ایجاد وب سایت جدید

با سلام و احترام خدمت خوانندگان گرامی

به استحضار می رساند این وبلاگ از این پس به روز رسانی نمی شود و مطالب و مقالات جدید را می‌تواند از وب سایت اینجانب به آدرس زیر پیگیری نمایید.

وب سایت: مدیریت کیفیت در مراکز آزمایشگاهی

www.Dastmardi.ir 

برگزاری دوره آموزشی مبانی و مستندسازی استاندارد ISO/IEC 17025

دوره آموزشی مبانی و مستندسازی استاندارد ISO/IEC 17025 در اداره استاندارد و تحقیقات صنعتی استان زنجان به مدت دو روز در تاریخ 27 و 28 مرداد ماه برگزار گردید.

هدف از برگزاری این دوره آموزشی:

1. آشنایی با الزامات استاندارد ISO/IEC 17025

2. تشریح نحوه مستندسازی در آزمایشگاه براساس الزامات استاندارد ISO/IEC 17025

مدت زمان برگزاری دوره: 14 ساعت

سرفصل ارائه شده در این دوره آموزشی:

- مقدمه بر استاندارد ISO/IEC 17025

- الزامات مدیریتی استاندارد ISO/IEC 17025

- الزامات فنی استاندارد ISO/IEC 17025

- آشنایی تغییرات ویرایش جدید استاندارد 2017:ISO/IEC 17025

جهت دریافت خدمات مشاوره پیاده سازی استاندارد ایزو 17025 در آزمایشگاه خودتان می‌توانید با ما تماس بگیرید.

قابلیت ردیابی در اندازه گیری

قابلیت ردیابی
مهم است که بتوانیم نتایج آزمایشگاه هاي مختلف یا نتایج آزمایشگاه یکسان در زمان هاي مختلف را با اطمینان مقایسه کنیم. این امر با اطمینان از این که تمام آزمایشگاه ها از مقیاس اندازه گیري یکسان و یا به عبارت دیگر از نقاط مرجع یکسانی استفاده میکنند، عملی می باشد. در بسیاري از موارد، انجام این کار با ایجاد یک زنجیره از کالیبراسیون هایی که منتهی به استانداردهاي اولیه ملی یا بین المللی می شوند عملی می شود. هر چند به طور ایده آل (و براي یکپارچگی طولانی مدت) سیستم واحدهاي بین المللی اندازه گیري (SI) پیشنهاد میشود.

مثال آشنا، مورد ترازوهاي آنالیز می باشد، در اینجا هر ترازو با استفاده از جرمهاي مرجع که خود آنها از سوي استانداردهاي ملی باز بینی شده و آنها هم به نوبه خود با استانداردهاي بین المللی بازبینی شدهاند، ردیابی شده تا این که به کیلوگرم مرجع اولیه برسیم. این زنجیره کامل از مقایسه ها به یک مقدار مرجع شناخته شده اي منتهی می شوند که قابلیت ردیابی به یک نقطه مرجع مشترك را امکانپذیر ساخته و این اطمینان را بوجود می آورند که اپراتورهاي مختلف در حال استفاده از واحدهاي یکسان اندازه گیري هستند. در اندازه گیري روتین، انسجام اندازه گیريهاي بین یک آزمایشگاه (یا زمانهاي مختلف) و آزمایشگاه دیگر به کمک ایجاد یک سیستم قابلیت ردیابی براي تمام اندازه گیريهاي میانی مرتبط امکانپذیر بوده و از آن براي بدست آوردن یا کنترل یک نتیجه اندازه گیري استفاده میشود. بنابراین قابلیت ردیابی در تمام شاخه هاي اندازه گیري مفهوم مهمی میباشد.

قابلیت ردیابی یه شکل رسمی زیر تعریف میشود
"خاصیت یک نتیجه اندازه گیري که به موجب آن نتیجه می تواند از طریق یک زنجیره به هم پیوسته مستند از کالیبراسیونها، که هر یک به نوبه خود در عدم قطعیت اندازه گیري سهمی دارند، به یک مقدار مرجع مرتبط شود."

چون توافق بین آزمایشگاهها تا حدي بخاطر عدم قطعیت هایی که خود آزمایشگاه ها در زنجیره قابلیت ردیابی باعث میشوند، معمولاً محدود می باشد، لذا نوعی مرجع عدم قطعیت هم بوجود می آید و بدین ترتیب قابلیت ردیابی ارتباط تنگاتنگی با عدم قطعیت خواهد داشت. قابلیت ردیابی، ابزاري براي قراردادن تمام اندازه گیريهاي مرتبط بر روي یک مقیاس اندازه گیري منسجم را فراهم میکند، در حالی که عدم قطعیت این اتصالها در زنجیره و توافق مورد انتظار در «قدرت» اندازه گیريهاي مشابه بین  آزمایشگاهی را مشخص میکند.

 

 

به طور کلی عدم قطعیت روي یک نتیجه که قابل ردیابی به یک مرجع خاص باشد، عدم قطعیت آن مرجع همراه با عدم قطعیت اندازه گیري نسبت به آن مرجع خواهد بود.

فرایند تخمین عدم قطعیت اندازه گیري

تخمین عدم قطعیت در اصل ساده می باشد. پاراگرافهایی که در ادامه می آیند کارهاي لازم جهت رسیدن به تخمین عدم قطعیت مرتبط با نتیجه اندازه گیري را به طور خلاصه توضیح می دهند. بخش هاي بعدي نیز راهنمایی هاي اضافی و کاربردي در شرایط مختلف را توضیح می دهند، این راهنمایی ها عمدتاً شامل چگونگی استفاده از داده هاي بدست آمده درون سازمانی و مطالعات صحه گذاري متد مشترك، داده هاي QC  داده هاي بدست آمده از آزمون مهارت (PT) و استفاده از اصول انتشار عدم قطعیت نرمال می باشند. مراحل انجام شده به ترتیب زیر می باشند:

گام 1: تعیین اندازه ده

یک توضیح روشن از آنچه که قرار است اندازه گیري شود را بنویسید. این توضیح میتواند شامل ارتباط بین کمیت اندازه ده و آن دسته از کمیت هاي ورودي (براي مثال، کمیت هاي اندازه گیري شونده،  ثوابت، مقادیر استاندارد کالیبراسیون و غیره) باشند که اندازه ده به آنها وابسته است. هر جا که امکان داشته باشد، تصحیح هاي لازم براي اثرات سیستماتیک شناخته شده را هم لحاظ کنید. اطلاعات مربوط به مشخصات میبایست در روش اجرایی استاندارد (SOP) و یا دیگر تعریفهاي متد مرتبط ارائه شده باشند.

گام 2: تعیین منابع عدم قطعیت

منابع احتمالی عدم قطعیت را فهرست کنید. این کار شناسایی منابعی است که میتوانند در عدم قطعیت روي پارامترهاي موجود در رابطه ي تعیین شده گام 1 مشارکت داشته باشند. هر چند منابع دیگري هم ممکن است وجود داشته باشند و در صورت نیاز حتی میبایست منابع احتمالی عدم قطعیت ناشی از فرضهاي شیمیایی را نیز لحاظ کرد. 

گام 3: تعیین کمی مولفه هاي عدم قطعیت

اندازه مولفه عدم قطعیت مرتبط با هر منبع احتمالی عدم قطعیت شناسایی شده را تخمین بزنید. اغلب، امکان تخمین یا تعیین یک سهم تک براي عدم قطعیت مرتبط با تعداد زیادي منابع جدا از هم، با استفاده از داده هاي مطالعات صحهگذاري و دادههاي QC و غیره وجود دارد. استفاده از یک چنین داده هایی، کار لازم براي تخمین عدم قطعیت را به طور قابل ملاحظه اي کاهش میدهد، و چون در انجام این کار از داده هاي آزمایشگاهی واقعی استفاده می شود، لذا می تواند به تخمین هاي قابل اعتماد از عدم قطعیت نیز بینجامد. همچنین مهم است این نکته را در نظر بگیریم که آیا داده هاي موجود، توضیح کافی در مورد تمام منابع عدم قطعیت را ارائه می دهند یا نه، نکته دیگر آن که بعضی وقتها براي کسب اطمینان از این که آیا تمام منابع عدم قطعیت لحاظ شدهاند یا نه به آزمایشها و مطالعات اضافی دیگري نیاز خواهیم داشت.

گام 4: محاسبه عدم قطعیت مرکب

اطلاعات بدست آمده از گام 3، چه مرتبط با منابع تک یا مرتبط با اثرات ترکیبی چندین منبع باشند، در هر حالت شامل تعدادي از مولفههاي با مقدار معین و سهیم در عدم قطعیت کل خواهند بود. مقدار هر یک از سهم ها می بایست به شکل انحراف استاندارد بیان و سپس بر اساس قوانین خاصی با یکدیگر ترکیب شده تا منجر به عدم قطعیت استاندارد مرکب شوند. براي رسیدن به عدم قطعیت بسط یافته، فاکتور پوشش مناسب نیز می بایست اعمال شود.

 

 

 آموزش تخمین عدم قطعیت اندازه گیری با نرم افزار

 

جهت هماهنگی برای برگزاری دوره‌ "محاسبه عدم قطعیت اندازه گیری با نرم افزار" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نمایید.

بند 6-5 محصولات و خدمات فراهم شده برون سازمانی در ویرایش جدید استاندارد ISO/IEC 17025:2017

6-5 محصولات و خدمات فراهم شده برون سازمانی 

5-6-1- عمومی

6-5-1-1- آزمایشگاه باید از برآورده سازی الزامات محصولات و خدمات فراهم شده خارجی اطمینان حاصل نماید.

 

یادآوری: محصولات برای مثال می‌تواند شامل استانداردهای اندازه گیری و تجهیزات، تجهیزات مکمل و کمکی، مواد مصرفی و مرجع. باشد همچنین برای مثال می‌تواند شامل خدمات کالیبراسیون، خدمات نمونه برداری، خدمات تست، تاسیسات و تعمیر و نگهداری تجهیزات، خدمات ارزیابی و ممیزی. باشد.

6-5-1-2- آزمایشگاه باید کنترل کنید محصولات و خدمات ارائه شده خارجی زمانی که:

الف) آنها برای الحاق به فعالیت های خود در آزمایشگاه در نظر گرفته شده‌اند؛

ب) این توسط آزمایشگاه ارائه می شوند، در بخشی و یا کامل، به مشتری (بازدید کنندگان) به طور مستقیم به عنوان توسط ارائه دهنده خارجی ارائه شده است.

6-5-2- کنترل از محصولات و خدمات ارائه شده برون سازمانی

6-5-2-1- آزمایشگاه باید اطمینان حاصل کند که محصولات و خدمات تهیه شده از بیرون سازمان بر روی نتایج فنی معتبر منتشر شده در آزمایشگاه برای مشتریان تاثیر منفی نمی‌گذارد. 

6.5.2.2. آزمایشگاه باید:
الف) اطمینان کند که محصولات و خدمات برون سازمانی در کنترل سیستم مدیریت کیفیت باقی میماند؛
ب) کنترل‌های برای ارائه درخواست یک تامین کننده خارجی برای محصولات و خدمات تعریف شده است.

ج) در نظر گرفتن شده:

- تاثیر بالقوه محصولات و خدمات برون سازمانی بر روی توانایی آزمایشگاه به طور مداوم با الزامات ارائه شده در نظر گرفته شده است؛
- اثربخشی کنترل های اعمال شده توسط تامین کننده برون سازمانی در نظر گرفته شده است؛

د) محصولات و خدمات برون سازمانی دریافت شده قبل از استفاده و یا ارائه به مشتری به صورت مستقیم  با الزامات در نظر گرفته شده توسط آزمایشگاه تصدیق می‌شود.

6-5-2-3- آزمایشگاه باید یک روش اجرایی برای ارزیابی توانایی تامین کنندگان خارجی خود برای ارائه محصولات و خدمات با توجه به الزامات آزمایشگاه داشته باشد. از جمله:
الف) کنترل های که اعمال می شود.
ب) معیار برای ارزیابی، انتخاب، نظارت بر عملکرد و ارزیابی مجدد؛
ج) هر گونه اقدامات لازم ناشی از نظارت و ارزیابی مجدد.

6-5-2-4-  آزمایشگاه باید سوابق فرآیندهای تایید محصولات و خدمات دریافتی را مطابق با الزامات آزمایشگاهی جهت هر گونه اقدام لازم ناشی از آن نگهدارد.

6-5-3- ارتباطات اطلاعات تامین کنندگان خارجی
آزمایشگاه باید با تامین کنندگان خارجی که در ارتباط هستند، به میزان لازم، برای موارد زیر ارتباط داشته باشند:
الف) محصولات و خدمات که ارائه می‌شوند.
ب) معیارهای پذیرش؛
ج) شایستگی، شامل هر گونه مدرک تحصیلی مورد نیاز افراد؛
د) کنترل و پایش عملکرد ارائه دهنده خارجی که توسط آزمایشگاه به کار برده شود.
ه) تایید فعالیتی که آزمایشگاه یا مشتریان آنها برای انجام فعالیت در نظر دارند.

 

 

بند 5 الزامات ساختاری در ویرایش جدید استاندارد ISO/IEC 17025:2017

5- الزامات ساختاری

5-1- آزمایشگاه بايد شخصيت حقوقي يا بخش تعيين شده اي از يك شخصيت حقوقي باشد، به طوري كه براي كليه فعاليت هاي خود مسووليت قانوني داشته باشد.

يادآوري- به منظور اهداف این استاندارد بین المللی يك آزمایشگاه وابسته به دولت بر مبناي وضعيت دولتي خود يك شخصيت حقوقي در نظر گرفته مي شود.

5-2- آزمایشگاه باید کسی را که مسئولیت کلی آزمایشگاه را برعهده دارد، مشخص نماید.

5-3- مسئوليت آزمايشگاه اين است كه فعاليت هاي آزمون خود که در تاسيسات دائمي  آزمايشگاه يا در محل هاي به دور از تاسيسات دائمي آن يا در تاسيسات موقتي يا سيار وابسته به آن و یا در محل مشتری انجام مي گيرد، را به نحوي انجام دهد كه الزامات اين استاندارد رعايت شود و خواسته‌هاي مشتريان، مراجع قانوني يا سازمان هايي كه آزمايشگاه ها را به رسميت مي شناسند نيز برآورده شود.

5-4- آزمایشگاه بايد به منظور پوشش مسووليتهاي قانوني ناشي از كار خود تمهيدات كافي فراهم كند ( براي مثال: بيمه يا پس اندازها).

5-5- آزمایشگاه بايد محدوده فعاليت‌هايي كه براي آنها با این استاندارد بین المللی مطابقت دارد را تعریف کند.

5-6- آزمايشگاه بايد: 

الف) كاركنان مديريتي و فني داشته باشد كه جدا از ساير مسئوليت ها داراي اختيارات و منابع لازم براي انجام وظايف خود از جمله اجرا، برقرار نگهداشتن و بهبود سيستم مديريت باشند و وقوع هر انحرافي را از سيستم مديريت يا از روش هاي اجرایی مربوط به انجام آزمون ها و/يا كاليبراسيون ها شناسايي كنند و اقداماتي براي پيشگيري يا به حداقل رساندن اين انحرافات انجام دهند.

ب) سازمان و ساختار مديريتي آزمايشگاه، جايگاه آن در سازمان اصلي و روابط ميان مديريت كيفيت، عمليات فني و خدمات پشتيباني را تعيين نمايد.

ج) مسئوليتها، اختيارات و روابط ميان تمامي كاركناني را تعيين كند كه كارهايي را كه بر كيفيت آزمونها و/يا كاليبراسيونها تأثيرگذار است، مديريت، اجرا يا تصديق مي كنند.

د) مديريت فني داشته باشد كه مسئوليت كلي عمليات فني و فراهم كردن منابع لازم را براي حصول
اطمينان از كيفيت مورد نياز عمليات آزمايشگاهي بر عهده گيرد.

ه) معین نماید مدیر را كه صرف نظر از ساير وظايف و مسئوليت هاي وي وظایف زیر را برعهده داشته باشد:

 

 -حصول اطمينان از اين كه فرایندها و روش‌های مورد نیاز برای سيستم مديريت در آزمايشگاه اجرا و در تمام اوقات رعايت مي شود،

-  عملکرد سیستم مدیریت و هر گونه نیاز به بهبودی را به مدیریت آزمایشگاه گزارش کند.

5-7- مدیریت آزمایشگاه باید اطمینان حاصل شود که:

الف) مکانیزم ارتباطی داخلی و خارجی ایجاد شده؛
ب) تبادل اطلاعات در خصوص اثربخشي سيستم مديريت صورت مي پذيرد؛
ج) اهمیت جلسه با مشتری و سایر الزامات در ارتباط برقرار کردن توسط پرسنل آزمایشگاه .
د) زمانی که تغییرات به سیستم مدیریت اجرای می گردد یکپارچگی سیستم مدیریت حفظ می‌شود.

 

انتخاب نمودار آماری مناسب برای ارائه

انتخاب نمودار آماری مناسب برای ارائه

به جای حل مساله صورت مساله پال شد

بند 1: هدف و دامنه کاربرد در ویرایش جدید استاندارد ISO/IEC 17025:2017

1- هدف و دامنه کاربرد در ویرایش جدید استاندارد ISO/IEC 17025:2017

1.1 این استاندارد الزامات عمومی که برای صلاحیت، بی طرفی و انسجام آزمایشگاه‌ها مشخص شده،  در استاندارد تعریف شده است.

1.2 این استاندارد قابل اجرا به تمام سازمان انجام دهنده فعالیت های آزمایشگاهی است. این استاندارد  آزمایشگاه‌های با سطوح مختلف از استقلال و سازمان که در آن فعالیت های آزمایشگاهی بخشی از بازرسی یا گواهینامه محصول است را شامل می شود..

1.3 این استاندارد بین المللی صرف نظر از تعداد کارکنان یا میزان دامنه فعالیت های آزمایشگاهی قابل استفاده در تمام آزمایشگاه است.

1.4 مشتریان آزمایشگاهی، مراجع نظارتی، سازمان ها و طرح های ارزیابی هم ترازی، مراکز تایید صلاحیت، و دیگران همچنین می توانید این استاندارد بین المللی برای تایید یا شناسایی صلاحیت آزمایشگاه استفاده کنید.

بند 4-2- محرمانگی در ویرایش جدید استاندارد ISO/IEC 17025:2017

4-2- محرمانگی در ویرایش جدید استاندارد ISO/IEC 17025:2017

4-2-1- آزمایشگاه باید از حفاظت از اطلاعات محرمانه مشتریان و حقوق اختصاصی آنها از جمله حفاظت از ذخیره سازی الکترونیکی و انتقال نتایج اطمینان حاصل کند.

4-2-2-آزمایشگاه بايد مسووليت مديريت كليه اطلاعات كسب يا ايجاد شده در طي انجام فعاليتهاي آزمون را از طريق تعهدات حقوقي قابل اجرا بپذيرد. آزمایشگاه بايد پيش از مبادرت به قراردادن اطلاعات در حوزه عمومي كارفرما را مطلع كند. به جز اطلاعاتي كه كارفرما در دسترس عموم قرار مي دهد، يا وقتي كه بين آزمایشگاه و كارفرما توافق شده است (براي مثال: به منظور پاسخگويي به شكايات)، كليه اطلاعات ديگر اطلاعات داراي حقوق انحصاري محسوب شده و بايد محرمانه تلقي شود.

يادآوري- تعهدات حقوقي قابل اجرا مي تواند براي مثال توافقات قراردادي باشد.

4-2-3- زماني كه آزمایشگاه طبـق قـانون ملـزم يـا طبـق تعهـدات قـراردادي مجـاز بـه انتشـار اطلاعـات محرمانه شـده باشـد، كارفرمـا يـا شـخص ذيربـط بايـد از اطلاعـات ارايـه شـده مطلـع شـود، مگـر آنكـه به وسيله قانون منع شده باشد.

 4-2-4- اطلاعاتي كه درباره‌ي مشتری از منابع ديگر به غير از خود مشتری (براي مثال: شكايت كننده، مراجع نظارتي) كسب شده باشد بايد بین مشتری و آزمایشگاه محرمانه تلقي شود. منبع این اطلاعات باید محرمانه تلقی شود و نباید با مشتری به اشتراک گذاشته شود مگر اینکه مبنع موافقت نماید.

4-2-5- کارکنان، از جمله هر کدام از اعضای کمیته، پیمانکاران، کارکنان خارج از سازمان، و یا افرادی که نمایندگی آزمایشگاه را دارند، باید تمام اطلاعات به دست آمده و یا ایجاد شده در طی عملکرد فعالیت های آزمون و یا کالیبراسیون آزمایشگاه را محرمانه نگهدارند، به جز مواردی که قانون الزام کرده باشد.

 

بند 4-1- بی طرفی در ویرایش جدید استاندارد ISO/IEC 17025:2017

4-1- بی طرفی در ویرایش جدید استاندارد ISO/IEC 17025:2017

4-1-1- فعاليتهاي آزمایشگاه بايد بيطرفانه انجام پذيرد. همچنین در مدیریت و ساختار آن بی طرفی حفظ شود.

4-1-2- آزمایشگاه بايد داراي تعهد مديريت ردهي بالا نسبت به بيطرفي باشد.

4-1-3- آزمایشگاه بايد مسوول بيطرفي فعاليتهاي آزمایشگاه خود باشد و نبايد اجازه دهد فشارهاي تجاري، مالي يا ساير فشارها، بيطرفي را به مصالحه بگذارد.

4-1-4- آزمایشگاه بايد بهطور مداوم مخاطرات مرتبط با بيطرفي خود را شناسايي كند. اين شناسايي بايد شامل مخاطرات ناشي از فعاليتها يا ارتباط آزمایشگاه يا روابط كاركنانش باشد. هر چند چنين روابطي ضرورتاً نشانگر مخاطرهاي براي بيطرفي آزمایشگاه نيست.

يادآوري: رابطه اي كه بيطرفي آزمایشگاه را تهديد مي كند، مي تواند مبتني بر مالكيت، حاكميت، مديريت، كاركنان، منابع مشترك، تأمين مالي، قراردادها، بازاريابي (از جمله نشان تجاري سازي)  پرداخت كارمزد فروش يا ساير محركها براي ارجاع  كارفرمايان جديد و همانند اينها باشد.

4-1-5- چنانچه مخاطرهاي نسبت به بيطرفي شناسايي شد، آزمایشگاه بايد بتواند نحوه حذف يا به حداقل رساندن مخاطره را اثبات كند.

ساختار ویرایش جدید استاندارد ISO/IEC 17025:2017

ساختار ویرایش جدید استاندارد ISO/IEC 17025‌ که قرار است در سال 2017 منشر شود نسبت به ویرایش قبلی این استاندارد در سال 2005 تغییرات زیادی داشته است. در ادامه ساختار جدید این استاندارد ارائه شده است.

 

1- هدف و دامنه

2- مراجع الزامی

3- اصطلاحات و تعاریف

4- الزامات عمومی

      4.1 بی طرفی

      4.2 محرمانگی

5- الزامات ساختاری

6- الزامات منابع

      6-1- کلیات

      6-2- پرسنل

      6-3- تسهیلات آزمایشگاهی و شرایط محیطی

      6-4- تجهیزات

      6-5- محصولات و خدمات فراهم شده خارجی

      6-6- قابلیت ردیابی اندازه شناختی

7- الزامات فرایندی

      7-1- بازنگری درخواست ها، مناقصات و قراردادها

      7-2- انتخاب، صحه‌گذاری و تصدیق روش آزمون

      7-3- نمونه برداری

      7-4- جابجایی اقلام آزمون و یا کالیبراسیون  

      7-5- سوابق فنی

      7-6- ارزیابی عدم قطعیت اندازه گیری

      7-7- تجزیه و تحلیل نتایج.

      7-8- اطمینان از کیفیت نتایج

      7-9- گزارش از نتایج

      7-10- شکایات

      7-11-مدیریت کار نامنطبق

      7-12- کنترل از داده ها - مدیریت اطلاعات

8- الزامات مدیریت

      8-1- گزینه‌ها

      8-2- مستندات سیستم مدیریت (گزینه الف)

      8-3- کنترل مدارک سیستم مدیریت (گزینه الف)

      8-4- کنترل سوابق (گزینه الف)

      8-5- اقدامات مربوط به ریسک‌ها و فرصت‌ها

      8-6- بهبود (گزینه الف)

      8-7- اقدامات اصلاحی (گزینه الف)

      8-8- ممیزی های داخلی (گزینه الف)

      8-9- بازنگری مدیریت (گزینه الف)

پیوست الف - قابلیت ردیابی اندازه شناختی

پیوست ب - سیستم مدیریت

کتابشناسی 

تفاوت بین خطا و عدم قطعیت در اندازه گیری

تفاوت بین خطا و عدم قطعیت در اندازه گیری: 

تشخیص تفاوت بین خطا و عدم قطعیت مهم است. خطا به شکل اختلاف بین یک نتیجه تک و مقدار واقعی تعریف می شود. در عمل، خطاي اندازه گیري مشاهده شده، اختلاف بین مقدار مشاهده شده و مقدار مرجع می باشد. بدین ترتیب، خطا چه تئوري، چه مشاهده شده یک مقدار تک است. در اصل، مقدار خطاي معین میت واند به صورت یک تصحیح براي نتیجه به کار گرفته شود.

نکته: خطا یک مفهوم ایده آل است و امکان شناخت دقیق خطاها وجود ندارد.

در حالی که، عدم قطعیت شکل یک گستره یا بازه را به خود گرفته و چنانچه براي یک روش آنالیزي و نوع نمونه معین تخمین زده شود، میتواند براي تمام تعیین هاي دیگر نیز توضیح داده شود. عموماً نمی توان از عدم قطعیت براي تصحیح یک نتیجه اندازه گیري استفاده کرد.

براي این که باز هم بیشتر این تفاوت را نشان دهیم، می توان گفت که نتیجه یک آنالیز پس از تصحیح آن ممکن است این شانس را داشته باشد که بسیار نزدیک به اندازه ده قرار گرفته و در نتیجه خطاي قابل چشم پوشی در آن وجود داشته باشد، در حالی که، خیلی ساده عدم قطعیت آن آنالیز ممکن است همچنان بزرگ باشد. علت آن میتواند این باشد که تجزیه گر هنوز در مورد میزان نزدیکی آن نتیجه به مقدار اندازه ده اطمینان بالایی ندارد.
عدم قطعیت نتیجه اندازه گیري هرگز نمی بایست به عنوان خود خطا و یا خطاي باقیمانده پس از تصحیح تفسیر شود.

برگزاری دوره آموزشی عدم قطعیت اندازه گیری با رویکرد بالا به پایین در اداره استاندارد استان زنجان

 

دوره آموزشی عدم قطعیت اندازه گیری با رویکرد بالا به پایین در اداره استاندارد و تحقیقات صنعتی استان زنجان برگزار گردید. 

هدف از برگزاری این دوره آموزشی:

- استفاده از داده‌های حاصل از کنترل کیفیت داخلی و خارجی و صحه‌گذاری روش‌های آزمون  برای برآورد عدم‌قطعیت در اندازه گیری

- تشریح مراحل برآورد عدم‌قطعیت اندازه‌گیری با رویکرد بالا به پایین

- توانايي کار با نرم افزار MU Kit براي محاسبه عدم قطعيت در اندازه‌گيري به همراه چندين مثال آموزشي

 

این دوره آموزشی در تاریخ 23 و 24 تیر ماه به مدت 16 ساعت برگزار گردید. سرفصل مطالب ارائه شده در این دوره آموزشی به شرح زیر است:

1- آشنایی با برخی مفاهیم پایه در اندازه‌گیری

2- عدم‌قطعیت اندازه‌گیری چیست؟

3- معرفی رویکردهای مختلف در تخمین عدم‌قطعیت اندازه‌گیری

4- رویکرد بالا به پایین در محاسبه عدم‌قطعيت

     4-1- اصول پایه رویکرد بالا به پایین

     4-2- محاسبه عدم‌قطعیت برای تجدیدپذیری درون آزمایشگاهی (u(Rw

      4-3- محاسبه عدم‌قطعیت برای گرایش آزمایشگاه و روش (u(Bias

      4-4- نقشه راه برای تخمین عدم‌قطعیت اندازه‌گیری به روش بالا به پایین

5- ارائه چندین مثال برای رویکرد بالا به پایین

6- گزارش‌دهی عدم‌قطعیت در نتایج آزمون

7- منابع و مراجع

 

آموزش تخمین عدم قطعیت اندازه گیری با رویکرد بالا به پایین (Top-Down)

جهت هماهنگی برای برگزاری دوره‌ "محاسبه عدم قطعیت اندازه گیری با روش بالا به پایین (Top-Down)" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نمایید.

 

خطی بودن در صحه گذاری روش‌های آزمون

خطی بودن: یک خاصیت مهم متدها بوده که براي اندازه گیري در محدودهاي از غلظتها استفاده میشود. خطی بودن پاسخ به استانداردهاي خالص و نمونه هاي واقعی را می توان تعیین کرد. خطی بودن معمولاً به صورت کمی بیان نمی شود بلکه با بازرسی یا استفاده از آزمون هاي معنادار براي حالتهاي غیر خطی مورد بازبینی قرار میگیرد. 

 

غیر خطی بودن با معنا معمولاً با استفاده از توابع کالیبراسیون غیر خطی، تصحیح و یا با انتخاب گستره عملیاتی محدود حذف میشود. هر گونه انحراف باقی مانده از وضعیت خطی معمولاً تخمین هاي دقت کل در محدودهي غلظت هاي مختلف را توضیح داده و یا نشاندهنده عدم قطعیت مرتبط با کالیبراسیون می باشد.

 

هماهنگی برای برگزاری دوره‌های آموزشی

جهت هماهنگی برای برگزاری دوره‌ "صحه گذاری روش های آزمون" مي‌توانيد با شماره همراه مدیریت  پایگاه (مصطفی دستمردی) 09125446045 يا  ايميل [e-mail] تماس حاصل نمایید

استواری و گزینش پذیری در صحه گذاری روش های آزمون

 

استواري یا استحکام: در بسیاري از توسعه هاي متد یا پروتوکل هاي صحه گذاري باید حساسیت به پارامترهاي خاصی به طور مستقیم مورد بررسی قرار گیرند. این کار معمولاً با اولیه انجام می شود، که طی آن «آزمون استواري» انجام یک اثر تغییرات یک یا تعداد بیشتري پارامتر مشاهده می شود. اگر تغییرات با معنا باشند (در مقایسه با دقت آزمون استواري) به مطالعه دقیقتري براي اندازه گیري اندازهي اثر نیاز بوده و دیگر آن که فاصله عملیاتی مجاز نیز باید به طور مناسب انتخاب شود. بنابراین داده هاي آزمون استواري می توانند اطلاعاتی در رابطه با اثر پارامترهاي مهم در اختیار بگذارند.

 

 

گزینش پذیري: گزینش پذیري به میزانی که یک روش به طور منحصر به فرد به آنالیت پاسخ می دهد، مرتبط می باشد. مطالعات گزینش پذیري نوعی، اثرات احتمالی مداخله گرها را معمولاً با افزودن یک مداخله گر احتمالی همزمان به نمونه بلانک و نمونه تقویت شده و مشاهده پاسخ، مورد مطالعه قرار می دهند. از آنجا که در این مطالعات، تغییرات در پاسخ را به شکل مستقیم اندازه می گیرند، لذا امکان استفاده از داده ها براي تخمین عدم قطعیت مرتبط با تداخل هاي احتمالی، البته با علم بر گستره غلظت هاي مداخله گرها وجود خواهد داشت.

 

هماهنگی برای برگزاری دوره‌های آموزشی

جهت هماهنگی برای برگزاری دوره‌ "صحه گذاری روش های آزمون" مي‌توانيد با شماره همراه مدیریت پایگاه (مصطفی دستمردی) 09125446045 يا  ايميل [e-mail] تماس حاصل نمایید.

بند 8-5 اقدامات مربوط به ریسک‌ها و فرصت‌ها در ویرایش جدید استاندارد ISO/IEC 17025:2017

کمیته CASCO پیش نویس داخلی بر ای رای گیری (CIB) ویرایش جدید استاندارد ISO/IEC 17025:2017 در 2015-09-25 منتشر نمود.

در بند 8-5 این پیش نویس الزامات مربوط به "اقدامات مربوط به ریسک‌ها و فرصت‌ها" آورده شده است. این بند جایگزین بند اقدامات پیشگیرانه در ویرایش قبلی استاندارد ISO/IEC 17025:2005 شده است. متن کامل الزامات ذکر شده برای ریسک‌ها و فرصت‌ها به شرح زیر است

(تغییرات ویرایش جدید نسبت به ویرایش سال 2005 با رنگ سبز مشخص شده است).

8-5- اقدامات مربوط به ریسک‌ها و فرصت‌ها

8.5.1 آزمایشگاه باید خطرات و فرصت های مرتبط با فعالیت های آزمایشگاهی در نظر بگیرید به منظور:

          الف) تضمین این که سیستم مدیریت می تواند به نتایج مورد نظر خود دست یابد.

          ب) ارتقاء فرصت‌ها برای رسیدن به اهداف آزمایشگاهی؛

          ج) جلوگیری، و یا کاهش اثرات نامطلوب و شکست بالقوه در فعالیت‌های آزمایشگاهی؛

          د) دستیابی به بهبود.

آزمایشگاه باید موارد زیر را برنامه‌ریزی نمایید:

          الف) اقدامات مرتبط با ریسک‌ها و فرصت‌ها

          ب) چگونگی انجام؛

             - یکپارچه سازی و پیاده سازی این اقدامات در سیستم مدیریت کیفیت

             - ارزیابی اثربخشی این اقدامات

 8.5.3 اقدامات انجام شده برای کاهش ریسک و فرصت‌های باید متناسب با اثرات بالقوه بر اعتبار فعالیت‌های آزمایشگاهی و کیفیت نتایج آزمایشگاهی باشد.

 یادآوری 1:  گزینه‌های پرداختن ریسک‌ها می تواند شامل موارد زیر باشد: شناسایی و اجتناب از تهدید، قبول ریسک به منظور دنبال کردن یک فرصت، حذف منبع ریسک، تغییر احتمال یا عواقب، به اشتراک گذاری ریسک و یا حفظ ریسک به وسیله تصمیم‌گیری آگاهانه.

یادآوری 2: فرصت می‌تواند منجر به گسترش دامنه فعالیت های آزمایشگاهی، پرداختن به مشتریان جدید، استفاده از تکنولوژی های جدید و امکانات دیگر برای رسیدگی به نیازهای مشتری شود.

 

بند 7-7- تجزیه و تحلیل نتایج در ویرایش جدید استاندارد ISO/IEC 17025:2017

کمیته CASCO پیش نویس داخلی بر ای رای گیری (CIB) ویرایش جدید استاندارد ISO/IEC 17025:2017 در 2015-09-25 منتشر نمود.

در بند 7-7 این پیش نویس الزامات مربوط به تتجزیه و تحلیل نتایج آورده شده است. متن کامل الزامات ذکر شده برای تجزیه و تحلیل نتایج و نحوه بیان تفسیر در گزارش آزمون به شرح زیر است (تغییرات ویرایش جدید نسبت به ویرایش سال 2005 با رنگ سبز مشخص شده است).

7-7- تجزیه و تحلیل نتایج

7-7-1- بیانیه انطباق

هنگامی که بیانیه انطباق با مشخصات و یا استاندارد برای آزمون و یا کالیبراسیون درخواست شده است، آزمایشگاه باید:

الف) مستندات قوانین تصمیم گیری به کار گرفته با در نظر گرفتن سطح ریسک (مانند پذیرش نادرست و رد اشتباه و فرضیات آماری) در ارتباط با قانون تصمیم گیری را به کار گرفته؛

ب) قانون تصمیم گیری را اعمال کند.

توجه: برای کسب اطلاعات بیشتر استاندارد ISO/IEC Guide 98-4ملاحظه نمایید.

7.7.2 اظهارنظرها و تفسيرها

7.7.2.1 اظهارنظرها و تفسيرها بیان شده در گزارش آزمون و یا گواهی کالیبراسیون باید بر اساس نتایج به دست آمده از اقلام مورد آزمون و یا کالیبراسیون باشد.

یادآوری: اظهارنظرها و تفسيرها نباید با بازرسی و گواهی نامه های محصول همانطور که در استاندارد ISO / IEC 17020 و ISO / IEC 17065 مد نظر است، اشتباه گرفته شود.

 

7.7.2.2 وقتی نظرات و تفاسیر ارائه می شوند، آزمایشگاه باید اطمینان حاصل کند که تنها پرسنل مجاز برای بیان نظرات و تفاسیر بیانیه مربوطه را در گزارش آزمون منتشر می کنند. آزمايشگاه بايد مبنايي را كه اين اظهارنظرها و تفسيرها بر پايه آن ابراز شده است مدون سازد.

 

برگزاری دوره آموزشی عدم قطعیت اندازه گیری در شرکت داروسازی دانا

 

دوره آموزشی تجزيه و تحليل آماري و محاسبه عدم قطعيت (EUM) در آزمایشگاه‌های شیمی و کالیبراسیون شرکت داروسازی دانا به مدت 24 ساعت برگزار گردید. 

هدف از برگزاری این دوره آموزشی:

-  ارتقاء دانش شرکت کنندگان جهت شناخت اصول و فنون تخمین عدم قطعیت در اندازه گیری‌های آزمایشگاه

- توانايي شرکت کنندگان در دوره آموزشی برای کار با نرم افزار GUM Work Bench براي محاسبه عدم قطعيت در اندازه‌گيري به همراه چندين مثال آموزشي

سرفصل ارائه شده در این دوره آموزشی:

1- آشنايي با مفهوم عدم‌قطعيت در اندازه‌گيري

2- مراحل محاسبه و تخمين عدم‌قطعيت

2-1- مشخص نمودن اندازه‌ده

2-2-  استخراج مدل رياضي

2-3- شناسايي منابع ايجاد عدم‌قطعيت

         2-3-1- مقدمه‌اي بر علم آمار

2-4- تخمين و محاسبه عدم‌قطعيت

         3-4-1- روش‌هاي گوناگون محاسبه و تخمين عدم‌قطعيت

         3-4-2- روش gum‌ براي محاسبه عدم‌قطعيت

         3-4-3-تعيين ضريب حساسيت

3- حل چند مثال‌ برای آزمون‌های شیمیایی

         3-1- محاسبه عدم‌قطعيت در توزين

         3-2- محاسبه عدم‌قطعيت با نرم افزار GUM Workbench

         3-3-محاسبه عدم قطعت در تعيين حجم

         3-4-محاسبه عدم‌قطعيت در تهيه محلول استاندارد کاليبراسيون

         3-5- محاسبه عدم‌قطعیت در تیتراسیون

         3-6- محاسبه عدم‌قطعیت در اندازه‌گیری pH

         3-7- محاسبه عدم‌قطعیت در آزمون کروماتوگرافی مایع با کارایی بالا (HPLC)

4- حل چند مثال‌ برای مجاسبه عدم‌قطعیت در  کالیبراسیون

         4-1- محاسبه عدم‌قطعیت در کالیبراسیون یک‌مولتی‌متر دیجیتال (اندازه‌گیری جریان DC)

         4-2- محاسبه عدم‌قطعیت در کالیبراسیون فشار سنجی

         4-3- محاسبه عدم‌قطعیت در کالیبراسیون وزنه با مقدار نامی 10 کیلو گرم

         4-4- محاسبه عدم‌قطعیت در کالیبراسیون ترازو

         4-5- محاسبه عدم‌قطعیت در کالیبراسیون تجهيزات اندازه‌گيري ابعادي

         4-6- محاسبه عدم‌قطعیت در کالیبراسیون یک گیج بلوک‌ها

         4-7- محاسبه عدم‌قطعیت در کالیبراسیون ترموکوپل نوع N در دمای 1000°C کوره

5- انواع آزمون‌ها از نظر الزامات مربوط به تخمین عدم‌قطعیت

6- روش مونت کارلو برای محاسبه عدم‌قطعيت

7- گزارش دهی عدم قطعیت

8- منابع و مراجع

 

آموزش تخمین عدم قطعیت اندازه گیری در آزمایشگاه های شیمیایی و یا کالیبراسیوت با نرم افزار GUM Workbench

جهت هماهنگی برای برگزاری دوره‌ "تجزيه و تحليل آماري و محاسبه عدم قطعيت (EUM)" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نمایید.

 

آشنایی با آنالیز واریانس (ANOVA) و F-test برای انجام مقایسات بین آزمایشگاهی

در تجزیه و تحلیل مقایسات بین آزمایشگاهی و مطالعات درون آزمایشگاهی هنگامی‌ که می‌خواهیم نتایج بیش از سه گروه مختلف (سه آزمایشگاه متفاوت و یا سه تکنسین متفاوت در یک آزمایشگاه) را به یکدیگر مقایسه کنیم، از روش آنالیز واریانس (ANOVA) استفاده می‌شود. روش ANOVA از F-test برای آزمون آماری برابری میانگین‌ها استفاده می‌کند. در این پست، با استفاده از یک مثال برای آنالیز واریانس یک طرفه نشان داده خواهد شد که چگونه ANOVA و F-test را می‌توان برای انجام مقایسات مورد استفاده قرارداد.

اما یک دقیقه صبر کنید ... آیا تا کنون توجه کرده‌اید که چرا می‌خواهید از یک آنالیز واریانس برای تعیین اینکه آیا میانگین‌ها متفاوت هستند، استفاده کنید؟

در این پست همچنین نشان داده خواهد شد که چگونه واریانس اطلاعاتی را در مورد میانگین‌ها فراهم می‌کند. همانطور که در پست آشنایی با  t-tests  بجای معادله‌ها بر روی مفهوم و نمودارها تمرکز شد  در این پست نیز بر روی مفهوم آنالیز واریانس تمرکز می‌شود.

آماره F و آزمون F‌ چیست؟

F-tests و آماره آزمون آن، "F-statistic"، به افتخار رونالد فیشر نامگذاری شد. آماره F نسبت دو واریانس است. واریانس یک شاخص برای اندازه‌گیری میزان پراکندگی است، که نشان می‌دهد تا چه اندازه داده‌ها از میانگین پراکنده شده است. مقادیر بزرگتر واریانس نشان دهنده پراکندگی بیشتر است.

واریانس مربع انحراف استاندارد است. در بسیاری از علوم، استفاده از انحراف استاندارد بجایی واریانس  رایج‌تر است، چرا که انحراف استاندارد هم واحد با داده‌های اندازه‌گیری شده است ولی واریانس پرداکندگی را برحسب مربع واحد داده‌های اندازه گیری شده، نشان می‌دهد. با این حال در بسیار از تجزیه و تحلیل‌های واقعی از واریانس برای انجام محاسبات استفاده می‌کنند.

 آماره F بر اساس به نسبت میانگین مربعات است. اصطلاح "میانگین مربعات" ممکن است گیج کننده باشد اما "میانگین مربعات"به سادگی برآورد واریانس جمعیت است که در آن درجات آزادی (DF) برای محاسبه و برآورد مورد استفاده قرار گرفته است. با این حال، با تغییر واریانس که شامل نسبت است، آزمون F یک آزمون بسیار انعطاف پذیر می‌شود. 

با وجود یک نسبت واریانس، می‌توان آزمون F را در طیف گسترده ای از موقعیت‌ها استفاده نمود. جای تعجب نیست که آزمون F می‌تواند برابری واریانس را ارزیابی کند. به عنوان مثال می‌توان از آماره F و  F-tests برای آزمون وجود تفاوت معنادار در مدل های رگرسیونی (مقایسه برازش‌ها در مدل‌های مختلف)، تعیین ضرایب در معادلات رگرسیونی مختلف، و یا برابری میانگین‌ها استفاده کرد.

 

استفاده از آزمون F در آنالیز واریانس یک طرفه

برای استفاده از آزمون F برای تعیین اینکه آیا میانگین‌ها گروه‌ها مختلف با هم برابر هستند، در آنالیز واریانس یک طرفه، از آماره F به صورت زیر استفاده می‌شود:

 

F = تغیر پذیری بین میانگین نمونه‌ها تقسیم بر تغییر پذیری درون نمونه‌ها

F = variation between sample means / variation within the samples

 

بهترین راه برای درک نسبت فوق در آزمون واریانس یک طرفه استفاده از یک مثال برای تشریح آن است.

مثال: استحکام کششی یک نمونه پلاستیکی توسط چهار آزمایشگاه مختلف مورد آزمون قرار گرفته است. داده‌های مربوط به این مثال از لینک (دانلود مثال استحکام کششی) قابل دانلود است. برای مشاهده و تجزیه و تحلیل داده های مربوط به این مثال لازم است نرم افزار MINItab 17.3.1 را بر روی سیستم خود نصب کنید. 

نرم افزار MINITAB 17.3.1 ‌از لینک زیر قابل دانلود است.

دانلود نرم افزار MINITAB 17.3.1 با لينك مستقيم با حجم 356 مگابايت به همراه کرک 

پسورد فايل فشرده : soft98.ir

 

برای توضیح مفاهیم مربوط به آنالیز واریانس ما از خروجی این نرم افزار استفاده می‌کنیم. پس از نصب نرم افزار و دانلود مثال، برای تجزیه و تحلیل نتایج در نرم افزار MINITAB‌ مسیر زیر را دنبال کنید:

 

Stat > ANOVA > One-Way ANOVA... 

In the dialog box, choose "Strength" as the response, and "Sample" as the factor

Press Ok

 

نرم افزار MINITAB‌ در پنجره Session خروجی زیر را نشان می‌دهد:

 

 

صورت کسر: تغیرپذیری بین میانگین آزمایشگاه‌ها

آنالیز واریانس یک طرفه میانگین نتایج آزمون هر یک از چهار آزمایشگاه را به صورت مجزا محاسبه می‌شود. در مثال ارائه شده میاگین نتایج هر کدام از آزمایشگاه‌ها به ترتیب عبارتند از:  11.203, 8.938, 10.683 و  8.838.

این میانگین‌های آزمایشگاه‌ها در اطراف میانگین کل برای همه 40 مشاهدات که برابر با 9.915 می‌باشد، توزیع شده است. اگر میانگین‌های نتایج آزمایشگاه‌ها  نزدیک به میانگین کل باشند، واریانس آنها کم است و اگر میانگین‌ها آزمایشگاه‌ها فاصله بیشتری از میانگین کل داشته باشد، واریانس آنها بیشتر است.

واضح است که اگر قرار است که نشان داده شود که میانگین‌ها آزمایشگاه‌ها یکسان هستند، در صورتی که میانگین‌ها به یکدیگر نزدیکتر باشند، به این امر کمک خواهند کرد. در این شرایط تغیرپذیری کمتر بین میانگین‌ها نتایج آزمایشگاه ها مطلوب خواهد بود.

تصور کنید که دو آنالیز واریانس یک طرفه مختلف که در آن هر آنالیز چهار گروه دارد، انجام شده است. نمودار زیر پراکندگی میانگین‌ها را نشان می دهد. هر نقطه نشان‌دهنده میانگین نتایج یک گروه است. پراکندگی بیشتر در میانگین نتایج هر گروه، سبب پراکندگی بیشتر در صورت کسر آماره F می‌شود.

 

چه مقدار برای اندازه گیری واریانس بین آزمایشگاه‌ها برای مثال استحکام کششی یک نمونه پلاستیکی بدست می‌آید؟

در خروجی آنالیز واریانس یک طرفه، (ADJ MS) برای Factor که مقدار آن برابر با 14.540 برای اندازه گیری واریانس بین آزمایشگاه‌ها استفاده می‌شود. هیچ گاه سعی نشود برای این مقدار تفسیری را بیان گردد، این عدد (14.540) مجموع مجذور انحرافات تقسیم بر درجه آزادی فاکتورها می‌باشد. فقط در نظر داشته باشید که هر چه میانگین نتایج آزمایشگاه ها بیشتر از هم دوره باشند، این مقدار بزرگتر است.

مخرج کسر: تغییرپذیری درون آزمایشگاهی

پس تخمین صورت کسر آماره F، نیاز به یک تخمین از تغییرپذیری در هر آزمایشگاه برای تعیین مخرج آماره F‌ وجود دارد. برای محاسبه این تخمین (واریانس)، نیاز به محاسبه اینکه هر مشاهد از میانگین نتایج آزمایشگاه خود چقدر فاصله دارد برای کل 40 مشاهده وجود دارذ. به طور فنی، مقدار آن برابر با مجموع مجذور انحراف از هر مشاهده از میانگین نتایج آن آزمایشگاه تقسیم بر خطا درجه آزادی (DF) است.

اگر مشاهدات هر یک از آزمایشگاه نزدیک به میانگین نتایج آزمایشگاه خود هستند، واریانس درون آزمایشگاهی کم است. با این حال، اگر مشاهدات برای هر آزمایشگاه از مقدار میانگین برای آن آزمایشگاه فاصله زیادی داشته باشد، واریانس درون آزمایشگاهی مقدار بزرگی خواهد شد. 

 

در نمودار فوق گراف سمت چپ تغییرپذیری کم درون آزمایشگاهی را نشان می‌دهد و گراف سمت راست تغییرپذیری زیاد درون آزمایشگاهی را نشان می‌دهد تغییرپذیری زیاد درون آزمایشگاهی سبب بزرگ شدن مخرج کسر در آماره F می‌شود. اگر علاقه مند به نشان دادن یکسان بودن میانگین‌های بدست آمده در آزمایشگاه‌های مختلف باشیم، زمانی که واریانس درون آزمایشگاهی زیاد است، برای ما مطلوب خواهد بود.

 برای این مثال آنالیز واریانس یک طرفه، تغییرپذیری درون آزمایشگاهی Adj MS برای Error خواهد بود که مقدار عددی آن برابر با 4.402 است.  آن در نظر گرفته شده به عنوان "Error" چون این تغییرپذیری ناشی از فاکتورها (آزمایشگاه‌ها) نیست.

آماره F : تغییرپذیری بین آزمایشگاهی تقسیم بر تغییرپذیری درون آزمایشگاهی

از آماره F به عنوان آماره آزمون برای F-tests است. به طور کلی، آماره F نسبت دو مقدار تشریح شده در صورت و مخرج کسر است. در ادامه برای انجام تجزیه و تحلیل می‌توان آزمون‌های فرض زیر را تعریف کرد:

فرض 0: میانگین نتایج آزمایشگاه‌ها تفاوت معنادار آماری با یکدیگر ندارد.

فرض 1: میانگین نتایج آزمایشگاه‌ها تفاوت معنادار آماری با یکدیگر دارد.

که در آزمون فوق برای فرض صفر انتظار می‌رود این مقدار برای نسبت تغییرپذیری بین آزمایشگاهی تقسیم بر تغییرپذیری درون آزمایشگاهی برابر "1" باشد و برای فرض یک انتظار می‌رود این مقدار نسبت مخالف "1" باشد.

 آماره F ترکیبی از نسبت تغییرپذیری بین آزمایشگاهی و درون آزمایشگاهی است. باید بررسی شود که تغییرپذیری بین آزمایشگاهی و درون آزمایشگاهی چگونه بر روی مقدار آماره F‌ تاثیر می‌گذارد. به نمودار زیر نگاه کنید و پنهای پراکندگی میانگین آزمایشگاه‌ها را با پهنای پراکندگی نتایج درون هر آزمایشگاه مقایسه کنید.

 

در نمودار سمت چپ که در آن برای آماره F مقدار پایین بدست آمده است، میانگین نتایج آزمایشگاه‌ها نزدیک به هم هستند یعنی آنکه تغییرپذیری بین آزمایشگاهی نسبت به تغییر پذیری درون آزمایشگاهی عدد کوچکی می‌شود. 

در نمودار سمت راست که در آن برای آماره F مقدار بزرگی بدست آمده است، میانگین نتایج آزمایشگاه‌ها با هم فاصله زیادی دارند یعنی آنکه تغییرپذیری بین آزمایشگاهی نسبت به تغییر پذیری درون آزمایشگاهی عدد بزرگی شده است. برای پذیرش یا عدم پذیرش فرض صفر (یکسان بودن میانگین نتایج آزمایشگاه‌ها)‌ نیاز به مقدار بحرانی برای آماره F‌ وجود دارد.

در این مثال برای تجزیه و تحلیل نتایج مقایسات بین آزمایشگاهی تغییر پذیری بین آزمایشگاهی (Factor Adj MS) برای صورت کسر برابر با 14.540 و تغییر پذیری درون آزمایشگاهی  (Error Adj MS) برای مخرج کسر برابر با 4.402 شده است، که مقدار F برابر با 3.30 را می دهد.

اینک سئوالی که پیش می‌آید آن است که "آیا مقدار F ما به اندازه بزرگ است که نتیجه گیری شود نتایج آزمایشگاه‌های مختلف، تفاوت معنادار آماری دارند؟" برای پاسخگویی به این پرسش می‌توان از جداول آماری یا از محاسبه احتمالات توزیع F می‌توان استفاده نمود.

توزیع F و آزمون فرض آماری

برای آنالیز واریانس یک طرفه، نسبت تغییرپذیری بین آزمایشگاهی و تغییرپذیری درون آزمایشگاهی همگامی فرض صفر درست است از تابع توزیع F‌ پیروی می کند. 

 

هنگامی که انجام آنالیز واریانس یک طرفه برای مطالعه، یک مقدار F به دست می‌آید. با این حال، اگر ما چندین نمونه های تصادفی با سایز یکسان از جمعیت یکسان برداشته شود آنالیز واریانس یک طرفه ANOVA انجام شود، مقادیر متفاوتی از F‌ بدست می‌آید و می‌توان توزیع همه آنها را رسم نمود. این نوع از توزیع به عنوان یک توزیع نمونه شناخته شده است. 

از آنجا که در توزیع F فرض می شود که فرضیه صفر درست است، می‌توان احتمال درست بودن فرض صفر را از تابع توزیع F محاسبه نمود. اگر احتمال درست بودن فرض صفر کم باشد، می توان نتیجه گیری نمود که شواهدی کافی برای رد فرض صفر وجود دارد. احتمال درستی فرض صفر را بنام p-value می‌شناسند. 

 

اگر فرضیه صفر درست باشد و ما مطالعه خودمان را چندین بار تکرار کنیم نمودار فوق برای توزیع مقادیر F بدست خواهد آمد. ناحیه قرمز رنگ احتمال مشاهده یک مقدار برای F‌ که  بزرگتر از F‌ بدست آمده برای مثال (3.3) را نشان می‌دهد. مقدار احتمال بدست آمده برای F‌ در ناحیه قرمز رنگ 3.1% است. این مقدار به اندازه کافی کوچک است که بتوان فرض صفر را در سطح معناداری 0.05 (سطح اطمینان 95%) رد کرد. لذا می‌توان نتیجه گرفت که میانگین نتایج آزمایشگاه‌های مختلف با هم یکسان نیست و از نظر آماری تفاوت معناداری دارند.

بررسی میانگین‌ها به وسیله آنالیز تغییرپذیری

 آنالیز واریانس ANOVA از آزمون F برای تعیین اینکه آیا تغییرپذیری بین آزمایشگاهی بزرگتر از تغییرپذیری درون آزمایشگاهی است، استفاده می‌کند. در صورتی که این نسبت به اندازه کافی بزرگ باشد،  می‌توان نتیجه گیری کرد که میانگین نتایج همه آزمایشگاه‌ها با هم یکسان نیستند.

 

آموزش تجزیه و تحلیل نتایج مقایسات بین آزمایشگاهی
جهت هماهنگی برای برگزاری دوره‌ " آشنایی با روشهای آماری در مقایسات بین آزمایشگاهی" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نماید.

برگزاری دوره آموزشی آشنایی با روش‌های آماری در مقایسات بین‌آزمایشگاهی و آزمون مهارت

دوره آموزشی آشنایی با روش‌های آماری در مقایسات بین‌آزمایشگاهی و آزمون مهارت در اداره استاندارد و تحقیقات صنعتی استان زنجان به مدت 12 ساعت برگزار گردید. در این دوره آموزشی الزامات ویرایش جدید استاندارد ISO/IEC 17025:2017 برای اطمینان از کیفیت نتایج آزمون و همچنین الزامات ویرایش جدید استاندارد ISO 13528:2015‌ برای تجزیه و تحلیل نتایج آزمون مهارت برای داده‌های کیفی (اسمی و ترتیبی)  تشریح گردید. سایر مطالب ارائه شده در این دوره آموزشی به شرح زیر است:

1- مقدمه‌ای بر مقایسات بین‌آزمایشگاهی و آزمون مهارت؛

2- آشنایی با مفاهیم پایه؛

3- آشنایی با استانداردهای موجود در مقایسات بین‌آزمایشگاهی؛

4- مقایسات بین‌آزمایشگاهی و استانداردهای ASTM E691:2014 و ISO 5725؛

5- آزمون مهارت و استانداردهای ISO 13528:2015 و APLAC PT 002؛

6- مقایسات آماری نتایج آزمون در نرم افزار Minitab؛

7- تجزیه و تحلیل نتایج مقایسات برای داده‌های کیفی (اسمی و ترتیبی)؛

8- مراجع و منابع؛

 

آموزش تجزیه و تحلیل نتایج مقایسات بین آزمایشگاهی
جهت هماهنگی برای برگزاری دوره‌ " آشنایی با روشهای آماری در مقایسات بین آزمایشگاهی" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نماید.

برگزاری دوره تخمین عدم‌قطعيت اندازه‌گيري برای آزمون‌های شیمیایی در پژوهشگاه استاندارد

دوره آموزشی تخمین عدم‌قطعيت اندازه‌گيري برای آزمون‌های شیمیایی با استفاده از نرم افزار GUM Workbench در پژوهشگاه استاندارد ایران به مدت 16 ساعت برگزار گردید.

مدرس دوره: مصطفی دستمردی

تاریخ برگزاری دوره: 7و 8 اردیبهشت ماه 1395

 

 

سرفصل مطالب ارائه شده در این دوره آموزشی:

1- آشنايي با مفهوم عدم‌قطعيت در اندازه‌گيري

2- مراحل محاسبه و تخمين عدم‌قطعيت

      2-1- مشخص نمودن اندازه‌ده

      2-2-  استخراج مدل رياضي

      2-3- شناسايي منابع ايجاد عدم‌قطعيت

      2-3-1- مقدمه‌اي بر علم آمار

2-4- تخمين و محاسبه عدم‌قطعيت

      3-4-1- روش‌هاي گوناگون محاسبه و تخمين عدم‌قطعيت

      3-4-2- روش gum‌ براي محاسبه عدم‌قطعيت

      3-4-3-تعيين ضريب حساسيت

 3- حل چند مثال‌

     3-1- محاسبه عدم‌قطعيت در توزين

     3-2- محاسبه عدم‌قطعيت با نرم افزار GUM Workbench

     3-3-محاسبه عدم قطعت در تعيين حجم

      3-4-محاسبه عدم‌قطعيت در تهيه محلول استاندارد کاليبراسيون

     3-5- محاسبه عدم‌قطعیت در تیتراسیون

     3-6- محاسبه عدم‌قطعیت در اندازه‌گیری pH

     3-7- محاسبه عدم‌قطعیت در آزمون کروماتوگرافی مایع با کارایی بالا ((HPLC

4- انواع آزمون‌ها از نظر الزامات مربوط به تخمین عدم‌قطعیت

5- روش مونت کارلو برای محاسبه عدم‌قطعيت

6- گزارش دهی عدم‌قطعیت

7- منابع و مراجع

 

آموزش تخمین عدم قطعیت اندازه گیری در آزمون های شیمیایی با نرم افزار GUM Workbench

جهت هماهنگی برای برگزاری دوره‌ "محاسبه عدم قطعیت اندازه گیری با نرم افزار" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نمایید.

بند 7-6-عدم قطعیت اندازه گیری در ویرایش جدید استاندارد ISO/IEC 17025:2017

کمیته CASCO پیش نویس داخلی برای رای گیری (CIB) ویرایش جدید استاندارد ISO/IEC 17025:2017 در 2015-09-25 منتشر نمود. در بند 7-6 این پیش نویس الزامات بررسی عدم قطعیت اندازه گیری آورده شده است. متن کامل الزامات ذکر شده برای تخمین و برآورد عدم قطعیت در اندازه گیری به شرح زیر است.

7.6.1 یک آزمایشگاه که کار کالیبراسیون را انجام می دهد باید روش های برای بررسی عدم قطعیت اندازه گیری برای تمام کالیبراسیون خود داشته باشد و باید آن را اعمال نماید.

7.6.2 یک آزمایشگاه آزمون باید روش های برای بررسی عدم قطعیت اندازه گیری برای تمام آزمون های خود داشته باشد و باید آن را اعمال نماید. در برخی موارد ماهیت روش آزمون ممکن است مانع محاسبه عدم قطعیت به صورت خیلی دقیق شود. در این موارد آزمایشگاه باید حداقل برای مشخص کردن کلیه مولفه‌های عدم قطعیت تلاش کند و بررسی معقولی از آن را به دست آورد. بررسی معقول باید بر شناخت عملکرد روش و بر دامنه اندازه گیری مبتنی باشد و باید مثلا از تجربه و داده‌های صحه گذاری پیشین استفاده شود.

7-6-3- در مواردی که در روش آزمون به خوبی شناخته شده، حدودی را برای مقادیر مربوط به منشاء‌های عمده عدم قطعیت اندازه گیری مشخص شده باشد و نحوه ارائه نتایج محاسبه شده نیز مشخص گردیده باشد، مي‌توان گفت که آزمایشگاه با مراعات این روش آزمون و دستورالعمل گزارش دهی (به بند 7.6.2 مراجعه شود) الزامات این بند را برآورده ساخته است.

یادآوری: برای یک روش آزمون خاص مورد استفاده در آزمایشگاه های آزمون که در آن عدم قطعیت اندازه گیری مربوط به نتایج آزمون به دست آمده با استفاده از روش شناخته شده است، اگر عوامل شناسایی شده موثر بسیار مهم تحت کنترل هستند و بدون تغییر باقی بماند، نیازی به برآورد عدم قطعیت اندازه گیری برای هر نتیجه آزمون وجود ندارد.

7-6-4- در هنگام تخمین عدم قطعیت اندازه گیری باید کلیه مولفه‌های عدم قطعیت را که در وضعیت مفروض حائز اهمیت است، با استفاده از روش‌های تحلیل مناسب مد نظر قرار داد.

یادآوری : برای اطلاعات بیشتر به استاندارد بین‌المللی ISO 5725 و ISO/IEC Guide 98-3 "راهنمایی جهت بیان عدم قطعیت در اندازه گیری" مراجعه شود.

در پیش نویس ویرایش جدید ISO/IEC 17025:2017 نسبت به ویرایش قبلی زیر ایجاد شده است:

1-  عنوان بند 5-4 "روش‌هاي آزمون و کاليبراسيون و صحه گذاري روش‌ها" به "انتخاب تصدیق و صحه گذاری روش ها" تغییر یافته است و شماره بند آن در استاندارد ویرایش جدید 7-7 است و محاسبه عدم قطعیت از زیر مجموعه این بند حذف شده است.

2- محاسبه عدم قطعیت در ویرایش قبلی در زیر بند شماره 5-4-6 بود که به عنوان یک زیر بند از بند 5-4 (روش‌هاي آزمون و کاليبراسيون و صحه گذاري روش‌ها)  قرار داشت. در ویرایش جدید استاندارد محاسبه عدم قطعیت به عنوان یک بند مجزاء از بند مربوط به "انتخاب تصدیق و صحه گذاری روش ها" آورده شده است. که این امر می تواند نشان دهند تاکید بیشتر به اهمیت بررسی عدم قطعیت اندازه گیری در ویرایش جدید استاندارد ISO/IEC 17025:2017 باشد. 

3- یادآوری 1 زیر بند 5-4-6-2 ویرایش سال 2005 که در خصوص میزان سختگیری لازم برای تخمین عدم قطعیت اندازه گیری بود حذف شده است.

4- یادآوری 2 زیر بند 5-4-6-2 ویرایش سال 2005 تبدیل به یک بند (بند 7-4-3) شده است.

5- یادآوری 1 "منشاء‌های دخیل در ایجاد عدم قطعیت...."  و یادآوری 2 "رفتار درازمدت پیش بینی شده اقلام مورد آزمون ...."  زیر بند 5-4-6-3 حذف شده است.

 

آموزش تخمین عدم قطعیت اندازه گیری با نرم افزار GUM WORK BENCH

 جهت هماهنگی برای برگزاری دوره‌ "محاسبه عدم قطعیت اندازه گیری با نرم افزار GUM WORK BENCH" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نمایید

بند 7-8- اطمینان از کیفیت نتایج آزمون در ویرایش جدید استاندارد ISO/IEC 17025:2017

کمیته CASCO پیش نویس داخلی بر ای رای گیری (CIB) ویرایش جدید استاندارد ISO/IEC 17025:2017 در 2015-09-25 منتشر نمود. در بند 7-6 این پیش نویس الزامات مربوط به تضمین کیفیت نتایج آزمون آورده شده است. متن کامل الزامات ذکر شده برای تضمین کیفیت نتایج به شرح زیر است (تغییرات ویرایش جدید نسبت به ویرایش سال 2005 با رنگ سبز مشخص شده است).

7-8-1- آزمایشگاه باید برای پایش اعتبار فعالیت‌های که انجام آنها را برعهده دارد و کیفیت خروجی آزمایشگاه روش‌های داشته باشد. داده‌های به دست آمده باید به نحوی ثبت شوند که روند آن‌ها قابل تشخیص باشد و هرگاه عملی باشد، باید فنون آماری در مورد بررسی نتایج به کار رود. این پایش باید طرح‌ریزی و بازنگری شود و باید شامل موارد زیر باشند، اما منحصر به آن‌ها نخواهد بود: 

الف) استفاده مرتب از  مواد مرجع یا مواد کنترل کیفیت 

یادآوری: توصیه می شود از مواد مرجع که مطابق با الزامات ISO 17034 تولید شده، استفاده شود. ISO Guide 33 راهنمایی برای انتخاب و استفاده از مواد مرجع فراهم می کند.

ب) استفاده منظم از ابزار اندازه شناختی قابل ردیابی جایگزین؛

پ) بررسی عملکرد تجهیزات اندازه گیری و آزمون؛

ت) استفاده از استانداردهای کاری یا کنترل با نمودار کنترل، جایی که قابل اجرا است؛

ث) چک دوره ای بر روی تجهیزات اندازه گیری؛

ج) تکرار آزمون‌ها یا کالیبراسیون‌ها با استفاده ازهمان روش‌ها یا روش‌های دیگر؛

ح) آزمون مجدد یا کالیبراسیون مجدد اقلام نگهداری شده؛

خ) همبستگی میان نتایج مربوط به ویژگی‌های مختلف یک قلم ؛

د) بررسی داده های گزارش شده به وسیله کارکنان آزمایشگاه دارای صلاحیت؛

ذ)  مقایسات درون آزمایشگاهی ؛

ر) تست کور.

 

 

7-8-2- آزمایشگاه باید کیفیت نتایج آزمایشگاه با مقایسه با نتایج آزمایشگاه‌های دیگر (در جایی که در دسترس و مناسب باشد) پایش نماید. این پایش‌های باید برنامه‌ریزی و بازنگری شود این پایش‌ها مي‌تواند شامل موارد زیر باشند، اما منحصر به آن‌ها نخواهد بود: 

 

 الف) شرکت در آزمون مهارت؛

 یادآوری: استاندارد ISO / IEC 17043 حاوی اطلاعات بیشتر درباره آزمون مهارت و سازمان دهندگان آزمون مهارت است.

 ب) شرکت در مقایسات بین آزمایشگاهی به غیر از آزمون مهارت؛

 

7-8-3- داده‌های فعالیت‌های پایش باید تجزیه و تحلیل گردد و برای کنترل و بهبود فرایند فعالیت‌های آزمایشگاه استفاده شود. اگر نتایج تجزیه و تحلیل خارج از معیارهای از پیش تعریف شده باشند، باید اقدامات مناسبی باید انجام گردد تا از ارائه گزارش نتایج نادرست جلوگیری شود.

  

 آموزش تضمین کیفیت داخلی و خارجی نتایج آزمون 

 جهت هماهنگی برای برگزاری دوره‌ "کنترل کیفیت داخلی و خارجی نتایج آزمون" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نمایید.

برگزاری دوره آموزشی مبانی و مستندسازی ISO/IEC 17025

دوره آموزشی آشنایی با الزامات، مبانی و مستند سازی ISO/IEC 17025 به مدت 16 ساعت در آزمایشگاه های کالیبراسیون شرکت میزان کاران نوین برگزار گردید.

مدرس دوره: مصطفی دستمردی

تاریخ برگزاری دوره: 25 و 26 اسفند ماه 1394

سرفصل دوره آموزشی:

• مقدمه بر استاندارد ISO/IEC 17025
• مزایای استاندارد ISO/IEC 17025
• اصطلاحات و تعاریف در استاندارد ISO/IEC 17025
• الزامات مدیریتی استاندارد ISO/IEC 17025
• الزامات فنی استاندارد ISO/IEC 17025

برگزاری دوره آموزشی تخمین عدم قطعیت اندازه گیری با رویکرد بالا به پایین (Top-Down)

دوره آموزشی تخمین عدم قطعیت اندازه گیری با رویکرد بالا به پایین (Top-Down) با استفاده از نرم افزار MU Kit در اداره استاندارد و تحقیقات صنعتی استان مازندارن به مدت 16 ساعت برگزار گردید.

مدرس دوره: مصطفی دستمردی

تاریخ برگزاری دوره: 12و 13 اسفند ماه 1394

 

سرفصل مطالب ارائه شده در این دوره آموزشی:

1- آشنایی با برخی مفاهیم پایه در اندازه‌گیری

2- عدم‌قطعیت اندازه‌گیری چیست؟

3- معرفی رویکردهای مختلف در تخمین عدم‌قطعیت اندازه‌گیری

4- رویکرد بالا به پایین در محاسبه عدم‌قطعيت

     4-1- اصول پایه رویکرد بالا به پایین

     4-2- محاسبه عدم‌قطعیت برای تجدیدپذیری درون آزمایشگاهی (u(Rw

      4-3- محاسبه عدم‌قطعیت برای گرایش آزمایشگاه و روش (u(Bias

      4-4- نقشه راه برای تخمین عدم‌قطعیت اندازه‌گیری به روش بالا به پایین

5- ارائه چندین مثال برای رویکرد بالا به پایین

6- محاسبه عدم قطیعت برای آزمون‌های میکروبیولوژی

7- مقایسه رویکردهای مختلف در تخمین عدم‌قطعیت اندازه‌گیری

8- گزارش‌دهی عدم‌قطعیت در نتایج آزمون

9- منابع و مراجع

 

 

آموزش تخمین عدم قطعیت اندازه گیری با رویکرد بالا به پایین (Top-Down)

 جهت هماهنگی برای برگزاری دوره‌ "محاسبه عدم قطعیت اندازه گیری با رویکرد بالا به پایین (Top-Down)" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نمایید.

 

تجزیه و تحلیل رگرسیون: چگونه می توانیم ضریب تعیین و ارزیابی همقوارگی را تفسیر کنیم؟

همقوارگی خوب (Goodness-of-Fit) برای یک مدل رگرسیونی چیست؟

باقیمانده ها (Residual) در رگرسیون به صورت زیر تعریف می شود:

مقدار برازش شده - مقدار مشاهده شده = باقیمانده ها

 

رگرسیون، یک معادله را که فاصله بین خط برازش شده و همه نقاط داده شده را به حداقل برساند، ارائه میکند. به طور کلی رگرسیون مجموع مربعات باقیمانده ها را حداقل میکند.

یک مدل برازش شده برای داده ها خوب است اگر تفاوت بین مقادیر مشاهده شده و مقادیر پیش بینی مدل کوچک و نااریب باشند. 

قبل از آنکه به مقادیر آماری برای برازش خوب (همقوارگی) نگاه شود بایستی نمودار باقیمانده ها بررسی گردد. نمودارهای باقیمانده می تواند الگوهای موجود در باقیمانده و نتایج اریب را نشان دهند. پس از بررسی نمودار باقیمانده ها و در صورت عدم مشاهده هیچ الگوی خاصی در این نمودار مقادیر آماری برای برازش خوب مثل ضریب تعیین (R²) را می توان بررسی نمود. 

ضریب تعیین R² چیست؟

R² اندازه گیری آماری نزدیک داده ها به خط رگرسیون برازش شده میباشد. به R²، ضریب تعیین یا ضریب تشخیص نیز گفته می شود. 

تعریف ضریب تعیین (R²) نسبتاً ساده است: "ضریب تعیین (R²) نشان میدهد که چند درصد تغییرات متغیر وابسته به وسیله متغیر مستقل تبیین می شود" یا به عبارت دیگر ضریب تعیین نشان دهنده این است که "چه مقدار از تغییرات متغیر وابسته تحت تاثیر متغیر مستقل مربوطه بوده و مابقی تغییرات متغیر وابسته مربوط به سایر عوامل میباشد."

R-squared = Explained variation / Total variation

 

ضریب تعیین همیشه بین 0 و 100٪ است:

0٪ نشان می دهد که مدل هیچ یک از تغییرپذیری داده های پاسخ در اطراف میانگین آن را تبیین نمی کند.

100٪ نشان می دهد که مدل همه تغییرپذیری داده های پاسخ در اطراف میانگین آن را تبیین می کند.

نمایش گرافیکی از ضریب تعیین (R²)

نمودار مقادیر برازش شده توسط مقادیر مشاهده به صورت گرافیکی مقادیر ضریب تعیین مختلف برای مدل های رگرسیونی را نشان می دهد.

مدل رگرسیون سمت چپ R²=38.0% و مدل سمت راست دارای R²=87.4%  است. مقدار ضریب تعیین بالاتر نشان می دهد که در مدل رگرسیونی مقدار مشاهده شده به خط برازش شده نزدیک تر هستند. از لحاظ تئوری اگر R²=100.0% شود تمامی مقادیر مشاهده شده با مقادیر برازش شده یکسان خواهند بود و همه نقاط داده ها بر روی خط برازش شده قرار خواهند گرفت.

 

محدودیت های کلیدی ضریب تعیین (R²)

ضریب تعیین نمی تواند تعیین کند که آیا مدل برازش شده اریب است یا نه، به همین دلیل باید نمودارهای باقیمانده را ارزیابی نمود. ضریب تعیین (R²) نشان نمی دهد که آیا یک مدل رگرسیون مناسب است یا نه. نکته قابل تأمل آن است که یک مدل رگرسیونی خوب ممکن است ضریب تعیین (R²) پایین داشته باشید و یک مدل رگرسیونی با مقدار ضریب تعیین  (R²) بالا ممکن است برای برازش داده ها مناسب نباشد!

 آیا ضریب تعیین (R²) پایین ذاتاً بد است؟

 نه! دو دلیل مهم که چرا مقادیر ضریب تعیین  (R²) پایین می تواند بد نباشد، وجود دارد.

در برخی از زمینه ها، به طور کلی انتظار می رود که مقادیر ضریب تعیین  (R²) پایین باشد. به عنوان مثال، در زمینه تلاش برای پیش بینی رفتار انسان (مانند روانشناسی) معمولا مقادیر ضریب تعیین  (R²) کمتر از 50٪ است. رفتار انسان ها به سادگی مانند فرآیندهای فیزیکی قابل پیش بینی نیست.

به علاوه، ممکن است ضریب تعیین  (R²) پایین باشند، اما متغیرهای پیش بینی معنی دار از نظر آماری وجود داشته باشند، در این صورت هنوز هم میتوان نتیجه گیری مهمی در مورد چگونگی تغییر در مقدار متغیر پاسخ در ارتباط به متغیر ورودی ترسیم نمود. صرف نظر از ضریب تعیین  (R²) ضرایب معنادار آماری مدل رگرسیونی هنوز میانگین تغییر در متغیر پاسخ برای یک واحد تغییر در متغیر ورودی را ارائه می کند. بدیهی است، این نوع از اطلاعات می تواند بسیار با ارزش است.

 

در سایت نرم افزار MINITAB نشان داده شده است که ضریب تعیین  (R²) پایین بر روی تفسیر متغیرهای معنادار تاثیر نمی گذارد.

یک ضریب تعیین  (R²) پایین زمانی که قصد آن وجود دارد که یک پیش بینی با دقت معقول انجام شود (دارای یک بازه ی پیش بینی به اندازه کافی کوچک) بیشتر مشکل ساز خواهد بود. سئوالی که مطرح می شود آن است که چقدر یک ضریب تعیین  (R²) برای پیش بینی باید بزرگ باشد؟ این امر بستگی به نیاز مطالعه برای عرض یک بازه پیش بینی و میزان تغییرپذیری در داده ها دارد. مادامی که یک ضریب تعیین  (R²) بالا برای پیش بینی ها دقیق مورد نیاز است، همانطور که در ادامه نشان داده خواهد شد این امر به خودی خود برای صحت مدل کافی نیست. همچنین زمانی که قصد داریم تمامی جوانب احتمالی متغیر پاسخ را برای جامعه ای با تغییرپذیری بالا بررسی کنیم (مثل پیش بینی تعداد آری احتمالی یک کاندیدا برای ریاست جمهوری)، داشتن یک بازه بزرگ تر برای مقادیر پیش بینی (یعنی ضریب تعیین  (R²) کوچک) نیز قابل استفاده خواهد بود.

 آیا ضریب تعیین (R²) بالا ذاتاً خوب است؟

 نه! ضریب تعیین  (R²) بالا لزوماً نشان نمی دهد که صحت یک مدل مناسب است. ممکن است متعجب شود، اما به دو نمودار زیر (نمودار خط برازش شده و نمودار باقیمانده ها) نگاه کنید. نمودار خط برازش شده رابطه بین تحرک الکترون نیمه هادی و لگاریتم طبیعی چگالی برای داده های تجربی واقعی نشان می دهد.

 

 

نمودار نشان می دهد که داده ها با یک تابع با ضریب تعیین 98.5٪، که مقدار بزرگی است برازش شده است. با این حال، با نگاه دقیق تر به خط رگرسیون مشخص می شود که در نقاط مختلف در طول منحنی رگرسیون داده های به صورت سیستماتیک زیر و بالای خط برازش شده قرار دارند. این نشان دهند وجود اریبی در معادله برازش شده است. همچنین یک الگو در نمودار باقیمانده ها مشاهده می شود. در این نمودار انتظار می رود در حالت مطلوب هیچ الگوی خاصی وجود نداشته باشد و باقیمانده ها رفتاری تصادفی و توزیع نرمال داشته باشند. لذا وجود این الگوها نشان دهنده یک برازش با صحت نامناسب است. به همین دلیل می باشد که علاوه بر ضریب تعیین (R²) برای بررسی مناسب بودن صحت یک مدل برازش شده باید روندها در نمودار باقیمانده ها را نیز بررسی نمود.

با این حال هنگامی که مدل رگرسیونی متغیرهای پیش بینی مهمی (مثل اثرات متقابل یا چند جمله ای) را از دست می دهد اریبی های مشابه با نمودار فوق ممکن است، اتفاق بی افتد.

برای کسب اطلاعات بیشتر که چرا یک ضریب تعیین  (R²) بالا همیشه نشان دهنده خوب بودن مدل نمی باشد پست مربوط به پنج دلیل که چرا ضریب تعیین  (R²) می تواند بیش از حد بزرگ باشد را ملاحظه نمایید.

 حرف پایانی در خصوص ضریب تعیین  (R²)

ضریب تعیین (R²) برای اینکه تعیین کند چقدر خوب یک معادله رگرسیونی داده ها را برازش می کند مفید است. اما همانگونه که ملاحظه شده ضریب تعیین به تنهایی برای بررسی صحت مدل کفایت نمی کند و بایستی علاوه بر ضریب تعیین (R²)، نرمال بودن داده ها یا باقیمانده ها، ثابت بودن واریاس در سطوح مختلف، استقلال داده ها نسبت به زمان و اریب نبودن مشاهدات برای صحت مدل برازش شده مورد ارزیابی قرار گیرند.

در حالی که ضریب تعیین (R²) تخمینی از قدرت رابطه بین مدل و متغیر پاسخ فراهم می کند، اما یک آزمون فرضیه رسمی برای این رابطه ارائه نمی دهد. از آزمون F-TEST برای تعیین اینکه رابطه معنادار آماری وجود دارد یک خیر استفاده می شود. 

در پست ها بعدی در خصوص تجزیه و تحلیل رگرسیون سعی خواهد شده به این موضوع که ضریب تعیین (R²) تنها ناقص است دو نوع ضریب تعیین دیگر  adjustedR2 و predictedR2 را نیز مورد بررسی قرار دهیم.

پنچ دلیل که چرا ضریب تعیین (R2) می تواند بیش از حد بزرگ باشد

برگزاری دوره آموزشی تجزیه و تحلیل سیستم های اندازه گیری (MSA)

 

دوره آموزشی آشنایی تجزیه و تحلیل سیستمهای اندازه گیری (MSA) در اداره استاندارد و تحقیقات صنعتی استان زنجان به مدت 16 ساعت برگزار گردید.

مدرس دوره: مصطفی دستمردی

تاریخ برگزاری دوره: 14 و 15 بهمن ماه 1394

سرفصل مطالب ارائه شده در این دوره آموزشی:

1- مقدمه‌ای بر تجزیه و تحلیل سیستم‌های اندازه‌گیری

2- آشنایی با مفاهیم پایه

3- عوامل ایجاد نوسان و خطا در اندازه‎گیری

4- مراحل اجرای تجزیه و تحلیل سیستم‌های اندازه‌گیری

5- آشنايي با نرم افزار Minitab

6- تجزیه و تحلیل در سیستم‌های اندازه‌گیری وصفی

        6-1- مقدمه‌ای بر سيستم‌های اندازه‌گيري وصفي

        6-2- روش مطالعه سیستم‌های اندازه‌گیری وصفی

        6-3- تعريف شاخص‌ها و حدود پذيرش در سيستم‌های وصفي (به همراه یک مثال)

        6-4- بررسی همزمان چند ویژگی وصفی (به همراه یک مثال)

        6-5- مطالعه سیستم‌های اندازه‌گیری وصفی به روش تحلیلی (به همراه یک مثال)

        6-6- مطالعه سیستم‌های اندازه‌گیری وصفی به روش توافقی (به همراه یک مثال)

7- تجزیه و تحلیل در سیستم‌های اندازه‌گیری کمی

        7-1- مطالعه بایاس در سیستم‌های اندازه‌گیری کمی

        7-2- بررسی خطی بودن در سیستم‌های اندازه‌گیری کمی

        7-3- مطالعه تکرارپذیری و تجدیدپذیری در سیستم‌های اندازه‌گیری کمی

        7-4- مطالعه تکرارپذیری و تجدیدپذیری برای آزمون‌های تکرار ناپذیر

        7-5- مطالعه تکرارپذیری و تجدیدپذیری در سیستم‌های اندازه‌گیری کمی بسط یافته

        7-6- بررسی توانایی سیستم‌های اندازه‌گیری کمی

        7-7- مطالعه پایداری در سیستم‌های اندازه‌گیری کمی

        7-8- ترسیم نمودار روند و مباحث تکمیلی

 

 آموزش تجزیه و تحلیل سیستم های اندازه گیری (MSA) 

جهت هماهنگی برای برگزاری دوره‌ "تجزیه و تحلیل سیستم های اندازه گیری (MSA)" مي‌توانيد با شماره همراه مدیریت سایت (مصطفی دستمردی)  09125446045 یا ايميل [e-mail] تماس حاصل نمایید.

چگونگی بررسی تفاوت معنادار آماری در دو معادله رگرسیون خطی

اگر آنالیز رگرسیون خطی را انجام دهید، ممکن است به مقایسه عرض از مبداء و شیب خطوط رگرسیون های متفاوت نیاز داشته باشید. تصور کنید یک رابطه بین X و Y وجود دارد. حال فرض کنید که می‌خواهید تعیین کنید آیا این رابطه تحت شرایط متفاوت تغییر کرده است یا نه؟ این شرایط متفاوت می‌تواند دو محیط متفاوت، دو روش آزمون متفاوت، دو فرایند تولیدی متفاوت، دو اپراتور متفاوت یا متغیرهای کیفی مشابه دیگر باشند که می‌خواهید تعیین کنید که رابطه بین X و Y تحت تاثیر این متغیرهای کیفی متفاوت قرار گرفته است یا خیر.

به عنوان مثال شما ممکن است بخواهید ارزیابی کنید که آیا رابطه قد و وزن بازیکنان فوتبال با رابطه قد و وزن افراد عادی در جامعه از نظر آماری تفاوت معناداری دارد یا خیر؟

شما می توانید به صورت چشمی عرض از مبداء و شیب خطوط رگرسیون را با هم مقایسه کنید. با این حال، باز هم نیاز به انجام آزمون‌های آماری جهت بررسی وجود تفاوت معنادار است. آزمون‌های فرض آماری کمک خواهند کرد که تفاوت‌های واقعی را از تفاوت‌های ناشی از خطای نمونه برداری در یک سطح اطمینان مشخص، تعیین کنید.

در این پست، نشان داده خواهد شد که چگونه می‌توان رابطه‌های بین مدلهای مختلف رگرسیون را با هم مقایسه کرد و وجود یا عدم وجود تفاوت معنادار آماری را تعیین نمود. خوشبختانه این آزمون‌ها به راحتی با نرم افزار آماری Minitab قابل انجام است. 

برای انجام این کار در این پست از یک مثال استفاده شده است (دانلود فایل مثال) که در آن دو متغیر ورودی و خروجی در یک فرایند فرضی وجود دارند. قرار است رابطه بین این دو متغیر را در دو شرایط متفاوت (به عنوان مثال دو روش آزمون متفاوت) با هم مقایسه شوند. 

مقایسه عرض از مبدا دو خط در آنالیز رگرسیون ها

هنگامی که عرض از مبداء در دو معادله رگرسیون مختلف متفاوت است، نشان دهنده آن است که دو خط رگرسیون در جهت محور Y به سمت بالا یا پایین جابه‌جایی دارند. در نمودار زیر، می‌توان مشاهده نمود که متغیر خروجی تحت شرایط B (روش آزمون B) بالاتر از شرایط A (روش آزمون A) برای هر یک از مقادیر ورودی داده شده است. هدف تعیین آن است که آیا این تغییر مکان عمودی از نظر آماری معنادار است؟

 
جهت آزمون تفاوت بین ضرایب عرض از مبداء، فقط نیاز به یک متغیر جهت طبقه‌بندی شرایط مختلف وجود دارد که این متغیر بایستی از نوع وصفی باشد. برای مثال‌های استفاده شده در این پست یک متغیر وصفی برای تعیین شرایط (A or B) در هر یک از مشاهدات بکار گرفته شده است.

برازش مدل رگرسیونی در نرم افزار MINITAB از مسیر زیر برای مثال ارائه شده قابل انجام است:

 Stat > Regression > Regression > Fit Regression Model

 response variable: Output

continuous predicotr: Input

categorical predictor: Condition

در خروجی آنالیز رگرسیون ابتدا جدول ضرایب بررسی می‌شود:

 

 

 

 

 

 

این جدول نشان می دهد که رابطه بین دو متغیر ورودی (Input) و خروجی (Output) با توجه به آنکه مقدار P-Value برابر با 0.000 شده است، از نظر آماری معنی دار می باشد.

ضریب عرض از مبداء برای متغیر وصفی شرایط مختلف برابر 10 و مقدار P-Value آن (0.000) می‌باشد که نشان می‌دهد عرض از مبداء در دو معادله رگرسیونی بدست آمده تفاوت معناداری دارند و فرضیه صفر که برابری عرض از مبداء‌ها در دو معادله رگرسیونی است، رد می شود. همچنین می توان تفاوت بین دو ضریب عرض از مبداء را در جدول معادله رگرسیون زیر نیز مشاهده نمود.

 

 

 

 

 

مقایسه ضرایب شیب خط در دو معادله رگرسیون

نمودار زیر را در نظر بگیرید، یک مقدار واحد برای متغیر ورودی در دو معادله پاسخ های متفاوتی را ارائه می دهند. به نظر می رسد افزایش یک واحد در متغیر ورودی در وضعیت B افزایش بیشتری را نسبت به وضعیت A دارد. این شرایط در نمودار به صورت بصری مشخص است، بررسی وجود تفاوت آماری معنادار در شیب دو معادله خط مدنظر است. 

 

 

انجام آزمون آماری تفاوت بین ضرایب شیب خط به نظر مشکل است؛ اما در واقع این امر بسیار ساده و مشابه با مثال قبل قابل انجام می‌باشد و تنها بایستی تعیین کرد که آیا ضرایب شیب خط وابسته به متغیر وضعیت است. در علم آمار، زمانی می گویند که تاثیر یک متغیر وابسته به متغیر دیگر است، که اثر متقابل (interaction) وجود داشته باشد. لذا آنچه که باید انجام دهیم آن است که تعیین کنیم که آیا اثر متقابل بین دو متغیر Input*Condition وجود دارد یا خیر.

در MINITAB می‌توان وجود اثر متقابل را در پنجره تجزیه و تحلیل داده ها رگرسیون بررسی کرد. بعد از آنکه مدل رگرسیون برازش گردید وجود یا عدم وجود اثر متقابل (interaction) به راحتی قابل کنترل است.  برای مثال به جدول زیر توجه نمایید. 

 

 

 

 

 

 

 

جدول فوق نشان می دهد اثر متقابل بین دو متغیر (Input*Condition) از نظر آماری معنادار است؛ زیرا مقدار p = 0.000 می‌باشد. در نتیجه، فرض صفر رد و نتیجه گیری می‌شود که تفاوت بین ضرایب شیب خط (1.5359 و 2.0050) در دو معادله رگرسیونی برابر با صفر نمی‌باشد. همچنین مشاهده می‌شود تفاوت بین عرض از مبدا دو خط برای این مثال با توجه به آنکه (P = 0.093)است، از نظر آماری معنادار نمی‌باشد و تنها تفاوت معنادار موجود، تفاوت بین شیب دو خط است.

 

 

 

 

انجام مقایسه و تست تفاوت بین عرض از مبداء و ضرایب شیب خط مدل رگرسیونی وقتی شامل یک متغیر دسته‌بندی است، بسیار ساده می‌باشد. این تست‌ها هنگامی که تفاوت بین مدل‌های رگرسیون را می‌توان مشاهده نمود و می‌خواهیم بر اساس مقدار  p-values قضاوت کنیم، بسیار مفید است.