Académique Documents
Professionnel Documents
Culture Documents
Pascal PERNOT
pascal.pernot@u-psud.fr
Laboratoire de Chimie Physique, Orsay
Réseau National Mesures, Modèles et Incertitudes
April 2, 2013
Mesurer, c'est comparer une grandeur physique inconnue avec une grandeur de
même nature prise comme référence, à l'aide d'une chaîne instrumentale
comportant un ou plusieurs capteurs.
Consigne Resultat
Resultat 1 Resultat 2
Quantier la délité de mesure
Resultat
P. Pernot () Propagation des incertitudes April 2, 2013 3 / 81
La démarche incertitudes
P (x < X < x + dx ) = p (x ) dx
Pour une variable continue prenant ses valeurs dans l'intervalle [xmin , xmax ], la
densité de probabilité p(x ) vérie les propriétés suivantes :
positivité
p (x ) ≥0
variance xmax
σX =2
dx (x − x )2 p(x )
xmin
entropie de Shannon
xmax
H (p ) =− p (x ) ln p(x ) dx
xmin
x x
a b x b x
0.5
density(X)
Inferred Gaussian
True pdf
0.4
0.3
Density
0.2
0.1
0.0
-3 -2 -1 0 1 2 3
X
avec les contraintes imposées par les informations disponibles. C'est la distribution
la moins informative (celle qui minimise l'information statistique), compte tenu
des contraintes.
Propriétés
1
x ∈ [a, b ] ⇒ ( | , )=
p x a b b-a
b −a
1/(b-a)
x ∈
/ [a, b ] ⇒ ( | , )=0
p x a b
a +b 1 b −a
x = ; ux = √
2 3 2
Utilisation
On ne dispose que des bornes de X ,
sans indications sur une valeur préférée.
Propriétés
(x − a ) (b-a)
x ∈ [a, c ] ⇒ ( | , )=
p x a b
(b − a )2 2/(b-a)
(b − x )
x ∈ [c , b ] ⇒ p (x |a, b ) =
(b − a )2
x ∈
/ [a, b ] ⇒ p (x |a, b ) = 0
a +b 1 b −a
x = ; ux = √
2 6 2
Utilisation
on dispose des limites de X et d'une 0 a b
valeur préférée au centre de l'intervalle <x>=(a+b)/2
Propriétés
2(x − a)
x ∈ [a , c ] ⇒ ( | , , )=
p x a b c
(b − a)(c − a) 2/(b-a)
2(b − x )
x ∈ [c , b ] ⇒ p (x |a, b , c ) =
(b − a)(b − c )
x ∈
/ [ a , b ] ⇒ p ( x |a , b , c ) = 0
√
a + b + c
2 2 2
a + b + c − ab − ac − bc
x = ; ux = √
3 3 2
Utilisation
on dispose des limites de X et d'une 0 a c b
valeur préférée <x>=(a+b+c)/3
Propriétés
1
x ∈ [a, c ] ⇒ ( | , )=
p x a b p
π (x − a)(b − x )
x ∈
/ [a, b ] ⇒ ( | , )=0
p x a b
a +b 1 b −a
x = ; ux = √
2 2 2
Utilisation
variation sinusoïdale de X entre deux
limites a et b .
Utilisation 67%
incertitude type s , ux =s
incertitude relative s /x , ux = x .(s /x )
intervalle de conance à 95% x ± c,
ux = c /2
-3s -2s -s 0 s 2s 3s
Norm (µ, σ) est la distribution d'entropie
x
maximale sur ]−∞, +∞[, sachant µ et σ
σX2 1 σX2 1 X2
− µX1
= ST RS
x1
E= x2 − µX2
;Σ=2
σX2 X1 σX2 2
1
σX1 ρ
S= σ ;R=
ρ 1
X2
800
600
E/K
400
200
0
-25 -24 -23 -22 -21 -20
ln A
(1) Formulation
1 identication des variables d'entrée incertaines X = {X1 , ..., Xk }
2 dénition du modèle Y = f (X)
1 Interprétation: on prend tous les points dans l'espace des ξ dont l'image par F vaut η , et on
somme leurs poids donnés par gX (ξξ ). La discrétisation de cette intégrale nous donne une recette
pour bâtir un histogramme représentatif de gY .
P. Pernot () Propagation des incertitudes April 2, 2013 25 / 81
Théorie probabiliste de la propagation des incertitudes
(1) Formulation
1 identication des variables d'entrée incertaines X = {X1 , ..., Xk }
2 dénition du modèle Y = f (X)
1 Interprétation: on prend tous les points dans l'espace des ξ dont l'image par F vaut η , et on
somme leurs poids donnés par gX (ξξ ). La discrétisation de cette intégrale nous donne une recette
pour bâtir un histogramme représentatif de gY .
P. Pernot () Propagation des incertitudes April 2, 2013 25 / 81
Évaluation des incertitudes par propagation des distributions
(3) Résumés statistiques de gY (η)
1 espérance statistique de Y et son écart type
∞
( )=
E Y d η η gY (η)
−∞
∞
η (η − E (Y ))2 gY (η)
p
( )=
u y ( );
V Y ( )=
V Y d
−∞
∞
E (Y ) = dη η gY (η)
−∞
= dη η dξ δ (η − f (ξξ )) gX (ξξ )
= dξ dη η δ (η − f (ξξ )) gX (ξξ )
= dξ f (ξξ ) gX (ξξ )
On est donc ramené à des intégrales (multiples) sur les variables incertaines
du modèle.
Si on choisit x 0 = E (X ), on a E (Y ) = f (E (X)).
P. Pernot () Propagation des incertitudes April 2, 2013 29 / 81
Le cas des modèles linéaires
Dans cette hypothèse, on peut dériver la variance
X)) + J T .(ξξ − E (X)) − f (E (X))
2
V (Y ) = dξ f (E ( gX (ξξ )
T 2
= dξ ξ − E (X)) gX (ξξ )
J .(ξ
X
= Ji Jk dξ (ξi − E (Xi )) (ξk − E (Xk )) gX (ξξ )
i ,k
X
= Ji u (Xi , Xk ) Jj
i ,k
= J T .Σ.J
Mesure directe
X =x +C
X : valeur du mesurande
x: indication(valeur mesurée)
C : corrections (justesse, quantication...)
Propriétés dérivées
Y = f (X1 , ..., Xk )
Variance n
2
(xi − x )2 /(n − 1)
X
sX =
i =1
Incertitude-type sur x √
uX = sX / n
si X suit une loi normale, la variable (n − 1)sX2 /σX2 suit une loi du χ2 à
(n − 1) degrés de liberté, dont on tire
' 1/ 2(n − 1)
p
r
n 2 5 10 50 100 5000
r = u s X / sx 0.70 0.35 0.24 0.10 0.07 0.01
Classe a b c
I 0.1 0.1 0.1
II 0.2 0.3 0.2
III 0.6 0.4 0.3
y = f (x1 , ..., xk )
X ∂ Y 2 X ∂Y ∂Y
2
uY
2
cov(Xi , Xj )
∂ Xi xi Xi
= u +
∂ Xi xi ∂ Xj xj
i i 6=j
T
= J ΣJ
5
1 X
L x= (lx ,i + Cq,i ) + Cj + Lx ,nom α∆T
5
i =1
2 2 1
u ( Lx ) = u (l x ) + u 2 (C q ) + u 2 (C j ) +
5
2 ` 2 2 2 2 ´
Lx ,nom α u (∆T ) + ∆T u (α)
LA = 1600.0 ± 1.2 mm
LB = 900.0 ± 1.2 mm
S = LA ∗ LB
2 2 2 2
u
2
(S ) = LB u (LA ) + LA u (LB ) + 2LA LB cov(LA , LB )
2 2 2 2
' LB u (LA ) + LA u (LB ) + 2LA LB u 2 (Cj )
2
x u x j x (jx ux )2
2 4
LA 1600 mm 1.2 mm LB 1166400 mm
2 4
LB 900 mm 1.2 mm LA 3686400 mm
√ 4
0.33 mm 2LA LB 1654434 mm
2 2 2 4
S 1440000 mm 2600 mm ←− u (S ) = 6507234 mm
X1 X1 + X2 X1 + X2 + X3 X1 + . . . + X6
Pour illustrer l'eet de la corrélation supposons que les variables soient de même
écart-type (uX = uX ). Selon la valeur du coecient de corrélation, on obtient
1 2
des résultats très diérents, allant du doublement de l'incertitude standard, à la
compensation totale des erreurs :
corr(X1 , X2 ) -1 √ 0 1
uY 2 ∗ uX 1
2 ∗ uX 1
0
Plus généralement
X ∂Y
0 ≤ uY ≤ uX i
i ∂ Xi xi
La combinaison des incertitudes fournit donc seulement une limite supérieure
absolue à l'incertitude-type obtenue par la combinaison des variances, et non une
estimation de cet écart-type.
Hypothèse de linéarité
La formule de combinaison des variances du GUM est basée sur une
approximation linéaire du modèle de la mesure au voisinage de la valeur moyenne
des variables incertaines
E [f (X )] ' f [E (X )]
qui est valide tant que les écarts à la linéarité sont faibles devant les incertitudes.
Dans le cas de modèles linéaires, il n'y a aucune restriction de validité pour le
calcul des valeurs moyennes E (Y ) et incertitudes standard u (y ).
Même si l'approche GUM reste valide dans une grande majorité de cas pratiques,
la méthode de propagation des distributions peut aussi être un outil de validation
pour la mise en place d'une démarche GUM pour un nouveau dispositif de mesure.
1 Formulation
1 identication des variables d'entrée incertaines X = {X1 , ..., Xk }
2 dénition du modèle Y = f (X)
3 dénition de la densité de probabilité jointe des variables d'entrée gX (ξξ )
(i )
la pdf gX (ξξ ) est remplacée par un échantillon représentatif ξ ; i = 1, N
ξ (i ) ; i = 1 , N
n o
Si les résultent de tirages indépendants, l'incertitude sur la
−1/2
valeur de l'intégrale évolue en N (Théorème de la limite centrée).
gX (ξξ )
↓
z }| { f
(1) (1) (1)
ξ1 ξ2 ... ξn → η (1)
(2) (2) (2)
ξ1 ξ2 ... ξn → η (2)
... ... ... ...
(m )
ξ1
(m)
ξ2 ... ξn
(m)
→ η (m )
↓
gY (η)
gX (ξξ )
↓
z }| { f
(1) (1) (1)
ξ1 ξ2 ... ξn → η (1)
(2) (2) (2)
ξ1 ξ2 ... ξn → η (2)
... ... ... ...
ξ1
(m ) (m)
ξ2 ... ξn
(m)
→ η (m)
↓
gY (η)
gX (ξξ )
↓
z }| { f
(1) (1) (1)
ξ1 ξ2 ... ξn → η (1)
(2) (2) (2)
ξ1 ξ2 ... ξn → η (2)
... ... ... ...
(m)
ξ1
(m)
ξ2 ... ξn
(m )
→ η (m)
↓
gY (η)
s'assurer avant tout que les générateurs aléatoires utilisés ont des propriétés
satisfaisantes pour:
la période de récurrence du générateur
la corrélation séquentielle
0.10
Moyenne
Limites exactes
Q05
0.05
Deviation des estimateurs cumulatifs
0.00
-0.05
-0.10
Soit ndig le nombre de chires considérés comme signicatifs pour une valeur
numérique x . La tolérance numérique δ associée à x est dénie par:
1 mettre x sous la forme c × 10l , où c est un entier à ndig chires et l un entier;
2 on a alors δ = 0.5 × 10l
Exemple
numtol(12345,ndig=1) = 5000
numtol(12345,ndig=2) = 500
Cette partie n'est pas explicitement abordée par le GUM-Supp1, mais on peut
considérer c'est un complément pratiquement indispensable à l'approche par
Monte Carlo.
Documents de référence
J.C. Helton, J.D. Johnson, C.J. Salaberry, and C.B. Storlie (2006) Survey of
sampling based methods for uncertainty and sensitivity analysis. Reliability
Engineering and System Safety 91:11751209.
## X1 X2
## [1,] -0.03531 -0.04242
## X1 X2
## [1,] 0.0134 -0.04971
ces cas ne sont pas forcément aisés à repérer lorsqu'on a des modèles avec
des centaines de paramètres...
P. Pernot () Propagation des incertitudes April 2, 2013 69 / 81
Exemple SA 1
SAPlot(cbind(X, Y))
## X1 X2
## [1,] 0.817 0.09588
## X1 X2
## [1,] 0.8938 0.1684
pour en savoir plus, consulter les ouvrages cités plus haut, ainsi que le package
sensitivity de R, qui fournit la plupart de ces méthodes.
##
## Call:
## soboljansen(model = sq.fun, X1 = X1, X2 = X2, nboot = 100)
##
## Model runs: 200000
##
## First order indices:
## original bias std. error min. c.i. max. c.i.
## x1 0.99990 -1.711e-08 2.025e-06 0.99989 0.99990
## x2 -0.00759 2.186e-03 1.220e-02 -0.03624 0.01158
##
## Total indices:
## original bias std. error min. c.i. max. c.i.
## x1 1.007590 -2.186e-03 1.220e-02 9.884e-01 1.0362350
## x2 0.000101 1.711e-08 2.025e-06 9.694e-05 0.0001053
déterminer k tel que si Y est estimé par y avec une incertitude (élargie)
= ku (y ), on peut armer que
U (y )
y − U (y ) ≤ Y ≤ y + U (y )
il faut connaître la pdf, ce qui peut poser des problèmes avec la méthode de
combinaison des variances
dans le cas idéal (modèle raisonnablement linéaire, plusieurs sources
d'incertitude avec des inuences comparables...) la pdf de Y est Normale, et
on peut utiliser les propriétés correspondantes ( k =2 pour p ' 0.95 ou k =3
pour p ' 0.99...)
n 3 4 5 6 7 8 9 10
t95% 4.30 3.18 2.78 2.57 2.45 2.37 2.31 2.26
t99% 9.93 5.84 4.60 4.03 3.71 3.50 3.36 3.25
Pour arrondir les résultats de mesure et les incertitudes au bon nombre de chires
signicatif:
résultat de mesure
si le dernier chire est supérieur à 5, l'avant-dernier chire est arrondi au
chire supérieur
ex: 101.28 −→ 101.3
si le dernier chire est strictement inférieur à 5, l'avant-dernier chire est
arrondi au chire inférieur
ex: 101.23 −→ 101.2
incertitude
quelque soit le dernier chire, on arrondit toujours au chire supérieur pour
ne pas risquer de minimiser l'incertitude
ex: 1.01 −→ 1.1 et 1.09 −→ 1.1