L’incertezza di misura secondo il

modello deterministico
parte II – propagazione dell’incertezza
Prof. Alberto Vallan
 Propagazione di incertezza
• Risolve il problema di ricavare l’incertezza di misure ottenute
elaborando matematicamente le misure di altre grandezze
– Metodo di misura diretta
• A lettura diretta tramite strumento
• L’espressione è anche usata per indicare I metodi di misura a confronto
diretto di grandezze (argomento non trattato in questo corso)
– Metodo di misura indiretta
• Misure ottenute elaborando altre misure
• Esempio: velocità v=s/t
– La relazione matematica tra la grandezza v e le grandezze s e t è il modello di
misura
– Con il modello deterministico si può risolvere il problema considerando tutti i
casi possibili per le grandezze di partenza s e t
» Ricerca del massimo scostamento
» Difficile trovare il massimo di modelli un po’ più complicati come y=x1/(x1-
x2)
» Vedi esempio
Esempio (senza formule di propagazione)
• Misurare l’area di un tavolo rettangolare
– Misure dei lati Amax
• L1 = 1 m ± 1 cm
• L2 = 2 m ± 1 cm A
Amin
– Area A= L1L2
– L1 e L2 sono incerti -> il valore vero dell’area dovrà essere
contenuto tra questi due valori:
• Amin=(L1-L1)(L2-L2)
• Amax=(L1+L1)(L2+L2)
– Amax e Amin deiniscono un intervallo e quindi una fascia di
valori
Amin Amax Valore di misura A0=(Amax+Amin)/2
Incertezza A=(Amax-Amin)/2
A0 A
-A +A
Si ricava
– Amax = 2.0301 m2
– Amax = 1.9701 m2
– A0 = 2.0001 m2 Esempio con Matlab
(metodo Monte Carlo
– A = 0.03 m2 applicato al modello
close all deterministico)
clear all
L1=1; L2=2; dL=0.01;

N=10000;
L1=L1+(2*rand(1,N)-1)*dL;
L2=L2+(2*rand(1,N)-1)*dL;

A=L1.*L2;
A0=(max(A)+min(A))/2
dA=(max(A)-min(A))/2
 Propagazione di incertezza
Metodo generale basato sulle derivate parziali

• Dato il modello y  f ( x1 , x2 ,..., xN )

 x1  x10  x1


• Date le misure delle grandezze d’ingresso 
...
 x N  x N 0  x N
• si ricava il valore della grandezza y y0  f ( x10 , x20 ,..., xN 0 )

y y
• e la sua incertezza y   x1  ...   x N
x1 xi  xi 0
x N xi  xi 0

– Somma pesata delle incertezze

– Coefficienti di sensibilità
 Propagazione di incertezza
• Commenti sulla formula di propagazione
– Sovrapposizione degli effetti delle singole incertezze
– Linearizzazione del modello di misura
– Valori assoluti per avere il caso peggiore

• La formula di propagazione è approssimata

– L’approssimazione è «soddisfacente» se le incertezze sono
«piccole» (perché si considerano piccoli spostamenti rispetto al
valore di misura)
– Attenzione: la formula può portare a risultati errati se una
grandezza è stata precedentemente ottenuta combinando altre
grandezze (vedi esempio modelli composti)
 Propagazione di incertezza
• Formule per i casi elementari
y  x1  x2 y  x1  x2
y  x1  x2 y  x1  x2
y  x1  x2 y  x1  x2
y  x1 / x2 y  x1  x2
y  a  x y  x y  a  x
x
y  a  x y  y  x
ax
y  xn y  n  x
 Propagazione di incertezza
• Come trattare i modelli composti (esempio)
x1
y
x2  x3
 x2  x3  x2  x3
y  x1   x2  x3   x1   x1 
x2  x3 x2  x3
• Attenzione
x1  x2
y
x2  x3
y   x1  x2    x2  x3 

– Numeratore e denominatore contengono la stessa grandezza

– Si usano le derivate parziali
 Propagazione di incertezza
• Con le derivate parziali
x1  x2
y
x2  x3

y y y
y   x1   x2   x3 
x1 x1  x10
x2  x20
x2 x1  x10
x2  x20
x3 x1  x10
x2  x20
x3  x30 x3  x30 x3  x30

x20  x30 x30  x10  x10  x20

  x1   x2   x3
x20  x30 2
x20  x30 2
x20  x30 2