Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Incertezze di misura
Versione 26.5.10 *** appunti ***
Indice
1 Un’introduzione pragmatica all’argomento.......................................................................................................................................2
1.1 Variabilità e qualità delle misure..............................................................................................................................................2
1.2 Misure di qualità e qualità 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 dell’incertezza..........................................................................................................................................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 Dall’incertezza tipo all’incertezza estesa................................................................................................................................10
5 L’espressione 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 convenzionalità nella valutazione dell’incertezza.........................................................................................................16
5.4 Sintesi: un esempio di procedura GUM-compliant.................................................................................................................17
5.5 Sintesi: sull’espressione dei risultati di misurazioni..............................................................................................................17
5.6 Sintesi: sul campo di applicabilità della GUM.......................................................................................................................18
6 Strategie alternative.......................................................................................................................................................................... 18
6.1 Monte Carlo............................................................................................................................................................................. 19
6.1.1 Un esempio.................................................................................................................................................................... 19
6.2 PUMA..................................................................................................................................................................................... 20
7 Compatibilità 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 conformità.....................................................................................................................24
8 Sintesi: incertezza, taratura, riferibilità............................................................................................................................................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 (è in corso di realizzazione la
traduzione italiana, che sarà una norma UNI-CEI)
● [GUM]: UNI CEI ENV 13005:2000, “Guida all’espressione dell’incertezza di misura”
1
1 Un’introduzione pragmatica all’argomento
Quando un cliente e un fornitore stipulano un contratto, concordano delle specifiche a proposito dell’oggetto
del contratto stesso; per esempio: “dovrà essere consegnata entro il giorno… la quantità… del materiale…
con le caratteristiche…”. Se ipotizziamo, come usuale nell’industria, che i valori delle grandezze specificati
siano riportati indicando un valore nominale e, appunto, un intervallo di tolleranza (dunque per esempio
come: valore_nominale ± semi-ampiezza dell’intervallo di tolleranza, x± x ) è chiaro che la qualità
concordata è inversamente proporzionale alle tolleranze ammesse
ammesse, ed è plausibile che il prezzo concordato
sia correlato con la qualità concordata
concordata.
● Una volta stipulato il contratto, come può il fornitore assicurarsi che ciò che sta per consegnare sia
effettivamente compatibile con le specifiche concordate e quindi di qualità sufficiente, e con ciò
evitare (o comunque mantenere accettabilmente basso il rischio di) contestazioni da parte del
cliente?
● E, una volta ricevuta la fornitura, come può il cliente assicurarsi che ciò che gli è stato consegnato
sia effettivamente compatibile con le specifiche concordate, o al contrario stabilire che può
contestare la consegna in quanto di qualità non sufficiente?
La misurazione è dunque uno strumento di supporto alle decisioni da prendere in condizioni di rischio
rischio.
L’esempio precedente può essere generalizzato. La misurazione è uno strumento di supporto alle decisioni in
condizioni di rischio:
● per stabilire la conformità di un oggetto a specifiche tecniche date (confronto misure-specifiche);
● per stabilire la sostituibilità di oggetti diversi relativamente a loro funzionalità / caratteristiche
(confronto misureoggetto1−misureoggetto2);
● per stabilire la stabilità di un oggetto (cioè la sua “sostituibilità con le sue precedenti versioni
temporali”) (confronto misureoggetto(t1) − misureoggetto(t2)),
e naturalmente non è necessario che conformità / sostituibilità / stabilità siano accertate con un numero di
cifre significative... infinito...
2
● una o più grandezze di influenza sono variate senza che l’osservatore se ne accorgesse (cause
cause
ambientali
ambientali);
● cause modellistiche
il misurando non è stato definito con sufficiente dettaglio (cause modellistiche);
● … effettivamente l’oggetto da misurare ha cambiato stato.
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 qualità potrebbero allora specificare che il controllo
di qualità va effettuato non su tutti i pezzi, ma solo su una frazione x (p.es. 0,05 ) di essi, cioè con un piano
di campionamento al 100∗x % (p.es. al 5 %).
In tal caso, la variabilità osservata effettuando la misurazione sulla frazione di pezzi estratti per
campionamento è dovuta non solo alle cause elencate sopra, ma anche alla variabilità del valore del
misurando interna al campione del lotto; nuovamente, si pone comunque lo stesso problema: decidere, in
condizioni di rischio a causa dell’incertezza, se consegnare o meno il lotto.
Occorre allora tenere in considerazione tale variabilità in quanto caratteristica inerente alla misura e
formalizzarla in modo opportuno (e ciò come fatto generale, cioè anche nei casi di misura singola!).
La variabilità di una misura può essere considerata inversamente correlata con un parametro
che possiamo identificare, genericamente, come la qualità della misura stessa
3
prodotti). Intorno al 1810, Gauss creò una “teoria degli errori” «… e gli astronomi ne fecero uso. (…)
[D’altra parte] se si eccettua l’astronomia, la fisica cominciò a riportare stime degli errori di misura solo
dopo il 1890» [I. Hacking].
Le idee su cui la teoria degli errori è fondata sono:
● una volta fissato lo stato del sistema da misurare, il misurando ha un valore, chiamato
valor vero
tradizionalmente “valor vero”, a priori ignoto e che è compito della misurazione giungere a stimare;
● ogni misura fornisce una stima imperfetta del valore vero, e ciò 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 è sottoposta una misura, tanto migliore essa è).
Fisica Il misurando ha un valor vero Il valor vero è ignoto, ed è compito della
misurazione giungere a una sua stima
Calcolo Per cause molteplici il misurando si manifesta Sotto opportune ipotesi, tale distribuzione di
delle probabilità come una distribuzione di probabilità probabilità è gaussiana, N , 2
Statistica Attraverso la ripetizione della misurazione, si Dal campione {x i } occorre ottenere le
ottiene un campionamento {x i } di N , 2 statistiche che stimano e 2
La soluzione statistica a questo problema è la seguente:
n
1
● lo stimatore per è la media campionaria: m X = ∑ x i ;
n i =1
n
1
● lo stimatore per 2 è la varianza campionaria: s X =
n−1
∑ x i −m X 2 .
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 è
difficile mostrare che max ∣mi −mi −1∣=R /i : all’aumentare di i , ogni nuovo campione che si acquisisce è
dunque in grado di produrre uno scostamento della media m i sempre minore, e quindi ∣mi −mi −1∣i 0
∞ .
{m i } sia il “valore vero” del misurando da cui sono stati misurati i campioni x i .
4
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
l’asse dei valori del misurando (sono errori tutti “dello stesso segno”, e quindi non si annullano con
l’aumentare delle dimensioni del campione).
x valore vero
o misure
E’ dunque solo assumendo che tutti gli errori sistematici siano stati corretti che il valor medio e la
deviazione standard (cioè la radice quadrata della varianza) della gaussiana così 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 all’aumentare del numero di ripetizioni l’effetto degli
errori casuali si riduce (e quindi il corrispondente stimatore si riduce, grazie al fatto che la gaussiana “si
stringe”), mentre l’effetto degli errori sistematici rimane inalterato. Dunque:
2.2.1 Un esempio
Supponiamo di voler misurare la resistenza R di un oggetto metallico, potendo ripetere la misurazione un
numero n1 di volte. Supponiamo di aver ottenuto un campione {x i } , i =1,... ,n , di valori non coincidenti,
cioè con deviazione standard non nulla: qual è il contributo degli errori casuali e quale quello degli errori
sistematici a questo campione?
Supponiamo di aver ricordato che la resistenza dipende dalla temperatura, secondo una relazione che, in
prima approssimazione, è:
l
R= 0 1 T
s
dove l e s sono rispettivamente la lunghezza e la sezione dell’oggetto, ipotizzate costanti, 0 è la
resistività del materiale di cui l’oggetto è fatto, ipotizzato omogeneo, a una temperatura di riferimento, è
un coefficiente il cui valore dipende dal materiale in questione e dalla temperatura di riferimento scelta, e
infine T è la temperatura dell’oggetto al momento della misurazione. La temperatura T potrebbe avere
piccole variazioni tra una ripetizione e l’altra, determinando così la dispersione dei valori di resistenza, ma
se poi l’oggetto venisse impiegato a una temperatura (in media) diversa da quella a cui era stato misurato si
5
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 è
“inerente” agli errori stessi, ma deriva da questioni modellistiche
modellistiche. Il problema empiricamente più rilevante
rispetto a questa distinzione tra “tipi di errori” riguarda comunque le modalità per combinare più 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 è chiaro come trattare gli errori sistematici (per esempio quelli derivanti da perdita di taratura del
SiM)... anche perché 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…
6
3 Da “errore” a “incertezza”
Nel 1993 è 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, è 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:
● distingue primariamente non le cause di errore, ma le modalità di trattamento dell’incertezza;
● caratterizza le modalità di trattamento dell’incertezza in termini non concettuali
concettuali, ma solo operativi
(modalità statistiche e non), adottando al proposito una terminologia chiaramente convenzionale
(“categoria A” e “categoria B”, o anche “tipo A” e “tipo B”);
● propone una strategia formale per risolvere il problema della combinazione di incertezze valutate
con modalità diverse, senza imporre uno specifico modello concettuale al proposito (adottando un
atteggiamento pluralistico, che ammette interpretazioni sia oggettivistiche sia soggettivistiche).
Benché proponga una terminologia alternativa a quella tradizionale (in particolare appunto “incertezza”
invece di “errore”), anche a questo proposito la GUM non è 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”.
L’accordo va trovato non tanto sui termini che si adottano (chi preferisce il termine “errore” a “incertezza”
continui pure a usarlo...) né 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 l’informazione disponibile sul misurando?),
ma sulle modalità con cui trattare i dati disponibili: un punto di vista decisamente ingegneristico, dunque...
7
● inadequate knowledge of the effects of environmental conditions on the measurement or imperfect
measurement of environmental conditions;
● personal bias in reading analogue instruments;
● finite instrument resolution or discrimination threshold;
● inexact values of measurement standards and reference materials;
● inexact values of constants and other parameters obtained from external sources and used in the
data-reduction algorithm;
● approximations and assumptions incorporated in the measurement method and procedure;
● variations in repeated observations of the measurand under apparently identical conditions.”
8
n
1
mX= ∑x
n i =1 i
che porta un’informazione di posizione sulla variabile casuale, e viene quindi usato come valore da
assegnare per il misurando
misurando.
L’informazione sul misurando viene espressa non solo mediante il suo valore ma anche indicando
l’incertezza di tale valore, che è evidentemente dovuta alla dispersione dei valori della variabile casuale
intorno al valor medio. Ci interessa dunque valutare l’incertezza non direttamente della variabile casuale ma
del suo valor medio, che infatti è a sua volta una variabile casuale (eseguendo più 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):
n
1
s 2X = ∑ x −m X 2
n−1 i =1 i
la varianza del suo valor medio è:
2 s 2X 1
n
s = =
mX ∑ x −m X 2
n nn−1 i =1 i
la cui radice quadrata:
n
1 s
u X =s m = ∑ x i −m X 2 = X
X
nn−1 i =1 n
è una deviazione standard, dimensionalmente omogenea al misurando; il valore u X formalizza la cosiddetta
incertezza tipo (inglese: standard uncertainty) del valore del misurando.
Si è dunque in presenza di un trade off: all’aumentare di n aumentano i costi, dovuti alla ripetizione, ma si
riduce l’incertezza.
m X = ∫ x p xdx =
−∞
1
∫
b−a a
x dx =
1 x2
b−a 2 a
= ∣
1 b 2 −a 2 = ab
b−a 2 2
(ok: lo sapevamo già…). Calcoliamo ora (con qualche passaggio in meno…) la varianza:
∞ b
1 1 b 3 −a3
s 2X = ∫ p x x−m X 2 dx = ∫ x 2 −2xm X m 2X dx = −m X b 2 −a 2 m 2X b−a=
−∞ b−a a b−a 3
9
b−a
… da confrontare per esempio con la deviazione standard per distribuzioni triangolari: .
2 6
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 l’incertezza tipo è calcolabile come x / k .
10
un fattore di copertura (coverage factor) k, per passare così all’incertezza
incertezza estesa (expanded uncertainty)
U X =k u X , tale dunque che [m X −U X , m X U X ] sia l’intervallo di indifferenza cercato.
Assumendo che sia nota la distribuzione di probabilità di cui mX è il valor medio e uX è l’incertezza tipo, la
relazione tra l’intervallo così ottenuto, chiamato “intervallo di confidenza”, e la probabilità dell’intervallo
stesso, chiamata in tal caso “livello di confidenza”. C’è evidentemente una relazione di monotonicità diretta
tra fattore di copertura e livello di confidenza, e quindi tra ampiezza dell’intervallo di confidenza e livello di
confidenza, relazione che può essere espressa analiticamente se si conosce la distribuzione di probabilità
sottostante. Nel caso di distribuzione gaussiana, in particolare:
fattore di copertura livello di confidenza
1 0,68
1,645 0,9
1,960 0,95
2 0,9545
2,576 0,99
3 0,9973
deviazione standard approssimativamente pari a u X , si assume che il valore del misurando sia
interno all’intervallo m X ±u X con una probabilità di circa 0,68;
11
● 100,021 47±0,00070 g, dove il numero dopo il simbolo ± rappresenta l’incertezza estesa
U X =k u X ottenuta moltiplicando l’incertezza tipo per il fattore di copertura k =2 ; assumendo che la
distribuzione sottostante sia gaussiana, a questo intervallo di confidenza corrisponde un livello di
confidenza pari a circa 0,95 (cioè si assume pari a 0,95 la probabilità che il valore del misurando sia
effettivamente interno all’intervallo).
è Y =f X = X 2 , per esempio, per valutare l’area 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 l’indicazione dell’unità di misura); allora il valore corretto per
m Y potrebbe anche essere m Y =E f X =E X 2 cioè x 21 x 22x 23 /3=1.30 , mentre approssimando come
12
df
y=f x=f m X x−m X
dx
avendo indicato con df /dx la derivata df /dX della funzione f calcolata nel punto m X . D’altra parte,
poiché f m X =mY :
df
y−m Y = x−m 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 :
df d2 f x2 d 3f x3
f x x =f x x 2 3 ... ,
dx dx 2! dx 3!
di f
dove appunto i è la derivata i -esima della funzione f calcolata in x ).
dx
Tali scarti possono essere immediatamente trasformati in incertezze tipo, ottenendo:
df
u Y =∣ ∣u
dx X
(espressione che giustifica l’idea che questo non sia altro che un problema di cambio di variabili...).
L’incertezza tipo u Y del misurando Y dipende dall’incertezza tipo u X della grandezza di ingresso X
attraverso il termine ∣df /dx∣ , che rappresenta dunque un “coefficiente di sensibilità” della variazione di X
mediante f nell’intorno del punto m X .
df
Per esempio, se Y =f X = X 2 allora ∣ ∣=2∣m X∣ e quindi uY =2∣m X∣u X (si può notare che naturalmente
dx
queste equazioni sono dimensionalmente corrette, nel senso che [u Y ]=[Y ] ; infatti assumendo che [ X ]=[u X ]
d [f ]
e considerando che [dX ]=d [ X ] , [u ]=[f ]=[Y ] ).
d [x ] X
13
relative: u Xrel =2/10=0,2 mentre u Yrel =40/100=0,4 : la relazione quadratica tra X e Y peggiora
anche l’incertezza relativa.
● Y =sin X
Poiché df /dX =cos X , u Y =cosm X u X
→ Dunque anche in questo caso l’incertezza dipende dal valore della grandezza di ingresso. Per
esempio, se m X =0 e u X =0,1 , allora m Y =sinm X =0 e u Y =cosm X u X =1×0,1=0,1 . Nell’intorno
di m X =0 , la funzione Y =sin X è approssimata come Y ≈ X : l’incertezza tipo di Y è uguale
all’incertezza tipo di X .
K 2
uY = ∑ ∂∂fx ui
2
i =1 i
espressione che consente di calcolare l’incertezza 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 sensibilità
∂ f /∂ x i si intendono calcolati nel valor medio ( m 1 , ... ,m K )).
K K
∂f
uY = ∑ ∑ ∂∂fx u
∂x j i,j
i=1 j =1 i
K 2
∂f
… cioè di applicazione a casi particolari della legge: uY = ∑ u 2i (dunque nell’ipotesi di covarianze
i =1 ∂ x i
nulle):
● se Y =X 1 X 2 allora u 2Y =u 12u 22 ;
● se Y =X 1 X 2 allora u2Y =m 22 u 21m 21 u 22 o anche, più espressivamente u2Yrel =u21rel u22rel ;
se Y = X k allora u2Y =k mk−1 2 2
● X u X o anche, più espressivamente
uYrel =∣k∣u Xrel .
Nell’esempio semplice Y =X 1 X 2 , applichiamo anche la formula per covarianze non nulle (ricordando
naturalmente che u i , j =u j ,i ):
K K
∂ f ∂f ∂f ∂f 2 ∂f ∂ f ∂f ∂f 2
u2Y = ∑ ∑ ui , j = [ u 1 u1,2 ] [ u 1,2 u ]
i =1 j =1 ∂ xi ∂ x j ∂ x1 ∂ x1 ∂ x2 ∂ x 2 ∂ x1 ∂x2 2
14
∂f ∂f
e poiché in questo caso ∂ x = ∂ x =1 si ha finalmente che u2Y =u12u22 2 u1,2 .
1 2
5.2.2 Un esempio
La funzione f che consente di calcolare il misurando Y è mono-argomentale, Y =f X , e si considera la
misurazione ripetibile, così che per X si ottiene un campione x 1 , ... , x n . Sono dunque applicabili i metodi di
categoria A, e da questi si ottengono il valore della grandezza di ingresso m X e la sua incertezza tipo u X . A
questo punto si ritiene però che sia necessario applicare una correzione al valore della grandezza di ingresso
(potrebbe essere tipicamente per tener conto dei risultati della taratura compiuta sul sistema di misura), per
esempio di tipo additivo, X corr = X C . Allora evidentemente la funzione f deve essere applicata a X corr , e
quindi a tutti gli effetti f diventa bi-argomentale, f X ,C . In generale, inoltre, la correzione sarà definita
da un valore c a incertezza tipo uC non nulla, che nel caso origini da informazione di taratura sarà valutata
con metodi di categoria B. Il problema del calcolo di uY è perciò formalmente ricondotto alla propagazione
delle incertezze nel caso Y =f X 1, X 2 , e come tale facilmente risolubile.
Si mostra con ciò che la legge di propagazione consente di combinare incertezze indipendentemente dalla
categoria, A o B, dei metodi con cui sono ottenute, e consente di tener conto di eventuali correzioni da
apportare (tradizionalmente si sarebbe detto: “di eventuali errori sistematici da correggere”) alle grandezze di
ingresso.
5.2.3 Un esempio
Si vuole valutare la potenza P dissipata ai capi di un resistore a cui è applicata una tensione, ma non si
dispone di un sistema per misurare direttamente P . Si ricorda, d’altra parte, che P =V 2 /R , dove V è la
tensione applicata al resistore e R è la sua resistenza. Disponendo di un sistema di misura che consente di
valutare V e R , si potrà allora calcolare, cioè “misurare indirettamente”, P .
Supponiamo che per V e R siano disponibili più letture. Da tali letture si calcolano i valori medi m V e m R
e le incertezze tipo u V e uR , così che le misure per V e R sono m V u V e m R u R rispettivamente. Il
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 è 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 qualità dipende dal valore della grandezza). Qual è l’incertezza tipo dell’insieme delle K misure?
15
Nel caso in cui le K misure abbiano incertezze tipo tutte uguali, l’informazione sull’insieme può essere
sintetizzata mediante la media delle misure, e quindi il problema si riconduce a una misurazione indiretta,
relativa al misurando:
K
1
Y=
K
∑ Xi
i =1
di cui occorre allora calcolare l’incertezza tipo mediante propagazione delle incertezze:
K K
∂f 2 2 1 2
u 2Y = ∑ u i =∑ u 2i
i =1 ∂ xi i =1 K
K
avendo indicato con K il fattore di normalizzazione ∑ Pi .
i =1
Allora:
K
1 2
∑
u 2Y = P 2i u 2i
K i =1
Evidentemente l’incertezza combinata dipende dalla scelta dei pesi P i . In termini generali, è 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 è, in generale, convenzionale...
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.”
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:
● international comparisons of measurement standards,
● basic research,
● applied research and engineering,
● calibrating client measurement standards,
● certifying standard reference materials, and
● generating standard reference data.”
6 Strategie alternative
La procedura indicata dalla GUM può non essere sempre (facilmente) applicabile:
● perché non si considera nota con esattezza l’espressione 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);
● perché si ritiene troppo complessa, o non appropriata (per esempio perché f è sensibilmente non
lineare intorno al valor medio delle grandezze di ingresso, e quindi un’approssimazione solo al
primo ordine nello sviluppo in serie di Taylor è critica), o non fattibile (per esempio perché f non è
differenziabile intorno al valor medio delle grandezze di ingresso), l’applicazione analitica della
legge di propagazione delle incertezze alla funzione f data;
● perché si ritengono troppo elevati i costi da sostenere per valutare la legge di propagazione delle
incertezze.
Si possono allora adottare strategie parzialmente alternative per valutare l’incertezza:
● (vedi GUM 5.1.4) nel caso in cui sono identificate grandezze di ingresso ma non è nota la relazione
funzionale che le lega al misurando, i coefficienti di sensibilità ∂ 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 perché
si considera non appropriata un’approssimazione al primo ordine nello sviluppo in serie di Taylor
ma si giudica troppo complesso un trattamento analitico dell’approssimazione a ordini superiori), si
può operare mediante tecniche di campionamento basate sul metodo Monte Carlo (vedi nel seguito);
● (vedi ISO 14253-2: Geometrical Product Specifications - Inspection by measurement of workpieces
and measuring equipment. Part 2: Guide to the estimation of uncertainty in GPS measurement, in
calibration of measuring equipment and in product verification, 1998) nel caso in cui si ritengono
troppo elevati i costi da sostenere per valutare l’incertezza secondo la procedura della GUM, se ne
può adottare una versione approssimata (vedi nel seguito).
18
6.1 Monte Carlo
Supponendo che siano noti la legge Y =f X 1 , ... , X K e le distribuzioni delle grandezze di ingresso X i (e
quindi non solo le incertezze tipo ui ), per calcolare l’incertezza tipo u Y si può adottare una tecnica di
campionamento numerico di tipo Monte Carlo.
Un campione di input x è una K -upla di valori x =x 1 , ... , x K , ogni x i essendo “estratto” campionariamente
dalla distribuzione associata a X i (se gli X i non sono indipendenti l’intera K -upla deve essere ottenuta
per campionamento dalla distribuzione congiunta). Si generi in questo modo una successione di campioni di
input {xj } , j =1,... ,S , dove S è dunque la dimensione del campione aggregato; per ognuno di questi xj
può essere calcolato il campione di output y j =f xj corrispondente.
informazione campionaria sulla distribuzione associata al misurando
La successione {y j } fornisce allora un’informazione
Y ; con le tecniche usuali, da tale successione possono essere calcolati il valor medio campionario e la
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 (cioè le loro deviazioni standard),
e ha anche il merito di non richiedere la conoscenza dei coefficienti di sensibilità 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
Supponiamo (valori numerici non realistici e senza indicazione di unità di misura):
Y =f X 1 , X 2 = X 1 X 2
con entrambe le grandezze di ingresso distribuite uniformemente, negli intervalli 10±2 e 20±3
rispettivamente e statisticamente indipendenti.
Utilizzando per esempio uno spreadsheet, generiamo S campioni di input, cioè S coppie di valori
8RAND ∗4 e 17RAND ∗6 (confidando dunque nell’uniformità del generatore di numeri casuali
RAND ) e sommiamo i valori di ognuna delle S coppie
La successione dei valori y campionari ottenuti può essere allora visualizzata in istogramma:
900
800
700
600
500
400
300
200
100
0
3
2
24
25
26
27
29
30
31
33
34
35
36
37
2
19
6.2 PUMA
“Procedure for Uncertainty Management”: un metodo approssimato per la stima dell’incertezza
La valutazione dell’incertezza è un problema di valutazione della qualità di un particolare prodotto, e come
tale impegna colui che valuta, in termini sia di rischio, sia di rapporto qualità / costo; ha senso investire
risorse in tale valutazione fintanto che essa porta informazione utile sulla qualità 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 l’incertezza target;
2. identificare i contributi al budget complessivo dell’incertezza;
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 è risolto;
altrimenti:
se sono ancora disponibili risorse, ripartire dal passo 3 approssimando più finemente a partire
dalle componenti di incertezza più rilevanti (secondo il ragionevole principio (di Pareto):
“comincia a risolvere i problemi più gravi”);
altrimenti il problema non ammette soluzione con le risorse attualmente disponibili.
7 Compatibilità di misure
... definita pragmaticamente come proprietà di due misure di condurre alla stessa decisione.
Come stabilire se le due o più misure si riferiscono a oggetti in uno stesso stato (nell’esempio: se il lotto è
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 2−k 2 u 2 , m2 k 2 u 2 ]
si riferiscano a cose in uno stesso stato, e quindi siano compatibili
compatibili, come:
x1∩x2≠∅
Dunque K misure x i si riferiscono a oggetti in uno stesso stato se hanno tutte un’intersezione 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 può sempre ottenere un’intersezione
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
che nel caso di correlazione trascurabile diventa:
∣y 1 −y 2∣
1
[U y ] [U y ]
1
2
2
2
21
2. valore del misurando ∈ zona di non conformità ➠ decidi di scartare/rilavorare il prodotto
Il terzo caso, invece:
3. valore del misurando ∈ zona di ambiguità
è problematico…
Ancora dalla norma ISO 14253-1, Introduzione: “Quando si vuole provare la conformità o non conformità
rispetto a una specifica si deve prendere in considerazione il valore stimato dell’incertezza di misura. Il
problema si pone quando il risultato della misurazione cade in prossimità del limite superiore o inferiore
della specifica. In questo caso non è possibile provare la conformità o non conformità rispetto alla specifica,
in quanto il risultato della misurazione più o meno l’incertezza estesa associata al risultato include uno dei
limiti di specifica. Pertanto si dovrebbe prevedere un accordo preventivo tra il venditore e il cliente, allo
scopo di risolvere i problemi che potrebbero verificarsi.”
E ancora (al punto 5.1): “Quelle che seguono sono le regole di tipo convenzionale atte a provare la
conformità o non conformità rispetto a specifiche, vale a dire quelle regole che risultano valide quando non
siano preventivamente intercorsi tra venditore e cliente accordi alternativi in merito. Infatti il venditore e il
cliente possono concordare regole diverse, le quali dovranno essere considerate accordi particolari facenti
parte della documentazione del prodotto”.
Vale ancora la regola pragmatica: non appena l’informazione disponibile mette in grado di decidere in modo
non ambiguo circa la conformità o non conformità dell’oggetto misurato è inutile (nel senso di: inutilmente
costoso) proseguire a operare per stimare sempre meglio l’incertezza del valore del misurando.
Incertezza
zona di conformità
livello della
seconda valutazione
livello della
prima valutazione
22
Mettendosi dalla parte del fornitore (per cui “scarta” in effetti potrebbe significare anche “invia alla
rilavorazione”), si presentano 4 situazioni possibili:
Stato effettivo del prodotto
non conforme conforme
ok: errore di seconda specie (errato scarto):
accetta scarta
Mettendosi dalla parte del cliente (per cui “scarta” in effetti potrebbe significare anche “accetta sotto
condizioni”), le 4 situazioni diventano:
Stato effettivo del prodotto
non conforme conforme
errore di seconda specie (errato scarto):
ok:
scarta
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:
● incertezza delle misure come elemento determinante nelle decisioni di conformità;
● esistenza di una zona di ambiguità la cui ampiezza dipende dall’incertezza con la quale si esegue la
misura di verifica della tolleranza;
● convenzionalità circa la decisione da prendere quando i risultati della verifica cadono nella zona di
ambiguità.
E’ infine importante ricordare che la natura probabilistico-statistica del problema fa sì che anche quando le
misure segnalano la conformità, può esistere un rischio non nullo che, ripetendo la misurazione (per esempio
con un SiM di migliore qualità) si possa giungere a dover considerare che l’oggetto 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).
23
EX
P X a
a
La dimostrazione di questa disuguaglianza è semplice, ed è utile seguirla (la presentiamo qui nel caso in cui
X sia continua, con funzione di densità di probabilità p ):
∞ a ∞
E X =∫ x px dx=∫ x p x dx∫ x p x dx
0 0 a
dimostrata.
Operiamo ora le seguenti sostituzioni nella disuguaglianza di Markov:
2
X X −m X e a a 2
ottenendo:
2
uX
P X −m X 2a2
a
ma poiché X −m X 2 x 2RIF ha la stessa estensione di ∣X −m X ∣ x RIF :
2
uX
P ∣X −m X∣a
a
espressione nota come disuguaglianza di Tchebychev
Tchebychev, importante perché applicabile a qualunque
distribuzione. Mediante tale disuguaglianza, affrontiamo il problema della valutazione del rischio, per
esempio nel caso particolare in cui m X = x RIF .
Sostituendo inoltre a x RIF , si ottiene:
2
uX
P ∣X − x RIF∣ x RIF
x RIF
espressione che fornisce un limite superiore al rischio di non conformità:
● riducendo l’incertezza tipo si riduce il rischio di non conformità
● al contrario, riducendo la tolleranza il rischio di non conformità aumenta
24
stimata per il valore del misurando: la funzione di taratura deve essere corrispondentemente estesa in una
“striscia di taratura”, del tipo:
striscia
misure
di taratura
letture
incertezza informazione
Per quanto la misurazione possa essere sofisticata, l’informazione che se ne ottiene non è mai “completa”:
rimane sempre dell’incertezza 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