Come valutare l’incertezza delle misure di agenti chimici negli ambienti di lavoro, dal campionamento all’analisi? Un approfondimento tecnico sul metodo Monte Carlo, con formule, budget e un esempio simulato di 200.000 iterazioni.
Nella determinazione della concentrazione di un agente chimico nell’aria di un ambiente di lavoro, il risultato non dipende soltanto dalle prestazioni dello strumento analitico. Contribuiscono anche la portata effettiva della pompa, il volume d’aria campionato, la durata del prelievo, il bianco e l’eventuale recupero analitico. Quando il modello di misura è non lineare o le grandezze di ingresso hanno distribuzioni non normali, il metodo Monte Carlo permette di studiare in modo diretto la propagazione delle distribuzioni.
1. Il risultato di un campionamento è il prodotto dell’intera catena di misura
Per costruire un budget pertinente occorre definire anzitutto il misurando e il metodo realmente applicato. Le principali grandezze possono comprendere:
- Portata: taratura del calibratore, ripetibilità, risoluzione, deriva e stabilità della pompa durante il prelievo.
- Durata: riferibilità della misura del tempo, risoluzione e identificazione degli istanti di avvio e arresto.
- Massa dell’analita: ripetibilità, taratura analitica, bianco di metodo, estrazione e preparazione.
- Recupero ed efficienza di raccolta: soltanto i fattori previsti o giustificati dalla procedura di campionamento e analisi.
- Correlazioni: componenti comuni, ad esempio quando le portate iniziale e finale sono misurate con lo stesso calibratore.
La UNI EN 482:2021 costituisce un riferimento per i requisiti prestazionali di base delle procedure di determinazione della concentrazione degli agenti chimici negli ambienti di lavoro. La ISO 13137:2022 tratta requisiti prestazionali e metodi di prova delle pompe a batteria per il campionamento personale. Restano naturalmente applicabili le prescrizioni specifiche del metodo utilizzato.
2. Il modello matematico: dalla massa alla concentrazione nell’aria
Quando il metodo richiede la correzione del bianco e quella per il recupero, un possibile modello semplificato è:
C è la concentrazione (µg/m³), m − mb la massa netta (µg), Q la portata media (L/min), t la durata (minuti), R il recupero come frazione. Il fattore 1000 consente la conversione del volume da litri a metri cubi. La correzione per il recupero non va introdotta automaticamente: deve essere prevista o dimostrata adeguata dal metodo.
Qualora la portata vari in modo significativo, è opportuno modellare il volume effettivo con le informazioni disponibili nel corso del campionamento, anziché assumere senza verifica una semplice portata media.
3. Il budget di incertezza: definire bene gli ingressi
| Grandezza | Fonti e dati di supporto |
|---|---|
| Q – Portata | Certificati di taratura, controlli pre/post-campionamento, prove di stabilità |
| t – Tempo | Sistema di misura del tempo, avvio/arresto e risoluzione |
| m – mb – Massa netta | Ripetibilità, taratura, bianco, preparazione e validazione |
| R – Recupero | Studi di recupero e relativa variabilità, se applicabile |
| Campionatore | Efficienza, selettività ed eventuali perdite, se pertinenti |
Un elenco di fattori non basta: ogni componente deve essere supportata da evidenze, e il laboratorio deve evitare di contare due volte contributi già compresi nei dati di riproducibilità o di validazione.
4. Dal metodo GUM alla simulazione Monte Carlo
La propagazione classica secondo la GUM utilizza le incertezze standard e i coefficienti di sensibilità, tenendo conto delle covarianze pertinenti. Il JCGM 101:2008, Supplemento 1 alla GUM, descrive invece la propagazione delle distribuzioni di probabilità mediante simulazione Monte Carlo.
- Definire il modello matematico e identificare tutti gli ingressi pertinenti.
- Assegnare a ciascun ingresso una distribuzione basata su dati sperimentali, certificati di taratura o informazioni tecniche.
- Descrivere le correlazioni e, per ogni iterazione, estrarre una combinazione coerente delle grandezze di ingresso.
- Calcolare il risultato del modello per ciascuna combinazione e caratterizzare la distribuzione finale.
- Ricavare valore atteso, incertezza standard e intervallo di copertura; valutare la stabilità numerica dei risultati.
La simulazione può essere particolarmente utile per modelli non lineari e distribuzioni asimmetriche, ma non compensa un modello incompleto né sostituisce le attività sperimentali di validazione.
5. Esempio numerico: 200.000 simulazioni su un campionamento personale
Proponiamo un esempio didattico, non un budget valido per uno specifico metodo normato. Assumiamo indipendenza delle grandezze soltanto per rendere il calcolo trasparente: in un caso reale l’ipotesi va verificata.
| Ingresso | Distribuzione illustrativa |
|---|---|
| Massa netta | Normale: media 60 µg; u = 3 µg |
| Portata | Normale: media 2,00 L/min; u = 0,04 L/min |
| Durata | Rettangolare: 239–241 minuti |
| Recupero | Rettangolare: 0,90–1,00 |
Con 240 minuti, 2,00 L/min e recupero nominale del 95%, il volume campionato è 0,480 m³ e la concentrazione nominale è 131,6 µg/m³.
RISULTATI DELLA SIMULAZIONE DIDATTICA
131,7 µg/m³
Media simulata; incertezza standard ≈ 8,2 µg/m³.
116,2 – 148,1 µg/m³
200.000 iterazioni pseudocasuali, percentili 2,5 e 97,5, risultati arrotondati. Le ipotesi di distribuzione sono soltanto illustrative.
La distribuzione simulata è in questo caso soltanto lievemente asimmetrica. La scelta tra approccio GUM e Monte Carlo va motivata sulla base del modello e dei dati: non è corretto presentare Monte Carlo come un metodo che riduce sempre l’incertezza.
6. Tre errori che un laboratorio deve evitare
Ignorare le correlazioni
Se le portate iniziale e finale derivano dallo stesso calibratore, alcune componenti possono essere comuni. Simularle come indipendenti altera potenzialmente il risultato.
Confondere la simulazione con la validazione
Il software propaga le distribuzioni inserite: non verifica da solo recupero, selettività, stabilità o rappresentatività del campionamento. La qualità dei dati sperimentali è decisiva.
Confondere incertezza della misura e variabilità dell’esposizione professionale
La concentrazione misurata durante quattro ore non rappresenta automaticamente la media sull’intero turno. La UNI EN 689:2019 definisce una strategia per valutare l’esposizione per inalazione e verificarne la conformità ai valori limite professionali. La variabilità tra lavoratori, gruppi omogenei e giornate è distinta dall’incertezza del singolo risultato.
Conclusione
Il metodo Monte Carlo costituisce un valido complemento al budget tradizionale quando il modello matematico o le distribuzioni degli ingressi richiedono un’analisi più articolata. In un laboratorio che opera secondo la UNI CEI EN ISO/IEC 17025, la priorità resta documentare il modello, la riferibilità dei dati, le assunzioni e la pertinenza dell’incertezza rispetto all’utilizzo del risultato.
L’obiettivo non è ottenere un valore più favorevole, ma un’incertezza tecnicamente giustificata.
Supporto tecnico DN: campionamento e incertezza
Per pompe di campionamento, calibratori di portata, riferibilità, criteri di accettazione e valutazione dell’incertezza, DN Consulenze offre supporto tecnico mirato al laboratorio e formazione personalizzata.
Scopri la consulenza per gli ambienti di lavoro Prossimi corsi DN
Riferimenti tecnici
- JCGM 101:2008 – Supplemento 1 alla GUM: propagazione delle distribuzioni mediante Monte Carlo.
- JCGM 100:2008 – Guida all’espressione dell’incertezza di misura (GUM).
- UNI CEI EN ISO/IEC 17025:2018 – Requisiti per la competenza dei laboratori.
- UNI EN 482:2021 – Requisiti prestazionali di base per misure di agenti chimici negli ambienti di lavoro.
- ISO 13137:2022 – Pompe per campionamento personale: requisiti e metodi di prova.
- UNI EN 689:2019 – Strategia di misurazione dell’esposizione per inalazione e verifica dei valori limite professionali.
DN Consulenze – Consulenza e formazione per laboratori ISO/IEC 17025.
