Livre blanc Statistiques : Modélisation des résultats d'étalonnage (3)

Dans l’industrie, les mesures servent notamment à prendre des décisions sur des entités qui peuvent générer de sérieux problèmes pour des utilisateurs si ces entités ne sont pas conformes.

Au regard de ce risque potentiel, que valent les quelques points observés lors de l’étalonnage ? Que se passe-t-il sur les points non-observés ? Quid du caractère aléatoire ou prévisible des erreurs de l’instrument : d’un point de vue statistique, une erreur est de type systématique ou aléatoire. De quelle information dispose-t-on finalement lorsqu’on ne retient que la valeur la plus grande d’un petit échantillon ?

Quelques outils de statistiques pour la métrologie, modélisation des résultats d’étalonnage :

Quelques notions importantes à préciser
Les instruments « mesureurs »
De l’utilité de la modélisation, et de ses imperfections
- Introduction
- Incertitudes sur les paramètres de la fonction mesure
- Les résidus : ce qui n’est pas expliqué par la fonction de mesure
- Les conditions d’application de la méthode O.L.S
- Le choix de la fonction de mesure
- L’évaluation de l’incertitude de modélisation
- Modéliser pour extrapoler !
La modélisation et son application dans un contexte d’étalonnage
- L’évaluation des incertitudes sur les données d’entrée
- Exploitation d’une modélisation
- La dérive des instruments mesureurs