Le processus de quantification de la confiance ou de l'erreur associée à une mesure ou à la prédiction d'un modèle.L'estimation de l'incertitude est le processus qui consiste à quantifier le degré de confiance que l'on peut accorder à une mesure ou à la prédiction d'un modèle. En physique, toute mesure comporte une certaine part d'erreur—qu'elle provienne des limites de l'instrument, du bruit environnemental ou des limites quantiques fondamentales—et l'estimation de l'incertitude offre un moyen formel d'exprimer cette erreur. Pour les modèles, elle répond à la question : « Dans quelle mesure puis-je me fier à cette prédiction ? » C'est essentiel dans des domaines allant de la climatologie à la physique des particules, où les décisions reposent sur des prédictions entachées d'une incertitude inhérente.
Le traitement formel de l'incertitude de mesure a débuté au XVIIIe siècle avec les travaux de Carl Friedrich Gauss sur la méthode des moindres carrés. Au XXe siècle, le développement des statistiques bayésiennes par Thomas Bayes (publié à titre posthume en 1763) puis par Pierre-Simon Laplace a fourni un cadre rigoureux pour combiner les connaissances a priori avec les données. La norme moderne pour exprimer l'incertitude de mesure a été établie en 1993 avec le Guide ISO pour l'expression de l'incertitude de mesure.
L'estimation de l'incertitude fait généralement appel à des méthodes statistiques. Pour les mesures, des essais répétés fournissent une moyenne et un écart type, qui quantifient l'erreur aléatoire ; les erreurs systématiques sont estimées par calibrage. Pour les modèles, des techniques comme l'inférence bayésienne attribuent des distributions de probabilité aux paramètres du modèle, et les simulations de Monte Carlo propagent ces incertitudes à travers le modèle pour produire un intervalle de confiance sur la sortie. En apprentissage automatique, des méthodes comme l'abandon (dropout) ou la moyenne d'ensemble fournissent des estimations d'incertitude pour les prédictions des réseaux de neurones.
Utilisée en imagerie médicale (par exemple, pour diagnostiquer un cancer du sein à partir d'ombres sur des radiographies), en modélisation climatique pour prédire les éruptions solaires avec des intervalles de confiance, et en physique des particules pour rapporter la significativité de nouvelles découvertes.
La découverte du boson de Higgs en 2012 n'a été annoncée qu'après que l'incertitude de la mesure a été réduite à un niveau de 5 sigma, ce qui signifie qu'il y avait moins d'une chance sur 3,5 millions que le signal soit un artefact statistique.


