Comment lancer une comparaison 01 Choisissez un préréglage ou saisissez un modèle. Les préréglages incluent y = x², x₁·x₂ et le pendule, donc les échecs intéressants sont à un clic. 02 Donnez une distribution à chaque entrée. Normale, rectangulaire, triangulaire, t mise à l’échelle et décalée, log-normale ou arc sinus, avec ν lorsqu’il est connu. 03 Réglez M, la graine et la couverture. Le défaut est 100 000 essais, graine 20250101 et 95 %. 04 Lisez les deux lignes. y, u(y), l’intervalle symétrique et les écarts §8 ; le texte du verdict explique comment les interpréter. 05 Décidez quoi rapporter. Quand les écarts d’extrémités restent dans la tolérance, citez le résultat du premier ordre ; quand ils la dépassent, citez Monte-Carlo.
Exemple chiffré Graine 20250101, M = 100 000, couverture 95 % ; δ est la tolérance numérique §8 sur l’incertitude-type.
Modèle
u(y) GUM
u(y) MC
Intervalle MC à 95 %
Écarts d’extrémités vs δ = 5.00e-2
Verdict
x^2, x ~ N(0, 1)
0
1,41508161
[0,00092727, 5,05221926]
9,27e-4 / 5,05 — accord : non
non linéaire : utiliser MC (asymétrie 2,7978 )
x1 * x2, N(10, 1), N(5, 0,5)
7,07106781
7,0995449
[36,9247005, 64,60907171]
7,84e-1 / 7,50e-1 — non résolu à ce M
augmenter M
x1 + x2 + x3 + x4, quatre N(0, 1)
2
2,00529595
[−3,90620878, 3,96027218]
1,37e-2 / 4,03e-2 — dans δ
premier ordre validé
Le préréglage du carré est l’échec le plus net de toute la section sciences : à x = 0, la dérivée 2x s’annule, donc la ligne GUM lit u = 0 et un intervalle de largeur nulle, alors que la vraie distribution est de type χ² avec une moyenne 1,00083028 , une incertitude-type 1,41508161 et un intervalle à 95 % allant de 0,00092727 à 5,05221926 . Monte-Carlo reconnaît aussi la forme : asymétrie 2,7978 , et un intervalle le plus court [0 , 3,84543713 ] bien plus serré que le symétrique.
Le test §8 et ce qu’il exige Le JCGM 101 §8 fixe une tolérance numérique δ = ½·10^l, où u(y) = c·10^l avec c entier du nombre de chiffres choisi — 5,00e-2 pour ces exemples. Le résultat du premier ordre n’est validé que si les deux extrémités de l’intervalle diffèrent des extrémités Monte-Carlo d’au plus δ. Deux conditions doivent tenir pour que cette comparaison signifie quelque chose : le bruit Monte-Carlo doit être petit devant δ, et les intervalles doivent être du même type. L’onglet indique aussi si la comparaison est résolue — ce qui exige δ ≥ 3× le bruit d’échantillonnage u(y)/√M —, car à petit M le verdict bascule au hasard au lieu de mesurer la non-linéarité. Le préréglage du carré reste résolu de M = 10⁴ à 10⁶ tout en échouant à chaque fois à l’accord ; l’u du préréglage du produit ne diffère de la valeur GUM que de 0,4011 % de la valeur Monte-Carlo (l’onglet mesure l’écart par rapport à u_MC), mais son verdict à M = 100 000 est non résolu , car les écarts d’extrémités (0,784 et 0,750 ) écrasent δ et le bruit (2,25e-2 ) est trop grand pour une décision nette.
Limites et ce qu’il ne fait pas
Monte-Carlo ne vaut que par les distributions d’entrée. Une distribution rectangulaire n’est pas une normale de même σ, et l’intervalle de couverture change de forme en conséquence — voir les quatre entrées uniformes, dont l’intervalle [−3,86488045, 3,90530028] est plus étroit que le ±3,92 du cas normal à même u.
Le modèle doit être une expression typée. Les corrélations entrent comme une matrice saisie explicitement ; une mesure dont les entrées partagent une dérive sans corrélation enregistrée est silencieusement optimiste.
Le piège : une minuscule différence de u n’est pas un succès Les incertitudes-types du préréglage du produit ne diffèrent que de 0,4011 % de la valeur Monte-Carlo — assez peu pour ressembler à un accord —, mais le contrôle §8 compare des intervalles, pas u, et échoue. À l’inverse, un accord peut être le hasard d’un M favorable : avant de citer un verdict validé, lisez la ligne de résolution. Le troisième piège vit dans le zéro du préréglage du carré : u = 0 n’est pas une affirmation forte, c’est la linéarisation qui signale une pente plate au point d’évaluation, ce qui ne dit rien de la dispersion à 1,4 unité de là.
Où il sert Rapports d’étalonnage et d’essai Un rapport qui cite une incertitude linéarisée pour un modèle courbe peut se tromper au deuxième chiffre. Exécuter les deux méthodes et joindre le verdict §8 rend le choix du résultat auditable.
Enseigner pourquoi les dérivées ne suffisent pas Les préréglages du carré et du produit sont assez petits pour un calcul à la main : l’un montre une dérivée qui s’annule, l’autre le terme u₁²u₂² manquant. Ils transforment « utiliser Monte-Carlo » d’un slogan en un échec démontré.
Confidentialité L’analyse, l’échantillonnage et la comparaison s’exécutent dans votre navigateur avec un générateur à graine ; le modèle et les entrées ne sont jamais envoyés.
Références
BIPM JCGM, JCGM 100:2008 — la méthode GUM du premier ordre. bipm.org (访问日期:2026-10-07)
BIPM JCGM, JCGM 101:2008 — propagation Monte-Carlo, §7.9 tolérance et §8 validation. bipm.org (访问日期:2026-10-07)
NIST, Technical Note 1297 — évaluer et exprimer l’incertitude. nist.gov (访问日期:2026-10-07)
Wikipedia, Propagation of uncertainty — la linéarisation et son échec. en.wikipedia.org (访问日期:2026-10-07)
Wikipedia, Monte Carlo method — échantillonner à travers un modèle. en.wikipedia.org (访问日期:2026-10-07)
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
Updated 2026-10-07