MOOC Estimation des incertitudes de mesure en analyse chimique

Let us now examine a little bit closer those values and what do we see. If we would simply sum up these three values, we would get altogether 0.028. However what we see here, we have only 0.019. So we see that actually, the combined standard uncertainty is quite similar by its magnitude to one of the uncertainty components and this uncertainty components as we easily can see is the largest of the three. This is the uncertainty due to the calibration and this is now the general property of this square type of summing. Whenever you sum quantities of different magnitude, then the result will be often quite similar to the biggest one, meaning the biggest one will dominate in the result, suppressing the smaller ones. This is also the reason why if there are some very small uncertainty components, they wouldn't even have any influence at all. So suppose we would have some 0.001 mL uncertainty components here, it would be fairly safe to neglect them because they wouldn't influence the combined standard uncertainty at all. In the case of uncertainty modeling and initial calculations, usually all uncertainty sources that are meaningful are considered and they are quantified because beforehand we don't yet know which of them are important and which of them are not so important. We have now managed to complete our first uncertainty calculation and it is now interesting to think: what does this uncertainty tell us? This uncertainty tells us the following: if we now do more pipetting with the same pipette, then the volumes that we get with this pipetting are in the following region. In this region, with the probability of roughly 68%. So every time we quantify our uncertainty as standard uncertainty, we always have the 68% probability. 

Examinons maintenant d'un peu plus près ces valeurs et ce que nous observons. Si nous additionnons simplement ces trois valeurs, nous obtenons purement et simplement 0,028. Toutefois, nous voyons ici que nous n'avons que 0,019. Donc on voit en fait que l'incertitude-type composée est quasiment similaire par son ampleur à l’une des composantes de l'incertitude et cette composante de l'incertitude comme nous pouvons le voir facilement est la plus grande des trois. C'est l'incertitude due à la calibration et c'est maintenant la propriété générale de cette somme des carrés. A chaque fois que vous sommez des quantités d'ampleur différentes, alors le résultat sera souvent similaire à la plus grande valeur, ce qui signifie que la plus grande dominera dans le résultat, supprimant les plus petites valeurs. C'est donc la raison pour laquelle s'il y a de très petites composantes de l'incertitude, elles n'auront pas du tout d'influence. Supposons que nous avons 0,001 mL comme composantes d'incertitude ici, il serait plus prudent de les négliger car elles n'influenceront pas l'incertitude-type composée du tout. Dans le cas de la modélisation de l'incertitude et de calculs initiaux, généralement toutes les sources d'incertitudes qui sont significatives sont considérées et elles sont quantifiées car nous ne savions pas au préalable lesquelles étaient importantes et lesquelles n'étaient pas importantes. Nous avons maintenant réussi à terminer notre premier calcul d'incertitude et maintenant, il a une chose intéressante : que nous dit cette incertitude ? Cette incertitude nous dit la chose suivante : si nous procédons à plus de pipetages avec la même pipette, alors les volumes que nous obtenons avec ce pipetage se situent dans la région suivante. Dans cette région, avec la probabilité d'à peu près 68%. Donc à chaque fois qu'on quantifie notre incertitude en tant qu'incertitude type, on aura toujours une probabilité de 68%.