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
Observer : construire un histogramme3. Simuler
Sur un logiciel comme Excel, la phase de simulation est très simple, notamment si l’on n’utilise pas, ni de variables corrélées, ni de lois empiriques. Dans ces deux derniers cas en effet, il faut coder en VBA pour pouvoir obtenir des valeurs simulées respectant ces propriétés. Dans les cas les plus simples, lorsqu’il s’agit d’utiliser des lois de probabilité connues d’Excel (ou facilement programmables, cf. Étape « Comprendre la méthode proposée par le GUM S1 »), la simulation est accessible immédiatement. Évidemment, il est nécessaire de connaître le modèle d’intérêt (qui peut nécessiter de la programmation VBA s’il s’agit d’un algorithme) et les paramètres des données d’entrée (lois de probabilité et leurs paramètres, c’est-à-dire moyenne et écart-type ou bornes inférieure et supérieure des variations suivant le type de loi).
Comme nous l’avons indiqué ci-dessus, on simule des valeurs possibles pour chaque donnée d’entrée xi puis on calcule la résultante y via le modèle d’intérêt. On obtient alors autant de valeurs possibles pour la grandeur d’intérêt que de simulations, et ces valeurs possibles sont traitées comme indiqué en suivant.
3.1 Le nombre de simulations
La question du nombre de simulations ne se pose de nos jours que pour les calculs qui nécessitent un temps de calcul important, ce qui reste des cas rares. Quoi qu’il en soit, le nombre de simulations doit permettre d’atteindre la stabilité des paramètres recherchés, c’est-à-dire, soit l’écart-type de la série de simulations, soit les bornes d’un intervalle de confiance (cf. Étape « Définir un intervalle de confiance »).
Il n’y a pas de règle d’or pour définir ce que serait la « stabilité » recherchée. Mais il faut garder à l’esprit que les estimations d’incertitude suivant les préconisations du GUM ne sont que des estimations. Des ordres de grandeur de quelques pourcents (autour de 5 % par exemple) sont souvent largement suffisants.
HAUT DE PAGE3.2 Les coefficients de sensibilité
Dans le cadre de la loi de propagation du GUM, les coefficients de...
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
Simuler
-
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
