Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

desenfant incertitude simulations monte carlo

ÉVALUATION DE L ? INCERTITUDE EN UTILISANT LES SIMULATIONS DE MONTE CARLO M Désenfant N Fischer B Blanquart N Bédiat Laboratoire national de métrologie et d ? essais LNE Centre Technique des Industries Aérauliques et Thermiques CETIAT Résumé Le premier supplément du GUM traitant de l ? évaluation de l ? incertitude par propagation des distributions doit para? tre en Ce supplément qui utilise la méthode numérique de Monte Carlo permet de traiter les cas o? toutes les hypothèses de la loi de propagation des variances méthode LPU et les concepts associés ne sont pas véri ?és Nous exposons les di ?érentes étapes de la méthode de Monte Carlo MCM ainsi que ses avantages Pour illustrer cette technique nous présentons deux exemples appliqués à la métrologie et aux essais en mettant en parallèle la propagation des variances et la propagation des distributions Abstract The supplement to the GUM dealing with the evaluation of uncertainty using the propagation of distributions will be published this year This supplement based on a Monte Carlo method MCM allows one to deal with the evaluation of uncertainty even when the hypotheses of the law of propagation of uncertainty LPU are not veri ?ed We describe the di ?erent steps of the MCM and its advantages Then to illustrate the method we present two examples in the ?elds of metrology and testing and we compare the results given by both methods Introduction Le guide pour l'expression de l'incertitude de mesure GUM s'appuie sur la loi de propagation des variances LPU pour le calcul de l'incertitude-type composée Celle-ci est estimée à partir d'un développement de Taylor appliqué au modèle du processus de mesure le calcul requiert donc la validité d'un certain nombre d'hypothèses mathématiques En premier lieu le modèle ne doit pas présenter de non-linéarité signi ?cative Les dispersions observées doivent être faibles pour chacune des variables du processus de mesure comparables du point de vue de leur ordre de grandeur et doivent présenter des distributions symétriques En ?n la distribution de la grandeur de sortie du modèle doit présenter un pro ?l gaussien pour pouvoir calculer et interpréter aisément la valeur du facteur d ? élargissement k D'un point de vue strictement opérationnel l'application de la loi de propagation de l ? incertitude nécessite la dérivation du modèle du processus de mesure par rapport à chacune de ses variables a ?n d'en estimer les coe ?cients de sensibilité Outre les hypothèses mathématiques de dérivabilité du modèle son application peut se révéler délicate dans un contexte industriel Elle peut constituer un frein à l'avancement du calcul et une source d'erreur potentielle Une alternative à ce calcul est aujourd'hui décrite dans le premier supplément du GUM à para? tre en Le métrologue se voit proposé d'utiliser les outils de simulation numérique et en particulier la méthode de Monte Carlo pour propager non pas uniquement deux statistiques moyenne et variance mais les distributions de variables décrivant le processus de mesure A titre d'illustration les deux méthodes d'estimation de l'incertitude-type