Beruflich Dokumente
Kultur Dokumente
P Breuil
OBJECTIFS :
connaitre les bases des statistiques de la mesure afin de pouvoir dune part
comprendre les spcifications dun composant et dautre part valuer avec
rigueur les performances dune chaine de mesure.
Etre capable de comprendre le suivi des solutions dinstrumentation
(talonnage, vrification du fonctionnement,).
Comprendre le fonctionnement dune chane dacquisition de mesure, les
diffrents signaux mis en uvre et les principales oprations de traitement
de signaux associs.
Comprendre les notions dchantillonnage et de quantification et leur
influence sur la mesure, comprendre les informations du domaine
frquentiel.
Etre capable de choisir des capteurs et de superviser leur mise en uvre en
fonction de linformation souhaite (type, prcision,), de lenvironnement,
et du systme de traitement de linformation
Pour cela, connatre les principes physiques et les principales technologies
utiliss dans les capteurs
3.
Statistiques de la mesure
La chane dacquisition de mesure et
signaux associs
Les capteurs
Total : 24 heures
TD
Cours
TP
12
4
8
Autonomie
>12
Calendrier
Mer 10/12/2014 am
cours
La mesure
TP
Mesure Excel
Mar 27/01/2015 am
cours
Signal, acquisition
Lun 2/02/2015 am
cours
capteurs
Jeu 5/02/2015 m ou am
TP*
TP signal, capteurs
Xx Mars 2015
TP*
signal
* valu
http://campus.emse.fr/course/view.php?id=260
(accs anonyme: GINFA2013)
pbreuil@emse.fr
Evaluation 1
TPs (coef 1/4)
Evaluation 2
Rapport (coef 3/4)
Etude dune solution dinstrumentation, si possible dans
lentreprise.,
Mise en uvre des lments du cours.
Objectif, cahier des charges initial,
Moyens mis en uvre (capteurs, chaines de mesure et
dacquisition),
Justification mtrologique, spcifications attendues
justifies,
Aspect cot
Vous devrez proposer un sujet (pour ventuelle validation ou
ajustement) au plus tard lors de la dernire sance de TPs (15 24 mars 2015), mais si possible avant
Rapport ~20 pages + annexes (format lectronique)
Eventuellement fichier excel (calculs, simulations etc)
Date limite: 13 mai 2015, dpt sur Campus
Statistiques de la
Mesure
Mesure Measurement
Incertitude uncertainty
Etalonnage Calibration
Philippe Breuil, dcembre 2014
La Mesure
Mesure=??
Instrument de mesure, unit de mesure, mthode de mesure
Mesurage = action de mesurer (measurement)
Mtrologie
Statistiques de la mesure:
lgal
Aspect
Aspect
physique et mathmatique
conomique
Traabilit et fiabilit
Optimisation de la qualit
Cf cours suivant
NIST (US),
PTB (D),
NPL (UK)
Laboratoire National
dEssais
Comite Franais
daccrditation
11
Units de Mesure
Autres units autorises:
-Composes partir des units primaires:
joule (J)=kg.m2.s-2
-Autorises car signification physique universelle: C, heure, eV
-Multiples puissances de 10
10-18
atto
Vocabulaire (1)
Le vocabulaire est normalis par le BIPM:
erreur / |mesure|
Erreur systmatique:
Vocabulaire (2)
Justesse de mesure:
incertitude/|mesure|
16
* Systme de mesure
Vocabulaire (3)
Non linarit:
17
Vocabulaire (4)
Drive:
18
xR = E (x)
(esprance de x)
Expectation
x = xR + B + A
Erreur systmatique: B
Systematic error
Erreur accidentelle ou alatoire: A
Random or accidental error
19
20
10
Erreur: = a+T+o+u+s
u s
x=
1 n
xi
n 1
Estimated mean
lim(x ) = x
n
= E ( x)
xR = valeur relle
(esprance de x)
Expectation
11
V = E (x xR )
= V
=
((x x ) ) = 1n ( x x )
2
Valeur relle,
priori inconnue
s=
Ecart-type estim de
l'erreur alatoire
1 n
( xi x ) 2
n 1 1
E (s ) =
Ecart type
relatif :
r =
23
Distributions derreurs
Distributions of errors
P()
Courbe de probabilit de l'erreur
Gaussienne ou normale*,
Uniforme,
Poissonnienne,
Etc
Gaussian or normal*,
Uniform,
Poissonnian,
24
12
1
F ( x) =
e 2
2
0.5
0.4
0.3
0.2
0.1
0
3
= cart-type
N=5
N=10
N=20
50 %
0,73
0,70
0,69
68 %
70 %
=1-LOI.STUDENT(t;N;2)
1,16
1,09
1,06
1,04
1,5
90 %
2,02
1,81
1,73
95 %
2,57
2,23
2,09
1,96
99 %
4,03
3,17
2,85
2,56
6,87
4,59
3,85
99,7 %
99,9 %
0,67
1
87 %
P = proba[ X X R < t. ]
N> 100
1,65
3
3,28
6
25
99,999 999 8 %
normale.
C'est cause de cette interprtation que
la loi normale est trs souvent employe
comme modle (malheureusement pas
toujours raison).
Demo
26
13
d =
2 3
2
x dx =
= 0.29
2
27
Distribution de Poisson
Moyenne:
Variance:
demo
28
14
Significance tests
1-sample T-test
2-samples T-test
Comparaison de 2 chantillons
F-Test
ANOVA
Chi-Square test
Grubbs test
Test Wilcoxon.M.W
29
M R t.s
95%
-4s -3s -2s s 0 s 2s 3s 4s
(t=coef de Student)
t 1.96
H1: 99.9%
(ou H2: 0.1%)
2.56
3.28
30
15
s' =
s
n
s
n
R t
95%
(t=coef de
Student)
t 1.96
H1: 99.9%
(ou H2: 0.1%)
2.56
3.28
31
?
R t.
s
n
t=
R
s
n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1.04946993
1.11917309
0.99865798
1.01040713
1.14655592
0.97054733
1.14894136
1.08005111
1.03044121
0.98202478
1.05094267
1.06252219
1.02608401
1.04961426
1.03483134
1.03475702
0.98306671
1.09287381
0.97490694
1.07697103
Etalon R (kg)
1.0000
moyenne : 1.04614199
Ecart-type s: 0.05326172
0.0461
t.
0.02381937
(t=2)
(n=20)
1.2
1.1
1
0.9
0.8
1
9 11 13 15 17 19
16
two-sample T-test
Comparaison de 2 moyennes de 2 chantillons, on suppose que la distribution est normale.
Hypothse: la diffrence entre les 2 moyennes nest pas due quaux erreurs alatoires
Cette hypothse est retenue si sa probabilit est suprieure 95% (par exemple)
Ech 1
Ech 2
Nb mesures
n1
n2
s1
s2
Moyenne estime
Comparaison de 1 et 2:
Peut se ramener un 1-sample-test
en comparant |1-2| 0
s=
s12 s22
+
n1 n2
1 2 t.s
s12 s22
1 2 t
+
n1 n2
Et le nombre de degrs de libert est en 1ere approx: n1+n2-2
33
?
1 2 t.
s12 s22
+
n1 n2
op1
op2
3.59385514 3.49673556
3.58810682 3.50481358
3.53371004 3.47201328
3.52760094
3.553306
3.44867115 3.57512954
3.51024893 3.55717682
3.60880932 3.62969549
3.53927667 3.66487781
3.55719746 3.54702026
3.52552333 3.54598904
3.49798625 3.48741103
3.49706929 3.56409401
3.56771949 3.56622487
3.7
3.59781434
3.54564972
3.65
3.54032574
3.50388551
3.6
3.57799787
3.65577103
3.55
3.49003712
3.55839436
3.57276739
3.53637213
3.5
3.61263276
3.57229694
3.45
3.50544464
3.56392763
3.4
3.60261554
3.35
3.52637678
3.3
1 3.5652033
3
5
7
3.58384532
3.50903522
moyenne
cart-type s
op1
op2
3.54463973 3.55551443
0.04510027 0.04809217
0.0108747
|1-2|
s12 s22
+
n1 n2
s=
n:
43
s.t:
0.0139361
11
t=2
0.02787228
13
15
17
19
21
23
25
17
Intervalle de confiance
Confidence interval
[x , x + ]
P ( xR < x ) = P( xR > x + ) = (1 p ) / 2
et = incertitude p (95%)
Distribution symtrique:
=
Distribution
normale
35
[x t .s , x + t .s ]
0.4
: 68.3%
x des
, xmesures
+
0.3
0.2
0.1
0
3
= cart-type
Coefs de Student t
0.5
36
18
95%
Loi normale:
37
valuation de lincertitude :
valuation par analyse statistique de sries de mesures ( type A )
(gnralement mesure, mais aussi simulation)
38
19
V =E
E
R0
R + R0
R = R0
R?
E V
V
V mesur
Calcul de lcart-type
(en fait, cart-type estim s)
R0
R = R0
R?
E V
V
V mesur
R0
combined standard
uncertainty
R E
E U
R
( R0 ) + 0 ( E ) + 0 2 (V )
U
V
V
( R) =
Explication
40
20
42
21
Et leur cart-type?
moyenne
variance
ecartype
a+b
2.82
2.61
2.64
3.45
3.32
2.79
3.17
2.70
3.10
3.40
1.51
1.71
1.68
2.02
1.90
2.08
1.55
2.09
1.86
1.56
4.33
4.32
4.32
5.48
5.23
4.88
4.72
4.79
4.96
4.95
3.00
0.11
0.33
1.80
0.05
0.23
4.80
0.16
0.39
6.00
5.00
4.00
3.00
2.00
a+b
1.00
0.00
1
10
Erreur alatoire:
(s)(a)+(b)
Les cart-types ne sajoutent pas!!
( (a + b ))2 = (a )2 + (b )2
22
Exemple de la somme:
Variance: Var (a) =
s=a+b
1
(ai a )2
n 1
(suite)
Var (b) =
2
1
(
bi b )
n 1
2
2
2
Var(s)= 1 (ai a +bi b ) = 1 (ai a ) +(bi b ) +2((ai a )(bi b ))
n1
n1
Et les carts-types?
45
23
y = f (x)
f ( x + x) = f ( x) +
y =
df
.x
dx
df
.x
dx
y = f ( x1 ,..xi ,..)
Fonction quelconque:
f
xi
( y ) =
1 xi
n
a.b.c 3
Cas particulier, produit:
y = 1/ 2
d
y a b
c
d
=
+
+ 3 1/ 2
y
a
b
c
d
y = f ( x1 ,..xi ,..)
Fonction quelconque:
n
f
xi
( y ) =
x
1
i
x
1
i
f
( y ) =
1 xi
n
( xi )
f
( y ) =
1 x i
n
n 1
f f
Cov ( xi , x j )
j =i +1 xi x j
n
( xi ) + 2
i =1
!
24
incertitudes des
y = f ( x1 ,..xi ,..)
Fonction quelconque:
f
( y ) =
1 xi
n
( xi )
49
Combinaison linaire:
Ex: somme ou
diffrence:
y = a+bc
y = ai xi
( y ) 2 = (ai ( xi )) 2
( y ) = (a ) 2 + (b) 2 + (c) 2
50
25
x=
1 n
xi
n 1
(x) =
1
n
moyenne
( x)
( x)
Thorme de la moyenne:
51 Exc
Demo
Produits et puissances :
Proprit intressante des cart-types relatifs:
( x)
x
y = A xi
( xi )
( y)
= i
y
x
i
Exemple:
( y)
a.b.c 3
y = 1/ 2
d
y
d
a b c
2
52
26
Dbit: D=a.V
V = tension fournie par capteur
0 D 10 L/h
a=0.8 L/h/mV * 0.01 (t=2)
Etalonnage
D
D
a V
2
(a) a (V )
=2
+
a D
2
I (a) aI (V )
=
+
a D
* a = inverse de la sensibilit
53
ou de Monte-Carlo
Ex: y=f(x1,x2),
x1 et x2 ont des erreurs alatoires (pas forcement indpendantes) caractrises par
leur cart-type s1 et s2
N fois
27
D=a.V
0 D 10 L/h
a=0.8 L/h/mV 0.01
5.0012 Dmax
0.0526 a
0.1052 I(a)
I(V)
moyenne des D
5.0000 E Type des D
6.2500 Incertitude
Dbit:
tension V:
0.7990
0.8011
0.8032
0.7902
0.8021
0.7936
0.8017
0.7935
0.8009
0.7951
0.8130
0.8004
0.7954
0.7976
0.8047
0.7979
10.0000
0.8000
0.0100
0.1000
valeur V
D=a.V
6.2753
5.0142
6.1982
4.9654
6.2936
5.0551
6.2526
4.9407
6.3367
5.0824
6.2298
4.9437
6.1680
4.9450
6.2944
4.9949
6.3257
5.0663
6.2182
4.9439
6.2609
5.0901
6.2584
5.0092
6.2531
4.9737
6.2749
5.0049
6.2811
5.0543
6.2249
4.9668
Tension affiche
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
0
0.05
0.1
Tension relle
56
28
d =
2 3
( X ) = 2 ( x) + d2
57
Le Dithering
demo
La mthode du moyennage
peut rduire aussi lerreur
de discrtisation (=
quantification):
Pas de bruit , pas de moyennage
29
Erreur de discrtisation
Pour une mesure, lcart type de lerreur introduite doit tre petit devant celui
de lerreur de mesure initiale
Mais les systmes numriques peuvent donner beaucoup de chiffres significatifs
438.2659872 ?
Doit-on crire:
438.265 ?
438 ?
59
Mesure affiche
rsolution
438.265987
E.T. erreur
discrtisation
d =
2 3
( X ) = 2 ( x) + d2
% derreur due
la
discrtisation
2.9 10-7
0.55
< 10-3 %
2.9 10-3
0.550008
10-3 %
0.029
0.5506
0.14 %
0.29
0.62
13 %
2.89
2.94
434 %
0.000001
438.27
0.01
438.3
0.1
438
1
440
10
On peut choisir la rsolution immdiatement plus petite que lcart-type de la mesure.
60
Lcart-type (ou lincertitude) affich ne doit pas avoir plus de 2 chiffres significatifs.
30
Vrification de la
tolrance:
Capabilit=T/U
+SL
T=Tolrance
U=incertitude
Mesure moyenne
Notion de risque:
-risque client
Pice retenir
T
Pice rejeter
Val. relle
31
Limite de dtection
plus petite valeur non nulle mesurable pour une certaine
probabilit derreur sur le fait que la valeur vraie est nulle ou non
80
signal thorique
70
signal rel
60
seuil de dcision
erreur type 1
50
erreur type 2
40
30
20
10
0
-10 1
18
36
-20
Niveau signal
seuil de decision
-20
20
40
60
type 1
type 2
>0
Si distr.
Normale
et
probabilit de 95%:
nb erreurs
11
9
% bonnes dcisions:
95 LDD=3.3
On 11
prend souvent:
LDD=3
80
20
40
60
80
100
H%
32
comportement
Calibration: Creation of a behavior model
ETALONNAGE
Variables X
mesures
(capteurs)
Variables Y
mesures
(analyses)
PREDICTION
Variables X
mesures
(capteurs)
Cration modle
de comportement
tensions
Modle
Calcul de
prdiction
Estimation des
variables Y
modle ou
Prdicteur F
Y=F(X)
65
talonnage - calibrage
tension
tension
Calibrage (gauging) =
recalage du modle, ncessite 1
exprience ( zro ), voire 2 ( zro
+ gain ).
Correction variations de fabrication
Correction drive
pression
Si le modle nest pas linaire, le calibrage ne peut corriger que de faibles variations
66
33
Cot croissant
Performance croissante
67 23:28
E = Y F ( X ) = y ij f j ( x1i ,..., x ij )
minimal
(
i, j
y ij f j ( x1i ,..., x ki )
minimale
68
34
La rgression linaire
Linear regression
Monovariable (y=f(x) ) + hypothse linaire (y=ax+b)
2 cas:
Y
Rgression de y/x:
y = ax + b + y
X
Minimisations des
erreurs sur Y
Rgression de x/y:
x = a ' y + b'+ x
y =
1
b'
x
a'
a'
Minimisation des
erreurs sur X
69
Rgression Y/X
y = 1.0036x - 0.0354
10
10
0
-2
0
0
-2
y = 0.6669x + 1.6244
12
12
10
12
-2
10
12
-2
35
Estimations de a et b:
(x x)(y y) Cov( x, y)
a=
=
Var ( x)
(x x)
i
y = ax + b
b = y ax
Ecart type de
la pente:
sa =
sy/ x
(x i x) 2
avec
(y
s y/x =
y i ) 2
n2
x
n (x x)
2
i
sb = s y / x
71
information totale =
Var( aX+b) +
information modlise
Var()
information rsiduelle
Coef. De dtermination:
Rd =
Coef. de corrlation:
Rd=Rc2
Var(info modlise)
Var(info totale)
Rc =
Cov ( X , Y )
( X ) (Y )
72
36
Le coef. de corrlation,
utilisation:
35
30
25
20
R=0.75
R=0.8
15
10
0
0
10
12
25
R=0.8
20
R=0.75
15
10
0
0
600
10
12
R=0.8
R=0.75
500
400
Le cfficient de corrlation
ne sert quantifier que les
relations linaires entre X et
Yvariables
300
200
100
0
0
10
-100
900
73
15
residuals
Valeurs mesures
800
700
y = 0.7063x - 39.517
600
500
400
300
Ri=yi-(a.xi+b)
200
100
0
-100 0
200
400
600
800
1000
1200
1400
courant (mA)
Dtection points
aberrants (outliers)
A liminer aprs
vrification et avec
prcautions
60
tension (mV)
40
20
0
-20 0
200
400
600
800
-40
-60
1000
1200
1400
Vrification linarit
A corriger
ventuellement avec
rgression non linaire
-80
-100
courant (mA)
74
37
75
Ex: courbe de
tendance d'Excel:
12
10
8
6
4
2
0
0
76
38
Sites WWW:
http://www.emse.fr/%7Epbreuil/capmes/index.html:exercices sous Excel (TP du 10/12)
77
PDF
78/62
http://www.asqualab.com/documents/qualite/metrologie/19-unites_pifometriques.pdf
39