Cours d'incertitude de mesure

Leçon 1 • Concepts Clés 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. Évite l'idée fausse la plus courante dans la pratique métrologique.

Leçon 3 • Sources d'Incertitude de Mesure

Catalogue les principales sources qui contribuent à l'incertitude dans toute mesure. Prépare les apprenants à identifier les sources dans leurs propres systèmes de mesure.

Leçon 1 • Corrélation et Covariance dans les Mesures

Traite de la manière dont les grandeurs d'entrée corrélées affectent l'incertitude composée. Les apprenants 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 apprenants calculent des intervalles pour des résultats de mesure distribués normalement.

Leçon 3 • Lois de Probabilité en Métrologie

Couvre les lois les plus couramment attribuées aux sources d'incertitude. Relie la forme de la loi à la connaissance physique de chaque source.

Leçon 1 • Estimations de Type A Poolées et Combinées

Étend l'évaluation de type A à des situations avec de multiples ensembles de données ou séries de mesures. Les apprenants poolent les variances pour améliorer les degrés de liberté.

Leçon 2 • Validation des Résultats de Type A

Applique des tests statistiques pour vérifier la fiabilité des estimations de type A. Les apprenants 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 étape par étape du 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 meilleures pratiques pour enregistrer la base de chaque composante de type B. Assure la traçabilité et l'auditabilité des budgets d'incertitude.

Leçon 2 • Conversion des Limites en Incertitude-Type

Enseigne la conversion des limites déclarées en incertitudes-types en utilisant des lois de probabilité supposées. Couvre les formules de conversion les plus courantes.

Leçon 3 • Sources d'Information pour l'Évaluation de Type B

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

Leçon 4 • Contributions des Grandeurs d'Influence et Environnementales

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

Leçon 1 • Principes de Propagation de l'Incertitude

Introduit la loi mathématique régissant la façon dont les incertitudes se combinent à travers un modèle de mesure. Établit le rôle des coefficients de sensibilité.

Leçon 2 • Calcul de l'Incertitude-Type Composée

Applique la formule de propagation pour calculer l'incertitude-type composée pour les modèles additifs et multiplicatifs. Inclut des exemples travaillés.

Leçon 3 • Incertitude Élargie et Facteur de Couverture

Convertit l'incertitude-type composée en incertitude élargie à l'aide d'un facteur de couverture. Les apprenants sélectionnent k en fonction du niveau de confiance et des degrés de liberté.

Leçon 4 • Contributions Dominantes à l'Incertitude

Enseigne l'analyse de la contribution à la variance pour identifier les principaux facteurs d'incertitude. Les apprenants 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 apprenants rédigent et critiquent des exemples de déclarations.

Leçon 2 • Documentation du Modèle de Mesure

Exige que les apprenants 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. Assure 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 apprenants cartographient les chaînes de traçabilité pour leurs instruments.

Leçon 2 • Intervalle d'Étalonnage et Incertitude de Dérive

Traite de la façon dont la dérive de l'instrument entre les étalonnages contribue à l'incertitude. Les apprenants estiment les contributions de 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 apprenants ajoutent l'incertitude de référence comme composante de type B.

Leçon 1 • Décisions de Conformité et Bandes de Garde

Relie l'incertitude aux décisions de conformité/non-conformité par rapport aux limites de spécification. Les apprenants appliquent des bandes de garde pour maîtriser le risque de décisions de conformité incorrectes.

Leçon 2 • Modèles de Mesure Non Linéaires

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

Leçon 3 • Essais d'Aptitude et Comparaisons de Mesures

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

Leçon 4 • Méthode Monte Carlo pour l'Incertitude

Introduit la simulation numérique comme alternative à la propagation analytique. Les apprenants mettent en œuvre des essais Monte Carlo pour estimer les lois de probabilité de sortie.