Qu’est-ce que la linéarité d’une méthode de mesure ?
Déterminer un modèle qui s’ajuste au plus près des données observées
FIC1412 v1 Fiche pratique

Qu’est-ce que la linéarité d’une méthode de mesure ?
Déterminer un modèle qui s’ajuste au plus près des données observées

Auteur(s) : Morgan GERMA

Date de publication : 10 avr. 2015 | Read in English

Logo Techniques de l'Ingenieur Cet article est réservé aux abonnés
Pour explorer cet article plus en profondeur Consulter l'extrait gratuit

Déjà abonné ?

Présentation

1 - Qu’est-ce que la linéarité d’une méthode de mesure ?

2 - Quelles sont les problématiques rencontrées lors d’un étalonnage ?

3 - Quelles sont les stratégies de régression existantes ?

  • 3.1 - Moindres carrés ordinaires (OLS)
  • 3.2 - Moindres carrés pondérés (WLS)
  • 3.3 - Moindres carrés généralisés (GLS)
  • 3.4 - Méthode dite GGMR (Generalized Gauss Markov Regression)
  • 3.5 - Autres méthodes

4 - Quelle approche choisir ?

  • 4.1 - La réalité

5 - Quels sont les points « clefs » des modélisations ?

  • 5.1 - Le sens du modèle
  • 5.2 - L’opportunité de la correction
  • 5.3 - La prise en compte des résidus au modèle

6 - Comment s’en sortir avec Excel ?

7 - Comment valider son modèle ?

8 - Notre conseil

9 - Erreurs à éviter

  • 9.1 - Ne pensez pas que le seul R² permet de valider un modèle

10 - Abréviations et acronymes

11 - Glossaire

Sommaire

Présentation

Auteur(s)

  • Morgan GERMA : Collaborateur à l’Université Joseph Fourier de Grenoble, Master CQAQMV

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

INTRODUCTION

Bien souvent négligée, l’erreur dans la spécification d’une fonction de mesure (nommée souvent « modèle ») peut avoir un effet significatif sur les résultats d’une méthode de mesure. La modélisation, étape clef de l’étalonnage, ne se limite pas à l’estimation ponctuelle des paramètres de la fonction de mesure choisie (coefficients du modèle). Elle doit aussi évaluer les incertitudes sur les paramètres de cette fonction afin d’estimer la part d’incertitude qui lui est due dans l’expression d’un résultat de mesure. Cette incertitude est qualifiée par abus « d’incertitude de modélisation ». Cette fiche aborde les mécanismes à l’œuvre lorsque l’on réalise une régression linéaire et vous amène à réfléchir quant au choix de votre modèle.

Logo Techniques de l'Ingenieur

Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.

Pour explorer cet article Consulter l'extrait gratuit

Déjà abonné ?


DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-fic1412

Article inclus dans l'offre

"Qualité et sécurité au laboratoire"

(140 articles)

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques.

Des contenus enrichis

Quiz, médias, tableaux, formules, vidéos, etc.

Des modules pratiques

Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.

Des avantages inclus

Un ensemble de services exclusifs en complément des ressources.

Voir l'offre

1. Qu’est-ce que la linéarité d’une méthode de mesure ?

La linéarité d’une méthode de mesure est, selon la note explicative CEE III/844/87, sa capacité, à l’intérieur d’un certain intervalle (domaine de mesure), d’obtenir des résultats de mesure directement proportionnels à la quantité (par exemple : concentration) en substance de l’échantillon analysé.

En pratique, cela signifie que si l’on introduit une donnée x théorique sur plusieurs niveaux, le processus de mesure nous donnera une réponse y proportionnelle pour chacun des niveaux. C’est le cas d’une gamme d’étalonnage, par exemple.

Suite à un étalonnage, nous disposons de trois informations :

  • une variable x : valeurs introduites connues (étalon) ;

  • une variable y : réponses obtenues par la méthode de mesure à partir de x ;

  • une relation entre ces variables, dite fonction de mesure ou « modèle » (linéaire, polynomiale…) qui dépend de paramètres.

Le choix d’une technique de régression (moindres carrés ordinaires, pondérés, polynomiale, etc.) a pour objet d’estimer les paramètres à partir des données x et y.

À partir de la réponse y et de la régression choisie, il est alors possible, par prédiction inverse, de retrouver la valeur introduite x avec plus ou moins d’incertitude.

HAUT DE PAGE
Logo Techniques de l'Ingenieur

Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.

Pour explorer cet article Consulter l'extrait gratuit

Déjà abonné ?


Lecture en cours
Qu’est-ce que la linéarité d’une méthode de mesure ?

Article inclus dans l'offre

"Qualité et sécurité au laboratoire"

(140 articles)

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques.

Des contenus enrichis

Quiz, médias, tableaux, formules, vidéos, etc.

Des modules pratiques

Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.

Des avantages inclus

Un ensemble de services exclusifs en complément des ressources.

Voir l'offre

Sommaire
Sommaire
Logo Techniques de l'Ingenieur

Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.

Pour explorer cet article Consulter l'extrait gratuit

Déjà abonné ?


Article inclus dans l'offre

"Qualité et sécurité au laboratoire"

(140 articles)

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques.

Des contenus enrichis

Quiz, médias, tableaux, formules, vidéos, etc.

Des modules pratiques

Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.

Des avantages inclus

Un ensemble de services exclusifs en complément des ressources.

Voir l'offre