’on ne sait rien sur le niveau de risque du client de recevoir +
un résultat erroné (ou le niveau de garantie que le résultat est
Biais < 15 %
correct). Or dans toute relation commerciale il est normal
d’équilibrer le risque fournisseur et le risque client.

1.3 Méthodologie globale :


le profil d’exactitude
En s’appuyant sur la définition de la validation fournie par le b valeurs seuils vérifiées simultanément
« Vocabulaire international de métrologie », VIM (voir
paragraphe 2), il est possible de proposer une méthodologie alter- Figure 2 – Interprétation géométrique des valeurs seuils
native qui, selon nous, est mieux adaptée aux enjeux de la valida- pour la fidélité et la justesse
tion, à savoir la satisfaction des besoins des clients, tout en
contrôlant le risque du laboratoire. On peut la résumer en trois
points : qui caractérisera un résultat et pas seulement la méthode. En effet,
ce qu’on attend d’une procédure de dosage c’est qu’elle soit capa-
– fixer un objectif global de performance relatif à l’exactitude de ble de quantifier correctement un échantillon, et non pas tellement
la méthode, appelé intervalle d’acceptabilité ; qu’elle soit fidèle ou juste, même si une bonne fidélité et une
– produire des preuves expérimentales qui servent pour calculer bonne justesse constituent souvent (mais pas obligatoirement) des
des paramètres que l’on va combiner pour évaluer l’exactitude ; gages de réussite. Ainsi, qu’importe que la méthode ne soit pas
– vérifier si ces preuves sont en adéquation avec l’objectif très juste, si elle est apte à produire un résultat qui soit globa-
global. lement acceptable pour les objectifs du client ? Nous proposons
Pourquoi fixer un objectif de validation unique et global et non d’appeler ce critère global l’intervalle d’acceptabilité.
pas des objectifs, critère par critère, comme cela se fait
L’objectif de la validation n’est donc pas simplement,
couramment ? Nous allons répondre par l’exemple suivant.
contrairement à ce que la lecture de certains guides de validation
peut porter à croire, d’obtenir des estimations correctes de la
Exemple : prenons une méthode pour laquelle la fidélité, exprimée justesse et de la fidélité. Il paraît raisonnable de prétendre que
sous la forme d’un CV de reproductibilité, doit être inférieure à 15 % l’objectif est de répondre aux besoins du client – demandeurs
et la justesse, mesurée par un biais relatif absolu, doit elle aussi être d’analyse ou autorités de contrôle – c’est-à-dire :
inférieure à 15 %. La figure 2 illustre les contraintes ainsi imposées.
Selon la stratégie classique, la méthode est validée si chacune de
ces contraintes est vérifiée indépendamment l’une de l’autre. On voit L’objectif de la méthodologie globale est de fournir des
ainsi qu’on peut accepter comme conformes des résultats qui garanties que chaque résultat qui sera obtenu en routine sera
diffèrent jusqu’à 30 % de la valeur de référence quel que soit le test, suffisamment proche de la valeur vraie de l’échantillon traité.
ce qui semble cohérent : ce qu’illustre le cercle pointillé de la
figure 2a. Mais, en réalité, ces contraintes s’ajoutent et le biais de
Nota : la notion de « valeur vraie » doit être entendue en un sens très large, moins res-
justesse peut être positif ou négatif. La figure 2b montre qu’en fait trictif que ce que propose le VIM. Il s’agit plutôt d’une valeur de référence, reconnue
on peut être amené à accepter des résultats qui diffèrent jusqu’à comme vraie comme expliqué au paragraphe 2.1.
45 % de la valeur de référence ! On débouche alors sur des tests qui
se contredisent et on pourra conclure à la conformité de la fidélité, À la lecture de cet objectif, deux notions fondamentales se
mais plus à celle de la justesse. dégagent, à savoir :
– « suffisamment proche » signifie que le résultat fourni en
L’éclatement des objectifs « critère par critère » nuit à la clarté routine sera à une distance raisonnable (ou exigée par le client) de
de l’enjeu. Il semble donc préférable de proposer un critère unique la valeur vraie ;

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. – © Editions T.I. P 224v2 – 5

YW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRT

VALIDATION DES MÉTHODES D’ANALYSE QUANTITATIVES AU MOYEN DU PROFIL D’EXACTITUDE __________________________________________________

– « fournir des garanties » signifie qu’il faut calculer la proba-


bilité de produire des résultats situés à cette distance raisonnable. Proportion β
On peut proposer une formalisation mathématique de ces deux
notions. Si l’on appelle Z le résultat fourni en routine et X la valeur
vraie de l’échantillon, la notion de « suffisamment proche » peut +
s’écrire sous la forme suivante :

– λ < Z − X < +λ
Les quantités – λ et + λ représentent ces « distances
raisonnables » maximales qu’un client est prêt à accepter. Elles
forment ce que nous appelons l’intervalle d’acceptabilité. Si ces
distances sont les mêmes de chaque côté de la valeur vraie, l’inter-

R valle est symétrique et l’équation précédente devient :

Z −X < λ
Limite
d’acceptabilité
Valeur
de référence

Elle peut aussi s’écrire sous la forme d’un écart relatif : La limite d’acceptabilité représente
« l’emploi prévu » de la méthode.

Z −X
<λ % a méthode 1 (valide)
X
Quant à l’idée de « fournir une garantie », elle peut s’écrire sous
la forme d’une probabilité supérieure ou égale à une proportion β :

Prob ( Z − X < λ ) 艌 β

L’objectif de performance globale, noté λ, est appelé la (ou les) +


limite(s) d’acceptabilité de la méthode. Il est défini par le client et
non pas par l’analyste et correspond à la performance attendue de
la méthode en termes d’exactitude. Rappelons que l’exactitude
combine justesse et fidélité (voir paragraphe 2).
Finalement, ce dont on a besoin, c’est d’un outil statistique
permettant de prédire entre quelles limites se situera une propor-
tion β de futurs résultats pour vérifier si ce nouvel intervalle se
situe bien entre les limites d’acceptabilité. Cet outil existe, il s’agit b méthode 2 (non valide)
de l’intervalle de tolérance moyen de probabilité ␤ (β-IT) ou
intervalle de prédiction. Il a été introduit dès les années 1940 pour
construire les cartes de contrôle très largement utilisées Figure 3 – Les concepts de base de la validation : valeur vraie,
incertitude et limite d’acceptabilité
aujourd’hui pour le contrôle statistique des procédés
industriels [4].
La figure 3 propose une interprétation graphique de la de tenir compte de la relation connue entre la fidélité et la
démarche. Le cercle grisé délimite la zone dans laquelle se situe la concentration. Finalement, une seule illustration graphique
proportion β % moyenne attendue de futures mesures (intervalle permettra de décider de la validité de la méthode sans qu’aucun
de tolérance moyen de probabilité β ou β-IT). Quant à la limite test d’hypothèse ne soit effectué (voir la figure 13).
d’acceptabilité, elle est représentée le grand cercle centré autour
de la valeur de référence. La méthode 1 est valide parce qu’elle est
capable de produire une proportion suffisante de futures mesures
qui se situeront à l’intérieur de la zone d’acceptabilité. Par contre,
la méthode 2 n’en n’est pas capable. Si on s’en réfère à la défini-
2. Vocabulaire
tion de la validation fournie par le « Vocabulaire international de
métrologie » (VIM) (5), on comprend aussi que λ permet de
de la validation
concrétiser la notion d’« usage déterminé » de la méthode (ou de
fitness-for-purpose en anglais). Le terme « validation » est très largement employé dans la litté-
Quant au choix de la probabilité β, un groupe de travail a rature analytique. Du fait de cette fréquence élevée, il existe de
proposé une proportion de 66 % qui faisait référence à une règle nombreuses acceptions et une certaine ambiguïté sur son usage.
dite « 4/6/15 ». À savoir, au moins 4 contrôles de qualité sur 6 Comme il fallait faire un choix, nous partirons des définitions
doivent se trouver dans les limites d’acceptabilité de ± 15 %. Cette proposées dans le VIM [5], rappelées ici.
règle de décision revient donc à accepter que seulement 2/3 – ou
66 % – des futures mesures soient comprises entre les limites
d’acceptabilité fixées. Pour des raisons de sécurité, on a proposé Mesurande (VIM 2.3) : grandeur que l’on veut mesurer.
d’utiliser le seuil β = 80 % mais d’autres valeurs sont possibles. Incertitude de mesure (VIM 2.26) : paramètre non négatif qui
La méthode du profil d’exactitude, décrite en détail dans le caractérise la dispersion des valeurs attribuées à un mesu-
paragraphe 5, consiste d’abord à collecter des mesures, sous rande, à partir des informations utilisées.
condition de fidélité intermédiaire pour tenir compte de toutes les Vérification (VIM 2.44) : fourniture de preuves tangibles
sources d’incertitude, puis, à calculer les limites du β-IT et à les qu’une entité donnée satisfait à des exigences spécifiées.
comparer aux limites d’acceptabilité. Puisqu’il convient de valider
une méthode pour l’ensemble de son domaine d’application, la Validation (VIM 2.45) : vérification, où les exigences
démarche est généralisée à divers niveaux de concentration, afin spécifiées sont adéquates pour un usage déterminé.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


P 224v2 – 6 est strictement interdite. – © Editions T.I.

YX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRU

De la validation des méthodes


à la validation des résultats

par Max FEINBERG


Ingénieur agronome, Docteur d’État en chimie
Consultant en chimiométrie, Paris (France)
et Serge RUDAZ
Docteur ès Sciences, mention Sciences Pharmaceutiques,
Professeur à la Section des Sciences Pharmaceutiques de la Faculté des Sciences
de l’Université de Genève (Suisse)

1. Dépasser la validation des méthodes............................................. P 225 - 2


2. Élaboration d’un vocabulaire ............................................................ — 3
3. Principes et points critiques de la validation .............................. — 4
3.1 Validation multicritère ............................................................................. — 4
3.2 Validation monocritère ............................................................................ — 5
3.3 Importance du plan d’expérience ........................................................... — 5
3.4 Rôle du nombre de mesures efficaces ................................................... — 5
3.5 Calcul des intervalles de tolérance ......................................................... — 7
3.5.1 Type d’intervalle ............................................................................ — 7
3.5.2 Probabilité de couverture de l’intervalle...................................... — 7
4. Exprimer l’incertitude de mesure d’un résultat........................... — 8
4.1 Avant l’incertitude de mesure................................................................. — 8
4.2 Lien entre validation et incertitude de mesure...................................... — 9
4.3 Fonction d’incertitude.............................................................................. — 12
4.4 Limite de quantification........................................................................... — 12
5. Conclusion.............................................................................................. — 14
6. Glossaire ................................................................................................. — 14
Pour en savoir plus ....................................................................................... Doc. P 225

et article apporte des compléments importants à l’article [P 224]


C « Validation des méthodes d'analyse quantitatives au moyen du profil
d'exactitude ». C’est pourquoi, il ne reprend pas les éléments alors détaillés,
comme le vocabulaire de base, les aspects calculatoires du profil d’exactitude
ou les applications logicielles, ainsi que les références bibliographiques qui
restent d’actualité.
Le présent article présente ainsi une mise au point récente, basée sur l’utilisa-
tion généralisée de l’incertitude de mesure et des fonctions d’incertitude.
L’incertitude de mesure s’inscrit comme une évolution méthodologique naturelle
des aspects de validation des méthodes en chimie analytique.
La validation est principalement une préoccupation d’analystes, or, leur rôle
a beaucoup changé durant les 20 dernières années. Dans les années 1970, les
chimiométriciens proposaient de définir un analyste comme un résolveur de
problèmes (problem-solver). Cette définition, très ambitieuse, est aujourd’hui
dépassée car nombreux sont ceux qui exercent leur métier dans des labora-
toires de sous-traitance pour des clients ou de donneurs d’ordre qui
p。イオエゥッョ@Z@ウ・ーエ・ュ「イ・@RPQY

externalisent leurs contrôles. De véritables résolveurs de problèmes, les ana-


lystes sont peu à peu devenus des producteurs de données. Évidemment, cette

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 225 – 1

YY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRU

DE LA VALIDATION DES MÉTHODES À LA VALIDATION DES RÉSULTATS _______________________________________________________________________

situation ne se rencontre pas dans l’ensemble des laboratoires. Bon nombre de


structures de recherche universitaires ou industrielles emploient encore des
analystes pour résoudre des problèmes. Néanmoins, la mise en place de plate-
formes instrumentales spécialisées, pour réduire le coût de la mesure et
fédérer l’utilisation d’instruments délicats, tend à les spécialiser et les éloigner
de la compréhension générale des problèmes à résoudre. Or, la demande en
résultats d’analyses ne fait que croître car ils sont de plus en plus pris en
compte comme support de décision. Paradoxalement, à l’avenir, le concept de
« science de la prise de décision » pourrait être regardé comme un objectif
implicite des sciences analytiques.
À partir d’une présentation critique des évolutions de la validation des

R méthodes et de l’estimation de l’incertitude de mesure, il est donc possible de


mettre en évidence les tendances attendues dans les prochaines décennies.
Un glossaire en fin d’article (§ 6) regroupe les définitions importantes ou
utiles à la compréhension du texte.

Symbole Définition Sigle Développé

Rapport des variances BIPM Bureau international des poids et mesures

Effet laboratoire regroupant diverses sources CV Coefficient de variation


B
d’incertitude
EAT Erreur analytique totale
cp Coefficient de sensibilité égal à ∂Z/∂Qp
Guide to the expression of Uncertainty in
Erreur aléatoire dans des conditions de GUM Measurement (Guide pour l’expression de
E
répétabilité l’incertitude de mesure)
I Nombre de séries mesures ICH International Conference on Harmonization
Facteur d’élargissement d’un intervalle élargi IM Incertitude de mesure
k
selon le GUM
ISO International Organisation for Standardization
Facteur d’élargissement d’un intervalle de
kIT
tolérance d’espérance β IUPAC International Union for Pure and Applied Chemistry
Facteur d’élargissement d’un intervalle de JCGM Joint Committee for Guides in Metrology
kCIT
tolérance de contenu β-γ
Société française des sciences et techniques
Ne Nombre de mesures efficaces STSTP
pharmaceutiques

Coefficient de pondération VIM Vocabulaire international de métrologie


β-EIT Intervalle de tolérance d’espérance β
Écart par rapport à la valeur nominale de la valeur
Qp Intervalle de tolérance de contenu β-γ
de référence β-γ-CIT
sB Écart-type interséries
Écart-type d’un intervalle de tolérance de contenu
sCIT
β-γ 1. Dépasser la validation
sFI Écart-type de fidélité des méthodes
Écart-type d’un intervalle de tolérance
sIT
d’espérance β
Au début du XXe siècle, personne ne remettait vraiment en ques-
sr Écart-type de répétabilité tion la « validité » d’un résultat fourni par un analyste. Des
exemples d’affaires criminelles célèbres illustrent la toute-puis-
uc (Z ) Incertitude-type composée de Z sance des analystes-toxicologues de l’époque qui pouvaient alors
X Valeur cible ou valeur de référence refuser d’expliquer comment ils obtenaient leurs mesures. Les
accidents industriels chimiques majeurs qui ont eu lieu dans les
Z Mesure de la quantité X années 1960 (Minamata, Seveso, etc.), ou le traumatique épisode
Moyenne retrouvée du niveau de la thalidomide pour les sciences pharmaceutiques, ont démon-
tré les possibilités de la chimie analytique comme outil de protec-
δ Biais estimé, intrinsèque à la méthode de mesure tion de la santé publique. C’est ainsi que la société civile et/ou
judiciaire a commencé à mettre en cause le fondement des résul-
γ Niveau de risque de l’intervalle de confiance tats d’analyse. La question de la fiabilité des valeurs fournies a été

P 225 – 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QPP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRU

_______________________________________________________________________ DE LA VALIDATION DES MÉTHODES À LA VALIDATION DES RÉSULTATS

rapidement posée et le rôle des analystes a changé au fur et à – étape 3 : au milieu des années 2010, il s’agit de formellement
mesure de cette montée de scepticisme. Au tournant des années prendre en compte la préoccupation majeure des utilisateurs
1980 et pour répondre aux interrogations souvent légitimes des finaux, c’est-à-dire la qualité du résultat et pas seulement la vali-
récipiendaires de résultats, les systèmes qualité, comme l’accrédi- dité de la méthode.
tation ou les bonnes pratiques de laboratoire, sont devenus des
exigences essentielles et incontournables au sein des laboratoires,
avec comme clé de voûte, la détermination de la performance des
méthodes analytiques et donc la formalisation des processus de
validation. Depuis les analystes se sont familiarisés avec
2. Élaboration
l’ensemble de ces démarches et de nombreux documents ont été d’un vocabulaire
publiés sous la forme de textes réglementaires, de normes natio-
nales et internationales et/ou de documents de consensus. Les
analystes (et autres spécialistes de la mesure) disposent Alors que la validation est une préoccupation commune à tous


aujourd’hui de tous les outils nécessaires pour (dé)montrer que les analystes, les diverses procédures publiées sont généralement
leurs méthodes sont « valides ». présentées comme spécifiques d’un secteur d’application donné.
Pourtant, la nutrition humaine, l’alimentation animale, la microbio-
Mais force est de constater que ces textes répondent que de logie, l’environnement, la biologie médicale, le développement de
façon lacunaire à ce qui est peut-être la question essentielle d’un médicaments ou la bio-analyse utilisent de plus en plus des tech-
donneur d’ordre : le résultat fourni est-il valide, c’est-à-dire, proche niques physicochimiques d’analyse similaires.
ou non du contenu réel de l’échantillon ou du moins à quel niveau
de vraisemblance de celui-ci ? Car valider est une démarche d’ana- De nombreuses années ont été consacrées à la définition de
lyste, préoccupé par la fiabilité et les performances de « sa » termes pour caractériser les performances et/ou la validité d’une
méthode d’analyse, et non pas le souci d’un utilisateur final qui, méthode. Malheureusement, le bilan est décevant car un glossaire
lui, veut pouvoir prendre une décision basée sur la confiance qu’il très vaste a été produit qui génère de nombreuses confusions. Si
peut accorder à un résultat de mesure ! on compare différents textes, on s’aperçoit qu’un même terme
peut avoir des définitions très variées, parfois difficiles à mettre en
Au moment même où les analystes se penchaient sur la valida- relation. De plus, différents algorithmes de calcul peuvent être pro-
tion de leurs méthodes, les métrologues de leur côté révisaient posés pour un même terme. ROZET examine cette question de
une notion fondamentale utile à de nombreux scientifiques, le manière approfondie, en mettant l’accent sur les termes pour les-
concept de valeur vraie (§ 6) unique d’un mesurande. En effet, quels une harmonisation des définitions serait possible [3].
cette notion, introduite aux débuts de la métrologie moderne, pré-
sente des difficultés pour celui qui veut l’évaluer expérimentale- À lui seul, le terme validation de méthode (§ 6) illustre ces
ment. Maintenant, comme le note le Vocabulaire International de ambiguïtés, car il peut être défini comme :
Métrologie [1] (VIM, § 2.11 Note 1), on considère que : « il n'y a pas – une opération telle que décrite dans le VIM (§ 6) ;
une seule valeur vraie mais plutôt un ensemble de valeurs vraies – une comparaison interlaboratoires permettant de calculer des
compatibles avec la définition [du mesurande]. » Ce changement paramètres de fidélité et principalement la reproductibilité ;
de paradigme, va bien au-delà de l’aspect sémantique car l’aban- – la démonstration qu’une méthode mesure effectivement l’ana-
don d’une valeur vraie unique (même si elle ne peut être qu’esti- lyte qu’elle est censée mesurer.
mée) met à mal une partie des statistiques classiques, telle que Un autre terme, comme la linéarité, est aussi utilisé avec des
l’utilisation de l’intervalle de confiance, si répandue dans le rendu acceptions différentes :
des résultats d’analyse. – l’existence d’une relation linéaire entre la réponse instrumen-
D’un point de vue pratique, le Guide pour l’Expression de tale et la concentration de l’analyte ;
l’Incertitude (GUM) [2] propose aujourd’hui d’exprimer un résul- – la proportionnalité, pour une gamme donnée de concentra-
tat comme un intervalle élargi (§ 6). Cet intervalle a un intérêt tions, entre la teneur connue d’une matrice et la teneur effective-
pratique pour les utilisateurs finaux, puisqu’il indique le niveau ment retrouvée (on parle parfois de linéarité de la justesse).
d’accord entre le résultat et le contenu réel de l’échantillon ana- La limite de quantification fait aussi l’objet de dizaines de
lysé. Il s’obtient en multipliant un paramètre statistique de disper- définitions et de méthodes de calcul, alors que c’est une des carac-
sion par un facteur d’élargissement (§ 6) qui prend en compte téristiques la plus largement mise en avant par les analystes pour
une probabilité. Cette probabilité associée au facteur d’élargisse- décrire la performance de leur méthode (§ 4.4).
ment, est dite probabilité de couverture (§ 6). Elle représente ce
fameux niveau de garantie attendu par l’utilisateur final. Les textes Le vocabulaire international de métrologie (VIM) [1], publié par
de métrologie proposent aussi une façon simple d’exprimer la dis- le Bureau international des poids et mesures (BIPM), propose un
persion de l’ensemble des valeurs vraies dans un intervalle élargi : thésaurus général et bien accepté dans divers domaines de la
c’est l'incertitude de mesure (IM) (§ 6) associée à chaque mesure. Même si certaines définitions restent parfois inadaptées
mesure. À terme, l’analyste ne peut plus juste se satisfaire de vali- aux besoins des chimistes, d’autres s’avèrent très pertinentes. Par
der sa méthode, il doit également fournir une estimation de l’IM exemple, la lecture du VIM, permet d’identifier deux catégories de
pour chaque résultat rendu. termes, à savoir les caractéristiques (ou concepts) et les para-
mètres.
Heureusement, plusieurs travaux facilitent cette démarche, en
démontrant qu’il existe un lien formel entre la validation d’une – Les caractéristiques, telles que la justesse, la fidélité ou
méthode et l’estimation de l’incertitude des mesures (§ 4.2). l’exactitude, sont des concepts considérés non mesurables directe-
ment. Par exemple, la note 1 sur l’exactitude de mesure (§ 6) (VIM,
Finalement, trois étapes peuvent être identifiées pour décrire § 2.13) indique que « L’exactitude de mesure n’est pas une gran-
cette évolution conceptuelle. deur et ne s’exprime pas numériquement. Un mesurage est quel-
– étape 1 : à partir du milieu des années 1990, les efforts quefois dit plus exact s’il fournit une plus petite erreur de
portent d’abord sur l’élaboration d’un vocabulaire spécifique de la mesure ».
mesure chimique. – Les paramètres sont les coefficients de modèles statistiques et
– étape 2 : à partir du milieu des années 2000, diverses proposi- peuvent être estimés à partir de données expérimentales et au
tions sont publiées pour des procédures de validation complètes et moyen d’un algorithme de calcul. Par exemple, la note 1 sur la fidé-
opérationnelles applicables aux méthodes d’analyse ; cela corres- lité de mesure (VIM § 2.15) énonce que « La fidélité est en général
pond à la préoccupation majeure des analystes confrontés simulta- exprimée numériquement par des paramètres tels que l’écart-type,
nément à des changements technologiques rapides et à de la variance ou le coefficient de variation dans les conditions
nouvelles exigences de qualité, comme l’accréditation. spécifiées ». Les paramètres sont employés pour obtenir une

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 225 – 3

QPQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRU

DE LA VALIDATION DES MÉTHODES À LA VALIDATION DES RÉSULTATS _______________________________________________________________________

évaluation numérique des caractéristiques, qui sont des notions peuvent donc se faire facilement avec un tableur, ce qui explique
plus conceptuelles. La plupart du temps, ce sont les valeurs numé- le grand succès de ces logiciels dans les laboratoires d’analyse.
riques de ces paramètres qui sont utilisées comme score de perfor-
Parfois des tests statistiques, le plus souvent dits « d’hypothèse
mance dans l’évaluation des méthodes.
nulle », sont proposés pour évaluer la conformité d’un paramètre
À cela, il faut ajouter une troisième catégorie d’éléments de par rapport à un critère. Mais cette stratégie ne prend en compte
vocabulaire, les critères, utile pour valider une méthode, au sens que le risque d’erreur de première espèce, souvent noté « risque
strict. α ». Cela signifie qu’on considère uniquement le risque pour l’ana-
– Les critères sont des valeurs numériques ou des spécifica- lyste qui, utilisant une bonne méthode, fournirait un mauvais
tions techniques qui peuvent être exprimées comme un minimum, résultat. On ne tient pas compte du risque pour le client d’un ana-
un maximum ou un intervalle à atteindre. Ils sont parfois unique- lyste qui utiliserait une mauvaise méthode, comme expliqué dans
ment qualitatifs, tels que la praticabilité ou la robustesse. Par l’article [P 224].
exemple, le manuel de procédures du Comité du Codex sur les
Exceptionnellement, la procédure de validation décrit comment


méthodes d’analyse et d’échantillonnage (CCMAS) de la Commis-
sion du Codex Alimentarius définit l’« approche critères » qui per- organiser les essais. En général, cet aspect est laissé au seul choix
met de sélectionner les méthodes d’analyse jugées pertinentes de l’expérimentateur qui bien souvent procède de façon aléatoire,
pour le contrôle des échanges commerciaux de denrées alimen- alors que la théorie des plans d’expérience explique l’importance
taires. d’une bonne planification des essais [P 230] [R 275].
Finalement, on peut identifier, pour concevoir une procédure de
validation, les deux stratégies suivantes :
Dans la suite de cet article, caractéristiques et critères sont
parfois confondus, car ils sont en correspondance. – multicritère qui consiste à évaluer un ensemble de caractéris-
tiques, une par une, pour prendre une décision sur chacune
d’elles ;
– monocritère qui revient à n’utiliser qu’une seule caractéristique
ou une combinaison de plusieurs caractéristiques et de faire porter
3. Principes et points la validation sur cette combinaison de paramètres estimés.
critiques de la validation
3.1 Validation multicritère
D’après la littérature, il est possible d’identifier des procédures
de validation qu’on pourrait dire « classiques ». À ce titre, la direc- La plupart des procédures classiques ou des normes reposent
tive UIPAC peut être considérée comme un exemple typique [4]. sur une stratégie multicritère. Elles proposent ainsi une liste de
Les éléments communs à ces documents relativement nombreux caractéristiques et/ou de paramètres à estimer expérimentalement.
sont les suivants : L’analyste est libre de choisir le plan d’expérience qu’il juge le plus
– une liste plus ou moins longue de caractéristiques sur les- adapté pour atteindre ce but. Cette approche est illustrée figure 1
quelles doit porter l’étude de validation ; avec un ensemble de caractéristiques et de paramètres empruntés
– un ou plusieurs paramètres pour chaque caractéristique, visant à la norme sur l’accréditation ISO/IEC 17025:2017 // § 7.2.2.
à fournir une estimation quantitative ou qualitative (figure-of- Cette méthode peut fournir beaucoup d’informations à l’ana-
merit ). lyste, mais la pratique montre qu’elle présente l’inconvénient de
Si aucun critère n’est explicitement indiqué dans le document, le déboucher sur une série de conclusions qui peuvent être contra-
laboratoire n’effectue qu’une « caractérisation » de la méthode et dictoires. Par exemple, quand certains paramètres se révèlent
non une validation complète. Par contre, si les valeurs des para- conformes alors que d’autres ne le sont pas, la décision finale est
mètres sont effectivement confrontées à des critères on peut parler alors assez subjective.
de validation au sens strict. Dans ce cas également, la vérification de conformité des valeurs
Pratiquement, les techniques statistiques proposées pour esti- de paramètres par rapport aux critères est souvent réalisée en uti-
mer les paramètres, quand elles sont fournies, se ramènent à des lisant des tests d’hypothèse nulle, tel le test de STUDENT. La ques-
calculs simples tels que l’établissement de moyennes, d’écarts- tion du nombre de mesures utiles, c’est-à-dire du nombre de
types ou de coefficients d’un modèle par exemple grâce à la degrés de liberté, est souvent ignorée alors qu’elle revêt une
méthode de régression des moindres carrés ordinaires. Les calculs importance cruciale quand on utilise des tests statistiques.

Caractéristiques Paramètres Critères

Justesse Taux de récupération < seuil


Série de conclusions

Répétabilité
Fidélité
Vérifications

< coefficient
Fidélité intermédiaire
de variation

Limite quantification ≤ seuil

Quantification Limite détection

Linéarité du modèle oui

Figure 1 – Illustration d’une procédure de validation multicritère

P 225 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QPR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRV

Validation externe des méthodes


d’analyse

par Max FEINBERG


Institut National de la Recherche Agronomique INRA R
et Gérard LAMARQUE
Commissariat à l’Énergie Atomique CEA
Commission d’Établissement des Méthodes d’Analyse CETAMA

1. Principes de validation d’une méthode ............................................. P 226 — 2


1.1 Cycle de vie d’une méthode d’analyse ...................................................... — 2
1.2 Incertitude de mesure ................................................................................. — 2
2. Analyses interlaboratoires .................................................................... — 4
2.1 Classification ................................................................................................ — 4
2.2 Répétabilité et reproductibilité selon la norme ISO 5725......................... — 4
2.3 Exemple de calcul sous Microsoft Excel ®................................................ — 5
2.4 Données aberrantes et méthodes statistiques robustes .......................... — 7
2.5 Conformité d’un écart-type de reproductibilité......................................... — 8
3. Essais d’aptitude ...................................................................................... — 10
3.1 Objectifs et principes................................................................................... — 10
3.2 Organisation................................................................................................. — 10
3.2.1 Principaux organismes fournisseurs de circuits .............................. — 10
3.2.2 Déroulement ....................................................................................... — 11
3.3 Exemple........................................................................................................ — 12
3.3.1 Caractéristiques du circuit ................................................................. — 12
3.3.2 Traitement des résultats..................................................................... — 12
3.3.3 Calcul des performances des laboratoires ....................................... — 15
3.4 Tests d’homogénéité ................................................................................... — 16
4. Matériaux de référence certifiés (MRC)............................................. — 16
p。イオエゥッョ@Z@、←」・ュ「イ・@RPPT@M@d・イョゥ│イ・@カ。ャゥ、。エゥッョ@Z@ウ・ーエ・ュ「イ・@RPQY

4.1 Principaux fournisseurs de matériaux de référence certifiés .................. — 16


4.2 Certification par étude interlaboratoire ..................................................... — 16
4.2.1 Matériau de référence homogène..................................................... — 17
4.2.2 Matériau de référence hétérogène.................................................... — 18
4.3 Calcul de la valeur certifiée et de son incertitude ..................................... — 18
5. Cartes de contrôle ................................................................................... — 18
Références bibliographiques ......................................................................... — 20

a validation des méthodes d’analyse est aujourd’hui un enjeu important


L pour les laboratoires. Elle découle de la mise en place des systèmes d’assu-
rance qualité et, pour cette raison, est souvent perçue comme une contrainte. Il
faut regretter cette attitude car, le laboratoire a tout à gagner dans la mise au
point de méthodes d’analyse qui fournissent des résultats dans lesquels on peut
avoir confiance. Le passage des méthodes d’analyse quantitatives aux métho-
des qualitatives représente une véritable révolution. Trop souvent on l’a associé
à l’achat d’un nouvel appareil plus « performant » sans se soucier si cette perfor-
mance était réelle sur le plan scientifique.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 226 − 1

QPS
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRV

VALIDATION EXTERNE DES MÉTHODES D’ANALYSE ___________________________________________________________________________________________

C’est pourquoi il existe encore des zones d’ombre dans la définition, et en


conséquence l’évaluation, de plusieurs critères de performance des méthodes.
Le meilleur exemple est celui de la limite de détection qui est abondamment
employé (en particulier par les constructeurs d’appareils) alors qu’il existe plu-
sieurs dizaines de mode de calcul qui débouchent tous sur des valeurs différen-
tes. Ces critères soulèvent des problèmes statistiques nombreux qui n’ont pas
toujours reçu de solution satisfaisante. C’est aux analystes qu’il incombe de
poser correctement ces questions afin d’obtenir une réponse claire. C’est pour-
quoi, nous pensons que la normalisation des modes de calcul des critères de
qualité des méthodes est sûrement une approche particulièrement adaptée à ce
problème.


1. Principes de validation
d’une méthode
Sélection Développement

1.1 Cycle de vie d’une méthode d’analyse

On a trop souvent tendance à décrire les méthodes d’analyse


comme des procédures immuables et figées. C’est un peu l’impres- Revalidation
Utilisation Validation
sion que donnent les manuels et autres recueils de normes techni- en routine intra-laboratoire
ques. Or, comme tout procédé de production, les méthodes Validation
d’analyse naissent, évoluent et meurent. Pour clairement compren- interlaboratoire
dre le rôle et la place de la validation dans la vie d’une méthode
d’analyse, il est intéressant de décrire son cycle de vie depuis le
moment où elle est choisie jusqu’au moment où on l’abandonne.
Figure 1 – Cycle de vie d’une méthode d’analyse
La figure 1 résume les différentes étapes de ce cycle. D’abord, on
va sélectionner la méthode, c’est-à-dire choisir parmi toutes les
méthodes physico-chimiques connues ou maîtrisées par le labora- Si la validation se révèle conforme, le cycle de vie va se poursui-
toire celle qui doit permettre de déterminer un ou plusieurs analytes vre par une utilisation de la méthode en routine. Au bout d’un cer-
représentatifs du problème analytique à traiter. Ensuite, il convient tain temps, on peut être amené à abandonner la méthode et à
de développer la méthode, c’est-à-dire mettre au point le mode opé- entamer un autre cycle car elle est devenue obsolescente. Dans
ratoire et l’adapter aux conditions pratiques où elle va être utilisée. d’autres cas, on peut simplement faire des modifications et, selon
Par exemple, il peut être nécessaire d’automatiser une méthode leur importance, on va appliquer une procédure plus ou moins
manuelle ou bien d’améliorer ses performances pour qu’elles soient complète de revalidation de la méthode. En effet, on doit effectuer
compatibles avec le problème analytique à traiter. une revalidation toutes les fois où on introduit une modification
« mineure » de la méthode. Par contre, si on fait une modification
En général, le développement d’une méthode est synonyme « majeure », il faut rappliquer la procédure complète de validation. Il
d’optimisation. Lorsque la mise au point est terminée, on dispose de est délicat de définir une échelle exacte d’importance des
ce que l’on appelle dans le cadre BPL (Bonne Pratique de Labora- modifications : cette appréciation peut être laissée au savoir-faire de
toire) un mode opératoire normalisé. En particulier, il faut préciser le l’analyste.
domaine d’application de la méthode, c’est-à-dire l’ensemble des
Toutefois, les organismes d’accréditation ont tendance à juger
matrices auxquelles elle s’applique ainsi que la gamme de concen-
comme mineur un changement de réglage, comme laisser « 20 min au
trations utilisables.
bain-marie » au lieu de « 15 min », et majeure toute modification qui
C’est à ce moment, et seulement à ce moment, que doit intervenir affecte le principe de la méthode. Mais la question peut être délicate.
la validation. On a aujourd’hui pris l’habitude de distinguer la valida- Ainsi, un changement de solvant d’extraction doit-il être considéré
tion intra-laboratoire et la validation interlaboratoire. La première comme mineur ou majeur ? C’est selon le contexte.
est universelle et obligatoire pour toutes les méthodes. La
seconde – souvent plus lourde – n’intéresse en principe que les
méthodes qui seront utilisées par plusieurs laboratoires ou dont les La plupart des concepts relatifs à la validation interne (intra-
résultats peuvent servir à des décisions économiques. laboratoire) sont décrits dans l’article [P 224] [1]. C’est pourquoi,
cet article est focalisé sur la validation externe (interlaboratoire).
Par exemple, dans l’industrie pharmaceutique, il sera inutile (voire
impossible) de procéder à la validation interlaboratoire d’une méthode
qui sert, en interne, à l’étude d’une molécule non encore mise sur le
marché. Par contre, dans les industries agroalimentaires, il faudra tou-
jours procéder à la validation interlaboratoire pour une méthode qui ser- 1.2 Incertitude de mesure
vira à mesurer la conformité d’une denrée. Dans ce cas, il peut y avoir
une contre-expertise et, pour interpréter son résultat, il importe de
savoir selon quelle amplitude deux résultats fournis par deux laboratoi- Le fait qu’un résultat varie, lorsque l’on répète des mesures, est
res indépendants peuvent « normalement » différer. un problème connu de tous les analystes. Pour caractériser cette

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 226 − 2 © Techniques de l’Ingénieur

QPT
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRV

__________________________________________________________________________________________ VALIDATION EXTERNE DES MÉTHODES D’ANALYSE

variabilité, on a introduit la notion d’incertitude. Ce terme doit être Pour en comprendre les fondements du calcul de l’exactitude, on
préféré à celui de précision qui a été utilisé dans trop d’acceptions peut utiliser la comparaison du tir à l’arc sur une cible. Chaque impact
différentes pour être encore clairement compris. de flèche représente la répétition d’une mesure et le centre de la cible
est la valeur vraie de l’échantillon. Plusieurs situations se présentent.
Un tireur peut utiliser un arc mal équilibré et systématiquement rater le
Selon une définition récente, l’incertitude est un « paramètre centre : on dit que ses tirs ne sont pas justes. Par ailleurs, il peut être
associé à une mesure ou à un résultat pour caractériser la dis- maladroit et disperser les différents impacts : on dit que ses tirs ne
persion raisonnable que l’on peut associer au mesurande » [2]. sont pas fidèles. En outre, ces deux types d’erreur peuvent se combi-
En outre, les textes les plus récents sur l’assurance qualité pré- ner. La figure 2 illustre les quatre situations auxquelles ces erreurs con-
voient que le laboratoire doit disposer d’une procédure pour duisent.
estimer l’incertitude de mesure « chaque fois que le client
demande les incertitudes de mesure se rapportant à des essais
spécifiques ou lorsqu’il est probable que l’incertitude compro-


mettra la conformité à une spécification ».

Il est facile de voir que cette définition, si elle est proche de celle
de l’intervalle de confiance, ne doit cependant pas être confondue
avec elle. En effet, un intervalle de confiance permet de définir une
zone où il est vraisemblable que se trouve la valeur vraie d’une sta-
tistique (moyenne, sensibilité, blanc...) en prenant le risque que
l’intervalle ainsi formé ne la contienne pas : ce risque est noté α.
Par contre, l’incertitude permettra de calculer un intervalle dans
lequel il est raisonnable de penser que se trouvent un certain pour- ni juste ni fidèle fidèle mais pas juste
centage des répétitions d’une mesure, cela indépendamment de la
valeur vraie.

La procédure pour l’expression de l’incertitude, va principalement


porter sur le calcul de l’incertitude-type, notée u(y) où u() est l’abré-
viation de la forme anglaise de incertitude (uncertainty) et y le résul-
tat annoncé. Ensuite, le demi intervalle de dispersion ou incertitude
élargie notée U, sera obtenue en multipliant u(y) par un facteur
d’expansion k qui vaut par convention 2 pour 95 % des mesures et 3
pour 99 %.
juste mais pas fidèle juste et fidèle
U = ku(y) (1)
Figure 2 – Une illustration simplificatrice de l’exactitude
L’approche métrologique traditionnelle consiste à décomposer les d’une méthode
différentes sources d’erreur et à combiner chacune de leurs incerti-
tudes-types de façon à prévoir l’incertitude-type totale du résultat.
Pour évaluer ces incertitudes-types intermédiaires, on propose deux
types d’approches : Mais une différence fondamentale entre l’analyse chimique et le
modèle du tir sur cible est que l’on connaît rarement le centre de la
1. Type A. Elle est plus statistique et repose sur une collecte de cible et qu’il faudra l’estimer. Cet effort pour bien connaître le
données expérimentales. On va alors obtenir un écart-type estimé, « centre de la cible analytique » s’appelle la traçabilité de mesurage.
soit directement, soit par une analyse de la variance si on combine
plusieurs sources de variation, comme on le verra au § 2.2.
Finalement, on débouche sur la définition de deux critères de
2. Type B. Elle est plus déterministe et repose sur une fonction, validation très importants [4] :
connue à l’avance, qui lie les différents facteurs de variation X et qui — la fidélité qui est « l’étroitesse d’accord entre des résultats
décrit le processus de mesure. Par exemple, cette fonction peut être d’essai indépendants obtenus sous des conditions stipulées ».
la formule qui sert à exprimer le résultat final et les facteurs X sont La mesure de fidélité est une mesure de la dispersion des mesu-
les différents éléments de la formule. Nous ne décrirons pas plus res et se calcule à partir d’un ou plusieurs écarts-types. Une fidé-
avant cette approche car on peut la trouver plus détaillée dans l’arti- lité moindre est reflétée par un plus grand écart-type. Pour que
cle [R 285] des Techniques de l’Ingénieur [3]. les résultats d’essai soient indépendants, il faut qu’ils soient
obtenus sur le même matériau d’essai d’une façon non influen-
Bien sûr, en final, ces deux approches peuvent être combinées cée par une mesure précédente ;
pour estimer l’incertitude-type totale. Dans la pratique des labora- — la justesse qui mesure « l’étroitesse de l’accord entre la
toires d’essais, il est rare que l’on puisse obtenir une fonction qui valeur moyenne obtenue à partir d’une large série de résultats
décrive complètement le processus de mesure. Par exemple, la mul- d’essais et une valeur de référence acceptée ». La mesure de la
tiplicité des facteurs des variation qui traduisent l’effet de l’opéra- justesse est généralement exprimée en termes de biais ou
teur ou l’effet de la matrice est telle qu’on ne peut pas la modéliser d’écart à une moyenne.
in extenso. C’est pourquoi, l’approche plus statistique de type A,
basée sur l’estimation de l’exactitude de la méthode sera souvent
applicable à l’estimation de l’incertitude des mesures en chimie ana- La valeur de référence acceptée – aussi appelée la valeur conven-
lytique. Cependant, il faut bien distinguer cette mesure de la disper- tionnellement vraie de l’échantillon – est fournie par consensus à
sion due à la méthode (exactitude) et la mesure de l’incertitude qui partir des valeurs de mesures répétées. Ça peut être une valeur
intéresse un résultat dans un laboratoire donné qui intègre tous les théorique ou établie, fondée sur des principes scientifiques, une
effets dus à l’opérateur, l’instrument, l’échantillonnage ou l’environ- valeur assignée ou certifiée, fondée sur les travaux expérimentaux
nement... d’une organisation nationale ou internationale, une valeur de

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur P 226 − 3

QPU
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRRV

VALIDATION EXTERNE DES MÉTHODES D’ANALYSE ___________________________________________________________________________________________

consensus ou certifiée, fondée sur un travail expérimental en colla- Quel que soit le type d’étude, chaque participant reçoit un prélè-
boration et placé sous les auspices d’un groupe scientifique ou tech- vement d’un échantillon homogène. Sur le plan technique, la prépa-
nique ou, encore, la moyenne d’une population spécifiée de ration d’un tel échantillon – parfois en grande quantité – exige un
mesures. savoir-faire et beaucoup de soin. En outre, le mode de conditionne-
ment devra prendre en compte la stabilité de l’analyte et/ou de la
C’est cette nécessité de recourir à une valeur de consensus qui va
matrice : cette remarque est particulièrement importante pour les
justifier l’organisation des analyses interlaboratoires. En effet, la tra-
matériaux qui se dégradent facilement.
çabilité des mesures chimiques ne permet pas de remonter simple-
ment à l’étalon primaire de quantité de matière (la mole) car il Par exemple, pour les matrices biologiques, on utilise de préférence
n’existe pas d’étalon figuré, comme il en existe pour la masse ou le des matériaux séchés ou lyophilisés ; si l’analyte est sensible à la
temps. lumière ou à l’oxygène le conditionnement sera opaque ou étanche,
sous atmosphère contrôlée ; une poudre sera répartie grain par grain
dans chaque flacon, à l’aide d’un distributeur spécial.

R 2. Analyses interlaboratoires
2.2 Répétabilité et reproductibilité
selon la norme ISO 5725
2.1 Classification
Dans la mesure où la fidélité mesure la dispersion des mesures et
que cette dispersion dépend de diverses sources de variation, on a
En fait, les analyses interlaboratoires vont permettre d’accéder à proposé deux situations extrêmes dans lesquelles deux répétitions
ces divers critères fondamentaux que sont la fidélité ou mesure de peuvent être réalisées sur un échantillon commun : à savoir les con-
la dispersion des mesures qui servira à l’expression de l’incertitude ditions de répétabilité et les conditions de reproductibilité. Elles sont
et la justesse dont le calcul nécessite la connaissance d’un écart à définies de la façon suivante dans [4] :
une valeur de référence conventionnelle. Par la suite, nous désigne-
rons par analyses interlaboratoires toute étude expérimentale qui — les conditions de répétabilité lorsque « les résultats d’essai
implique la participation de plusieurs laboratoires. Mais il faut en indépendants sont obtenus par la même méthode sur des individus
distinguer divers types, en fonction des objectifs recherchés. d’essai identiques dans le même laboratoire, par le même opéra-
teur, utilisant le même équipement et pendant un court intervalle de
• Les analyses interlaboratoires, au sens de la norme ISO 5725 [4], temps » ;
doivent réunir au moins 8 laboratoires qui vont recevoir un ou plu- — les conditions de reproductibilité lorsque « les résultats
sieurs échantillons sur lesquels ils feront de 2 à 4 répétitions. d’essai sont obtenus par la même méthode sur des individus d’essai
L’objectif principal est alors de mesurer les écarts-types de répéta- identiques dans différents laboratoires, avec différents opérateurs
bilité et la reproductibilité caractéristiques de la méthode. Elles peu- et utilisant des équipements différents ».
vent être organisées par n’importe quelle structure, par exemple, un
laboratoire ou une entreprise. La normalisation est un contexte très Les conditions de répétabilité vont donc caractériser la plus petite
classique d’organisation d’analyses interlaboratoires puisque les dispersion possible des mesures puisque toutes les modalités de
méthodes normalisées doivent être accompagnées de valeurs de réalisation sont constantes, alors que les conditions de reproductibi-
reproductibilité. Mais il est aussi possible d’étendre cette technique lité intègrent la plupart des sources de variation que l’on rencontre
à un seul laboratoire pour mesurer un écart-type de fidélité intermé- dans l’application générale d’une méthode. Ces deux concepts ont
diaire (partie 3 de la norme ISO 5725). été introduits pour des raisons économiques afin de comparer des
mesures faites par deux laboratoires différents qui représentent
• Les essais d’aptitude, comme décrits dans le projet de norme chacun les intérêts de deux partenaires commerciaux.
ISO 13528 ou le Guide ISO 43 [5], réunissent de nombreux laboratoi-
res, parfois plusieurs milliers. Les participants n’auront pas à faire
de répétitions sur les échantillons qu’ils reçoivent car le but est de C’est pourquoi, à partir de ces deux notions, on définit deux
calculer par consensus une valeur de référence acceptée qui servira caractéristiques de la fidélité :
à vérifier si un laboratoire est compétent pour exécuter un type de — la limite de répétabilité ou répétabilité (notée r) qui est
détermination. Ce bilan d’aptitude se fera après avoir classé les l’écart maximal au niveau de confiance de 95 % entre deux
laboratoires d’après leurs résultats et en vérifiant quels sont ceux résultats obtenus selon des conditions de répétabilité ;
qui se trouvent en dehors de limites de tolérance, elles aussi con- — la limite de reproductibilité ou reproductibilité (notée R)
sensuelles. Les tests d’aptitude sont généralement organisés par qui est l’écart maximal au niveau de confiance de 95 % entre
des structures interprofessionnelles et les laboratoires y participent deux résultats obtenus sur un échantillon commun par deux
de façon volontaire en fonction d’un programme analytique propre opérateurs ou deux laboratoires différents selon des conditions
à une branche d’activité. de reproductibilité.
Par exemple, on trouve des tests d’aptitude pour les produits céréa-
liers, les liants hydrauliques, l’analyse œnologique, les analyses de bio- Le modèle mathématique utilisé pour mesurer les écarts-types de
logie clinique, etc. répétabilité et de reproductibilité d’une analyse interlaboratoire est
le suivant :
• Les études pour préparer des matériaux de référence (certifiés
ou non). Elles suivent des protocoles très variés qui peuvent s’inspi- xij = µ + Li + eij (2)
rer des analyses interlaboratoires classiques. Cependant, d’une
part, on va utiliser plusieurs types de méthodes d’analyse afin de Chaque répétition xij est représentée par la somme de trois
détecter un principe analytique qui générerait un biais systémati- éléments : µ est la valeur vraie de l’échantillon, Li le biais aléatoire
que, d’autre part, les laboratoires participants ne seront pas choisis du laboratoire et eij l’erreur expérimentale. Dans ce modèle, l’indice
au hasard mais d’après leur haut niveau de compétence (a priori). i repère le laboratoire et j le numéro de répétition. Puisque chaque
Les matériaux de référence certifiés pourront être assimilés à des laboratoire a fait des répétitions, on peut calculer une variance pro-
étalons primaires et servir à vérifier la justesse d’une méthode pre à chaque laboratoire notée s i2 . Si on suppose que les variances
interne. Malheureusement, il n’existe pas encore de matériau de de laboratoires ne sont pas statistiquement différentes les unes des
référence certifié pour chaque domaine d’application. autres, on peut calculer une variance commune qu’on appelle

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
P 226 − 4 © Techniques de l’Ingénieur

QPV
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVR

Limite de détection de méthodes


d’analyse et termes apparentés

par Cédric RIVIER


Secrétaire technique de la CETAMA au CEA
et Marielle CROZET
Ingénieur-chercheur au CEA

1. Définitions ............................................................................................... P 262v2 - 2


1.1 Seuil de décision ....................................................................................... — 2
1.2 Limite de détection ................................................................................... — 2
1.3 Limite de quantification ............................................................................ — 2
1.4 Autres termes ............................................................................................ — 3
2. Notations ................................................................................................. — 3
3. Concepts fondamentaux ..................................................................... — 3
3.1 Domaines des réponses et domaines des concentrations .................... — 3
3.2 Erreur de 1re espèce et seuil de décision ................................................ — 3
3.3 Erreur de 2nde espèce et limite de détection........................................... — 4
3.4 Expression de la limite de détection et unité de mesure....................... — 6
3.5 Exemple d’application .............................................................................. — 7
4. Approches pratiques usuelles ........................................................... — 8
4.1 Approches « signal sur bruit » ................................................................. — 9
4.2 Approche « 3σ » ........................................................................................ — 9
4.3 Limite de détection établie à partir du modèle d’étalonnage ............... — 9
4.4 Méthodes alternatives .............................................................................. — 12
5. Présentation des résultats .................................................................. — 14
5.1 Expression de la limite de détection ....................................................... — 14
5.2 Expression du résultat de mesure ........................................................... — 14
6. Conclusion............................................................................................... — 14
Pour en savoir plus ........................................................................................ Doc. P 262v2

es premières publications sur les limites de détection remontent aux


L années 1940, mais les travaux fondateurs, basés sur les tests d’hypothèse,
ont été publiés en 1968 par L. A. Currie. Ces travaux constituent, encore
aujourd’hui, la référence pour toute évaluation des capacités de détection
d’une méthode d’analyse chimique et ont très largement servi à la rédaction de
cet article. Bien que ces travaux aient une cinquantaine d’années, l’approche
développée par Currie reste peu appliquée par les laboratoires d’analyse chi-
mique, en raison probablement, d’une relative complexité et d’un manque de
compréhension des concepts statistiques mis en œuvre. Des approches alter-
natives se sont développées et ont conduit à une hétérogénéité des pratiques
rendant, bien souvent, la comparaison des performances analytiques des
méthodes difficile voire impossible. Cette situation pose aussi des problèmes
de concurrence entre les laboratoires d’analyse, l’obtention de limites de
détection de plus en plus basses étant devenue un enjeu majeur pour les labo-
ratoires et leurs clients.
p。イオエゥッョ@Z@ェオゥョ@RPQT

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 262v2 – 1

QPW
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVR

LIMITE DE DÉTECTION DE MÉTHODES D’ANALYSE ET TERMES APPARENTÉS ___________________________________________________________________

Pour faire face à cette situation, l’Union internationale de chimie pure et


appliquée (UICPA) a publié, en 1995, une nomenclature pour l’évaluation des
méthodes analytiques incluant les capacités de détection et de quantification.
Cette nomenclature, directement issue des concepts développés par Currie,
constitue le socle de toute évaluation de méthodes d’analyse chimique.
Plus récemment, le Vocabulaire international de métrologie (VIM) a introduit
la limite de détection dans ses définitions, soulignant ainsi l’importance d’avoir
une définition commune pour homogénéiser les pratiques.
Après avoir défini la limite de détection et les termes apparentés puis les avoir
explicités d’un point de vue théorique et à travers un exemple d’application,


différentes approches couramment utilisées dans les laboratoires sont exposées.

1. Définitions 1.2 Limite de détection


Bien que le VIM ait été rédigé par le Joint Committee for Guide
Il existe une multitude de termes faisant référence aux capacités
in Metrology (JCGM) qui fédère les grandes instances scientifiques
de détection d’une méthode d’analyse, les premiers travaux de
et normatives internationales telles que le BIPM (Bureau inter-
Kaiser sur ce thème datent des années 40 [1]. Parmi ceux-ci, on
national des poids et mesures), l’ISO (International Organization
trouve la limite de détection et la limite de quantification, mais
for Standardization), l’UICPA, la CEI (Commission électrotechnique
aussi des termes moins courants comme limite de détermination,
internationale)..., la définition de la limite de détection, donnée par
limite d’identification, concentration minimale détectable... En fait,
UICPA, a été préférée à celle du VIM.
seuls trois termes sont nécessaires pour caractériser les capacités
de détection d’une méthode d’analyse : En effet, la définition donnée dans le VIM fait référence à la
– la limite de décision, appelée seuil de décision dans la suite de notion de valeur mesurée alors que la limite de détection n’est pas
l’article ; une valeur de mesure particulière mais est une caractéristique de
– la limite de détection ; la méthode d’analyse.
– la limite de quantification.
Tous les autres termes que l’on rencontre dans la littérature sont
soit synonymes des termes précédents, soit inutiles. La définition suivante de la limite de détection, issue de
l’UICPA, est adoptée :
« Concentration ou signal net vrai pour laquelle la probabilité
La norme NF ISO 11843-1 « Capacité de détection » définit qu’une valeur de mesure soit inférieure au seuil de décision est
un certain nombre de termes, cependant, les définitions de égale à β ».
l’UICPA, plus appliquées, ont été préférées.

Le risque ␤ est appelé risque de faux négatif (§ 3.3), il correspond


1.1 Seuil de décision au risque de déclarer le mesurande non significatif à tort.

Le seuil (ou limite) de décision est défini par l’UICPA [2] comme
étant une valeur significative minimale d’une concentration ou
d’un signal net estimé. 1.3 Limite de quantification
Tout comme la limite de détection, la limite de quantification est
Le signal brut correspond à l’addition d’un signal dû à la gran- une caractéristique de performance de la méthode d’analyse. Elle
deur mesurée, appelé signal net, et d’un signal parasite. Selon la correspond à la valeur de la concentration ou du signal net
méthode d’analyse mise en œuvre, les différentes contributions au-dessous de laquelle le mesurande n’est plus « quantifiable ». Ce
au signal parasite peuvent être le bruit électronique, le fond qui revient à dire qu’au-dessous de cette valeur, la valeur estimée
spectral, des interférences, des pollutions... du mesurande est jugée trop incertaine.

La notion de « valeur significative » se conçoit en comparant le


signal net estimé à celui du blanc (signal parasite). Cette La définition de la limite de quantification retenue dans cet
comparaison fait intervenir le risque α, appelé risque de faux article est :
positif (§ 3.2), correspondant au risque de déclarer le mesurande « Valeur vraie du mesurande dont l’estimation est donnée
significatif à tort. avec une incertitude minimale spécifiée ».

En introduisant le risque ␣ , le seuil de décision peut se défi-


nir par : L’UICPA parle d’écart-type relatif au lieu d’incertitude et précise
qu’un écart-type relatif de 10 % est communément utilisé. Il nous
« Valeur critique pour laquelle la probabilité d’obtenir une semble préférable d’introduire la notion d’incertitude dans la
valeur de mesure supérieure à cette valeur, lorsque le définition afin de tenir compte de l’ensemble des facteurs pouvant
mesurande est nul, est égale à α ». influencer le résultat de mesure.

P 262v2 − 2 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QPX
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVR

___________________________________________________________________ LIMITE DE DÉTECTION DE MÉTHODES D’ANALYSE ET TERMES APPARENTÉS

1.4 Autres termes


Les définitions des termes non apparentés aux capacités de
détection, tels que « mesurande », « variable aléatoire »... sont Domaine du signal net Domaine du signal net
issues du VIM et des normes NF ISO 3534-1 et NF ISO 3534-2. Théorie Expérience

Généralement, en analyse chimique, le mesurande est une YC yC


concentration d’un élément ou d’un composé, l’analyte étant
YD yD
l’élément ou le composé en question.
1 2

3 4

2. Notations

XC xC

XD xD

Les notations adoptées sont celles issues de Currie [2] et


Domaine des concentrations Domaine des concentrations
Voigtman [3] [4].
Théorie Expérience
YC : seuil de décision – domaine des réponses (du signal)
YD : limite de détection vraie – domaine des réponses (du
signal)
yC : estimation du seuil de décision – domaine des réponses Figure 1 – Schématisation des différents domaines
(du signal)
yD : estimation de la limite de détection – domaine des compréhension de ces aspects et par un mauvais positionnement
réponses (du signal) dans ces différents domaines.
XC : seuil de décision – domaine des concentrations Dans cette première partie, nous considérons uniquement le
XD : limite de détection vraie – domaine des concentrations domaine des réponses (du signal). Le passage du domaine du
xC : estimation du seuil de décision – domaine des signal à celui des concentrations est abordé au paragraphe 3.4.
concentrations L’approche développée par Currie [5] repose sur la théorie des
xD : estimation de la limite de détection – domaine des tests d’hypothèse. Selon cette approche, deux types d’erreur sont
concentrations à considérer :
X : valeur vraie du mesurande (concentration) – l’erreur de 1re espèce associée au risque ␣ , appelée aussi
erreur de type I ou faux positif ;
yi : valeur de la ie mesure de la réponse (signal) – l’erreur de 2nde espèce associée au risque ␤ , appelée aussi
xi : valeur de la ie mesure de la concentration erreur de type II ou faux négatif.
σ0 : écart-type de la réponse (signal) du blanc
s0 : estimation de σ0 Dans notre cas, l’hypothèse H0 retenue est l’hypothèse
σD : écart-type de yD nulle : la valeur vraie du mesurande est égale à 0.
u : incertitude-type

3.2 Erreur de 1re espèce et seuil


de décision
3. Concepts fondamentaux
L’erreur de 1re espèce consiste à rejeter à tort l’hypothèse nulle.
C’est-à-dire qu’elle revient à déclarer significatif le mesurande
3.1 Domaines des réponses et domaines alors que sa valeur vraie est nulle.
des concentrations La probabilité d’erreur de 1re espèce est généralement notée α.
Conformément à la définition donnée au paragraphe 1.1, le seuil
L’erreur la plus fréquemment rencontrée lors de l’évaluation des
de décision est défini de telle manière que la probabilité pour
capacités de détection provient de la confusion entre domaine
qu’une valeur de mesure lui soit supérieure, alors que la valeur
théorique et domaine expérimental et entre domaine du signal et
vraie du mesurande est 0, est égale à α.
domaine des concentrations (mesurande).
Très souvent la valeur de α est prise égale à 5 % (risque unilatéral).
Voigtman [3] [4] représente de façon schématique ces différents
domaines à l’aide des quadrants présentés dans la figure 1. La représentation graphique de ce concept est donnée figure 2.
Le passage des quadrants 1 à 3 et 2 à 4 se fait à l’aide du modèle La loi normale représentée figure 2 correspond à la densité de
d’étalonnage qui permet d’attribuer une concentration au signal probabilité d’un mesurande nul (valeur vraie : 0, écart-type : σ0).
mesuré. Dans ce cas, le seuil de décision est calculé selon l’équation :
Les paramètres vrais des quadrants 1 et 3 sont inaccessibles à
l’analyste. Seules des estimations de ces paramètres peuvent être YC = z 1−α σ 0 (1)
déterminées (domaine des données expérimentales, quadrants 2
et 4). avec z1–α valeur critique de la variable normale réduite.
Pour un risque α égal à 5 %, z1–α vaut 1,645. On obtient donc :
Ces considérations, bien que très théoriques en apparence, sont
essentielles pour l’évaluation des limites de détection. La disparité
des approches de calcul s’explique, en partie, par une mauvaise YC = 1,645σ 0 (2)

Copyright © – Techniques de l’Ingénieur – Tous droits réservés P 262v2 – 3

QPY
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVR

LIMITE DE DÉTECTION DE MÉTHODES D’ANALYSE ET TERMES APPARENTÉS ___________________________________________________________________

Si l’on considère un mesurande dont la valeur vraie est égale au


0 Yc seuil de décision, alors la densité de probabilité de l’estimation de
ce mesurande peut être représentée par la courbe en marron de la
figure 3.
Cette figure montre que dans 50 % des cas, les valeurs attri-
buées au mesurande sont jugées non significatives (car inférieures
au seuil de décision, zone hachurée). Le risque de déclarer le
mesurande non significatif alors qu’il est égal au seuil de décision
est donc très important (une chance sur deux) et n’est pas accep-
table. C’est à partir de ce constat que Currie a introduit l’erreur de
Valeur de mesure jugée 2nde espèce pour la détermination de la limite de détection.
significative à tort

R 3.3 Erreur de 2nde espèce et limite


α

de détection
L’erreur de 2nde espèce revient à déclarer le mesurande non
Figure 2 – Schématisation du seuil de décision significatif, à tort.
La probabilité d’erreur de 2nde espèce est généralement notée β,
encore appelée risque β.
En général, σ0 n’est pas connu et est estimé par s0 , en
considérant un nombre de degrés de liberté v. Conformément à la définition donnée au paragraphe 1.2, la
limite de détection est le signal net pour lequel la probabilité
Dans ce cas, l’estimation yC de YC se calcule selon la formule : qu’une valeur de mesure soit inférieure au seuil de décision est
égale à β.
y C = t1−α ,v s 0 (3) Très souvent la valeur de β est prise égale à 5 % (risque unilatéral).
La représentation graphique de ce concept est donnée figure 4 .
avec s0 écart-type estimé du signal net du blanc calculé selon la
formule. La loi normale centrée sur YD représente la densité de proba-
bilité d’un mesurande dont la valeur vraie est égale à YD . Les
n
paramètres de cette loi sont : YD et σD .
s0 =
∑i =1 (y i − y ) 2 (4) Le risque β correspond au risque de déclarer le mesurande non
n −1 significatif (inférieur à la limite de décision YC) alors qu’il est égal à
YD .
où yi signal net pour le blanc i, Pour des lois de distribution gaussiennes, la limite de détection
y moyenne arithmétique des signaux nets des n blancs. se calcule selon l’équation :

t1–α,v t de Student pour une probabilité P = 1–α et un nombre YD = YC + z 1− β σ D (6)


de degrés de liberté v.
Les valeurs tabulées de t1–α,v sont données dans le tableau 1. avec z1–β valeur critique de la variable normale réduite.
Dans le cas où σ0 (écart-type d’un mesurande nul, cas de
l’échantillon blanc) et σD sont différents, on parle alors d’hétéros-
Si l’on prend un risque α égal à 5 % et un nombre de degrés de cédasticité (non-homogénéité des variances sur le domaine
liberté v égal à 9 (10 mesures indépendantes du blanc), on obtient : [0, YD]), cas représenté figure 4.
yC = 1, 833 s0 (5) Lorsque les variances sont homogènes (homoscédasticité), on a
alors : σ0 = σD (figure 5).
Dans ce dernier cas, la limite de détection est donnée par
l’équation :
Échantillon blanc YD = z 1− α σ 0 + z 1− β σ 0 (7)

Le choix d’un échantillon blanc pertinent est extrêmement Si l’on prend α = β = 5 %, on obtient l’équation :
important pour obtenir une estimation correcte de la limite de
détection. L’idéal est de disposer d’un échantillon blanc YD = 1,645 σ 0 + 1,645 σ 0 (8)
correspondant à un blanc de matrice, c’est-à-dire que la
matrice des échantillons analysés par le laboratoire est simi- Soit l’équation :
laire à celle de l’échantillon blanc.
Si un tel échantillon blanc de matrice n’est pas disponible, YD ≈ 3, 3σ 0 (9)
le laboratoire doit soit reconstituer le plus fidèlement possible
la matrice, soit démontrer que la matrice n’a pas d’influence En général, σ0 n’est pas connu et est estimé par s0 , en
sur le résultat de mesure. considérant un nombre de degrés de liberté v. Dans ce cas,
Le choix des matrices représentatives et la disponibilité de lorsque l’on a homoscédasticité et en prenant α = β, l’estimation yD
telles matrices exemptes des analytes recherchés sont très de YD peut être approximée par la formule de l’équation :
souvent deux des points durs de la démarche d’évaluation des
limites de détection. y D ≈ 2t1−α,v s0 (10)
Remarque : le signal net du blanc est toujours centré sur la t de Student pour une probabilité 1 – α et un nombre
avec t1–α,v
valeur nulle.
de degrés de liberté v.

P 262v2 – 4 Copyright © – Techniques de l’Ingénieur – Tous droits réservés

QQP
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVS

Cumul de mesures

par Marielle CROZET


Ingénieur-chercheur au CEA
CEA, DEN, DRCP, SERA, LED


Cédric RIVIER
Secrétaire technique de la CETAMA au CEA
CEA, DEN, DRCP, CETAMA
Stéphane PUYDARRIEUX
Ingénieur procédé, expert statistique appliquée
AREVA NC La Hague
Alain VIVIER
Expert sénior en dosimétrie et statistique
INSTN, ETSR, Saclay
Vincent BRUEL
Ingénieur recherche opérationnelle
AREVA, BUE, SET, IPE, Site du Tricastin
Guillaume MANIFICAT
Chef du service de surveillance et d’étude de la radioactivité dans l’environnement à l’IRSN
PRP-ENV, SESURE
Marcel MOKILI
Ingénieur de recherche
SUBATECH – UMR 6457 : École des Mines de Nantes, IN2P3/CNRS, Université de Nantes
et Bernard THAUREL
Ingénieur-chercheur
IRSN – PDS, DEND, SATE

1. Définitions ............................................................................................... P 263 - 2


2. Modèle de cumul ................................................................................... — 4
3. Approches de censure des valeurs de mesure.............................. — 9
4. Recommandations pour le traitement
des valeurs censurées et perdues..................................................... — 14
5. Présentation du résultat du cumul................................................... — 15
6. Conclusion............................................................................................... — 15
7. Glossaire – Définitions ......................................................................... — 16
Pour en savoir plus ........................................................................................ Doc. P 263

e nombreux domaines sont concernés par les cumuls : par exemple les
D rejets liquides ou gazeux dans l’environnement, la gestion des déchets, la
réalisation de bilans matière, l’analyse des impuretés dans un produit fini ou
un matériau de référence, la surveillance de l’environnement...
Cet article traite uniquement de cumuls de valeurs de mesures à bas niveau
et s’applique en particulier au cas des analyses chimiques et radiologiques.
La plupart des méthodes de cumuls mises en œuvre actuellement utilisent
des méthodes de substitution des valeurs de mesure non significatives engen-
drant ainsi des biais, parfois très importants sur le résultat du cumul. Ces biais
p。イオエゥッョ@Z@ェオゥョ@RPQU

Copyright © –Techniques de l’Ingénieur –Tous droits réservés P 263 – 1

QQQ
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVS

CUMUL DE MESURES ________________________________________________________________________________________________________________

sont le plus souvent positifs et correspondent à des quantités virtuelles de


matière analysée, faussant ainsi artificiellement les bilans établis par les labo-
ratoires dans le cadre de leurs exigences réglementaires par exemple. Ces
biais peuvent être négatifs en cas de substitution des valeurs de mesures non
significatives par zéro. La modification de ces valeurs, en plus d’introduire des
biais dans le résultat du cumul, fausse l’évaluation de son incertitude.
Cet article a été rédigé en vue de clarifier les règles de calcul de cumuls de
mesures. Après avoir défini les termes fondamentaux nécessaires, il expose la
méthode préconisée pour l’expression du modèle de cumuls, des incertitudes
et des seuils de décision associés. Différentes méthodes de cumuls actuelle-
ment utilisées sont ensuite présentées. Trois exemples servent de fil rouge à
R cet article et permettent d’illustrer les écarts importants sur la valeur de cumuls
obtenue par l’utilisation de l’une ou l’autre des méthodes.

Notations adoptées par Currie [1] et Voigtman [2] [3] 1.1 Seuil de décision
yC Estimation du seuil de décision – domaine Le seuil (ou limite) de décision est défini par l’UICPA (Union
des réponses (signal) internationale de chimie pure et appliquée) comme étant une
valeur significative minimale d’une concentration ou d’un signal
yD Estimation de la limite de détection – domaine net estimé.
des réponses (signal)
yQ Estimation de la limite de quantification – domaine Le signal brut correspond à l’addition d’un signal dû à la
des réponses (signal) grandeur mesurée, appelé signal net, et d’un signal parasite.
Selon la méthode d’analyse mise en œuvre, les différentes
xC Estimation du seuil de décision – domaine contributions au signal parasite peuvent être le bruit électro-
des concentrations nique, le fond spectral, des interférences, des pollutions...
xD Estimation de la limite de détection – domaine des
concentrations
La notion de « valeur significative » se conçoit en comparant le
xQ Estimation de la limite de quantification – domaine signal net estimé à celui du blanc. Cette comparaison fait interve-
des concentrations nir le risque ! , appelé risque de faux positif ou risque associé à
une erreur de 1re espèce, correspondant au risque de déclarer le
yi Valeur de la ie mesure de la réponse (signal) mesurande significatif à tort.
xi Valeur de la ie mesure de la concentration
En introduisant le risque α, le seuil de décision yC (figure 1)
u (xi) Incertitude-type de la ie mesure de la concentration
peut se définir par :
µ Valeur vraie du mesurande (concentration) « valeur critique pour laquelle la probabilité d’obtenir une
valeur de mesure supérieure à cette valeur, lorsque le
µ̂ Résultat de mesure, estimation de la valeur vraie mesurande est nul, est égale à α ».
du mesurande, non négatif
Q Valeur du cumul établie à partir des xi
Cette définition est cohérente avec la définition de la norme
u (Q ) Incertitude-type du cumul NF ISO 11843-1.

n Nombre total de mesures pour le cumul

1. Définitions
Parmi la multitude de termes faisant référence aux capacités de
détection d’une méthode d’analyse, il est ici nécessaire d’en définir
trois afin de faciliter la lecture du présent article : le seuil de déci-
sion, la limite de détection et la limite de quantification. Pour la
Valeur de mesure
même raison, il nous paraît utile de définir cinq termes
significative à tort
supplémentaires : la valeur et le résultat de mesure, le cumul, la
moyenne et l’incertitude de mesure. α

Par souci de concision, il a été retenu de ne présenter qu’une défi-


nition pour chaque terme. Cette définition, généralement issue des
yC y
normes, ne se substitue pas aux définitions officielles publiées dans 0
les documents normatifs quand elles existent, mais a pour objectif
d’expliciter le concept ou principe associé à la notion présentée. Figure 1 – Illustration du concept de seuil de décision

P 263 − 2 Copyright © –Techniques de l’Ingénieur –Tous droits réservés

QQR
r←ヲ←イ・ョ」・@iョエ・イョ・エ
pRVS

________________________________________________________________________________________________________________ CUMUL DE MESURES

influencer le résultat de mesure. Les incertitudes-types relatives


couramment retenues pour définir la limite de quantification sont
très variables d’un domaine d’activité à l’autre : elles sont souvent
comprises entre 10 et 20 % mais peuvent être bien