{"id":6550,"date":"2026-09-16T09:38:54","date_gmt":"2026-09-16T09:38:54","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/propagation-des-erreurs-definition-et-exemple\/"},"modified":"2026-09-16T09:38:54","modified_gmt":"2026-09-16T09:38:54","slug":"propagation-des-erreurs-definition-et-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=propagation-des-erreurs-definition-et-exemple","title":{"rendered":"Qu’est-ce que la propagation des erreurs ? (D\u00e9finition et exemple)"},"content":{"rendered":"

Toute entreprise de quantification scientifique repose sur un paradoxe \u00e9pist\u00e9mologique fondamental : bien que la r\u00e9alit\u00e9 physique ou psychologique soit postul\u00e9e comme continue et univoque, notre acc\u00e8s empirique \u00e0 celle-ci demeure invariablement m\u00e9di\u00e9 par des instruments imparfaits, des observateurs faillibles et des conditions d’observation fluctuantes. Dans l’histoire de la physique exp\u00e9rimentale comme dans l’\u00e9dification contemporaine des sciences du comportement, la mesure n’est jamais une restitution parfaite d’une grandeur absolue, mais plut\u00f4t une estimation probabiliste encadr\u00e9e par une marge de doute inali\u00e9nable. D\u00e8s lors qu’une d\u00e9marche analytique combine plusieurs de ces grandeurs primitives au sein d’une relation fonctionnelle math\u00e9matique pour forger un nouvel indice synth\u00e9tique, une question math\u00e9matique et m\u00e9thodologique critique surgit : selon quelles dynamiques ces imperfections primaires se combinent-elles, s’amplifient-elles ou se compensent-elles pour d\u00e9terminer l’incertitude finale de la variable r\u00e9sultante ?<\/p>\n

Ce processus de transmission et de recomposition algorithmique constitue pr\u00e9cis\u00e9ment le domaine de la propagation des erreurs<\/strong>, plus formellement d\u00e9sign\u00e9e sous le vocable de propagation des incertitudes<\/strong> dans les cadres normatifs de la m\u00e9trologie internationale. Loin de repr\u00e9senter un d\u00e9tail calculatoire subalterne rel\u00e9gu\u00e9 aux marges des rapports de laboratoire, la mod\u00e9lisation rigoureuse de la propagation d’incertitude conditionne la validit\u00e9 m\u00eame des inf\u00e9rences empiriques, d\u00e9marquant l’assertion empirique robuste de l’artefact m\u00e9thodologique. Qu’il s’agisse de d\u00e9terminer la constante gravitationnelle, d’estimer un coefficient d’\u00e9lasticit\u00e9 \u00e9conomique, ou d’agr\u00e9ger des scores factoriels au sein d’une batterie neuropsychologique standardis\u00e9e, ignorer la cin\u00e9matique des incertitudes expose la recherche \u00e0 une surconfiance d\u00e9sastreuse dans des estimations potentiellement erratiques.<\/p>\n

Le pr\u00e9sent trait\u00e9 propose une exploration exhaustive, formelle et appliqu\u00e9e de la th\u00e9orie de la propagation des erreurs. Nous d\u00e9ploierons d’abord le cadre conceptuel d\u00e9marquant l’erreur stochastique de l’incertitude \u00e9pist\u00e9mique, avant d’exposer l’appareil math\u00e9matique matriciel et diff\u00e9rentiel issu du d\u00e9veloppement en s\u00e9ries de Taylor. Nous examinerons ensuite pas \u00e0 pas les op\u00e9rations lin\u00e9aires et non lin\u00e9aires \u00e9l\u00e9mentaires, illustr\u00e9es par des d\u00e9monstrations math\u00e9matiques et des protocoles de calcul exhaustifs, pour aborder enfin les r\u00e9percussions complexes de la covariance inter-variables, la transposition aux grandeurs latentes psychom\u00e9triques et les strat\u00e9gies computationnelles contemporaines telles que les simulations stochastiques de Monte-Carlo.<\/p>\n

1. Introduction fondamentale \u00e0 la propagation des erreurs en sciences de la mesure<\/h2>\n

1.1 D\u00e9finition th\u00e9orique et \u00e9pist\u00e9mologique de la propagation<\/h3>\n

La propagation des erreurs se d\u00e9finit comme l’ensemble des principes math\u00e9matiques et statistiques r\u00e9gissant la transmission des incertitudes associ\u00e9es \u00e0 un vecteur de variables d’entr\u00e9e directes vers une variable d\u00e9riv\u00e9e, obtenue par l’application d’un mod\u00e8le fonctionnel d\u00e9termin\u00e9. D’un point de vue strictement \u00e9pist\u00e9mologique, ce ph\u00e9nom\u00e8ne mat\u00e9rialise l’impossibilit\u00e9 d’isoler une d\u00e9duction math\u00e9matique de la contingence m\u00e9trologique de ses pr\u00e9misses empiriques. Lorsqu’une grandeur finale, not\u00e9e Y<\/em>, d\u00e9pend d’une multiplicit\u00e9 de grandeurs sous-jacentes X1<\/sub>, X2<\/sub>, …, Xn<\/sub><\/em> \u00e0 travers une formulation Y = f(X1<\/sub>, X2<\/sub>, …, Xn<\/sub>)<\/em>, la dispersion inh\u00e9rente \u00e0 chaque mesure \u00e9l\u00e9mentaire induit une distribution de densit\u00e9 probabiliste autour de la valeur centrale de Y<\/em>. La propagation formalise la m\u00e9tamorphose g\u00e9om\u00e9trique et alg\u00e9brique de cette dispersion \u00e0 travers l’op\u00e9rateur fonctionnel f<\/em>.<\/p>\n

Il importe d’instaurer une distinction formelle entre trois entit\u00e9s lexicales trop souvent amalgam\u00e9es dans la litt\u00e9rature empirique : l’erreur exp\u00e9rimentale, la variance r\u00e9siduelle et l’incertitude de mesure. L’erreur exp\u00e9rimentale repr\u00e9sente l’\u00e9cart inconnu et inconnaissable s\u00e9parant la valeur mesur\u00e9e de la \u00ab valeur vraie \u00bb th\u00e9orique du mesurande. La valeur vraie relevant de l’id\u00e9alit\u00e9 ontologique, l’erreur pure conserve une dimension hypoth\u00e9tique. En revanche, la variance r\u00e9siduelle rel\u00e8ve du mod\u00e8le statistique : elle quantifie la part de dispersion non imputable aux pr\u00e9dicteurs au sein d’un \u00e9chantillon donn\u00e9. L’incertitude de mesure, quant \u00e0 elle, incarne un param\u00e8tre non n\u00e9gatif caract\u00e9risant la dispersion des valeurs attribuables au mesurande, sur la base des informations m\u00e9trologiques disponibles. Ce concept op\u00e9rationnel d\u00e9place la perspective de la notion d’erreur vers la formalisation d’un intervalle de confiance probabiliste.<\/p>\n

Cette distinction s’inscrit au c\u0153ur de la tra\u00e7abilit\u00e9 m\u00e9trologique, concept cardinal garantissant qu’un r\u00e9sultat d’analyse peut \u00eatre reli\u00e9 \u00e0 des r\u00e9f\u00e9rences internationales reconnues par une cha\u00eene ininterrompue et document\u00e9e d’\u00e9talonnages, chacun contribuant \u00e0 l’incertitude globale accumul\u00e9e. Historiquement, la formalisation de la propagation a suivi les mutations paradigmatiques de la physique. Initi\u00e9e par les travaux de pionniers comme Pierre-Simon de Laplace<\/a> et Carl Friedrich Gauss<\/a> au tournant du XIXe si\u00e8cle dans le cadre de la th\u00e9orie des moindres carr\u00e9s et de l’astronomie de position, elle s’est \u00e9mancip\u00e9e de l’illusion d\u00e9terministe pour devenir, au sein de la m\u00e9trologie moderne, une discipline probabiliste axiomatis\u00e9e indispensable \u00e0 la validation des donn\u00e9es d’observation.<\/p>\n

1.2 Pertinence de l’analyse d’incertitude dans la recherche quantitative<\/h3>\n

L’omission de l’incertitude au sein de la mod\u00e9lisation quantitative produit des biais d\u00e9vastateurs dans l’estimation de la robustesse des th\u00e9ories scientifiques. Dans l’ar\u00e8ne empirique, un mod\u00e8le explicatif ne peut \u00eatre corrobor\u00e9 que si l’\u00e9cart entre pr\u00e9dictions th\u00e9oriques et donn\u00e9es observ\u00e9es s’av\u00e8re indiscernable du bruit de mesure cumul\u00e9. Lorsqu’un chercheur agr\u00e8ge des grandeurs sans propager scrupuleusement les incertitudes instrumentales, le degr\u00e9 de pr\u00e9cision per\u00e7u de la variable r\u00e9sultante est artificiellement sur\u00e9valu\u00e9. Cette surestimation de la certitude g\u00e9n\u00e8re une contraction illusoire des intervalles de confiance associ\u00e9s aux estimateurs, ce qui amplifie dramatiquement le risque d’erreur de type I (rejet erron\u00e9 d’une hypoth\u00e8se nulle authentiquement v\u00e9rifi\u00e9e).<\/p>\n

La reproductibilit\u00e9 scientifique, aujourd’hui travers\u00e9e par une crise syst\u00e9mique touchant tant les sciences biom\u00e9dicales que les disciplines comportementales, d\u00e9pend intimement de cette mod\u00e9lisation. Deux laboratoires mesurant une m\u00eame grandeur composite \u00e0 partir de protocoles techniques distincts n’aboutiront presque jamais \u00e0 des moyennes strictement identiques. L’affirmation d’une convergence ou d’une divergence empirique n’a de sens que si les intervalles d’incertitude propag\u00e9s se recouvrent mutuellement dans une proportion statistique acceptable. Sans propagation des erreurs, la discordance d’apparence num\u00e9rique masque l’\u00e9quivalence m\u00e9trologique r\u00e9elle, ou inversement, une co\u00efncidence apparente dissimule une instabilit\u00e9 instrumentale majeure.<\/p>\n

Face \u00e0 ces d\u00e9rives, les instances acad\u00e9miques et industrielles internationales ont consolid\u00e9 leurs pratiques au sein du Guide pour l’expression de l’incertitude de mesure (GUM)<\/a>, \u00e9dit\u00e9 par le Bureau International des Poids et Mesures (BIPM) en collaboration avec l’Organisation Internationale de Normalisation (ISO). Le GUM impose une normalisation rigoureuse en substituant aux anciennes approximations semi-empiriques un formalisme unifi\u00e9 fond\u00e9 sur la variance d’\u00e9chantillonnage et les distributions d’incertitude de type A (\u00e9valu\u00e9es par des m\u00e9thodes statistiques sur des s\u00e9ries de mesures) et de type B (\u00e9valu\u00e9es par d’autres moyens, tels que certificats d’\u00e9talonnage, tol\u00e9rances d’appareils ou connaissances physiques pr\u00e9alables).<\/p>\n

1.3 Transposition conceptuelle aux sciences du comportement et \u00e0 la psychologie<\/h3>\n

Si la th\u00e9orie de la propagation de l’erreur a forg\u00e9 ses canons dans le creuset des sciences physiques, son importation au sein des sciences humaines et de la psychom\u00e9trie contemporaine s’av\u00e8re indispensable, quoiqu’encore trop rarement th\u00e9oris\u00e9e sous l’angle du GUM. Dans les sciences comportementales, les objets d’\u00e9tude ne sont pas des entit\u00e9s directement observables par des capteurs optiques ou \u00e9lectrom\u00e9caniques, mais des grandeurs latentes : l’intelligence fluide, l’anxi\u00e9t\u00e9-trait, l’efficience de la m\u00e9moire de travail ou l’inhibition cognitive. Ces construits th\u00e9oriques ne peuvent \u00eatre approxim\u00e9s qu’au moyen d’instruments composites tels que des questionnaires d’auto-\u00e9valuation, des \u00e9preuves chronom\u00e9tr\u00e9es ou des indices neuropsychologiques combinatoires.<\/p>\n

L’\u00e9laboration d’un score composite \u2014 par exemple, un indice d’aptitude cognitive g\u00e9n\u00e9rale d\u00e9riv\u00e9 de multiples sous-tests \u00e9talonn\u00e9s \u2014 r\u00e9pond exactement aux propri\u00e9t\u00e9s d’une fonction math\u00e9matique multivari\u00e9e Y = f(X1<\/sub>, …, Xn<\/sub>)<\/em>. Chaque score obtenu \u00e0 un sous-test \u00e9l\u00e9mentaire n’est pas exempt de bruit : il agr\u00e8ge la composante r\u00e9elle du trait psychologique et une erreur de mesure inh\u00e9rente \u00e0 l’\u00e9chantillonnage des items, \u00e0 l’effet de fatigue, \u00e0 la consigne exp\u00e9rimentale ou aux fluctuations attentionnelles du sujet. La combinaison arithm\u00e9tique ou pond\u00e9r\u00e9e de ces scores pour engendrer un indice global propage in\u00e9vitablement l’erreur propre \u00e0 chaque sous-dimension.<\/p>\n

Il existe un parall\u00e9lisme parfait entre l’incertitude instrumentale d’un spectrom\u00e8tre et la fid\u00e9lit\u00e9 psychom\u00e9trique d’un test standardis\u00e9. Les fluctuations intra-individuelles, document\u00e9es lors des \u00e9preuves de test-retest, refl\u00e8tent la composante al\u00e9atoire de l’erreur psychologique, tandis que les effets d’apprentissage ou les biais d’\u00e9valuation de l’exp\u00e9rimentateur correspondent aux erreurs syst\u00e9matiques de la m\u00e9trologie physique. N\u00e9gliger la propagation de ces erreurs lors de l’assemblage de scores composites conduit inexorablement les praticiens et cliniciens \u00e0 \u00e9tablir des diagnostics diff\u00e9rentiels fragiles, interpr\u00e9tant des \u00e9carts num\u00e9riques marginaux entre deux indices composites comme des dysfonctionnements cognitifs r\u00e9els, alors que ceux-ci rel\u00e8vent exclusivement du cumul stochastique des incertitudes de test.<\/p>\n

2. Cadre conceptuel : distinctions entre erreurs de mesure et incertitudes<\/h2>\n

2.1 Typologie des erreurs : syst\u00e9matiques versus al\u00e9atoires<\/h3>\n

L’analyse m\u00e9trologique s\u00e9pare traditionnellement les perturbations exp\u00e9rimentales en deux classes ph\u00e9nom\u00e9nologiques distinctes : les erreurs al\u00e9atoires et les erreurs syst\u00e9matiques. Les erreurs al\u00e9atoires (ou stochastiques) proviennent de micro-variations impr\u00e9visibles, temporelles ou spatiales, des grandeurs d’influence environnementales (telles que le bruit thermique, les perturbations \u00e9lectromagn\u00e9tiques ou les micro-variations attentionnelles d’un sujet). D’un point de vue probabiliste, elles se caract\u00e9risent par le fait que leur esp\u00e9rance math\u00e9matique est nulle lorsque le nombre de r\u00e9p\u00e9titions tend vers l’infini :<\/p>\n

E(\u03b5) = 0<\/p>\n

En vertu du th\u00e9or\u00e8me central limite, la distribution des r\u00e9sidus d’une erreur al\u00e9atoire tend asymptotiquement vers une loi normale ou gaussienne, caract\u00e9ris\u00e9e par une moyenne nulle et un \u00e9cart-type \u03c3<\/em> repr\u00e9sentant l’amplitude moyenne de la dispersion exp\u00e9rimentale. Ces erreurs affectent directement la fid\u00e9lit\u00e9 (ou r\u00e9p\u00e9tabilit\u00e9) de la mesure, sans pour autant alt\u00e9rer l’esp\u00e9rance de la valeur centrale observ\u00e9e.<\/p>\n

\u00c0 l’oppos\u00e9, les erreurs syst\u00e9matiques (ou biais m\u00e9trologiques) se manifestent par un d\u00e9calage unidirectionnel constant ou variable selon une loi d\u00e9terministe par rapport \u00e0 la valeur th\u00e9orique r\u00e9elle. Elles trouvent leur source dans un mauvais \u00e9talonnage de l’appareil (d\u00e9rive du z\u00e9ro), un dysfonctionnement mat\u00e9riel persistant, une approximation non valide du cadre th\u00e9orique (n\u00e9gligence de la friction de l’air, non-prise en compte de la temp\u00e9rature ambiante) ou un biais de d\u00e9sirabilit\u00e9 sociale dans le remplissage d’un questionnaire. Math\u00e9matiquement, l’esp\u00e9rance de l’erreur syst\u00e9matique est non nulle :<\/p>\n

E(\u03b5) = b \u2260 0<\/p>\n

Ces erreurs d\u00e9gradent l’exactitude (ou justesse) de la mesure. Le traitement pr\u00e9alable de ces biais est fondamental : aucune loi de propagation d’incertitude al\u00e9atoire ne peut neutraliser un biais syst\u00e9matique non corrig\u00e9. Ce dernier doit \u00eatre identifi\u00e9 en amont par des proc\u00e9dures d’\u00e9talonnage contre des \u00e9talons primaires, des plans d’inversion m\u00e9thodologique ou des normalisations statistiques, de sorte que le syst\u00e8me de mesure r\u00e9siduel ne contienne plus que des incertitudes stochastiques centr\u00e9es.<\/p>\n

2.2 Incertitude absolue versus incertitude relative<\/h3>\n

La quantification de l’impr\u00e9cision m\u00e9trologique exige une d\u00e9finition rigoureuse des concepts d’incertitude absolue et d’incertitude relative, dont l’usage varie selon les op\u00e9rations alg\u00e9briques envisag\u00e9es. L’incertitude absolue, traditionnellement not\u00e9e \u0394x<\/em> ou u(x)<\/em> selon la formalisation du GUM, exprime la marge d’erreur dans la m\u00eame unit\u00e9 dimensionnelle que la grandeur mesur\u00e9e elle-m\u00eame. Si la masse d’un compos\u00e9 chimique est quantifi\u00e9e \u00e0 12,40 g avec une incertitude absolue de 0,02 g, le r\u00e9sultat formel s’\u00e9nonce :<\/p>\n

m = (12,40 \u00b1 0,02) g<\/p>\n

Cette forme absolue traduit l’\u00e9tendue de l’intervalle de confiance autour de la moyenne observ\u00e9e, correspondant classiquement \u00e0 un \u00e9cart-type d’incertitude standard combin\u00e9e.<\/p>\n

\u00c0 l’inverse, l’incertitude relative (ou fractionnaire) neutralise la d\u00e9pendance \u00e0 l’unit\u00e9 de mesure en op\u00e9rant le rapport sans dimension de l’incertitude absolue sur la valeur absolue du mesurande, souvent multipli\u00e9 par cent pour \u00eatre exprim\u00e9 sous la forme d’un pourcentage :<\/p>\n

ur<\/sub>(x) = u(x) \/ |x|  ou  ur<\/sub>(x)% = (u(x) \/ |x|) \u00d7 100<\/p>\n

Dans l’exemple susmentionn\u00e9, l’incertitude relative est de 0,02 \/ 12,40 \u2248 0,00161, soit environ 0,16 %. Cette grandeur sans dimension permet de comparer la qualit\u00e9 m\u00e9trologique de mesures portant sur des \u00e9chelles ou des natures physiques totalement dissemblables. Une incertitude absolue de 1 millim\u00e8tre s’av\u00e8re insignifiante lors de l’arpentage d’une distance de 10 kilom\u00e8tres, mais d\u00e9sastreuse lors du calibrage d’une pi\u00e8ce microm\u00e9trique en ing\u00e9nierie de pr\u00e9cision. L’incertitude relative est l’instrument de pr\u00e9dilection d\u00e8s lors que les grandeurs entrent dans des produits, des quotients ou des exponentiations fonctionnelles.<\/p>\n

2.3 L’ancrage dans la th\u00e9orie classique des tests<\/h3>\n

Dans les sciences psychosociales et \u00e9ducatives, le pendant m\u00e9thodologique de la m\u00e9trologie physique repose sur la Th\u00e9orie Classique des Tests (TCT)<\/a>, conceptualis\u00e9e formellement par Gulliksen et enrichie par Lord et Novick. La TCT postule que le score observ\u00e9 X<\/em> d’un individu lors d’une \u00e9valuation psychologique se d\u00e9compose lin\u00e9airement en deux composantes inobservables et additives : le score vrai V<\/em> (qui repr\u00e9sente la valeur attendue id\u00e9ale sous une infinit\u00e9 d’administrations ind\u00e9pendantes) et une erreur de mesure al\u00e9atoire E<\/em> :<\/p>\n

X = V + E<\/p>\n

Cette formalisation repose sur trois axiomes probabilistes centraux : l’esp\u00e9rance de l’erreur est nulle (E(E) = 0<\/em>), la corr\u00e9lation entre le score vrai et l’erreur de mesure est nulle (\u03c1V,E<\/sub> = 0<\/em>), et les erreurs associ\u00e9es \u00e0 deux tests distincts sont mutuellement ind\u00e9pendantes (\u03c1E1,E2<\/sub> = 0<\/em>). D\u00e8s lors, la variance des scores observ\u00e9s se d\u00e9compose purement en la somme de la variance du score vrai et de la variance d’erreur :<\/p>\n

\u03c3X<\/sub>2<\/sup> = \u03c3V<\/sub>2<\/sup> + \u03c3E<\/sub>2<\/sup><\/p>\n

Le coefficient de fid\u00e9lit\u00e9 du test, not\u00e9 rXX’<\/sub><\/em>, s’exprime alors comme la proportion de variance vraie contenue dans la variance totale observ\u00e9e : rXX’<\/sub> = \u03c3V<\/sub>2<\/sup> \/ \u03c3X<\/sub>2<\/sup> = 1 – (\u03c3E<\/sub>2<\/sup> \/ \u03c3X<\/sub>2<\/sup>)<\/em>. L’\u00e9cart-type des erreurs de mesure, universellement d\u00e9sign\u00e9 sous le nom d’erreur type de mesure (ETM)<\/strong>, s’obtient par manipulation alg\u00e9brique directe :<\/p>\n

ETM = \u03c3E<\/sub> = \u03c3X<\/sub> \u00d7 \u221a(1 – rXX’<\/sub>)<\/p>\n

L’ETM constitue la transposition exacte de l’incertitude-type standard de la m\u00e9trologie physique. Toutefois, les limites de ce postulat d’additivit\u00e9 simple deviennent manifestes lorsque l’on quitte le cadre du test unique pour agr\u00e9ger des sous-scores corr\u00e9l\u00e9s. Dans ce cas de figure, l’hypoth\u00e8se simpliste de nullit\u00e9 des covariances d’erreur s’effondre fr\u00e9quemment, induisant des erreurs de diagnostic lors de l’application aveugle des formules d’incertitude combin\u00e9e sans mod\u00e9lisation de la structure latente sous-jacente.<\/p>\n

3. Fondements math\u00e9matiques g\u00e9n\u00e9raux de la propagation des incertitudes<\/h2>\n

3.1 Formalisme diff\u00e9rentiel et d\u00e9pendance fonctionnelle multivari\u00e9e<\/h3>\n

Le socle rigoureux de la propagation des erreurs repose sur l’analyse diff\u00e9rentielle appliqu\u00e9e aux fonctions de plusieurs variables r\u00e9elles. Consid\u00e9rons une grandeur de sortie scalaire Y<\/em> d\u00e9termin\u00e9e de fa\u00e7on univoque par une fonction f<\/em> contin\u00fbment d\u00e9rivable (de classe C1<\/sup><\/em>) sur un ouvert de \u211dn<\/sup><\/em>, d\u00e9pendant de n<\/em> variables d’entr\u00e9e directes ind\u00e9pendantes X1<\/sub>, X2<\/sub>, …, Xn<\/sub><\/em> :<\/p>\n

Y = f(X1<\/sub>, X2<\/sub>, …, Xn<\/sub>)<\/p>\n

Supposons que chaque variable Xi<\/sub><\/em> fasse l’objet d’une estimation exp\u00e9rimentale not\u00e9e x\u0304i<\/sub><\/em>, affect\u00e9e d’une petite variation \u00e9l\u00e9mentaire infinit\u00e9simale not\u00e9e dXi<\/sub><\/em>. La variation correspondante de la variable d\u00e9pendante, d\u00e9sign\u00e9e par sa diff\u00e9rentielle totale exacte<\/strong> dY<\/em>, est r\u00e9gie par la somme des variations diff\u00e9rentielles partielles :<\/p>\n

dY = (\u2202f \/ \u2202X1<\/sub>) dX1<\/sub> + (\u2202f \/ \u2202X2<\/sub>) dX2<\/sub> + … + (\u2202f \/ \u2202Xn<\/sub>) dXn<\/sub> = \u2211i=1<\/sub>n<\/sup> (\u2202f \/ \u2202Xi<\/sub>) dXi<\/sub><\/p>\n

Dans ce formalisme math\u00e9matique rigoureux, \u2202f \/ \u2202Xi<\/sub><\/em> d\u00e9signe la d\u00e9riv\u00e9e partielle de premier ordre de la fonction f<\/em> par rapport \u00e0 la variable Xi<\/sub><\/em>, \u00e9valu\u00e9e au point moyen de fonctionnement (x\u03041<\/sub>, x\u03042<\/sub>, …, x\u0304n<\/sub>)<\/em>. Cette diff\u00e9rentielle totale d\u00e9crit comment une perturbation infinit\u00e9simale de l’espace vectoriel d’entr\u00e9e est transpos\u00e9e dans l’espace de sortie.<\/p>\n

Toutefois, la pratique exp\u00e9rimentale ne manipule pas des infiniment petits dXi<\/sub><\/em>, mais des incertitudes r\u00e9elles de taille finie, not\u00e9es \u0394Xi<\/sub><\/em> ou u(Xi<\/sub>)<\/em>. Le passage \u00e9pist\u00e9mologique des diff\u00e9rentielles infinit\u00e9simales aux incertitudes physiques finies s’op\u00e8re en assimilant les incertitudes finies \u00e0 de faibles perturbations stochastiques autour des moyennes empiriques. L’approximation diff\u00e9rentielle lin\u00e9aire de premier ordre s’\u00e9nonce alors :<\/p>\n

\u0394Y \u2248 \u2211i=1<\/sub>n<\/sup> (\u2202f \/ \u2202Xi<\/sub>) \u0394Xi<\/sub><\/p>\n

Cette \u00e9quation sert de matrice fondamentale \u00e0 partir de laquelle s’\u00e9rigent toutes les lois analytiques de combinaison des incertitudes, pourvu que les amplitudes des \u0394Xi<\/sub><\/em> demeurent dans le voisinage infinit\u00e9simal o\u00f9 la fonction f<\/em> est assimilable \u00e0 son hyperplan tangent.<\/p>\n

3.2 R\u00f4le pivot des d\u00e9riv\u00e9es partielles dans l’analyse de sensibilit\u00e9<\/h3>\n

L’introduction des d\u00e9riv\u00e9es partielles dans l’\u00e9quation de propagation d\u00e9passe la simple m\u00e9canique calculatoire : elle conf\u00e8re \u00e0 chaque variable d’entr\u00e9e un poids m\u00e9trologique direct d\u00e9nomm\u00e9 coefficient de sensibilit\u00e9<\/strong>. Le gradient de la fonction f<\/em>, not\u00e9 \u2207f<\/em>, rassemble ces d\u00e9riv\u00e9es partielles sous la forme d’un vecteur directeur :<\/p>\n

\u2207f = [ \u2202f\/\u2202X1<\/sub>, \u2202f\/\u2202X2<\/sub>, …, \u2202f\/\u2202Xn<\/sub> ]T<\/sup><\/p>\n

D’un point de vue g\u00e9om\u00e9trique, le gradient indique la direction de plus grande pente de la surface de r\u00e9ponse d\u00e9finie par f<\/em>, et sa norme quantifie l’intensit\u00e9 de la r\u00e9action de Y<\/em> aux fluctuations des param\u00e8tres d’entr\u00e9e. Dans le cadre de la m\u00e9trologie standardis\u00e9e par le GUM, le coefficient de sensibilit\u00e9 associ\u00e9 \u00e0 la i<\/em>-\u00e8me grandeur est not\u00e9 formellement :<\/p>\n

ci<\/sub> = \u2202f \/ \u2202Xi<\/sub> |(x\u03041<\/sub>, …, x\u0304n<\/sub>)<\/sub><\/p>\n

L’analyse de sensibilit\u00e9 m\u00e9trologique consiste pr\u00e9cis\u00e9ment \u00e0 scruter ces coefficients scalaires ci<\/sub><\/em>. Une variable d’entr\u00e9e affect\u00e9e d’une incertitude instrumentale consid\u00e9rable u(Xi<\/sub>)<\/em> peut n’exercer qu’un impact d\u00e9risoire sur le mesurande final si la d\u00e9riv\u00e9e partielle locale \u2202f\/\u2202Xi<\/sub><\/em> tend vers z\u00e9ro. R\u00e9ciproquement, une variable mesur\u00e9e avec une remarquable finesse technique peut devenir le goulet d’\u00e9tranglement de l’ensemble du protocole si la fonction f<\/em> pr\u00e9sente un coefficient de sensibilit\u00e9 ci<\/sub><\/em> gigantesque au point d’op\u00e9ration.<\/p>\n

Cette approche permet d’identifier sans ambigu\u00eft\u00e9 les variables critiques d’un protocole exp\u00e9rimental ou d’un algorithme composite. En hi\u00e9rarchisant les contributions partielles |ci<\/sub>| \u00d7 u(Xi<\/sub>)<\/em>, le m\u00e9trologue sait exactement sur quel param\u00e8tre physique ou psychom\u00e9trique concentrer ses investissements techniques pour r\u00e9duire au maximum l’incertitude finale, r\u00e9alisant ainsi une allocation optimale des ressources exp\u00e9rimentales.<\/p>\n

3.3 Conditions de validit\u00e9 de l’approximation lin\u00e9aire<\/h3>\n

Le recours \u00e0 la diff\u00e9rentielle premi\u00e8re repose sur une hypoth\u00e8se restrictive qu’il est m\u00e9thodologiquement imp\u00e9ratif d’expliciter : la validit\u00e9 locale du d\u00e9veloppement lin\u00e9aire de Taylor. Pour que l’assimilation d’une fonction non lin\u00e9aire \u00e0 son plan tangent soit recevable, deux crit\u00e8res fondamentaux doivent \u00eatre concomitamment satisfaits.<\/p>\n

Le premier crit\u00e8re rel\u00e8ve de la petitesse relative des incertitudes<\/strong>. L’amplitude de l’incertitude-type associ\u00e9e \u00e0 chaque grandeur d’entr\u00e9e doit \u00eatre substantiellement inf\u00e9rieure \u00e0 la valeur moyenne de la grandeur elle-m\u00eame :<\/p>\n

u(Xi<\/sub>) \u226a |x\u0304i<\/sub>|<\/p>\n

Lorsque cette condition n’est pas remplie, les termes polynomiaux d’ordre sup\u00e9rieur du d\u00e9veloppement de Taylor cessent d’\u00eatre n\u00e9gligeables, introduisant une distorsion syst\u00e9matique dans le calcul de l’incertitude propag\u00e9e.<\/p>\n

Le second crit\u00e8re concerne le degr\u00e9 de courbure intrins\u00e8que de la surface de r\u00e9ponse, quantifi\u00e9 par la matrice hessienne des d\u00e9riv\u00e9es partielles secondes :<\/p>\n

Hjk<\/sub> = \u22022<\/sup>f \/ (\u2202Xj<\/sub> \u2202Xk<\/sub>)<\/p>\n

Si le rayon de courbure local de f<\/em> est tr\u00e8s court au voisinage du point de fonctionnement exp\u00e9rimental (comme cela se produit \u00e0 proximit\u00e9 des singularit\u00e9s, des asymptotes, ou dans les zones o\u00f9 le gradient s’annule pour former un extremum), le comportement de la fonction devient s\u00e9v\u00e8rement non lin\u00e9aire sur l’intervalle [x\u0304i<\/sub> – u(Xi<\/sub>), x\u0304i<\/sub> + u(Xi<\/sub>)]<\/em>. Dans ces conditions, l’approximation du premier ordre s’effondre dramatiquement, conduisant \u00e0 une sous-\u00e9valuation structurelle de l’incertitude finale ou \u00e0 une asym\u00e9trie marqu\u00e9e de l’intervalle de dispersion que le formalisme lin\u00e9aire standard est par essence incapable de capturer.<\/p>\n

4. Propagation de l’erreur dans les op\u00e9rations lin\u00e9aires : addition et soustraction<\/h2>\n

4.1 Formulation analytique fondamentale pour sommes et diff\u00e9rences<\/h3>\n

L’application la plus fr\u00e9quente et intuitive de la propagation concerne les op\u00e9rations alg\u00e9briques d’addition et de soustraction de grandeurs physiques ou psychom\u00e9triques mesur\u00e9es de fa\u00e7on ind\u00e9pendante. Soit une fonction lin\u00e9aire Y<\/em> d\u00e9finie par la combinaison de deux grandeurs al\u00e9atoires ind\u00e9pendantes X1<\/sub><\/em> et X2<\/sub><\/em>, sous la forme :<\/p>\n

Y = X1<\/sub> + X2<\/sub>  ou  Y = X1<\/sub> – X2<\/sub><\/p>\n

Calculons formellement les d\u00e9riv\u00e9es partielles respectives de premier ordre pour ces deux op\u00e9rations \u00e9l\u00e9mentaires. Pour l’addition, nous obtenons :<\/p>\n

\u2202Y \/ \u2202X1<\/sub> = 1  et  \u2202Y \/ \u2202X2<\/sub> = 1<\/p>\n

Pour la soustraction, nous observons :<\/p>\n

\u2202Y \/ \u2202X1<\/sub> = 1  et  \u2202Y \/ \u2202X2<\/sub> = -1<\/p>\n

En vertu des propri\u00e9t\u00e9s statistiques de la variance d’une somme de variables al\u00e9atoires ind\u00e9pendantes (ou stochastiquement orthogonales), la variance de Y<\/em> \u00e9quivaut \u00e0 la somme quadratique pond\u00e9r\u00e9e des variances individuelles :<\/p>\n

u2<\/sup>(Y) = (\u2202Y \/ \u2202X1<\/sub>)2<\/sup> u2<\/sup>(X1<\/sub>) + (\u2202Y \/ \u2202X2<\/sub>)2<\/sup> u2<\/sup>(X2<\/sub>)<\/p>\n

En injectant les valeurs des d\u00e9riv\u00e9es partielles dans cette formulation g\u00e9n\u00e9rique, nous aboutissons \u00e0 une identit\u00e9 fondamentale remarquable : que l’op\u00e9ration soit une addition ou une soustraction, l’\u00e9l\u00e9vation au carr\u00e9 de la d\u00e9riv\u00e9e partielle neutralise le signe n\u00e9gatif :<\/p>\n

(-1)2<\/sup> = 1 \u27f9 u2<\/sup>(Y) = (1)2<\/sup> u2<\/sup>(X1<\/sub>) + (\u00b11)2<\/sup> u2<\/sup>(X2<\/sub>) = u2<\/sup>(X1<\/sub>) + u2<\/sup>(X2<\/sub>)<\/p>\n

L’incertitude absolue combin\u00e9e u(Y)<\/em> s’\u00e9crit d\u00e8s lors sans ambigu\u00eft\u00e9 :<\/p>\n

u(Y) = \u221a( u2<\/sup>(X1<\/sub>) + u2<\/sup>(X2<\/sub>) )<\/p>\n

Ce r\u00e9sultat th\u00e9orique met en lumi\u00e8re une r\u00e8gle m\u00e9trologique intangible : les incertitudes ne se soustraient jamais<\/strong>. M\u00eame lorsqu’une variable est retranch\u00e9e d’une autre, l’impr\u00e9cision inh\u00e9rente \u00e0 l’acte de mesure persiste et s’accumule de mani\u00e8re quadratique au sein du r\u00e9sultat combin\u00e9.<\/p>\n

4.2 Cons\u00e9quences de l’accumulation quadratique des incertitudes<\/h3>\n

L’accumulation quadratique des incertitudes produit des effets contre-intuitifs mais fondamentaux pour la conception des protocoles exp\u00e9rimentaux. Si l’on applique l’approche na\u00efve du \u00ab pire cas \u00bb (conservatisme arithm\u00e9tique absolu), on proc\u00e8derait \u00e0 la sommation directe des incertitudes absolues :<\/p>\n

upire_cas<\/sub>(Y) = u(X1<\/sub>) + u(X2<\/sub>)<\/p>\n

Or, en vertu de l’in\u00e9galit\u00e9 triangulaire euclidienne, la racine carr\u00e9e de la somme des carr\u00e9s est strictement inf\u00e9rieure \u00e0 la somme arithm\u00e9tique des grandeurs strictement positives :<\/p>\n

\u221a( u2<\/sup>(X1<\/sub>) + u2<\/sup>(X2<\/sub>) ) < u(X1<\/sub>) + u(X2<\/sub>)<\/p>\n

Ce ph\u00e9nom\u00e8ne d\u00e9coule de la nature probabiliste des erreurs ind\u00e9pendantes : il existe une probabilit\u00e9 extr\u00eamement faible pour que les erreurs de chaque mesure \u00e9l\u00e9mentaire d\u00e9rivent simultan\u00e9ment vers leurs valeurs extr\u00eames dans la m\u00eame direction d\u00e9favorable. La plupart du temps, des fluctuations d’erreurs positives sur une variable sont partiellement amorties par des fluctuations n\u00e9gatives ou neutres sur une autre grandeur. La croissance de l’incertitude combin\u00e9e est donc sous-lin\u00e9aire.<\/p>\n

Il en d\u00e9coule un effet m\u00e9trologique majeur de dilution<\/em> lorsque l’on juxtapose une mesure tr\u00e8s bruit\u00e9e et une mesure hautement pr\u00e9cise. Supposons une grandeur X1<\/sub><\/em> affect\u00e9e d’une incertitude u(X1<\/sub>) = 10<\/em>, et une grandeur X2<\/sub><\/em> mesur\u00e9e avec une incertitude u(X2<\/sub>) = 1<\/em>. L’incertitude combin\u00e9e vaut :<\/p>\n

u(Y) = \u221a( 102<\/sup> + 12<\/sup> ) = \u221a( 100 + 1 ) = \u221a101 \u2248 10,0499<\/p>\n

L’adjonction de la seconde mesure n’a accru l’incertitude totale que de 0,05 unit\u00e9s (soit moins de 0,5 %), d\u00e9montrant sans \u00e9quivoque que l’incertitude finale d’une somme est \u00e9cras\u00e9e par la composante la moins bien ma\u00eetris\u00e9e de la cha\u00eene de mesure.<\/p>\n

4.3 G\u00e9n\u00e9ralisation \u00e0 des combinaisons lin\u00e9aires pond\u00e9r\u00e9es<\/h3>\n

Dans de nombreuses disciplines scientifiques, et singuli\u00e8rement en psychom\u00e9trie et en \u00e9conom\u00e9trie, les grandeurs composites ne sont pas de simples sommes brutes, mais des combinaisons lin\u00e9aires pond\u00e9r\u00e9es par des constantes scalaires d\u00e9termin\u00e9es ai<\/sub> \u2208 \u211d<\/em>. Soit la forme fonctionnelle g\u00e9n\u00e9rale :<\/p>\n

Y = a1<\/sub> X1<\/sub> + a2<\/sub> X2<\/sub> + … + an<\/sub> Xn<\/sub> + C = \u2211i=1<\/sub>n<\/sup> ai<\/sub> Xi<\/sub> + C<\/p>\n

o\u00f9 C<\/em> repr\u00e9sente une constante arithm\u00e9tique invariante exempte de toute incertitude (u(C) = 0<\/em>). La diff\u00e9rentiation partielle par rapport \u00e0 chaque grandeur Xi<\/sub><\/em> extrait imm\u00e9diatement le coefficient multiplicateur scalaire :<\/p>\n

\u2202Y \/ \u2202Xi<\/sub> = ai<\/sub><\/p>\n

L’\u00e9quation de propagation de variance prend imm\u00e9diatement la forme g\u00e9n\u00e9rique :<\/p>\n

u2<\/sup>(Y) = \u2211i=1<\/sub>n<\/sup> (ai<\/sub>)2<\/sup> u2<\/sup>(Xi<\/sub>) \u27f9 u(Y) = \u221a( \u2211i=1<\/sub>n<\/sup> ai<\/sub>2<\/sup> u2<\/sup>(Xi<\/sub>) )<\/p>\n

Cette \u00e9l\u00e9vation au carr\u00e9 des coefficients scalaires a des cons\u00e9quences capitales : toute pond\u00e9ration ai<\/sub> > 1<\/em> amplifie de mani\u00e8re quadratique la contribution de la variance d’erreur associ\u00e9e. Si un sous-score psychologique ou un biomarqueur se voit attribuer un coefficient multiplicatif de 3 dans le calcul d’un score composite final, son incertitude de variance \u00e9l\u00e9mentaire se trouve multipli\u00e9e par 9 dans le bilan total des variances d’erreur. R\u00e9ciproquement, un coefficient de pond\u00e9ration fractionnaire (comme une normalisation moyenne ai<\/sub> = 1\/n<\/em>) compresse drastiquement la contribution de l’erreur \u00e9l\u00e9mentaire.<\/p>\n

5. Exemple d’application d\u00e9taill\u00e9e : calcul pas \u00e0 pas d’une grandeur composite<\/h2>\n

5.1 Mise en situation et \u00e9nonc\u00e9 du protocole exp\u00e9rimental<\/h3>\n

Afin de rendre parfaitement tangibles ces \u00e9quations analytiques, d\u00e9veloppons une \u00e9tude de cas num\u00e9rique d\u00e9taill\u00e9e, repr\u00e9sentative des protocoles m\u00e9trologiques rigoureux mis en \u0153uvre en biom\u00e9canique posturale et en anthropom\u00e9trie clinique. Un clinicien chercheur d\u00e9sire \u00e9valuer la stature corporelle totale (H<\/em>) d’un athl\u00e8te en posture orthostatique \u00e9rig\u00e9e. Pour des contraintes d’appareillage et afin d’isoler des dissym\u00e9tries structurelles, la mesure n’est pas relev\u00e9e d’un seul bloc, mais subdivis\u00e9e en deux mesures directes contigu\u00ebs effectu\u00e9es via des toises anthropom\u00e9triques de haute pr\u00e9cision :<\/p>\n