Professional Documents
Culture Documents
Incertezze di misura
Versione 26.5.10 *** appunti ***
Indice
1 Unintroduzione pragmatica allargomento.......................................................................................................................................2
1.1 Variabilit e qualit delle misure..............................................................................................................................................2
1.2 Misure di qualit e qualit delle misure....................................................................................................................................3
2 Il punto di vista tradizionale............................................................................................................................................................... 3
2.1 Sul concetto di valor vero......................................................................................................................................................... 4
2.2 Errori casuali ed errori sistematici: accuratezza/precisione.....................................................................................................4
2.2.1 Un esempio......................................................................................................................................................................5
2.3 Errori casuali ed errori sistematici: una critica al punto di vista tradizionale..........................................................................6
2.4 Valori veri?............................................................................................................................................................................ 6
3 Da errore a incertezza..................................................................................................................................................................7
3.1 Cause di incertezza....................................................................................................................................................................7
4 Metodi per la valutazione dellincertezza..........................................................................................................................................8
4.1 Valutazioni di categoria A: sintesi di un campione di misure..................................................................................................8
4.2 Valutazioni di categoria B: un esempio....................................................................................................................................9
4.3 Ancora sulle valutazioni di categoria B..................................................................................................................................10
4.4 Incertezze assolute e incertezze relative.................................................................................................................................10
4.5 Dallincertezza tipo allincertezza estesa................................................................................................................................10
5 Lespressione del risultato di una misurazione................................................................................................................................11
5.1 Il calcolo di misure da misurazioni indirette..........................................................................................................................12
5.1.1 Alcuni esempi................................................................................................................................................................ 13
5.2 La legge di combinazione / propagazione delle incertezze....................................................................................................14
5.2.1 Alcuni casi semplici di propagazione delle incertezze..................................................................................................14
5.2.2 Un esempio.................................................................................................................................................................... 15
5.2.3 Un esempio.................................................................................................................................................................... 15
5.2.4 Un esempio.................................................................................................................................................................... 15
5.3 Sulla convenzionalit nella valutazione dellincertezza.........................................................................................................16
5.4 Sintesi: un esempio di procedura GUM-compliant.................................................................................................................17
5.5 Sintesi: sullespressione dei risultati di misurazioni..............................................................................................................17
5.6 Sintesi: sul campo di applicabilit della GUM.......................................................................................................................18
6 Strategie alternative.......................................................................................................................................................................... 18
6.1 Monte Carlo............................................................................................................................................................................. 19
6.1.1 Un esempio.................................................................................................................................................................... 19
6.2 PUMA..................................................................................................................................................................................... 20
7 Compatibilit di misure.................................................................................................................................................................... 20
7.1 Tolleranza e incertezza: regole decisionali.........................................................................................................................21
7.2 Tolleranza e incertezza: una procedura operativa...................................................................................................................22
7.3 Tolleranza e incertezza: in sintesi...........................................................................................................................................23
7.4 Sulla valutazione del rischio di non conformit.....................................................................................................................24
8 Sintesi: incertezza, taratura, riferibilit............................................................................................................................................25
9 Sintesi: misurazione, informazione, incertezza...............................................................................................................................25
Nota: in questo materiale si fa riferimento a vari documenti prodotti da enti di normazione, e in particolare:
[VIM]: ISO/IEC Guide 99:2007, International Vocabulary of Metrology Basic and General
Concepts and Associated Terms, 3rd ed., Geneva, Switzerland, 2007 ( in corso di realizzazione la
traduzione italiana, che sar una norma UNI-CEI)
Una volta stipulato il contratto, come pu il fornitore assicurarsi che ci che sta per consegnare sia
effettivamente compatibile con le specifiche concordate e quindi di qualit sufficiente, e con ci
evitare (o comunque mantenere accettabilmente basso il rischio di) contestazioni da parte del
cliente?
E, una volta ricevuta la fornitura, come pu il cliente assicurarsi che ci che gli stato consegnato
sia effettivamente compatibile con le specifiche concordate, o al contrario stabilire che pu
contestare la consegna in quanto di qualit non sufficiente?
Entrambi devono effettuare delle misurazioni
La misurazione dunque uno strumento di supporto alle decisioni da prendere in condizioni di rischio
rischio.
Lesempio precedente pu essere generalizzato. La misurazione uno strumento di supporto alle decisioni in
condizioni di rischio:
per stabilire la stabilit di un oggetto (cio la sua sostituibilit con le sue precedenti versioni
temporali) (confronto misureoggetto(t1) misureoggetto(t2)),
e naturalmente non necessario che conformit / sostituibilit / stabilit siano accertate con un numero di
cifre significative... infinito...
1.1 Variabilit e qualit delle misure
Ripetendo lapplicazione di un sistema di misura a un sistema oggetto della misurazione apparentemente
sempre in uno stesso stato, come dato di fatto si osserva che si ottengono misure pi o meno sensibilmente
differenti, e anzi quanto pi sensibile il SiM (e quindi quanto maggiore il numero di cifre significative
con cui si esprime il valore del misurando) tanto meno le misure sono coincidenti fino allultima cifra.
Le cause di questo fatto possono essere molteplici, e tipicamente non sono tutte note:
il sistema di misura non perfettamente ripetibile e/o stabile, dunque a parit di stato del sistema da
misurare non transisce sempre nello stesso stato (cause
cause strumentali
strumentali);
2
una o pi grandezze di influenza sono variate senza che losservatore se ne accorgesse (cause
cause
ambientali
ambientali);
Il sistema oggetto della misurazione potrebbe essere non un singolo pezzo prodotto ma un intero lotto; per
contenere i costi, le politiche aziendali di gestione della qualit potrebbero allora specificare che il controllo
di qualit va effettuato non su tutti i pezzi, ma solo su una frazione x (p.es. 0,05 ) di essi, cio con un piano
di campionamento al 100x % (p.es. al 5 %).
In tal caso, la variabilit osservata effettuando la misurazione sulla frazione di pezzi estratti per
campionamento dovuta non solo alle cause elencate sopra, ma anche alla variabilit del valore del
misurando interna al campione del lotto; nuovamente, si pone comunque lo stesso problema: decidere, in
condizioni di rischio a causa dellincertezza, se consegnare o meno il lotto.
Occorre allora tenere in considerazione tale variabilit in quanto caratteristica inerente alla misura e
formalizzarla in modo opportuno (e ci come fatto generale, cio anche nei casi di misura singola!).
La variabilit di una misura pu essere considerata inversamente correlata con un parametro
che possiamo identificare, genericamente, come la qualit della misura stessa
1.2 Misure di qualit e qualit delle misure
Dunque:
da una parte occorre misurare le caratteristiche di un sistema per assicurarsi circa la sua qualit (cio
occorre effettuare delle misure di qualit);
daltra parte le misure stesse sono caratterizzabili in riferimento alla loro qualit (cio possibile e
appropriato stabilire la qualit delle misure).
Che relazione c / ci dovrebbe essere
tra la qualit richiesta / concordata per i prodotti e la qualit delle misure?
prodotti). Intorno al 1810, Gauss cre una teoria degli errori e gli astronomi ne fecero uso. ()
[Daltra parte] se si eccettua lastronomia, la fisica cominci a riportare stime degli errori di misura solo
dopo il 1890 [I. Hacking].
Le idee su cui la teoria degli errori fondata sono:
una volta fissato lo stato del sistema da misurare, il misurando ha un valore, chiamato
tradizionalmente valor
valor vero
vero, a priori ignoto e che compito della misurazione giungere a stimare;
ogni misura fornisce una stima imperfetta del valore vero, e ci a causa di errori i cui effetti si
accumulano e impediscono di ottenere / osservare il valor vero (e quindi quanto minori sono gli
errori a cui sottoposta una misura, tanto migliore essa ).
Fisica
Calcolo
delle probabilit
Statistica
1
lo stimatore per la media campionaria: m X = x i ;
1
lo stimatore per 2 la varianza campionaria: s X =
n i =1
x i m X 2 .
n1
i =1
presenta nel caso in cui x 1=0 e x 2 =R (o viceversa), e quindi max m2 m1=R /2 . Per induzione, non
difficile mostrare che max mi mi 1=R /i : allaumentare di i , ogni nuovo campione che si acquisisce
0
dunque in grado di produrre uno scostamento della media m i sempre minore, e quindi mi mi 1i
.
, e quindi che il valore a cui converge la successione
Dunque sembra che se ne possa concludere che m i i
{m i } sia il valore vero del misurando da cui sono stati misurati i campioni x i .
valor vero del misurando, e dunque come abbiamo visto m i come il miglior stimatore per tale valor
vero.
Ma sovrapposti agli errori casuali si possono presentare anche errori di altro genere, chiamati errori
sistematici
sistematici, che distorcono la distribuzione delle misure in modo appunto sistematico, traslandola lungo
lasse dei valori del misurando (sono errori tutti dello stesso segno, e quindi non si annullano con
laumentare delle dimensioni del campione).
x
o
valore vero
misure
oooo xoo
oooo
oo
E dunque solo assumendo che tutti gli errori sistematici siano stati corretti che il valor medio e la
deviazione standard (cio la radice quadrata della varianza) della gaussiana cos ottenuta sono stimatori
rispettivamente del valore vero del misurando e del suo errore. Operativamente, la differenza tra errori
casuali ed errori sistematici si manifesta nel fatto che allaumentare del numero di ripetizioni leffetto degli
errori casuali si riduce (e quindi il corrispondente stimatore si riduce, grazie al fatto che la gaussiana si
stringe), mentre leffetto degli errori sistematici rimane inalterato. Dunque:
la dispersione
reciproca delle misure
2.2.1 Un esempio
determinerebbe anche uno scostamento sistematico, e lo stesso effetto si otterrebbe se la resistenza fosse
ottenuta a partire dalla relazione indicata, misurando l , s e T e prendendo i valori di 0 e da un
manuale, nel caso di un errore sistematico in una misura.
2.3 Errori casuali ed errori sistematici: una critica al punto di vista tradizionale
Traditionally we have divided errors into systematic and random components. Anything we could explain,
such as a temperature influence, as well as errors that followed a certain pattern and looked systematic were
characterized as systematic errors. Anything else was considered random errors. The fact we ignored, but
which was there all along, was that the harder we looked at a measuring process and the more resources we
put into understanding it, the more errors started appearing systematic to us. We will see that the only
logical explanation is that all errors are systematic, they only appear random when we have limited
information or if our sampling is not dense enough. (da H. S. Nielsen, The myth of the random error, 1998,
http://www.hn-metrology.com/randmyth.htm).
Secondo questa interpretazione, dunque, anche la distinzione tra errori casuali ed errori sistematici non
inerente agli errori stessi, ma deriva da questioni modellistiche
modellistiche. Il problema empiricamente pi rilevante
rispetto a questa distinzione tra tipi di errori riguarda comunque le modalit per combinare pi contributi,
alcuni casuali e altri sistematici, in un unico errore complessivo: Gauss stesso aveva identificato una legge
di propagazione degli errori applicabile agli errori casuali (vedremo questa legge, reinterpretata, nel seguito),
ma non chiaro come trattare gli errori sistematici (per esempio quelli derivanti da perdita di taratura del
SiM)... anche perch se un errore sistematico fosse noto potrebbe essere corretto e quindi azzerato, e se non
fosse noto non si capisce come lo si potrebbe stimare
2.4 Valori veri?
Ma la critica pi radicale, almeno da un punto di vista concettuale, alla teoria degli errori di Gauss venuta,
a partire dal 1970 circa, dallanalisi del concetto di valore vero. Si confronti:
nel momento della misurazione il sistema misurato si trova in uno stato definito,
con:
la prima una tipica ipotesi metrologica (critica solo nel caso della meccanica quantistica);
la seconda davvero poco chiara e sostenibile, se non altro perch confonde mondo fisico (a cui il
sistema misurato e il misurando appartengono) e mondo dellinformazione (a cui i valori
appartengono).
Un altro problema: se davvero esistessero i valori veri, dato un certo misurando di un certo sistema da
misurare, di quante cifre decimali sarebbe costituito il suo valore vero?
Alternativamente alle ipotesi alla base della teoria di Gauss, progressivamente emerso il punto di vista
secondo cui i valori veri non esistono proprio (e non solo sono inconoscibili, come anche tradizionalmente
si riconosce) o, al pi, sono dati solo in casi particolari come il conteggio oppure quando si manifestano
come valori di riferimento.
6
3 Da errore a incertezza
Nel 1993 stata pubblicata da ISO e vari altri organismi di standardizzazione internazionali la Guide to the
expression of uncertainty in measurement (GUM) (una cui buona sintesi, a cura del NIST, disponibile su
web: http://physics.nist.gov/Pubs/guidelines/TN1297/tn1297s.pdf). Il punto di vista della GUM
(terminologicamente caratterizzato dal cambiamento da errore a incertezza) ha un rilevante orientamento
pragmatico:
propone una strategia formale per risolvere il problema della combinazione di incertezze valutate
con modalit diverse, senza imporre uno specifico modello concettuale al proposito (adottando un
atteggiamento pluralistico, che ammette interpretazioni sia oggettivistiche sia soggettivistiche).
Bench proponga una terminologia alternativa a quella tradizionale (in particolare appunto incertezza
invece di errore), anche a questo proposito la GUM non direttiva: The definition of uncertainty of
measurement given [dalla GUM] is not inconsistent with other concepts of uncertainty of measurement,
such as
a measure of the possible error in the estimated value of the measurand as provided by the result of a
measurement;
an estimate characterizing the range of values within the true value of a measurand lies (VIM, 1 st
edition, 1984).
Although these two traditional concepts are valid as ideals, they focus on unknowable quantities: the error
of the result of a measurement and the true value of the measurand (in contrast to its estimated value),
respectively.
Nevertheless, whichever concept of uncertainty is adopted, an uncertainty component is always evaluated
using the same data and related information.
Laccordo va trovato non tanto sui termini che si adottano (chi preferisce il termine errore a incertezza
continui pure a usarlo...) n sul significato che si vuole attribuire ai termini adottati (si cerca uno stimatore
per il valor vero del misurando o il valore che meglio esprime linformazione disponibile sul misurando?),
ma sulle modalit con cui trattare i dati disponibili: un punto di vista decisamente ingegneristico, dunque...
3.1 Cause di incertezza
Dalla GUM:
There are many possible sources of uncertainty in a measurement, including:
non representative sampling the sample measured may not represent the defined measurand;
inexact values of constants and other parameters obtained from external sources and used in the
data-reduction algorithm;
mX=
1
x
n i =1 i
che porta uninformazione di posizione sulla variabile casuale, e viene quindi usato come valore da
assegnare per il misurando
misurando.
Linformazione sul misurando viene espressa non solo mediante il suo valore ma anche indicando
lincertezza di tale valore, che evidentemente dovuta alla dispersione dei valori della variabile casuale
intorno al valor medio. Ci interessa dunque valutare lincertezza non direttamente della variabile casuale ma
del suo valor medio, che infatti a sua volta una variabile casuale (eseguendo pi campionamenti di N
valori dalla stessa distribuzione, si otterrebbero valori medi campionari diversi); dunque data la varianza
campionaria (la cui radice quadrata fornirebbe un indice di incertezza non del valore del misurando ma della
popolazione delle letture):
s 2X =
1
x m X 2
n1 i =1 i
n nn1 i =1 i
2
mX
n
s
1
x i m X 2 = X
nn1 i =1
n
m X = x p xdx =
1
1 b 2 a 2 = ab
1 x2
x dx =
=
2
ba a
ba 2
ba 2 a
(ok: lo sapevamo gi). Calcoliamo ora (con qualche passaggio in meno) la varianza:
s 2X = p x xm X 2 dx =
1
1 b 3 a3
x 2 2xm X m 2X dx =
m X b 2 a 2 m 2X ba=
ba a
ba
3
=
ba
=
3ba
4
3
4
12
ba
23
ba
.
2 6
P X [mk , mk ]=
p xdx
mk
per la distribuzione gaussiana, si evince che tale integrale vale 0,95 e 0,99 rispettivamente per k =1,960 e
k =2,576 , e quindi lincertezza tipo calcolabile come x / k .
dunque rapportando il valore dellincertezza tipo con il valore (assoluto) del misurando. Poich
generalmente (e auspicabilmente...) u Xrel un numero piccolo, lo si indica specificandone solo la prima
cifra significativa e la potenza negativa di dieci per cui moltiplicato.
Per esempio, se (tralasciando lindicazione dellunit di misura) m X =40,26 e u X =0,03 allora lincertezza
relativa u Xrel =0,03/ 40,260,0007 cio u Xrel =7104 .
Un altro metodo per riportare le incertezze relative di moltiplicarle per 103 , e quindi di comunicarle in
per mille (nellesempio: 0,7 ), oppure anche di moltiplicarle per 106 , e quindi di comunicarle in parti
per milione (nellesempio: 700 ppm).
4.5 Dallincertezza tipo allincertezza estesa
E spesso utile esprimere le misure come intervalli di indifferenza, tali cio che ogni elemento dellintervallo
possa essere scelto con unalta probabilit come valore per il misurando. La GUM raccomanda di passare
dalla rappresentazione mediante incertezze tipo a quella per intervalli moltiplicando lincertezza tipo u X per
10
Assumendo che sia nota la distribuzione di probabilit di cui mX il valor medio e uX lincertezza tipo, la
relazione tra lintervallo cos ottenuto, chiamato intervallo di confidenza, e la probabilit dellintervallo
stesso, chiamata in tal caso livello di confidenza. C evidentemente una relazione di monotonicit diretta
tra fattore di copertura e livello di confidenza, e quindi tra ampiezza dellintervallo di confidenza e livello di
confidenza, relazione che pu essere espressa analiticamente se si conosce la distribuzione di probabilit
sottostante. Nel caso di distribuzione gaussiana, in particolare:
fattore di copertura
livello di confidenza
0,68
1,645
0,9
1,960
0,95
0,9545
2,576
0,99
0,9973
il misurando
misurando, specificando come esso definito, includendo le eventuali grandezze di influenza
(p.es., resistenza misurata a 20 C tra due punti definiti delloggetto);
loggetto
oggetto misurato
misurato, specificando quanto occorre per identificarne lo stato (p.es., listante di
applicazione del sistema di misura per misurazioni di grandezze dinamiche);
la misura
misura, specificando il valore stimato per il misurando, lincertezza di tale valore e lunit di
misura, e dichiarando i metodi adottati per calcolare lincertezza.
Nota: lincertezza tipo dovrebbe essere trattata essa stessa come un valore approssimato (in altri termini:
anchessa incerta...), e quindi dovrebbe includere una cifra (e solo in casi particolari due); lindicazione
numerica dellincertezza consente dunque di identificare le cifre significative della stima del misurando.
Nota: una convenzione spesso applicata nella pratica prevede che lindicazione dellincertezza venga
tralasciata, lasciandola implicita nellunit di misura impiegata per fornire il risultato e nel numero di cifre
che costituiscono il risultato stesso (nel numero di cifre significative).
E richiesto dunque che ogni misura esprima non solo il valore assegnato per il misurando, ma anche
lincertezza tipo di tale valore. Si ammettono due modi complementari per esprimere tale informazione:
100,021 470,00035 g; nellipotesi che la distribuzione sottostante sia gaussiana e abbia una
deviazione standard approssimativamente pari a u X , si assume che il valore del misurando sia
interno allintervallo m X u X con una probabilit di circa 0,68;
11
Nota: la funzione f viene chiamata modello di misura, o funzione di misura, per il misurando Y.
Nota: f potrebbe essere espressione di una legge fisica Y =f X 1 , ... , X K ; daltra parte, una o pi delle
grandezze di ingresso Xi potrebbe essere una grandezza di influenza, di cui si vuole tenere conto nella
stima di un valore per il misurando Y (in questo caso detto anche grandezza di uscita), cosa che mostra la
generalit del problema; in questo senso, ogni misurazione pu essere intesa come indiretta, o, meglio, le
misurazioni dirette possono essere considerate come casi semplificati di misurazioni indirette.
Data una relazione funzionale Y =f X 1 , ... , X K se le X i sono variabili casuali, ognuna con valor medio m i
e incertezza tipo ui , evidentemente anche la Y sar una variabile casuale, dipendente secondo f dalle X i .
Dalle K coppie ( m i , u i ) e conoscendo lespressione analitica di f si pone il problema di come calcolare la
coppia ( m Y , u Y ) per la variabile casuale Y, cio propriamente la misura per il misurando Y.
Per quanto riguarda m Y , la scelta abituale m Y =f m 1 ,... , mK , non problematica solo nel caso in cui f sia
lineare (perch solo in questo caso, indicando con E X il valore atteso della variabile casuale X, vale che
E f X 1 ,... , X K =f E X 1 ,... ,E X K ) (un semplice caso di funzione non lineare mono-argomentale, K =1 ,
Y =f X = X 2 , per esempio, per valutare larea di una superficie quadrata a partire dalla misura del suo
lato; supponiamo che X sia stato valutato tre volte, ottenendo x 1=1.00 , x 2 =1.10 , x 3=1.30 (i numeri sono
evidentemente artificiali e stiamo tralasciando lindicazione dellunit di misura); allora il valore corretto per
m Y potrebbe anche essere m Y =E f X =E X 2 cio x 21 x 22x 23 /3=1.30 , mentre approssimando come
y=f x=f m X
df
xm X
dx
avendo indicato con df /dx la derivata df /dX della funzione f calcolata nel punto m X . Daltra parte,
poich f m X =mY :
ym Y =
df
xm X
dx
relazione che stabilisce la dipendenza dei (piccoli) scarti di y intorno a m Y dai (piccoli) scarti dei valori x
intorno a m X (ricordiamo che lo sviluppo in serie di Taylor consente di calcolare il valore f x x a
partire dal valore di f x e delle derivate di f calcolate in x :
f x x =f x
dove appunto
df
d2 f x2 d 3f x3
x 2
3
... ,
dx
dx 2!
dx 3!
di f
i la derivata i -esima della funzione f calcolata in x ).
dx
df
u
dx X
(espressione che giustifica lidea che questo non sia altro che un problema di cambio di variabili...).
Lincertezza tipo u Y del misurando Y dipende dallincertezza tipo u X della grandezza di ingresso X
attraverso il termine df /dx , che rappresenta dunque un coefficiente di sensibilit della variazione di X
mediante f nellintorno del punto m X .
df
Per esempio, se Y =f X = X 2 allora =2m X e quindi uY =2m Xu X (si pu notare che naturalmente
dx
queste equazioni sono dimensionalmente corrette, nel senso che [u Y ]=[Y ] ; infatti assumendo che [ X ]=[u X ]
e considerando che [dX ]=d [ X ] ,
d [f ]
[u ]=[f ]=[Y ] ).
d [x ] X
(nota: i valori numerici riportati in questi esempi non sono realistici e le grandezze sono indicate omettendo
lunit di misura)
Y =X k
Y =k X
Y =X 2
13
relative: u Xrel =2/10=0,2 mentre u Yrel =40/100=0,4 : la relazione quadratica tra X e Y peggiora
anche lincertezza relativa.
Y =sin X
y mY 2 =
i =1
f
x i mi 2
xi
e quindi:
uY =
fx
i =1
ui
i
espressione che consente di calcolare lincertezza tipo di Y (definita in questo caso incertezza tipo
combinata
combinata) in funzione delle incertezze tipo degli X i (nota: anche in questo caso, i coefficienti di sensibilit
f / x i si intendono calcolati nel valor medio ( m 1 , ... ,m K )).
fx
i=1 j =1
f
u
x j i,j
i =1 x
nulle):
se Y =X 1 X 2 allora u 2Y =u 12u 22 ;
2 2
uYrel =ku Xrel .
se Y = X k allora u2Y =k mk1
X u X o anche, pi espressivamente
Nellesempio semplice Y =X 1 X 2 , applichiamo anche la formula per covarianze non nulle (ricordando
naturalmente che u i , j =u j ,i ):
K
u2Y =
i =1 j =1
f f 2 f
f f
f 2
f f
[
u 1
u1,2 ]
[
u 1,2
u ]
ui , j =
x1 x1
x2
x 2 x1
x2 2
xi x j
14
Si vuole valutare la potenza P dissipata ai capi di un resistore a cui applicata una tensione, ma non si
dispone di un sistema per misurare direttamente P . Si ricorda, daltra parte, che P =V 2 /R , dove V la
tensione applicata al resistore e R la sua resistenza. Disponendo di un sistema di misura che consente di
valutare V e R , si potr allora calcolare, cio misurare indirettamente, P .
Supponiamo che per V e R siano disponibili pi letture. Da tali letture si calcolano i valori medi m V e m R
e le incertezze tipo u V e uR , cos che le misure per V e R sono m V u V e m R u R rispettivamente. Il
problema dunque di calcolare una misura m P u P per la potenza dissipata.
Per quanto riguarda m P , semplicemente m P =m2V /m R .
Per calcolare u P si utilizza la legge di propagazione delle incertezze, nellipotesi di covarianze nulle:
2
u2P =
2 2
2
2
m V 2 m V
f
f
u 2 u2R
uV2
u 2R =2
mR V
V
R
mR
Il passo successivo potrebbe essere di riconoscere che il modello della misurazione prevede la dipendenza
di R dalla temperatura t , R t=R 0 [1t t 0 ] , dove R 0 la resistenza del resistore alla temperatura t 0 .
5.2.4 Un esempio
Siano date K misure X i di una stessa grandezza X , ognuna espressa mediante un valore m i della
grandezza e la sua incertezza tipo ui (potrebbero essere, per esempio, K campioni di un lotto di prodotti, la
cui qualit dipende dal valore della grandezza). Qual lincertezza tipo dellinsieme delle K misure?
15
Nel caso in cui le K misure abbiano incertezze tipo tutte uguali, linformazione sullinsieme pu essere
sintetizzata mediante la media delle misure, e quindi il problema si riconduce a una misurazione indiretta,
relativa al misurando:
Y=
1
K
Xi
i =1
di cui occorre allora calcolare lincertezza tipo mediante propagazione delle incertezze:
K
u 2Y =
i =1
f 2 2
1 2
u i = u 2i
xi
i =1 K
u 2Y =
e quindi:
uY =
ui
Si riconferma cos il risultato noto che la deviazione standard della media sperimentale di K valori si riduce
di un fattore 1/ K rispetto alla deviazione standard della distribuzione da cui i valori si suppongono
estratti.
Se le K misure non hanno incertezze tipo tutte uguali, sembra ragionevole sintetizzare linformazione
sullinsieme mediante una media pesata delle misure, con pesi P i .
Lincertezza da propagare riguarda dunque in questo caso il misurando:
K
Y =
i =1
Pi xi
K
Pj
Pi xi
i =1
j=1
Pi .
i =1
Allora:
u 2Y =
1 2
P 2i u 2i
K
i =1
Evidentemente lincertezza combinata dipende dalla scelta dei pesi P i . In termini generali, ragionevole
che i pesi dipendano inversamente dalle incertezze tipo; ma con quale forma?
Per esempio: P i =1/u i oppure P i =1/u 2i ?
La scelta , in generale, convenzionale...
5.3 Sulla convenzionalit nella valutazione dellincertezza
Dalla GUM:
Uncertainty (of measurement): parameter, associated with the result of a measurement, that characterizes
the dispersion of the values that could reasonably be attributed to the measurand.
A proposito di questo concetto di ragionevolezza, la GUM ha un interessante commento:
Although this Guide provides a framework for assessing uncertainty, it cannot substitute for critical
thinking, intellectual honesty, and professional skill. The evaluation of uncertainty is neither a routine task
16
nor a purely mathematical one; it depends on detailed knowledge of the nature of the measurand and of the
measurement.
The quality and utility of the uncertainty quoted for the result of a measurement therefore ultimately depend
on the understanding, critical analysis, and integrity of those who contribute to the assignment of its value.
5.4 Sintesi: un esempio di procedura GUM-compliant
1. Esprimere in forma analitica la funzione tra il misurando (cio la grandezza di uscita della funzione) e
tutte le grandezze di ingresso dalle quali il misurando dipende.
2. Valutare lincertezza di ciascun valore delle grandezze di ingresso, adottando alternativamente modalit
di categoria A o di categoria B.
3. Valutare le covarianze associate alle stime delle grandezze di ingresso eventualmente correlate.
4. Calcolare analiticamente la derivata parziale della funzione rispetto a ogni grandezza di ingresso.
5. Per ogni grandezza di input, calcolare la sua derivata parziale nel valor medio della grandezza e quindi
elevare al quadrato il valore ottenuto.
6. Moltiplicare ognuno dei valori cos ottenuti per la corrispondente incertezza tipo elevata al quadrato.
7. Per ogni coppia di grandezze di ingresso a covarianza non nulla, moltiplicare tra loro le rispettive
derivate parziali (calcolate al passo 4), moltiplicare quindi il risultato per 2 e per la covarianza.
8. Sommare i valori ottenuti ai passi 6 e 7 e calcolare la radice quadrata di tale somma: il risultato
lincertezza tipo del misurando.
Su web si trovano vari strumenti software a supporto di questa procedura; un semplice e interessante (oltre
che free...) programma al proposito Conversion Buddy (scaricabile per esempio da
http://metrologyforum.tm.agilent.com/download4.shtml).
5.5 Sintesi: sullespressione dei risultati di misurazioni
Un commento del NIST:
When reporting a measurement result and its uncertainty, include the following information in the report
itself or by referring to a published document:
A list of all components of standard uncertainty, together with their degrees of freedom where
appropriate, and the resulting value of combined uncertainty. The components should be identified
according to the method used to estimate their numerical values:
A. those which are evaluated by statistical methods,
B. those which are evaluated by other means.
A description of how the coverage factor was chosen when it is not taken equal to 2.
It is often desirable to provide a probability interpretation, such as a level of confidence, for the interval
defined by the expanded uncertainty. When this is done, the basis for such a statement must be given.
5.6 Sintesi: sul campo di applicabilit della GUM
Un commento del NIST:
17
The guidance given in this Technical Note [e quindi della GUM] is intended to be applicable to most, if not
all, NIST measurement results, including results associated with:
basic research,
6 Strategie alternative
La procedura indicata dalla GUM pu non essere sempre (facilmente) applicabile:
perch non si considera nota con esattezza lespressione analitica della funzione f (per esempio nel
caso in cui vorrebbe tener conto degli effetti di grandezze di influenza ma non si conosce appunto
analiticamente come da queste dipende il misurando);
perch si ritiene troppo complessa, o non appropriata (per esempio perch f sensibilmente non
lineare intorno al valor medio delle grandezze di ingresso, e quindi unapprossimazione solo al
primo ordine nello sviluppo in serie di Taylor critica), o non fattibile (per esempio perch f non
differenziabile intorno al valor medio delle grandezze di ingresso), lapplicazione analitica della
legge di propagazione delle incertezze alla funzione f data;
perch si ritengono troppo elevati i costi da sostenere per valutare la legge di propagazione delle
incertezze.
(vedi GUM 5.1.4) nel caso in cui sono identificate grandezze di ingresso ma non nota la relazione
funzionale che le lega al misurando, i coefficienti di sensibilit f / x i possono essere misurati in
modo approssimato, invece che calcolati analiticamente: si tratta di far variare in modo controllato
una grandezza di ingresso X i per volta, tenendo costanti le altre K 1 , e di misurare la
corrispondente variazione del misurando Y ;
(vedi GUM Supplemento 1: Numerical methods for the propagation of distributions) nel caso in cui
si ritiene necessario adottare una strategia di tipo di non analitico ma numerico (per esempio perch
si considera non appropriata unapprossimazione al primo ordine nello sviluppo in serie di Taylor
ma si giudica troppo complesso un trattamento analitico dellapprossimazione a ordini superiori), si
pu operare mediante tecniche di campionamento basate sul metodo Monte Carlo (vedi nel seguito);
18
deviazione standard campionaria, impiegati come stimatori rispettivamente per il valore di Y e la sua
incertezza tipo, ma anche direttamente intervalli di confidenza per ogni dato livello di confidenza richiesto.
Questa tecnica dunque propaga le distribuzioni, e non solo le incertezze (cio le loro deviazioni standard),
e ha anche il merito di non richiedere la conoscenza dei coefficienti di sensibilit di f (un riferimento
semplice e sintetico su questa tecnica si trova su
http://www.npl.co.uk/scientific_software/tutorials/uncertainties/up_a_gum_tree.pdf).
6.1.1 Un esempio
con entrambe le grandezze di ingresso distribuite uniformemente, negli intervalli 102 e 203
rispettivamente e statisticamente indipendenti.
Utilizzando per esempio uno spreadsheet, generiamo S campioni di input, cio S coppie di valori
8RAND 4 e 17RAND 6 (confidando dunque nelluniformit del generatore di numeri casuali
RAND ) e sommiamo i valori di ognuna delle S coppie
37
36
35
34
33
3
2
31
30
29
2
8
27
26
25
24
2
3
6.2 PUMA
Procedure for Uncertainty Management: un metodo approssimato per la stima dellincertezza
La valutazione dellincertezza un problema di valutazione della qualit di un particolare prodotto, e come
tale impegna colui che valuta, in termini sia di rischio, sia di rapporto qualit / costo; ha senso investire
risorse in tale valutazione fintanto che essa porta informazione utile sulla qualit della misura
misura.
PUMA suggerisce di formalizzare questo criterio in termini di una incertezza target I T che si ritiene di
dover raggiungere, impiegata come riferimento per la seguente procedura iterativa:
1. definire il misurando e decidere lincertezza target;
2. identificare i contributi al budget complessivo dellincertezza;
3. valutare in prima approssimazione, ma con certezza di sovrastima, i contributi di incertezza e combinarli
con somma quadratica; sommare gli eventuali contributi relativi a variabili correlate assumendo un
coefficiente di correlazione pari a 1 o 1 ; operare la valutazione assicurandosi che il valore I S
ottenuto sia una sovrastima;
4. confrontare I S con I T :
se I S I T , il problema risolto;
altrimenti:
se sono ancora disponibili risorse, ripartire dal passo 3 approssimando pi finemente a partire
dalle componenti di incertezza pi rilevanti (secondo il ragionevole principio (di Pareto):
comincia a risolvere i problemi pi gravi);
altrimenti il problema non ammette soluzione con le risorse attualmente disponibili.
7 Compatibilit di misure
... definita pragmaticamente come propriet di due misure di condurre alla stessa decisione.
Come stabilire se le due o pi misure si riferiscono a oggetti in uno stesso stato (nellesempio: se il lotto
omogeneo relativamente al misurando)?
La norma UNI 4546 raccomanda di formalizzare la condizione che due misure:
x1=[m1 k 1 u 1 , m1 k 1 u 1] e x2=[m 2k 2 u 2 , m2 k 2 u 2 ]
Dunque K misure x i si riferiscono a oggetti in uno stesso stato se hanno tutte unintersezione comune.
Nota: si tratta, evidentemente, di una condizione necessaria ma non sufficiente; allargando gli intervalli, per
esempio attraverso la scelta di un fattore di copertura molto ampio, si pu sempre ottenere unintersezione
non nulla
Il documento 517 del SIT, Termini e definizioni, riformula questa condizione in riferimento alla
formalizzazione della GUM: due misure dello stesso misurando Y , indicate y 1 e y 2 , con incertezze estese
pari rispettivamente a U 1 e U 2 , sono compatibili se:
y 1 y 2
1
U y 1 y 2
20
[U y ] [U y ]
2
limiti di tolleranza: valori specificati della caratteristica, che definiscono i confini superiore e/o
inferiore del valore ammesso;
zona di non conformit: zona al di fuori della zona di specifica aumentata dellincertezza estesa di
misura;
intervallo di ambiguit: intervallo in prossimit del limite (o dei limiti) di specifica nel quale non
possibile provare la conformit o la non conformit, a causa dellincertezza di misura.
ISO 14253-1: La conformit rispetto a un determinato valore di specifica provata quando lintervallo che
esprime in modo completo il risultato della misurazione, y , tutto contenuto allinterno della zona di
tolleranza indicata per una caratteristica di un pezzo lavorato. La stessa conformit pu essere provata in
modo analogo quando il risultato della misurazione, y , cade allinterno della zona di specifica ridotta da
entrambi i lati del valore dellincertezza estesa, U y ; vale a dire, quando il risultato della misurazione, y ,
cade allinterno della zona di conformit.
tolle ra nza
zona di 2U
non conformit zona di
a mbiguit
zona di conformit
2U
zona di
zona di non conformit
a mbiguit
effettuare un primo controllo dei prodotti con incertezza elevata (mantenendo cos bassi i costi di
mettere da parte i prodotti la cui caratteristica misurata in zona di ambiguit;
livello della
seconda valutazione
zona di conformit
livello della
prima valutazione
Incertezza
valutazione);
lo stato in cui si trova il prodotto, non noto ma comunque non influenzato dalla decisione, sia
riconducibile allalternativa conforme alle specifiche oppure non conforme
22
Mettendosi dalla parte del fornitore (per cui scarta in effetti potrebbe significare anche invia alla
rilavorazione), si presentano 4 situazioni possibili:
accetta scarta
Decisione
conforme
ok:
non si consegna al cliente
un prodotto non conforme
ok:
si consegna al cliente
un prodotto conforme
Mettendosi dalla parte del cliente (per cui scarta in effetti potrebbe significare anche accetta sotto
condizioni), le 4 situazioni diventano:
non conforme
conforme
scarta
ok:
non si accetta la consegna di un prodotto
non conforme
accetta
Decisione
ok:
si accetta la consegna
un prodotto conforme
E meglio incorrere in errori di tipo 1 (errata accettazione) o di tipo 2 (errato scarto)? Dipende dal ruolo
(fornitore o cliente) e soprattutto dal tipo di prodotto
Dunque:
esistenza di una zona di ambiguit la cui ampiezza dipende dallincertezza con la quale si esegue la
misura di verifica della tolleranza;
convenzionalit circa la decisione da prendere quando i risultati della verifica cadono nella zona di
ambiguit.
E infine importante ricordare che la natura probabilistico-statistica del problema fa s che anche quando le
misure segnalano la conformit, pu esistere un rischio non nullo che, ripetendo la misurazione (per esempio
con un SiM di migliore qualit) si possa giungere a dover considerare che loggetto inizialmente considerato
conforme avrebbe invece dovuto essere scartato.
Si pone dunque il problema di dare una valutazione per questo rischio (per esempio per fare in modo che un
suo valore accettabile venga concordato tra fornitore e cliente).
7.4 Sulla valutazione del rischio di non conformit
Le specifiche di conformit per il misurando X siano formalizzate indicando un valore di riferimento, x RIF ,
e la semi-ampiezza x RIF dellintervallo di tolleranza. Supponendo che la misura per X sia espressa dalla
coppia m X , u X (ovviamente u X x RIF ), si vuole valutare il rischio di non conformit.
Una risposta a questo problema ci viene dallimportante disuguaglianza di Markov
Markov: se X una variabile
casuale non negativa e a una costante 0 , allora:
23
P X a
EX
a
La dimostrazione di questa disuguaglianza semplice, ed utile seguirla (la presentiamo qui nel caso in cui
X sia continua, con funzione di densit di probabilit p ):
E X = x px dx= x p x dx x p x dx
a
E X x px dxa p xdx
p x dx
a
dimostrata.
Operiamo ora le seguenti sostituzioni nella disuguaglianza di Markov:
2
X X m X e a a 2
ottenendo:
2
P X m X 2a2
uX
P X m Xa
uX
P X x RIF x RIF
uX
x RIF
24
stimata per il valore del misurando: la funzione di taratura deve essere corrispondentemente estesa in una
striscia di taratura, del tipo:
misure
striscia
di taratura
letture
misurazione
Informazione finale
(a posteriori)
sul misurando
informazione
Per quanto la misurazione possa essere sofisticata, linformazione che se ne ottiene non mai completa:
rimane sempre dellincertezza sul misurando, almeno relativamente alla sua definizione
GUM: il valore stimato per il misurando may be called the best estimate of the true value, true in the
sense that it is the value of a quantity that is believed to satisfy fully the definition of the measurand (...)
Because of an incomplete definition of the measurand, the true value has an uncertainty that can be
evaluated (...) At some level, every measurand has such an intrinsic uncertainty (...) This is the minimum
uncertainty with which a measurand can be determined, and every measurement that achieves such an
uncertainty may be viewed as the best possible measurement of the measurand
Il concetto fondamentale di incertezza di definizione dunque...
25