Professional Documents
Culture Documents
Analiticke Greske I Analiza Gresaka PDF
Analiticke Greske I Analiza Gresaka PDF
___________________________________________________________________________
Ivan Greti, HF
1. OSNOVNI POJMOVI
Prilikom bilo kakvog merenja mogue je napraviti greku. Da bi se ta greka definisala mora
se prepoznati njena priroda ili tip, a zatim i veliina.
1.1. DEFINICIJA GREAKA
Greka je mera odstupanja izmerene vrednosti od prave vrednosti. Po prirodi ona moe biti
apsolutna i relativna. Prema svom tipu sistematska i sluajna.
1.1.1. Apsolutna greka
Apsolutna greka je brojna vrednost i u isto vreme fizika veliina koja opisuje razliku
izmeu prave i izmerene vrednosti izraena u jedinicama u kojima je izraena merena
vrednost. Ako je, na primer, stvarni sadraj zlata u nekoj rudi 100 g/t (100 g Au u 1 toni rude)
i ako je izmerena vrednost 90 g/t Au u rudi, tada je apsolutna greka -10 g/t.
1.1.2. Relativna greka
Relativna greka je brojna vrednost koja se iskazuje kao udeo (frakcija) apsolutne greke u
veliini stvarne vrednosti ili srednje vrednosti vie merenja. Polazei od prethodnog primera
A
A
* 100 %.
relativna greka iznosi:
ili u procentima
A
A
(10 g / t )
(10 g / t )
Na primer,
= 0,1 , ili izraeno u procentima
*100 = 10% . Kako se vidi
(100 g / t )
(100 g / t )
relativna greka se ne definie jedinicama u kojima su vrena merenja, ve je to relativna
vrednost izraena u procentima koji pokazuju koliko je greka velika u odnosu na pravu ili
srednju vrednost vie merenja.
1.1.3. Sistematska greka
Sistematska greka se ne moe svrstati u grupu brojnih vrednosti koje opisuju veliinu greke,
ve u specifian tip greke koji se moe ustanoviti, a koji sistematski menja vrednost
odreenog seta merenja za neku odreenu vrednost, ona uvek ima isti znak i veliinu (ovo
odstupanje neki nazivaju bias). Tipian primer je duanska vaga koja sistematski grei, na
primer, standardno dodaje na 1 kg 100 grama. Ako kupujete mlevenu robu, iako oitana
vrednost kae da imate 1 kg mlevene robe u kesi se stvarno nalazi samo 900 g. Ako kupujete
2 kg robe u kesi e se nalaziti samo 1900 g itd. Sistematska greka moe da bude vrlo
kompleksna, ali ako je prepoznate, onda se svaki rezultat moe uspeno modifikovati tj,
preraunati i tako dobiti prava vrednost.
1.1.4. Sluajne greke
Sluajne greke su uvek prisutne pri bilo kakvom merenju. Kod ovih greaka se, na alost, ne
moe ustanoviti veliina niti predznak u kome e se razvijati. Iako nepredvidive sluajne
greke imaju jednu dobru osobinu, a to je da se veoma dobro uklapaju u statistika pravila.
Veliina ovih greaka umanjuje se samo poveanim brojem merenja iste veliine ili probe.
1.2. NESIGURNOST PRI MERENJU
Ivan Greti, HF
Kaka smo svesni da nesigurnost u merenju postoji tada se odreena veliina pre daje kao
veliina koja se nalazi u nekom intervalu mernih vrednosti nego kao pojedinana vrednost.
1.3. PRECIZNOST
Preciznost je mera ukupne sluajne greke ili dokaz o visokoj reproduktivnosti merenja.
Veoma precizno merenje ima veoma malu sluajnu greku. Set preciznih merenja pokazuje da
se takva merenja veoma malo meusobno razlikuju tj, da je reprodukcija rezultata merenja
takva da se oni neznatno razlikuju. Na alost, sva precizna merenja ne moraju uvek da budu i
tana. Ako merni instrument pravi stalnu i sistematsku greku onda takav instrument
ugraujue u svako merenje svoju greku koja je uvek ista, pa su zato i rezultati merenja
precizni, ali i netani jer odstupaju od prave vrednosti ba za onoliko kolika je sistematska
greka mernog instrumenta.
1.4. TANOST
Tanost opisuje koliko je veliko ukupno odstupanje seta merenih vrednosti od prave
vrednosti. Set merenja moe da bude veoma taan jer se samo neznatno razlikuje od prave
vrednosti, ali po pitanju preciznosti moe da bude i precizan i neprecizan. Taan i precizan set
Ivan Greti, HF
Ivan Greti, HF
Ivan Greti, HF
Ivan Greti, HF
Deskriptivna statistika obuhvata poseban vid matematike obrade mernih podataka koja daje
egzaktne vrednosti za aritmetiku, geometrijsku i harmonijsku srednju vrednost, varijansu,
standarnu devijaciju i slino.
2.2.1. Setovi merenja i distribucija rezultata
Tokom analiziranja neke pojave ili merenja neke veliine moe se dobiti niz razliitih
rezultata koji se mogu svrstati u odreen set merenja. U zavisnosti ta se analizira ili meri dati
set merenja moe dati rezultate koji se mogu predstaviti kao na slici 8. Kako se vidi raspodela
rezultata u datom setu (uzorku koji reprezentuje datu pojavu ili veliinu) moe biti
nesimetrina (deformisana) ili simetrina (nedeformisana).
Nesimetrina raspodela (slike 8a i 8b) karakteristina je za takozvano linijsko oprobavanje, a
pojavljuje se i u sluajevima kada se pri uzorkovanju uzme suvie mali broj uzoraka, ili kada
se radi o set koji nema simetrinu raspodelu ve, na primer, Puasonovu raspodelu.
Simetrina raspodela karakteristina za takozvano takasto oprobavanje, odnosno merenje
jedne te iste veliine u vie navrata. Za ovakav set se kae da ima normalnu raspodelu (slika
8c) i na njega se moe primeniti odgovarajua statistika obrada koja se bazira na normalnoj
raspodeli.
Ukiliko set merenja nema normalno distribuisane vrednosti merenja na njega se ne moe
primeniti odgovarajua statistika obrada koja se bazira na normalnoj raspodeli.
U sluajevima kada je set merenje takav da su merenja nesimetrino raspodeljena, onda treba
pokuati da se deformisana raspodela popravi sa poveanjem broja merenja do normalne
raspodele.
Ivan Greti, HF
Prvo pitanje koje se postavlja jeste koliko su data merenja tana i precizna? Ukoliko se ne zna
prava vrednost potrebno je pronai takvu vrednost koja e biti najverovatnije najblia pravoj
Ivan Greti, HF
xi
x1 + x2 + x3 + x4 + x5
i =1
ili u generalnom sluaju x =
.
x=
N
N
Izraunavanje geometrijske sredine nema nikakvog smisla ako je bilo koje merenje u nizu
merenja jednako nuli ili ima negativnu vrednost.
Geometrijska sredina je, dakle, relevantna onda kada se mnoenjem svih elemenata nekog
seta dobija proizvod za koji se eli saznati kolika je prosena veliina elementa tog seta.
Mnoenjem prosenih veliina seta dobija se isti proizvod kao i mnoenjem pravih vrednosti
elemenata seta:
3,22 * 3,32 * 3,44 * 3,40 * 5,94 = 3,75 * 3,75 * 3,75 * 3,75 * 3,75 = 742,71
Vana osobina geometrijske sredine je da se na nju daleko manje odraavaju eksremne
vrednosti nego na eritmetiku sredinu. Izuzetno je korisna kada se eli odrediti srednja
vrednos nekog seta koji ima deformisanu raspodelu, kao, na primer, na slici 8a.
Geometrijska sredine se koristi onda kada treba da se pronadje prosena stopa neke promena,
a ne prosena promena. Na primer, neka se sa porastom proizvodnje neke fabrike menjao nivo
emisije nekog zagaivaa u odnosu na prethodnu godinu. Ako je prve godine proseni porast
iznosio 10%, drige godine 50%, a tree 30%, koliki je ukupan porast zagaenja?
Ivan Greti, HF
Moglo bi se rei da je prvi kvartil medijana donje polovine seta koju deli medijana celog seta
merenja, a trei kvartil medijana gornje polovine istog seta.
Ivan Greti, HF
10
Ivan Greti, HF
11
1
2 2
( x x )2
2
2
Kao to je to ranije opisano (slika 8) nisu sve raspodele simetrine, zato je sasvim opravdano i
legitimno da se nesimetrine raspodsele transformiu, ako je to mogue, u simetrine.
Svakako treba imati u vidu da matematiko transformisane deformisanih ili nesimetrinih
raspodela ne mora uvek da bude uspeno. Postoji nekoliko matematikih transformacija koje
su se pokazale kao najbolje:
Izraunavanje kvadratnog korena za svaku pojedinanu vrednost nalevo ili negativno
deformisane raspodele (slika 8b) moe da takvu raspodelu pretvori u normalnu
raspodelu. Na primer, ovaj postupak Puasonovu raspodelu transformie u normalnu
raspodelu,
Izraunavanje kvadrata za svaku pojedinanu vrednost nadesno ili pzitivno
deformisane raspodele (slika 8a) moe da takvu raspodelu pretvori u normalnu
raspodelu,
Izraunavanje logaritamske vrednosti u setu podataka koji se eksponencijalno menja
moe da takvu raspodelu pretvori u normalnu raspodelu,
Izraubavanje reciprone vrednosti za svaku vrednost u setu podataka koji se
eksponencijalno menja moe da takvu raspodelu pretvori u normalnu raspodelu,
Deformisana raspodela neki put moe da bude transformisana tako to e svaka
vrednost u setu biti podeljena ili pomnoena sa medijanom, itd.
Ako se matematikom transformacijom postigne eljeni efekat da se dobije normalna
raspodela, onda se moe na dati set primeniti uobiajena statistika analiza, ali se mora uvek
imati u vidu da su statistii podaci relevantni za transformisani set, a ne za originalni. Da bi se
diskutovao originalni set uvek treba uraditi povratnu matematiku transformaciju kako bi se
tano znalo koje su to odgovarajue vrednosti koje su usklaenene sa originalnim setom.
Na primer, za set podataka: 2, 3, 3, 4, 15 treba odrediti kojoj centralnoj vrednosti ovaj set tei
ili drugim reima koja je srednja vrednost ovog seta koji je sasvim sigurno nalevo ili
negativno deformisan (neto slino primeru na slici 8b).
Aritmetika sredina originalnog seta (2 + 3 + 3 + 4 + 15)/5 = 5,4, nije odgovarajua
vrednost.
Geometrijska sredina za ovaj set bi bila 5 2 * 3 * 3 * 4 * 15 = 4,043.
Ivan Greti, HF
12
| x
x|
i =1
N
gde su: xi pojedinana merena vrednost (i-ta merena vrednost), x aritmetika sredina, | xi - x |
apsolutna vrednost odstupanja (devijacije) za i-to merenje, a N broj merenja.
Pored prosene devijacije mnogo ee se koristi standardna devijacija () pojedinanog
merenja koja se definie kao kvadratni koren zbira kvadrata razlika izmeu merenih vrednosti
i aritmetike sredine:
N
(x
i =1
x )2
Standardna devijacija je bolja mera za tanost nego prosena devijacija, jer ona uzima u obzir
disperziju devijacije (rasejanje odstupanja ili rasejanje greaka).
Poto je prava vrednost ustvari nepoznata, ve je poznata samo srednja vrednost x koja tei
pravoj vrednosti, to je vrlo znaajno pitanje da li e se prava vrednost nalaziti u blizini srednje
vrednosti i koliko je od nje udaljena. Jedini nain da se odgovori na ovo pitanje jeste da se
pozove u pomo verovatnoa. Verovatnoa da e se stvarna vrednost nai u intervalu ( x )
je ravna povrini koja se nalazi ispod Gausove krive u tom intervalu. Kriva je tako
normalizovna da je ukupna povrina ispod krive jednaka jedinici, a to znai da je ukupna
verovatnoa da kriva obuhvata sva mogua odstupanja od prave ili srednje vrednosti pri bilo
kom merenju jednaka 1.
Teorijski posmatrano ako je nainjen beskonano veliki broj merenja jedno od tih merenja
mora da bude jednako pravoj vrednosti. U jednom setu veeg broja merenja na bazi
verovatnoe rezultati e se distribuirati na sledei nain (slika 10):
34,13 % merenja e pasti u interval ( x - ), zatim jo 34,13 % merenja e pasti u
interval ( x + ), odnosno 68,26 % merenja e ui u interval od ( x ), to znai da e
u 68,26 sluajeva od 100 merenja greka merenja svakog pojedinanog merenja biti
Ivan Greti, HF
13
Standardna devijacija utie na irinu zvona Gausove krive, vea standardna devijacija znai
da su tokom merenja sluajne greke bile velike, ili da su odstupanja od srednje vrednosti
velika. Ako se pretpostavi da je x = 5 i ako se uzme da su vrednosti za : 1, 2 i 3, a kako je
povrina ispod krive jednaka jedinici, to krive za razliite vrednosti imaju oblik kao to je to
prikazano na slici 11.
Ivan Greti, HF
14
(a)
(b)
(d)
(e)
(f)
(g)
Slika 12. Uporedna analiza Studentove (t) raspodele i normalne (n) raspodele
Iskustva su pokazala da se sa brojem od trideset merenja ili proba postie izjednaenost
statistikih podataka pri Studentovoj i normalnoj raspodeli.
Standardna devijacija se iskazuje u jedinicama u kojima su vrena merenja, ali moe i da se
pretvori u jedinice koje opisuju umnoak od . To se izraunava na sldei nain:
k=
( xi x )
15
U tabeli 1 date su kritine vrednosti za k koje opisuju koliko standardnih devijacija () levo i
desno od srednje vrednosti treba da bude irok interval da bi obuhvatio odreen procenat od
ukupnog broja merenja, odnosno kolika je korespondentna verovatnoa pojavljivanja greke
koja je vea od kritine vrednosti.
Na slici 14 e (kao i na slikama 12 a f) odabrana verovatnoa pojavljivanja greke (p) iznosi
0,05, a kritine vrednosti k (umnoak uz ) za svaki broj merenja (nazvan jo stepen slobode ili
df) dat je u tabeli 1.
To znai, ako je cilj da je verovatnoa pojavljivanja velike greke to manja, odnosno da je
kritina vrednost k to manja, onda broj merenja mora da bude veliki. Na primer, ako je
uraeno 100 merenja, onda 50 % tih merenja ima greku veu od 0,68 , 5 % tih merenja ima
greku veu od 1,98 , odnosno 1 % tih merenja ima greku veu od 2,62 . Kako je ovo
ustanovljeno: u tabeli 1 se prvo pronae red koji odgovara broju merenja, zatim se odabere
kolona sa verovatnoom pojavljivanja greke (izraena u intervalu od 0 do 1 koja se mnoi sa
100 da bi se dobili procenti) i to je sve.
Ukoliko je broj merenja veliki tada moe da se izrauna koliki je interval izraen u k* koji
pouzdano obuhvata 50 % ... 99 % merenja od ukupnog broja merenja (N/N). Vrednosti za
beskonaan broj merenja mogu se nai u tabeli 1, a ilustracije za pojedine procentne vrednosti
na slikama 14 a f . Ukoliko je broj merenja manji u tabeli 1 mogu se nai kritine vrednosti
za k koje korespondiraju broju merenja i procentu pouzdanosti koji se zahteva.
Ivan Greti, HF
16
svih merenja.
50 %
60 %
70 %
80 %
90 %
95 %
96 %
98 %
99 %
0,5
0,4
0,3
0,2
0,1
0,05
0,04
0,02
0,01
1,000
1,376
1,963
3,078
6,314
12,71
15,89
31,82
63,66
0,816
1,061
1,386
1,886
2,920
4,303
4,849
6,965
9,925
3
4
0,765
0,741
0,978
0,941
1,250
1,190
1,638
1,533
2,353
2,132
3,182
2,776
3,482
2,999
4,541
3,747
5,841
4,604
0,727
0,920
1,156
1,476
2,015
2,571
2,757
3,365
4,032
0,718
0,906
1,134
1,440
1,943
2,447
2,612
3,143
3,707
0,711
0,896
1,119
1,415
1,895
2,365
2,517
2,998
3,499
8
9
0,706
,703
0,889
0,883
1,108
1,100
1,397
1,383
1,860
1,833
2,306
2,262
2,449
2,398
2,896
2,821
3,355
3,250
Ivan Greti, HF
17
50 %
60 %
70 %
80 %
90 %
95 %
96 %
98 %
99 %
0,5
0,4
0,3
0,2
0,1
0,05
0,04
0,02
0,01
10
0,700
0,879
1,093
1,372
1,812
2,228
2,359
2,764
3,169
11
0,697
0,876
1,088
1,363
1,796
2,201
2,328
2,718
3,106
12
0,695
0,873
1,083
1,356
1,782
2,179
2,303
2,681
3,055
13
14
0,694
0,692
0,870
0,868
1,079
1,076
1,350
1,345
1,771
1,761
2,160
2,145
2,282
2,264
2,650
2,624
3,012
2,977
15
0,691
0,866
1,074
1,341
1,753
2,131
2,249
2,602
2,947
16
0,690
0,865
1,071
1,337
1,746
2,120
2,235
2,583
2,921
17
0,689
0,863
1,069
1,333
1,740
2,110
2,224
2,567
2,898
18
0,688
0,862
1,067
1,330
1,734
2,101
2,214
2,552
2,878
19
20
0,688
0,687
0,861
0,860
1,066
1,064
1,328
1,325
1,729
1,725
2,093
2,086
2,205
2,197
2,539
2,528
2,861
2,845
21
0,663
0,859
1,063
1,323
1,721
2,080
2,189
2,518
2,831
22
0,686
0,858
1,061
1,321
1,717
2,074
2,183
2,508
2,819
23
0,685
0,858
1,060
1,319
1,714
2,069
2,177
2,500
2,807
24
25
0,685
0,684
0,857
0,856
1,059
1,058
1,318
1,316
1,711
1,708
2,064
2,060
2,172
2,167
2,492
2,485
2,797
2,787
26
0,684
0,856
1,058
1,315
1,706
2,056
2,162
2,479
2,779
27
0,684
0,855
1,057
1,314
1,703
2,052
2,15
2,473
2,771
28
0,683
0,855
1,056
1,313
1,701
2,048
2,154
2,467
2,763
29
0,683
0,854
1,055
1,311
1,699
2,045
2,150
2,462
2,756
30
40
0,683
0,681
0,854
0,851
1,055
1,050
1,310
1,303
1,697
1,684
2,042
2,021
2,147
2,123
2,457
2,423
2,750
2,704
50
0,679
0,849
1,047
1,295
1,676
2,009
2,109
2,403
2,678
60
0,679
0,848
1,045
1,296
1,671
2,000
2,099
2,390
2,660
80
0,678
0,846
1,043
1,292
1,664
1,990
2,088
2,374
2,639
100
1000
0,677
0,675
0,845
0,842
1,042
1,037
1,290
1,282
1,660
1,646
1,984
1,962
2,081
2,056
2,364
2,330
2,626
2,581
0,674
0,841
1,036
1,282
1,645
1,960
2,054
2,326
2,576
s=
(x
i =1
x )2
N 1
gde su: s standardna devijacija pojedinanog merenja za mali broj merenja ili proba, (xi - x )
devijacija pojedinanih merenja i, (N-1) broj merenja ili proba umanjen za jedan.
Ivan Greti, HF
18
s2
s
=
N
N
gde su: s2 varijansa, s standardna devijacija pojedinanog merenja, a N broj merenja u datom
setu. Kako se vidi ova formula omoguava da se odredi standardna devijacija srednje
vrednosti za svaki pojedinani set.
2.2.12. Znaajnost merenja
Pojam znaajnosti merenja, ili statistika signifikantnosti, povezuje se sa verovatnoom
pojavljivanja greke, odnosno sa pouzdanou. Za merenja koja imaju procenat pouzdanosti
od 95% kae se da se nalaze na granici znaajnosti. To znai da sva merenja koja imaju manju
vrednost od 95% pouzdanosti spadaju u malo znaajna ili statistiki nesignifikantna merenja.
Merenja koja imaju procenat pouzdanosti vei od 99% spadaju u visoko znaajna ili visoko
signifikantna merenja. Generalno gvororei rezultat merenja je utoliko statistiki
signifikantniju (znaajniji) ukoliko je blii srednjoj tj, pravoj vrednosti.
2.2.13. Test normalnosti
Da li neki set merenja zaista spada u grupu merenja sa normalnom raspodelom ili ne, odnosno
spada li u grupu merenja sa nesimetrinom (nenormalnom) raspodelom posebno je vano
utvrditi, pogotovu to se kod setova sa deformisanom raspodelom ne moe koristiti uobiajeni
statistiki pristup.
Ovaj test se uvek primenjuje kada se posumnja da su statistiki podaci nepouzdani, kada
mogu da navedu na pogreno zakljuivanje, odnosno kada je oigledno da ispitivani set nema
normalnu raspodelu.
Test normalnosti se izvodi tako to se na bazi Gusove raspodele odreuje da li e 68,26 %
merenja ui u interval od ( x ). To bi znailo da e u 68,26 sluajeva od 100 merenja
greka merenja svakog pojedinanog merenja biti manja od . Odnosno, da li e 95,44 %
merenja ui u interval od ( x 2), a to bi znailo da e u 95,44 sluajeva od 100 merenja
greka merenja svakog pojedinanog merenja biti manja od 2.
Ukoliko ispitivani set merenja zadovolji ove uslove smatra se da pripada setu merenja sa
normalnom raspodelom. U sluaju da dati set ne ispuni ove uslove mogu je alternativni
pristup:
1. Poveava se broj merenja za dati set, ako je to mogue. Obino ovo ima za posledicu
da se dati set postepeno transformie u set sa normalnom raspodelom.
Ivan Greti, HF
19
z=
| xvg x |
gde su: | xvg - x | apsolutna devijacija pojedinanog merenja sa velikom grekom (xvg), a s
standardna devijacija za dati set merenja koji obuhvata sva merenja. Ukoliko je apsolutna
devijacija pojedinanog merenja sa velikom grekom tri puta vea od standardne devijacije (z
> 3) onda se dato merenje odbacuje.
Test z rezultata, iako korien, ima svoje mane jer standardna devijacija obuhvata i merenje sa
velikom grekom koje ujedno utie i na z rezultat.
Modifikovani test z rezultat ne podlee uticaju merenja sa velikom grekom i zato je
pouzdaniji. Ovde se koristi medijana apsolutnih devijacija (MAD):
MAD = Medijana {| xi - x |}
gde su: | xi - x | apsolutna vrednost devijacije (odstupanja) za i-to merenje, {| xi - x |} skup svih
apsolutnih vrednosti pojedinanih devijacija (odstupanja za sva merenja).
Kada se napravi skup svih apsolutnih vrednosti i kada se te vrednosti poreaju po veliini,
tada se za taj skup pronae medijana prema ve poznatom postupku. Modifikovani test z
rezultata se zasniva na sledeoj formuli:
zm =
| x vg x |
MAD
Ukoliko je apsolutna vrednost devijacije merenja sa velikom grekom (xvg) tri i po puta vee
od MAD ( zm > 3,5) tada se to merenje odbacuje.
2.2.15. Greke koje nastaju zbog rezultata koji su ispod detekcijonog limita
Upotreba vrednosti merenja koja su objektivno ispod detekcionog limita (DL) neke metode
znaajno moe da utie na konane rezultate, a posebno su opasne kod komaparacije podataka
ili seta podataka, pa zato oko njih mora da se postigne poseban dogovor. Postoji u principu
pet razliitih naina za postupanje sa ovakvim podacima, mada se ni jedan od njih ne moe
favorizovati:
1. Izmerena vrednost se uzima u razmatranja iako je nepouzdana. Ovaj nain se
primenjuje samo u posebnim sluajevima, kada nema drugog izbora i kada analitiar
iskustveno proceni da je ovaj nain prihvatljiv, dakle kada ne postoje uslovi za bilo
koji drugi pristup, na primer, merenja osetljivijom metodom.
Ivan Greti, HF
20
M
s
ssv
Varijansa (s2)
Varijansa (2)
20,61
20,61
4,12
3,42
5,66
10,47
1,13
0,80
1,62
1,45
0,72
2,62
2,09
Treba razlikovati DL metode od DL za dati supstrat. DL metode se odreuje pri idealnim uslovima kada ne
postoje nikakve smetnje u odreivanju DL od strane neistoa, loeg rastvaraa ili slinog. DL za dati supstrat je
realna vrednost za datu metodu i za dati suptrat jer obuhvata i sve mogue smetnje koje proizilaze zbog
rastvaraa, interferenci, neistoa itd. To znai da je DL za dati supstrat najrealnija vrednost koju treba koristiti
kad god je to mogue.
Ivan Greti, HF
21
Rezultatim
erenja
2,98
3,42
3,32
3,94
Uredjena
merenja
2,98
3,32
3,42
3,94
13,66
13,66
3,42
Br, merenja
M
s
ssv
Varijansa (s2)
Varijansa (2)
| xi - x |
3,37
(xi - x )2
0,44
0,10
0,01
0,53
0,19
0,01
0,00
0,28
1,08
0,48
zm
1,09
0,24
0,01
1,32
1,64
0,36
0,02
1,98
0,27
0,27
0,40
0,34
0,20
0,16
0,12
Iz tabele 3 koristie se samo osenene vrednosti jer one predstavljaju rezultate koji su validni i
baziraju se na Studentovoj raspodeli.
Srednja vrednost ( x ) iznosi: 3,42.
Standardna devijacija (s) za uzorak od 4 merenja iznosi: 0,40.
Standardna devijacija srednje vrednosti (ssv): 0,20.
Varijansa (s2) za uzorak od 5 merenja iznosi: 0,16.
Kako Studentova raspodela ne koristi , ve s vrednosti, to e se u tabeli 4 analiza greke
raditi sa k*s a ne sa k* .
Tabela 4. Sumarna tabela analize greke za set merenja obraen u tabeli 3.
OSNOVNI PODACI
Ivan Greti, HF
Stepen pouzdanosti 50
Stepen pouzdanosti 95
Stepen pouzdanosti 99
22
0,741
3,42 0,30
Od 3,12 do 3,72
2,776
3,42 1,11
Od 2,31 do 4,52
4,604
3,42 1,84
Od 1,58 do 5,26
Ivan Greti, HF
23
Varijansa se izraunava kao srednja vrednost kvadratne devijacije svakog merenja u odnosu
na srednju vrednost seta merenja. Varijansa za veoma veliki broj merenja se izraava
matematiki kao 2 za ta se koristi sledea formula:
Ivan Greti, HF
24
Varijansa populacije = =
2
(x
x)
i =1
gde su: (xi - x )2 kvadrat devijacije svakog merenja , xi merena vrednost, x srednja vrednost, a
N broj merenja.
Ukoliko je broj merenja u jednom setu merenja manji od 30 tada se koristi sledei izraz za
varijansu:
N
Varijansa uzorka = s =
2
(x
x)
i =1
N 1
Neke od ovih formi analize varijansi su vrlo sloene i zato e se u ovom tekstu obraditi samo
najprostija ANOVA: jesdnosmerna analiza varijanse za nezavisne vrednosti.
3.1.1. Jednosmerna analaiza varijanse za nezavisne vrednosti
Jesdnosmerna analiza varijanse za nezavisne vrednosti koristi se u onim situacijama kada se
ispituju i uporeuje vie od dve grupe proba, odnosno vie od dva seta merenja. U principu
broj grupa i ili setova merenja moe biti prilino veliki. Za svaku grupu (set) rezultata koji su
meusobno nezavisni, to znai da ni jedan rezultat iz jedne grupe nije u funkcionalnoj
zavisnosti od rezultata iz druge, potrebno je odrediti sve deskriptivne statistike parametre
meu kojima je najvanija standardna devijacije (s) uraene na bazi t-raspodele.
Analiza varijanse se danas radi uz pomo raunara. Da bi se, meutim, shvatio celokupni
postupak ovde e biti pobrojane potrebne formule za analizu varijanse koje su duge i
komplikovane. Radi lakeg razumevanja celokupni postupak e se podeliti u niz malih
koraka:
A. Generisanje matrice,
B. Zbir kvadrata pojedinanih vrednosti,
C. Kvadrat zbira pojedinanih vrednosti podeljena sa brojem elemenata matrice,
D. Kvadrat grupnog zbira podeljena sa brojem elemenata grupe,
E. Zbir kvadrata izmeu grupa (ZKIG),
F. Zbir kvadrata unutar grupe (ZKUG),
G. Ukupni zbir kvadrata (UZK),
H. Srednji kvadrat izmeu grupa (SKIG),
I. Srednji kvadrat unutar grupa (SKUG), i
J. F kolinik.
Ivan Greti, HF
25
I grupa (j = 1)
X11 = 3
X21 = 4
X31 = 5
X41 = 6
X51 = 4
X61 = 3
X71 = 2
X81 = 5
II grupa (j = 2)
X12 = 2
X22 = 3
X32 = 4
X42 = 2
X52 = 0
X62 = 2
X72 = 3
X82 = 2
X92 = 1
X102 = 1
III grupa (j = 3)
X13 = 5
X23 = 7
X33 = 6
X43 = 4
X53 = 5
X63 = 6
X73 = 5
X83 = 4
X93 = 3
x
(xi - x )2
xi
x2i
s
s2
I grupa (j = 1)
4,00
12,00
32
144
1,309
1,714
II grupa (j = 2)
2,00
12,00
20
48
1,155
1,333
III grupa (j = 3)
5,00
12,00
45
237
1,225
1,500
Ivan Greti, HF
26
x
i
2
ij
i j
U prvom setu ima 8, u drugom 10, a u treem 9 elemnata, to ukupno ini 27, pa je:
xij
i
j
xij
= 9409 = 348,481
i j
N
27
D. Kvadrat grupnog zbira podeljena sa brojem elemenata grupe: U ovom koraku se
naine sume pojedinanih vrednosti za svaki set (grupu), a zatim se taj zbir kvadrira, a potom
deli sa brojem elemenata grupe (n). To se radi prema sledeoj formuli:
2
xij
.
Kvadrat grupnog zbira podeljena sa brojem elemenata grupe = i
nj
j
xij
2
2
2
= 32 + 20 + 45 = 128 + 40 + 225 = 393
i
j n 8 10 9
j
Ivan Greti, HF
27
xij
i
j
USK = xij2 -
N
i
j
USK = 429 -
97 2
= 429 348,481 = 80,519.
27
F. Zbir kvadrata izmeu grupa (ZKIG): Ova vrednost se dobija iz razlike kvadrata
grupnog zbira podeljena sa brojem elemenata grupe i kvadrata sume pojedinanih vrednosti
podeljena sa brojem elemenata matrice (jednaina iz koraka D jednaina iz koraka C):
2
xij xij
- i j
ZKIG = i
n
N
j
j
97 2
ZKIG = 393 = 393 348,481 = 44,519.
27
G. Zbir kvadrata unutar grupe (ZKUG): Ova vrednost se dobija iz razlike sume kvadrata
pojedinanih vrednosti i kvadrat grupnog zbira podeljena sa brojem elemenata grupe
(jednaina iz koraka B jednaina iz koraka D):
xij
2
ZKUG = xij - i
nj
i
j
j
Ivan Greti, HF
28
ZKIG
J 1
SKIG =
SKIG =
44,519
= 22,26
2
I. Srednji kvadrat unutar grupa (SKUG): Ova vrednost se izraunava tako to se zbir
kvadrata unutar grupe (ZKUG) deli sa (N-1) elemenata:
SKUG =
SKUG =
ZKUG
N 1
36
= 1,5.
24
J. F kolinik: Ova vrednost se dobija kao kolinik srednjeg kvadrata izmeu grupa (SKIG) i
srednjeg kvadrata unutar grupa (SKUG):
F=
22,26
= 14,84.
1,5
Ivan Greti, HF
29
(a)
Varijansa izmeu srednjih vrednosti: nema je
Varijansa unutar grupa: velika
F kolinik: jako mali nema ga
(c)
Varijansa izmeu srednjih vrednosti: velika
Varijansa unutar grupa: promenljiva
F kolinik: osrednji
(b)
Varijansa izmeu srednjih vrednosti: velika
Varijansa unutar grupa: velika
F kolinik: mali
(d)
Varijansa izmeu srednjih vrednosti: velika
Varijansa unutar grupa: mala
F kolinik: veliki
Slika 19. Uticaj varijanse unutar grupa na ukupnu varijansu. Varujanse grupa su predstavljene
kao ampule, srednja vrednost za svaku grupu kao linije koje presecaju ampulu, ukupna srednja
vrednost za sve grupe je predstavljena kao horizontalna linija koja preseca sliku horizontalno,
ukupna varijansa se protee od najnie vrednosti do najvie vrednosti koje dohvataju grupe.
Varijansa izmeu grupa opisuje varijaciju srednjih vrednosti grupa od jedne sveobuhvatne
srednje vrednosti, dok varijansa unutar grupa predstavlja varijabilnost unutar svake grupe koja
je ujedno usaglaena sa veliinom grupe.
to je F kolinik vei to je verovatnije da su grupe meu sobom razliitije, odnosno da
pripadaju razliitim populacijama. Kod analize materijala (ruda) to znai da potiu od
materijala (rude) razliitih kvaliteta.
Ako je F kolinik znatno vei od jedinice to znai da postoji vea varijabilnost izmeu grupa
nego to je ona unutar grupa, a to opet znai da grupe pripadaju razliitim populacijama.
to je F kolinik manji to su grupe meu sobom slinije, a to znai da grupe verovatno
pripadaju jednoj istoj populaciji. Kod analize materijala (ruda) to znai da potiu od
materijala (rude) istog ili slinog kvaliteta.
Kako e se tano znati koja je to kritina vrednost iznad koje F kolinik poseduje visok stepen
verovatnoe koja potkrepljuje tvrdnju da su grupe meusobno razliitog porekla. To se moe
izraunati ili pronai u tabelama za razliite stepene pouzdanosti F vrednosti. U tabeli 7 date
Ivan Greti, HF
30
Broj grupa j
1
10
161,4476 199,5000 215,7073 224,5832 230,1619 233,9860 236,7684 238,8827 240,5433 241,8817
18,5128
19,0000
19,1643
19,2468
19,2964
19,3295
19,3532
19,3710
19,3848
19,3959
10,1280
9,5521
9,2766
9,1172
9,0135
8,9406
8,8867
8,8452
8,8123
8,7855
7,7086
6,9443
6,5914
6,3882
6,2561
6,1631
6,0942
6,0410
5,9988
5,9644
6,6079
5,7861
5,4095
5,1922
5,0503
4,9503
4,8759
4,8183
4,7725
4,7351
5,9874
5,1433
4,7571
4,5337
4,3874
4,2839
4,2067
4,1468
4,0990
4,0600
5,5914
4,7374
4,3468
4,1203
3,9715
3,8660
3,7870
3,7257
3,6767
3,6365
5,3177
4,4590
4,0662
3,8379
3,6875
3,5806
3,5005
3,4381
3,3881
3,3472
5,1174
4,2565
3,8625
3,6331
3,4817
3,3738
3,2927
3,2296
3,1789
3,1373
10
4,9646
4,1028
3,7083
3,4780
3,3258
3,2172
3,1355
3,0717
3,0204
2,9782
11
4,8443
3,9823
3,5874
3,3567
3,2039
3,0946
3,0123
2,9480
2,8962
2,8536
12
4,7472
3,8853
3,4903
3,2592
3,1059
2,9961
2,9134
2,8486
2,7964
2,7534
13
4,6672
3,8056
3,4105
3,1791
3,0254
2,9153
2,8321
2,7669
2,7144
2,6710
14
4,6001
3,7389
3,3439
3,1122
2,9582
2,8477
2,7642
2,6987
2,6458
2,6022
15
4,5431
3,6823
3,2874
3,0556
2,9013
2,7905
2,7066
2,6408
2,5876
2,5437
16
4,4940
3,6337
3,2389
3,0069
2,8524
2,7413
2,6572
2,5911
2,5377
2,4935
17
4,4513
3,5915
3,1968
2,9647
2,8100
2,6987
2,6143
2,5480
2,4943
2,4499
18
4,4139
3,5546
3,1599
2,9277
2,7729
2,6613
2,5767
2,5102
2,4563
2,4117
19
4,3807
3,5219
3,1274
2,8951
2,7401
2,6283
2,5435
2,4768
2,4227
2,3779
20
4,3512
3,4928
3,0984
2,8661
2,7109
2,5990
2,5140
2,4471
2,3928
2,3479
21
4,3248
3,4668
3,0725
2,8401
2,6848
2,5727
2,4876
2,4205
2,3660
2,3210
22
4,3009
3,4434
3,0491
2,8167
2,6613
2,5491
2,4638
2,3965
2,3419
2,2967
23
4,2793
3,4221
3,0280
2,7955
2,6400
2,5277
2,4422
2,3748
2,3201
2,2747
24
4,2597
3,4028
3,0088
2,7763
2,6207
2,5082
2,4226
2,3551
2,3002
2,2547
25
4,2417
3,3852
2,9912
2,7587
2,6030
2,4904
2,4047
2,3371
2,2821
2,2365
26
4,2252
3,3690
2,9752
2,7426
2,5868
2,4741
2,3883
2,3205
2,2655
2,2197
27
4,2100
3,3541
2,9604
2,7278
2,5719
2,4591
2,3732
2,3053
2,2501
2,2043
28
4,1960
3,3404
2,9467
2,7141
2,5581
2,4453
2,3593
2,2913
2,2360
2,1900
29
4,1830
3,3277
2,9340
2,7014
2,5454
2,4324
2,3463
2,2783
2,2229
2,1768
Ivan Greti, HF
31
Broj grupa j
1
10
30
4,1709
3,3158
2,9223
2,6896
2,5336
2,4205
2,3343
2,2662
2,2107
2,1646
40
4,0847
3,2317
2,8387
2,6060
2,4495
2,3359
2,2490
2,1802
2,1240
2,0772
60
4,0012
3,1504
2,7581
2,5252
2,3683
2,2541
2,1665
2,0970
2,0401
1,9926
120
3,9201
3,0718
2,6802
2,4472
2,2899
2,1750
2,0868
2,0164
1,9588
1,9105
3,8415
2,9957
2,6049
2,3719
2,2141
2,0986
2,0096
1,9384
1,8799
1,8307
(c) Normalna
ili simetrina
raspodela
Slika 20. Razlika izmeu nesimatrine ili deformisane i normalne raspodela
Ivan Greti, HF
32
Slika 21. Prikaz asimetrinihsetova merenja putem njihovih medijana, kvartila i izraunatih
graninika
Ivan Greti, HF
33
SET B2
Medijana
M = 2,27
x = 8,46
Srednja vrednost
I i III Kvartil
K1 = 1,25; K3 = 9,67
Standardna devijacija s s = 12,78
x - 1,37*s; x + 1,37*s 8,46-12,78;
8,46+12,78
21,24
x - 1.37*s; x + 1.37*s 0,11;
U odnosu na medijanu podaci iz bilo kog seta (B1 ili B2) ujednaeno su raspodeljeni s leve i s
desne strane od medijane. U intervalu od K1 do K3 zaista je okupljeno 50% od ukupnog broja
merenja. To znai da ovi podaci mogu da predstavljaju reprezentativne vrednosti na bazi kojih
se izvode dalji zakljuci koji e imati oekivan smisao i pouzdanu upotrebu.
U odnosu na srednju vrednost u setu B1 s leve strane nalazi se 19 podataka, a s desne strane
samo jedan podatak. U istom setu u statistiki definisanom intervalu standardne devijacije za
oekivanih 50% od ukupnog broja merenja zaista se nalazi 19 podataka ili 95% merenja i to
veinom s leve strane od srednje vrednosti, a ne oekivanih 10 merenja simetrino
rasporeenih oko srednje vrednosti. Set je oigledno nesimetrian, odnosno nema normalnu
raspodelu. Srednja vrednost ovog seta je preterano velika i stvara zabunu kad se poredi sa
medijanom koja je mnogo priblinija svojom vrednou najveem broju merenja u ovom setu.
U odnosu na srednju vrednost u setu B2 s leve strane nalazi se 15 podataka, a s desne strane
samo 5 podataka. U istom setu u statistiki definisanom intervalu standardne devijacije za
oekivanih 50% od ukupnog broja merenja zaista se nalazi 18 podataka ili 90% merenja i to
veinom s leve strane od srednje vrednosti, a ne oekivanih 10 merenja simetrino
rasporeenih oko srednje vrednosti. I oval set je oigledno nesimetrian, odnosno nema
normalnu raspodelu.
Ovo znai da podaci koji su izvedeni uz pomo statistike za merenja sa normalnom
raspodelom uopte ne predstavljaju reprezentativne vrednosti na bazi kojih se mogu izvoditi
bilo kakvi dalji zakljuci, ukoliko se i naine, nee imati nikakav smisao, odnosno to e biti
oigledni grubi promaaji zbog nepoznavanja pravilnog postupka pri analizi greke.
Ivan Greti, HF
34
rxy =
[1N ( xi x )( yi y )]
1N ( xi x ) 2 1N ( yi y ) 2
rxy =
gde su: N broj sparenih vrednost x i y, xy suma proizvoda sparenih vrednosti, x suma x
vrednosti, y suma y vrednosti, x2 suma kvadrata x vrednosti, y2 suma kvadrata y vrednosti.
U sutini linearnom korelacijom dobija se prava (slike 19 a f) definisana poznatom
jednainom y = ax + b u kojoj bi koeficijenat a odgovarao koeficijentu korelacije (r).
Bilo kakva izmena ma koje vrednosti koja se koristi za izraunavanje koeficijenta korelacije
uticae na nagib prave koja definie linearnu korelaciju izmeu dva seta vrednosti.
Ivan Greti, HF
35
Ivan Greti, HF
36
Dubina u m Sadraj Fe u %
(xi)
(yi)
xi*yi
xi*xi
yi*yi
68
4,1
278,8
4624
16,81
71
4,6
326,6
5041
21,16
62
3,8
235,6
3844
14,44
4
5
75
58
4,4
3,2
330
185,6
5625
3364
19,36
10,24
60
3,1
186
3600
9,61
67
3,8
254,6
4489
14,44
68
4,1
278,8
4624
16,81
9
10
71
69
4,3
3,7
305,3
255,3
5041
4761
18,49
13,69
11
68
3,5
238
4624
12,25
12
67
3,2
214,4
4489
10,24
13
63
3,7
233,1
3969
13,69
14
15
62
60
3,3
3,4
204,6
204
3844
3600
10,89
11,56
16
63
4,0
252
3969
16
17
65
4,1
266,5
4225
16,81
18
67
3,8
254,6
4489
14,44
19
63
3,4
214,2
3969
11,56
20
61
3,6
219,6
3721
12,96
Ivan Greti, HF
37
Dubina u m Sadraj Fe u %
(xi)
(yi)
1308
75,1
xi*yi
xi*xi
yi*yi
4937,6
85912
285,45
521,2
521,2
=
= 0,73
508870,2 713,3514
Rezultat ukazuje na jaku pozitivnu korelaciju (r = 0,73) izmeu dubine i sadraja Fe, a to
znai da sa porastom dubine raste i sadraj Fe u supstratu koji se ispitivao (slika 23).
Sadraj Fe u %
3
50
60
70
Dubina u mikrometrima
80
Sadraj Fe u %
6. PROPAGACIJA GREKE
esto se dogaa da se itav niz zakljuivanja o bogatstvu neke rude, kvalitetu nekog
proizvoda ili slinog bazira na merenjima kao primarnim podacima, a potom se ti podaci
obrauju tako da je konani zakljuak ustvari indirektni rezultat. Taj indirektni rezultat nastaje
proraunima koji polaze od egzaktnih merenja koja obino imaju svoju srednju vrednost i
odgovarajuu devijaciju. Vrlo vano pitanje je tada kolika je ukupna (kumulativna) greka
konanog rezultat ili zakljuka?
Na primer, ako je Z zbir dva parametra dobijenih merenjima u dva seta merenja A i B koji u
sebi sadre greke A i B moe se dobiti rezultat Z = A + B koji nema nikakvih podataka o
greci ili rezultat koji vodi rauna o greci:
38
Z = ( A) 2 + ( B ) 2
U ovom sluaju Z predstavlja prosenu greku jer kod nezavisnih merenja pojedinane
greke mogu meusobno da se iskljue ili da se saberu to ne moe tano da se predvidi. Ova
prosena greka je tada manja od prostog zbira pojedinanih greaka.
32 + 4 2 = 5 .
F
F
2
2
Z =
( A) +
( B ) ,
A
B
F
F
pri emu se za sluaj sabiranja Z = A + B uzima da su
= 1 i
= 1. Kada se radi o
B
A
F
F
oduzimanju Z = A B onda su
= 1 i
= -1. Za sluaj proizvoda Z = A*B imamo
B
A
F
F
2
2
2
2
da su
= B i
= A, pa sledi da je Z = B ( A) + A ( B ) , odnosno da je
B
A
2
Z Z
A B
=
=
+
.
AB Z
A B
2
0,3 0,4
+
= 600 40.
100 6
Ivan Greti, HF
39
Z=A+B
Z = ( A) 2 + ( B ) 2
Z=AB
Z = ( A) 2 + ( B ) 2
Z = AB
Z
A B
=
+
Z
A B
Z = A/B
Z = A2
Z = nA
Z = lnA
Z = eA
Z
A B
=
+
Z
A B
Z = 2 AA
A
Z
=n
A
Z
A
Z =
A
Z
= A
Z
Literatura
1. Clarke, G. M., & Cooke, D. (1978). A basic course in statistics. London: Edward Arnold
2. Taylor, J. R. (1982). An Introduction to Error Analysis: The Study of Uncertainties if Physical
Measurements. University Science Books.
3. Cleveland, W. S. (1993). Visualizing data. Murray Hill, NJ: AT&T.
4. G.E. P. Box, W. G. Hunter, and J. S. Hunter (1978). Statistics for experimenters: An introduction
to design and data analysis. NY: John Wiley. General introduction.
5. Dixon, W. J., & Massey, F. J. (1983). Introduction to statistical analysis (4th ed.). New York:
McGraw-Hill.
6. Brownlee, K. A. (1960). Statistical Theory and Methodology in Science and Engineering. New
York: John Wiley.
7. Morrison, D. F. (1990). Multivariate statistical methods. (3rd Ed.). New York: McGraw-Hill.
8. Ryan, T. P. (1989). Statistical methods for quality improvement. New York: Wiley.
9. Scheff, H. (1959). The analysis of variance. New York: Wiley.
10. Turner, J. Rick and Julian Thayer (2001). Introduction to analysis of variance. Thousand Oaks,
CA: Sage Publications.
Ivan Greti, HF
40