Luca Mari

Universit Cattaneo LIUC

Progetto e misura della qualit

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)

[GUM]: UNI CEI ENV 13005:2000, Guida allespressione dellincertezza di misura

1 Unintroduzione pragmatica allargomento

Quando un cliente e un fornitore stipulano un contratto, concordano delle specifiche a proposito delloggetto
del contratto stesso; per esempio: dovr essere consegnata entro il giorno la quantit del materiale
con le caratteristiche. Se ipotizziamo, come usuale nellindustria, 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 dellintervallo di tolleranza, x x ) chiaro che la qualit
concordata inversamente proporzionale alle tolleranze ammesse
ammesse, ed plausibile che il prezzo concordato
sia correlato con la qualit concordata
concordata.

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 conformit di un oggetto a specifiche tecniche date (confronto misure-specifiche);

per stabilire la sostituibilit di oggetti diversi relativamente a loro funzionalit / caratteristiche

(confronto misureoggetto1misureoggetto2);

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 misurando non stato definito con sufficiente dettaglio (cause

cause modellistiche
modellistiche);

effettivamente loggetto 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 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?

Sembra ragionevole la seguente conclusione:

quanto pi la qualit richiesta per i prodotti alta,
tanto pi importante che sia alta la qualit delle misure
e daltra parte poich:
quanto pi alta la qualit delle misure
tanto pi costoso il processo di misurazione
necessario trovare un bilanciamento (il giusto mezzo) tra costi che si sostengono in produzione e
controllo di qualit e rischi che si corrono per non conformit.

2 Il punto di vista tradizionale

Fino allinizio del XIX secolo, la variabilit delle misure era considerata un fatto secondario, e comunque le
misure venivano espresse indicando semplicemente un valore per il misurando (si ricordi che ancora in quel
periodo la produzione industriale adottava pratiche di tipo artigianale, senza cercare la standardizzazione dei

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

Il misurando ha un valor vero

Calcolo
delle probabilit
Statistica

Per cause molteplici il misurando si manifesta

come una distribuzione di probabilit
Attraverso la ripetizione della misurazione, si
ottiene un campionamento {x i } di N , 2

Il valor vero ignoto, ed compito della

misurazione giungere a una sua stima
Sotto opportune ipotesi, tale distribuzione di
probabilit gaussiana, N , 2
Dal campione {x i } occorre ottenere le
statistiche che stimano e 2

La soluzione statistica a questo problema la seguente:

n

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

2.1 Sul concetto di valor vero

Da dove viene lipotesi di valor vero? Da alcuni presupposti metafisici (i numeri sono nel mondo, come
scrisse Keplero), ma anche plausibilmente dalla constatazione della progressiva stabilit della media
campionaria. Vediamo di cosa si tratta.
Supponiamo che x i [0, R ] . Dopo lacquisizione del primo campione, x 1 , la media campionaria, che
indichiamo con m 1 , ovviamente coincide con esso, m 1=x 1 . Dopo lacquisizione del secondo campione,
x 2 , la media diventa, naturalmente, m 2 =x 1 x 2 /2 . Il valore massimo dello scostamento tra m 1 e m 2 si

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 .

2.2 Errori casuali ed errori sistematici: accuratezza/precisione

Se le cause della variabilit delle misure sono molteplici, singolarmente con piccoli effetti e reciprocamente
indipendenti (una situazione che si verifica spesso, per esempio, a proposito delle grandezze di influenza),
allaumentare del numero di ripetizioni listogramma delle frequenze relative delle misure approssima
sempre meglio una distribuzione di probabilit di tipo gaussiano: errori di questo genere sono chiamati errori
casuali
casuali. Nel caso in cui la misurazione affetta solo da errori di questo genere, si pu intendere come il

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

grandi errori casuali,

senza errori sistematici

piccoli errori casuali,

grandi errori sistematici

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

dovuta a errori casuali

ed valutata in termini di precisione di misura (grado di

concordanza tra valori misurati della grandezza ottenuti da
misurazioni ripetute dello stesso oggetto o di oggetti
similari, eseguite in condizioni specificate [VIM])
la deviazione delle
dovuta a errori sistematici ed valutata in termini di accuratezza di misura (grado di
misure dal valor vero
concordanza tra un valore misurato della grandezza e un
valor vero della grandezza di un misurando [VIM])

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,
cio con deviazione standard non nulla: qual 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, :
l
R= 0 1 T
s

dove l e s sono rispettivamente la lunghezza e la sezione delloggetto, ipotizzate costanti, 0 la

resistivit del materiale di cui loggetto fatto, ipotizzato omogeneo, a una temperatura di riferimento,
un coefficiente il cui valore dipende dal materiale in questione e dalla temperatura di riferimento scelta, e
infine T la temperatura delloggetto al momento della misurazione. La temperatura T potrebbe avere
piccole variazioni tra una ripetizione e laltra, determinando cos la dispersione dei valori di resistenza, ma
se poi loggetto 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
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:

nel momento della misurazione il misurando ha un valore definito.

Non si tratta affatto di condizioni equivalenti:

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:

distingue primariamente non le cause di errore, ma le modalit di trattamento dellincertezza;

caratterizza le modalit di trattamento dellincertezza in termini non concettuali

concettuali, ma solo operativi
(modalit 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 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:

incomplete definition of the measurand;

imperfect realization of the definition of the measurand;

non representative sampling the sample measured may not represent the defined measurand;

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.

4 Metodi per la valutazione dellincertezza

Nel caso di ripetibilit delle misure, lincertezza sul valore del misurando valutabile con metodi statistici
(metodi
metodi di valutazione di categoria A
A), con basi concettuali dunque parzialmente diverse ma risultati non
cos diversi da quelli della teoria degli errori di Gauss. La GUM raccomanda che lincertezza a cui si giunge
con metodi di categoria A sia valutata e quindi espressa come la deviazione standard della media
dellinsieme sperimentale delle misure, dunque come uno stimatore della distribuzione di probabilit da cui
si ipotizza le misure siano estratte.
La GUM riconosce, per altro, che si presentano numerosi e importanti situazioni nelle quali unincertezza
presente sul valore del misurando anche a prescindere dalleventuale ripetizione della misurazione: in questi
casi lincertezza deve essere valutata con metodi non statistici (metodi
metodi di valutazione di categoria B
B). La
GUM raccomanda che lincertezza a cui si giunge con metodi di categoria B sia ancora valutata ancora come
se si trattasse di una deviazione standard, pur senza disporre di una base statistica al riguardo, dunque
secondo uninterpretazione soggettivistica della probabilit, intesa come grado di credenza (degree of
belief) dellosservatore. Dunque, in entrambi i casi, la raccomandazione della GUM di esprimere
lincertezza come una deviazione standard
standard.
Attenzione: la distinzione tra categoria A e categoria B attiene al metodo di valutare lincertezza, e non
allincertezza in se stessa (di cui la GUM, saggiamente, non tratta...).
4.1 Valutazioni di categoria A: sintesi di un campione di misure
Un misurando X stato valutato n volte (dunque con un metodo di valutazione di categoria A) e come
risultato di tali valutazioni sono state ottenute le letture x 1 , ... , x n . Il fatto che le letture x i siano diverse tra
loro e che il valore x i non sia precisamente prevedibile a partire dai valori x 1 , ... , x i 1 suggerisce di
formalizzare il misurando come una variabile casuale, i cui parametri statistici non sono noti e devono essere
stimati a partire dai valori x 1 , ... , x n , che si considerano estrazioni campionarie di tale variabile casuale
(nota: come dabitudine in statistica, per semplicit si adotta lo stesso simbolo, X , per indicare sia il
misurando sia la variabile casuale ad esso associata).
Il valor medio della variabile casuale, e dunque del misurando (naturalmente a meno dellapplicazione della
funzione di taratura), viene stimato mediante il suo valor medio campionario:

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

la varianza del suo valor medio :

n
s 2X
1
s = =
x m X 2

n nn1 i =1 i
2
mX

la cui radice quadrata:

u X =s m =
X

n
s
1
x i m X 2 = X

nn1 i =1
n

una deviazione standard, dimensionalmente omogenea al misurando; il valore u X formalizza la cosiddetta

incertezza tipo (inglese: standard uncertainty) del valore del misurando.
Si dunque in presenza di un trade off: allaumentare di n aumentano i costi, dovuti alla ripetizione, ma si
riduce lincertezza.
4.2 Valutazioni di categoria B: un esempio
Consideriamo un quantizzatore, cio un dispositivo che associa a ogni input x un canale di larghezza
range/numero di canali, interpretabile come una distribuzione di probabilit uniforme di estremi a , b , tale
cio che ab/2 = range/numero di canali. Il quantizzatore introduce unincertezza, che cresce con
laumentare del valore ab/2 . Si tratta di unincertezza non valutabile statisticamente: ma quanto vale?
Cio: quanto vale la deviazione standard di una distribuzione uniforme p x tra a e b ?
Calcoliamo prima di tutto il valor medio:

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

ba3 3b2 a3ba 2 ba2

ba2
ba2
ba2

=
ba
=
3ba
4
3
4
12

e quindi la deviazione standard (e quindi lincertezza tipo) u X =

ba
23

 da confrontare per esempio con la deviazione standard per distribuzioni triangolari:

ba
.
2 6

4.3 Ancora sulle valutazioni di categoria B

Lesempio precedente presenta una situazione che pu essere generalizzata: in molte situazioni tutto ci che
si sa sul misurando che il suo valore sta allinterno di un intervallo [a , b] ; allora consistente con il
principio di minima informazione / massima entropia formalizzare questa informazione assumendo che il
misurando sia una variabile casuale distribuita uniformemente tra a e b. Il calcolo precedente quindi
riapplicabile: lincertezza tipo del valore di un misurando che si ipotizza a distribuzione uniforme
x / 30.57 x dove x la semi-ampiezza dellintervallo [a , b] su cui definita la distribuzione.

Un altro esempio: lincertezza viene riportata mediante un intervallo di confidenza di semi-ampiezza x e

con un livello di confidenza per esempio del 95% o del 99%, assumendo inoltre che tale intervallo di
confidenza sia stato ottenuto a partire da una distribuzione gaussiana. Dalle tabelle che riportano i valori
dellespressione (vedi anche successivamente):
mk

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 .

4.4 Incertezze assolute e incertezze relative

Le incertezze u X sono incertezze assolute
assolute, e come tali forniscono uninformazione limitata sulleffettiva
qualit di una misura: per esempio, una stessa incertezza di 1 sul valore della resistenza di un resistore da
10 e di uno da 10 k influisce in modo ben diverso sulla qualit delle due misure. Per questa ragione, si
usa spesso indicare non tanto le incertezze assolute quanto le incertezze relative
relative, definite come:
u
u Xrel = X
m X

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

un fattore di copertura (coverage factor) k, per passare cos allincertezza

incertezza estesa (expanded uncertainty)
U X =k u X , tale dunque che [m X U X , m X U X ] sia lintervallo di indifferenza cercato.

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

5 Lespressione del risultato di una misurazione

In generale, per esprimere il risultato di una misurazione occorre indicare:

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:

indicando la coppia (valore del misurando, incertezza tipo);

indicando un intervallo di indifferenza / confidenza.

Per esempio, assumendo che m X =100,021 47 g e u X =0,35 mg:

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

100,021 470,00070 g, dove il numero dopo il simbolo rappresenta lincertezza estesa

U X =k u X ottenuta moltiplicando lincertezza 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 (cio si assume pari a 0,95 la probabilit che il valore del misurando sia
effettivamente interno allintervallo).
5.1 Il calcolo di misure da misurazioni indirette
Ricordiamo:

metodo di misurazione diretto

diretto: il valore del misurando ottenuto mediante lapplicazione di un
sistema di misura;

metodo di misurazione indiretto

indiretto: il valore del misurando Y ottenuto a partire dalla misurazione di
altre K grandezze Xi legate funzionalmente al misurando e mediante il successivo calcolo di tale
funzione f.

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

suggerisce la GUM m Y =f E X =E X 2 si ottiene x 1 x 2 x 3 / 32 =1.28 ).

Il calcolo di u Y invece pi complesso. Per comprendere come lo si pu calcolare, cominciamo a
considerare il caso semplice delle funzioni a un solo argomento, K =1 , in cui dunque Y =f X (e quindi
tale che m Y =f m X ). La presenza di unincertezza su X fa s che le letture x siano in generale non
coincidenti con il loro valor medio m X e quindi che a ogni lettura sia associato uno scarto xm X .
Assumendo che gli scarti xm X siano sufficientemente piccoli e che il comportamento di f intorno al punto
m X sia sufficientemente lineare, si pu sviluppare f in serie di Taylor intorno a m X arrestandosi al termine

del primo ordine:

12

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

Tali scarti possono essere immediatamente trasformati in incertezze tipo, ottenendo:

u Y =

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

5.1.1 Alcuni esempi

(nota: i valori numerici riportati in questi esempi non sono realistici e le grandezze sono indicate omettendo
lunit di misura)

Y =X k

Poich df /dX =1 , allora u Y =u X

Lincertezza non si modifica per traslazione.

Y =k X

Poich df /dX =k , allora uY =k u X

Se lincertezza assoluta di Y k volte superiore a quella di X , le incertezze relative,
u Xrel =u X /m X e u Yrel =u Y /mY=k u X /k m X , sono uguali.

Y =X 2

Poich df /dX =2X , allora uY =2 m X u X

Dunque in questo caso lincertezza dipende dal valore della grandezza di ingresso. Per esempio,
2
se m X =10 e u X =2 , allora m Y =m X =100 e u Y =2 m X u X =2102=40 . In termini di incertezze

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

Poich df /dX =cos X , u Y =cosm X u X

Dunque anche in questo caso lincertezza 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 =10,1=0,1 . Nellintorno
di m X =0 , la funzione Y =sin X approssimata come Y X : lincertezza tipo di Y uguale
allincertezza tipo di X .
5.2 La legge di combinazione / propagazione delle incertezze
Possiamo ora generalizzare il discorso precedente al caso in cui la funzione f ha K 1 argomenti, ancora
sviluppando f in serie di Taylor intorno a ( m1 , ..., mK ) e arrestandosi ai termini del primo ordine.
Nellipotesi che le covarianze tra le grandezze di ingresso X i siano trascurabili, dopo alcuni passaggi
analoghi a quelli compiuti nel caso mono-argomentale si ottiene:
K

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 )).

Pi in generale, considerando le covarianze ui , j (e indicando con ui ,i =u2i la varianza di X i ):

uY =

fx
i=1 j =1

f
u
x j i,j

forma generale della cosiddetta legge di propagazione delle incertezze

incertezze.
5.2.1 Alcuni casi semplici di propagazione delle incertezze

cio di applicazione a casi particolari della legge: uY =

i =1 x

u 2i (dunque nellipotesi di covarianze

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, pi espressivamente u2Yrel =u21rel u22rel ;

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

e poich 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 mono-argomentale, Y =f X , e si considera la

misurazione ripetibile, cos 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 per 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 sar definita
da un valore c a incertezza tipo uC non nulla, che nel caso origini da informazione di taratura sar valutata
con metodi di categoria B. Il problema del calcolo di uY perci formalmente ricondotto alla propagazione
delle incertezze nel caso Y =f X 1, X 2 , e come tale facilmente risolubile.
Si mostra con ci 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 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

Ma poich i valori u i sono appunto ipotizzati come tutti uguali:

K
u2
1 2
1 2
u 2i = K u 2i = i
K i =1
K
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

avendo indicato con K il fattore di normalizzazione

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 detailed description of how each component of standard uncertainty was evaluated.

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:

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 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.

Si possono allora adottare strategie parzialmente alternative per valutare lincertezza:

(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);

(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 lincertezza secondo la procedura della GUM, se ne
pu 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 lincertezza tipo u Y si pu adottare una tecnica di
campionamento numerico di tipo Monte Carlo.
Un campione di input x 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 lintera 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 dunque la dimensione del campione aggregato; per ognuno di questi xj
pu essere calcolato il campione di output y j =f xj corrispondente.
La successione {y j } fornisce allora uninformazione
informazione campionaria sulla distribuzione associata al misurando
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 (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

Supponiamo (valori numerici non realistici e senza indicazione di unit di misura):

Y =f X 1 , X 2 = X 1 X 2

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

La successione dei valori y campionari ottenuti pu essere allora visualizzata in istogramma:

900
800
700
600
500
400
300
200
100

37

36

35

34

33

3
2

31

30

29

2
8

27

26

25

24

2
3

e da essa possono essere calcolati mY e uY .

Naturalmente la qualit delloperazione dipender sia dalla qualit del generatore di numeri casuali adottato,
sia dalla dimensione S del campione (nel caso raffigurato, S =10 000 ) (in questo caso non difficile
confrontare i risultati ottenuti con Monte Carlo con quelli analitici: le incertezze tipo sono u1 =2/ 3 e
u2 =3/ 3 , e quindi uY = u 21u 222,08 ).
19

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 ]

si riferiscano a cose in uno stesso stato, e quindi siano compatibili

compatibili, come:
x1x2

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

che nel caso di correlazione trascurabile diventa:

y 1 y 2

[U y ] [U y ]
2

7.1 Tolleranza e incertezza: regole decisionali

Una tipica situazione operativa in cui occorre trattare con incertezze (estese) si presenta nei casi in cui
occorre confrontare la misura di un prodotto con le corrispondenti specifiche di progetto, per decidere se
accettare o scartare il prodotto stesso. Si tratta di una decisione circa la conformit o non conformit di una
misura con una specifica
specifica. Le specifiche tecniche di progetto sono tipicamente fornite nella forma di
intervalli valore nominale semi-ampiezza dellintervallo di tolleranza, e ugualmente si possono
rappresentare le misure come intervalli; si tratta dunque di confrontare tra loro due intervalli, misura e
specifiche, e la decisione, se accettare o scartare il prodotto, viene presa in funzione del risultato del
confronto.
Un po di terminologia (dalla norma ISO 14253-1: Geometrical Product Specification - Inspection by
measurement of workpieces and measuring instruments. Part 1: Decision rules for proving conformance or
non-conformance with specification, 1998):

tolleranza: differenza tra i limiti di tolleranza superiore e inferiore;

limiti di tolleranza: valori specificati della caratteristica, che definiscono i confini superiore e/o
inferiore del valore ammesso;

specifica: tolleranza sul requisito di una caratteristica di un pezzo lavorato;

conformit: soddisfacimento dei requisiti specificati;

zona di conformit: zona di specifica diminuita dellincertezza estesa di misura;

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

Due casi non presentano ambiguit:

1. valore del misurando zona di conformit

decidi di accettare il prodotto

21

2. valore del misurando zona di non conformit

decidi di scartare/rilavorare il prodotto

Il terzo caso, invece:

3. valore del misurando zona di ambiguit
problematico
Ancora dalla norma ISO 14253-1, Introduzione: Quando si vuole provare la conformit o non conformit
rispetto a una specifica si deve prendere in considerazione il valore stimato dellincertezza di misura. Il
problema si pone quando il risultato della misurazione cade in prossimit del limite superiore o inferiore
della specifica. In questo caso non possibile provare la conformit o non conformit rispetto alla specifica,
in quanto il risultato della misurazione pi o meno lincertezza 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
conformit o non conformit 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 linformazione disponibile mette in grado di decidere in modo
non ambiguo circa la conformit o non conformit delloggetto misurato inutile (nel senso di: inutilmente
costoso) proseguire a operare per stimare sempre meglio lincertezza del valore del misurando.
7.2 Tolleranza e incertezza: una procedura operativa
Analogamente alla logica della PUMA:

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;

solo su di essi effettuare un secondo controllo con incertezza inferiore.

tolleranza

livello della
seconda valutazione

zona di conformit

livello della
prima valutazione

Costo della misurazione

Incertezza

valutazione);

7.3 Tolleranza e incertezza: in sintesi

Supponiamo che:

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

la decisione possa essere solo accetta oppure scarta

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

Stato effettivo del prodotto

non conforme

conforme

ok:
non si consegna al cliente
un prodotto non conforme

errore di seconda specie (errato scarto):

si sostengono inutilmente dei costi, scartando un prodotto
che avrebbe potuto essere consegnato al cliente

errore di prima specie (errata accettazione):

si rischia di ricevere contestazioni dal cliente,
consegnandogli 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

errore di seconda specie (errato scarto):

se si scarta in accettazione, si rischia di ricevere contestazioni dal
fornitore, scartando un prodotto che avrebbe dovuto essere
accettato

accetta

Decisione

Stato effettivo del prodotto

errore di prima specie (errata accettazione):

si accetta la consegna di un prodotto non
conforme, con le conseguenze che ne seguono

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:

incertezza delle misure come elemento determinante nelle decisioni di conformit;

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 poich i due termini sono entrambi 0 :

E X x px dxa p xdx

avendo sostituito a x la costante a ; ma

p x dx
a

proprio P X a , e con ci la disuguaglianza

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

ma poich X m X 2 x 2RIF ha la stessa estensione di X m X x RIF :

2

P X m Xa

uX

espressione nota come disuguaglianza di Tchebychev

Tchebychev, importante perch 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

P X x RIF x RIF

uX

x RIF

espressione che fornisce un limite superiore al rischio di non conformit:

riducendo lincertezza tipo si riduce il rischio di non conformit

al contrario, riducendo la tolleranza il rischio di non conformit aumenta

8 Sintesi: incertezza, taratura, riferibilit

La presenza di incertezza ha uninfluenza non solo nella misurazione sul campo, ma anche e ancor prima
nella catena di riferibilit, dunque nellinsieme delle operazioni di taratura che rendono le misure prodotte
dagli strumenti industriali riferibili ai campioni nazionali.
Gli stessi valori di riferimento ottenuti dai confronti chiave (key comparison) nellambito dellMRA sono
dichiarati con unincertezza.
Ogni operazione di taratura propaga poi tale incertezza lungo la catena di riferibilit...
... fino al diagramma di taratura degli strumenti di misura industriali: la tabella / il diagramma delle coppie
(lettura, valore corrispondente del misurando) deve dunque specificare per ogni lettura anche lincertezza

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

9 Sintesi: misurazione, informazione, incertezza

Informazione iniziale
(a priori)
sul misurando

misurazione

Informazione finale
(a posteriori)
sul misurando

nella logica generale che:

incertezza

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