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.
Avant 2008, pour estimer les incertitudes de mesure, une seule technique était à notre disposition : le GUM, basé sur la propagation des variances. Aujourd’hui, la technique de Monte-Carlo complète le GUM sous la forme d’un supplément 1. Cette technique n’est pas très complexe à mettre en place et reprend les grandes étapes du GUM.
Le GUM est en pleine évolution, la prochaine révision va complexifier l’application de celui-ci. De ce fait, la technique d’évaluation d’incertitudes par Monte-Carlo prend de plus en plus d’importance et pourrait devenir la méthode de référence.
Étapes :
Débutez par un exemple simple Pour débuter avec la simulation numérique, il est conseillé de travailler l’exemple simple (cf. GUM-S1_Exo-R) en jouant sur le nombre de tirages, de changer les distributions (loi uniforme par exemple) et de comparer les résultats avec le GUM. A noter La générat...
Ne négligez pas l’évaluation des causes d’incertitude La simulation numérique ne remplace pas la réflexion sur les causes d’incertitude et leur loi de probabilité. En simulant des événements qui ne sont pas représentatifs de la réalité, on n’obtient pas une évaluation correcte de l’incertitude. Il ...
