Propagation des distributions - Détermination des incertitudes par la méthode de Monte Carlo

Le supplément 1 [JCGM 101:2008] du guide pour l'expression des incertitudes de mesure de 2008 complète le GUM (Guide to the expression of uncertainty in measurement) [JCGM 100:2008] en proposant une nouvelle approche pour l'estimation des incertitudes de mesure. Il concerne la propagation des distributions des variables (paramètres) d'entrée à travers un modèle mathématique du processus de mesure. C'est une alternative pratique du GUM lorsque celui-ci n'est pas facilement applicable, par exemple, si la propagation sur la base du développement de Taylor au premier ordre n'est pas satisfaisante (linéarisation du modèle inadéquate) ou si la fonction de densité de probabilité pour la grandeur de sortie s'écarte sensiblement d'une distribution gaussienne (conduisant à des intervalles de confiance irréalistes). Il fournit donc une approche générale numérique qui est compatible avec l'ensemble des principes généraux du GUM. L'approche s'applique aux modèles ayant une grandeur de sortie unique. Le supplément 2 de 2011 [JCGM 102:2011], non traité ici, est une extension à un nombre quelconque de grandeurs de sortie. Après avoir rappelé le principe de l'estimation des incertitudes par la méthode analytique et les inconvénients de celle-ci, l'article expose le principe de la méthode de Monte Carlo en comparaison avec la méthode analytique. Les contraintes et les inconvénients de cette méthode numérique sont également exposés. Le document est basé sur un maximum d'exemples pour donner accès à cette technique au plus grand nombre de personnes