scbist

Так это не вера, а знание. Но не к каким-то, а к тем же в которых измеряем. Так дефиниция привязана к объекту измерения, а неопределенность к какой-то единице. А между ними что?

Какого? Вы же говорите, что дефиниция это измерение и после дефиниции Вам известно значение измеряемой величины. Куда дальше-то идти? А вера тут при чем? Не верим, а знаем, что она есть, т.к. знаем, что ничего не знаем? Т.е. дефиниция у Вас в одних единицах, а результат измерения в других. Почему неопределенность измерения оказалась завязана на какую-то другую единицу измерения? Руководство рекомендует неопределенность выражать в тех же единицах, что и результат, или в процентах от результата. Если мы говорим о неопределенности измерения, то почему она оказалась оторванной от самого измерения?

Нормальном распределении чего? Имеем материал состоящий из 33-х компонентов. Содержание всех может гулять в определенных пределах. На результат определения одного компонента оказывают влияние все остальные 32. Плюс методика определения данного компонента и качество применяемых реактивов. Если содержание искомого компонента имеет нормальный закон распределения, то результат его определения может оказаться и не таким если анализы проводить в разных лабораториях и в разное время.

Мы с Вами что-то плохо друг друга понимаем. 1. Вы имеете стандартный образец и проводите его анализ с обработкой результатов. Для меня было бы странно получить в результате анализа состав иного стандартного образца. По логике мы должны получить результат соответствующий анализируемому образцу. Распределение результатов должно быть близким к нормальному. 2. Вы анализируете неизвестный образец. Но это один материал. Тогда за "идеал" (опорное значение) берется среднее из множества анализов и мы опять должны иметь в результате что-то похожее на нормальное распределение. 3. Вы берете неизвестно какие образцы из неизвестно какого материала и их анализируете. Но они между собой никак не связаны и строить по ним какой-то закон неизвестного распределения странно. Сравнивать содержание железа в бронзе и стали странно. Тут нужна другая методика оценки качества результатов. Так распределения строятся не для исходных данных для расчета, а для результатов расчета. Мы же контролируем результат. Именно он нас интересует. Близость результата к идеалу, а не алгоритм его получения. Распределение Бернулли это когда результат да или нет. Или я что-то путаю? Т.е. это по сути индикатор, а не СИ. Какой параметр у Вас имеет распределение Бернулли? Для меня это годен/не годен, соответствует/не соответствует. Но эти заключения мы делаем на основе каких-то результатов измерения чего-то. Именно их мы и анализируем, а не заключение.

Заметил, но не считал. Теперь посмотрел "сканы" и вообще ничего не понял. 1-е измерение 10, 10,10,10, 8 среднее 9,6. 2-е измерение 10,10,10,10, 8 среднее 9,6. 10 измерений 10,10,10,10, 8, 10,10,10,10, 8 среднее опять 9,6. Если взять среднее от первого измерения как результат, то получится 9,6, 10,10,10,10, 8 среднее опять 9,6. Как Вы 10 получаете?

Вы считаете, что применив слово "полагают" он поставил под сомнение? А слово неопределенность само за себя говорит.

Поправка, хоть и отражает систематику является величиной случайной. А у случайной величины есть какое-то распределение. Это мое предположение видения автора. В данном случае это синоним смещения. Что Вас смущает? Вы же устраняете смещение по результатам калибровки? Автор порой допускает упрощения для лучшего восприятия и не допущения распухания статьи. Он же высказывает идею, а не описывает пошаговую методику.

С какого бодуна ЦСМ должен отказывать пользователю? Заказчик всегда прав. Иначе ЦСМ - банкрот, или стоимость поверки оставит без штанов тех, кто работает в СГРОЕИ. Кто должен давать справку об отнесении к сфере? Опять, как с отнесением к СИ мы должны писать запрос? Но тут, каков вопрос, таков ответ. Я опишу так, что измерение не попадет в сферу, а на самом деле оно там есть. Кто ответит? Тот кто спрашивал, или тот, кто отвечал? Я же буду помахивать перед аудитором бумажкой с печатью. Нет. От замены свидетельства на сертификат на место ничего не встанет.

А зачем это представлять визуально, если это просто математическая абстракция? Просто система уравнений с 10-тью неизвестными. Это же не физика, а математика, причем, даже не геометрия. Так 5725 без разницы каким способом вы получаете результат. Кстати, сейчас нет возможности искать, но мне так вспоминается, что там в преамбуле было написано, что он относится в первую очередь к физическим величинам, но химики им тоже пользуются. Применяя 5725 вы должны пользоваться не исходными данными, а результатами измерений. Т.е. что было до применения хемометрии никого не волнует. Вы получили результат после, вот его и анализируют. Сравнивают с результатами других лабораторий, других сотрудников, других дней.

Вас избаловала цифровизация. Если взять старый стрелочный прибор переменного тока, то он измеряет среднее или среднее квадратическое за период. Но его инерционность 1-3 с. Т.е он нам показывает среднее за 1 секунду средних за период. Т.е. если измеряем напряжение частотой 50 Гц, то получается, что прибор показывает среднее из 50 - 100 измерений средних квадратических. Никого это никогда не напрягало. 1. Что в этом нового? Мы же постоянно говорим о том, что результаты измерений случайны. Результат зависит от количества наблюдений. 2. ВЫ писали о зависимости второго измерения от первого. Но в Вашем примере я этого не вижу. Второе измерение с первым никак не связано. В первом случае Вы поставили на весы гирю 10 кг пять раз, во втором 10. Какая тут зависимость второго измерения от первого? Гусары, молчать! Никуда. Ваш пример не имеет отношения ни к повторяемости, ни к прецизионности. Чтобы пристегнуть 5725 надо повторять не 10 раз подряд, а 10 дней, или на 10 рабочих местах, в 10 лабораториях.

1. Вы сами говорили, что калибровка не закончена пока не введены поправки. Т.е. с этим пассажем сложно не согласиться. 2. С противопоставлением неопределенность - погрешность (поправка) не соглашусь. Это равноправные составляющие калибровки. Для работы нужно и то и другое. P.S. GUM не рассматривает принципы принятия решения по результатам калибровки.

Не поверите, как часто я себе это говорю. P.S. Особенно с появлением склероза.

Они мне кажутся ложными. Сколько не повторяй халва, халва во рту слаще не станет. От бесконечного повторения тезисов логика не появляется.

Порой применяя умные слова человек кажется не умнее, а смешнее. За каждым словом должно что-то стоять. Надо не только применять термины, но и понимать суть явления.

Нет с бесконечной. Иначе зачем Вам

Я не читал, но в сети есть журнал "Хемометрика и интеллектуальные лабораторные системы" Chemometrics and Intelligent Laboratory Systems. Международный журнал, спонсируемый Хемометрическим обществом. An International Journal Sponsored by the Chemometrics Society. https://www.journals.elsevier.com/chemometrics-and-intelligent-laboratory-systems Может там Вы найдете что-то более ценное, чем наши МИ и ГОСТы.

Я вроде с самого начала говорил, что до измерения (опыта) мы можем только предполагать что-то о значении измеряемой величины. Получается, что мы пришли к консенсусу?

Т.е. дефиниция это измерение, но без результата. Значение величины имеем, но без неопределенности. Но это же детский сад. Кстати, в статье, ссылку на которую я приводил и цитировал, автор в самом начале говорит, что мы имеем дело с измерением с самого детства, но про погрешности и неопределенности не задумываемся. Мы в детстве воспринимаем измерительную информацию как истину. Аналогично в магазине, мы платим за товар не спрашивая продавца про погрешность и неопределенность. Но для производства эта информация необходима. Мы не должны принимать значение на веру.

Ну это для Вас он простой. Для неспециалиста в Вашей области ясности не прибавляется. Что такое предыдущее измерение? 1. Построение градуировочной характеристики. 2. Определение содержания в пробе другого компонента? 3. Еще что-то.

Вот этого я не понял. Вы же постоянно говорите, что дефиниция это уже измерение. После этого Вам известно значение измеряемой величины, и основываетесь Вы на всем предыдущем опыте человечества. И вдруг Вам нужен эксперимент. Зачем? Вы забыли, чему Вас учили в школе?

Позлоупотребляю еще терпением. Статья того-же автора Поэтому будем надеяться, что Макс Планк ошибается, когда пишет: «Новая теория никогда не побеждает, гибнут ее противники. " . Потенциал, безусловно, есть, но этот путь реализации этого изменения, хоть и спасительный, наверное, еще очень (слишком?) долгий... Искусственный интеллект: прорыв, который меняет мир Мир, в котором мы живем, — это мир, который англо-саксонски правильно квалифицируют как «поведение по мнению» («управляемое мнение»). Именно такой образ мышления приводит к спросу, если взять в качестве примера упомянутые выше ручки, что худшая из пробок должна быть в состоянии сочетаться с худшей из ручек. Это убеждение, на котором основаны наши рассуждения, требования и практика. Точно так же план эксперимента, направленный на моделирование поведения явления по отношению к входным факторам, является вопросом мнения. Экспериментатор думает (верит?), что интересующий его феномен находится под влиянием такого-то и такого-то фактора, и затем он строит свой опыт на этом убеждении. Однако нет никакой гарантии, что он не забыл один, а то и несколько влияющих параметров. Если это так, то модель не будет отображать реальность. Сколько дисфункциональных ситуаций имеют истоки неполных убеждений? Наверное, никто не может ответить на этот вопрос, но все производители, напротив, сталкиваются с проблемами, которые не могут решить. Такие ситуации, несомненно, существуют! Большие данные, емкости для хранения данных, облачные технологии и вычислительная мощность компьютеров открывают новые возможности. Искусственный интеллект, результатом которого является множество алгоритмов расчета, позволяет нам иметь совершенно другой подход. Иногда мы говорим о наивных или агностических методах. Эти алгоритмы, основанные на фактах, не предполагают никаких других предположений, кроме наличия данных, и одно это требование является реальной возможностью для метрологии. Действительно, эти данные дают достоверное представление о реальности только в том случае, если измерения надежны. Эти данные используются не только для вынесения решения о действии (соответствие требованиям, корректировка и т. д.), но и представляют собой капитал, который накапливается с течением времени, чтобы компания могла использовать его для понимания и действий. Сделать результаты измерений более достоверными — категорический императив. В июле 2017 года журнал Science & Vie назвал « Рождение нового интеллекта ». Полный файл был посвящен искусственному интеллекту и мощности его алгоритмов. В этом файле в примере поясняется, что алгоритм научился «распознавать» присутствие льва на фотографии (помните, что изображение, видимое с компьютера, представляет собой всего лишь огромный набор пикселей!), а не по цвету изображения. животное или форма его гривы, которая была бы решающей для человека, но от особенности его глаз. Алгоритм смог обнаружить эту «подпись», используя библиотеку фотографий, на одних из которых были львы, а на других — нет. Этот пример особенно интересен по двум причинам. Это ясно показывает, с одной стороны, способность алгоритмов находить дифференцирующие элементы, которые не представляются нам естественным образом. Сколько таких «слабых сигналов» все еще скрыто в процессах промышленного производства и создает проблемы, негативно влияя на производительность компаний из-за брака или изменения срока службы? С другой стороны, это подчеркивает необходимость гораздо более надежных измерений, чем в настоящее время: если фотография размыта, как можно «увидеть» глаза? Большие данные и искусственный интеллект позволят лучше контролировать явления, которые сложно понять с помощью наших традиционных инструментов. Однако к этим новым инструментам предъявляются новые требования, не последним из которых является надежность данных. Таким образом, метролог, ставший умным, играет важную роль в этом новом мире, который не ждет постепенных изменений. Это не вопрос перехода от «наихудшего случая» к статистическим допускам. Это настоящий прорыв в способе мышления перейти от «управляемого мнением» к «управляемому фактами». Пионеры больших данных свели их к трем характеристикам: объем, разнообразие и скорость. Они, конечно, не заставили себя долго ждать, чтобы признать, что для работы их алгоритмов необходим четвертый: Veracity! Поскольку алгоритмы агностичны, они могут только «верить тому, что им говорят»… Они могут искать слабые сигналы во множестве информации, но они совершенно неспособны, и это не их роль, исправлять имеющиеся у них данные. Поговорка «Мусор на входе, мусор на выходе» обретает здесь свое полное значение. Если мы что-то вводим на вход, мы получаем что-то на выходе. Метролог, который до этого в основном занимался управлением измерительными приборами, должен принять вызов надежных измерений, что налагает на него новую роль: быть гарантом достоверности измеренных данных своей компании. Байесовский вывод: коперниканская революция в метрологии Хотя погрешности измерений должны быть в центре внимания метрологов, следует признать, что на практике мы не уделяем им большого внимания. Итак, что толку их вычислять, если не использовать? Для использования этих неопределенностей стандарт NF ISO/IEC Guide 98-4* открывает очень полезную область в метрологии: байесовский подход . Понятие априори, используемое в этом подходе для оценки рисков, связанных с декларированием соответствия, может иметь и множество других применений. Риск объявления субъекта «соответствующим» в действительности «несоответствующим» сводился, в классическом представлении, к поверхности, превышающей допустимую зону (см. рис. 3). http://www.smart-metrology.com/wp-content/uploads/2019/04/Figure-3-300x142.png Рисунок 3: Традиционный взгляд на измеренное значение, связанную с ним неопределенность и риск клиента Однако это видение явно неполно. На самом деле клиентский риск существует только в том случае, если организация действительно не соответствует требованиям. Таким образом, очевидно, что вероятность того, что организация не соблюдает требования, также должна учитываться при расчете риска. Последнее на самом деле является одновременной реализацией двух событий: измерением соответствия (вероятности P1) несоответствия объекта реальности (вероятности P2). Вероятность P1 может быть рассчитана по неопределенности измерения. Вероятность P2 рассчитывается на основе априорных знаний о продукции субъекта. Этот подход, сочетающий наблюдение (измерение) и априорную оценку реальности, которую необходимо измерить, называется байесовским. Тогда возникает вопрос о выводе из всех знаний (измерения, неопределенности измерения и априорного) наиболее вероятной реальности. В статье в этом блоге объясняется, как использовать всю информацию, чтобы получить значение, более надежное, чем измеренное значение. Очень схематично это: рассмотрим основное уравнение метролога ( измеренное V = истинное V + th измерение ), сделать вывод, что существует множество комбинаций (V True , e Measurement ) для одного и того же измеренного значения, вычислить вероятность каждого из них (P1xP2), как только мы знаем априори и неопределенность измерения, найти наиболее вероятное сочетание и вывести из него наиболее вероятное истинное значение, которое скрыто за измеренным значением. Эта постобработка измеренного значения требует знания априорных процессов компании и неопределенности измерения. Это оригинальный способ использования неопределенности измерения с точки зрения производительности. Умный метролог должен будет взяться за это. Компетенция этого будущего метролога, заключающаяся в оценке рисков и наиболее вероятных значений, будет гораздо более полезной и важной для его компании, чем управление периодическими калибровками, часто ненужными и в основном проводимыми для удовлетворения аудиторских проверок. Динамический мониторинг: конец ненужным периодическим калибровкам Историческая стратегия «периодических калибровок календаря» не гарантирует достоверности измерений. Эта практика фактически обнаруживает проблемы апостериорно только тогда, когда они должны быть обнаружены динамически. Чтобы контролировать риски, необходимо знать, когда данные перестают быть надежными, потому что потеря знаний о процессах из-за отсутствия надежности данных означает, что вы рискуете заплатить высокую цену перед лицом более гибких конкурентов. Для выхода из периодических калибровок также очень полезна априорная информация. Когда мы заранее знаем, что мы должны найти, мы можем постоянно гарантировать, что результаты согласуются с этим априори. Если эта согласованность ставится под сомнение, это означает либо изменение процесса (ключевая информация для удовлетворенности клиентов), либо изменение процесса измерения (ключевая информация, позволяющая понять, калибровать его или нет). Статистика предлагает несколько тестов, чтобы узнать, принадлежит ли выборка (измерения дня, недели, часа в соответствии с частотами выборки) с заданным уровнем достоверности известной родительской совокупности (априори). Эти тесты необходимы метрологу для обнаружения аномалии в измерительном приборе почти сразу после ее возникновения. Таким образом, априорная информация является важной информацией для управления рисками, и ее знание позволяет обнаруживать аномалии «вживую». В результате появляется возможность выйти из мира слепых калибровок/верификаций и войти в мир условных периодичностей. Вывод Все метрологи знают, что измерения неверны, но они должны знать, а также сообщать, что большинство допусков неверны , то есть не имеют никакого реального отношения к функциональной необходимости. Этот мир «ошибок» выбирается за счет экономики и устойчивого развития. Это «чрезмерное требование» имеет пагубные последствия для нашей нынешней и будущей промышленной организации. Все наши мыслительные паттерны пришли из того времени, когда мысли о мире были безграничны и когда безраздельно господствовал принцип «кто может сделать больше, может сделать меньше» . С тех пор границы открылись, конкуренция приобрела глобальный характер, и постепенно возобладала экологическая осведомленность : делать «слишком много» означает делать «слишком дорого» с экономической точки зрения и «слишком вредно» для наших общих ресурсов. Сейчас самое время прислушаться к мудрости старейших: «Относись к земле хорошо: ее тебе не родители дали, ее одолжили тебе твои дети». Этот принцип, позже принятый Антуаном де Сент-Экзюпери, просто предлагает нам учитывать будущие поколения в нашем выборе и нашей практике. Технологическая эволюция, которую сегодня представляют большие данные, требует обновленной метрологии: интеллектуальной метрологии. Последнее может способствовать рационализации наших стратегий и наших решений, стремящихся к « самому необходимому» . В связи с критической ситуацией интеллектуальная метрология больше не является вариантом ... Пост скриптум Большое спасибо моему другу Лорану Леблону за его активное участие в написании этой статьи! * Неопределенность измерения — Часть 4: роль неопределенности измерения в оценке соответствия (AFNOR 2013). См. также FD X 07-039 (AFNOR 2018): Внедрение стандарта NF ISO/IEC Guide 98-4. https://www.smart-metrology.com/blog/2019/05/pourquoi-la-smart-metrology-nest-plus-une-option/

Этот же автор делает что-то типа рекламы книге Tant sur la forme que sur le fond, la pensée de Didier Nordon n'a pas beaucoup de "concurrence". Didier interviendra le 9 juin, dans la manifestation organisée par Delta Mu à l'occasion de la sortie du livre. C'est avec impatience que j'attends le moment où il prendra la parole pour nous faire partager une quelques idées. Elles sont souvent aussi profondes qu'originales... Le rencontrer et l'entendre en direct est une chance que vous pouvez saisir en nous rejoignant le 9 Juin. Nous voulons partager ce moment avec un maximum de personnes ouvertes à des idées nouvelles, que nous espérons pertinentes. A vous d'en juger, vous êtes tous convié(e)s, et il est encore temps ! Статья 2016 года. Поэтому встреча с автором уже давно прошла. Но интересно название книги «Умная метрология: от метрологии приборов к метрологии решений». Оно как-то созвучно с нашим спором. Хотелось бы знать, что там автор напридумывал. Но сейчас нет времени на поиск.

?

Если хотите и есть что сказать, то ради Бога. Но я хотел проиллюстрировать мысль о корявости математических моделей и дефинициарные неопределенности. Модель описывает идеализированный процесс, а измерения проводим в реальном.

Вот подвернулась статья Гугл мне перевел Автор высказывает интересную мысль, что калибровать с определенной периодичностью глупо.