| |
:: Description généraleCette formation traite de la mesure de l'incertitude (variabilité) des processus de mesure : approche statistique, caractéristiques d’un système de mesures, types d'erreurs, impact des erreurs sur la qualité des données, fiabilité, justesse, approche analytique de la mesure de l’incertitude, propagation des erreurs sur le résultat d’une mesure, présentation des résultats.:: Objectifs pédagogiquesÀ la suite de cette formation, les participants sauront :
Comprendre les enjeux liés à la mesure de l’incertitude
Savoir identifier les sources d’incertitude et quantifier leur impact
Maîtriser les outils statistiques et mathématiques pour mesurer l’incertitude
Savoir comment calculer, présenter et interpréter les incertitudes de mesure:: Public cibleUne formation en statistique appliquée pour :
Le personnel de laboratoire et de contrôle qualité
Les personnes appelées à prendre des mesures dans leurs activités quotidiennes:: Pré-requisCette formation introduit les notions importantes en statistiques et en analyse de données. Elle ne nécessite pas que les participants aient des connaissances préalables en statistique. | | |
:: Plan du cours
- Introduction à la mesure de l'incertitude
- Définition de l'incertitude
- Pourquoi est-ce important de mesurer l'incertitude?
- Caractéristiques d’un système de mesures
- Positionnement de la mesure de l’incertitude dans les bonnes pratiques de laboratoire
- Philosophies: Deux grandes approches qui se combinent: Type A et Type B
- Outils statistiques pour prendre en compte l'incertitude
- Statistique descriptive
- Inférence statistique
- Quelques distributions statistiques et leurs propriétés
- Le processus de mesure de l’incertitude
- Définition du mesurande
- Identification des sources d’incertitude
- La mesure de l'incertitude : type A
- La mesure de l'incertitude : type B
- Combiner les deux types de mesure de l'incertitude (Incertitude combinée)
- Utilisation et présentation des résultats
- Méthodes connexes (un survol)
:: Thèmes abordésBien que certaines valeurs numériques soient exactes (le nombre de frères que vous avez par exemple), les mesures prises dans un contexte industriel, qu'il s'agissent d'un contrôle qualité, en production ou en Recherche et Développement sont souvent sensibles à de nombreuses sources de variabilité. Des résultats différents sont alors obtenus lors de déterminations multiples pour un même échantillon lors de l'étude d'un même phénomène.
D'ailleurs, plus le processus de prise de mesures est complexe (beaucoup de manipulations et d’étapes), plus il est compliqué d'obtenir la même valeur pour chacune des déterminations.
Dans ce contexte, il est alors nécessaire d'effectuer le calcul de l’incertitude associée aux résultats de mesures fournis par les appareils et les processus et de l'analyser afin de pouvoir juger de la qualité des données obtenues en estimant le niveau de confiance associée à la valeur expérimentale. Les données obtenues pourront être alors plus facilement comparées avec d’autres valeurs similaires ou la théorie. La gestion des risques pourra en être également améliorée. En effet, les informations incorrectes ou manquantes engendrent souvent des décisions erronées.
Mesurer l'incertitude permet également de s'assurer que le système de mesures répond aux exigences réglementaires.
Cette formation regroupe l'ensemble de techniques pour estimer l'erreur sur un résultat numérique à partir des incertitudes ou des erreurs faites sur les mesures et manipulations qui ont conduit à ce résultat.
Elle débute en introduisant les types d'erreurs intervenant lors de la mesure et les critères de qualité des données. Les outils statistiques permettant la prise en compte de la variabilité sont ensuite vus: la statistique descriptive et l'inférence statistique.
Une discussion est consacrée aux sources d'incertitudes pour placer la mesure de l'incertitue en contexte. Ensuite, les types de mesure de l'incertitude sont chacune étudiées: type A, type B, incertitude combinée. Enfin, l'utilisation des résultats selon les normes en vigueur est abordé et d'autres méthodes disponibles pour juger de la qualité des données sont évoquées.
| |
