Combinazione dell’incertezza
RAA (Risultati di Apprendimento Attesi) 2
Conoscenza
Incertezza combinata
Metodologie di valutazione dell’incertezza combinata
Combinazione incertezze relative
Estensione incertezza combinata
Applicazione
Valutazione dell’incertezza combinata (classico e relative)
Scrittura della misura con valutazione incertezza combinata
© Misure e Tecniche Sperimentali
Incertezza combinata 3
Nel caso in cui il misurando sia funzione di diversi ingressi e posto che
tali ingressi x1, x2, x3,…, xk siano una serie di valori di altri misurandi e/o
parametri, affetti ognuno da una incertezza di tipo A o di tipo B, ci si
chiede:
«come le singole incertezze determinano l’incertezza del misurando y?»
𝑦𝑦 = 𝑓𝑓 𝑥𝑥1, 𝑥𝑥2, 𝑥𝑥3, … , 𝑥𝑥𝑘𝑘
Si valuta l’incertezza combinata.
• Ad esempio, qual è l’incertezza sul volume di un parallelepipedo i cui
lati sono stati misurati con un calibro ventesimale?
• Qual è l’incertezza della misura di velocità effettuata utilizzando un
autovelox, che calcola la velocità di un veicolo dividendo uno spazio
noto per un tempo misurato?
© Misure e Tecniche Sperimentali
Incertezza combinata 4
𝑦𝑦 = 𝑓𝑓 𝑥𝑥1, 𝑥𝑥2, 𝑥𝑥3, … , 𝑥𝑥𝑘𝑘
Risoluzione numerica combinando le differenti
distribuzioni di probabilità delle variabili influenti…
© Misure e Tecniche Sperimentali
Metodo Monte Carlo 5
Perché un metodo numerico? 𝑦𝑦 = 𝑓𝑓 𝑥𝑥1, 𝑥𝑥2, 𝑥𝑥3, … , 𝑥𝑥𝑘𝑘
• non si hanno sufficienti dati sperimentali;
• il fenomeno è troppo complesso per poter essere risolto con la teoria di
propagazione dell’incertezza;
Descrizione del metodo:
Detta y la grandezza da stimare, il metodo Monte Carlo può essere applicato
qualsiasi sia la distribuzione di probabilità dei parametri xk.
• Il metodo è usato per trarre stime attraverso simulazioni. Si basa su un
algoritmo che genera un’estrazione casuale di ciascun Xik (i=1…k), basandosi
sulle distribuzioni di probabilità che si suppone abbiano le grandezze Xi stesse.
• Per ogni estrazione viene calcolato y.
• Ripetendo N volte il processo si ottengono N campioni della variabile casuale
Y dai quali si può stimare la distribuzione di y e quindi la relativa incertezza
© Misure e Tecniche Sperimentali
Metodo Monte Carlo 6
Propagazione:
1. Definire un numero di iterazioni sufficientemente alto (almeno 106)
2. L’algoritmo di Monte Carlo ad ogni iterazione estrae per ognuno dei parametri xk
un valore (in modo casuale) dalla rispettiva distribuzione distribuzione di
probabilità .
3. I valori estratti sono combinati seguendo la funzione f
4. Ad ogni iterazione si determina un valore per la grandezza di uscita y (nota la
relazione che lega y ai parametri xk di cui si conosce la distribuzione di
probabilità)
5. Alla fine delle iterazioni quello che si ottiene è la distribuzione di probabilità
della grandezza y;
Risultati
Ottenuta la distribuzione di probabilità della grandezza Y è possibile ottenere le
grandezze d’interesse:
• Stima della media di y;
• Stima dell’incertezza a partire da un un determinato livello di fiducia;
© Misure e Tecniche Sperimentali
Esempio 7
Si vuole valutare l’incertezza sulla misura di massa di un blocchetto
d’alluminio:
• Densità 2700 kg/m3
• Dimensione x1 10 mm;
• Dimensione x2 5 mm;
• Dimensione x3 20 mm;
© Misure e Tecniche Sperimentali
Esempio 8
m= 2.761 g um = 0.047 g
© Misure e Tecniche Sperimentali
Incertezza combinata 9
• Ipotizziamo che la funzione possa essere sviluppata in serie di Taylor;
• Le variabili indipendenti xj subiscono piccole variazioni δxj si può
valutare la variazione δy della variabile dipendente attraverso uno
sviluppo in serie arrestato al primo ordine;
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
𝛿𝛿𝛿𝛿 = � 𝛿𝛿𝛿𝛿𝛿 + � 𝛿𝛿𝛿𝛿𝛿 + ⋯ + � 𝛿𝛿𝛿𝛿𝛿𝛿 + � 𝛿𝛿𝛿𝛿𝛿𝛿
𝜕𝜕𝜕𝜕𝜕 𝑥𝑥𝑥,… 𝜕𝜕𝜕𝜕2 𝑥𝑥2,… 𝜕𝜕𝜕𝜕𝜕𝜕 𝑥𝑥𝑗𝑗,… 𝜕𝜕𝜕𝜕𝜕𝜕 𝑥𝑥𝑘𝑘,..
• Le derivate parziali «identificano» la sensibilità della grandezza y
rispetto alle grandezze xj, valutate nei valori medi 𝑥𝑥�𝑗𝑗;
• Le derivate parziali sono definiti coefficienti di sensibilità cj;
© Misure e Tecniche Sperimentali
Incertezza combinata 10
• Ipotizziamo di avere n letture per ogni variabile xj :
k
i
𝛿𝛿𝛿𝛿1 = 𝑐𝑐1 𝛿𝛿𝛿𝛿11 + ⋯ + 𝑐𝑐𝑐𝑐 𝛿𝛿𝛿𝛿1𝑘𝑘
In forma matriciale:
𝛿𝛿𝛿𝛿2 = 𝑐𝑐1 𝛿𝛿𝛿𝛿21 + ⋯ + 𝑐𝑐𝑐𝑐 𝛿𝛿𝛿𝛿2𝑘𝑘
... 𝛿𝛿𝑦𝑦𝑖𝑖 = 𝛿𝛿𝛿𝛿𝑖𝑖𝑖𝑖 𝑐𝑐𝑗𝑗
n*1 n*k k*1
𝛿𝛿𝛿𝛿𝛿𝛿 = 𝑐𝑐1 𝛿𝛿𝛿𝛿𝛿𝛿1 + ⋯ + 𝑐𝑐𝑘𝑘 𝛿𝛿𝛿𝛿𝛿𝛿𝛿𝛿
i=1:n numero di estrazioni
j=1:k numero di variabili
© Misure e Tecniche Sperimentali
Incertezza combinata 11
• Valutiamo la varianza campionaria della variabile dipendente y:
∑𝑛𝑛 2
2 𝑖𝑖=1 𝑦𝑦𝑖𝑖 − 𝑦𝑦
�
𝑠𝑠 𝑦𝑦 =
𝑛𝑛 − 1
(1*n n*1)
𝑛𝑛 2 𝑇𝑇
∑𝑖𝑖=1 𝛿𝛿𝛿𝛿 𝛿𝛿𝛿𝛿 𝛿𝛿𝛿𝛿
2
𝑠𝑠 𝑦𝑦 = = Prodotto vettoriale
𝑛𝑛 − 1 𝑛𝑛 − 1
𝑇𝑇 𝑇𝑇
2
𝑐𝑐𝑗𝑗 𝛿𝛿𝛿𝛿𝑖𝑖𝑖𝑖 𝛿𝛿𝛿𝛿𝑖𝑖𝑖𝑖 𝑐𝑐𝑗𝑗
𝑠𝑠 𝑦𝑦 =
𝑛𝑛 − 1
© Misure e Tecniche Sperimentali
Incertezza combinata 12
𝑇𝑇 𝑇𝑇
2
𝑐𝑐𝑗𝑗 𝛿𝛿𝛿𝛿𝑖𝑖𝑖𝑖 𝛿𝛿𝛿𝛿𝑖𝑖𝑖𝑖 𝑐𝑐𝑗𝑗
𝑠𝑠 𝑦𝑦 =
𝑛𝑛 − 1
1*k k*n n*k k*1
n = numero di estrazioni
j = variabili
𝛿𝛿𝑥𝑥11 … 𝛿𝛿𝛿𝛿𝑛𝑛1 𝛿𝛿𝑥𝑥11 … 𝛿𝛿𝛿𝛿1𝑘𝑘 ∑𝑛𝑛𝑖𝑖=1 𝛿𝛿𝑥𝑥𝑖𝑖𝑖
2
… ∑𝑛𝑛𝑖𝑖=1 𝛿𝛿𝑥𝑥𝑖𝑖𝑖 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘
… … =
∑𝑛𝑛𝑖𝑖=1 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘 𝛿𝛿𝛿𝛿𝑖𝑖1 … ∑𝑛𝑛𝑖𝑖=1 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘
2
𝛿𝛿𝛿𝛿1𝑘𝑘 … 𝛿𝛿𝛿𝛿𝑛𝑛𝑛𝑛 𝛿𝛿𝛿𝛿𝑛𝑛𝑛 … 𝛿𝛿𝛿𝛿𝑛𝑛𝑛𝑛
𝑛𝑛 − 1
n-1
k*n n*k
© Misure e Tecniche Sperimentali
Incertezza combinata 13
MATRICE VARIANZA /COVARIANZA
∑𝑛𝑛𝑖𝑖=1 𝛿𝛿𝑥𝑥𝑖𝑖𝑖
2
… ∑𝑛𝑛𝑖𝑖=1 𝛿𝛿𝑥𝑥𝑖𝑖𝑖 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘
∑𝑛𝑛 ∑𝑛𝑛 2
𝑖𝑖=1 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘 𝛿𝛿𝛿𝛿𝑖𝑖1 … 𝑖𝑖=1 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘
[𝑠𝑠 2 (𝑥𝑥)] =
𝑛𝑛 − 1
𝑛𝑛 𝑛𝑛
2 2
Sulla diagonale principale : � 𝛿𝛿𝑥𝑥𝑖𝑖𝑖 = � 𝑥𝑥𝑖𝑖𝑖 − 𝑥𝑥�1 VARIANZE
𝑖𝑖=1 𝑖𝑖=1
𝑛𝑛 𝑛𝑛
Fuori dalla diagonale: � 𝛿𝛿𝛿𝛿𝑖𝑖𝑖 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘 = � 𝑥𝑥𝑖𝑖𝑖 − 𝑥𝑥̅ 1 𝑥𝑥𝑖𝑖𝑘𝑘 − 𝑥𝑥̅ 𝑘𝑘
𝑖𝑖=1 𝑖𝑖=1
COVARIANZE
© Misure e Tecniche Sperimentali
Incertezza combinata 14
Quindi, note le varianze delle variabili indipendenti, è possibile calcolare
la varianza della variabile dipendente y:
𝑇𝑇
𝑠𝑠 2 𝑦𝑦 = 𝑐𝑐𝑗𝑗 𝑠𝑠 2 (𝑥𝑥) 𝑐𝑐𝑗𝑗
• La matrice varianza-covarianza può essere valutata facendo una
serie di misurazioni n delle variabili indipendenti;
• Nella pratica si considerano le covarianze nulle (termini fuori
diagonale vanno a zero);
2 ∑𝑛𝑛 2 2 ∑𝑛𝑛 2 𝑘𝑘
𝑐𝑐1 𝑖𝑖=1 𝛿𝛿𝛿𝛿𝑖𝑖𝑖 𝑐𝑐𝑘𝑘 𝑖𝑖=1 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘
𝑠𝑠 2 𝑦𝑦 = + …+ = � 𝑐𝑐𝑗𝑗2 𝑠𝑠 2 (𝑥𝑥𝑗𝑗 )
𝑛𝑛 − 1 𝑛𝑛 − 1
𝑗𝑗=1
© Misure e Tecniche Sperimentali
Propagazione dell’incertezza 15
Sostituendo l’incertezza alle varianze (GUM), si ottiene:
2 ∑𝑛𝑛 2 2 ∑𝑛𝑛 2 𝑘𝑘
𝑐𝑐1 𝑖𝑖=1 𝛿𝛿𝛿𝛿𝑖𝑖𝑖 𝑐𝑐𝑗𝑗 𝑖𝑖=1 𝛿𝛿𝛿𝛿𝑖𝑖𝑘𝑘
𝑠𝑠 2 𝑦𝑦 = + …+ = � 𝑐𝑐𝑗𝑗2 𝑠𝑠 2 (𝑥𝑥𝑗𝑗 )
𝑛𝑛 − 1 𝑛𝑛 − 1
𝑗𝑗=1
𝑘𝑘
2 • Sviluppo arrestato al I ordine;
𝑢𝑢𝑦𝑦 = � 𝑐𝑐𝑗𝑗2 𝑢𝑢 𝑥𝑥𝑗𝑗 • Variabili indipendenti;
𝑗𝑗=1
© Misure e Tecniche Sperimentali
Propagazione dell’incertezza 16
Nel caso di variabili correlate si devono considerare i contributi extra-
diagonali della matrice varianza-covarianza:
𝑘𝑘 𝑘𝑘−1 𝑘𝑘
2
𝑢𝑢𝑦𝑦 = � 𝑐𝑐𝑗𝑗2 𝑢𝑢 𝑥𝑥𝑗𝑗 + 2 � � 𝜌𝜌𝑡𝑡,𝑗𝑗 𝑐𝑐𝑡𝑡 𝑐𝑐𝑗𝑗 𝑢𝑢 𝑥𝑥𝑡𝑡 𝑢𝑢 𝑥𝑥𝑗𝑗
𝑗𝑗=1 𝑡𝑡=1 𝑗𝑗=𝑡𝑡+1
Coefficienti di correlazione
© Misure e Tecniche Sperimentali
Propagazione dell’incertezza – incertezze 17
relative
Nel caso in cui la relazione che descrive il misurando ottenuto attraverso
metodo di misura indiretto sia descrivibile come prodotti o divisioni, il
procedimento di propagazione dell’incertezza puo’ essere semplificato:
𝑥𝑥 𝑎𝑎 𝑧𝑧 𝑏𝑏 𝑢𝑢𝑦𝑦 𝑢𝑢𝑥𝑥 2 𝑢𝑢𝑧𝑧 2 𝑢𝑢𝑤𝑤 2
𝑦𝑦 = = 𝑎𝑎 + 𝑏𝑏 + −𝑐𝑐
𝑤𝑤 𝑐𝑐 𝑦𝑦 𝑥𝑥 𝑧𝑧 𝑤𝑤
Propagazione dell’incertezza: si ottiene propagando le incertezze
relative pesate per gli esponenti dei parametri che determinano il
misurando
© Misure e Tecniche Sperimentali
Propagazione dell’incertezza – incertezze 18
relative
2 2 2
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
𝑢𝑢𝑦𝑦 = 𝑢𝑢𝑥𝑥 + 𝑢𝑢𝑧𝑧 + 𝑢𝑢𝑤𝑤
𝜕𝜕𝜕𝜕 𝜕𝜕𝑧𝑧 𝜕𝜕𝑤𝑤
2 2 2
𝑥𝑥 𝑎𝑎−1 𝑧𝑧 𝑏𝑏 𝑥𝑥 𝑎𝑎 𝑧𝑧 𝑏𝑏−1 𝑥𝑥 𝑎𝑎 𝑧𝑧 𝑏𝑏
= 𝑎𝑎 𝑢𝑢𝑥𝑥 + 𝑏𝑏 𝑢𝑢𝑥𝑥 + −𝑐𝑐 𝑢𝑢𝑥𝑥
𝑤𝑤 𝑐𝑐 𝑤𝑤 𝑐𝑐 𝑤𝑤 𝑐𝑐+1
Adesso si divide l’incertezza 𝑢𝑢𝑦𝑦 per il valore centrale dell’intervallo y
© Misure e Tecniche Sperimentali
Propagazione dell’incertezza 19
2 2 2
𝑥𝑥 𝑎𝑎−1 𝑧𝑧 𝑏𝑏 𝑥𝑥 𝑎𝑎 𝑧𝑧 𝑏𝑏−1 𝑥𝑥 𝑎𝑎 𝑧𝑧 𝑏𝑏
𝑢𝑢𝑦𝑦 𝑎𝑎 𝑢𝑢𝑥𝑥 + 𝑏𝑏 𝑢𝑢𝑥𝑥 + −𝑐𝑐 𝑐𝑐+1 𝑢𝑢𝑥𝑥
= 𝑤𝑤 𝑐𝑐 𝑤𝑤 𝑐𝑐 𝑤𝑤
𝑦𝑦
𝑦𝑦 2
2 2 2
𝑥𝑥 𝑎𝑎−1 𝑧𝑧 𝑏𝑏 𝑥𝑥 𝑎𝑎 𝑧𝑧 𝑏𝑏−1 𝑥𝑥 𝑎𝑎 𝑧𝑧 𝑏𝑏
𝑎𝑎 𝑐𝑐 𝑢𝑢𝑥𝑥 𝑏𝑏 𝑐𝑐 𝑢𝑢𝑥𝑥 −𝑐𝑐 𝑐𝑐+1 𝑢𝑢𝑥𝑥
= 𝑤𝑤 + 𝑤𝑤 + 𝑤𝑤
𝑥𝑥 𝑎𝑎 𝑧𝑧 𝑏𝑏 𝑎𝑎 𝑏𝑏
𝑥𝑥 𝑧𝑧 𝑎𝑎 𝑏𝑏
𝑥𝑥 𝑧𝑧
𝑤𝑤 𝑐𝑐 𝑤𝑤 𝑐𝑐 𝑤𝑤 𝑐𝑐
𝑢𝑢𝑥𝑥 2 𝑢𝑢𝑧𝑧 2 𝑢𝑢𝑤𝑤 2
= 𝑎𝑎 + 𝑏𝑏 + −𝑐𝑐
𝑥𝑥 𝑧𝑧 𝑤𝑤
© Misure e Tecniche Sperimentali
Propagazione dell’incertezza – incertezze 20
relative
METODO CLASSICO INCERTEZZE RELATIVE
𝑘𝑘 𝑘𝑘 2
2 𝑢𝑢𝑦𝑦 𝑢𝑢 𝑥𝑥𝑗𝑗
𝑢𝑢𝑦𝑦 = � 𝑐𝑐𝑗𝑗2 𝑢𝑢 𝑥𝑥𝑗𝑗 = � 𝑎𝑎𝑗𝑗
𝑦𝑦 𝑥𝑥𝑗𝑗
𝑗𝑗=1 𝑗𝑗=1
ESPONENTE DEL PARAMETRO XJ CON SEGNO
Pro Pro
• non ci sono limitazioni sulla funzione • si propagano quantità relative
Contro Contro
• derivate parziali • utilizzabile solo in caso di funzione con
• Attenzione alle unità di misura prodotti/divisioni
© Misure e Tecniche Sperimentali
Incertezza combinata estesa 21
• Come si sceglie invece il fattore di copertura in caso di incertezza
composta?
𝑦𝑦 = 𝑓𝑓 𝑥𝑥𝑥, 𝑥𝑥𝑥, 𝑥𝑥𝑥, … , 𝑥𝑥𝑥𝑥
• Si valutano i gdl complessivi mediante la formula di Welch-
Satterthwaite:
𝑢𝑢𝑦𝑦4
𝜐𝜐 = 4
𝜕𝜕𝜕𝜕
𝑢𝑢
𝜕𝜕𝑥𝑥𝑗𝑗 𝑥𝑥𝑗𝑗
∑𝑘𝑘𝑗𝑗=1
𝜈𝜈𝑗𝑗
• Si valuta il fattore di copertura sulla tavola della distribuzione t-
Student con il numero di gradi di libertà valutati in precedenza.
© Misure e Tecniche Sperimentali
Incertezza combinata estesa 22
• Si possono comporre incertezze A e B.
• In caso di incertezza A: νi = n-1
• In caso di incertezza B: νi = ∞ , quindi nella formula di Welch-
Satterthwaite il contributo si annulla.
• Il risultato si approssima sempre all’intero inferiore.
• Se ν ≤ 30 come fattori di copertura si usano i quantili della t-Student
con ν gdl, altrimenti quelli della Gaussiana.
© Misure e Tecniche Sperimentali
Riepilogo incertezza estesa 23
Incertezza standard Incertezza standard
(singolo parametro) (singolo parametro)
Tipo A Tipo A
Tipo B Tipo B
Legge di propagazione delle incertezze
Incertezza standard
combinata
Incertezza estesa
© Misure e Tecniche Sperimentali
In azienda… 24
Trasduttore 1 (s1)
Trasduttore 2 (s2)
𝑠𝑠 = 𝑠𝑠𝑠 + 𝑠𝑠𝑠 2 + 𝑠𝑠𝑠 − 𝑠𝑠𝑠 2
Trasduttore 3 (s3)
Trasduttore 4 (s4)
• Nell’ipotesi che i trasduttori impiegati abbiano la stessa incertezza ut
(tipo B), quanto vale l’incertezza richiesta per soddisfare il vincolo di
misurare 0.06 mm con un’incertezza relativa non superiore al 5%?
• Soluzione: si deve propagare i contributi d’incertezza secondo le
relazioni che abbiamo analizzato…
© Misure e Tecniche Sperimentali
In azienda… 25
𝑠𝑠 = 𝑠𝑠𝑠 + 𝑠𝑠𝑠 2 + 𝑠𝑠𝑠 − 𝑠𝑠𝑠 2
Ipotizziamo che s2 ed s3 siano nulli (solo spostamento verticale);
𝑠𝑠 ~𝑠𝑠𝑠 + 𝑠𝑠𝑠
E valutiamo le derivate parziali di s rispetto s1 ed s4;
Nell’ipotesi che l’incertezza dei trasduttori (uT) sia la medesima….
𝑢𝑢𝑠𝑠 = 2 𝑢𝑢 𝑇𝑇
Si ottiene che l’incertezza richiesta è di circa 2 μm; quindi i traduttori da
scegliere per la misura dello spostamento relativo dovranno garantire
l’incertezza di misura così definita;
© Misure e Tecniche Sperimentali
26
Riepilogo RAA - autovalutazione
Conoscenza
Metodo Monte Carlo
Metodologia classica di valutazione dell’incertezza combinata
Estensione incertezza combinata
Incertezze relative
Applicazione e comunicazione
Procedure di valutazione classica
Scrittura dell’incertezza di misura
Scrittura dell’incertezza di misura estesa
Identificazione dei contributi di incertezza
nella combinazione
© Misure e Tecniche Sperimentali