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 composée. Les étudiants reconnaissent quand les hypothèses d'indépendance sont violées.

Leçon 2 • Intervalles de confiance et facteur de 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 • 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 groupées 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.

Leçon 2 • Validation des résultats de type A

Applique des tests statistiques pour vérifier que les estimations de type A sont fiables. 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

Parcourt le calcul étape par étape 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 bonnes 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 à l'aide de lois supposées. 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 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 des 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 étudiants sélectionnent k en fonction du niveau de confiance et des degrés de liberté.

Leçon 4 • Contributions d'incertitude dominantes

Enseigne l'analyse de la contribution de la variance pour identifier les principaux facteurs d'incertitude. Les étudiants hiérarchisent 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 de mesure

Exige des étudiants qu'ils 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 intervalles de garde

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

Leçon 2 • Modèles de mesure non linéaires

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

Leçon 3 • Essais d'aptitude et comparaisons de mesures

Utilise des comparaisons inter-laboratoires 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 une alternative à la propagation analytique. Les étudiants mettent en œuvre des essais de Monte Carlo pour estimer les distributions de sortie.