Ministère de l’Enseignement Supérieur

Direction Générale des Etudes Technologiques

ISET Gafsa

Cours
Métrologie Pratique

Partie III:

Mesure et incertitudes

Mohamed SALAH AU 2020/2021

Concept d'incertitude de mesure

Il est inévitable que toutes les décisions, toutes les actions et donc
toutes les mesures comportent une incertitude inhérente. Le terme
incertitude est utilisé dans de nombreux rapports et est un concept
fréquemment utilisé sans signification scientifique.
Cependant, les métrologues ont défini l'incertitude et lui ont donné
un contenu scientifique utile pour toutes les mesures. Le mot
incertitude signifie doute ; l’incertitude du résultat d’un mesurage
reflète l’impossibilité de connaître exactement la valeur du
mesurande. La définition de l'incertitude de mesure selon l'ISO est:
Paramètre, associé à un résultat de mesure qui caractérise la
dispersion des valeurs qui pourraient être raisonnablement
attribuées au mesurande.
2
Notion d’incertitude-type

Le mesurage peut être modélisé par une variable aléatoire X

d’espérance x0 et que l’on cherche à caractériser la dispersion des
valeurs que peut prendre cette variable aléatoire. Une mesure de
cette dispersion peut être obtenue à partir de l’écart-type de la
variable aléatoire X.
La détermination de l’incertitude sur le mesurage va être exprimée
en fonction de l’écart-type de la variable aléatoire X.
L’écart-type de X est appelé incertitude-type sur le résultat du
mesurage. On note généralement u(x) cette incertitude-type sur X.
L’essentiel de la démarche va consister à déterminer la loi de
probabilité suivie par X et à estimer la valeur de son écart-type .

3
Modes d’évaluation de l’incertitude

Si on fait varier la totalité des grandeurs dont dépend le résultat d’un

mesurage, l’incertitude-type sur chacune des variables peut être
évaluée par des moyens statistiques. Cependant, comme cela est
rarement possible en pratique, l’incertitude-type sur certaines
variables peut être estimée par utilisation d’un modèle probabiliste
décrivant la loi de propagation de l’erreur sur cette variable.
Si une grandeur est estimée par des moyens statistiques, on dit
qu’on a une évaluation de type A de l’incertitude-type sur cette
grandeur.
Si une grandeur est estimée par un modèle probabiliste, on dit qu’on
a une évaluation de type B de l’incertitude-type sur cette grandeur.

4
Évaluation de type A

On suppose dans ce cas que la grandeur X est estimée à partir

d’une série statistique. On notera (X1, X2,…Xn) un n-échantillon de
X, où Xi représente la variable aléatoire associée à la ième mesure
de la grandeur X. Les n mesures x1, x2,…xn constituent un
1 n
échantillon des valeurs prises par X. La variable aléatoire X = ∑ Xi
n i=1
a pour espérance celle de X et la moyenne arithmétique des
valeurs x1, x2,…xn est en général une bonne estimation de
l’espérance E(X) de la variable X.
On prend donc, en général, comme estimation ponctuelle de X le
nombre x défini par :
n
xi
x=∑
i =1 n
5
Évaluation de type A

Pour une grandeur X estimée à partir de n observations répétées

indépendantes (ce qui signifie que les variables Xi sont
indépendantes), obtenues dans les mêmes conditions de mesure,
x1, x2,…xn (ce qui impliquerait que chaque opération de mesurage
nécessite le démontage et le remontage du dispositif de mesure !),
le nombre :
n
( xi − x) 2
σ (X ) = ∑
i =1 n −1

est la « meilleure » estimation de l’écart-type de X . Il représente

une estimation de la dispersion des valeurs prises par X autour de
la moyenne E(X). C’est l’écart-type expérimental d’une mesure ou
écart-type de répétabilité.
6
Évaluation de type A

Un résultat classique de statistique sur les lois d’échantillonnage

montre que la « meilleure » estimation de la variance de la
moyenne de X est:
1 n
( x − x ) 2
σ 2(X ) = σ 2(X ) ⇒ σ 2(X ) = ∑ i
n i =1 n( n − 1)

L’écart-type expérimental de la moyenne est utilisé comme

estimation de l’incertitude de la moyenne.
Si une grandeur X est estimée à partir de n observations répétées
indépendantes x1, x2, … , xn, alors l’incertitude-type u(x) sur son
estimation « x bar » est:

σ (X ) ( xi − x) 2
n
σ (X ) = ⇒ σ (X ) = ∑
n i =1 n( n − 1)
7
Évaluation de type B

Lorsque l’estimation d’une grandeur X ne peut être obtenue à

partir d’observations répétées, l’incertitude-type u(x) est évaluée
par un jugement fondé sur des lois de probabilité supposées a
priori.
La détermination de la loi de l’erreur est liée à la maîtrise du
processus de mesure et à l’expérience de l’opérateur. Elle dépend
d’un ensemble d’informations qui peuvent être :
des résultats de mesures antérieures
l’expérience ou la connaissance du comportement et des
propriétés des matériaux et instruments utilisés
de facteurs d’influence (température, pression,.....)

8
Évaluation de type B

des spécifications du fabricant

les données fournies par des certificats d’étalonnage ou autres
l’incertitude assignée à des valeurs de référence et donnée avec
ces valeurs.
Ainsi, en fonction des informations recueillies et de la connaissance
du processus, on choisit la loi de probabilité qui semble être le
mieux représentative du phénomène étudié.

Les lois qui sont rencontrées le plus souvent sont les lois normales
(ou de Gauss), triangulaires, et les lois rectangulaires (ou
uniformes).

9
Évaluation de type B

Ainsi, si on sait raisonnablement que les valeurs de la grandeur X

sont comprises entre (M – d) et (M + d), le choix de la loi de
propagation de X entre (M – d) et (M + d) va décider de
l’incertitude-type retenue.

M-d M+d

10
Loi Normale
Densité de probabilité :
1  x−µ 
2

p( x) 1 −  
2 σ 
1 p ( x) = e
σ 2π
σ 2π

6σ

µ − 3σ µ µ + 3σ
µ +σ

∫
µ σ−
p ( x).dx ≈ 68%
+∞
µ + 2σ d
2d = 6σ ⇒ σ =
∫ p( x).dx = 100%
−∞ ∫ p ( x).dx ≈ 95% 3
µ σ−2
µ +3σ

∫
µ σ
p( x).dx > 99%
−3 11
Loi Uniforme
Densité de probabilité :

p( x)
d
1
b−a

a µ −σ µ µ +σ b
Espérance :
+∞
(b + a )
b
1 1
E( X ) = µ = ∫ x. p ( x)dx ⇒ µ = ∫ x dx ⇒ µ = (b 2 − a 2 ) ⇒ µ =
−∞ a
(b − a ) 2(b − a ) 2
Ecart-type :
+∞ b
( x − µ ) 2
(b − µ ) 3
− ( a − µ ) 3
V ( X ) = E ( X − E ( X ) )  = ∫ ( x − µ ) . p ( x)dx = ∫
2 2
dx =
  (b − a ) 3(b − a )
−∞ a

1  b − a 3 b − a 3 (b − a ) 2 (b − a ) d
⇒V = ( ) + ( ) ⇒ V = ⇒ σ = ⇒ σ =
3(b − a )  2 2  12 2 3 3 12
Loi Triangulaire
Densité de probabilité :  4( x − a ) a+b
 (b − a ) 2 si a ≤ x ≤
2
p( x) 
 4( x − a ) a+b
p( x) =  si ≤ x≤b
2
 ( b − a ) 2
2
b−a 0 sinon

2σ 

a µ −σ µ µ +σ b
Espérance :
+∞
(b + a )
E( X ) = µ = ∫ x. p ( x) dx ⇒ µ =
−∞
2
Ecart-type :
+∞
V ( X ) = E ( X − E ( X ) )  = ∫ µ
2
( x − ) 2
. p ( x)dx
 
−∞

1 (b − a ) 2 b−a d
⇒V = ⇒σ = ⇒σ = 13
2 12 2 6 6
Loi Triangulaire
Les mesures indépendantes effectuées sur une grandeur X sont
reportées dans le tableau suivant:

x1 x2 x3 x4 x5 x6 x7 x8 x9 x10
2.132 2.139 2.128 2.133 2.132 2.135 2.130 2.129 2.134 2.136

Moyenne :
n
xi
x=∑ = 2.1328
i =1 n

Ecart-type :
+∞
V ( X ) = E ( X − E ( X ) )  = ∫ µ
2
( x − ) 2
. p ( x)dx
 
−∞

1 (b − a ) 2 b−a d
⇒V = ⇒σ = ⇒σ = 14
2 12 2 6 6
Centre 1: Médiane

7 7
5 5 5 5
4
3 3 3 3 3
2

4.5

3
7 7
5 5 5 5
4
3 3 3 3 3
2
Centre 2: Mode

7 7
5 5 5 5
4
3 3 3 3 3
2

x1 x2 x3 x4 x5 x6 x7 x1 x2 x3 x4 x5 x6
5 2 3 7 3 5 3 5 2 3 7 3 5

y1 y2 y3 y4 y1 y2 y3 y4
5 2 3 7 5 2 3 7
fi 2 1 3 1 fi 2 1 2 1

Mode = 3 Mode 1= 5 ; Mode 2= 3 16

Centre 3: Moyenne Arithmétique

7
5 5
4
3 3 3
2

1 n 1 7
x = ∑ xi ⇒ x = ∑ ( x1 + x2 + x3 + x4 + x5 + x6 + x7 ) = 4
n i =1 7 i =1
y1 y2 y3 y4
5 2 3 7
fi 2 1 3 1

1 c 1 4
x = ∑ fi yi ⇒ x = ∑ ( 2 y1 + 1. y2 + 3 y3 + 1. y4 ) = 4
c i =1 4 i =1 17
Centre 4: Moyenne Géométrique

7
5 5
4
3 3 3
2

1
n
  n
xg = ∏ xi =  ∏ xi  ⇒ xg = 7 x1 x2 x3 x4 x5 x6 x7 ≈ 3.7
n
n
i =1  i =1 
y1 y2 y3 y4
5 2 3 7
fi 2 1 3 1
c  cfi c 
xg = c ∏ xi = ∏  xi
fi
 ⇒ xg = 7
y12 y2 y33 y4 ≈ 3.7
18
i =1 i =1  
Dispersion 1: Etendue

7
5 5
3 3 3
2

Et = max( xi ) − min( xi )
⇒ Et = 7 − 2 = 5
7
5 5
3 3 3
2

19
Dispersion 2: Variance & Ecart-type

-3
-1 -1
+1 7 +1 +1
+2
5 5
4
3 3 3
2 ε1 = −1
ε = +2
 2
Ecarts : ε 3 = +1
1 n 1 c 
ε i = xi − x ⇒ ε i = xi − ∑ x j ⇒ ε i = xi − ∑ f j x j ⇒ ε 4 = −3
n j =1 c j =1 ε = +1
Variance :  5
1 n 2 1 n 1 n  ε 6 = −1
V = ∑ ε i = ∑ ( xi − x) =  ∑ ( xi ) 2 − ( x) 2  ≈ 2.57
2

n i =1 n i =1 n  i =1  ε 7 = +1
Ecart-type :
1 n 2 1 n 1 n 2
σ= V = ∑
n i =1
ε i = ∑
n i =1
( xi − x ) 2
=  ∑
n  i =1
( xi ) 2
− ( x ) 

⇒ σ ≈ 1.6
20
Echantillonnage: Motivation
Unique technique efficace en cas de tests destructifs !

X X
X X
X X X X X
X X X X X X X
X X X X
X X X X X X X X
X X X X X X x X XX X
m X X X X  X X
 X X X X XX σ e
σ p X X X X X
X X Echantillon de n individus
Population de N individus

Effectif important de la population : Estimer le paramètre cherché à

la détermination de ses paramètres partir de celui observé sur un
est lourde et onéreuse. échantillon plus petit. (statistique)

la représentativité de l’échantillon
Il faut tenir en compte de :
les fluctuations d’échantillonnage 21
Echantillonnage: Techniques
Echantillonnage à base de Jugement :
Certaines sous-populations sont jugées des indicateurs fiables qui informent
sur la tendance de la population entière.
Exemple:
Dans les campagnes électorales certains districts électoraux sont des
indicateurs fiables de l’opinion publique

22
Echantillonnage: Méthodes
Echantillonnage à base de Jugement :
Certaines sous-populations sont jugées des indicateurs fiables qui informent
sur la tendance de la population entière. (exemple des élections)

Echantillonnage Aléatoire Simple :

Tous les éléments de la population ont une chance égale de faire partie de
l’échantillon choisi.

Echantillonnage Stratifié :
Subdiviser la population hétérogène en sous-groupes homogènes (strates)
avant l'échantillonnage. Ainsi, aucun élément de la population générale ne
peut être omis. L'échantillonnage est alors appliqué au sein des strates.
Echantillonnage par Grappes (Cluster Sampling):
Subdiviser la population en sous-groupes homogènes (strates) avant
l'échantillonnage. Ainsi, aucun élément de la population générale ne peut
23
être omis. L'échantillonnage est alors appliqué au sein des strates.
Fin…

Merci
pour votre Attention