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