P. 1
AT-15

AT-15

|Views: 7|Likes:
Published by pibuka
Bevezetés a mérések kiértékelésébe 5. rész. Matematikai tételek, valószínűségelmélet a mérési módszerek megértéséhez, elsajátításához.
Bevezetés a mérések kiértékelésébe 5. rész. Matematikai tételek, valószínűségelmélet a mérési módszerek megértéséhez, elsajátításához.

More info:

Categories:Types, School Work
Published by: pibuka on Dec 30, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF or read online from Scribd
See more
See less

05/09/2014

90

5. KÖZVETLEN MÉRÉSEK
Az a Iizikai mennyiseget n-szer megmertük. es ξ
1
. ξ
2
. .... ξ
n
-et kaptunk
eredmenyül. Feltesszük. hogy a meresi eredmenyek egymastol fùggetlenek.
torzitatlanok. vagyis varhato ertekük a:
( ) M . . . . ξ
i
a i n = = 1 2 K .
(5.1)
Ket esetet vizsgalunk meg: (1) a meresek szorasa azonos. (2) a meresek
szorasa valtozo. Mindket esetben Ieltesszük. hogy a meresek Gauss-
eloszlasuak.
5.1. Azonos pontosságú közvetlen mérések
Elóször Ieltesszük. hogy a meresek szorasa azonos:
( ) D . . . .
2 2
1 2 ξ σ
i
i n = = K . (5.2)
Az 5.1.a. abran mutatunk ilyen meresi adatokat. amelyekról tudiuk. hogy
varhato ertekük a ÷ 100 es szorasuk σ ÷ 10.
1

ξ

5.1.a. abra. Azonos szorasu es azonos varhato ertekú mert adatok
(5.1) szerint ezek barmelyike hasznalhato mint az a varhato ertek torzitatlan
becslese. Nyilvan nem azert vegeztünk n ÷ 400 Iüggetlen merest. hogy

1
Ezeket onnan ismeriük. hogy az abra nem tenylegesen mert. hanem szamitogeppel
generalt adatokat mutat.

91
közülük csak egyet vegyünk Iigyelembe. es a többit Iel se hasznaliuk. Olyan
becslesi eliarast keresünk. amelyben mindegyik meres eredmenye
beIolyasolia a becsült erteket. Ennek kezenIekvó modia az
~
a
n
i
i
n
= =
=

ξ
ξ
1

(5.3)
atlag. Az 5.1.b. abran ezt mutatiuk az atlagolasban Iigyelembe vett adatok
szamanak a Iüggvenyeben. Az abran lathato ket görbe között van az a
terület. amelyen belül az atlagertek 95° valoszinúseggel megtalalhato.
(Ennek pontosabb ertelmere az intervallumbecsles targyalasakor meg
visszaterünk.) Az abra szerint az atlagnak a varhato ertek körüli ingadozasa
mar n kis ertekeire is gyorsan lecsökken. Ezt követóen az atlagertekek
ugyan lassan. de vegül megis stabilizalodnak.
90
95
100
105
110
0 50 100 150 200 250 300 350 400

ξ
á
t
l
a
g

5.1.b. abra. Az (5.3) szerinti mintaatlag az atlagolt adatok n szamanak a Iüggvenyeben
Szemleletesen lattuk tehat. hogy erdemes ugyanazt a mennyiseget
többször is megmerni es a mert adatokat atlagolni. mert igy ielentósen
csökkenthetiük a keresett a parameter becsült ertekenek a szorasat. A 4.
Ieiezetben lattuk. hogy a maximum likelihood modszer szolgaltatia a lehetó
legkisebb szorast. Az alabbiakban megvizsgaliuk. nem lehet-e ezzel a
modszerrel meg az (5.3) szerinti mintaatlagnal is iobb becslest talalni.
Pontbecslés
A maximum likelihood modszer alkalmazasahoz mindenek elótt Iel kell
irnunk a mert adatok együttes súrúsegIüggvenyet |vö. (3.37c)|:

92
( )
( )
( )
L a
Q a
n
x; .
exp
σ
σ
σ
2
2
2
2
2
2
=







π
. (5.4a)
ahol
( ) ( ) Q a x a
i
i
n
= −
=

2
1
.
(5.4b)
Legyen
r
ξ ξξ ξ a ξ
1
. ξ
2
. .... ξ
n
mert adatokbol alkotott vektor.
A maximalis valoszinúseg modszere szerint a erteket ugy kell
megvalasztani. hogy =
r
ξ ξξ ξ helyettesites mellett L maximalis legyen. amit
ugy erhetünk el. hogy megkeressük Q minimumat. Derivaliuk Q-t a szerint:
( )
( ) − = − =
=

1
2
0
1


Q a
a
a
i
i
n
ξ .

aminek a megoldasa az (5.3) szerinti mintaatlag.
Vizsgaliuk meg a becsles tulaidonsagait!
~
a varhato erteke az a valodi
ertek. tehat az (5.3) becsles torzitatlan:
( )
( )
M
~
M
a
n
na
n
a
i
i
n
= = =
=

ξ
1
.

amint ez az (5.1) Ielteves alapian belathato. Szorasnegvzetet (5.2) alapian
szamitiuk ki kihasznalva. hogy a meresek Iüggetlenek:
( )
( )
( )
D
~
D
D
2 2
2
1
2
2
2
2
a
n
n
n
n
i
i
n
= = = =
=

ξ
ξ
σ σ
.
(5.5)
A becsles szorasa tehat a meresek szamanak a negyzetgyökevel Iorditva
aranyosan nullahoz tart. Ebból következik. hogy
~
a konzisztens becsles. A
következó alIeiezetben megmutatiuk. hogy ez a becsles a linearis becslesek
köreben hatekonv is.
σ
2
-et altalaban nem tekinthetiük ismertnek. vagyis ezt is becsülnünk kell.
Ebben is az (5.4) szerinti eloszlasIüggvenyból indulunk ki: L-nek nem csak
a. hanem σ
2
Iüggvenyeben is keressük a maximumat. Feliriuk tehat a
következó egyenletrendszert:
( )


ln . L a
a
r
ξ ξξ ξ
= 0 es
( )


2
ln . L a
r
ξ ξξ ξ
σ
= 0 .


93
Az elsó egyenlet megoldasat (5.3)-ben mar Ielirtuk. a masodik egyenlet
explicit alakia pedig
( )




π
2 2
ln
ln
L Q n Q n
σ σ σ
σ
σ σ
= − −






= − =
2
2
2
2 2
0
2
2
4 2
.

amiból
( )
~
σ
ξ
2
=
=
Q a
n
a
.
(5.6)
Tudiuk. hogy a maximalis valoszinúseg modszere gyakran csak aszimp-
totikusan. vagyis n → ∞ mellett ad torzitatlan becsleseket. Ezert celszerú
megvizsgalni az (5.6) szerinti becsles varhato erteket. Egyszerú atalakitassal
kapiuk. hogy
( ) ( )
( ) ( )
[ ]
Q a a a
i
i
n
i
i
n
= − = − + − =
= =
∑ ∑
ξ ξ ξ ξ
2
1
2
1


( ) ( ) ( ) ( ) ( ) ( )
= − + − − + − = + −
= =
∑ ∑
ξ ξ ξ ξ ξ ξ ξ ξ
i
i
n
i
i
n
a n a Q n a
2
1 1
2 2
2 .

Itt kihasznaltuk. hogy a kettós szorzatban szerepló összeg (5.3) alapian
eltúnik. Q(a) varhato erteke deIinicio szerint nσ
2
. a iobb oldal masodik
tagiae pedig σ
2
|vö. (5.5)|. Igy tehat
( )
[ ]
( )
[ ] ( )
M M M Q Q a n a n ξ ξ σ σ = − −






= −
2
2 2
.

vagyis
( )
M
~
σ σ
2 2
1
=
− n
n
.

Az (5.6) szerinti becsles tehat torzitott.
Legutobbi eredmenyünkból egyszerúen kaphatunk azonban torzitatlan
becslest:
( )
( )
s
Q
n n
i
i
n
2
2
1
1 1
=

=


=

ξ
ξ ξ
.
(5.7)
Ezt a mennyiseget korrigalt empirikus szorasnegvzetnek nevezzük. es
szabvanyos ielölese s
2
. A nevezóben szerepló (n 1) egy altalanosabb tetel
következmenyekent is ki Iog adodni a következó Ieiezetben |vö. (6.22)|. A
tovabbiakban az egyszerúseg kedveert a 'korrigalt¨ ielzót elhagyiuk. es
s
2
-et empirikus szorasnegvzetnek Iogiuk nevezni.

94
Intervallumbecslés
Az (5.3) keplet meghatarozott szamerteket ad meg az a parameter
keresett ertekere. Ezert ezt pontbecslesnek nevezzük. Mindig erre van
szükseg. amikor tovabb kell szamolnunk a parameter becsült ertekevel. Bai
azonban. hogy a becsült ertek soha nem Iog a valodi ertekkel egybeesni.
2

tovabba nem ad inIormaciot a becsült adat bizonytalansagarol. Erre van
szüksegünk peldaul akkor. amikor a merest azert vegezzük el. hogy
ellenórizzük egy elmeleti ioslat helyesseget. Nyilvanvalo. hogy az elmeleti
ioslat es a pontbecsles mindig tapasztalhato elterese meg nem ielenti az
elmelet caIolatat. A becsült adat bizonytalansagan belüli egyezest szivesen
tekintenenk az elmelet igazolasanak. Ezert vezetünk le az alabbiakban egy
intervallumbecslest is: keresünk egy olyan intervallumot. amelybe a
parameter valodi erteke adott valoszinúseggel esik. Szüksegünk lesz ket
alapvetó tetelre:
5.1. TETEL. A σ
2
aranyossagi tenyezótól eltekintve az (5.4b) szerinti
negyzetösszeg χ
2
eloszlasu (n 1) szabadsagi Iokkal:
( )
Q
n
ξ σ χ =

2
1
2
. (5.8)
Ez a tetel a legkisebb negyzetek modszereben az egyik legIontosabb.
altalanosan ervenyes tetel specialis esete. Bizonyitasa meglehetósen
bonyolult az altalanos esetben. de ebben a specialis esetben egyszerú.
Fentebb belattuk:
( )
( )
( )
( )
( )
Q Q a n a a n a
i
i
n
ξ ξ ξ ξ = − − = − − −
=

2
2
1
2
.
Vezessük be a következó ielöleseket:
η
ξ
σ
i
i
a
=

es η
η
ξ
σ
= =

=
∑ i
i
n
n
a
1
.

amivel
( )
Q
n
i
i
n
ξ
σ
η η
2
2
1
2
= −
=

. (5.9)
A deIiniciobol következik. hogy az η
i
valoszinúsegú valtozok egymastol
Iüggetlenek. varhato ertekük zerus. szorasnegyzetük 1. Ha tehat (5.9)-ben
csak a szumma szerepelne. a iobb oldal χ
2
lenne n szabadsagi Iokkal. A iobb
oldal masodik tagiatol egy ortogonalis transzIormacioval szabadulunk meg:

2
Az ilyen kiielentesek matematikailag a következót ielentik: annak a valoszinúsege. hogy a
ket ertek különbsege ∆-nal kisebb legyen. O(∆) rendben 0-hoz tart.

95
ζ η η η η
1 1 2
1 1 1
= + + + = ⋅
n n n
n
n
K .

ζ η η η
2 21 1 22 2 2
= + + + c c c
n n
K .
LLL

ζ η η η
n n n nn n
c c c = + + +
1 1 2 2
K .
Ilyen ortogonalis transzIormaciot mindig lehet talalni: keresünk az elsó
sorban szerepló
[ ]
1 1 1 . . .... n vektorra meróleges alterben (n 1)
egymasra meróleges egysegvektort. es ezek komponensei adiak meg a
transzIormacio 2.. 3.. .... n-edik sorait. A transzIormalt ζ
i
valoszinúsegi
valtozok szinten Iüggetlenek. varhato ertekük zerus. szorasnegyzetük 1.
Segitsegükkel (5.9) igy irhato:
3

( )
Q
i
i
n
i
i
n
n
ξ
σ
ζ ζ ζ χ
2
2
1
1
2 2
2
1
2
= − = =
= =
− ∑ ∑
.
amint a tetelben allitiuk.
5.2. TETEL. ξ Iüggetlen a
( )
Q ξ negyzetösszegtól.
Eleg megmutatni. hogy ξ a
( ) ( )
Q
i
i
n
ξ ξ ξ = −
=

2
1


negyzetösszeg mindegyik tagiatol külön-külön is Iüggetlen. Gauss-eloszlasu
valtozokrol leven szo. azt kell megmutatnunk. hogy a szoban Iorgo
valoszinúsegi valtozok kovarianciaia eltúnik:
( )
[ ]
( )( )
[ ]
C a
i i
= − = − − = cov . M ξ ξ ξ ξ ξ ξ 0.
(5.10)
Ennek belatasahoz atalakitiuk a varhato ertek iele alatti kiIeiezest:
( )
( )
[ ]
( )
{ }
C a a a
i
= − − − − = M ξ ξ ξ
( )
( )
[ ]
( )
= − − − −






M M ξ ξ ξ
i
a a a
2
.

(5.5) alapian a masodik tag σ
2
/n. Az elsó tag pedig szinten ugyanennyi:

3
Az itt Ielhasznalt teteleket a 2. Ieiezetben targyaliuk.

96
( )
( )
[ ]
( )
( )
( )
[ ]
M M
M
ξ ξ ξ
ξ
ξ
σ
i i
i
i
n
i
a a a
a
n
a
n n
− − = −















=

=

′=

1
2
2
.

vagyis az (5.10)-ben szerepló C kovariancia tenyleg eltúnik. amivel a tetelt
igazoltuk.
Kepezzük ezutan a
( )
( )
t
a a
s
n
a
Q
n n
=

=


~
ξ
ξ
1

(5.11)
hanyadost |vö. (5.7)|. Belatiuk. hogy ez (n 1) szabadsagi Ioku Student-
tört. (5.5)-ból következik. hogy a
ϑ
σ
=

~
a a
n


hanyados Gauss-eloszlasu valoszinúsegi valtozo. amelynek a varhato erteke
zerus. szorasa pedig 1. Az 5.1. TETEL szerint
( )
Q ξ σ
2
χ
2
-valtozo (n 1)
szabadsagi Iokkal. amely az 5.2. TETEL szerint Iüggetlen ϑ-tol. Igy a
( )
( )
ϑ
ξ
σ
Q
n
2
1 −


hanyados Student-tört (n 1) szabadsagi Iokkal. Behelyettesitessel
belathatiuk. hogy ez nem mas. mint az (5.11) alatti t hanyados.
Legutobbi eredmenyünk alapian mar megszerkeszthetiük a keresett
intervallumot. Valasszunk egy ε konIidencia-valoszinúseget. es a Student-
eloszlas tablazataibol kikeressük a következó Ieltetelnek eleget tevó γ
kvantilist:
{ }
P t < = − γ ε 1 .
(5.12)
(5.11) alapian tehat (1 ε) valoszinúseggel Iennall a következó ket
egyenlótlenseg:

97
( )
( )
− <


< γ
ξ
ξ
γ
a
Q
n n 1
.

amit atrendezve adodik a keresett intervallum:
( )
( )
( )
( )
ξ γ
ξ
ξ γ
ξ


< < +

Q
n n
a
Q
n n 1 1
(5.13a)
vagy egyszerúbben:
ξ γ ξ γ − < < +
s
n
a
s
n
.
(5.13b)
A bal es iobb oldalon szerepló mennyisegekból alkotiuk meg az un. konfi-
denciaintervallumot:
ξ γ ξ γ − +






s
n
s
n
. .
(5.13c)
Megiegyezzük. hogy az 5.1.b. abran lathato burkologörbek lenyegeben
ezzel a keplettel vannak szamolva. Annyi az elteres. hogy az atlag helyett a
all. s helyett pedig σ:
a
n
a
n
− +






γ
σ
γ
σ
. .

γ erteke 1.96 (vö. 2. Iüggelek).
Poisson-eloszlású mérések
A reszecskeszamlalok altal adott eredmenyek altalaban Poisson-eloszla-
suak. Ha a beütesszam varhato erteke
( ) M ξ = a .
(5.14a)
akkor
P
a
a
ξ
ξ
ξ
=

e
!

(5.15)
annak a valoszinúsege. hogy pontosan ξ reszecsket szamlalunk meg. Ennek
az eloszlasnak nevezetes tulaidonsaga. hogy a szorasnegyzet megegyezik a
varhato ertekkel:
( ) D
2
ξ = a .
(5.14b)

98
Amikor a beütesszam 100-as nagysagrendú vagy nagyobb. a Poisson-
eloszlas iol közelithetó Gauss-eloszlassal:
( )
P
a
a
a
ξ
ξ
≈ −











1
2 2
2
π
exp .

Kisebb beütesszamok eseteben azonban ez a közelites elromlik. igy az
adatok kiertekeleseben celszerú az (5.15) szerinti eloszlassal dolgozni.
Mint az eddigiekben. most is n merest vegeztünk. es ξ
1
. ξ
2
. .... ξ
n
-et
kaptunk eredmenyül. Együttes valoszinúsegük
( )
L a
a
a
i
i
n
i r
ξ ξξ ξ;
!
=

=

e
ξ
ξ
1
.
(5.16)
A maximalis valoszinúseg elve alapian lnL maximumat kell megkeresnünk
a Iüggvenyeben:
( )
( )




L a
a a
na a n
a
i i
i
n
i
i
n
r
ξ ξξ ξ;
ln ln ! = − + −








= − + =
= =
∑ ∑
ξ ξ
ξ
1 1
0.

amiból
~
a
n
i
i
n
= =
=

ξ
ξ
1
.
(5.17)
Ez pontosan megegyezik az (5.3) szerinti becslessel.
(5.14a) alapian rögtön latszik. hogy ez torzitatlan becsles.
Szorasnegyzetet (5.14b) alapian kapiuk:
( )
( )
D
~
D
~
2
2
1
2 2
a
n
na
n
a
n n
i
i
n
= = ≈ =
=

ξ
ξ
. (5.18)
Itt kihasznaltuk. hogy Iüggetlen valoszinúsegi valtozok összegenek a
szorasnegyzete a szorasnegyzetek összege.
KonIidenciaintervallumot ugy kaphatunk a legegyszerúbben. hogy a Poi-
sson-eloszlast Gauss-eloszlassal közelitiük. Legyen γ
G
a Gauss-eloszlasnak
a valasztott ε konIidencia-valoszinúseghez tartozo kvantilise. Ekkor (5.18)
alapian a konIidenciaintervallum:
ξ γ
ξ
ξ γ
ξ
− +








G G
n n
. .
(5.18a)

99
Csoportosított mérések
A szorasnegyzet becslese iavithato. ha ugyanazzal a merestechnikaval
több különbözó mennyiseget is megmerünk. Jelöliük ezeket a
1
. a
2
. .... a
m
-
mel. Az a
k
-ra vonatkozo meresek eredmenyet ielöliük ξ
ki
-vel (i ÷ 1. 2. .... n
k
;
k ÷ 1. 2. .... m). Mindegyik csoportban mas a meresi eredmenyek varhato
erteke. de azonos a szorasnegyzete:
( ) M ξ
ki k
a = . de ( ) D
2 2
ξ σ
ki
≡ .
(5.19)
(5.3) alapian a k-adik csoportban az
~
. . . . a
n
k m
k
ki
i
n
k
k
k
= = =
=

ξ
ξ
1
1 2 K
(5.20)
keplettel becsülhetiük a keresett mennyisegeket. Ha Iormalisan
gondolkozunk. (5.7) szerint csoportonkent kaphatunk becslest σ
2
-re:
( )
s
n
k
ki k
i
n
k
k
2
2
1
1
=


=

ξ ξ
. (5.21)
ami a Ientiek szerint torzitatlan. Ennek alapian mindegyik csoporthoz
rendelhetünk konIidenciaintervallumot (k ÷ 1. 2. .... m):
ξ γ ξ γ
k k
k
k
k k
k
k
s
n
s
n
− +








. . (5.21a)
ahol γ
k
az (n
k
1) szabadsagi Ioku Student-eloszlas kvantilise.
Ez az eliaras elvileg hibatlan. de nem veszi Iigyelembe azt a körülmenyt.
hogy a szorasnegyzet mindegyik csoportban ugyanannyi. Ez azert bai. mert
lehetne iavitani σ
2
becsleset. Különösen akkor lenne ez Iontos. amikor a
meresi adatok szama kicsi. σ
2
-et becsülhetiük a telies meresi adathalmaz
segitsegevel is:
( )
( )
( )
s
n
n s
n m
ki k
i
n
k
m
k
k
m
k k
k
m k
2
2
1 1
1
2
1
1
1
=


=


= =
=
=
∑ ∑


ξ ξ
. (5.22)
ahol
n n
k
k
m
=
=

1
.


100
Be lehet latni. hogy az 5.2. TETEL itt is ervenyes: s
2
Iüggetlen az (5.20)
szerint kapott becslesektól. tehat a Student-eloszlas alapian szerkeszthetiük
meg a konIidenciaintervallumokat (k ÷ 1. 2. .... m):
ξ γ ξ γ
k
k
k
k
s
n
s
n
− +








. . (5.22a)
ahol γ az (n m) szabadsagi Ioku Student-eloszlas kvantilise.
Illusztraciokeppen tekintsük az 5.1. tablazatban lathato peldat. m ÷ 5
csoportban törtent a meres. Mivel a meresek n
k
szama csoportrol csoportra
valtozik. masok a γ
k
kvantilisek is (amelyeknek a tablazatban megadott
erteke ε ÷ 0.05-höz tartozik). A szoras meglehetósen nagy. amint ez az s
k

empirikus szorasokbol latszik.

101
5.1. tablazat. Pelda csoportositott meresekre
i↓. k→ 1 2 3 4 5
1 11918 10054 11386 13856 7610
2 13250 6977 11679 15201 6419
3 11951 9985 12145 14274 7581
4 11977 7812 11394 13072 8430
5 10581 8898 13433 14304 6770
6 10718 13838 16031 7966
7 9783 13362 7669
8 9660 13978
9 13114
~
a
k

11935.4 9235.9 12312.5 14132.4 7492.1
s
k
944 1268 1069 978 687
γ
k
2.7764 2.3646 2.5706 2.3060 2.4460
n
k
1 4 7 5 8 6
Az 5.1. tablazatban szerepló adatok szerint az 5.2. tablazat masodik
oszlopaban lathato konIidenciaintervallumokat szerkeszthetiük meg. A
harmadik oszlopban adiuk meg az intervallumok Ielszelesseget (u). amely
iellemzi a parameterek becsült ertekenek a bizonytalansagat. Mivel a
γ
k k
n tenyezó n
k
-nak monoton csökkenó Iüggvenye. azt varna az ember.
hogy u azokra a csoportokra kicsi. amelyekben sok meres van. Tehat a
legkisebb u-t a 2. es a 4. csoportban variuk. amiról azonban a tablazatban
szo sincs. A ielenseg magyarazata abban reilik. hogy az s
k
empirikus
szorasok σ-nak meglehetósen bizonytalan becslesei. amikor mint
esetünkben is n
k
kicsi.
A megoldas tehat σ becsleset iavitani. Ez az (5.22) szerinti becsles
szerepe: s
2
segitsegevel σ
2
-et n m ÷ 30 szabadsagi Iokkal becsüliük.
aminek a bizonytalansaga sokkal kisebb. Az adott peldaban γ ÷ 2.0423. es
(5.22) szerint s ÷ 1017. Az ezekkel (5.22a) szerint szamolt
konIidenciaintervallumok es bizonytalansagok az 5.2. tablazat negyedik.
illetve ötödik oszlopaban talalhatok. Lathato. hogy ezek a szamok sokkal
inkabb megIelelnek a iozan varakozasnak.
5.2. tablazat. KonIidenciaintervallumok es bizonytalansagok
Csoport (5.21a) alapian u (5.22a) alapian u
1 (10763. 13108) 1172 (10006. 12846) 929
2 (8176. 10296) 1060 (8502. 9970) 734
3 (11191. 13434) 1122 (11465. 14313) 848
4 (13381. 14884) 752 (13440. 14824) 692
5 (6857. 8127) 635 (6707. 8277) 785
A végeredmény közlése
A Ienti pelda alapian összeIoglaliuk. hogyan kell egy kiertekelt meres
eredmenyet közölni. A Ielhasznaloknak harom adatra van szüksegük ahhoz.

102
hogy eredmenyeinkkel dolgozhassanak: a pontbecslesre. az empirikus
szorasra es a szabadsagi Iokok szamara. Ha ugyanis ezeket közöliük. az
(5.21a) vagy (5.22a) kepletek alapian megszerkeszthetik az altaluk
valasztott ε konIidencia-valoszinúseghez tartozo
konIidenciaintervallumokat. A γ kvantiliseket persze ki kell keresniük a
Student-eloszlasra vonatkozo statisztikai tablazatokbol.
A közles Iormaia celszerúen a következó:
14132 + 326. (5.23a)
amint ez peldaul az 5.1. tablazat k ÷ 4 oszlopaban talalhato:
~
a = 14132
es s n
k k
= = 978 9 326 . A + iel arra utal. hogy a konIidenciainterval-
lum megszerkesztesehez az empirikus szoras γ
k
-szorosat negativ es pozitiv
elóiellel hozza kell adnunk a pontbecsleshez.
4
Ezt azonban ki kell
egeszitenünk az s
2
becsleseben szerepló szabadsagi Iokok szamaval. ami
nelkül a Ielhasznalok nem tudnak a γ
k
kvantiliseket meghatarozni.
Felmerül a kerdes. miert nem olvasztiuk γ
k
-t az empirikus szorasba.
vagyis miert nem az
~
a s n
k k k
± = ± γ 14132 752 (5.23b)
Iormaban közöliük eredmenyünket. A valasz egyszerú: γ Iügg az ε
valoszinúsegtól. amit nem mi. hanem a Ielhasznalok Iognak megvalasztani.
Ha tehat megis beolvasztiuk a vegeredmeny közlesebe. korlatozzuk a
Ielhasznalokat. Tetelezzük Iel peldaul. hogy egy Ielhasznalo ε ÷ 0.01 mellett
kivan intervallumbecslest vegezni. Haz (5.23a) szerint közöliük az
eredmenyünket. tovabba megadiuk n
k
erteket. akkor a tablazatokbol
kikeresheti a γ
k
÷ 3.3554 kvantilist. amivel az empirikus szorast beszorozva
326⋅3.3554 ÷ 1094 adodik a konIidenciaintervallum Ielszelessegere. (5.23b)
eseteben viszont csak akkor tudia ezt megcsinalni. ha közöliük ε altalunk
valasztott erteket is. Ekkor n
k
ismereteben ki tudia keresni az altalunk
hasznalt γ
k
-t. a bizonytalansagot ezzel elosztia. es az eredmenyül adodo
szorast beszorozza az altala valasztott ε-hoz tartozo kvantilissel. Nyilvanva-
lo. hogy ez ielentós es teliesen Ielesleges többletmunka mind a mi reszünk-
ról. mind a Ielhasznalok reszeról.
Hasonloan Ielesleges es zavaro a t-faktor hasznalata. amelynek az lenne a
Ieladata. hogy a Ielhasznaloknak ne kellien töródniük a veges szabadsagi
Iokokkal. hanem minden esetben a vegtelen szabadsagi Ioknak megIeleló
Gauss-eloszlassal dolgozhassanak. Konkretan arrol van szo. hogy a becsült
szorasokat beszorozzuk a γ
n

G
hanyadossal. ahol γ
n
es γ
G
a veges n. illetve a
vegtelen szabadsagi Iokokhoz tartozo kvantilisek. Tekintve. hogy mindkettó

4
A pontbecslest kerekitettük. A kerekites kerdesevel az 5.4. alIeiezetben külön
Ioglalkozunk.

103
Iügg a valasztott ε-tol. ismet korlatozzuk a Ielhasznalok iogait. tehat ezt a
gyakorlatot sem tudiuk tamogatni.
A szoras becslese a meres kiertekelesenek ugyanolyan alapvetó
eredmenye. mint maga a pontbecsles. tehat egyiket sem szabad semmiIele
tenyezóvel beszorozni. Mindkettot pontosan ugv kell kòzòlni. ahogv azok
kiiòttek. A kiserletezónek Iel kell teteleznie. hogy eredmenyeit olyanok
Iogiak hasznalni. akik tisztaban vannak a matematikai statisztikaval.
tovabba nem lustak a statisztikai tablazatokat hasznalni. Nem Iognak örülni
a lustasaguk Ieltetelezeseból kiindulo latszatudvariassagnak.
E szakasz beIeiezesekent megiegyezzük. hogy ezek a megallapitasok
nem korlatozodnak az azonos pontossagu közvetlen meresekre. hanem
altalanosan is ervenyesek.
5.2. Változó pontosságú közvetlen mérések
Akkor beszelünk valtozo pontossagu közvetlen meresekról. amikor az a
Iizikai mennyiseg ξ
1
. ξ
2
. .... ξ
n
mert ertekeinek a szorasnegyzete i-tól Iügg:
( ) D . . . .
2 2
1 2 ξ σ
i i
i n = = K . (5.24a)
Tovabbra is Ieltesszük. hogy a meresi eredmenyek Gauss-eloszlasuak.
egymastol fùggetlenek. torzitatlanok. vagyis varhato ertekük a:
( ) M . . . . ξ
i
a i n = = 1 2 K .
(5.24b)
Az (5.3) szerinti sulyozatlan mintaatlag minden esetben az a varhato ertek
torzitatlan becslese. Kerdes azonban. celszerú-e ezt hasznalni. Könnyú
belatni. hogy nem. Szamitsuk ki ugyanis az (5.3) mintaatlag
szorasnegyzetet:
( )
( )
D
D
2
2
1
2
2
1
2
ξ
ξ σ
= =
= =
∑ ∑ i
i
n
i
i
n
n n
.

Ez meglehetósen kellemetlen eredmeny. Tegyük Iel ugyanis. hogy
mereseink pontossaga nagyon különbözó. Az ember azt szeretne. hogy a
pontos meresek dominalianak. es a pontatlanok alig iatsszanak szerepet. A
sulyozatlan mintaatlag eseteben ennek eppen a Iorditottia törtenik: szorasat
a legpontatlanabb meresek hatarozzak meg. Tegyük Iel peldaul. hogy
σ
1
→ ∞. miközben a többi szoras nem valtozik. Ebben az esetben a
mintaatlag szorasa atmegy a σ
1
/n aszimptotikaba. ami ellentmond a iozan
esznek: hiaba vegzünk pontos mereseket. a közös varhato erteket megis ugy
becsüliük. hogy a becsles szorasat a legpontatlanabb meres hatarozza meg.

104
Illusztraciokeppen tekintsük az 5.2.a. abrat. amely az 5.1.b. abran lathato
becslest mutatia. de valtozo szorasu mert adatokra vonatkozoan.
5
Az egyes
meresek szorasa ugyan nem nó minden hataron tul. de a legkisebb es
legnagyobb szoras aranya 1:9. A σ
i
szorasokat ugy valasztottuk meg. hogy
atlaguk a korabbi σ ÷ 10 legyen. Igy a mostani mintaatlagok összevethetók
az 5.1.b. abran lathatokkal. Ha a 95°-os valoszinúseghez tartozo
burkologörbeket összevetiük az 5.1.b. abran lathatokkal. azonnal Ieltúnik.
hogy azok most nem simak. Ennek egyszerú a magyarazata: a valtozo σ
i

szorasok az atlag szorasaban 'szeszelyes¨ ugrasokat okoznak(legalabbis kis
n-re). Fontosabb dolog is latszik azonban: a 95°-os burkologörbek közötti
tavolsag minden n-re lanyegesen nagyobb most. mint az 5.1.b. abran.
n ÷ 100-re peldaul a tavolsag a korabbi 3.93-rol 4.66-ra nótt. Ennek az az
oka. hogy a sulyozatlan atlagolas kiemeli a pontatlanabb (nagyobb szorasu)
mert adatok hatasat ahelyett. hogy eppen csökkentene.

90
95
100
105
110
0 20 40 60 80 100

ξ
á
t
l
a
g

5.2.a. abra. Sulyozatlan atlag Iüggese n-tól valtozo szorasu meresek eseteben

5
Magukat a mert adatokat nem mutatiuk. mert az abra szemre alig különbözne az 5.1.a.
abratol.

105
90
95
100
105
110
0 20 40 60 80 100

ξ
á
t
l
a
g

5.2.b. abra. Optimalisan sulyozott atlag Iüggese n-tól valtozo szorasu meresek eseteben
Problemank megoldasat az ielentheti. hogy az (5.3) mintaatlag helyett
sulvozott atlagot hasznalunk alkalmasan megvalasztott sulyokkal:
~
a w
i i
i
n
=
=

ξ
1
.
(5.25a)
ahol
w
i
i
n
=

=
1
1.
(5.25b)
Az alabbiakban megmutatiuk. hogy kedvezóen megvalasztott sulyokkal
lenyegesen iobb eredmenyeket lehet elerni. Ilyen atlagok lathatok az 5.2.b.
abran. A mintaatlagok ingadozasa mar n sokkal kisebb ertekeire lecsökken.
mint korabban. tovabba a 95°-os hatargörbek közötti tavolsag is sokkal
kisebb: n ÷ 100-re most 2.66. vagyis a sulyozatlan atlagolashoz tartozo
tavolsag Ielenel alig több. Ennek az az oka. hogy az optimalisan sulyozott
atlagolas kiemeli a pontosabb (kisebb szorasu) mert adatok hatasat. es
ezaltal az keresett a parameter becsült erteke is pontosabb lesz. A
metrologiai szohasznalat (vö. 2. Iüggelek) szerint 'az ilyen becsles
bizonytalansaga kisebb¨.
A súlyozott átlag optimalizálása
Mivel a meresek egymastol statisztikailag Iüggetlenek. az (5.25a) szerinti
becsles szorasnegyzete
( ) D
~ 2 2 2
1
a w
i i
i
n
=
=

σ .
(5.26)
Ennek minimumat keressük a w
i
sulyok Iüggvenyeben. Alkalmazzuk a La-
grange-multiplikatorok modszeret:

106

∂w
w w w
i
i i i
i
n
i
n
i i
2 2
1 1
2
2 0 σ λ λ σ λ − +





 = − =
= =
∑ ∑
.

amiból
w
i
i
=
λ
σ
2
2
. i ÷ 1. 2. .... n.
(5.27a)
vagyis a megoldast a szorasnegyzetek reciprokaval aranyos sulyozas adia.
λ/2 erteke az (5.25b) normalasi Ieltetelból szamithato ki:
λ
σ
2
1
1
2
1
=
=

i i
n
.
(5.27b)
Könnyen belathatiuk. hogy a kapott sulyok valoban minimumhoz
vezetnek. Ha ugyanis a Ientitól elteró
w
i
i
i
= +
λ
σ
2
2


sulyokat valasztiuk. a normalasi Ieltetel miatt

i
i
n
=

=
1
0 .

Ezt (5.26)-ba helyettesitve
( ) D
~
2
2
4 2
2 2
1
2
1
2
1
2
4 1
1
a
i
i
i
i i
i
n
i i
n
i
i
n
i
= + +








= +
=
=
=



λ
σ
λ
σ
σ
σ
σ

∆ ∆

adodik. ami akkor minimalis. amikor ∆
i
≡ 0 minden i-re. Ebból
mellektermekkent az is kiadodott. hogy a minimalis szorasnegyzet
( ) D
~
2
2
1
1
1
a
i i
n
=
=

σ
.
(5.28)
Az elmondottaknak specialis esetet ielentik az azonos pontossagu
meresek: σ σ
i
2 2
≡ . Ekkor (5.25a)-ban az (5.3) szerinti sulyozatlan
mintaatlagot kapiuk. amelynek a szorasnegyzetet (5.5) adia meg. A
Ientiekben azt is belattuk. hogy azonos pontossagu közvetlen meresek

107
eseteben a mintaatlag az (5.25) alaku linearis becslesek köreben
hatekony.
A most kapott eredmenyt egyes szerzók Gauss tetelekent emlegetik.
Gyakorlati haszna. hogy megmutatia. hogyan kell atlagolni a különbözó
pontossagu mereseket. es hogyan kell az igy kapott atlag szorasat becsülni.
A tovabbiak szempontiabol pedig mindez azert erdekes. mert iol illusztral
ket dolgot: egyreszt a becsles optimalizalasaval a szoras csòkkentheto.
masreszt a szoras nem csòkkentheto minden hataron tul. hiszen a linearis
becslesek köreben (5.28) also korlatot ielent. Felmerül a kerdes: letezik-e
olyan nemlinearis becsles. amellyel a szoras tovabb csökkenthetó? A
kerdesre a Cramer-Rao egyenlótlenseg (vö. 4. Ieiezet) ad valaszt: nem
letezik! A Gauss-eloszlas eseteben (5.28) a becslesek szeles osztalyaban
also korlat.
σ σσ σ

becslése változó pontosság esetében
Valtozo pontossagu meresek eseteben nem mindig sikerül az egyes
meresek szorasnegyzetet meghatarozni. A leggyakrabban csak ezek relativ
erteket tudiuk elIogadhato modon meghatarozni. Matematikailag ez azt
ielenti. hogy a szorasnegyzeteket
σ
σ
i
i
w
2
2
=
(5.29)
alakban iriuk Iel. ahol σ
2
ismeretlen aranyossagi tenyezó. a w
i
sulyok pedig
ismertek. Az 5.1. alIeiezetben is ezt a modellt hasznaltuk a w
i
≡ 1
valasztassal. Az alabbiakban megnezzük. hogyan modosulnak a korabbi
kepletek a valtozo sulyok eseteben.
A mert adatok együttes súrúsegIüggvenye (5.4) helyett most
( )
( )
( )
L a
w
Q a
i
i
n
n
x; . exp σ
σ
σ
2 1
2
2 2
2
2
= −






=

π
.
(5.40a)
ahol
( ) ( ) Q a w x a
i i
i
n
= −
=

2
1
.
(5.40b)
A keresett parameter becsleset ugy kapiuk. ide x =
r
ξ ξξ ξ -t helyettesitünk. maid
keressük az igy adodo Q minimumat a
( )
( ) − = −
=

1
2
1


Q a
a
w a
i i
i
n
ξ

egyenlet megoldasaval:

108
~
a
w
w
i i
i
n
i
i
n
= =
=
=


ξ
ξ
1
1
.
(5.41)
E becsles szorasnegyzete
( )
( )
D
~
D
2
2 2
1
1
2
2
2
1
1
2
2
1
a
w
w
w
w
w
w
i i
i
n
i
i
n
i
i
i
n
i
i
n
i
i
n
=






=






=
=
=
=
=
=





ξ
σ
σ
. (5.42)
Ahhoz. hogy ezt hasznalni tudiuk. szüksegünk van σ
2
becslesere. Az 5.1.
TETELre adott bizonyitast altalanositva belatiuk. hogy a tetel a mostani
esetben is igaz. Az 5.1. alIeiezetben alkalmazott levezetest most kis
valtoztatassal megismetelhetiük:
( ) ( )
( ) ( )
[ ]
Q a w a w a
i i
i
n
i i
i
n
= − = − + − =
= =
∑ ∑
ξ ξ ξ ξ
2
1
2
1


( ) ( ) ( ) ( )
= − + − − + − =
= = =
∑ ∑ ∑
w a w a w
i i
i
n
i i
i
n
i
i
n
ξ ξ ξ ξ ξ ξ
2
1 1
2
1
2

( ) ( )
= + −
=

Q a w
i
i
n
ξ ξ
2
1
.

amiból
( )
( )
( )
Q w a a w
i i
i
n
i
i
n
ξ ξ ξ = − − −
= =
∑ ∑
2
1
2
1
.

A következó valoszinúsegi valtozok varhato erteke nulla es szorasa 1:
η
ξ
σ
i i
i
w
a
=

es η
η
ξ
σ
= =

=
=
=



i i
i
n
i
i
n
i
i
n
w
w
a
w
1
1
1
.

Segitsegükkel Q kiIeiezhetó a
( )
Q
w
i
i
n
i
i
n
ξ
σ
η η
2
2
1
2
1
= −
= =
∑ ∑


alakban |vö. (5.9)|. Innentól kezdve alkalmazhatiuk az 5.1. TETEL
bizonyitasara vonatkozo gondolatmenetünket. A tetelból adodik σ
2
-re a

109
( )
~
σ
ξ
2 2
1
= =

s
Q
n

(5.43)
becsles |vö. (5.7)|. (5.42) alapian vezethetiük le a következó konIidenciain-
tervallumot:
ξ γ ξ γ − +






s
w
s
w
. .
(5.43a)
ahol γ az (n 1) szabadsagi Ioku Student-eloszlas kvantilise. tovabba
w w
i
i
n
=
=

1


|vö. (5.13a)|.
Részecskeszámlálás változó mérési idõkkel
Tegyük Iel. hogy egy radioaktiv sugarIorras erósseget
6
kell megmernünk.
Az i-edik meresben a szamlalasi idó T
i
. A beütesszam varhato erteke ekkor
( ) M ξ
i i
aT = .
(5.44)
Celunk az idóegyseg alatt szamlalt reszecskek a szamanak becslese. (5.15)
mintaiara annak a valoszinúsege. hogy az i-edik meresben ξ
i
-t merünk:
( )
P
aT
i
i
i
aT i
i
ξ
ξ
ξ
=

e
!
.

vagyis a mert adatok együttes valoszinúsege:
( )
( )
L a
aT
aT i
i
i
n
i
i
r
ξ ξξ ξ;
!
=

=

e
ξ
ξ
1
.
(5.45)
a-t a maximalis valoszinúseg elve alapian becsüliük:
( )
( ) ( )




ln ;
ln ln !
L a
a a
aT aT
i i i i
i
n
r
ξ ξξ ξ
= − + −








=
=

ξ ξ
1


= −






=
=

ξ
i
i
i
n
a
T
1
0 .

amiból

6
Forraserosseg: 1 s alatt törtenó bomlasok szama.

110
~
a
T
i
i
n
i
i
n
=
=
=


ξ
1
1
.
(5.46)
Azt kaptuk tehat. hogy hiaba mertük n reszletben a beütesszamokat. a-t ugy
a legiobb becsülni. hogy a telies beütesszamot osztiuk a telies meresi idóvel.
Szorasnegyzete
( )
( )
D
~
D
2
2
1
1
2
1
1
2
1
a
T
aT
T
a
T
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
=






=






=
=
=
=
=
=





ξ
.
(5.47)
`Korrelált mérések
BeIeiezesül megvizsgaliuk. milyen következmenyekkel iar. ha a ξ
1
. ξ
2
.
.... ξ
n
mert adatok statisztikailag nem Iüggetlenek egymastol. Tovabbra is
Ieltetelezzük. hogy varhato ertekük (5.1) szerint allando. Ezt a
következókeppen irhatiuk at vektoros alakba:
( )
M
r
ξ ξξ ξ = ae .
(5.48)
ahol az e vektor minden eleme 1-gyel egyenló. a
r
ξ ξξ ξ vektor komponenseit
pedig a ξ
1
. ξ
2
. .... ξ
n
mert adatok alkotiak. Az eddigiektól elteróen
megengediük. hogy a mert adatok kovarianciaia ne túniön el. A
kovarianciamatrix deIinicioia
( )( )
B e e = − −






M
r r
ξ ξξ ξ ξ ξξ ξ a a
T
.
(5.49)
A
r
ξ ξξ ξ vektor súrúsegIüggvenye
( )
( )
( )
L a
Q a
n
x
B
;
exp
=







2
2
2
π det
.
(5.40a)
ahol
( ) ( ) ( ) Q a a a = − −

x e B x e
T
1
.
(5.40b)
A maximalis valoszinúseg elve szerint ennek a minimumat kell a
Iüggvenyeben megkeresnünk az x =
r
ξ ξξ ξ helyettesitessel:

111
( )
− = − =
− −
1
2
0
1 1


Q a
a
a
r
ξ ξξ ξ
T T
B e e B e .

amiból
~
a = =


r
r
ξ ξξ ξ
ξ ξξ ξ
T
T
T
B e
e B e
w
1
1
.
(5.41)
Azt kaptuk tehat. hogy az a parameter becsült erteke most is a ξ
1
. ξ
2
. .... ξ
n

mert adatok (5.25a) alaku linearis kombinacioia. de a sulyokbol alkotott w
vektor komponenseit most nem az (5.27) kepletek adiak meg. hanem
w
B e
e B e
=


1
1 T
.
(5.42)
Nyilvanvalo. hogy ezek a sulyok 1-re vannak normalva:
e w
e B e
e B e
T
T
T
= =


1
1
1.

Erdemes megnezni. a w sulyok most is minimalizaliak-e a becsles
szorasnegyzetet. amelyet (5.26) helyett most a következó alakban kell
Ielirnunk:
( ) D
~ 2
a = w Bw
T
.
A korabban követett gondolatmenet analogiaiara iriuk a sulyvektort a
w
B e
e B e
= +


1
1 T
r
∆ ∆∆ ∆

alakba. ahol
e
T
r
∆ ∆∆ ∆ = 0 .

Ezzel
( ) D
~ 2
1 1
1
a = +
− −
e B e
B
e B e
T
T
T
r r
∆ ∆∆ ∆ ∆ ∆∆ ∆
.

mint ez egyszerúen belathato. Mivel B pozitiv deIinit matrix. ez akkor
minimalis. amikor
r
∆ ∆∆ ∆ a nullvektor. Mellektermekkent azt is belattuk ezzel.
hogy az (5.41) szerinti becsles szorasnegyzete
( ) D
~ 2
1
1
a =

e B e
T
.
(5.43)
A legkisebb negyzetek modszere tehat korrelalt meresek eseteben is iol
alkalmazhato. csak alkalmas modon kell a sulyIaktorokat megvalasztani.
Ebben az esetben is ervenyes az 5.1. TETEL. de ennek bizonyitasat kesóbbre
halasztiuk.

112
Mért mennyiségek egyenlõsége
A konIidenciaintervallumok nem csak elmeleti ioslatok kiserleti
ellenórzesere hasznalhatok. hanem egyeb celokra is. Ilyen peldaul ket mert
mennyiseg egyenlósegenek a vizsgalata. Mert mennyisegek szamerteke
termeszetesen soha nem Iog egymassal megegyezni. csak annak a
vizsgalatarol lehet szo. hogy varhato ertekùk megegyezik-e.
Nezzük peldakeppen az 5.1. tablazatban szerepló adatokat. es kerdezzük:
van-e különbseg a
3
es a
4
között? Ennek eldöntesere becsült ertekük
különbsege adhat valaszt. Tegyük Iel tehat. hogy a
3
÷ a
4
. vagyis
( ) ( ) M
~
M
~
a a
3 4
= .
(5.44)
Mivel a ket becsles egymastol Iüggetlen. különbsegük szorasnegyzete
( ) ( ) ( ) D
~ ~
D
~
D
~ 2
3 4
2
3
2
4
2
3
2
4
a a a a
n n
− = + = +
σ σ
.

σ
2
becslesere az (5.22) kepletet hasznaliuk. A korabban mondottak szerint s
2

Iüggetlen a ket becslestól. tehat
t
a a
s
n n
a a
s
n n
=

+
=

+
~ ~ ~ ~
3 4
2
2
2
3
2
4
3 4
3 4
1 1
σ
σ σ

(5.45)
(n m) szabadsagi Ioku Student-tört. Erteke
t =

+
= −
12312 5 14132 4
1017
1
6
1
9
3395
. .
. .

A 30 szabadsagi Ioku Student-eloszlas kvantilise ε ÷ 0.05 mellett 2.042 (2.
Iüggelek). ami kisebb. mint a Ienti t abszolut erteke. Eszerint 95°
konIidenciaszinten elvetiük az (5.44) szerinti hipotezist. Ezt a következtetest
ugy szoktuk megIogalmazni. hogy a
3
es a
4
között szignifikans kùlònbseg
van.
Megiegyezzük. hogy az 5.1. tablazatban szerepló s
k
empirikus szorasok
ket okbol sem igazan alkalmasak a Ienti kerdes eldöntesere. Egyreszt
tulsagosan alacsony a szabadsagi Iokok szama. es igy a kvantilisek sokkal
nagyobbak. Masreszt nem sikerülne olyan vilagosan kezelhetó statisztikat
Ielirni. mint az (5.45) alatti t. Ugyanis ket Iüggetlen Student-tört
különbsegevel kellene dolgoznunk. amire vonatkozoan nincsenek alkalmas
statisztikai tablazatok.
A helyzet egyszerúbb. amikor a szabadsagi Iokok szama elegendóen
nagy ahhoz. hogy az (5.45) alaku statisztikakhoz hasznalt γ kvantilist a
Gauss-eloszlas tablazataibol vehessük. Ilyenkor is ügyelnünk kell azonban
arra. hogy az összehasonlitott mennyisegek korrelaltak is lehetnek.

113
Tekintsünk egy ilyen peldat is! Legyen a ket mennyiseg ξ
1
es ξ
2
. szorasuk
rendre σ
1
es σ
2
. Azt a hipotezist vizsgaliuk. hogy varhato ertekük azonos.
Az eddigiekkel ellentetben azonban most nem tesszük Iel. hogy
( ) cov . ξ ξ σ σ ρ
1 2 1 2
=

kovarianciaiuk eltúnik. A ρ tenyezót korrelacios egvùtthatonak nevezzük.
Ezzel
( ) D
2
1 2 1
2
2
2
1 2
2 ξ ξ σ σ σ σ ρ − = + − .
A ket mert mennyiseg varhato erteket akkor tekintiük a valasztott
konIidenciaszinten egyenlónek. ha
ζ
ξ ξ
σ σ σ σ ρ
γ =

+ −
<
1 2
1
2
2
2
1 2
2
G
.

ahol γ
G
a Gauss-eloszlas kvantilise.
A korrelacios együtthato hatasa nagyon ielentós lehet. Vannak esetek.
7

amikor ρ ≈ 1. Ekkor a ζ statisztikara a
ζ
ξ ξ
σ σ



1 2
1 2


közelitó egyenlóseg adodik. ami azt ielenti. hogy erósen korrelalt
mennyisegek eseteben mar nagyon kis különbsegek is szigniIikansak
lehetnek. amikor σ
1
≈ σ
2
.
Ilyesmi akkor Iordul eló. amikor ugyanabbol az illesztesból szarmazo
becsült parametereket hasonlitunk össze (lasd 7. Ieiezet). Tekintsük a
következó peldat:
~
a
1
10872 429 = ± .
~
a
2
9925 372 = ± . ρ = 0 832 . .

Az egyszerúseg kedveert Gauss-eloszlasunak tekintiük ezeket a
mennyisegeket. es azt összehasonlitast 95° konIidenciaszinten vegezzük el.
Ebben az esetben a 2. Iüggelek szerint az ε ÷ 0.05-höz tartozo kvantilis
γ
G
÷ 1.96. Ha a mennyisegeket Iüggetlennek tekintiük. akkor a
ζ =

+
=
10872 9925
429 372
1668
2 2
.

hanyadost kell a kvantilissel összevetni. vagyis a proba azt mutatia. hogy
~
a
1

es
~
a
2
között nincs szigniIikans különbseg. Mas következtetesre iutunk. ha
Iigyelembe vesszük e ket mennyiseg közötti erós korrelaciot:

7
Ilyenek lehetnek peldaul az együttesen illesztett parameterek. Ezekre a kesóbbi
Ieiezetekben latunk maid peldat.

114
ζ =

+ − ⋅ ⋅ ⋅
=
10872 9925
429 372 2 429 372 0 832
3971
2 2
.
. .

ami lenyegesen nagyobb a kvantilisnel. tehat
~
a
1
es
~
a
2
között van
szigniIikans különbseg.
5.3. Korrekciók
Az 1.3. alIeiezetben mar volt szo a korrekciokrol. Mindig Iellepnek.
amikor a meresi eredmenyeket beIolyasolo parameterek egyikenek-
masikanak az erteke elter a nevleges ertektól. Az alabbiakban a korrekciok
Iigyelembevetelenek a modiarol lesz szo. Az 1. Iüggelek szerint egy
korrekcio mindig additiv. vagyis a szisztematikus hiba (lasd alabb)
megszüntetese erdekeben valamit hozzaadunk a közvetlenül mert ertekhez.
Vannak esetek. amikor a szisztematikus hibat egy korrekcios tenvezo
segitsegevel szüntetiük meg. Az alabbiakban csak a korrekciokkal
Ioglalkozunk. de a mondottak kis valtoztatassal atvihetók a korrekcios
tenyezókre is.
Korrekció
Legyen a ξ
i
meresek (i ÷ 1. 2. .... n) varhato erteke
( ) M ξ µ
i
a c = +
0
.
(5.46)
Az eddigiekhez kepest uidonsag. hogy nem ugy sikerült a keresett a
mennyiseget megmerni. ahogy szerettük volna. hanem volt egy parameter
(peldaul a laboratorium hómerseklete). amely a nevleges ertektól (20 °C)
eltert. Az elteres valodi erteke legyen µ
0
. amelyre vonatkozoan valamilyen µ
Iüggetlen meresi adatunk van σ
µ
szorassal. A c tenyezó a-nak a µ
parameterre valo
c
a
=

∂µ
.

erzekenysege. amit ismertnek tetelezünk Iel.
8
Igy tehat van ket ismeretlen
parameterünk (a es µ
0
). tovabba (n ¹ 1) meresi adatunk (µ es ξ
i
. i ÷ 1. 2. ....
n). Meghatarozasukra a maximalis valoszinúseg elvet alkalmazzuk.
Együttes súrúsegIüggvenyük
( )
( )
L a x. ; . exp µ µ
σ
µ µ
σ
µ
µ
0
2
0
2
2
1
2
2
== −









×
π



8
Altalaban elmeleti uton kell meghataroznunk.

115
( )
× −
− −








=

1
2
2
2
0
2
2
1 πσ
µ
σ
exp
x a c
i
i
n
.
(5.47)
ahol σ
2
a ξ
i
meresek közös szorasnegyzete. Ennek kell a maximumat
megkeresnünk a es µ
0
Iüggvenyeben az x =
r
ξ ξξ ξ helyettesitessel:
( )


ln L
a
a c
i
i
n
= − − =
=

1
0
2
0
1
σ
ξ µ .

( )


ln L c
a c
i
i
n
µ
µ µ
σ σ
ξ µ
µ
0
0
2 2
0
1
0 =

+ − − =
=

.

Az egyenletrendszer megoldasa egyszerúen adodik:
~
µ µ
0
= es
~
a c = − ξ µ .
(5.48)
Ez a becsles torzitatlan. hiszen
( )
( )
( ) M
~
M M a c a c c a = − = + − = ξ µ µ µ
0 0
.

A korrigalt becsles szorasnegyzete:
( )
( )
D
~
D
2 2 2 2
2
2 2
a c
s
n
c = + ≅ + ξ σ σ
µ µ
.
(5.49)
ahol s
2
a ξ
i
meresek empirikus szorasnegyzete |vö. (5.7)|. vagyis σ
2

becslese. Azt kaptuk tehat. hogy az eredetileg mert mennyisegek
szorasnegyzetet meg kell növelni a korrekcio szorasnegyzetevel. Ha nem is
mindig ilyen egyszerúen vezethetó le. de a korrekciok hatasa mindig igy
vehetó Iigyelembe.
Ha a Ientiek szerint iarunk el. könnyen elkerülhetiük a tevedeseket.
Egyszerú peldaval illusztraliuk. milyen tevedesek Ienyegetnek azonban. ha
nem a maximalis valoszinúseg elvet alkalmazzuk. Csinaliuk tehat a dolgot
maskeppen. es korrigaliuk az egyes meresi eredmenyeket külön-külön:
′ = − ξ ξ µ
i i
c .
(5.50)
maid vegyük ezek atlagat:
′ =

= −
=

ξ
ξ
ξ µ
i
i
n
n
c
1
.

Ugyanezt kaptuk a maximalis valoszinúseg modszerevel. tehat a dolog rend-
ben levónek túnik. Szorasnegyzetenek becslese erdekeben kiszamitiuk a
korrigalt ertekek empirikus szorasnegyzetet |vö. (5.7)|:

116
( )
( )
( )
[ ]
( )
′ − ′

=
− − −

=


=
= = =
∑ ∑ ∑
ξ ξ ξ µ ξ µ ξ ξ
i
i
n
i
i
n
i
i
n
n
c c
n n
s
2
1
2
1
2
1 2
1 1 1
.

amiból a korrigalt ertekek atlaganak a szorasnegyzetere az s n
2
becsles
adodik. A Ientiekból tudiuk. hogy ez nem az a parameter becsült ertekenek a
szorasnegyzete. hanem annal c
2 2
σ
µ
-tel kisebb. Hol van tehat a hiba?
A valasz nem trivialis. mert a bai ott van. hogy 'vakon¨ alkalmaztuk a
kepleteket. es nem vettük Iigyelembe alkalmazhatosagi Ielteteleiket.
Esetünkben arrol van szo. hogy az (5.7) szerinti s
2
a σ
2
szorasnegyzetnek
csak akkor torzitatlan becslese. amikor a kepletben szerepló mennyisegek
egymastol Iüggetlenek. A korrigalt meresek azonban nem ilyenek. hiszen
mindegyikben a µ valoszinúsegi valtozonak ugyanaz az erteke szerepel. A
ielen szakasz vegen megmutatiuk. hogy tenyleg erról van szo.
Elóbb nehany szot szolunk a konIidenciaintervallumrol. amelynek
megszerkesztese esetünkben nem egyszerú. Ha a szabadsagi Iokok (n 1)
szama eleg nagy. Iel lehet tetelezni. hogy a-nak (5.48) szerinti becslese
Gauss-eloszlasu. Ekkor a konIidenciaintervallum megszerkesztese nem
ielent problemat. Ellenkezó esetben azonban problemak merülnek Iel.
Megvilagitasukra vezessük be az alabbi ielölest:
( ) { } S v t v
n−
= <
1
P .

ami az (n 1) szabadsagi Ioku Student-eloszlas eloszlasIüggvenye. Ezzel a
γ kvantilist a
{ } ( ) ( ) P t S S
n n
< = − − = −
− −
γ γ γ ε
1 1
1

egyenletból szamitiuk ki. Ha µ ÷ µ
0
. ervenyes a következó összeIügges:
( ) ( ) P
a c
s n
S S
n n
ξ µ
γ γ γ
− −
<










= − −
− −
0
1 1


hiszen
( )
M ξ µ = + a c
0
. Tekintve. hogy µ
0
-at kenytelenek vagyunk µ-vel
becsülni. ez nem alkalmas konIidenciaintervallum konstrualasara. Ha µ-t
rögzitiük. Ielirhatiuk az alabbi Ielteteles valoszinúseget:
P
a c
s n
ξ µ
γ µ
− −
<










= adott

( ) ( )
( ) = −
− 




 − − −
− 




 =
− −
S
c
s n
S
c
s n
g
n n 1
0
1
0
γ
µ µ
γ
µ µ
γ µ . .


117
ahol a tovabbi kepletek egyszerúsitese erdekeben bevezettük a g(γ. µ)
ielölest. Ahhoz. hogy a γ kvantilis helyes erteket kiszamitsuk. ennek µ
súrúsegIüggvenyere vett atlagat kell (1 ε)-nal egyenlóve tenni. es az
eredmenyül kapott egyenletet γ-ra megoldani:
( )
( )
1
2
2
1
2
0
2
2
πσ
µ µ
σ
γ µ µ ε
µ
µ
exp . −









⋅ = −
−∞


g d .

Ritkan szoktak ezt az egyenletet konkret esetekben Ielirni es megoldani.
pedig a korrekt adatkezeleshez hozzatartozna. A dolog oka a Ielmerüló
matematikai nehezsegekben keresendó.
A gyakorlatban a korrekciok kicsik a mert mennyisegekhez kepest. igy
szorasnegyzetük is kicsi a mert mennyisegekehez kepest. Ezert a gyakorlati
esetek többsegeben megelegszünk azzal. hogy hatasukat (vagyis c
2 2
σ
µ

erteket) beolvasztiuk a becsült szorasokba. es ezutan ugy tekintiük. mintha a
korrekcio szorasa 0 lenne. amivel a kepletek egyszerúsödnek.
BeIeiezesül megmutatiuk. hogyan kellene a korrigalt meresi adatokat ma-
tematikailag korrektül kezelni.
9
Az eredeti ξ
i
meresek (i ÷ 1. 2. .... n)
egymastol Iüggetlenek. es szorasuk azonos. tehat kovarianciamatrixuk σ
2
E.
Az (5.50) szerinti korrekcio mindegyik meresnel azonos. tehat
kovarianciamatrixa olyan n×n-es matrix. amelynek minden eleme a
korrekcio szorasnegyzete. Ennek megIelelóen a korrigalt meresek
kovarianciamatrixa
B E ee = + σ σ
µ
2 2 2
c
T
. (5.51)
Az (5.42) keplet alkalmazasahoz ki kell szamitanunk a B
1
e szorzatot.
Szerencsenk van. mert
( )
Be e = + σ σ
µ
2 2 2
nc .

amiból
B e
e

=
+
1
2 2 2
σ σ
µ
nc
.

Igy az (5.42) szerinti sulyvektor
w
e
=
n
.

Az a parameternek a maximalis valoszinúseg elve alapian valo becslese:

9
Ezt csak azoknak iavasoliuk elolvasni. akik az 5.2. alIeiezet korrelalt meresekról szolo
szakaszat attanulmanyoztak

118
~
a
n
i
i
n
= ′ =

= ′
=

r
ξ ξξ ξ
T
w
ξ
ξ
1
.

amint ezt Ient heurisztikusan is Ielirtuk. Az (5.43) keplet viszont a korrekt
szorasnegyzetet adia:
( ) D
~ 2
1
2 2 2
2
2 2
1
a
nc
n
s
n
c = =
+
≅ +

e B e
T
σ σ
σ
µ
µ
.

Ezt a levezetest 'elrettentesül¨ hoztuk. Szo sincs arrol. hogy barkit ilyen
szamitasokra buzditanank. Mindössze azt kivantunk bemutatni. mennyivel
egyszerúbben kapiuk meg a helyes eredmenyt. ha minden esetben a
maximalis valoszinúseg elveból indulunk ki.
Nem kézben tartott paraméterek hatása
Tetelezzük Iel. hogy a merest beIolyasolia a δ mennyiseg. de az egyes
meresekben Ielvett erteket nem ismeriük. Tudiuk viszont. hogy δ varhato
erteke 0. szorasa σ
δ
. Ha az i-edik meresben Ielvett erteke δ
i
volt. akkor
( )
M ξ δ δ
i i i
a c = + .
ahol c a mert mennyisegek erzekenysege a δ parameterre: c a = ∂ ∂δ .
Ennek alapian ξ
i
Ielteteles súrúsegIüggvenye
( )
( )
L x
x a c
i i
i i
δ
σ
δ
σ
= −
− −








1
2
2
2
2
2
π
exp .

amiból kapiuk ξ
i
perem-súrúsegIüggvenyet:
( ) ( )
L x L x
i i i
i
i
= −








−∞


δ
σ
δ
σ
δ
δ
δ
1
2
2
2
2
2
π
exp d .

Ezt kiintegralva az
( )
( )
L x
x a
i
i
=












1
2
2
2
2
2
πσ
σ
exp

súrúsegIüggveny adodik. ahol
′ = + σ σ σ
δ
2 2 2 2
c .
Vegeredmenyben tehat mindegyik meres szorasnegyzetet meg kell növelni
az ismeretlen ertekú hatashoz tartozo c
2 2
σ
δ
ertekkel. Ezutan az ilyen

119
hatasok nem különböztethetók meg az eredendóen Iennallo statisztikus
hibaktol.
Az elmondottak azt ielentik. hogy ha az egyes ξ
i
mennyisegek mereset
ugy ismeteliük meg n-szer. hogy közben a δ parametert nem ellenórizzük. a
megIigyelt szoras σ helyett σ′ lesz. Ez lenyeges elteres a Ientiekben vizsgalt
korrekciok hatasa es a δ parameter hatasa között. Jollehet formalisan
mindkettó tekinthetó ugy. mint az eredeti σ szorast megnöveló hatas.
statisztikai kezelesük elvileg elteró: az elóbbi eseteben elóIordulhat. hogy az
empirikusan becsült szoras nem tükrözi az alkalmazott korrekcio
bizonytalansagat. viszont az utobbi eseteben eleg az empirikus szorasbol
kiindulni.
Ket esetet erdemes egymastol megkülönböztetni. Az egyik esetben a
merest δ azonos. de ismeretlen ertekenel vegeztük el. es tudiuk. hogy ennek
hatasa van a meresi eredmenyre. Ebben az esetben a Ienti modon meg kell
növelni a szorasnegyzetet. Ha azonban a merest ugy ismeteltük meg n-szer.
hogy közben δ valtozhatott. akkor az (5.7) szerint becsült empirikus szoras
ennek hatasat tükrözni Iogia. tehat a szorasnegyzet Ienti modon valo
megnövelesere nincs szükseg. Erre pelda: tegyük Iel. hogy a merest naponta
ismeteltük. es nem ügyeltünk arra. hogy a hómerseklet allando legyen. sót
meg sem mertük
10
. Ilyenkor a hómerseklet napi valtozasainak. vagyis δ
i

hatasa tükrözódni Iog s
2
-ben. Ha ugyanis δ
i
≡ 0 lenne. akkor
( )
s
n
i
i
n
2
2
1
1
=


=

ξ ξ


lenne. ami σ
2
torzitatlan becslese. Amikor δ
i
≠ 0. ez a ′ = − ξ ξ δ
i i i
c
valtozokra ervenyes. amelyekról Ieltehetiük. hogy korrelalatlanok a δ
i
-kel.
vagyis a
( )( )
′ − ′ −
=

ξ ξ δ δ
i i
i
n
1


összeg közel van 0-hoz. Igy a most adodo empirikus szorasnegyzet io
közelitessel igy irhato:
( ) ( ) ( )
′ =
′ + − ′ −


′ − ′

+


= = =
∑ ∑ ∑
s
c c
n n
c
n
i i
i
n
i
i
n
i
i
n
2
2
1
2
1 2
2
1
1 1 1
ξ δ ξ δ ξ ξ δ δ
.

ami ′ = + σ σ σ
δ
2 2 2 2
c torzitatlan becslese. vagyis δ
i
hatasa tenyleg
tükrözódik s
2
-ben.

10
Ha ugyanis megmertük volna. akkor a hatasat korrekciokent tudnank Iigyelembe venni.

120
σ
δ
becslesere többnyire egyszerú megIontolasokat alkalmazunk. Tegyük
Iel peldaul. hogy δ a laboratorium hómersekletenek a 20 °C nevleges
hómerseklettól valo elterese. Erre (es hasonlo parameterekre) vonatkozoan
gyakran legIeliebb ilyen kiielenteseket tudunk tenni: 'δ abszolut erteke nem
haladhatta meg a 3 °C-t¨. Ilyenkor aligha tudunk okosabbat mondani. mint
azt. hogy δ a (3 °C. ¹3 °C) intervallumban minden erteket egyenló
valoszinúseggel vett Iel. A Θ teriedelmú egyenletes eloszlas szorasnegyzete
Θ
2
/12. Esetünkben Θ ÷ 6 °C. tehat
( )
σ
δ
2 2
2
6 12 3 = =
o
C . vagyis
σ
δ
= ° ≈ ° 3 1 7 C C . .
Mérési hiba és bizonytalanság
A Ientiek alapian tudiuk a meresek kiertekelesenek ket alapvetó Iogalmat
megvilagitani: meresi hiba es bizonvtalansag. Tulaidonkeppen mindkettót
lehetne valoszinúseg-elmeleti oldalrol is megközeliteni. de az alabbiakban a
kiserletezók szempontiaibol indulunk ki. A meresek modszereivel es
kiertekelesevel Ioglalkozo tudomanyt metrologianak nevezzük. amelynek a
szohasznalata nemileg elter a valoszinúseg-elmelet terminologiaiatol.
Mindkettónek megvan a letiogosultsaga: az utobbi az elmeleti
megIontolasok. az elóbbi pedig a gyakorlati munka területen hasznalando.
Az 1. Iüggelekben összeIoglaliuk a leggyakoribb metrologiai kiIeiezeseket
es ielöleseket. valamint megadiuk nehanyuk valoszinúseg-elmeleti
megIelelóit. A ielen reszben csak kettóvel Ioglalkozunk.
Meresi hiba
A meresi hiba Iogalmat a legtöbb szerzó a nem valasztia szet a
bizonytalansag különbözó merószamaitol. A metrologia szerint a ζ meresi
hiba a mert mennvisegnek a valodi erteketol valo elterese:
( ) ξ ξ ζ = + M .

Metrologiai szohasznalat szerint nem varhato ertekról. hanem valodi
ertekról beszelünk. Mivel ezt nem ismeriük. a meresi hibat sem ismerhetiük.
Ezert a gyakran hallhato 'hibaszamitas¨ szigoruan vett metrologiai
ertelemben szerencsetlen kiIeiezes. amelyet iobb kerülni. Ha ugyanis ki
tudnank szamitani a hibat. ezt levonnank a mert ertekból. es igy
megkapnank a valodi erteket. A hibaszamitas valoiaban a bizonytalansag
becsleset ielenti. amiról kesóbb lesz szo.
A meresi hibanak ket Iaitaia van: veletlen es rendszeres (szisztematikus)
hiba:
• A veletlen hiba valoszinúsegi valtozo. amelynek a varhato erteke zerus.
A gyakorlatban ez azt ielenti. hogy a meres többször valo ismetlesekor
valtakozva vesz Iel pozitiv es negativ ertekeket. es az ismetlesek

121
szamanak növelesekor az atlaga nullahoz tart.
11
Ezt gyakran ugy
mondiuk. hogy a 'veletlen hiba kiatlagolodik¨. A veletlen hibanak ket
alIaia van aszerint. hogy mi az eredete. Erról kesóbb lesz szo.
• A rendszeres vagy szisztematikus hiba lehet konstans ertek vagy olyan
valoszinúsegi valtozo. amelynek a varhato erteke nem zerus. Ha
valoszinúsegi valtozo. szinten vehet Iel pozitiv es negativ ertekeket. de
ezek nem atlagolodnak ki. Ha meresünkben ilyen Iaita hiba Iellep. arra
vonatkozoan minden esetben kell korrekciot alkalmazni akarmilyen
kicsi (es bizonytalan) ez a korrekcio. Ennek modiarol a Ientiekben volt
mar szo. es lesz meg szo a 7.6. alIeiezetben. Ha van szisztematikus hiba.
az a parameterre az (5.3) vagy (5.25) szerint adott becsles torzitott lesz.
es a torzitas erteke megegyezik a szisztematikus hiba varhato ertekevel.
A korrekcio celia eppen a torzitas megszüntetese.
Vannak megIigyelesek es kiserletek. amelyek lenyegehez tartozik. hogy
eredmenyük valoszinúsegi valtozo. Ilyen a szerencseiatek. bizonyos
nuklearis ielensegek megIigyelese. a Földet eró meteorok szama. tömege es
iranya. Iöldrengesek elóIordulasa stb. Nem lehet peldaul megmondani. hogy
egy adott Iöldraizi helyen mikor lesz Iöldrenges (vagy egyaltalan lesz-e).
legIeliebb annak a valoszinúseget hatarozhatiuk meg. hogy valahol egy
adott idószakon belül lesz Iöldrenges. A tektonikai ielensegek lenyegehez
tartozik. hogy a valoszinúsegen tulmenóen többet nem tudunk mondani.
12

Azt. hogy egy radioaktiv atom mikor bomlik el. szinten nem tudiuk elóre
megmondani. de tudiuk. hogy e
λt
annak a valoszinúsege. hogy t idó alatt ne
bomolion el. A bomlasig eltelt idó varhato erteke 1/λ. igy t meresekor (t
1/λ) a meresi hiba. Vannak szerzók. akik a veletlen hibanak ezt a Iaitaiat
statisztikus hibanak nevezik. Az elnevezesen kivül
13
a dolog logikus. mert
eredetet tekintve elvileg különbözik a következó Iaita veletlen hibatol.
Egy mert mennyiseg mas okbol is lehet valoszinúsegi valtozo: lehetnek
olyan nem kezben tartott parameterek. amelyek erteke maga is valoszinúsegi
valtozo. viszont beIolyasoliak a meres eredmenyet. Az elóbb emlitett
szerzók az ilyen eredetú hibakra korlatozzak a veletlen hiba Iogalmat. Nem
kivanunk mely IilozoIiai elemzesekbe bocsatkozni. mert ez messze vezetne
iegyzetünk temaiatol. Az 1930-as evekben a Iizikaban lezailott egy vita. a
Ienti ertelemben vett statisztikus hiba visszavezethetó-e reitett parameterek
hatasara. vagy valoban a ielenseg lenyegehez tartozik-e a veletlenszerúseg.
Peldaul Albert Einstein elete vegeig sem tudta az utobbi allaspontot

11
Ezt valoszinúsegi ertelemben kell venni: annak a valoszinúsege tart 0-hoz. hogy az atlag
abszolut erteke egy rögzitett. amde tetszólegesen kicsiny ε szamnal nagyobb legyen.
12
Termeszetesen csak a Iöldtudomanyok mai Ieilettsegi szintien.
13
A legtöbb nyelven irt valoszinúseg-elmeletben a 'veletlen¨ es a 'statisztikus¨ szavak
egymas szinonimai. vagy csak az egyiket hasznaliak. Ha mar megkülönböztetiük a ket Iaita
hibat. az elnevezes eppen Iorditva lenne logikus: a ielensegek valodi veletlenszerúsegeból
eredó hibat kellene inkabb veletlen hibanak nevezni.

122
elIogadni. Szamunkra csak az Iontos. hogy a ket Iaita veletlen hiba
matematikai kezelese Iormalisan azonos. Ezert nem Iogiuk eróltetni a ket
Iaita hiba közötti különbsegtevest. Az 1. Iüggelekben olvashato deIiniciok
szerint a metrologia sem különbözteti meg ezeket egymastol. Ugyanakkor
azonban hangsulyozzuk: az egyes hibak hatasa nagyon különbözó lehet.
amint azt az elózó szakasz vegen a labor hómersekletevel kapcsolatban
megbeszeltük.
Meresi bizonytalansag
A meresi hibat elvileg nem ismeriük. de leteznek merószamok. amelyek
mutatiak annak valoszinú nagysagat. Gyúitónevük: meresi bizonvtalansag.
A legIontosabb ilyen merószam a szoras. Ismert tetelek (peldaul a Csebisev-
egyenlótlenseg) segitsegevel Ielsó becslest kaphatunk a veletlen hiba
nagysagara. A szoras az alapia az intervallumbecslesnek. vagyis a
konIidenciaintervallum megszerkesztesenek. Mivel az intervallum hossza
mindenkeppen merteke az a parameter keresett ertekere vonatkozo
tudasunknak (vagy inkabb: tudatlansagunknak). az intervallum Ielhosszat
szinten szoktuk meresi bizonytalansagnak nevezni. Mikor azonban ezt
hasznaliuk. pontosan meg kell mondanunk a konIidenciaszintet es a
szabadsagi Iokok szamat.
A bizonytalansag becslesere a metrologia ket modszert különböztet meg:
A-tipusu es B-tipusu becsles. Az elóbbi az (5.7) keplettel (vagy rokon
kepletekkel) becsült empirikus szoras. Ha ezt alkalmazzuk. akkor a szoras
becsült erteket s-sel ielöliük. Elmeleti megIontolasokban altalaban a σ
ielölest hasznaliuk a szorasra. de ennek A-tipusu becslesere a szabvanyos
ielöles s. Az angol irodalom a szorast 'standard deviation¨-nek nevezi.
14
Ha
ebból (5.5) szerint kiszamitiuk az atlag s n szorasat. akkor ennek angol
neve: 'standard error¨. Feltehetóen ebból ered a magyarban is eló-
elóIordulo 'standard hiba¨. Mind ez. mind az idezett angol kiIeiezes elavult
es kerülendó. sót a metrologiai szabvanyok egyenesen tiltiak az utobbi
hasznalatat.
A bizonytalansag B-tipusu becslesere az elózó szakaszban lattunk peldat:
a szorast nem empirikusan. hanem valamilyen Iizikai vagy merestechnikai
megIontolasbol vezetiük le. Az igy kapott bizonytalansag szabvanyos iele az
angol 'uncertainty¨ (÷ bizonytalansag) kiIeiezesból: u. Ha a vegeredmeny
bizonytalansagat A- es B-tipusu becslesek kombinacioiaval kaptuk. a
szabvanyos ielöles: u
c
.
15

Barmilyen szisztematikus hibarol van tudomasunk. azt Ieltetlenül
korrekcioba kell vennünk. Ezzel kapcsolatban egy rendkivül sulyos
tevedesre kell a Iigyelmet Ielhivni. A szisztematikus hibat nem szabad a
veletlen hibaval òsszevonni' Tekintsünk egy egyszerú peldat: megmertük

14
Vannak. akik a magyarban is 'standard deviacio¨-rol beszelnek.
15
A 'c¨ index az angol 'combined¨ melleknev röviditese.

123
egy rud hosszat: l ÷ 2534.5 ± 2.4 mm. amelyhez a meróeszköz hibas
kalibralasa miatt egy korrekciot kell alkalmaznunk. amelyet csak eleg nagy
bizonytalansaggal tudtunk meghatarozni: ∆l ÷ 0.6 ± 1.3 mm. A korrigalt
meresi eredmeny nyilvan
l l l
korr
mm = + = + = ∆ 2534 5 0 6 25351 . . . .

Ennek a szorasat a szorasnegyzetek összeadasi szabalya |vö. (3.31)| alapian
kapiuk:
( ) ( ) D . . . .
2 2 2 2
2
2 4 1 3 7 45 2 7 l
korr
mm mm = + = = .

A korrigalt hosszusag tehat l
korr
÷ 2535.1 ± 2.7 mm. Ez lenne a helyes
eliaras. Sainos. ket tipushibaval is lehet talalkozni. Mindkettóben közös.
hogy nem töródnek a korrekcio szorasaval. viszont a korrekciot
összekeverik a mert mennyisegevel:
1) A mert mennyiseg szorasahoz hozzaadiak a szisztematikus hibat. vagyis
a korrigalt eredmenyt az l ÷ 2534.5 ± 3.0 mm alakban publikaliak. Ebben
az eliarasban több hiba van. mint amennyi szo szükseges a leirasahoz.
Csak egyet emlitünk: a szoras a mert adat bizonytalansagat iellemzi. a
korrekcio pedig a torzitasat. A kettónek egymashoz semmi köze.
2) A mert mennyiseg szorasat es a szisztematikus hibat ugy voniak össze.
mintha mindkettó szoras lenne. Elóször tehat kiszamitiak a
( ) 2 4 0 6 612 2 5
2 2 2
2
. . . . + = = mm mm

mennyiseget. maid a korrigalt eredmenyt az l ÷ 2534.5 ± 2.5 mm alakban
publikaliak. Ez a dolog mar egyenesen komikus. de sainos elóIordul.
BeIeiezesül megiegyezzük. hogy azt a 'szisztematikus hibat¨. amelynek a
varhato erteke zerus. a Ientiekben 'nem kezben tartott parameterek¨ cimszo
alatt targyaltuk. Ezt is Iigyelembe vesszük azaltal. hogy a 'korrigalt¨ ertek
szorasat az ott mutatott modon megnöveliük.
5.4. Kerekítés
A becsült parameterekre vonatkozo intervallumbecslesben a szoras
becslese eppen olyan Iontos. mint magae a parametere. Ennek ellenere
elóIordul. hogy a szorast csak egyetlen ertekes szamiegyre adiak meg.
tovabba a becsült erteket a szoras nagysagrendienek megIeleló szamiegyre
kerekitik mondvan. hogy 'a meresi bizonytalansagon belül ugysem
erdekesek a szamiegyek¨. Peldaul.
58.72 + 9.63 helyett 60 + 10.
58.72 + 1.52 helyett 59 + 2.
Amiota szamitogepekkel dolgozunk. erre különösebb ok nincs (hiszen a
szamitogepnek mindegy. hany szamiegyre adiuk meg az input adatokat).

124
megis lehet a dologgal talalkozni. Nezzük meg. milyen következmenyei
vannak az ilyen iellegú 'nagyvonalusagnak¨.
A szorast minden esetben legalabb ket ertekes iegvre celszerú megadni.
Ennek indoklasara tekintsük az alabbi szelsóseges (amde tanulsagos)
peldat. Legyen ket meres (ξ
1
÷ 1.02 es ξ
2
÷ 3.14) szorasa rendre
σ
1
÷ 1.49 es σ
2
÷ 1.51.

Az 5.2. alIeiezet vegen mutatott modszerrel könnyú belatni. hogy ezek
között a mert ertekek között nincs szigniIikans különbseg. Közös varhato
ertekük becslesere tehat vehetiük sulyozott atlagukat: 2.06 ± 1.06.
Kerekitsük most a szorasokat egyetlen ertekes iegyre:
′ = σ
1
1 es ′ = σ
2
2 .

Ha ezeket hasznaliuk sulyozott atlagolasra. akkor az eredetileg maidnem
egyenló sulyok aranya a kerekites utan 1:4 lesz. A velük kepzett sulyozott
atlag: 1.44 ± 1.12. A ket atlag elterese ugyan nem haladia meg a szoras
erteket. de azzal azonos nagysagrendú. Ezt az elterest teliesen Ieleslegesen
okoztuk egy egyszerú kerekitessel. Jollehet a kerekites hatasa nem mindig
ilyen mertekú. altalaban erezhetóen eltorzitia a sulyokat es az atlagokat.
Meg szembetúnóbb a kerekites hatasa az intervallumbecslesre. Gauss-
eloszlas eseteben a 95° konIidenciaszinthez tartozo kvantilis γ
G
÷ 1.96 (ke-
reken: γ
G
≈ 2). σ
1
÷ 1.49 eseteben tehat az intervallum szelessege kb. 3.
viszont a kerekites utan adodo ′ = σ
1
1-re csak kb. 2. Ha ezt visszaszamoliuk
az eredeti σ
1
szorasra. a kerekites tehat annyit ielent. hogy a kvantilist
önkenyesen lecsökkentettük
γ ÷ 1.96⋅2/3 ÷ 1.33
ertekre. ami 82° konIidenciaszintnek Ielel meg. A kerekites tehat
ielentósen eltorzitia a statisztikai probat: szandekunk szerint 95°. de a
kerekites miatt tenylegesen csak 82° konIidenciaszinttel dolgozunk. ami
ielentós különbseg. Ha tehat tulzott modon kerekitiük a szorast. akkor
nemcsak a sulyozast valtoztatiuk meg Ieleslegesen. hanem a kvantiliseket is.
Nezzük meg ezutan. milyen pontosan celszerú megadni a becsült
parametereket. A legegyszerúbb. de meg elIogadhato megoldas a becsült
parametert is legalabb a szoras utolso megadott szamiegyeig megadni.
Peldaul:
58.72 ± 9.63 vagy 58.7 ± 9.6.
kerülendó azonban az 59 ± 10-nek megIeleló kerekites. Indoklasul
megmutatiuk: ha kerekitünk. szinten Ieleslegesen eltorzitiuk a statisztikai
probakat es az intervallumbecsleseket. amit tanacsos elkerülni. Legyen ξ a
tekintett parameternek a varhato erteketól valo elterese. es legyen σ a
szorasa. A statisztikai probak eseteben a

125
{ }
P ξ γσ ε < = − 1 (5.52)
egyenlettel deIinialt γ kvantiliseket vesszük alapul. Ha a parametert
kerekitiük. akkor az törtenik. hogy ξ-hoz hozzaadunk egy egyenletes
eloszlasu r valoszinúsegi valtozot. Ekkor tehat a kvantilist a
{ }
P ξ γσ ε + < = − r 1
egyenletból kell kiszamolni.
16
Vezessük be a
( ) { } Φ x x = < P ξ

ielölest. amivel
{ } ( ) ( ) P ξ < = − − x x x Φ Φ .

Hasonloan. legyen
( ) { } F r γ ξ γσ = + < P .

amivel
{ } ( ) ( ) P ξ γσ γ γ + < = − − r F F .

Ha r egyenletes eloszlasanak a teriedelme Θ. akkor
( ) { } ( ) F r r
r
r
r
γ ξ γσ γσ = + <

= −

=
− −
P
d d
Θ
Φ
Θ
Θ
Θ
Θ
Θ
2
2
2
2


( ) =


+
Φ
Θ
Θ
Θ
r
r d
γσ
γσ
2
2
.

A pelda kedveert tekintsük ξ-t Gauss-eloszlasu valtozonak. Ekkor
( ) Φ x
x
= +






1
2
1
2 2
erI
σ
.

ahol
( ) erI d z
e
t
t
z
=


2
2
0
π
.
Az integralast elvegezve azt kapiuk. hogy
{ }
P ξ γσ + < = r

16
A kerekitesnek ezt a modelliet a veletlen Iolyamatok kvantalasanak az elmeleteból
kölcsönöztük. Vegsó eredmenyeink taiekoztato iellegúnek tekintendók. mert ez a modell
közelitó.

126
( )
=
+ + |
\

|
¹
|
+ −
+


γσ γσ
σ
σ
γσ
σ
Θ
Θ
Θ
Θ
Θ
/ /
exp
/
2 2
2
2
2
2
2
2
2
erI
π


( )

− − |
\

|
¹
|
− −

γσ γσ
σ
σ γσ
σ
Θ
Θ
Θ
Θ
Θ / /
exp
/ 2 2
2
2
2
2
2
2
2
erI
π
.
(5.53)
Lathato. hogy (γ-n kivül) ez csak a Θ/σ hanyadostol Iügg. A kapott
Iormula ketIele modon hasznalhato:
1. A
{ }
P ξ γ σ ε < = − ′
G
1
keplettel kiszamithatiuk belóle. hogy a Gauss-eloszlashoz tartozo γ
G

kvantilis az adott esetben valoiaban milyen ε konIidencia-valoszinúseg-
hez tartozik.
2. Az (5.52) egyenletnek γ -ra valo megoldasaval meghatarozhatiuk. hogy
tudva a kerekites tenyeról az adott konIidencia-valoszinúseghez
mekkora (termeszetesen megnövelt. γ ~ γ
G
) kvantilist kell hasznalnunk.
Az 5.3. abran a Θ/σ hanyados Iüggvenyeben megadiuk mindket
mennyisegnek a kerekites nelkül ervenyes erteketól valo eltereset ε ÷ 0.05
konIidencia-valoszinúseg mellett. A kerekites nelküli kvantilis γ ÷ 1.96.
Lathato. hogy a szorassal azonos nagysagrendú kerekitesi hiba eseteben a
kvantilis elterese mar 5° körüli ertek. tovabba a latszolagos konIidencia-
valoszinúseg elterese 1° (azaz ε ÷ 0.06). Levonhatiuk azt a következtetest.
hogy a mert erteket a szorasnal legalabb egv nagvsagrenddel pontosabban
kell megadni.
0
5
10
15
20
25
30
0
0
,
2
0
,
4
0
,
6
0
,
8 1
1
,
2
1
,
4
1
,
6
1
,
8 2
2
,
2
2
,
4
2
,
6
2
,
8
Θ/σ
%
-
o
s

e
l
t
é
r
é
s
kvantilis
valószínûség

5.3. abra. A kvantilis torzulasa a kerekites miatt
Az elózó peldaban σ ÷ 9.63. tehat az 5.3. abra szerint eleg a Θ ≈ 1-nek
megIeleló kerekites. vagyis a becsült parametert kerekithetiük egesz szamra:
59. σ ennek megIeleló kerekitese 10 lenne. Ez igazaban csak egyetlen

127
ertekes szamiegy. amit a Ientiek szerint tanacsos elkerülni. Ezert σ iavasolt
kerekitese: 9.6. Ezzel viszont logikusan együtt iar. hogy a becsült
parameterben is egy tovabbi szamiegyet adiunk meg: 58.7. Igy a
vegeredmeny iavasolt megadasa:
58.7 + 9.6.
Fontos dolog. hogy a '0¨ szamiegyet is adiuk meg. ha eppen az lett a
kerekites eredmenye! Ha peldaul a kerekitendó szam 58.99. akkor ennek
egy tizedesiegyre valo kerekitese 59.0 es nem 59. A '0¨ szemiegy elhagyasa
ugyanis azt sugallna. hogy a kerekites a tizedesvesszó elótti szamiegyre
törtent. ami Ielreertes. Az adatok tovabbi ertelmezese szempontiabol tehat
59 es 59.0 nem ugyanazt ielenti!
A Ienti vegkövetkezteteseket egyebkent egyszerúbben is meg lehetett
volna kapni. A kerekitett mennyiseg szorasa
′ = + σ σ
θ
2 2
2
12
.

Peldaul θ ÷ σ eseteben σ ÷ 1.04σ. tehat hasznalhatiuk a γ
G
kvantilist. ha
4°-kal megnöveliük a szorast. A konIidenciaintervallum Ielszelessege
közelitóleg ugyanaz. mint korabban:
γσ γ σ ′ ≈
G
.

A Gauss-eloszlas kvantilisevel kapott konIidenciaintervallum szelessege a
kerekites miatt azonban mindenkeppen megnó (γ
G
σ helyett γ
G
σ).
Az 5.3. abra ertekelesehez tekintsük az alabbi peldat. A meres
eredmenye sok iegyre kiirva legyen
156.745 ± 6.872.
95°-os konIidenciaszinten a megIeleló intervallumbecsles
(143.276; 170.214).
Ha a pontbecslest es a szorast az altalunk iavasolt modon kerekitiük. a
meresi eredmeny
156.7 + 6.9
lesz. Itt tehat Θ ÷ 0.1. vagyis Θ/σ ÷ 0.014. A kvantilis emiatt Iellepó
megnövekedese elhanyagolhato. tehat az intervallumbecsles
(143.2; 170.2).
ami csak az utolso szamiegyben egy egyseggel ter el az eredeti
intervallumtol.
Nezzük meg ezutan. mivel iar. ha a kerekitesben tovabb megyünk. A
pontbecslest kerekitiük. de a szorast nem:
160 ± 6.9.

128
A Ienti ielölesekkel tehat Θ ÷ 10. σ ÷ 6.9. vagyis Θ/σ ÷ 1.45. Ha tovabbra is
a γ ÷ 1.96 kvantilist hasznaliuk. a konIidenciaintervallum
(146.5; 173.5).
A korabbi es a mostani intervallumot az 5.4. abran abrazoliuk. Lathato erról.
hogy a helyes intervallumbecsleshez kepest az utobbi IelIele van eltolva. Az
5.3. abran lathato görbe szerint azonban ez valoiaban nem 95°. hanem
92.9° konIidencia-valoszinúseghez tartozik. Ha tovabbra is ragaszkodunk a
95°-hoz. akkor a kvantilist 8.8°-kal meg kell növelnünk. vagyis γ
G
÷ 1.96
helyett γ ÷ 2.14-et kell hasznalnunk. Az igy szamolt intervallumbecsles
(145.2; 174.8).
ami a helyes intervallumbecsleshez kepest szinten IelIele van eltolva.
Nyilvan mindkettó teves. A tevedest el lehetett volna kerülni. ha nem
lennenk lustak ket tizedesieggyel többet leirni. Ne vegyük a dolgot
Ielvallrol! Ha peldaul az elmeleti ioslat 144. a helyes intervallumbecslessel
ezt elIogadnank 95° konIidenciaszinten. viszont a kerekites utan elvetiük.
Az adatkezelesben tett meggondolatlan lepes tehat a vegkövetkeztetest
dramaian beIolyasolhatia.
A Ienti okIeitest tovabb lehetne Ieileszteni. ha a szoras erteket is
kerekitenenk. vagyis a Ienti meresi eredmenyt
160 ± 10
alakban adnank meg. Erre az estre vonatkozoan (5.53) helyett egy masik
kepletet kellene levezetnünk. de ezt mar elhagyiuk. Remeliük. hogy az
eddigiek is eleg meggyózóen mutatiak: kerekiteni ugyan erdemes. de csak
mertekkel.
140 150 160
170 180
helyes (95%)
kerekített (92,9%)
kerekített (95%)
144

5.4. abra. A konIidenciaintervallumok valtozasa kerekites miatt

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->