Qu’est-ce que la propagation des erreurs ? (Définition et exemple)

Toute entreprise de quantification scientifique repose sur un paradoxe épistémologique fondamental : bien que la réalité physique ou psychologique soit postulée comme continue et univoque, notre accès empirique à celle-ci demeure invariablement médié par des instruments imparfaits, des observateurs faillibles et des conditions d’observation fluctuantes. Dans l’histoire de la physique expérimentale comme dans l’édification contemporaine des sciences du comportement, la mesure n’est jamais une restitution parfaite d’une grandeur absolue, mais plutôt une estimation probabiliste encadrée par une marge de doute inaliénable. Dès lors qu’une démarche analytique combine plusieurs de ces grandeurs primitives au sein d’une relation fonctionnelle mathématique pour forger un nouvel indice synthétique, une question mathématique et méthodologique critique surgit : selon quelles dynamiques ces imperfections primaires se combinent-elles, s’amplifient-elles ou se compensent-elles pour déterminer l’incertitude finale de la variable résultante ?

Ce processus de transmission et de recomposition algorithmique constitue précisément le domaine de la propagation des erreurs, plus formellement désignée sous le vocable de propagation des incertitudes dans les cadres normatifs de la métrologie internationale. Loin de représenter un détail calculatoire subalterne relégué aux marges des rapports de laboratoire, la modélisation rigoureuse de la propagation d’incertitude conditionne la validité même des inférences empiriques, démarquant l’assertion empirique robuste de l’artefact méthodologique. Qu’il s’agisse de déterminer la constante gravitationnelle, d’estimer un coefficient d’élasticité économique, ou d’agréger des scores factoriels au sein d’une batterie neuropsychologique standardisée, ignorer la cinématique des incertitudes expose la recherche à une surconfiance désastreuse dans des estimations potentiellement erratiques.

Le présent traité propose une exploration exhaustive, formelle et appliquée de la théorie de la propagation des erreurs. Nous déploierons d’abord le cadre conceptuel démarquant l’erreur stochastique de l’incertitude épistémique, avant d’exposer l’appareil mathématique matriciel et différentiel issu du développement en séries de Taylor. Nous examinerons ensuite pas à pas les opérations linéaires et non linéaires élémentaires, illustrées par des démonstrations mathématiques et des protocoles de calcul exhaustifs, pour aborder enfin les répercussions complexes de la covariance inter-variables, la transposition aux grandeurs latentes psychométriques et les stratégies computationnelles contemporaines telles que les simulations stochastiques de Monte-Carlo.

1. Introduction fondamentale à la propagation des erreurs en sciences de la mesure

1.1 Définition théorique et épistémologique de la propagation

La propagation des erreurs se définit comme l’ensemble des principes mathématiques et statistiques régissant la transmission des incertitudes associées à un vecteur de variables d’entrée directes vers une variable dérivée, obtenue par l’application d’un modèle fonctionnel déterminé. D’un point de vue strictement épistémologique, ce phénomène matérialise l’impossibilité d’isoler une déduction mathématique de la contingence métrologique de ses prémisses empiriques. Lorsqu’une grandeur finale, notée Y, dépend d’une multiplicité de grandeurs sous-jacentes X₁, X₂, …, X_n à travers une formulation Y = f(X₁, X₂, …, X_n), la dispersion inhérente à chaque mesure élémentaire induit une distribution de densité probabiliste autour de la valeur centrale de Y. La propagation formalise la métamorphose géométrique et algébrique de cette dispersion à travers l’opérateur fonctionnel f.

Il importe d’instaurer une distinction formelle entre trois entités lexicales trop souvent amalgamées dans la littérature empirique : l’erreur expérimentale, la variance résiduelle et l’incertitude de mesure. L’erreur expérimentale représente l’écart inconnu et inconnaissable séparant la valeur mesurée de la « valeur vraie » théorique du mesurande. La valeur vraie relevant de l’idéalité ontologique, l’erreur pure conserve une dimension hypothétique. En revanche, la variance résiduelle relève du modèle statistique : elle quantifie la part de dispersion non imputable aux prédicteurs au sein d’un échantillon donné. L’incertitude de mesure, quant à elle, incarne un paramètre non négatif caractérisant la dispersion des valeurs attribuables au mesurande, sur la base des informations métrologiques disponibles. Ce concept opérationnel déplace la perspective de la notion d’erreur vers la formalisation d’un intervalle de confiance probabiliste.

Cette distinction s’inscrit au cœur de la traçabilité métrologique, concept cardinal garantissant qu’un résultat d’analyse peut être relié à des références internationales reconnues par une chaîne ininterrompue et documentée d’étalonnages, chacun contribuant à l’incertitude globale accumulée. Historiquement, la formalisation de la propagation a suivi les mutations paradigmatiques de la physique. Initiée par les travaux de pionniers comme Pierre-Simon de Laplace et Carl Friedrich Gauss au tournant du XIXe siècle dans le cadre de la théorie des moindres carrés et de l’astronomie de position, elle s’est émancipée de l’illusion déterministe pour devenir, au sein de la métrologie moderne, une discipline probabiliste axiomatisée indispensable à la validation des données d’observation.

1.2 Pertinence de l’analyse d’incertitude dans la recherche quantitative

L’omission de l’incertitude au sein de la modélisation quantitative produit des biais dévastateurs dans l’estimation de la robustesse des théories scientifiques. Dans l’arène empirique, un modèle explicatif ne peut être corroboré que si l’écart entre prédictions théoriques et données observées s’avère indiscernable du bruit de mesure cumulé. Lorsqu’un chercheur agrège des grandeurs sans propager scrupuleusement les incertitudes instrumentales, le degré de précision perçu de la variable résultante est artificiellement surévalué. Cette surestimation de la certitude génère une contraction illusoire des intervalles de confiance associés aux estimateurs, ce qui amplifie dramatiquement le risque d’erreur de type I (rejet erroné d’une hypothèse nulle authentiquement vérifiée).

La reproductibilité scientifique, aujourd’hui traversée par une crise systémique touchant tant les sciences biomédicales que les disciplines comportementales, dépend intimement de cette modélisation. Deux laboratoires mesurant une même grandeur composite à partir de protocoles techniques distincts n’aboutiront presque jamais à des moyennes strictement identiques. L’affirmation d’une convergence ou d’une divergence empirique n’a de sens que si les intervalles d’incertitude propagés se recouvrent mutuellement dans une proportion statistique acceptable. Sans propagation des erreurs, la discordance d’apparence numérique masque l’équivalence métrologique réelle, ou inversement, une coïncidence apparente dissimule une instabilité instrumentale majeure.

Face à ces dérives, les instances académiques et industrielles internationales ont consolidé leurs pratiques au sein du Guide pour l’expression de l’incertitude de mesure (GUM), édité 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 unifié fondé sur la variance d’échantillonnage et les distributions d’incertitude de type A (évaluées par des méthodes statistiques sur des séries de mesures) et de type B (évaluées par d’autres moyens, tels que certificats d’étalonnage, tolérances d’appareils ou connaissances physiques préalables).

1.3 Transposition conceptuelle aux sciences du comportement et à la psychologie

Si la théorie de la propagation de l’erreur a forgé ses canons dans le creuset des sciences physiques, son importation au sein des sciences humaines et de la psychométrie contemporaine s’avère indispensable, quoiqu’encore trop rarement théorisée sous l’angle du GUM. Dans les sciences comportementales, les objets d’étude ne sont pas des entités directement observables par des capteurs optiques ou électromécaniques, mais des grandeurs latentes : l’intelligence fluide, l’anxiété-trait, l’efficience de la mémoire de travail ou l’inhibition cognitive. Ces construits théoriques ne peuvent être approximés qu’au moyen d’instruments composites tels que des questionnaires d’auto-évaluation, des épreuves chronométrées ou des indices neuropsychologiques combinatoires.

L’élaboration d’un score composite — par exemple, un indice d’aptitude cognitive générale dérivé de multiples sous-tests étalonnés — répond exactement aux propriétés d’une fonction mathématique multivariée Y = f(X₁, …, X_n). Chaque score obtenu à un sous-test élémentaire n’est pas exempt de bruit : il agrège la composante réelle du trait psychologique et une erreur de mesure inhérente à l’échantillonnage des items, à l’effet de fatigue, à la consigne expérimentale ou aux fluctuations attentionnelles du sujet. La combinaison arithmétique ou pondérée de ces scores pour engendrer un indice global propage inévitablement l’erreur propre à chaque sous-dimension.

Il existe un parallélisme parfait entre l’incertitude instrumentale d’un spectromètre et la fidélité psychométrique d’un test standardisé. Les fluctuations intra-individuelles, documentées lors des épreuves de test-retest, reflètent la composante aléatoire de l’erreur psychologique, tandis que les effets d’apprentissage ou les biais d’évaluation de l’expérimentateur correspondent aux erreurs systématiques de la métrologie physique. Négliger la propagation de ces erreurs lors de l’assemblage de scores composites conduit inexorablement les praticiens et cliniciens à établir des diagnostics différentiels fragiles, interprétant des écarts numériques marginaux entre deux indices composites comme des dysfonctionnements cognitifs réels, alors que ceux-ci relèvent exclusivement du cumul stochastique des incertitudes de test.

2. Cadre conceptuel : distinctions entre erreurs de mesure et incertitudes

2.1 Typologie des erreurs : systématiques versus aléatoires

L’analyse métrologique sépare traditionnellement les perturbations expérimentales en deux classes phénoménologiques distinctes : les erreurs aléatoires et les erreurs systématiques. Les erreurs aléatoires (ou stochastiques) proviennent de micro-variations imprévisibles, temporelles ou spatiales, des grandeurs d’influence environnementales (telles que le bruit thermique, les perturbations électromagnétiques ou les micro-variations attentionnelles d’un sujet). D’un point de vue probabiliste, elles se caractérisent par le fait que leur espérance mathématique est nulle lorsque le nombre de répétitions tend vers l’infini :

E(ε) = 0

En vertu du théorème central limite, la distribution des résidus d’une erreur aléatoire tend asymptotiquement vers une loi normale ou gaussienne, caractérisée par une moyenne nulle et un écart-type σ représentant l’amplitude moyenne de la dispersion expérimentale. Ces erreurs affectent directement la fidélité (ou répétabilité) de la mesure, sans pour autant altérer l’espérance de la valeur centrale observée.

À l’opposé, les erreurs systématiques (ou biais métrologiques) se manifestent par un décalage unidirectionnel constant ou variable selon une loi déterministe par rapport à la valeur théorique réelle. Elles trouvent leur source dans un mauvais étalonnage de l’appareil (dérive du zéro), un dysfonctionnement matériel persistant, une approximation non valide du cadre théorique (négligence de la friction de l’air, non-prise en compte de la température ambiante) ou un biais de désirabilité sociale dans le remplissage d’un questionnaire. Mathématiquement, l’espérance de l’erreur systématique est non nulle :

E(ε) = b ≠ 0

Ces erreurs dégradent l’exactitude (ou justesse) de la mesure. Le traitement préalable de ces biais est fondamental : aucune loi de propagation d’incertitude aléatoire ne peut neutraliser un biais systématique non corrigé. Ce dernier doit être identifié en amont par des procédures d’étalonnage contre des étalons primaires, des plans d’inversion méthodologique ou des normalisations statistiques, de sorte que le système de mesure résiduel ne contienne plus que des incertitudes stochastiques centrées.

2.2 Incertitude absolue versus incertitude relative

La quantification de l’imprécision métrologique exige une définition rigoureuse des concepts d’incertitude absolue et d’incertitude relative, dont l’usage varie selon les opérations algébriques envisagées. L’incertitude absolue, traditionnellement notée Δx ou u(x) selon la formalisation du GUM, exprime la marge d’erreur dans la même unité dimensionnelle que la grandeur mesurée elle-même. Si la masse d’un composé chimique est quantifiée à 12,40 g avec une incertitude absolue de 0,02 g, le résultat formel s’énonce :

m = (12,40 ± 0,02) g

Cette forme absolue traduit l’étendue de l’intervalle de confiance autour de la moyenne observée, correspondant classiquement à un écart-type d’incertitude standard combinée.

À l’inverse, l’incertitude relative (ou fractionnaire) neutralise la dépendance à l’unité de mesure en opérant le rapport sans dimension de l’incertitude absolue sur la valeur absolue du mesurande, souvent multiplié par cent pour être exprimé sous la forme d’un pourcentage :

u_r(x) = u(x) / |x|  ou  u_r(x)% = (u(x) / |x|) × 100

Dans l’exemple susmentionné, l’incertitude relative est de 0,02 / 12,40 ≈ 0,00161, soit environ 0,16 %. Cette grandeur sans dimension permet de comparer la qualité métrologique de mesures portant sur des échelles ou des natures physiques totalement dissemblables. Une incertitude absolue de 1 millimètre s’avère insignifiante lors de l’arpentage d’une distance de 10 kilomètres, mais désastreuse lors du calibrage d’une pièce micrométrique en ingénierie de précision. L’incertitude relative est l’instrument de prédilection dès lors que les grandeurs entrent dans des produits, des quotients ou des exponentiations fonctionnelles.

2.3 L’ancrage dans la théorie classique des tests

Dans les sciences psychosociales et éducatives, le pendant méthodologique de la métrologie physique repose sur la Théorie Classique des Tests (TCT), conceptualisée formellement par Gulliksen et enrichie par Lord et Novick. La TCT postule que le score observé X d’un individu lors d’une évaluation psychologique se décompose linéairement en deux composantes inobservables et additives : le score vrai V (qui représente la valeur attendue idéale sous une infinité d’administrations indépendantes) et une erreur de mesure aléatoire E :

X = V + E

Cette formalisation repose sur trois axiomes probabilistes centraux : l’espérance de l’erreur est nulle (E(E) = 0), la corrélation entre le score vrai et l’erreur de mesure est nulle (ρ_V,E = 0), et les erreurs associées à deux tests distincts sont mutuellement indépendantes (ρ_E1,E2 = 0). Dès lors, la variance des scores observés se décompose purement en la somme de la variance du score vrai et de la variance d’erreur :

σ_X² = σ_V² + σ_E²

Le coefficient de fidélité du test, noté r_XX’, s’exprime alors comme la proportion de variance vraie contenue dans la variance totale observée : r_XX’ = σ_V² / σ_X² = 1 – (σ_E² / σ_X²). L’écart-type des erreurs de mesure, universellement désigné sous le nom d’erreur type de mesure (ETM), s’obtient par manipulation algébrique directe :

ETM = σ_E = σ_X × √(1 – r_XX’)

L’ETM constitue la transposition exacte de l’incertitude-type standard de la métrologie physique. Toutefois, les limites de ce postulat d’additivité simple deviennent manifestes lorsque l’on quitte le cadre du test unique pour agréger des sous-scores corrélés. Dans ce cas de figure, l’hypothèse simpliste de nullité des covariances d’erreur s’effondre fréquemment, induisant des erreurs de diagnostic lors de l’application aveugle des formules d’incertitude combinée sans modélisation de la structure latente sous-jacente.

3. Fondements mathématiques généraux de la propagation des incertitudes

3.1 Formalisme différentiel et dépendance fonctionnelle multivariée

Le socle rigoureux de la propagation des erreurs repose sur l’analyse différentielle appliquée aux fonctions de plusieurs variables réelles. Considérons une grandeur de sortie scalaire Y déterminée de façon univoque par une fonction f continûment dérivable (de classe C¹) sur un ouvert de ℝⁿ, dépendant de n variables d’entrée directes indépendantes X₁, X₂, …, X_n :

Y = f(X₁, X₂, …, X_n)

Supposons que chaque variable X_i fasse l’objet d’une estimation expérimentale notée x̄_i, affectée d’une petite variation élémentaire infinitésimale notée dX_i. La variation correspondante de la variable dépendante, désignée par sa différentielle totale exacte dY, est régie par la somme des variations différentielles partielles :

dY = (∂f / ∂X₁) dX₁ + (∂f / ∂X₂) dX₂ + … + (∂f / ∂X_n) dX_n = ∑_i=1ⁿ (∂f / ∂X_i) dX_i

Dans ce formalisme mathématique rigoureux, ∂f / ∂X_i désigne la dérivée partielle de premier ordre de la fonction f par rapport à la variable X_i, évaluée au point moyen de fonctionnement (x̄₁, x̄₂, …, x̄_n). Cette différentielle totale décrit comment une perturbation infinitésimale de l’espace vectoriel d’entrée est transposée dans l’espace de sortie.

Toutefois, la pratique expérimentale ne manipule pas des infiniment petits dX_i, mais des incertitudes réelles de taille finie, notées ΔX_i ou u(X_i). Le passage épistémologique des différentielles infinitésimales aux incertitudes physiques finies s’opère en assimilant les incertitudes finies à de faibles perturbations stochastiques autour des moyennes empiriques. L’approximation différentielle linéaire de premier ordre s’énonce alors :

ΔY ≈ ∑_i=1ⁿ (∂f / ∂X_i) ΔX_i

Cette équation sert de matrice fondamentale à partir de laquelle s’érigent toutes les lois analytiques de combinaison des incertitudes, pourvu que les amplitudes des ΔX_i demeurent dans le voisinage infinitésimal où la fonction f est assimilable à son hyperplan tangent.

3.2 Rôle pivot des dérivées partielles dans l’analyse de sensibilité

L’introduction des dérivées partielles dans l’équation de propagation dépasse la simple mécanique calculatoire : elle confère à chaque variable d’entrée un poids métrologique direct dénommé coefficient de sensibilité. Le gradient de la fonction f, noté ∇f, rassemble ces dérivées partielles sous la forme d’un vecteur directeur :

∇f = [ ∂f/∂X₁, ∂f/∂X₂, …, ∂f/∂X_n ]^T

D’un point de vue géométrique, le gradient indique la direction de plus grande pente de la surface de réponse définie par f, et sa norme quantifie l’intensité de la réaction de Y aux fluctuations des paramètres d’entrée. Dans le cadre de la métrologie standardisée par le GUM, le coefficient de sensibilité associé à la i-ème grandeur est noté formellement :

c_i = ∂f / ∂X_i |_{(x̄1, …, x̄n)}

L’analyse de sensibilité métrologique consiste précisément à scruter ces coefficients scalaires c_i. Une variable d’entrée affectée d’une incertitude instrumentale considérable u(X_i) peut n’exercer qu’un impact dérisoire sur le mesurande final si la dérivée partielle locale ∂f/∂X_i tend vers zéro. Réciproquement, une variable mesurée avec une remarquable finesse technique peut devenir le goulet d’étranglement de l’ensemble du protocole si la fonction f présente un coefficient de sensibilité c_i gigantesque au point d’opération.

Cette approche permet d’identifier sans ambiguïté les variables critiques d’un protocole expérimental ou d’un algorithme composite. En hiérarchisant les contributions partielles |c_i| × u(X_i), le métrologue sait exactement sur quel paramètre physique ou psychométrique concentrer ses investissements techniques pour réduire au maximum l’incertitude finale, réalisant ainsi une allocation optimale des ressources expérimentales.

3.3 Conditions de validité de l’approximation linéaire

Le recours à la différentielle première repose sur une hypothèse restrictive qu’il est méthodologiquement impératif d’expliciter : la validité locale du développement linéaire de Taylor. Pour que l’assimilation d’une fonction non linéaire à son plan tangent soit recevable, deux critères fondamentaux doivent être concomitamment satisfaits.

Le premier critère relève de la petitesse relative des incertitudes. L’amplitude de l’incertitude-type associée à chaque grandeur d’entrée doit être substantiellement inférieure à la valeur moyenne de la grandeur elle-même :

u(X_i) ≪ |x̄_i|

Lorsque cette condition n’est pas remplie, les termes polynomiaux d’ordre supérieur du développement de Taylor cessent d’être négligeables, introduisant une distorsion systématique dans le calcul de l’incertitude propagée.

Le second critère concerne le degré de courbure intrinsèque de la surface de réponse, quantifié par la matrice hessienne des dérivées partielles secondes :

H_jk = ∂²f / (∂X_j ∂X_k)

Si le rayon de courbure local de f est très court au voisinage du point de fonctionnement expérimental (comme cela se produit à proximité des singularités, des asymptotes, ou dans les zones où le gradient s’annule pour former un extremum), le comportement de la fonction devient sévèrement non linéaire sur l’intervalle [x̄_i – u(X_i), x̄_i + u(X_i)]. Dans ces conditions, l’approximation du premier ordre s’effondre dramatiquement, conduisant à une sous-évaluation structurelle de l’incertitude finale ou à une asymétrie marquée de l’intervalle de dispersion que le formalisme linéaire standard est par essence incapable de capturer.

4. Propagation de l’erreur dans les opérations linéaires : addition et soustraction

4.1 Formulation analytique fondamentale pour sommes et différences

L’application la plus fréquente et intuitive de la propagation concerne les opérations algébriques d’addition et de soustraction de grandeurs physiques ou psychométriques mesurées de façon indépendante. Soit une fonction linéaire Y définie par la combinaison de deux grandeurs aléatoires indépendantes X₁ et X₂, sous la forme :

Y = X₁ + X₂  ou  Y = X₁ – X₂

Calculons formellement les dérivées partielles respectives de premier ordre pour ces deux opérations élémentaires. Pour l’addition, nous obtenons :

∂Y / ∂X₁ = 1  et  ∂Y / ∂X₂ = 1

Pour la soustraction, nous observons :

∂Y / ∂X₁ = 1  et  ∂Y / ∂X₂ = -1

En vertu des propriétés statistiques de la variance d’une somme de variables aléatoires indépendantes (ou stochastiquement orthogonales), la variance de Y équivaut à la somme quadratique pondérée des variances individuelles :

u²(Y) = (∂Y / ∂X₁)² u²(X₁) + (∂Y / ∂X₂)² u²(X₂)

En injectant les valeurs des dérivées partielles dans cette formulation générique, nous aboutissons à une identité fondamentale remarquable : que l’opération soit une addition ou une soustraction, l’élévation au carré de la dérivée partielle neutralise le signe négatif :

(-1)² = 1 ⟹ u²(Y) = (1)² u²(X₁) + (±1)² u²(X₂) = u²(X₁) + u²(X₂)

L’incertitude absolue combinée u(Y) s’écrit dès lors sans ambiguïté :

u(Y) = √( u²(X₁) + u²(X₂) )

Ce résultat théorique met en lumière une règle métrologique intangible : les incertitudes ne se soustraient jamais. Même lorsqu’une variable est retranchée d’une autre, l’imprécision inhérente à l’acte de mesure persiste et s’accumule de manière quadratique au sein du résultat combiné.

4.2 Conséquences de l’accumulation quadratique des incertitudes

L’accumulation quadratique des incertitudes produit des effets contre-intuitifs mais fondamentaux pour la conception des protocoles expérimentaux. Si l’on applique l’approche naïve du « pire cas » (conservatisme arithmétique absolu), on procèderait à la sommation directe des incertitudes absolues :

u_{pire_cas}(Y) = u(X₁) + u(X₂)

Or, en vertu de l’inégalité triangulaire euclidienne, la racine carrée de la somme des carrés est strictement inférieure à la somme arithmétique des grandeurs strictement positives :

√( u²(X₁) + u²(X₂) ) < u(X₁) + u(X₂)

Ce phénomène découle de la nature probabiliste des erreurs indépendantes : il existe une probabilité extrêmement faible pour que les erreurs de chaque mesure élémentaire dérivent simultanément vers leurs valeurs extrêmes dans la même direction défavorable. La plupart du temps, des fluctuations d’erreurs positives sur une variable sont partiellement amorties par des fluctuations négatives ou neutres sur une autre grandeur. La croissance de l’incertitude combinée est donc sous-linéaire.

Il en découle un effet métrologique majeur de dilution lorsque l’on juxtapose une mesure très bruitée et une mesure hautement précise. Supposons une grandeur X₁ affectée d’une incertitude u(X₁) = 10, et une grandeur X₂ mesurée avec une incertitude u(X₂) = 1. L’incertitude combinée vaut :

u(Y) = √( 10² + 1² ) = √( 100 + 1 ) = √101 ≈ 10,0499

L’adjonction de la seconde mesure n’a accru l’incertitude totale que de 0,05 unités (soit moins de 0,5 %), démontrant sans équivoque que l’incertitude finale d’une somme est écrasée par la composante la moins bien maîtrisée de la chaîne de mesure.

4.3 Généralisation à des combinaisons linéaires pondérées

Dans de nombreuses disciplines scientifiques, et singulièrement en psychométrie et en économétrie, les grandeurs composites ne sont pas de simples sommes brutes, mais des combinaisons linéaires pondérées par des constantes scalaires déterminées a_i ∈ ℝ. Soit la forme fonctionnelle générale :

Y = a₁ X₁ + a₂ X₂ + … + a_n X_n + C = ∑_i=1ⁿ a_i X_i + C

où C représente une constante arithmétique invariante exempte de toute incertitude (u(C) = 0). La différentiation partielle par rapport à chaque grandeur X_i extrait immédiatement le coefficient multiplicateur scalaire :

∂Y / ∂X_i = a_i

L’équation de propagation de variance prend immédiatement la forme générique :

u²(Y) = ∑_i=1ⁿ (a_i)² u²(X_i) ⟹ u(Y) = √( ∑_i=1ⁿ a_i² u²(X_i) )

Cette élévation au carré des coefficients scalaires a des conséquences capitales : toute pondération a_i > 1 amplifie de manière quadratique la contribution de la variance d’erreur associée. 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 élémentaire se trouve multipliée par 9 dans le bilan total des variances d’erreur. Réciproquement, un coefficient de pondération fractionnaire (comme une normalisation moyenne a_i = 1/n) compresse drastiquement la contribution de l’erreur élémentaire.

5. Exemple d’application détaillée : calcul pas à pas d’une grandeur composite

5.1 Mise en situation et énoncé du protocole expérimental

Afin de rendre parfaitement tangibles ces équations analytiques, développons une étude de cas numérique détaillée, représentative des protocoles métrologiques rigoureux mis en œuvre en biomécanique posturale et en anthropométrie clinique. Un clinicien chercheur désire évaluer la stature corporelle totale (H) d’un athlète en posture orthostatique érigée. Pour des contraintes d’appareillage et afin d’isoler des dissymétries structurelles, la mesure n’est pas relevée d’un seul bloc, mais subdivisée en deux mesures directes contiguës effectuées via des toises anthropométriques de haute précision :

• Le segment corporel inférieur (S₁), mesurant la distance verticale séparant le sol plan d’appui du repère anatomique du grand trochanter fémoral.
• Le segment corporel supérieur (S₂), mesurant la distance verticale séparant le repère du grand trochanter du sommet du vertex crânien.

Les lectures métrologiques expérimentales, associées à leurs incertitudes-types absolues (établies selon les normes d’évaluation de type B d’après les certificats d’étalonnage et la répétabilité des positionnements d’embout), fournissent les données directes suivantes :

• Segment inférieur : s̄₁ = 925,4 mm, avec une incertitude absolue standard u(S₁) = 1,8 mm.
• Segment supérieur : s̄₂ = 862,1 mm, avec une incertitude absolue standard u(S₂) = 2,4 mm.

L’objectif scientifique du protocole consiste à dériver la hauteur totale combinée H = f(S₁, S₂) = S₁ + S₂, de déterminer l’incertitude absolue combinée u(H), et d’exprimer le résultat conformément aux normes métrologiques internationales.

5.2 Développement calculatoire exhaustif

L’exécution de la méthode d’évaluation de l’incertitude combinée se déploie selon une séquence algorithmique rigoureuse à quatre temps élémentaires.

Étape 1 : Calcul de l’espérance de la valeur centrale. La meilleure estimation de la valeur centrale de la grandeur composite s’obtient par la sommation algébrique directe des moyennes observées des grandeurs primitives :

h̄ = s̄₁ + s̄₂ = 925,4 mm + 862,1 mm = 1787,5 mm

Étape 2 : Calcul des carrés des incertitudes absolues individuelles (les variances métrologiques). L’élévation au carré de chaque incertitude-type standard isole les variances associées aux mesures de chaque segment :

u²(S₁) = (1,8 mm)² = 3,24 mm²

u²(S₂) = (2,4 mm)² = 5,76 mm²

Étape 3 : Sommation arithmétique des variances sous condition d’indépendance. En considérant que les repérages du grand trochanter pour la partie basse et la partie haute ont été exécutés avec des protocoles méthodologiques indépendants empêchant tout transfert d’erreur, la variance combinée u²(H) est la somme stricte de ces variances :

u²(H) = u²(S₁) + u²(S₂) = 3,24 mm² + 5,76 mm² = 9,00 mm²

Étape 4 : Extraction de la racine carrée pour le calcul de l’incertitude-type combinée. L’extraction de la racine carrée de la variance combinée donne immédiatement la dispersion standard recherchée :

u(H) = √( u²(H) ) = √( 9,00 mm² ) = 3,0 mm

Nous constatons que l’incertitude absolue combinée atteint rigoureusement 3,0 mm. Si l’expérimentateur avait indûment appliqué la somme arithmétique naïve, il aurait rapporté une incertitude de 1,8 + 2,4 = 4,2 mm, surévaluant la marge d’erreur stochastique réelle de 40 %.

5.3 Interprétation métrologique et rapport des résultats

L’expression finale des résultats doit impérativement respecter les règles internationales d’arrondi scientifique édictées par le GUM et l’ISO 80000-1. L’incertitude-type standard définit le niveau d’incertitude où réside l’espérance de la grandeur avec une probabilité d’environ 68,27 % (sous hypothèse de normalité gaussienne des résidus). L’incertitude absolue doit être énoncée avec un maximum de deux chiffres significatifs (ou un seul si le premier chiffre est supérieur à 3). Ici, la valeur 3,0 mm possède deux chiffres significatifs.

La valeur de la mesure composite centrale doit alors être tronquée ou arrondie pour que son dernier chiffre significatif décimal coïncide exactement avec le rang de la dernière décimale de l’incertitude énoncée. Dans notre cas, h̄ = 1787,5 mm possède une décimale, tout comme u(H) = 3,0 mm. L’énoncé formel standardisé s’établit donc selon la syntaxe métrologique canonique :

H = (1787,5 ± 3,0) mm  (avec un facteur d’élargissement k = 1)

Dans le cas d’une communication académique visant un niveau de confiance plus étendu (par exemple un intervalle de confiance classique à 95,45 %), il conviendrait d’appliquer un facteur d’élargissement conventionnel k = 2, conduisant à une incertitude élargie notée U = k × u(H) = 2 × 3,0 = 6,0 mm. Le rapport métrologique deviendrait alors :

H = (1787,5 ± 6,0) mm  (pour k = 2, niveau de confiance de 95,45 %)

Sur le plan analytique comparatif, remarquons que l’incertitude relative initiale sur le premier segment était de 1,8 / 925,4 ≈ 0,19 % et de 2,4 / 862,1 ≈ 0,28 % sur le second. Pour la variable combinée, l’incertitude relative globale devient 3,0 / 1787,5 ≈ 0,17 %. Cet abaissement de l’incertitude relative démontre la vertu statistique de l’agrégation linéaire de grandeurs mesurées à des échelles comparables.

6. Propagation de l’erreur dans les opérations non linéaires : multiplication et division

6.1 Formulation en incertitudes relatives

Dès lors que les relations analytiques liant les grandeurs physiques ou psychométriques quittent le champ linéaire pour embrasser des produits ou des rapports, le traitement différentiel direct des incertitudes absolues cède le pas à une approche infiniment plus élégante et manipulable fondée sur les incertitudes relatives. Considérons une grandeur composite définie par un produit et un quotient de multiples grandeurs physiques indépendantes :

Y = (X₁ × X₂) / X₃

La méthode différentielle classique appliquée à cette formulation exigerait le calcul de dérivées partielles complexes dépendant de l’état de toutes les autres variables au dénominateur et au numérateur. Une voie plus robuste consiste à appliquer préalablement la transformation par logarithme népérien (ln) de part et d’autre de l’égalité :

ln(Y) = ln(X₁) + ln(X₂) – ln(X₃)

En différentiant cette relation logarithmique de manière totale, nous mobilisons la propriété analytique selon laquelle la différentielle logarithmique d(ln Z) équivaut rigoureusement au ratio différentiel dZ / Z :

dY / Y = (dX₁ / X₁) + (dX₂ / X₂) – (dX₃ / X₃)

En transposant cette égalité différentielle aux grandeurs d’incertitudes stochastiques indépendantes par élévation au carré (en éliminant les termes croisés dont l’espérance est nulle), nous obtenons la loi universelle régissant les incertitudes relatives pour les produits et quotients :

(u(Y) / |ȳ|)² = (u(X₁) / |x̄₁|)² + (u(X₂) / |x̄₂|)² + (u(X₃) / |x̄₃|)²

Ce qui s’exprime de façon synthétique sous la forme de l’incertitude relative quadratique :

u_r(Y) = √( u_r²(X₁) + u_r²(X₂) + u_r²(X₃) )

Cette relation démontre l’invariance structurelle de la formule face à la position arithmétique de la variable : qu’une grandeur figure au numérateur ou au dénominateur de la fraction, sa contribution relative à l’incertitude finale s’ajoute quadratiquement.

6.2 Cas des grandeurs élevées à une puissance

Une complexification fréquente dans les lois scientifiques concerne la présence d’exposants ou de puissances scalaires associées aux grandeurs primitives. Soit une fonction monôme définie sous la forme :

Y = k · X₁^α · X₂^β · X₃^γ

où k est une constante scalaire exacte, et α, β, γ sont des exposants réels (pouvant être entiers, négatifs ou fractionnaires comme les racines carrées où l’exposant vaut 0,5). Appliquons de nouveau la différentiation logarithmique systématique :

ln(Y) = ln(|k|) + α · ln(X₁) + β · ln(X₂) + γ · ln(X₃)

La différentielle logarithmique produit l’expression :

dY / Y = α (dX₁ / X₁) + β (dX₂ / X₂) + γ (dX₃ / X₃)

En élevant au carré selon le postulat d’indépendance statistique pour sommer les variances relatives, chaque exposant scalaire est élevé au carré, agissant comme un amplificateur multiplicateur direct de l’incertitude relative :

(u(Y) / |ȳ|)² = α² (u(X₁) / |x̄₁|)² + β² (u(X₂) / |x̄₂|)² + γ² (u(X₃) / |x̄₃|)²

Sous sa forme d’écart-type d’incertitude relative combinée, l’équation s’énonce :

u_r(Y) = √( α² u_r²(X₁) + β² u_r²(X₂) + γ² u_r²(X₃) )

Cette dérivation analytique expose une vulnérabilité métrologique critique : l’impact d’une incertitude relative est linéairement proportionnel à la puissance à laquelle son mesurande est élevé. Si une grandeur physique intervient au cube (α = 3), son incertitude relative est multipliée par 3 au niveau de l’erreur relative élémentaire, et sa variance relative est multipliée par 9 dans le total. Inversement, une variable sous une racine carrée (α = 0,5) voit sa variance relative divisée par un facteur 4. La hiérarchisation de la précision d’un protocole expérimental doit impérativement cibler en priorité les grandeurs associées aux exposants de valeur absolue maximale.

6.3 Exemples appliqués aux indices de quotients psychologiques et physiologiques

L’utilisation de ratios ou quotients est omniprésente dans les sciences du vivant et de la cognition : indice de masse corporelle (IMC, calculé comme la masse divisée par la taille au carré), quotients respiratoires, ratios de transmission dopaminergique, ou indices de performance en neurophysiologie (tels que le ratio de vitesse de traitement par rapport à l’exactitude d’exécution). Examinons l’évaluation de l’indice composite d’efficience d’une tâche cognitive (noté IE), défini par le quotient du temps de réaction moyen T sur le taux de précision de réponse P :

IE = T / P = T · P^-1

En mobilisant notre formalisme des puissances, l’incertitude relative sur cet indice composite s’exprime immédiatement par :

u_r(IE) = √( u_r²(T) + (-1)² u_r²(P) ) = √( u_r²(T) + u_r²(P) )

Supposons qu’un sujet présente un temps de réaction moyen T̄ = 450 ms avec une incertitude standard u(T) = 18 ms (soit u_r(T) = 18 / 450 = 0,04, ou 4 %), et un taux de précision P̄ = 0,80 avec une incertitude u(P) = 0,08 (soit u_r(P) = 0,08 / 0,80 = 0,10, ou 10 %). L’incertitude relative globale propagée sur l’indice d’efficience s’établit à :

u_r(IE) = √( (0,04)² + (0,10)² ) = √( 0,0016 + 0,0100 ) = √0,0116 ≈ 0,1077 (soit 10,77 %)

La valeur centrale de l’indice est ĪĒ = 450 / 0,80 = 562,5 ms, et son incertitude absolue propagée s’élève à u(IE) = 562,5 × 0,1077 ≈ 60,6 ms. Le résultat formel s’énonce : IE = (563 ± 61) ms.

Ce calcul révèle un danger méthodologique prépondérant : l’hyper-sensibilité des quotients lorsque le dénominateur s’approche de zéro. Dans ce régime asymptotique, la dérivée partielle par rapport au dénominateur ∂IE / ∂P = -T / P² explose vers l’infini. Une variation minime ou une incertitude modeste sur le dénominateur engendre alors une divergence métrologique totale, déstabilisant intégralement l’estimation de l’indice composite. Les praticiens doivent proscrire l’usage de grandeurs relatives basées sur des dénominateurs numériquement instables ou proches de leur seuil de plancher.

7. Traitement des fonctions complexes et développement en série de Taylor

7.1 Formalisation générale multivariée au premier ordre

Lorsque la fonction liant le mesurande composite aux variables d’entrée ne se réduit ni à une combinaison linéaire, ni à un simple monôme de produits et quotients, il est nécessaire de recourir au cadre formel universel délivré par le développement en série de Taylor multivarié. Considérons la fonction arbitraire Y = f(X), où X = [X₁, X₂, …, X_n]^T désigne le vecteur aléatoire des entrées. Le développement en série de Taylor au voisinage immédiat du vecteur espérance μ = [x̄₁, x̄₂, …, x̄_n]^T s’énonce formellement :

f(X) = f(μ) + ∑_i=1ⁿ (∂f / ∂X_i) |_μ (X_i – x̄_i) + (1/2!) ∑_i=1ⁿ ∑_j=1ⁿ (∂²f / ∂X_i ∂X_j) |_μ (X_i – x̄_i)(X_j – x̄_j) + R₂

L’approximation du premier ordre consiste à tronquer ce polynôme infini immédiatement après le premier terme différentiel linéaire. En soustrayant l’espérance f(μ) pour isoler l’écart par rapport à la moyenne Y – ȳ, nous formons l’écart stochastique :

Y – ȳ ≈ ∑_i=1ⁿ c_i (X_i – x̄_i) = c^T (X – μ)

où c = ∇f(μ) représente le vecteur gradient des coefficients de sensibilité. La variance théorique de Y, définie par l’espérance mathématique du carré des écarts E[(Y – ȳ)²], s’exprime matriciellement par la projection bilinéaire :

σ_Y² = E[ c^T (X – μ) (X – μ)^T c ] = c^T E[ (X – μ) (X – μ)^T ] c = c^T Σ c

Dans cette formulation compacte de la métrologie algébrique moderne, Σ représente la matrice de variance-covariance des grandeurs d’entrée. Lorsque les variables sont stochastiquement mutuellement indépendantes, la matrice Σ se condense en une matrice strictement diagonale contenant uniquement les variances σ_i². La formule se déploie alors sous sa forme scalaire canonique adoptée par le GUM :

u_c²(Y) = ∑_i=1ⁿ [ c_i · u(X_i) ]² = ∑_i=1ⁿ (∂f / ∂X_i)² u²(X_i)

Cette équation constitue la loi de propagation universelle au premier ordre : chaque incertitude standard d’entrée est mise à l’échelle par le carré de son coefficient de sensibilité fonctionnel avant d’être sommée sous le radical.

7.2 Cas particuliers des fonctions non linéaires courantes

De multiples modélisations scientifiques imposent des transformations mathématiques transcendantes, telles que les fonctions exponentielles, logarithmiques ou trigonométriques. Examinons analytiquement la propagation de l’incertitude à travers ces opérateurs usuels.

Cas de la transformation logarithmique : Soit la fonction Y = ln(X). La dérivation différentielle s’écrit :

∂Y / ∂X = 1 / X ⟹ u(Y) = |1 / x̄| · u(X) = u(X) / |x̄| = u_r(X)

Un résultat mathématique fondamental émerge : l’incertitude absolue d’une grandeur transformée par son logarithme népérien équivaut rigoureusement à l’incertitude relative de la grandeur originale non transformée. Si la pression acoustique ou une intensité de stimulus présente une incertitude relative de 5 % (0,05), l’incertitude absolue de sa conversion logarithmique vaut précisément 0,05.

Cas de la transformation exponentielle : Soit la fonction inverse Y = e^aX. La dérivée partielle s’exprime :

∂Y / ∂X = a · e^aX = a · Y ⟹ u(Y) = |a · ȳ| · u(X)

En divisant chaque membre par la moyenne ȳ pour exprimer l’incertitude relative, nous constatons :

u_r(Y) = |a| · u(X)

L’incertitude relative d’une variable exponentielle est donc directement proportionnelle à l’incertitude absolue de la variable d’origine, pondérée par l’argument de puissance a.

Cas des fonctions logistiques en modélisation psychométrique : Dans la théorie de la réponse aux items (TRI), la probabilité P de réussite d’un sujet de compétence θ face à un item de difficulté b suit fréquemment le modèle logistique à un paramètre (modèle de Rasch) :

P(θ) = 1 / ( 1 + e^{-(θ – b)} ) = [ 1 + e^-z ]^-1  avec  z = θ – b

La dérivée première de la fonction logistique par rapport à la composante latente θ délivre une formulation remarquable :

∂P / ∂θ = P(θ) · [ 1 – P(θ) ]

Par conséquent, l’incertitude absolue propagée sur la probabilité de réussite u(P) induite par l’erreur de mesure sur le trait latent u(θ) s’écrit :

u(P) = P(θ) · [ 1 – P(θ) ] · u(θ)

Cette formulation analytique montre que l’incertitude sur la probabilité est maximale lorsque θ = b (où P = 0,5 et P(1 – P) = 0,25), et tend vers zéro aux extrêmes asymptotiques où la courbe se sature, illustrant le phénomène d’amortissement non linéaire des incertitudes aux bornes de l’espace d’état.

7.3 Limites de l’approximation du premier ordre et termes d’ordre supérieur

L’élégance calculatoire de la méthode différentielle du premier ordre ne doit pas faire oublier qu’elle repose sur une troncature artificielle. Dans des régimes d’expérimentation fortement non linéaires, les termes d’ordre supérieur gouvernés par la matrice hessienne exercent une influence perturbatrice déterminante. Si l’on réintègre les dérivées partielles d’ordre deux dans le développement de Taylor pour une variable scalaire Y = f(X), l’espérance réelle de la variable de sortie subit un décalage direct induit par la courbure :

E[Y] ≈ f(x̄) + (1/2) · (∂²f / ∂X²) · u²(X)

Dès lors que la dérivée seconde ∂²f / ∂X² ≠ 0, la moyenne empirique observée ȳ cesse d’être un estimateur sans biais de la valeur centrale : la non-linéarité transforme une incertitude purement aléatoire et centrée en une distorsion systématique de la moyenne. C’est l’inégalité de Jensen appliquée à l’analyse d’erreur.

Parallèlement, le calcul de la variance au second ordre intègre des termes correctifs dépendants du kurtosis de la distribution d’entrée et de la dérivée seconde :

u²(Y) ≈ (∂f / ∂X)² u²(X) + (1/2) · (∂²f / ∂X²)² u⁴(X)

Si l’incertitude u(X) n’est pas infinitésimale, le terme d’ordre quatre u⁴(X) gonfle brusquement la variance résultante. De surcroît, la distribution de Y cesse d’être gaussienne : elle subit une asymétrie marquée (présence d’un skewness non nul), étirant une des queues de distribution. Dès que l’incertitude relative dépasse le seuil critique de 15 à 20 % dans une relation hautement non linéaire, le modèle linéaire standard du GUM doit être abandonné au profit d’expansions d’ordre supérieur ou, plus judicieusement, d’approches computationnelles stochastiques.

8. Le postulat d’indépendance : erreurs aléatoires et absence de corrélation

8.1 Définition probabiliste de l’indépendance stochastique

Toutes les formulations quadratiques condensées examinées jusqu’ici reposent sans exception sur un postulat axiomatique rigide : l’indépendance stochastique mutuelle des erreurs de mesure affectant les différentes variables d’entrée. Dans le cadre de la théorie des probabilités de Kolmogorov, deux variables aléatoires d’erreur ε₁ et ε₂ sont dites statistiquement indépendantes si et seulement si leur fonction de densité de probabilité conjointe p(ε₁, ε₂) se factorise strictement en le produit direct de leurs densités marginales univariées respectives :

p(ε₁, ε₂) = p₁(ε₁) × p₂(ε₂)

Une conséquence mathématique directe de cette factorisation est la nullité absolue de leur covariance :

Cov(ε₁, ε₂) = E[ (ε₁ – E[ε₁]) (ε₂ – E[ε₂]) ] = E[ ε₁ · ε₂ ] – E[ε₁] · E[ε₂] = 0

D’un point de vue géométrique au sein de l’espace hilbertien des variables aléatoires de variance finie muni du produit scalaire défini par la covariance, l’indépendance impose que les vecteurs de perturbation stochastique ε₁ et ε₂ soient strictement orthogonaux (ε₁ ⊥ ε₂).

Dans la pratique expérimentale, cette indépendance exige des protocoles de saisie et de manipulation rigoureusement isolés. Elle implique que la fluctuation affectant le premier instrument de mesure n’exerce aucun effet causal direct ou indirect sur le second instrument, et qu’aucune variable parasitaire cachée (telle qu’une variation subite de la température de la pièce d’expérimentation, une fluctuation de tension sur le réseau électrique, ou une baisse de vigilance de l’opérateur humain) ne vienne moduler conjointement les deux mesures.

8.2 Conséquences mathématiques sur l’annulation des termes croisés

L’effet calculatoire direct de ce postulat d’orthogonalité est la simplification drastique du polynôme de variance obtenu lors de l’élévation au carré de la différentielle totale. Reprenons l’expression différentielle pour une fonction à deux variables dY = c₁ dX₁ + c₂ dX₂. Lorsque nous formons le carré pour évaluer l’espérance de la variance, nous développons l’identité remarquable bilinéaire :

(dY)² = c₁² (dX₁)² + c₂² (dX₂)² + 2 c₁ c₂ (dX₁ dX₂)

En passant à l’opérateur espérance mathématique E[·], le terme croisé fait apparaître la covariance :

E[ dX₁ dX₂ ] = Cov(X₁, X₂) = σ₁₂

Lorsque l’indépendance stochastique est vérifiée, σ₁₂ = 0. Le double produit 2 c₁ c₂ σ₁₂ s’annule purement et simplement de l’équation différentielle, laissant subsister exclusivement les composantes diagonales quadratiques :

u²(Y) = c₁² u²(X₁) + c₂² u²(X₂)

C’est cette disparition formelle des covariances croisées qui confère aux estimateurs indépendants leur grande stabilité calculatoire et leur simplicité opérationnelle, autorisant les praticiens à sommer directement les carrés des incertitudes pondérées sans devoir expliciter les relations de dépendance conjointe.

8.3 Risques méthodologiques associés à une hypothèse d’indépendance non vérifiée

Postuler aveuglément l’indépendance de mesures empiriques sans vérification expérimentale préalable constitue l’un des écueils les plus pernicieux de l’ingénierie et de l’analyse des données de recherche. Dans les dispositifs concrets, la présence de corrélations résiduelles masquées est quasi-systématique dès lors que les données partagent un même contexte d’acquisition.

Si deux grandeurs sont affectées d’une dépendance positive masquée (Cov(X₁, X₂) > 0) et que leur fonction les assemble sous la forme d’une somme (c₁ > 0, c₂ > 0), l’annulation fautive du terme croisé conduit à une sous-estimation dramatique de l’incertitude finale. L’expérimentateur conclura à une précision élevée de son indice composite, alors qu’en réalité, les erreurs s’amplifient mutuellement, élargissant l’intervalle de dispersion réel bien au-delà des limites théoriques calculées.

Inversement, si deux grandeurs positivement corrélées sont soustraites l’une de l’autre (c₁ > 0, c₂ < 0), le produit 2 c₁ c₂ Cov(X₁, X₂) devient négatif. En ignorant ce terme d’ajustement négatif, le chercheur commet une surévaluation paradoxale de sa marge d’erreur, postulant un bruit expérimental massif alors même qu’un mécanisme interne de compensation mutuelle opère une réduction drastique de l’incertitude finale. Pour prévenir ces dérives inférentielles, l’expérimentateur doit soumettre systématiquement ses résidus de mesure à des tests diagnostiques empiriques (tels que le test d’autocorrélation de Durbin-Watson ou l’évaluation de la matrice d’intercorrélation des résidus de Bland-Altman) préalablement à tout calcul d’incertitude combinée.

9. Propagation des erreurs sous conditions de corrélation et covariance

9.1 Équation complète intégrant les termes de covariance

Lorsque l’hypothèse d’orthogonalité stochastique est violée, il convient de déployer l’équation de propagation dans sa plénitude mathématique universelle, telle qu’énoncée formellement dans le paragraphe 5.2.2 du Guide pour l’expression de l’incertitude de mesure (GUM). Pour une fonction différentiable Y = f(X₁, …, X_n) dépendant de variables potentiellement corrélées, l’équation complète de la variance combinée s’écrit :

u_c²(Y) = ∑_i=1ⁿ (∂f / ∂X_i)² u²(X_i) + 2 ∑_i=1^n-1 ∑_j=i+1ⁿ (∂f / ∂X_i) (∂f / ∂X_j) u(X_i, X_j)

Dans cette formulation analytique intégrale, u(X_i, X_j) représente la covariance expérimentale estimée entre les variables d’entrée X_i et X_j. Cette covariance s’exprime conventionnellement à travers le coefficient de corrélation linéaire de Bravais-Pearson, noté r(X_i, X_j) ou r_ij, par la relation canonique :

u(X_i, X_j) = r(X_i, X_j) · u(X_i) · u(X_j)  avec  -1 ≤ r_ij ≤ +1

En substituant cette identité dans l’équation de sommation, nous obtenons l’expression opérationnelle générale :

u_c²(Y) = ∑_i=1ⁿ c_i² u²(X_i) + 2 ∑_i=1^n-1 ∑_j=i+1ⁿ c_i c_j r_ij u(X_i) u(X_j)

Sous forme tensorielle ou matricielle, l’équation conserve une sobriété analytique absolue en utilisant le vecteur gradient c et la matrice de variance-covariance complète V :

u_c²(Y) = c^T V c

où la matrice symétrique V contient les variances individuelles sur sa diagonale principale (V_ii = u²(X_i)) et les covariances croisées sur ses éléments hors-diagonale (V_ij = u(X_i, X_j) pour i ≠ j).

9.2 Dynamique d’amplification par corrélation positive

L’analyse de la structure de l’équation complète met en évidence un puissant mécanisme d’amplification d’incertitude dans les systèmes présentant des sensibilités de même signe. Considérons le cas d’une sommation directe Y = X₁ + X₂ où les coefficients de sensibilité valent identiquement c₁ = 1 et c₂ = 1. L’équation de variance propagée se transmue en :

u²(Y) = u²(X₁) + u²(X₂) + 2 r₁₂ u(X₁) u(X₂)

Si la corrélation r₁₂ est positive (r₁₂ > 0), le terme croisé 2 r₁₂ u(X₁) u(X₂) est strictement positif. Dans le cas limite théorique d’une dépendance linéaire positive totale où r₁₂ = +1, l’expression devient une identité remarquable parfaite :

u²(Y) = u²(X₁) + u²(X₂) + 2 u(X₁) u(X₂) = [ u(X₁) + u(X₂) ]²

En extrayant la racine carrée, nous aboutissons à :

u(Y) = u(X₁) + u(X₂)

L’accumulation sous-linéaire quadratique disparaît totalement pour faire place à l’accumulation arithmétique linéaire maximale : l’effet amortisseur d’orthogonalité est anéanti.

Ce phénomène d’amplification déploie des répercussions cliniques majeures en psychométrie. Lorsque des psychologues agrègent les résultats de plusieurs sous-tests cognitifs pour constituer un score d’efficience globale, ces sous-épreuves présentent systématiquement des intercorrélations positives substantielles en raison de l’existence d’un facteur général d’intelligence (facteur g de Spearman) ou du partage de composantes motrices communes. L’incertitude réelle entourant le score total composite se trouve considérablement élargie par cette covariance positive. Les intervalles de confiance entourant les quotients intellectuels totaux (QIT) s’en trouvent fortement dilatés. Ignorer cette covariance croisée conduit le praticien à proclamer des indices de fidélité composite frauduleusement étroits, induisant un sentiment illégitime de sécurité diagnostique.

9.3 Mécanisme d’atténuation par corrélation négative

À l’opposé de la dynamique précédente, la présence d’une covariance peut devenir un vecteur prodigieux de stabilisation métrologique et de réduction de l’incertitude finale dès lors que les signes du produit c_i c_j r_ij deviennent négatifs. Ce phénomène de compensation s’observe typiquement dans deux configurations fondamentales.

Premièrement, lors de la soustraction de deux grandeurs positivement corrélées, formulée par Y = X₁ – X₂. Dans ce cas, c₁ = +1 et c₂ = -1. Le produit des dérivées partielles donne c₁ c₂ = (1)(-1) = -1. Si la corrélation empirique est positive (r₁₂ > 0), l’équation de variance combinée devient :

u²(Y) = u²(X₁) + u²(X₂) – 2 r₁₂ u(X₁) u(X₂)

Dans la situation extrême où les incertitudes individuelles sont identiques (u(X₁) = u(X₂) = u) et la corrélation positive unitaire (r₁₂ = +1), la variance résultante s’annule purement et simplement :

u²(Y) = u² + u² – 2 (1) u · u = 2 u² – 2 u² = 0 ⟹ u(Y) = 0

Ce résultat théorique fonde la puissance métrologique des mesures différentielles et des designs expérimentaux à mesures répétées (« pré-test versus post-test »). Si un instrument présente une dérive de calibrage lente ou si un sujet présente une caractéristique parasite stable affectant identiquement ses scores avant et après une intervention clinique, la soustraction différentielle élimine complètement l’erreur systématique partagée. L’incertitude sur le gain thérapeutique ou fonctionnel final devient incomparablement plus faible que l’incertitude brute affectant chacune des mesures isolées.

Deuxièmement, le même mécanisme d’atténuation opère lors de la sommation Y = X₁ + X₂ de grandeurs présentant une corrélation négative intrinsèque (r₁₂ < 0), comme cela survient dans les systèmes physiques conservatifs soumis à un bilan énergétique fermé ou dans des protocoles de choix forcé à somme nulle : toute déviation positive sur une composante entraîne mécaniquement une compensation stochastique en sens inverse sur la variable connexe, réduisant l’incertitude totale du système en deçà du seuil des variances individuelles.

10. Applications psychométriques avancées : scores composites et modélisation latente

10.1 Scores composites dans les batteries de tests neuropsychologiques

L’application rigoureuse des principes de propagation des erreurs au sein des batteries neuropsychologiques (à l’instar des échelles de Wechsler, WAIS ou WISC) offre une perspective mathématique éclairante sur l’évaluation clinique. Un score composite d’indice cognitif (noté IC) se structure traditionnellement comme une somme linéaire pondérée de k sous-tests standardisés :

IC = ∑_i=1^k w_i X_i

où w_i désigne le poids nominal alloué à chaque épreuve et X_i le score standardisé obtenu par le patient. En intégrant l’erreur type de mesure individuelle de chaque sous-test ETM_i = σ_i √(1 – r_ii) et la matrice des intercorrélations empiriques r_ij entre épreuves, l’erreur type de mesure composite propagée ETM_comp s’exprime par la formule dérivée des travaux fondateurs de Mosier :

ETM_comp = √( ∑_i=1^k w_i² ETM_i² + 2 ∑_i=1^k-1 ∑_j=i+1^k w_i w_j r_ij ETM_i ETM_j )

Parallèlement, la fidélité composite théorique, conceptualisée par Charles Mosier en 1943, s’établit par le ratio classique liant variance vraie composite et variance observée composite :

r_comp = 1 – ( ETM_comp² / σ_comp² ) = 1 – [ ∑ w_i² σ_i² (1 – r_ii) ] / [ ∑ w_i² σ_i² + 2 ∑∑ w_i w_j σ_i σ_j r_ij ]

Cette formalisation mathématique explicite un compromis psychométrique fondamental : plus les sous-tests corrèlent fortement entre eux (r_ij élevé), plus la variance totale observée au dénominateur croît, ce qui augmente le coefficient de fidélité globale du test composite. Cependant, en contrepartie, la marge d’erreur absolue brute (ETM_comp) s’élargit en vertu de la propagation de covariance positive étudiée précédemment. L’intervalle de confiance clinique tracé autour du score composite final doit impérativement intégrer cette ETM_comp pour éviter toute surinterprétation des fluctuations de score d’une session à l’autre.

10.2 Propagation de l’erreur dans les mesures chronométriques et temps de réaction

L’analyse chronométrique des processus cognitifs humains, depuis les travaux pionniers de Franciscus Donders et sa méthode soustractive jusqu’aux paradigmes contemporains de double tâche, constitue un terrain d’élection pour la propagation des incertitudes. Dans la méthode soustractive classique, la durée d’une étape mentale hypothétique (par exemple, le temps requis pour la sélection d’une réponse motrice, noté T_select) est inférée en soustrayant le temps de réaction obtenu lors d’une tâche de détection simple (T₁) du temps relevé lors d’une tâche de choix complexe (T₂) :

T_select = T₂ – T₁

D’un point de vue expérimental, ces temps de réaction ne sont pas des entités déterministes, mais des variables stochastiques affectées d’incertitudes instrumentales physiques et de variances biologiques intra-individuelles. L’incertitude instrumentale découle de la fréquence de rafraîchissement des moniteurs d’affichage (par exemple, un écran rafraîchi à 60 Hz introduit une incertitude de quantification temporelle rectangulaire d’amplitude 16,67 ms) et de la latence de scrutation des claviers ou interfaces USB (introduisant une incertitude résiduelle de 5 à 10 ms).

En désignant par u²(T₁) et u²(T₂) les variances combinées (agrégeant variance instrumentale et variance d’échantillonnage biologique) associées aux deux tâches, l’incertitude standard affectant le temps cognitif inféré T_select s’exprime rigoureusement, sous l’hypothèse d’indépendance des blocs expérimentaux :

u(T_select) = √( u²(T₁) + u²(T₂) )

Si T̄₂ = 420 ms avec u(T₂) = 25 ms, et T̄₁ = 350 ms avec u(T₁) = 20 ms, la durée du processus central inféré s’élève à T̄_select = 70 ms, mais son incertitude combinée propagée atteint :

u(T_select) = √( 25² + 20² ) = √( 625 + 400 ) = √1025 ≈ 32 ms

L’incertitude relative sur le processus inféré s’élève donc à 32 / 70 ≈ 45,7 %. Alors que les temps primitifs présentaient une précision relative remarquable (inférieure à 6 %), la soustraction chronométrique propage une incertitude résiduelle tellement monumentale qu’elle rend l’estimation de l’étape cognitive extrêmement précaire. Cet écueil métrologique démontre les faiblesses inhérentes aux méthodes chronométriques soustractives naïves non couplées à des modèles de diffusion hiérarchiques.

10.3 Conséquences pour la modélisation en équations structurelles (SEM)

Dans la modélisation par équations structurelles (SEM – Structural Equation Modeling), la prise en compte de la propagation de l’erreur quitte l’arène des formules différentielles scalaires pour être directement intégrée au sein de la matrice de structure de covariance du modèle statistique. L’un des résultats les plus spectaculaires de l’analyse d’incertitude en régression multivariée est le phénomène d’atténuation par l’erreur de mesure, initialement modélisé par Charles Spearman en 1904.

Considérons deux variables latentes théoriques ξ et η reliées par une équation de structure linéaire η = β ξ + ζ, où β représente le véritable coefficient structural d’impact causal. Si ces construits sont mesurés empiriquement par des variables manifestes X et Y affectées d’erreurs de mesure stochastiques caractérisées par des coefficients de fidélité respectifs r_XX et r_YY, le coefficient de régression linéaire empirique observé b_YX s’avère systématiquement biaisé vers zéro :

b_YX = β · r_XX  (dans le cadre d’un modèle univarié standard)

Le coefficient de corrélation empirique observé subit une double atténuation :

r_XY = ρ_ξη · √( r_XX · r_YY )

La propagation des erreurs de mesure non modélisées agit comme un filtre dissipatif, écrasant la magnitude des relations causales estimées et gonflant artificiellement la variance résiduelle non expliquée. La modélisation SEM résout élégamment cette pathologie métrologique en scindant l’architecture en deux volets : le modèle de mesure (qui isole la variance d’erreur propre à chaque indicateur au sein d’une matrice thêta-delta ou thêta-epsilon) et le modèle structurel (qui opère les régressions causales directement sur les variables latentes purgées des erreurs de mesure propagées). Cette décomposition vectorielle permet de corriger le biais d’atténuation et de reconstituer les liens structuraux réels avec une rigueur statistique optimale.

11. Méthodes computationnelles modernes : simulations de Monte-Carlo et rééchantillonnage

11.1 Limites inhérentes aux méthodes analytiques classiques

Bien que la méthode différentielle du GUM fondée sur le développement en série de Taylor au premier ordre demeure la norme de référence dans l’industrie et la recherche conventionnelle, elle révèle des défaillances insurmontables face à de multiples architectures expérimentales modernes. Ces impasses analytiques surviennent principalement dans trois configurations méthodologiques :

• La non-linéarité sévère ou discontinue des fonctions de transfert : Lorsque la fonction de mesure présente des singularités, des points d’inflexion abrupts, des fonctions à seuil (telles que des fonctions d’activation neuronale ou des commutations logiques) ou des dérivées partielles indéfinies, le calcul analytique du gradient s’avère impossible ou privé de pertinence physique locale.
• L’asymétrie marquée des distributions d’entrée : La méthode différentielle classique repose implicitement sur l’hypothèse d’une préservation de la normalité symétrique. Or, de nombreuses grandeurs physiques ou psychologiques suivent des lois probabilistes structurellement asymétriques (lois log-normales, lois Gamma pour les temps de réponse, ou distributions de Poisson pour les taux de comptage). La propagation analytique au premier ordre est structurellement incapable d’estimer l’asymétrie (skewness) induite sur la grandeur finale.
• La haute dimensionnalité des modèles paramétriques : Lorsque le vecteur d’entrée comporte des dizaines ou des centaines de grandeurs interdépendantes au sein de systèmes différentiels couplés, le calcul formel des dérivées partielles et de la matrice de covariance géante devient algébriquement intraitable ou excessivement vulnérable aux erreurs d’arrondi numérique.

Face à ces restrictions structurelles, les instances internationales de métrologie ont promulgué le Supplément 1 du GUM (JCGM 101:2008), officialisant la transition vers des méthodologies numériques universelles fondées sur la propagation probabiliste par ordinateur.

11.2 Approche probabiliste par simulation de Monte-Carlo

L’approche par simulation de Monte-Carlo contourne totalement l’approximation différentielle en opérant une propagation empirique directe de la loi de probabilité intégrale des grandeurs d’entrée à travers le modèle computationnel déterministe. Le protocole stochastique se déroule selon une architecture algorithmique itérative précise :

Phase 1 : Assignation des densités de probabilité. Pour chaque grandeur d’entrée X_i, une fonction de densité de probabilité conjointe ou marginale p(X_i) est formellement spécifiée d’après les connaissances empiriques ou théoriques disponibles (par exemple, une distribution gaussienne pour une température thermorégulée, une distribution rectangulaire ou uniforme pour une tolérance de résolution d’appareil, une distribution en U pour un angle oscillant, etc.).

Phase 2 : Tirage pseudo-aléatoire multivarié. Un générateur de nombres pseudo-aléatoires de haute performance cryptographique génère une matrice d’échantillonnage de dimension M × n, où M représente le nombre total de trajectoires simulées (généralement M = 10⁵ à 10⁷ itérations) et n le nombre de grandeurs d’entrée. Chaque vecteur ligne x^(k) = [x₁^(k), x₂^(k), …, x_n^(k)] matérialise une réalisation physique possible de l’état simultané des paramètres.

Phase 3 : Évaluation fonctionnelle déterministe répétée. La fonction mathématique originale du modèle Y = f(X) — sans aucune linéarisation ni troncature de Taylor — est évaluée exactement pour chaque vecteur échantillonné, engendrant un vecteur de réalisations discrètes de la variable de sortie y^(k) = f(x^(k)) pour k = 1, …, M :

{ y⁽¹⁾, y⁽²⁾, …, y^(M) }

Phase 4 : Extraction statistique des descripteurs de sortie. La distribution numérique discrète ainsi obtenue constitue l’approximation de la densité de probabilité continue du mesurande. La moyenne empirique estimée ȳ_MC et l’incertitude-type standard propagée u(Y)_MC s’obtiennent par simple sommation statistique :

ȳ_MC = (1/M) ∑_k=1^M y^(k)

u(Y)_MC = √( (1 / (M – 1)) ∑_k=1^M (y^(k) – ȳ_MC)² )

L’avantage cardinal de cette méthode réside dans l’extraction des intervalles de couverture au centile (par exemple, les centiles 2,5 % et 97,5 % pour un intervalle de confiance à 95 %). Si la fonction est asymétrique, les bornes de confiance générées par Monte-Carlo épousent organiquement cette dissymétrie sans aucune distorsion gaussienne artificielle.

11.3 Méthodes de rééchantillonnage non paramétrique (Bootstrap)

Lorsque le chercheur ne dispose pas de modèles théoriques préexistants permettant d’assigner une loi paramétrique standardisée (telle qu’une loi normale, uniforme ou Student) aux distributions d’entrée, les méthodes de rééchantillonnage statistique non paramétrique, et singulièrement le Bootstrap formalisé par Bradley Efron en 1979, constituent la stratégie méthodologique ultime.

Le paradigme fondamental du bootstrap repose sur une analogie élégante : l’échantillon empirique observé constitue le meilleur guide possible de la population inobservable sous-jacente. Si une matrice d’observations de N mesures multivariées est disponible, le chercheur procède à un tirage stochastique avec remise de N lignes parmi les N données originelles, répétant ce processus B fois (typiquement B = 2000 à 10000 répétitions bootstrap). À chaque tirage b, l’estimateur composite complexe θ̂^*b = f(X^*b) est recalculé.

La variance empirique de cette collection de répliques bootstrap délivre l’estimation directe de la variance d’erreur propagée :

u_boot²(θ̂) = (1 / (B – 1)) ∑_b=1^B ( θ̂^*b – θ̄^* )²

Des corrections sophistiquées, telles que la méthode BCa (bias-corrected and accelerated bootstrap), permettent d’ajuster automatiquement les intervalles de confiance en tenant compte à la fois du décalage médian (biais d’asymétrie) et de l’accélération (taux de variation de l’erreur type en fonction de la valeur du paramètre). Cette approche offre une alternative robuste aux calculs matriciels de propagation dans les analyses de médiation psychologique, les modélisations d’équations différentielles complexes en neuro-imagerie ou les calibrages d’algorithmes d’apprentissage machine.

12. Bonnes pratiques méthodologiques pour la gestion et le rapport de la propagation d’erreur

12.1 Optimisation des protocoles expérimentaux en amont

L’étude approfondie de la théorie de la propagation des erreurs ne doit pas être appréhendée comme une simple thérapie mathématique a posteriori destinée à pallier des faiblesses d’échantillonnage : elle constitue avant tout un outil prédictif exceptionnel pour l’ingénierie et la conception de protocoles expérimentaux hautement performants.

En mobilisant l’analyse des dérivées partielles locales (c_i = ∂f / ∂X_i) avant même l’acquisition de la moindre donnée, l’expérimentateur peut mener une étude de sensibilité théorique prévisionnelle. Cette analyse identifie sans ambiguïté les composantes architecturales du modèle qui agiront comme des multiplicateurs d’erreur. Si une grandeur physique se trouve affublée d’un coefficient de sensibilité c_i = 15 au régime d’opération envisagé, le chercheur doit orienter prioritairement ses crédits d’équipement vers l’acquisition de capteurs de pointe ou vers la démultiplication des mesures moyennées sur ce paramètre spécifique, plutôt que de dissiper ses ressources à raffiner des variables secondaires dont le coefficient de sensibilité tend vers zéro.

De surcroît, le choix judicieux de l’espace de fonctionnement paramétrique permet fréquemment de court-circuiter les régimes de forte sensibilité. Par exemple, si la mesure dépend d’une relation trigonométrique en tangente Y = tan(θ), dont la dérivée ∂Y/∂θ = 1 / cos²(θ) diverge dramatiquement à l’approche de 90 degrés, la modification du design optique ou spatial pour maintenir l’angle de travail au voisinage de 0 degré (où cos(0) = 1 et la sensibilité est minimale) permet de réduire l’incertitude finale d’un facteur 10 à 100 sans modifier l’appareillage métrologique. Enfin, la standardisation stricte des consignes et la calibration environnementale limitent les covariances parasites non modélisées.

12.2 Standards académiques de rapportage des données quantitatives

La publication scientifique quantitative souffre trop souvent d’une hétérogénéité criante dans la restitution des marges d’incertitude, compromettant la reproductibilité des synthèses méta-analytiques. Le respect des standards internationaux impose la mise en œuvre de plusieurs règles impératives lors de la rédaction académique :

• Harmonisation syntaxique rigoureuse : Toute valeur composite rapportée doit comporter son estimation centrale, son incertitude combinée standard ou élargie, l’unité métrologique explicite et le facteur d’élargissement retenu. La syntaxe canonique recommandée s’énonce : Y = (valeur_centrale ± incertitude) [Unité], avec mention systématique de k = 1 (incertitude-type standard) ou k = 2 (intervalle de confiance élargi à environ 95 %).
• Règles de troncature et de concordance décimale : Comme explicité dans les directives du BIPM, l’incertitude numérique gouverne la précision du résultat. Le dernier chiffre significatif de la valeur centrale doit impérativement occuper la même position décimale que le dernier chiffre de l’incertitude énoncée. Rapporter une mesure sous la forme 12,4587 ± 0,3 mm constitue une aberration métrologique formelle, le millième et le dix-millième étant dépourvus de signification physique ; l’énoncé correct s’établit strictement à (12,5 ± 0,3) mm.
• Transparence des hypothèses matricielles : Les auteurs doivent expliciter sans ambiguïté si le calcul d’incertitude a supposé l’indépendance mutuelle stochastique des grandeurs (r_ij = 0) ou si une matrice de variance-covariance empirique complète a été mobilisée. Dans ce dernier cas, la matrice de corrélation doit être fournie dans le corps de l’article ou en annexe méthodologique ouverte.
• Ouverture des codes de calcul : Pour les propagations non linéaires opérées par développement de Taylor complexe, algorithmes d’optimisation ou simulations stochastiques de Monte-Carlo, le script informatique intégral doit être déposé sur des dépôts ouverts pérennes (tels que l’Open Science Framework ou GitHub) pour garantir une traçabilité computationnelle intégrale.

12.3 Guide décisionnel pour le chercheur en sciences empiriques

Afin d’orienter le chercheur ou le praticien confronté à la quantification d’une grandeur composite, l’algorithme méthodologique suivant synthétise la trajectoire analytique optimale à adopter :

Étape 1 : Analyse de la forme fonctionnelle f. La fonction est-elle strictement linéaire (sommes, différences pondérées) ?

— Si OUI : Appliquer directement la loi linéaire d’addition quadratique des variances. Si les mesures sont indépendantes, sommer ∑ a_i² u²(X_i). Si les mesures sont corrélées, calculer obligatoirement la covariance et appliquer l’équation matricielle c^T V c.

— Si NON : Passer à l’étape 2.

Étape 2 : Évaluation du régime de non-linéarité et des incertitudes relatives. Les incertitudes relatives sont-elles inférieures à 10 % ET la fonction est-elle continûment dérivable (sans extrema ni asymptotes proches) sur l’intervalle de confiance ?

— Si OUI : Utiliser la méthode analytique classique du premier ordre du GUM (développement en série de Taylor). Dériver formellement chaque coefficient de sensibilité c_i = ∂f / ∂X_i et appliquer la formule d’incertitude combinée standard.

— Si NON (forte non-linéarité, dérivées discontinues, incertitudes relatives massives supérieures à 15-20 %) : Passer à l’étape 3.

Étape 3 : Choix de l’approche computationnelle avancée. Des modèles paramétriques probabilistes rigoureux peuvent-ils être assignés aux variables d’entrée ?

— Si OUI : Déployer une simulation de Monte-Carlo conforme au Supplément 1 du GUM (JCGM 101:2008), avec au minimum 10⁵ à 10⁶ tirages pseudo-aléatoires, et extraire l’intervalle de couverture aux centiles direct.

— Si NON (données empiriques brutes sans lois a priori connues ou structure de dépendance complexe) : Mobiliser les méthodes de rééchantillonnage bootstrap non paramétrique (BCa) pour générer l’intervalle d’incertitude empirique.

En intégrant cette démarche rigoureuse au cœur de la pratique scientifique quotidienne, les chercheurs s’affranchissent des artefacts d’échantillonnage et restituent à la mesure son statut épistémologique fondamental : celui d’un savoir probabiliste rigoureusement quantifié, honnêtement circonscrit et universellement reproductible.

Références

• Bureau International des Poids et Mesures. (2008). Évaluation des données de mesure — Guide pour l’expression de l’incertitude de mesure (GUM 1995 avec des corrections mineures) (JCGM 100:2008). BIPM. https://www.bipm.org/en/committees/jc/jcgm/wg1/gum
• Joint Committee for Guides in Metrology. (2008). Evaluation of measurement data – Supplement 1 to the « Guide to the expression of uncertainty in measurement » – Propagation of distributions using a Monte Carlo method (JCGM 101:2008). BIPM. https://www.bipm.org/en/committees/jc/jcgm/wg1/supplements
• Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1-26. https://projecteuclid.org/journals/annals-of-statistics/volume-7/issue-1/Bootstrap-Methods-Another-Look-at-the-Jackknife/10.1214/aos/1176344552.full
• Gauss, C. F. (1823). Theoria combinationis observationum erroribus minimis obnoxiae. Dieterich. https://www.gutenberg.org/ebooks/40729
• Kline, R. B. (2023). Principles and practice of structural equation modeling (5e éd.). The Guilford Press. https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910
• Laplace, P.-S. (1812). Théorie analytique des probabilités. Courcier. https://gallica.bnf.fr/ark:/12148/bpt6k33707
• Lord, F. M., & Novick, M. R. (1968). Statistical theories of mental test scores. Addison-Wesley. https://academic.oup.com/book/26845
• Mosier, C. I. (1943). On the reliability of a weighted composite. Psychometrika, 8(3), 161-168. https://doi.org/10.1007/BF02288700
• Organisation internationale de normalisation. (2019). Grandeurs et unités — Partie 1: Généralités (ISO Norme n° 80000-1:2019). ISO. https://www.iso.org/standard/74245.html
• Taylor, J. R. (1997). An introduction to error analysis: The study of uncertainties in physical measurements (2e éd.). University Science Books. https://www.uscibooks.com/taylor2.htm