L’articolo "A Bayesian statistical method for large-scale MEMS-based sensors calibration: case study on 100 digital accelerometers” pubblicato da Andrea Prato, Francesca Pennecchi, Alessandro Schiavi (INRiM) e Gianfranco Genta (Politecnico di Torino) introduce un approccio innovativo per la taratura di grandi lotti di sensori MEMS.
L'articolo suggerisce l'adozione di metodi statistici per sostituire, almeno parzialmente, le tradizionali procedure di taratura dei sensori che a causa dell'alto volume di produzione, con milioni di unità prodotte settimanalmente, rendono impraticabile l'approccio tradizionale di taratura uno-a-uno in termini di tempo e costi.
Il metodo Bayesiano proposto implica la taratura sperimentale di un piccolo campione di sensori, permettendo poi di stimare il numero di sensori affidabili nell'intero lotto e di assegnare a ciascun sensore un'incertezza appropriata. Questa può essere considerata come una taratura statistica del lotto.
Tale approccio consente di ridurre il numero di tarature sperimentali incorporando le informazioni ricavate dalla precedente taratura di un lotto "di riferimento", eseguita "una volta per tutte" e rappresentativa dell'intero processo produttivo.