Calcul incertitude dosage chimie ln et dérivé
Calculez rapidement l’incertitude propagée pour un logarithme naturel simple ou pour une loi d’étalonnage du type y = a·ln(C) + b, avec visualisation graphique des contributions.
Guide expert du calcul d’incertitude en dosage chimique avec ln et dérivées
Le calcul d’incertitude en chimie analytique ne se limite pas à une simple addition d’erreurs. Dès qu’une grandeur mesurée est transformée par une fonction non linéaire, comme le logarithme naturel ln, la bonne pratique consiste à propager l’incertitude à l’aide des dérivées partielles. C’est exactement le cas dans de nombreuses méthodes de dosage, notamment lorsque l’on exploite une relation logarithmique, un modèle cinétique linéarisé ou une courbe d’étalonnage où le signal analytique dépend de ln(C). Cette page vous fournit à la fois un calculateur opérationnel et une méthode rigoureuse pour comprendre, justifier et documenter vos résultats.
En métrologie chimique, l’incertitude-type d’une grandeur de sortie dépend de la sensibilité de cette grandeur à chaque variable d’entrée. Cette sensibilité est donnée par la dérivée. Pour la fonction simple y = ln(x), la dérivée vaut 1/x. Cela signifie que l’incertitude sur y diminue quand x augmente, à incertitude absolue u(x) constante. En d’autres termes, la transformation logarithmique convertit une incertitude absolue sur x en une incertitude relative sur y. C’est une idée fondamentale, car elle explique pourquoi les grandeurs logarithmiques sont souvent plus stables pour comparer des concentrations sur plusieurs ordres de grandeur.
1. Formule de base pour y = ln(x)
Si vous mesurez une grandeur positive x avec une incertitude-type u(x), alors, au premier ordre, l’incertitude propagée sur y = ln(x) s’écrit :
- y = ln(x)
- u(y) = |dy/dx| · u(x) = (1/x) · u(x)
- u(y) = u(x) / x
Cette relation montre immédiatement que ln est très sensible aux petites valeurs de x. Si x devient faible, 1/x devient grand, et donc la moindre fluctuation sur x amplifie l’incertitude sur ln(x). C’est pourquoi il faut être particulièrement vigilant lorsque les mesures sont proches de zéro, même si elles restent mathématiquement positives.
2. Application au dosage chimique avec relation logarithmique
Dans certains protocoles, la concentration C n’est pas obtenue directement. On mesure un signal y, puis on utilise une loi d’étalonnage du type :
y = a · ln(C) + b
Pour retrouver la concentration, on inverse la relation :
C = exp((y – b) / a)
C’est ici que la propagation par dérivées prend toute son importance. La concentration calculée dépend de trois variables d’entrée : y, a et b. Les dérivées partielles sont :
- ∂C/∂y = C / a
- ∂C/∂a = -C · (y – b) / a²
- ∂C/∂b = -C / a
Si les grandeurs d’entrée sont supposées indépendantes, l’incertitude-type combinée est :
u(C) = √[(∂C/∂y · u(y))² + (∂C/∂a · u(a))² + (∂C/∂b · u(b))²]
Le calculateur ci-dessus applique exactement cette formule. Vous obtenez la concentration estimée, l’incertitude-type combinée, l’incertitude élargie U = k·u(C), ainsi que l’incertitude relative en pourcentage.
3. Pourquoi la dérivée est indispensable
Beaucoup d’étudiants et même certains laboratoires débutants commettent une erreur courante : ils traitent une fonction non linéaire comme si elle était linéaire. Or, dans un dosage impliquant ln, la sensibilité de la concentration à une petite variation de y, de a ou de b n’est pas constante. Cette sensibilité change selon le point de fonctionnement. La dérivée quantifie localement cette variation. Sans elle, il est impossible de donner une incertitude fiable et traçable.
La méthode par dérivées repose sur une approximation de premier ordre, très utilisée dans le cadre du Guide to the Expression of Uncertainty in Measurement. Elle est parfaitement adaptée lorsque les incertitudes relatives restent modérées et que la fonction est suffisamment régulière au voisinage de la valeur mesurée. En dosage chimique, c’est la situation la plus fréquente lorsque l’étalonnage est maîtrisé et que les répétitions expérimentales sont cohérentes.
4. Exemple pratique complet
Supposons qu’un instrument fournisse un signal moyen y = 1,85 avec une incertitude-type u(y) = 0,03. La courbe d’étalonnage ajustée est y = 0,72·ln(C) + 0,15, avec u(a) = 0,02 et u(b) = 0,01. On calcule :
- C = exp((1,85 – 0,15)/0,72)
- C ≈ exp(2,3611)
- C ≈ 10,60
Ensuite, on évalue les dérivées partielles au point calculé :
- ∂C/∂y ≈ C/a ≈ 14,72
- ∂C/∂a ≈ -C(y-b)/a² ≈ -34,74
- ∂C/∂b ≈ -C/a ≈ -14,72
Les contributions absolues associées sont alors approximativement :
- Due à y : 14,72 × 0,03 ≈ 0,44
- Due à a : 34,74 × 0,02 ≈ 0,69
- Due à b : 14,72 × 0,01 ≈ 0,15
On en déduit une incertitude-type combinée proche de 0,83, soit une incertitude relative d’environ 7,8 %. Dans cet exemple, la pente a est la principale source d’incertitude. Ce constat est très utile d’un point de vue pratique, car il indique que l’amélioration du protocole doit d’abord viser la qualité de l’étalonnage plutôt que le bruit instantané de la mesure y.
5. Comment interpréter l’incertitude élargie
L’incertitude-type u(C) correspond à une dispersion équivalente à environ un écart-type si le modèle est bien fondé. Pour communiquer un résultat analytique en laboratoire, on utilise souvent l’incertitude élargie :
U = k · u(C)
Avec k = 2, on obtient généralement un niveau de confiance proche de 95 % dans de nombreuses situations usuelles. Le résultat s’écrit alors sous la forme :
C = 10,60 ± 1,66 mg/L (k = 2)
Cette écriture est beaucoup plus informative qu’un simple nombre, car elle traduit explicitement la qualité métrologique du dosage.
6. Tableau comparatif des sensibilités pour ln(x)
Le comportement de la fonction logarithme est très instructif. Le tableau suivant illustre la sensibilité théorique de ln(x) à différentes valeurs de x, pour une même incertitude absolue u(x) = 0,02.
| Valeur x | Dérivée 1/x | u(x) | u(ln x) = u(x)/x | Incertitude relative correspondante |
|---|---|---|---|---|
| 0,50 | 2,000 | 0,02 | 0,040 | 4,0 % |
| 1,00 | 1,000 | 0,02 | 0,020 | 2,0 % |
| 5,00 | 0,200 | 0,02 | 0,004 | 0,4 % |
| 10,00 | 0,100 | 0,02 | 0,002 | 0,2 % |
Ce tableau met en évidence une propriété majeure : à incertitude absolue constante, la transformation logarithmique devient progressivement moins sensible quand la grandeur augmente. C’est une des raisons pour lesquelles les modèles logarithmiques sont particulièrement intéressants lorsque les concentrations couvrent un large domaine.
7. Données de tolérance volumétrique utiles au budget d’incertitude
Dans un dosage réel, la source d’incertitude ne provient pas uniquement du modèle ln. La préparation de solution, les verreries jaugées et les dispositifs de délivrance jouent souvent un rôle déterminant. Les tolérances nominales ci-dessous sont couramment utilisées comme point de départ pour un budget d’incertitude expérimental.
| Matériel volumétrique | Capacité nominale | Tolérance typique classe A | Incertitude relative approximative | Impact fréquent en dosage |
|---|---|---|---|---|
| Pipette jaugée | 10 mL | ±0,02 mL | 0,20 % | Aliquot d’échantillon ou d’étalon |
| Burette | 50 mL | ±0,05 mL | 0,10 % sur pleine échelle | Titrage volumétrique |
| Fiole jaugée | 100 mL | ±0,08 mL | 0,08 % | Dilution et préparation d’étalons |
| Fiole jaugée | 1000 mL | ±0,30 mL | 0,03 % | Solutions mères et tampons |
Ces valeurs montrent qu’en laboratoire bien équipé, l’incertitude volumétrique peut être très faible en relatif. En revanche, si le modèle logarithmique est mal ajusté ou si la pente a une incertitude notable, l’incertitude de calibration peut devenir dominante. C’est précisément ce que visualise le graphique du calculateur : il vous aide à identifier la contribution qui pèse le plus dans votre résultat final.
8. Erreurs fréquentes dans le calcul d’incertitude ln et dérivé
- Utiliser ln sur une valeur nulle ou négative : mathématiquement impossible. Vérifiez l’étape de blanc et les corrections de fond.
- Confondre écart-type et incertitude élargie : u et U ne sont pas interchangeables.
- Négliger l’incertitude des paramètres d’étalonnage : la pente et l’ordonnée à l’origine peuvent dominer le budget.
- Faire une propagation linéaire sans dérivée : cela conduit souvent à une sous-estimation ou une surestimation.
- Oublier les corrélations : si a et b proviennent du même ajustement, ils peuvent être corrélés. Le calculateur présenté ici adopte l’hypothèse simplificatrice d’indépendance.
9. Bonnes pratiques pour un rapport de laboratoire
- Écrire explicitement le modèle mathématique utilisé : y = ln(x) ou y = a·ln(C) + b.
- Préciser l’origine de chaque incertitude-type : répétabilité, calibration, verrerie, résolution instrumentale.
- Donner les dérivées partielles et l’expression complète de propagation.
- Présenter l’incertitude-type combinée puis l’incertitude élargie avec le facteur k.
- Conclure par un résultat complet avec unité et conditions de calcul.
10. Quand faut-il aller au-delà de la méthode par dérivées ?
La méthode par dérivées est excellente dans la majorité des cas académiques et de routine. Cependant, si les incertitudes sont très grandes, si le modèle est fortement non linéaire sur l’intervalle considéré, ou si les paramètres d’entrée sont corrélés de manière significative, une propagation par simulation de Monte Carlo peut être préférable. Cette approche permet d’échantillonner les distributions d’entrée, de reconstruire la distribution de sortie et d’estimer des intervalles de confiance plus fidèles. Dans les laboratoires avancés ou dans les validations réglementaires, cette démarche complète utilement la propagation analytique.
11. Références d’autorité pour approfondir
Pour consolider vos calculs avec des sources institutionnelles et universitaires, consultez les références suivantes :
- NIST.gov – Guidelines for Evaluating and Expressing the Uncertainty of NIST Measurement Results
- NIST.gov – Introduction to Uncertainty in Measurement
- LibreTexts.org – Propagation of Uncertainty in Analytical Chemistry
12. À retenir
Le calcul d’incertitude en dosage chimique avec ln et dérivées repose sur une idée simple mais essentielle : la transformation d’une mesure change sa sensibilité aux erreurs. Pour ln(x), l’incertitude propagée vaut u(x)/x. Pour une courbe d’étalonnage de type y = a·ln(C) + b, il faut revenir à C = exp((y – b)/a) puis appliquer les dérivées partielles à y, a et b. C’est cette démarche qui permet de produire un résultat analytiquement correct, défendable dans un compte rendu de TP, un rapport qualité ou une validation de méthode.
Si vous utilisez régulièrement ce type de relation, l’enjeu n’est pas seulement d’obtenir une valeur de concentration, mais de savoir quelle variable commande réellement l’incertitude finale. En pratique, cette information est précieuse : elle indique où concentrer les efforts d’amélioration, qu’il s’agisse de la répétabilité du signal, de la qualité de l’étalonnage, ou de la maîtrise des étapes volumétriques. Un bon calcul d’incertitude n’est donc pas un simple exercice de mathématiques, c’est un outil de décision analytique.