Références & outils
Présentation
Auteur(s)
-
Jean-Michel POU : Président Fondateur de la société Delta Mu
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleINTRODUCTION
Les résultats de mesure ne sont pas parfaits. Chaque mesure est entachée d’une erreur qu’il convient de savoir estimer. En effet, de nombreuses décisions sont directement fondées sur des résultats de mesure. Il est donc important de pouvoir maîtriser le doute que l’on a sur la valeur du mesurande caractérisé. L’incertitude que l’on associe alors à un résultat de mesure permet de fournir une indication quantitative sur la qualité de ce résultat. Cette information est essentielle pour estimer la fiabilité d’un résultat de mesure.
L'expertise technique et scientifique de référence
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Qualité et sécurité au laboratoire
(139 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Simuler2. Comprendre la méthode proposée par le GUM S1
C’est probablement pour répondre à la question de la « forme » de la loi de probabilité que le WG1 a jugé utile de proposer une autre alternative à la loi de propagation des incertitudes. Le GUM S1 (supplément 1 du GUM, référencé par le WG1 « JCGM 101 : 2008 », rapidement devenu la norme ISO/IEC Guide 98-3 S1) explique ainsi comment procéder pour déterminer cette loi. Il s’appuie sur la simulation numérique, dite parfois « simulation de Monte-Carlo ».
L’idée est simplissime (de premier abord). Il s’agit de simuler des valeurs possibles, sachant leurs lois de probabilité, des données d’entrée, puis de calculer, suivant le modèle mathématique ou l’algorithme, la valeur de Y correspondante. Chaque simulation impose donc de :
-
simuler un vecteur de valeurs (
) possibles eu égard à leurs incertitudes respectives ;
-
calculer la valeur de Y correspondant à ce vecteur ;
-
observer la distribution (histogramme) des valeurs Y obtenues lors de chaque simulation ;
-
analyser la distribution des résultats pour en extraire des informations pertinentes.
Cette méthode proposée par le GUM S1 ne pose donc aucune difficulté formelle dès lors que nous disposons de moyens de simulation, ce qui est le cas de la très grande majorité d’entre nous en ce début de XXIe siècle. En effet, un logiciel tel qu’Excel met à disposition un simulateur suffisant dans le cadre de l’estimation des incertitudes. On a pu lire tel ou tel argument laissant entendre qu’il faudrait des logiciels plus spécialisés. Rappelons simplement que nous évaluons des incertitudes et que nous nous contentons souvent de quelques dizaines de valeurs pour estimer des écarts-types de type A. Par simulation en revanche, on peut obtenir des centaines, des milliers, voire des dizaines de milliers de simulations avec des temps de calcul parfois ridicules. Comparaison n’est pas raison, convenons-en, mais là…
Par ailleurs, le simulateur...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Qualité et sécurité au laboratoire
(139 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Comprendre la méthode proposée par le GUM S1
-
Covariance evaluation by means of uncertainty assessment , DUBOIS (C.), LEBLOND (L.), POU (J.M.) et FERRERO (A.), in IEEE Instrumentation & Measurement Magazine, vol. 19, no. 6, pp. 12-18, décembre 2016
-
JCGM 100:2008(F) – Évaluation des données de mesure – Guide pour l’expression de l’incertitude de mesure. Téléchargeable gratuitement et en français
-
JCGM 101:2008 – Evaluation of measurement data – Supplement 1 to the “Guide to the expression of uncertainty in measurement “- Propagation of distributions using a Monte-Carlo Method. Téléchargeable gratuitement et en français
-
JCGM 200:2012 – Vocabulaire international de métrologie – Concepts fondamentaux et généraux et termes associés (VIM) 3e édition
-
FD X07-023 – Métrologie – Évaluation de l’incertitude de mesure par la méthode Monte-Carlo – Principes et mise en œuvre du supplément 1 au GUM, mai 2012
-
Outil
Simulateur d’une loi empirique (Outil
...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Qualité et sécurité au laboratoire
(139 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Des modules pratiques
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
