测量数据是大数据时代的重要基础单元，它们的质量直接影响科学研究和管理决策的有效性。本书主要针对计量和质量领域的数据处理问题，构建贝叶斯框架下的测量数据质量评价和控制体系，在这个过程中，借助优选信息熵原理破解先验分布难题，并结合蒙特卡洛方法解决复杂后验分布的确定问题。本书主要包括：计量领域的测量不确定度评定、质量领域的统计过程控制和可靠性评估，并用11章进行阐述。
本书既可作为计量管理、质量控制等方向研究人员的专业工具书，也可作为高等院校质量管理、工业工程等专业的教材，同时还可以作为计量、质量等领域从事相关工作人员的参考书。

第1章 绪论
1.1 数据简介
1.2 处理的基本模式
1.3 研究的重点
1.4 解决的关键问题
第2章 贝叶斯方法
2.1 贝叶斯方法的产生与发展
2.2 贝叶斯方法的基本原理
2.3 先验分布的确定方法
2.4 后验分布的确定方法
2.5 贝叶斯方法在统计过程控制中的应用
2.6 贝叶斯方法在测量不确定度评定中的应用
2.7 贝叶斯方法在可靠性评估中的应用
2.8 基于WinBUGS软件的MCM后验分布确定
第3章 优选信息熵方法
3.1 信息熵的产生与发展
3.2 优选信息熵原理
3.3 常见不确定度信息下优选熵分布的确定方法
3.4 拉格朗日乘子的确定
3.5 PWMs约束下的分布确定及不确定度评定
第4章 蒙特卡洛方法
4.1 蒙特卡洛方法的产生与发展
4.2 蒙特卡洛方法的主要原理
4.3 结合贝叶斯方法的MCMC理论基础与构建方法
4.4 GUM Suppl.1中蒙特卡洛抽样技术以及输出量分布的近似
4.5 蒙特卡洛方法在测量不确定度评定中的应用
4.6 MCM在质量控制中的应用
4.7 MCM在可靠性评估中的应用
第5章 测量不确定度及其评定方法
5.1 测量不确定度概述
5.2 测量不确定度常规评定方法
5.3 不确定度报告
5.4 常规评定方法存在的问题
5.5 复杂模型及其特点
5.6 复杂模型测量不确定度评定实例
5.7 本章小结
第6章 贝叶斯方法在测量不确定度评定中的应用
6.1 贝叶斯方法在小样本不确定度评定中的应用
6.2 基于分位数和Bootstrap的贝叶斯先验分布的确定
6.3 基于贝叶斯方法的MCM模型控制图
第7章 优选信息熵原理在测量不确定度评定中的应用
7.1 常见条件下的优选信息熵分布的确定及不确定度评定
7.2 给定测量数据条件下PDF的确定及不确定度评定
7.3 基于已有不确定度信息的分布确定
第8章 蒙特卡洛仿真次数的确定方法
8.1 GUM Suppl.1中关于M的确定方法
8.2 GUM Suppl.1中M确定方法评述及影响因素分析
8.3 M确定的新方法
第9章 贝叶斯方法在小批量质量控制中的应用
9.1 统计过程控制理论概述
9.2 小批量生产SPC面临的问题
9.3 基于贝叶斯方法控制图的设计
9.4 基于贝叶斯方法的过程能力分析
9.5 案例分析及与传统方法比较
第10章 基于优选信息熵分布的控制图构建和特性评价
10.1 非常规控制图简介
10.2 基于优选信息熵分布的控制图构建
10.3 基于优选信息熵的控制图特性评价及实证
第11章 基于PME和MCM的贝叶斯可靠性评估
11.1 小样本可靠性评估概述
11.2 基于PME的可靠性先验分布的确定
11.3 基于MCMC的贝叶斯后验推断和可靠性评估
11.4 基于WinBUGS软件的威布尔分布MCMC后验分布模拟
附录A 标准正态分布表
附录B 计量控制图控制限计算系数表
附录C Cp与Cpk所对应的合格品率表
附录D 缩略语
参考文献