Cours d'incertitude de mesure

Leçon 1 • Concepts fondamentaux en science de la mesure

Présente les mesurandes, les échelles de mesure et le processus de mesure. Établit le vocabulaire utilisé tout au long du cours.

Leçon 2 • Distinction entre erreur et incertitude

Clarifie la différence conceptuelle entre l'erreur de mesure et l'incertitude. Prévient l'idée fausse la plus courante dans la pratique métrologique.

Leçon 3 • Sources d'incertitude de mesure

Dresse le catalogue des principales sources qui contribuent à l'incertitude dans toute mesure. Prépare les étudiants à identifier les sources dans leurs propres systèmes de mesure.

Leçon 1 • Corrélation et covariance dans les mesures

Aborde comment les grandeurs d'entrée corrélées affectent l'incertitude combinée. Les étudiants reconnaissent quand les hypothèses d'indépendance sont violées.

Leçon 2 • Intervalles de confiance et couverture

Explique comment les intervalles de confiance sont liés aux intervalles d'incertitude. Les étudiants calculent des intervalles pour des résultats de mesure distribués normalement.

Leçon 3 • Distributions de probabilité en métrologie

Couvre les distributions le plus souvent attribuées aux sources d'incertitude. Relie la forme de la distribution à la connaissance physique de chaque source.

Leçon 1 • Estimations de type A regroupées et combinées

Étend l'évaluation de type A à des situations avec plusieurs ensembles de données ou séries de mesures. Les étudiants regroupent les variances pour améliorer les degrés de liberté (statistique).

Leçon 2 • Validation des résultats de type A

Applique des tests statistiques pour vérifier la fiabilité des estimations de type A. Les étudiants utilisent des cartes de contrôle et des tests de normalité pour vérifier les hypothèses.

Leçon 3 • Calcul de l'incertitude type de type A

Guide pas à pas pour le calcul de l'incertitude type à partir d'une série de données. Renforce le lien entre l'écart type et l'incertitude type.

Leçon 1 • Documentation et justification des estimations de type B

Établit les pratiques exemplaires pour enregistrer la base de chaque composante de type B. Assure la traçabilité et la vérifiabilité des budgets d'incertitude.

Leçon 2 • Conversion des limites en incertitude type

Enseigne la conversion des limites déclarées en incertitudes types à l'aide de distributions présumées. Couvre les formules de conversion les plus courantes.

Leçon 3 • Sources d'information pour l'évaluation de type B

Identifie les documents et les bases de connaissances utilisés dans l'analyse de type B. Les étudiants apprennent à extraire des données d'incertitude quantitatives de chaque type de source.

Leçon 4 • Contributions des grandeurs d'influence et environnementales

Quantifie l'incertitude due à la température, à l'humidité et à d'autres facteurs environnementaux. Les étudiants utilisent des coefficients de sensibilité pour convertir les effets d'influence.

Leçon 1 • Principes de propagation de l'incertitude

Présente la loi mathématique régissant la combinaison des incertitudes à travers un modèle statistique. Établit le rôle des coefficients de sensibilité.

Leçon 2 • Calcul de l'incertitude type combinée

Applique la formule de propagation pour calculer l'incertitude type combinée pour des modèles additifs et multiplicatifs. Comprend des exemples travaillés.

Leçon 3 • Incertitude élargie et facteur de couverture

Convertit l'incertitude type combinée en incertitude élargie à l'aide d'un facteur de couverture. Les étudiants sélectionnent k en fonction du niveau de confiance et des degrés de liberté (statistique).

Leçon 4 • Contributions dominantes à l'incertitude

Enseigne l'analyse de la contribution à la variance pour identifier les principaux facteurs d'incertitude. Les étudiants priorisent les efforts d'amélioration en fonction des pourcentages de contribution.

Leçon 1 • Déclarations d'incertitude dans les rapports

Enseigne les éléments requis d'une déclaration d'incertitude conforme dans un rapport d'essai ou d'étalonnage. Les étudiants rédigent et critiquent des exemples de déclarations.

Leçon 2 • Documentation du modèle statistique

Exige que les étudiants écrivent des équations de mesure explicites pour leurs budgets. Relie le modèle à chaque composante d'incertitude dans le tableau.

Leçon 3 • Expression et arrondi des résultats

Couvre les règles d'arrondi et de chiffres significatifs dans les déclarations d'incertitude. Garantit que les résultats sont exprimés avec une précision appropriée.

Leçon 1 • Principes de traçabilité métrologique

Définit la traçabilité comme une chaîne ininterrompue de comparaisons à des étalons nationaux ou internationaux. Les étudiants cartographient les chaînes de traçabilité pour leurs instruments.

Leçon 2 • Intervalle d'étalonnage et incertitude de dérive

Aborde comment la dérive de l'instrument entre les étalonnages contribue à l'incertitude. Les étudiants estiment les contributions de la dérive à partir des données d'étalonnage historiques.

Leçon 3 • Propagation de l'incertitude de l'étalon de référence

Montre comment l'incertitude d'un étalon de référence entre dans le budget d'incertitude d'étalonnage. Les étudiants ajoutent l'incertitude de référence comme composante de type B.

Leçon 1 • Décisions de conformité et zones de garde

Relie l'incertitude aux décisions de réussite/échec par rapport aux limites de spécification. Les étudiants appliquent des zones de garde pour contrôler le risque de décisions de conformité incorrectes.

Leçon 2 • Modèles de mesure non linéaires

Aborde les limites de la propagation de premier ordre pour les modèles hautement non linéaires. Les étudiants appliquent des termes d'ordre supérieur et la méthode de Monte Carlo comme alternatives.

Leçon 3 • Essais d'aptitude et comparaisons de mesures

Utilise des comparaisons interlaboratoires pour valider les déclarations d'incertitude. Les étudiants calculent les scores En et interprètent les résultats de comparaison.

Leçon 4 • Méthode de Monte Carlo pour l'incertitude

Présente la simulation numérique comme alternative à la propagation analytique. Les étudiants mettent en œuvre des essais de Monte Carlo pour estimer les distributions de sortie.