Curso de incertidumbre de medida

Clase 1 • Conceptos centrales en la ciencia de la medición

Introduce los mensurandos, las escalas de medición y el proceso de medición. Establece el vocabulario utilizado a lo largo del curso.

Clase 2 • Distinción entre error e incertidumbre

Clarifica la diferencia conceptual entre el error de medición y la incertidumbre. Previene la confusión más común en la práctica metrológica.

Clase 3 • Fuentes de incertidumbre de medición

Cataloga las principales fuentes que contribuyen a la incertidumbre en cualquier medición. Prepara a los estudiantes para identificar fuentes en sus propios sistemas de medición.

Clase 1 • Correlación y covarianza en las mediciones

Aborda cómo las magnitudes de entrada correlacionadas afectan la incertidumbre combinada. Los estudiantes reconocen cuándo se violan los supuestos de independencia.

Clase 2 • Intervalos de confianza y cobertura

Explica cómo se relacionan los intervalos de confianza con los intervalos de incertidumbre. Los estudiantes calculan intervalos para resultados de medición con distribución normal.

Clase 3 • Distribuciones de probabilidad en metrología

Cubre las distribuciones asignadas más comúnmente a las fuentes de incertidumbre. Vincula la forma de la distribución con el conocimiento físico sobre cada fuente.

Clase 1 • Estimaciones Tipo A agrupadas y combinadas

Extiende la evaluación Tipo A a situaciones con múltiples conjuntos de datos o series de medición. Los estudiantes agrupan varianzas para mejorar los grados de libertad.

Clase 2 • Validación de los resultados Tipo A

Aplica pruebas estadísticas para verificar que las estimaciones Tipo A sean confiables. Los estudiantes utilizan gráficos de control y pruebas de normalidad para verificar los supuestos.

Clase 3 • Cálculo de la incertidumbre estándar Tipo A

Recorre paso a paso el cálculo de la incertidumbre estándar a partir de una serie de datos. Refuerza el vínculo entre la desviación estándar y la incertidumbre estándar.

Clase 1 • Documentación y justificación de las estimaciones Tipo B

Establece las mejores prácticas para registrar la base de cada componente Tipo B. Asegura la trazabilidad y auditabilidad de los presupuestos de incertidumbre.

Clase 2 • Conversión de límites a incertidumbre estándar

Enseña la conversión de límites establecidos en incertidumbres estándar utilizando distribuciones supuestas. Cubre las fórmulas de conversión más comunes.

Clase 3 • Fuentes de información para la evaluación Tipo B

Identifica los documentos y las bases de conocimiento utilizados en el análisis Tipo B. Los estudiantes aprenden a extraer datos cuantitativos de incertidumbre de cada tipo de fuente.

Clase 4 • Contribuciones ambientales y de magnitudes de influencia

Cuantifica la incertidumbre por temperatura, humedad y otros factores ambientales. Los estudiantes usan coeficientes de sensibilidad para convertir los efectos de las influencias.

Clase 1 • Principios de propagación de la incertidumbre

Introduce la ley matemática que rige cómo se combinan las incertidumbres a través de un modelo de medición. Establece el rol de los coeficientes de sensibilidad.

Clase 2 • Cálculo de la incertidumbre estándar combinada

Aplica la fórmula de propagación para calcular la incertidumbre estándar combinada para modelos aditivos y multiplicativos. Incluye ejemplos resueltos.

Clase 3 • Incertidumbre expandida y factor de cobertura

Convierte la incertidumbre estándar combinada en incertidumbre expandida usando un factor de cobertura. Los estudiantes seleccionan k según el nivel de confianza y los grados de libertad.

Clase 4 • Contribuciones de incertidumbre dominantes

Enseña el análisis de contribución de la varianza para identificar los mayores impulsores de la incertidumbre. Los estudiantes priorizan los esfuerzos de mejora según los porcentajes de contribución.

Clase 1 • Declaraciones de incertidumbre en los informes

Enseña los elementos requeridos de una declaración de incertidumbre conforme en un informe de ensayo o calibración. Los estudiantes redactan y critican declaraciones de ejemplo.

Clase 2 • Documentación del modelo de medición

Requiere que los estudiantes escriban ecuaciones de medición explícitas para sus presupuestos. Vincula el modelo con cada componente de incertidumbre en la tabla.

Clase 3 • Expresión y redondeo de resultados

Cubre las reglas de redondeo y cifras significativas en las declaraciones de incertidumbre. Asegura que los resultados se expresen con la precisión adecuada.

Clase 1 • Principios de trazabilidad metrológica

Define la trazabilidad como una cadena ininterrumpida de comparaciones con patrones nacionales o internacionales. Los estudiantes trazan cadenas de trazabilidad para sus instrumentos.

Clase 2 • Intervalo de calibración e incertidumbre por deriva

Aborda cómo la deriva del instrumento entre calibraciones contribuye a la incertidumbre. Los estudiantes estiman las contribuciones por deriva a partir de datos históricos de calibración.

Clase 3 • Propagación de la incertidumbre del patrón de referencia

Muestra cómo la incertidumbre de un patrón de referencia ingresa al presupuesto de incertidumbre de calibración. Los estudiantes agregan la incertidumbre de referencia como un componente Tipo B.

Clase 1 • Decisiones de conformidad y banda de guarda

Conecta la incertidumbre con las decisiones de aprobado/rechazo frente a los límites de especificación. Los estudiantes aplican bandas de guarda para controlar el riesgo de decisiones de conformidad incorrectas.

Clase 2 • Modelos de medición no lineales

Aborda las limitaciones de la propagación de primer orden para modelos altamente no lineales. Los estudiantes aplican términos de orden superior y Monte Carlo como alternativas.

Clase 3 • Ensayos de aptitud y comparaciones de medición

Utiliza comparaciones interlaboratorio para validar las declaraciones de incertidumbre. Los estudiantes calculan los puntajes En e interpretan los resultados de la comparación.

Clase 4 • Método de Monte Carlo para la incertidumbre

Introduce la simulación numérica como una alternativa a la propagación analítica. Los estudiantes implementan pruebas de Monte Carlo para estimar las distribuciones de salida.