What is the Uncertainty Factor?

Význam tématu

Správné vyjádření neurčitosti měření je klíčové pro rozhodování založené na analytických výsledcích, například pro posuzování souladu s limity nebo řízení rizik. Klasické symetrické rozpětí (x ± U) předpokládá přibližně normální rozdělení chyb a relativně malou neurčitost; v reálných situacích však může převládat velká relativní neurčitost nebo pozitivní asymetrie rozdělení (lognormální chování). V těchto případech poskytuje praktičtější a realističtější popis neurčitosti tzv. neurčitostní faktor (FU), který vyjadřuje multiplikativní (asymetrické) intervaly důvěryhodnosti ve tvaru x x/ FU ("times-over").

Cíle a přehled studie / článku

Cílem předloženého materiálu je vysvětlit pojem neurčitostního faktoru, ukázat podmínky jeho použití, popsat způsob výpočtu a demonstrovat přínos na příkladu určování olova v kontaminované půdě. Dokument porovnává standardní symetrické vyjádření rozšířené neurčitosti s multiplikativním přístupem vhodným pro lognormální nebo vysoce heterogenní soubory dat.

Použitá metodika a instrumentace

Metodika (případová studie olova):

• Sběr vzorků: plošné odběry 100 cílových bodů v mřížce na lokalitě; u 10 náhodně vybraných cílů byly odebrány duplikátní vzorky.
• Analytika: vzorky byly chemicky rozpuštěny (acidní digesce) a koncentrace Pb stanovena pomocí ICP-AES v akreditované laboratoři.
• Odhad neurčitosti: použita tzv. duplicate metoda — každý z 10 vybraných cílů měl dva vzorky analyzované dvakrát, celkem 40 měření; hlavním příspěvkem do neurčitosti byla opakovatelnost.
• Kontrola biasu: analyzovány referenční materiály (CRMs), bias byl zanedbatelný.
• Výpočet: pro symetrické vyjádření se používá relativní rozšířená neurčitost U' (%) ≈ (2 · s_meas / x) · 100, za předpokladu normálního rozdělení. Pokud jsou data kladně zkosená a logaritmování vede k téměř normálnímu rozdělení, používá se neurčitostní faktor FU = exp(k · s_L), kde s_L je směrodatná odchylka log-transformovaných hodnot a k je pokrytí (obvykle k = 2 pro ~95% jistotu).
• Software / statistika: analýza variance (ANOVA) nebo specializované nástroje (např. RANOVA3) mohou usnadnit výpočet FU z originálních dat.

Výslovně zmíněná instrumentace a nástroje:

• ICP-AES (indukčně vázaná plazma — atomová emisní spektrometrie)
• Acidní digesce vzorků
• Referenční materiály (CRMs) pro kontrolu biasu
• Statistické zpracování: ANOVA, software RANOVA3

Hlavní výsledky a diskuse

Klíčové poznatky:

• Pro data s nízkou relativní neurčitostí a přibližně normálním rozdělením je vhodné klasické symetrické vyjádření x ± U.
• Pokud je relativní standardní neurčitost vysoká (např. u' > 20 %) nebo je rozdělení kladně zkosené (lognormální), vede symetrické vyjádření k nevhodnému popisu spolehlivého intervalu.
• Případová studie olova: z 40 log-transformovaných výsledků získaných duplicate metodou byl spočten neurčitostní faktor FU = 2,62. To znamená, že pro typické měření 300 mg·kg−1 je interval důvěryhodnosti přibližně 300 / 2,62 až 300 × 2,62, tedy ~115 až ~784 mg·kg−1 — výrazně širší a asymetrický interval způsobený hlavně heterogenitou při odběru.
• Podobné lognormální chování bylo pozorováno i u analytických mezí v jiných studiích (např. měření GMO v sóje při porovnání mezi laboratořemi), což ukazuje, že FU je aplikovatelný nejen pro chyby vyplývající ze vzorkování, ale i v čistě analytických systémech s multiplikativními chybnými složkami.

Interpretace grafiky v článku:

• Histogram původních 100 hodnot Pb ukazuje kladný sklon (pozitivní šikmost).
• Histogram log-transformovaných hodnot je blízký normálnímu rozdělení, což podporuje použití lognormálního modelu a výpočet FU.
• Proficiency data GMO ukazují typickou lognormální distribuci výsledků mezi laboratořemi, která opět ospravedlňuje multiplikativní přístup.

Přínosy a praktické využití metody

Praktické výhody použití neurčitostního faktoru:

• Poskytuje realistický interval spolehlivosti pro data s velkou heterogenitou nebo pro lognormální chyby, čímž zabraňuje falešnému pocitu přesnosti.
• Umožňuje správnější rozhodování v oblastech jako environmentální monitoring, hodnocení kontaminace, proficiency testing a kvalita laboratoří, kde jsou chyby multiplikativní nebo vzorkování převažuje nad analytikou.
• Komunikace výsledků ve formě x x/ FU zdůrazňuje asymetrii neurčitosti a je srozumitelnější tam, kde je pravděpodobnost větší odchylky nahoru než dolů (nebo naopak).

Budoucí trendy a možnosti využití

Možné směry a rozšíření použití:

• Integrované statistické nástroje v softwaru laboratorních informačních systémů pro automatické rozpoznání lognormálního chování a výpočet FU.
• Rozšíření praxe vyjadřování MU pomocí FU v akreditacích a regulačních rámcích tam, kde jsou očekávané heterogenity nebo multiplikativní chyby.
• Další metodické práce na komunikaci a vizualizaci asymetrických intervalů pro uživatele výsledků, včetně standardizovaných formulací a příkladů použití pro různé obory (environment, potraviny, forenzika apod.).
• Větší důraz na kvantifikaci příspěvku odběru vzorků k celkové neurčitosti a na vývoj návrhů odběru s cílem snížit FU tam, kde je to prakticky možné.

Závěr

Neurčitostní faktor (FU) je užitečný nástroj pro vyjádření měřicí neurčitosti v případech vysoké relativní neurčitosti nebo kladně zkosených (lognormálních) rozdělení. Poskytuje multiplikativní, asymetrický interval důvěryhodnosti, který lépe odráží skutečnost v situacích s heterogenním vzorkováním nebo s analytickými chybami, které se projevují multiplikativně. Pro správné použití je nutné ověření vhodnosti lognormálního modelu (např. kontrolou rozdělení po ln-transformaci) a transparentní komunikace výsledků uživatelům.

Reference

1. Ramsey M. H., Ellison S. L. R. and Rostron P. (eds.), 2019. Eurachem/EUROLAB/CITAC/Nordtest/AMC Guide: Measurement uncertainty arising from sampling: a guide to methods and approaches. Second Edition. Example A2, p.44-52. Eurachem.
2. RANOVA3 software (statistické zpracování ANOVA) – doporučený nástroj pro výpočty FU z originálních dat. Royal Society of Chemistry Analytical Methods Committee.
3. AMC, 2004. GMO Proficiency testing: Interpreting z-scores derived from log-transformed data. Technical Brief No. 18. Analytical Methods Committee.