Analiticke Greske I Analiza Gresaka PDF

HEMIJA IVOTNE SREDINE II
___________________________________________________________________________
ANALITIKE GREKE I STATISTIKA ANALIZA GREAKA
1. OSNOVNI POJMOVI
1.1. DEFINICIJA GREAKA
1.1.1. Apsolutna greka
1.1.2. Relativna greka
1.1.3. Sistematska greka
1.1.4. Sluajne greke
1.2. NESIGURNOST PRI MERENJU
1.3. PRECIZNOST
1.4. TANOST
1.5. PROMAENO MERENJE
1.6. SIGURNE CIFRE
2. STATISTIKA ANALIZA GREKE
2.1. TERMINOLOGIJA
2.1.1. Verovatnoa i statistika
2.1.2. Populacija, uzorak, proba i oprobavanje
2.1.3. Odstupanje ili devijacija
2.2. DESKRIPTIVNA STATISTIKA
2.2.1. Setovi merenja i distribucija rezultata
2.2.2. Aritmetika srednja vrednost
2.2.3. Geometrijska srednja vrednost
2.2.4. Medijana
2.2.5. Kvartili
2.2.6. Gausova ili normalna raspodela
2.2.7. Matematika transformacija deformisanih raspodela
2.2.8. Standardna devijacija pojedinanog merenja
2.2.9. Studentova ili t raspodela
2.2.10. Uticaj broja merenja na standardnu devijaciju pojedinanog merenja
2.2.11. Standardna devijacija srednje vrednosti
2.2.12. Znaajnost merenja
2.2.13. Test normalnosti
2.2.14. Odbacivanje merenja sa velikom grekom
2.2.15. Greke koje nastaju zbog rezultata koji su ispod detekcijonog limita
2.2.16. Jedan konkretan primer
2.2.17. Grafiko prikazivanje rezultata
3. VARIJANSA
3.1. ANALIZA VARIJANSE
3.1.1. Jednosmerna analiza varijanse za nezavisne vrednosti
4. NESIMETRINE ILI DEFORMISANE RASPODELE
4.1. RAZLIKA IZMEU MEDIJANE I SREDNJE VREDNOSTI ODNOSNO KVARTILA I DEVIJACIJE
5. KORELACIJA
5.1. KOEFICIJENT KORELACIJE
5.2. TUMAENJE LINEARNOG KEFICIJENTA KORELACIJE
5.2.1. Primer za linearnu korelaciju
6. PROPAGACIJA GREKE
6.1. IZRAUNAVANJE KUMULATIVNE GREKE
Ivan Greti, HF 1
___________________________________________________________________________
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
relativna greka iznosi: ili u procentima * 100 %.
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 2
___________________________________________________________________________
Za nesigurnost pri merenju postoji niz razloga. To mogu biti individualni razlozi oni koji
zavise od operatera koji meri i tehniki razlozi oni koji zavise od instrumenta kojim se meri.
Prvi su promenljivi, sticanjem iskustva operater postaje sve sigurniji u radu i time utie na
smanjenje greke, ali sa promenom operatera nesigurnost postaje ponovo velika. Drugi ili
tehniki razlozi su vezani za performanse ureaja i stabilnost ili reproduktivnost uslova rada.
Ako je ureaj konstruisan da meri krupne promene onda se sa njim ne mogu meriti male
promene. Razlike u teini na nivou grama ne mogu se meriti vagom koja meri tone, ili sa
metrom ija je podela na santimetre ne mogu se procenjivati duine na delove milimetra, to je
mogue samo ako je podela na metru data u milimetrima ime se ostvaruju preduslovi da se
daju procene o delovima milimetra (slika 1). Nesigurnost merenja u prvom sluaju daleko je
vea nego u drugom sluaju.
Slika 1. Merenje duine sa dve

vrste metra: koji ima grubu
podelu (na santimetre) i koji ima
finu podelu (na milimetre).
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.
Slika 2. Precizan i netaan Slika 3. Precizan i taan
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 3
___________________________________________________________________________
merenja je onaj kod koga se sva pojedinana merenja neznatno razlikuju od prave vrednosti.
Taan i neprecizan set merenja je onaj koji ima vidnu disperziju rezultata oko prave vrednosti,
dakle onaj koji ima merenja sa relativno ujednaenim pozitivnim i negativnim (velikim i
malim) odstupanjima u odnosu na pravu vrednost.
Slika 4. Taan i neprecizan Slika 5. Taan i precizan
1.5. PROMAENO MERENJE

Promaeno merenje ili omaka pri merenju je poseban vid greke koji se moe prepoznati
usled svog znaajnog odstrupanja od prave vrednosti ili srednje vrednost vie merenja. Merni
promaaj su prisutni kako kod preciznih tako i kod nepreciznih merenja. Takvim grekama
treba pridavati posebnu panju jer svojim nenormalnim vrednostima mogu znatno da
iskvare srednju vrednost vie merenja i time da prouzrokuju pogreno zakljuivanje ili neke
druge neeljene posledice. U sluaju preciznih merenja ovakvu vrednost je lako prepoznati,
ali kod nepreciznih merenja to moe da iskomplikuje itavu stvar oko prepoznavanja da li je
dato merenje zaista promaeno ili je nastalo kao posledica nepreciznosti. Za ovakvu vrstu
problematinih rezultata merenja postoji poseban postupak njihovog prepoznavanja i
odbacivanja.
Slika 6. Precizno sa jednim promaenim Slika 7. Neprecizno sa jednim promaenim

merenjem merenjem
1.6. SIGURNE CIFRE

Pri analitikim odreivanjima brojevi se koriste radi opisivanja kvntiteta (duine, teine...),
odnosno sadraja neke supstance ili elementa u nekoj probi. Prilikom odreivanja kvantiteta
nisu uvek sve brojne cifre sigurne (signifikantne) pa zato treba razlikovati sigune od
nesigurnih cifara.
Najbolji naina da se razume pojam sigurnih i nesigurnih cifara jeste primer iz slike 1.
Rastojanje izmeu dve take na slici moe se meriti sa metrom koji ima grubu podelu samo
na santimetre ili metrom koji ima finu podelu na milimetre.
U prvom sluaju (grublja podela) sa sigurnou se odreuje duina u santimetrima, a
procenjuje se dodatno broj milimetrara tako da se merenje moe opisati sa brojem 6,3 cm ili
sa brojem 6,4 cm. Prva cifra (6) je sigurna, a druga (3 ili 4) nesigurna, jer je sasvim oigledno
Ivan Greti, HF 4
___________________________________________________________________________
da se ne zna tano da li iza 6 cm dolazi 3 mm ili 4 mm da bi se tano opisalo rastojanje
izmeu taaka.
U drugom sluaju (finija podela), s obzirom da je merni instrument bolji, sa sigurnou se
odreuje duina u santimetrima i milimetrima, a procenjuje se dodatno broj delova
milimetrara tako da se merenje moe opisati sa brojem 6,35 cm ili sa brojem 6,36 cm. Prva
cifra (6) je sigurna i druga cifra (3) je sigurna, to je oigledno, a tek trea cifra (5 ili 6) je
nesigurna, jer se ne zna tano da li su u pitanju 0,5 mm ili 0,6 mm koji dolaze iza 6,3 cm da
bi se tano opisalo rastojanje izmeu takama.
Sada je sasvim jasno da finoa ili osetljivost mernog ureaja utie na broj sigurnih cifara
kojima se opisuje neka veliina. Po konvenciji uvek je poslednja cifra nesigurna i zato se
mora voditi rauna sa koliko cifara se iskazuje neki rezultat. Ako se iz primarnog rezultata
iskljui poslednja (nesigurna) cifra rezultat postaje netaniji jer se po konvenciji poslednja
cifra uvek smatra nesigurnom. Ako se u primarnom rezultatu iza nesigurne cifre doda jo
jedna cifra dobija se lano precizniji rezultat jer dodatkom jo jedne cifre u rezultat prethodno
nesigurna cifra postaje sigurna.
Merenje rastojanja izmeu taaka na slici 1 metrom sa finijom podelom dalo je rezultat 6,35
cm. Ukidanjem zadnje cifre dobija se 6,3 cm i rezultat se automatski prevodi u klasu merenja
koje je raeno grubljim metrom. Dodatkom cifre na merenje dobija se 6,350 cm to dale lani
utisak da je merenje vreno preciznijim metrom nego to on stvarno jeste.
Nula ima dvojaku ulogu u prii o sigurnim ciframa. Ako se nalazi izmeu dva broja koji se
razlikuju od nule (na primer: 504) onda je i ona sigurna cifra. Ako se nule nalaze s desne
strane broja (na primer: 200) tada predstavljaju sigurne cifre ili ako se nalaze iza decimalnog
zareza (na primer: 2,00) i tada predstavljaju sigurne. Ako se nule nalaze s leve strane broja:
prva leva, druga leva cifra ... (na primer, 0,0121) tada ne predstavljaju sigurne cifre.
Prilikom sabiranja ili oduzimanja brojeva, koji opisuju neka merenja, sa razliitim brojem
cifara tanost definie onaj broj koji ima najmanju preciznost (ovde se ne uzimaju u obzir
sigurne cifre). Za niz brojeva koji opisuju masu: 0,0121 g, 25,64 g i 1,05782 g zbir je sledei:
0,01 g + 25,64 g + 1,06 g = 26,71 g.
U ovom nizu merenja najnepreciznije merenje je sa dve decimale: 25,64 g jer je merenje
vreno samo do stotih delova grama. Duga merenja su preciznija, ali prethodno pomenuto je
ograniavajue. Tada se brojevi zaokruuju, potujui pravila zaokruivanja, do broja
decimala koji definie broj sa najmanjom preciznou, a tek onda se sabiraju.
Prilikom mnoenja ili deljenja brojeva, koji opisuju neka merenja, sa razliitim brojem cifara
broj cifara u proizvodu ili koliniku definie onaj broj koji ima najmanji broj sigurnih cifara.
Za niz brojeva: 0,0121 , 25,64 i 1,05782 proizvod je sledei:
0,0121 * 25,64 * 1,05782 = 0,328
s obzirom da broj 0,0121 ima najmanji broj sigurnih cifara (2 cifre: 0,0121 , u ovom sluaju
nule se ne raunaju kao sigurne cifre jer su s leve strane), to e proizvod imati takoe 2
sigurne cifre (0,328) plus treu (zadnju) nesigurnu cifru.
2. STATISTIKA ANALIZA GREKE

Prouavanje osobina sluajne greke otvara sasvim novo poglavlje u analizi greaka, a to je
statistika analiza. Uzroci nastajanja sluajnih greaka veoma su brojni i sloeni, mada se
neku uzroci mogu naslutiti. To mogu biti trenutne nestabilnosti u radu aparata kojim se vri
merenje (takozvani drift), posledice Hajsenbergovog principa nesigurnosti, promene
temperature i drugi nekontrolisani efekti. Sreom sve sluajne greke podleu odreenim
zakonima distribucije koji se mogu definisati. Gausov zakon distribucije se pokazao kao
izvanredan za opis distribucije greaka i moe se opisati simetrinom krivom. Matematiki
Ivan Greti, HF 5
___________________________________________________________________________
obrazac krive obuhvata verovatnou koja definie raspodelu pojavljivanja bilo koje sluajne
greke pri merenju.
2.1. TERMINOLOGIJA
Statistika analiza greke koristi posebnu terminologiju koja koja pre svega obuhvata
pojmove koji se koriste pri analizi greke.
2.1.1. Verovatnoa i statistika

Verovatnoa je deo matematike koja se bavi izraunavanjem mogunosti da se neki dogaaj
stvarno dogodi i izraava se brojevima od 0 do 1. Ako se za neki dogaaj uspostavi da ima
verovatnou dogaajna ravnu jedinici onda se za njega kae da je neizbean ili potpuno
siguran. Verovatnoa nekog dogaaja moe se odrediti eksperimentalno i konteplativno (na
bazi logikog razmiljanja).
Eksperimentalno odreivanje obuhvata ponavljanje nekog eksperimenta (pokuaja), za koji se
zna da moe da produkuje dati dogaaj, dovoljno veliki broj puta i na kraju se odredi
verovatnoa tako to se frekvenca pojavljivanja datog dogaaja podeli sa ukupnim brojem
pokuaja (eksperimenata). Na primer, da bi se odredilo kolika je verovatnoa da e se
bacanjem kocke pojaviti broj 6 kocka se baca milion puta. U tako velikom broju bacanja broj
est se pojavio 166.549 puta. Prost raun kae da je verovatnoa pojavljivanja broja est
jednaka 166.549 / 1.000.000 = 0,166549, ili 1/6 od ukupnog broja bacanja.
Konteplativno odreivanje polazi od razmiljanja da je kocka idealna, da ima 6 strana i da su
svih 6 strana kocke meusobno jednake. Bacanjem kocke ni jedna strana nema nikakvu
prednost nad drugim stranama, to znai da je ansa pojavljivanja bilo koje od strana kocke
jednaka sa svim ostalim, odnosno da je verovatnoa da e se pojaviti jedna odreena strana
kocke meu 6 strana jednaka 1/6. Logino je zakljuiti i da je verovatnoa pojavljivanja broja
6 pri bacanju kocke jednaka 1/6.
Iako se verovatnoa izraava brojevima od 0 do 1 ponekad se ti brojevi mnoe sa 100 pa se
tada verovatnoa izraava u procentima (%).
Statistika je poseban vid matematike obrade veeg broja podataka (seta merenja ili proba)
koji daje numerike podatke ili parametre o nekom uzorku ili populaciji kao to su:
aritmetika sredina, geometrijska sredina, medijana, varijansa, standardna devijacija, i slino.
Re statistika koristi se dvojako. U irem smislu statistika obuhvata tehnike i procedura za
analizu podataka, njihovu interpretaciju i prikazivanje kao i postupke donoenja zakljuaka na
bazi izvrene analize. U uem smislu statistika nije nita drugo nego ciljana numerika obrada
podataka.
2.1.2. Populacija, uzorak, proba i oprobavanje

Populacija obuhvata sve objekte, posmatranja ili merenja koja meusobno imaju neto
zajedniko. Po svojim osobinama populacija moe biti u potpunosti virtuelna, na primer,
obuhvata sva merenja koja mogu da se naine prilikom ispitivanja neke analitike probe, a
njih moe u idealnom sluaju (teorijski) da bude bezbroj.
Uzorak predstavlja set konkretnih merenja ili ispitivanja, odnosno proba koje tee da to
bolje reprezentuju datu celinu ili populaciju. Ako se pretpostavi da je populacija skup svih
moguih merenja (kojih teorijski ima veoma mnogo - bezbroj), onda je proba samo podskup
tog skupa jer sadri samo jedan ogranien (relativno mali) broj merenja. U irem smislu rudno
leite, zagaeno podruje, procesna sirovina ili procesni proizvod ini skup svih moguih
proba na koje ovi mogu da se razdele, ili od kojih ovi mogu da se naprave sve te probe ine
jednu populaciji. Nemogue je nainiti toliki uzorak, a i nema smisla, koji e apsorbovati celu
populaciju. Poznajui ove definicije i objanjenja potrebno je razlikovati statistiku populacije
Ivan Greti, HF 6
___________________________________________________________________________
i statistiku uzorka, jer se ove razlikuju pogotovu ako je broj merenja koja ine uzorak manji
od 30. to je uzorak vei, dakle, to je broj proba u uzorku vei, to e uzorak biti
reprezentativniji za datu populaciju.
Polazei od definicije uzorka mogue je pokuati da se odreena populacija reprezentuje sa
smo jednom probom i otuda izvor nesporazuma koji nastaju oko pojmova uzorak i proba, jer
se obino za pojam uzorka vezuje samo jedno merenje ili samo jedna analitika proba. Zato
treba voditi rauna o razlici izmeu statistikog uzorka i analitike probe.
Proba je, dakle, deo nekog supstrata (celine) koji je uzet radi laboratorijskog ispitivanja.
Oprobavanje je proces uzimanja proba. Pojam uzorkovanja se esto izjednaava sa pojmom
oprobavanja, mada se prvi pre odnosi na broj i kvalitet reprezenata koji opisuju odreenu
populaciju sa verovatnoom i statistikom koja iz njih proizilazi, to znai da ovaj pojam ima
pre svega matematiko znaenje, a drugi, oprobavanje, ima vie fiziki smisao i odnosi se na
proces uzimanja proba (reprezenata), strateguju i plan oprobavanja.
2.1.3. Odstupanje ili devijacija

Ve tokom definisanja tanosti uveden je pojam odstupanja ili devijacije i odnosi se na
odstupanje merene vrednosti od prave vrednosti. Svaka merena vrednost ima svoje sopstveno
odstupanje od prave vrednosti, a to odstupanje e predstavljati pojedinanu greku tog
merenja. to je vei broj merenja to e biti i vei broj pojedinanih odstupanja. Raspodela
devijacija od kojih su neke vee, a neke manje, povinovae se zakonima verovatnoe. To
znai da e merenja sa velikim devijacija biti retka u odnosu na broj merenja sa malim
devijacija koja su vrlo uestala. Pokazalo se da se merenja sa malim devijacijama okupljaju
oko neke srednje vrednosti (slika 9).
2.2. DESKRIPTIVNA STATISTIKA
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 7
___________________________________________________________________________
Poseban vid simetrine raspodele jeste bimodalna raspodela (slika 8d) na koji se takoe ne
moe primeniti statistika obrada koja se bazira na normalnoj raspodeli sve dok se probe ne
razdvije tako da se mogu svrstatu dva seta merenja sa uobuajenom normalnom raspodelom.
Generalmo posmatrano pored normalne raspodele koja je prepoznatljiva kao Gausova
(normalna) raspodela postoje i drugi tipovi raspodele kao: gama, eksponencijalna, Reilaitova,
Raisova, Poasonova raspodela i druge. Svaka od ovih raspodela moe se matematiki obraditi
i prikazatai odgovarajuom matematikom funkcijom, kao uostalom i Gausova raspodela.
Posebno se naglaava da e se u ovom tekstu izuavati samo Gausova (normalna) raspodela
za koju je razvijena najopirnija statistika obrada, sve ostale raspodele izlaze iz okvira ovog
teksta.
(a) Nadesno ili pozitivno (b) Nalevo ili negativno

deformisana raspodela deformisana raspodela
(c) Nedeformisana - simetrina (d) Simetrina bimodalna

ili normalna raspodela raspodela
Slika 8. Deformisane i simetrine raspodele
esto su setovi merenja obimni, nepraktini za sveobuhvatno prikazivanje i zato se meu

strunjacima razvila opravda potreba da se dati set prikaze na to koncizniji i jednostavniji
nain. Tako, na primer, prva pomisao se odnosi na to kako neki set od vie merenja prikazati
samo sa jednom vrednou, s tim to ta vrednost mora da odrazi u to veoj meri kojoj
centralnoj vrednosti dati set tei. Tenja nekoj centralnoj vrednosti iskazuje se kroz srednju
vrednost koja moe da se odredi na nekoliko naina: aritmetikim putem, geometrijskim
putem ili nekom jo jednostavnijim putem. Srednja vrednost se, dakle, ne moe odreivati
uvek na isti nain, ve, od suaja do sluaja, u zavisnosti kakva je raspodela rezultata nekog
seta merenja, odnosno oprobavanja.
2.2.2. Aritmetika srednja vrednost

Ako se tokom merenja ispita nekoliko proba istog ili slinog porekla, odnosno ako se obavi
nekoliko analiza ili merenja jedne te iste probe onda se dobija set rezultata koji se vie ili
manje, odnosno neznatno meusobno razlikuju: x1, x2, x3, x4, x5 i koji su simetrino
distribuirane oko neke srednje vrednosti. Srednja vrednost tei da se izjednai sa pravom
vrednou () koja je nama ustvari nepoznata. Neka se uzorak, na primer, sastoji od pet
merenja. Na bazi ovog uzorka treba doneti nekakav zakljuak.
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 8
___________________________________________________________________________
vrednosti. U tu svrhu poslui e srednja vrednost (). to je vei broj pojedinanih merenja to
e srednja vrednost biti blia pravoj vrednosti ( x ~ ).
Aritmetika srednja vrednost x (aritmetika sredina) odgovara aritmetikoj sredini svih
pojedinanih merenja od x1 do xn. Oznaka N odnosi se na egzaktan broj merenja (N = 5). Iz
ovoga sledi da je:
N
x1 + x2 + x3 + x4 + x5 xi
x= ili u generalnom sluaju x = i =1
.
N N
Srednja vrednost se moe takoe definisati i kao najverovatnija vrednost u Gusovoj

standardnoj raspodeli.
Ako su pojedinana merenja: 3,22, 3,32, 3,44, 3,40 i 5,94 onda je:
x = (3,22 + 3,32 + 3,44 + 3,40 + 5,94)/5 = 19,32/5 = 3,86 .
Aritmetika sredina je, dakle, relevantna onda kada se sabiranjem svih elemenata nekog seta
dobija zbir za koji se eli saznati kolika je prosena veliina elementa tog seta. Sabiranjem
prosenih veliina seta dobija se isti zbir kao i sabiranjem pravih vrednosti elemenata seta:
3,22 + 3,32 + 3,44 + 3,40 + 5,94 = 3,86 + 3,86 + 3,86 + 3,86 + 3,86 = 19,32
2.2.3. Geometrijska srednja vrednost

Geometrijska srednja vrednost (geometrijska sredina) predstavlja n-ti koren proizvoda n
brojeva koji su dobijeni u N merenja.
Geometrijska srednja vrednost = n x1 * x2 * xi * xn
Ako su pojedinana merenja ista kao i u prethodnom sluaju tada je:

Geometrijska srednja vrednost = 5 3,22 * 3,32 * 3,44 * 3,40 * 5,94 = 5 742,71 = 3,75
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 9
___________________________________________________________________________
Prve godine porast zagaenje je iznosilo 1,1 , drige godine 1,5 , a tree 1,3 puta vei u
odnosu na prethodnu godinu. Kolika je prosena stopa promene stepena zagaenja godinje u
ove tri godine?
Geomteriska sredina je 3 1,1 * 1,5 * 1,3 = 1,289, ili prosena stopa porasta je 28,9%
godinje.
Aritmetika sredina porasta je (10%+50%+30%)/3 = 30% godinje.
Neka je startna vrednost zagaenja iznosila, na primer, 200 mg/m3, onda je tokom prve godine
nivo zagaenja iznosio: 200*1,1 = 220 mg/m3; druge godine: 220*1,5 = 330 mg/m3; i tree
godine: 330*1,3 = 429 mg/m3.
Polazei od aritmetike sredine porast u prvoj godini bi bio 200*1,3 = 260 mg/m3; druge
godine: 260*1,3 = 338 mg/m3; i tree godine: 338*1,3 = 439,4 mg/m3.
Polazei od geometrijske sredine porast u prvoj godini bi bio 200*1,289 = 257,8 mg/m3;
druge godine: 257,8*1,289 = 332,3 mg/m3; i tree godine: 332,3*1,289 = 428,3 mg/m3.
Sada se sasvim lako vidi da je upotreba geometrijske sredine bilo isprasvnije nego upotreba
aritmetike sredine.
2.2.4. Medijana
Medijana (M) se uvek nalazi na sredini nekog seta merenja tj, uzorka. Svi elementi seta su
podeljeni u dva dela od kojih se jedan nalazi ispod, a drugi iznad medijane.
Ukoliko uzorak ili set merenja ima neparan broj elemenata i ako su elementi poreani po
veliina onda medijanu ini srednji lan. Na primer, za set merenja: 3,22, 3,32, 3,44, 3,40 i
5,94 prvo se lanovi poreaju po veliini: 3,22, 3,32, 3,40, 3,44 i 5,94, pa se potom rauna
medijana koja iznosi M = 3,40.
Ukoliko uzorak ili set merenja ima paran broj elemenata i ako su elementi poreani po
veliina onda medijanu ini aritmetika sredina dva srednja lana. Na primer, za set merenja:
3,22, 3,32, 3,44 i 3,40 prvo se lanovi poreaju po veliini: 3,22, 3,32, 3,40 i 3,44, a medijana
je (3,32 + 3,40)/2 ili M = 3,36.
Kao i geometrijska sredine medijana je mnogo neosetljivija na ekstremne vrednosti nego
aritmetika sredina.
2.2.5. Kvartili
Kvartili su numerike vrednosti koje dele set merenja (uzorak) u etiri grupe u okviru kojih se
nalazi, ako je to mogue, jednak broj merenja.
Prvi kvartil (K1) nekog seta merenja je broj koji deli dati set tako da se ispod njega nalazi
25%, a iznad njega 75% od ukupnog broja pojedinanih merenja koja pripadaju tom setu.
Drugi kvartil nije nita drugo nego medijana (M) i predtavlja broj koji deli dati seta merenja
tako da se ispod njega nalazi 50% i iznad njega 50% od ukupnog broja pojedinanih merenja
koja pripadaju tom setu.
Trei kvartil (K3) nekog seta merenja je broj koji deli dati set tako da se ispod njega nalazi
75%, a iznad njega 25% od ukupnog broja pojedinanih merenja koja pripadaju tom setu.
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
___________________________________________________________________________
Evo primera, neka se jedan set merenja (sa neparnim brojem elemenata) sastoji od sledeih
pojedinanih vrednosti (medijana ovog seta je 61 ili M = 61):
15 26 34 44 50 61 62 74 77 88 99.
Donju polovinu seta ine brojne vrenosti: 15 26 34 44 50. Medijana ovog seta je broj 34 i
on predstavlja prvi kvartil (K1 = 34). Gornju polovinu seta ine brojne vrednosti: 62 74 77
88 99. Medijana ovog seta je broj 77 i on predstavlja trei kvartil (K3 = 77).
Podvlaenjem brojne vrednosti za svaki kvartil dati set se kvartilima deli na etiri jednake
grupe po broju pojedinanih merenja:
15 26 34 44 50 61 62 74 77 88 99.
Evo drugog primera, neka se drugi set merenja (sa parnim brojem elemenata) sastoji od
sledeih pojedinanih vrednosti (medijana ovog seta je 14,5):
11 12 13 14 14 * 15 16 17 17 18.
Podvlaenjem brojne vrednosti za svaki kvartil dati set se kvartilima deli na etiri jednake
grupe po broju pojedinanih merenja:
11 12 13 14 14 * 15 16 17 17 18.
Interkvartilni raspon (IKR) je raspon mernih vrednosti koji obuhvata sve merene vrednosti od
I do III kvartila (50% od svih merenja) i u poslednjem sluaju odnosi se na merenja koja se
nalaze u rasponu od od 13 do 17 i iznosi 4 (IKR = K3 K1 = 17 13 = 4).
2.2.6. Gausova ili normalna raspodela

Prilikom izvoenja nekog niza merenja u svaki rezultat ugrauje se sluajna greka. Te greke
se razlikuju od merenja do merenja. Kada se naini veoma veliki broj merenja uoava se
nekakva zakonitost u pojavljivanju sluajnih greaka. Ta zakonitost se odnosi kako na njihovu
distribuciju, tako i veliinu. Pomenuta zakonitost se najbolje objanjava verovatnoom, a po
svojoj prirodi podlee verovatnoi normalne raspodele koja se matematiki opisuje
Gausovom jednainom normalne raspodele.
Dovoljno veliki broj merenja odreene nepoznate veliine simetrino se raspodeljuje oko
neke srednje vrednosti (slika 9), dakle, greke sa pozitivnim i negativnim odstupanjima bie
jednako zastupljene. Simetrina raspodela moe lako da se definie matematikom funkcijom
(slika 10).
Slika 9. Simetrina raspodela x merenja. Slika 10. Gausian matematika kriva koja
opisuje simetrinu ili normalnu raspodelu.
Ivan Greti, HF 11
___________________________________________________________________________
Matematika funkcija Gausove normalne raspodela ( f g ) opisuje uestalost kojom se javlja

neka devijacija (odstupanje od prave vrednosti):
( x x )2

1 2
2
f g ( x) = e
2 2
gde su: f g (x ) vrednost funkcije na y osi za datu devijaciju (x - x ), x merena vrednost,

x srednja vrednost, Ludolfov broj (3,14159), e osnova prirodnog logaritma (2,71828),
standardna devijacija.
Gausovu krivu definiu dva osnovna parametra i x , prvi definie irinu zvona funkcije, a
drugi poloaj u odnosu na x osu.
Uestalost pojavljivanja mernih rezultata sa malom devijacijim daleko je vea od uestalosti
pojavljivanja mernih rezultata sa velikom devijacijim.
2.2.7. Matematika transformacija deformisanih raspodela
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
___________________________________________________________________________
Matematika transformacija logaritmovanje za osnovu 10, pokazala se kao vrlo korisna pri
emu se dobijaju vrednosti koje imaju normalnu raspodelu:
0,301 , 0,477 , 0,477 , 0,622 , 1,176
za koje je mogue izraunati aritmetiku sredinu, ali sada logaritmovanih vrednosti, koja
iznosi (0,301 + 0,477 + 0,477 + 0,622 + 1,176)/5 = 0,622. Antilogaritmovanjem ove vrednosti
(100,622) dovija se 4,043.
Matematika transformacija je, dakle, omoguila da se primeni aritmetika sredina i na set sa
deformisanom raspodelom, tako da su se u konanom sluaju izjednaili podaci dobijeni na
dva naina: (1) na osnovu geometrijske sredine i (2) na osnovu aritmetike sredine
transformisanog skupa.
Jo jednom treba isai da matematika transformacija nije uvek svemogua tako da se u
odreenim sluajevima moramo zadovoljiti i sa obinom medijanom.
2.2.8. Standardna devijacija pojedinanog merenja

Mera za tanost koja se ponekad koristi u analitikoj praksi je prosena devijacija ()
pojedinanog merenja koja predstavalja srednju vrednost apsolutnih vrednosti razlika izmeu
merenih vrednosti i aritmetike sredine za odreen broj merenja:
| x i x|
Prosena devijacija pojedinanog merenja = = 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:
(x i x )2
Standardna devijacija pojedinanog merenja = = i =1
N
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
___________________________________________________________________________
manja od , ili drugim reima verovatnoa da e prava vrednost ui u interval od
( x ) nije stopostotna, ve iznosi 68,26 %;
(13,59 + 34,13) % ili 47,72 % merenja e pasti u interval ( x - 2), zatim jo 47,72 %
% merenja e ui u interval ( x + 2), odnosno 95,44 % merenja e pasti u interval od
( x 2) to znai da e u 95,44 sluajeva od 100 merenja greka merenja svakog
pojedinanog merenja biti manja od 2, ili drugim reima verovatnoa da e prava
vrednost ui u interval od ( x 2) jo uvek nije stopostotna, ve iznosi 95,44 %;
(2,14 + 13,59 + 34,13) % ili 49,86 % merenja e pasti u interval ( x - 3), zatim jo
49,86 % merenja e ui u interval ( x + 2), odnosno 99,72 % merenja e pasti u
interval od ( x 3), to znai da e u 99,72 sluajeva od 100 merenja greka merenja
svakog pojedinanog merenja biti manja od 3, ili drugim reima verovatnoa da e
prava vrednost ui u interval od ( x 3) skoro da je stopostotna i iznosi 99,72 %.
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.
Slika 11. Efekat standardne devijacije () na izgled Gausove krive
2.2.9. Studentova ili t raspodela

U poglavlju 2.1.2. Populacija, uzorak, proba i oprobavanje objanjena je razlika izmeu
populacije i uzorka. Onda kada se radi sa velikim brojem proba ili sa velikim brojem
analitikih rezultat koristi se uobiajeni izraz za standardnu devijaciju () koji se bazira na
normalnoj raspodeli koja se opisuje Gausovom funkcijom za normalnu raspodelu. Na alost,
nije uvek mogue nainiti tako veliki broj merenja ili sakupiti tako veliki broj proba da bi se
sa veoma visokom pouzdanou dati uzorak (set proba ili set merenja) izjednaio sa
populacijom. Jo iz to, pokazalo se da statistika koja se odnosi na populaciju daje neke druge
rezultate od statistike za dati uzorak koji vodi poreklo iz te populacije. Te su razlike bile
utoliko vee ukoliko je broj proba ili merenja bio manji. Uzrok tome bila je smanjena
reprezentativnost broja merenja ili proba za datu populaciju, a to je naravno imalo za
posledicu da su sluajne greke odstupale od zakonitosti normalne raspodele i u takvim
sluajevima se povinovale nekoj drugoj verovatnoi koja se naziva Studentova ili t raspodela,
a ne normalna raspodela.
Sutina t raspodele je ta to se kod malog broja merenja ili za mali broj proba distribucija
greke irila vie lateralno i nagomilavala se na marginama krive raspodele (vidi krive na slici
12 a). Pored toga Studentova raspodela se razlikuje za veoma mali broj merenja od relativno
Ivan Greti, HF 14
___________________________________________________________________________
velikog i pribliavala se po svojim karakteristikama normalnoj raspodeli sa porastom broja
merenja, odnosno proba (krive na slikama 12 a - f).
(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:
( xi x )
k=

gde su: ( xi - x ) odstupanja (devijacija) za i-to merenje, standardna devijacija pojedinanog
merenja. Kako su vrednosti za ( xi - x ) i za u jedinicama u kojima je vreno merenje, to je
kolinik k neimenovan broj.
U sluaju da je potrebno odrediti koji je to interval levo i desno od srednje vrednosti koji e
obuhvatiti 95 % svih merenja onda posle sloenog matematikog postupka proizilaze
vrednosti za k koje mnoe (k*), a koje se vide na slikama 12 a f i koje su prepoznatljive
za normalnu raspodelu jer uvek definiu interval od 1,96 . To isto znai da e samo 5 %
merenja imati greku veu od 1,96 . Kod studentove raspodele umnoak k zavisi od broja
merenja ili proba. Tako, na primer, za tri merenja u Studentovoj raspodeli interval od 3,19
garantuje da e se u njemu nai 95 % svih merenja, za pet merenja 95 % interval pouzdanosti
iznosi 2,27 , a za trideset merenja 2,05 to se znatno pribliilo vrednosti za normalnu
raspodelu.
Ivan Greti, HF 15
___________________________________________________________________________
Pojednostavljenim jezikom moe se tumaiti da set sa malim brojem merenja ili proba, do pet,
poseduje visok stepen verovatnoe da sva ta merenja imaju velika odstupanja, odnosno da
imaju veliku greku. Sa porastom broja merenja (proba), od pet pa navie, verovatnoa
pojavljivanja velike greke bitno opada (slika 13), odnosno raste verovatnoa da se dobijena
srednja vrednost znaajnije priblii pravoj vrednosti.
A
Slika 13. Relativna greka * 100 u
A
funkciji od broja merenja N.
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.
Slika 14 a. Interval koji e obuhvatiti 50 % Slika 14 b. Interval koji e obuhvatiti 80 %
Ivan Greti, HF 16
___________________________________________________________________________
svih merenja. svih merenja.
Slika 14 c. Interval koji e obuhvatiti 90 % Slika 14 d. Interval koji e obuhvatiti 95 %

svih merenja. svih merenja.
Slika 14 e. Interval koji e pouzdano Slika 14 f. Interval koji e obuhvatiti 99 %

obuhvatiti 95 % svih merenja. Ostaje 5 % svih merenja.
(2,5% + 2,5%) merenja koji e imati greku
veu od 1,96 .
Tabela 1. Kritine vrednosti (k) za Studentovu simetrinu raspodelu greke

Traeni procenat
50 % 60 % 70 % 80 % 90 % 95 % 96 % 98 % 99 %
pouzdanosti
Verovatnoa
0,5 0,4 0,3 0,2 0,1 0,05 0,04 0,02 0,01
pojavljivanja greke
Br. merenja (N)
1 1,000 1,376 1,963 3,078 6,314 12,71 15,89 31,82 63,66
2 0,816 1,061 1,386 1,886 2,920 4,303 4,849 6,965 9,925
3 0,765 0,978 1,250 1,638 2,353 3,182 3,482 4,541 5,841
4 0,741 0,941 1,190 1,533 2,132 2,776 2,999 3,747 4,604
5 0,727 0,920 1,156 1,476 2,015 2,571 2,757 3,365 4,032
6 0,718 0,906 1,134 1,440 1,943 2,447 2,612 3,143 3,707
7 0,711 0,896 1,119 1,415 1,895 2,365 2,517 2,998 3,499
8 0,706 0,889 1,108 1,397 1,860 2,306 2,449 2,896 3,355
9 ,703 0,883 1,100 1,383 1,833 2,262 2,398 2,821 3,250
Ivan Greti, HF 17
___________________________________________________________________________
Traeni procenat
50 % 60 % 70 % 80 % 90 % 95 % 96 % 98 % 99 %
pouzdanosti
Verovatnoa
0,5 0,4 0,3 0,2 0,1 0,05 0,04 0,02 0,01
pojavljivanja greke
Br. merenja (N)
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 0,694 0,870 1,079 1,350 1,771 2,160 2,282 2,650 3,012
14 0,692 0,868 1,076 1,345 1,761 2,145 2,264 2,624 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 0,688 0,861 1,066 1,328 1,729 2,093 2,205 2,539 2,861
20 0,687 0,860 1,064 1,325 1,725 2,086 2,197 2,528 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 0,685 0,857 1,059 1,318 1,711 2,064 2,172 2,492 2,797
25 0,684 0,856 1,058 1,316 1,708 2,060 2,167 2,485 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 0,683 0,854 1,055 1,310 1,697 2,042 2,147 2,457 2,750
40 0,681 0,851 1,050 1,303 1,684 2,021 2,123 2,423 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 0,677 0,845 1,042 1,290 1,660 1,984 2,081 2,364 2,626
1000 0,675 0,842 1,037 1,282 1,646 1,962 2,056 2,330 2,581
0,674 0,841 1,036 1,282 1,645 1,960 2,054 2,326 2,576
2.2.10. Uticaj broja merenja na standardnu devijaciju pojedinanog merenja

Koristei se iskustvima iz Studentove raspodele ustanovljeno je da je za broj merenja (ili
proba) manji od 30 mnogo bolje koristiti posebnu formulu za standardnu devijaciju koja se
dobro uklapa u Studentovu raspodelu, a koja glasi:
(x i x )2
s= i =1
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
___________________________________________________________________________
Studentova raspodela govori o raspodeli greke, a standardna devijacija uzorka (s) o njenoj
veliini. To znai da pri prikazivanju intervala poverenja za neki set merenja treba koristiti u
tabeli 1 onaj red koji odgovara stvarnom broju merenja (N), a standardnu devijaciju
izraunavati sa (N-1).
2.2.11. Standardna devijacija srednje vrednosti

Kada se neka populacija uzorkuje u vie navrata, pri emu svaku uzorak predstavlja set od
vie merenja tada svaki set ima svoju srednju vrednost. Te srednje vrednosti nisu meusobni
jednake. to je vei broj uzoraka (setova merenja) to e se ove srednje vrednosti distribuirati
oko prave vrednosti u skladu sa zakonitostima po kojima se distribuiraju sva pojedinana
merenja oko svojih srednjih vrednosti. Svoenjem sloenog matematikog postupka
standardna devijacija srednje vrednosti (ssv) moe se predstaviti vrlo jednostavnom formulom:
s2 s
Standardna devijacija srednje vrednosti = s sv = =
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
___________________________________________________________________________
2. Primenjuju se druge statistike metode za odreivanje statistikih parametara koje su
karakteristine za nesimetrine ili deformisane raspodele.
2.2.14. Odbacivanje merenja sa velikom grekom

Postoje dva naina da se odbace merenja sa velikom grekom. Prvi je onaj koji se odnosi na
direktno prepoznavanje neuobiajene vrednosti u laboratoriji i koji zahteva da se proba koja je
dala datu vrednost ponovo pripremi i meri ili da se jednostavno merenje ponovi. Drugi nain
se odnosi na korienje robustnih statistikih metoda.
Kako e se statistiki prepoznati merenje sa velikom grekom? Postoje dve proste metode da
sa ovakva merenja prepoznaju, a to su: test z rezultata i modifikovani test z rezultata.
Test z rezultata se zasniva na sledeoj formuli:
| xvg x |
z=
s
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:
| x vg x |
zm =
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
___________________________________________________________________________
2. Numerika vrednost za detekcijoni limit1 se koristi umesto dobijene vrednosti i
prikazuje se kao < DL (manje od DL). U ovakvim sluajevima postoji opasnost da se
ovakvi rezultati precene u daljim razmatranjima, ime se znatno uveava nepoznata
realna vrednost. Kako se ovakva merenja uzimaju u obzir ona utiu na srednju
vrednost i standardnu devijaciju.
3. Polovina vrednosti za detekcioni limit se koristi umesto dobijene vrednosti ukoliko se
ne raspolae sa nekom drugom vrednou koja je ustanovljena nekom drugom
metodom.
4. Izraunava se procenjena vrednost na bazi sledee formule: Procenjena vrednosat =
(100%-A)* DL, gde je: A procenat broja merenja od ukubnog broja merenja koja se
nalaze ispod DL. Ako je, na primer, 6 merenja od ukupno 20 merenja ispod DL, tada
je Procenjena vrednost = (100-30)*DL = 70% od DL.
5. Umesto dobijene vrednosti stavlja se nula. U ovakvim sluajevima postoji opasnost da
se ovakavi rezultati podcene u daljim razmatranjima, ime se znatno umanjuje
nepoznata realna vrednost. Kako se ovakva merenja uzimaju u obzir ona utiu na
srednju vrednost i na standardnu devijaciju.
2.2.16. Jedan konkretan primer

Set od pet laboratoriskih merenja, koja se odnose na sadraj Fe u sfaleritu (ZnS), neophodno
je statistiki obraditi. Sadraj je iskazan arbitranim jedinicama. Statistika obrada je izvrena
prema opisu i preporukama teksta koji prethodi, a rezultati su izloeni u tabeli 2.
Tabela 2. Sumarna tabela statistikih vrednosti za set od 5 merenja iskazanih u arbitranim

jedinicama
Rezultati Uredjena
Br. merenja | xi - x | ( xi - x ) 2 z zm
merenja merenja
1 2,98 2,98 1,14 1,30 0,71 1,42
2 3,42 3,32 0,80 0,64 0,50 1,00
3 3,32 3,42 0,70 0,49 0,43 0,88
4 3,94 3,94 0,18 0,03 0,11 0,23
5 6,95 6,95 2,83 7,99 1,75 3,53
20,61 20,61 5,66 10,47

x 4,12
1,13
M 3,42 0,80
s 1,62
1,45
ssv 0,72
Varijansa (s2) 2,62
Varijansa (2) 2,09
1
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
___________________________________________________________________________
Dobijena merenja pokazuju da je sadraj Fe neujednaen i da je jedno od merenja (6,95)
suvie veliko i da se ne uklapa u dati set. Iskustvo je pokazalo da Fe u sfaleritu moe da bude
nehomogeno rasporeeno, ali ovako velike fluktuacije nisu poznate, dakle, treba odrediti da li
je ovo merenje za odbacivanje.
Broj merenja je mali, svega pet i znatno je manj od 30, dakle, statistika e se raditi prema t
raspodeli, a ne prema normalnoj raspodeli.
Iz tabele 2 koristie se samo osenene vrednosti jer one predstavljaju rezultate koji su validni i
baziraju se na Studentovoj raspodeli.
Srednja vrednost ( x ) iznosi: 4,12.
Standardna devijacija (s) za uzorak od 5 merenja iznosi: 1,62.
Standardna devijacija srednje vrednosti (ssv): 0,72.
Varijansa (s2) za uzorak od 5 merenja iznosi: 2,62.
Analizirajui date vrednosti moe se zakljuiti da su prve 4 vrednosti prihvatljive, a da je peta,
na bazi modifikovanog testa z rezultata za odbacivanje jer je za to merenje zm > 3,5.
Poto je peto merenje odbaeno neophodno je uraditi novu statistiku obradu preostalih etiri
merenja (tabela 3).
Tabela 3. Sumarna tabela statistikih vrednosti za set od 4 merenja iskazanih u arbitranim

jedinicama
Rezultatim Uredjena
Br, merenja | xi - x | (xi - x )2 z zm
erenja merenja
1 2,98 2,98 0,44 0,19 1,09 1,64
2 3,42 3,32 0,10 0,01 0,24 0,36
3 3,32 3,42 0,01 0,00 0,01 0,02
4 3,94 3,94 0,53 0,28 1,32 1,98
13,66 13,66 1,08 0,48

x 3,42
0,27
M 3,37 0,27
s 0,40
0,34
ssv 0,20
Varijansa (s2) 0,16
Varijansa (2) 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 Stepen pouzdanosti 50 Stepen pouzdanosti 95 Stepen pouzdanosti 99
Ivan Greti, HF 22
___________________________________________________________________________
% % %
N=4
x = 3,42
s = 0,40
k (iz tabele 1) 0,741 2,776 4,604
x k*s 3,42 0,30 3,42 1,11 3,42 1,84
Interval za k*s Od 3,12 do 3,72 Od 2,31 do 4,52 Od 1,58 do 5,26
ssv = 0,20
ta govore podaci iz tabele 4.

Prvo, ako se eli da ustanovi stepen pouzdanosti od svega 50 % onda srednja vrednost
3,42 u intervalu od 3,12 do 3,72 garantuje da e samo 50 % mernih vrednosti pripadati
tom intervalu, odnosno da postoje jo uvek neke druge vrednosti koje su vee ili manje od
srednje vrednosti, ali koje ne ulaze u dati interval. Za stepen pouzdanosti od 95 % taj
interval je znatno iri, od 2,31 do 4,52, a to znai da je sigurnost zamene prave vrednosti
srednjom vrednou relativno mala, dakle, pojava greke u samoj srednjoj vrednosti je
vrlo verovatna, standardna devijacija srednje vrednosti to govori jer iznosi 0,20 arbitranih
jedinica.
Drugo, mali broj merenja (svega 4 prihvatljiva merenja) na bazi Studentove raspodele ima
po pravilu lou statistiku. Evo dokaza, da je data srednja vrednost posledica 100 merenja,
tada bi za stepen pouzdanosti od 95 % interval oko srednje vrednosti bio 1,984s, a ne
sadanjih 4,604s.
2.2.17. Grafiko prikazivanje rezultata

Pitanje prikazivanja rezultat merenja jeste uvek otvoreno i ne moe se univerzalno reiti jer
svaki istraiva moe da ima svoje specifine zahteve po pitanju grafikog predstavljanja
merenja i odgovarajue statistike. U principu za grafiko predstavljanje bitne su sledee
veliine: pojedinane vrednosti, srednja vrednost, medijana, kvartili, standardna devijacija
pojedinanog merenja i standardna devijacije srednje vrednosti, minimalna i maksimalna
vrednost, itd.
Obino se statistike vrednosti crtaju sa takama, kuicama i graninicima kako je to
prikazano na slici 15. Vrednosti ispod i iznad graninika i ne moraju da se crtaju. Naravno,
ovo nije jedini nain prikaza rezultat. Posebno je vano sagledati kako su postavljene
vrednosti za kuicu koja definie ui interval verovatnoe pojavljivanja mernih vrednosti.
Prve dve naspramne stranice kuice mogu biti definisane, na primer, kvartilima (nedajte se
zbuniti, druge dve naspramne strane kuice nemaju nikakvo znaenje), a graninici nekim
drugim vrednostima koje definiu iri interval, na primer, minimalna i makslana vrednost.
Simetrina (normalna raspodela) Nesimetrina (deformisana) raspodela
Ivan Greti, HF 23
___________________________________________________________________________
Merene vrednosti: 1, 4, 9, 12, 16, 23, 24
x = 12,7
M = 12
S = 8,9
Ssv = 4,8
x + S = 12,7 + 8,9 = 21,6
x - S = 12,7 - 8,9 = 3,8
Prikaz minimalne i maksimalne vrednosti sa

srednjom vrednou
Interkvartilni raspon (IKR) = interval koji

Prikaz srednje vrednosti sa standardnom obuhvata 50% svih merenja (razlika izmeu
devijacijom III i I kvartila)
Slika 15. Grafiki prikaz rezultata i korespondentne greke
3. VARIJANSA
Varijansa je prosto mera koja opisuje koliko su neka merenja rasejana oko srednje vrednosti.
Ako su sva merenja u jednom setu tesno okupljena oko srednje vrednosti, znai da imaju male
devijacije, tada e varijansa biti mala (slike 16, 17 i 18). Nasuprot tome, ako su merenja dosta
udaljena od srednje vrednosti tj, ako su devijacije velike, onda je i varijansa velika.
Slika 16. Ako su sva Slika 17. Ako su sva Slika 18. Velika i mala
merenja u jednom setu tesno merenja u jednom setu varijansa za dva seta
okupljena oko srednje rasejana, znai da imaju merenja
vrednosti, znai da imaju velike devijacije, onda je i
male devijacije, tada e varijansa velika.
varijansa biti mala.
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
___________________________________________________________________________
N
(x i x)
Varijansa populacije = = 2 i =1
N
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
(x i x)
Varijansa uzorka = s =2 i =1
N 1
3.1. ANALIZA VARIJANSE

Analiza varijanse se popularno obeleava u strunim krugovima akronimom ANOVA koji
vodi poreklo od engleskog naziva ANalysis Of VAriance. Postoji mnogo formi analize
varijanse meu kojima su:
Jesdnosmerna analiza varijanse za nezavisne vrednosti,
Jesdnosmerna analiza varijanse za zavisne vrednosti,
Dvosmerna analiza varijase,
Viestruka naliza varijanse,
Viestruka analiza varijanse (MANOVA),
Analiza kovarijase (ANCOVA), itd.
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
___________________________________________________________________________
U sutini F kolinik je parametar koji opisuje odnos srednjih kvadrata izmeu grupa i unutar
grupe i koji otkriva odnos variajse meu grupama i varijanse u grupama.
A. Matrica podataka: Kako je ve reeno polazi se od nekoliko grupa ili setova podataka pri
emu svaku set (grupa) ima svoje elemente (podatke) koje sve zajedno treba prikazati u
okviru jedne zajednike matrice (osenen deo u tabeli 5) u kojoj e se svaka grupa indeksirati
sa j, a svaki element grupe indeksirati sa i. Koristei indekse zaista je mogue sakupiti sve
podatke u zajedniku matricu, a da se podaci ne pomeaju, s obzirom da se oznaavaju sa xij,
to znai da svaki element matrice ima tano definisano mesto popitanju poloaja u grupi i po
pitanju grupe. Da bi objanjenja bila razumljivija svim elementima matrice bie dodeljene
neke vrednosti.
Tabela 5. Matrica vie grupa podataka (oseneni deo)

Indeksi i i j I grupa (j = 1) II grupa (j = 2) III grupa (j = 3)
i=1 X11 = 3 X12 = 2 X13 = 5
i=2 X21 = 4 X22 = 3 X23 = 7
i=3 X31 = 5 X32 = 4 X33 = 6
i=4 X41 = 6 X42 = 2 X43 = 4
i=5 X51 = 4 X52 = 0 X53 = 5
i=6 X61 = 3 X62 = 2 X63 = 6
i=7 X71 = 2 X72 = 3 X73 = 5
i=8 X81 = 5 X82 = 2 X83 = 4
i=9 X92 = 1 X93 = 3
i = 10 X102 = 1
Deskriptivni statistiki podaci koji se baziraju na elementima iz tabele 5 dari su tabeli 6.
Tabela 6. Deskriptivni statistiki podaci za tabelu 5

I grupa (j = 1) II grupa (j = 2) III grupa (j = 3)
x 4,00 2,00 5,00
(xi - x )2 12,00 12,00 12,00
xi 32 20 45
x2i 144 48 237
s 1,309 1,155 1,225
s2 1,714 1,333 1,500
Srednja vrednost za celu matricu iznosi x = 3,59.

Standardna devijacija za celu matricu iznosi s = 1,760.
Varijansa za celu matricu iznosi s2 = 3,097.
Kako se vidi u ovom primeru standardna devijacija za celu matricu je vea od bilo koje
standardne devijacije po grupama kao to je i varijansa za matricu vea od bilo koje varijanse
po grupama. Bez svake sumnje parametri za celu matricu ne odraavaju srednje vrednosti za
pojedinane grupe, namee se zakljuak da je neophodna statistika obrada podataka izmeu
grupa na prikladniji nain, a to upravo radi analiza varijanse.
B. Zbir kvadrata pojedinanih vrednosti: Svaki elemenat matrice treba kvadrirati i sve to
zajedno sabrati prema sledeoj formuli:
Ivan Greti, HF 26
___________________________________________________________________________
Zbir kvadrata pojedinanih vrednosti = x

i j
2
ij
Pojedinane vrednosti nalaze se u matrici pa e se dobiti sledee:

xij2 = 32+ 42 +52 +62 +...+ 52 +42 +32 = 429
i j
C. Kvadrat zbira pojedinanih vrednosti podeljena sa brojem elemenata matrice: Ovde

prvo treba sve elemente iz matrice sabrati i potom dobijeni rezultat kvadrirati. Zatim drugo to
treba uraditi je da se dobijeni rezultat podeli sa brojem elemenata matrice. Broj elemenata
matrice (N) se lako dobija sabiranjem elemenata svakog seta (N = nj).
2

Kvadrat zbira pojedinanih vrednosti = xij
i j
Pojedinane vrednosti nalaze se u matici pa e se dobiti sledee:

2

xij = 3 + 4 + 5 + 6 +...+ 5 + 4 + 3 = 972 = 9409

i j
U prvom setu ima 8, u drugom 10, a u treem 9 elemnata, to ukupno ini 27, pa je:
2

xij

Kvadrat zbira pojedinanih vrednosti podeljena sa brojem elemenata matrice =
i j
N
2

xij

i j = 9409 = 348,481
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 .
j
nj

xij 2 2 2
i = 32 + 20 + 45 = 128 + 40 + 225 = 393
j n 8 10 9
j

Za jednosmernu analizu varijanse znaajna su tri zbira koji e se dobiti kombinovanjem

prethodne tri jednaine koje su opisane u koracima B, C i D, a to su:
Ivan Greti, HF 27
___________________________________________________________________________
E. Ukupni zbir kvadrata (UZK) (jednaina iz koraka B jednaina iz koraka C).
F. Zbir kvadrata izmeu grupa (ZKIG) (jednaina iz koraka D jednaina iz koraka C);
G. Zbir kvadrata unutar grupe (ZKUG) (jednaina iz koraka B jednaina iz koraka D);
Ovde treba imati u vidu da se Zbir kvadrata unutar grupe (ZKUG) dobija kao razlika izmeu
ukupnog zbira kvadrata (UZK) i zbira kvadrata izmeu grupa (ZKIG) to daje konaan izraz
opisan kao: jednaina iz koraka B jednaina iz koraka D.
E. Ukupni zbir kvadrata (UZK): Ova vrednost se dobija iz razlike sume kvadrata
pojedinanih vrednosti i kvadrat sume pojedinanih vrednosti podeljena sa brojem elemenata
matrice (jednaina iz koraka B jednaina iz koraka C):
2

xij

USK = xij2 -
i j
i j N
97 2
USK = 429 - = 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

2

xij xij
ZKIG = i - i j
j
n j
N

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):
ZKUG = UZK ZKIG
xij
ZKUG = xij - i
2
i j j
nj

ZKUG = 80,519 44,519 = 36.

ili
ZKUG = 429 393 = 36.
Ivan Greti, HF 28
___________________________________________________________________________
Prethodne dve vrednosti: zbir kvadrata izmeu grupa (ZKIG) i zbir kvadrata unutar grupe
(ZKUG) su znaajne za F kolinik, ali ih treba jo doraditi i to sa brojem elemenata matrice
i brojem grupa.
Broj elemenata matrice (N): Lako se dobija sabiranjem elemenata svake grupe (N = nj), za
prvu grupu (j = 1) n1 = 8, za drugu grupu (j = 2) n2 = 10 i za treu grupu (j = 3) n3 = 9, to ini
ukupno N = 27.
Broj grupa (J): Ovaj broj odgovara najveoj vrednosti indeksa j.
H. Srednji kvadrat izmeu grupa (SKIG): Ova vrednost se izraunava tako to se zbir
kvadrata izmeu grupa (ZKIG) deli sa (J-1) grupa:
ZKIG
SKIG =
J 1
44,519
SKIG = = 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:
ZKUG
SKUG =
N 1
36
SKUG = = 1,5.
24
J. F kolinik: Ova vrednost se dobija kao kolinik srednjeg kvadrata izmeu grupa (SKIG) i
srednjeg kvadrata unutar grupa (SKUG):
Srednjeg kvadrata izmez grupa

F=
Srednjeg kvadrata unutar grupa
SKIG
F=
SKUG
22,26
F= = 14,84.
1,5
Jo jednom treba napomenuti da je opisani postupak komplikovan i da za njega danas postoji

niz komercijalnih raunarskih programa koji sadre celokupnu matematiku proceduru i ine
analizu varijanse lakom i pristupanom.
F kolinik je takva vrednost koja moe da ima vrednosti od nula pa do beskonanosti. F
kolinik je parametar koji otkriva odnos varijanse izmeu srednjih vrednosti grupa i varijanse
u grupama. Odnos ovih varijansi grafiki je ilustrovan na slikama 19 a d.
Ivan Greti, HF 29
___________________________________________________________________________
(a) (b)
Varijansa izmeu srednjih vrednosti: nema je Varijansa izmeu srednjih vrednosti: velika
Varijansa unutar grupa: velika Varijansa unutar grupa: velika
F kolinik: jako mali nema ga F kolinik: mali
(c) (d)
Varijansa izmeu srednjih vrednosti: velika Varijansa izmeu srednjih vrednosti: velika
Varijansa unutar grupa: promenljiva Varijansa unutar grupa: mala
F kolinik: osrednji 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
___________________________________________________________________________
su kritine vrednosti za F kolinik za stepen pouzdanosti od 95% ili sa verovatnoom
pojavljivanje greke manjom od 5%.
U konkretnom sluaju, za primer koji je obraivan u tekstu, broj elemenata matrice je N = 27,
a broj grupa 3, to znai da se za vrednosti F > 2,9604 moe tvrditi da su grupe razliitog
porekla, odnosno da je F < 2,9604 onda bi grupe bile vrlo verovatno poreklom iz iste
populacije.
Tabela 7. Kritine vrednosti za F kolinik za stepen pouzdanosti od 95% ili sa verovatnoom

pojavljivanje greke manjom od 5% ( p < 0,05)
Broj Broj grupa j
elemenata
matrice N 1 2 3 4 5 6 7 8 9 10
1 161,4476 199,5000 215,7073 224,5832 230,1619 233,9860 236,7684 238,8827 240,5433 241,8817
2 18,5128 19,0000 19,1643 19,2468 19,2964 19,3295 19,3532 19,3710 19,3848 19,3959
3 10,1280 9,5521 9,2766 9,1172 9,0135 8,9406 8,8867 8,8452 8,8123 8,7855
4 7,7086 6,9443 6,5914 6,3882 6,2561 6,1631 6,0942 6,0410 5,9988 5,9644
5 6,6079 5,7861 5,4095 5,1922 5,0503 4,9503 4,8759 4,8183 4,7725 4,7351
6 5,9874 5,1433 4,7571 4,5337 4,3874 4,2839 4,2067 4,1468 4,0990 4,0600
7 5,5914 4,7374 4,3468 4,1203 3,9715 3,8660 3,7870 3,7257 3,6767 3,6365
8 5,3177 4,4590 4,0662 3,8379 3,6875 3,5806 3,5005 3,4381 3,3881 3,3472
9 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 Broj grupa j

elemenata
matrice N 1 2 3 4 5 6 7 8 9 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
4. NESIMETRINE ILI DEFORMISANE RASPODELE

Ukoliko se za neki set merenja nedvosmisleno zakljui da ima nesimetrinu ili deformisanu
raspodelu merenja onda se mora biti krajnje oprezan u primeni metoda statistike obrade
ovakvih setova podataka. Srednja vrednost, varijansa i standardna devijacija, koje su pre
svega prilagoene normalnoj raspodeli, mogu da budu nepouzdani ili krajnje pogreni
parametri za karakterisanje ovakvih setova podataka. U ovakvim sluajevima mnogo
pozdanija alternativa su medijana i kvartili.
Medijana i kvartili se zgodno mogu grafiki prikazivati i to uz pomo kuica (box plot).
Tada se esto grafiki prikazuju minimalna i maksimalna vrednost celog seta merenja, prvi i
trei kvaril, kao i medijana (slika 20a). Interkvartilni raspon (IKR), koji se protee od I do III
kvarila obuhvata 50% svih merenja.
IKR Interkvartilni raspon

(a) Nesimatrina ili deformisana (b) Nesimatrina ili deformisana (c) Normalna
raspodela raspodela ili simetrina
raspodela
Slika 20. Razlika izmeu nesimatrine ili deformisane i normalne raspodela
Kod nesimetrinih raspodela neretko se pojavljuju neoekivano velike vrednosti za

maksimum ili minimum (slika 8a i 8b). Te vrednosti se mogu po neki put odbaciti, kao to se
to radi i u sluajevima normalne raspodele, ali po nekim drugim kriterijumima.
Sigurno odbacivane se moe vriti ako su neke vrednosti u setu merenja vee za 3 IKR od III
kvartila, odnosno ako su manje za 3 IKR od I kvartila.
Pored sigurno odbaenih vrednosti (puni kruii na slici 20b) postoje i potencijalne vrednosti
za odbacivanje (prazni kruii na slici 20b) koje se nalaze u intervalu od 1,5 IKR i 3 IKR s
Ivan Greti, HF 32
___________________________________________________________________________
gornje strane III kvartila ili s donje strane I kvartila. Ako se graninici u grafiku postave na
rasojanju od I i III kvartila na 1,5 x IKR (K1 1,5 IKR i K3 + 1,5 IKR) (slika 20b) tada se, u
zavisnosti od asimetrije (prema manjim ili prema veim vrednostima), potencijalne vrednosti
za odbacivanje mogu svrstati na one koje ulaze u interval od K3 do K3 + 1,5 IKR za
asimetrije prema manjim vrednostima (odnosno od K1 do K1 1,5 IKR za asimetrije prema
veim vrednostima) i one koje se nalaze unutar graninika. Sve ostale vrednosti se nalaze
izvan graninika, s tim to se izvan graninika mogu nalaziti vrednosti koje nisu odbaene, ali
i one koje su sigurno odbaene. Ukoliko graninici izlaze izvan okvira minimalne ili
maksimalne vrednosti, tada se umesto njih korste vrednosti za minimum ili maksimum.
Kao primer neka poslue dva seta podataka (merenja) B1 i B2:
Set B1 = {0,08; 0,10; 0,15; 0,17; 0,24; 0,34; 0,38; 0,42; 0,49; 0,50; 0,70; 0,94; 0,95;
1,26; 1,37; 1,55; 1,75; 3,20; 6,98; 50,57}
Set B2 = {0,11; 0,18; 0,23; 0,51; 1,19; 1,30; 1,32; 1,73; 2,06; 2,16; 2,37; 2,91; 4,50;
4,51; 4,66; 14,68; 14,82; 27,44; 39,41; 41,04}
Njihove vrednosti za medijanu, kvartile i graninike prikazane su na slici 21.
Set B1: 20 merenja

M = 0,60
K3 = 1,46
K1 = 0,29
IKR = K3 K1 = 1,17
1,5 IKR = 1,76
Gornji graninik = K3 + 1,5 IKR = 3,22
Donji granimik = K1 1,5 IKR = - 1,47
Kako u setu B1 nema manjih vrednosti od 0,08 umesto
izraunatog donjeg graninika ucrtava se minimalna vrednost.
Set B2: 20 merenja

M = 2,27
K3 = 9,67
K1 = 1,25
IKR = K3 K1 = 8,42
1,5 IKR = 12,63
Gornji graninik = K3 + 1,5 IKR = 22,3
Donji granimik = K1 1,5 IKR = - 11,38
Kako u setu B2 nema manjih vrednosti od 0,11 umesto
izraunatog donjeg graninika ucrtava se minimalna vrednost.
Slika 21. Prikaz asimetrinihsetova merenja putem njihovih medijana, kvartila i izraunatih
graninika
IKR interkvartilni raspon kod nesimetrinih (nenormalnih) raspodela po analogiji preuzima

ulogu standardne devijacije koju ona ima u normalnoj (simetrinoj) raspodeli iako se
matematiki bitno razlikuju.
Ivan Greti, HF 33
___________________________________________________________________________
Radi poreenja na slici 20c je dat primer sa normalnom raspodelom za veliki broj merenje. U
tom specijalnom sluaju IKR korespondira intervalu od 1,37 to je izraunato na bazi
podataka iz tabele 1: za traeni procenat pouzdanosti od 50% i npr. 20 merenja: k = 0,687,
odnosno 2k = 1,37. Po analogiji, medijana odgovara srednjoj vrednosti, a na slici 20c se ove
dve vrednosti upravo poklapaju.
4.1. RAZLIKA IZMEU MEDIJANE I SREDNJE VREDNOSTI

ODNOSNO KVARTILA I DEVIJACIJE
Za prethodno pomenute setove podataka B1 i B2 konstatovano je da su sainjeni od
elemenata koji su nesimetrino raspodeljeni, pa se zato na njih ne moe primeniti statistika
obrada karakteristina za normalnu raspodelu. Pa i pored toga, namerno e se uraditi postupak
obrade podataka kao za normalnu raspodelu da bi se uoile razlike izmeu medijane i srednje
vrednosti, odnosno I i III kvartila i standardne devijacije za traeni stepen pouzdanosti od
50% (1,37*s) kako bi se uoile razlike greke koje se pri tome prave (tabela 8), a zatim e se
te greke i prodiskutovati.
Tabela 8. Razlike izmeu medijane i srednje vrednosti, odnosno kvartika i devijacije

SET B1 SET B2
Medijana M = 0,60 Medijana M = 2,27
Srednja vrednost x = 7,07 Srednja vrednost x = 8,46
I i III Kvartil K1 = 0,29; K3 = 1,46 I i III Kvartil K1 = 1,25; K3 = 9,67
Standardna devijacija s s = 18,53 Standardna devijacija s s = 12,78
x - 1.37*s; x + 1.37*s 7,07-25.39; x - 1,37*s; x + 1,37*s 8,46-12,78;
7,07+25.39 8,46+12,78
x - 1.37*s; x + 1.37*s 0,08; 32,46 x - 1.37*s; x + 1.37*s 0,11; 21,24
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
___________________________________________________________________________
NAPOMENA: Rezultati merenja koja se ponavljaju i koja se vre sa ciljem da se to tanije
ustanovi veliina neke fizike vrednosti (visina, duina, teina, gustina, tvrdina...) najee se
i najlake svrstavaju u setove merernja sa normalnom raspodelom. Merenja koja se odnose na
praenje promena nekog mernog parametra u funkciji od vremena i/ili prostora (hemijski
sadraj, fazna ili stratifikovana raspodela...) mogu samo ponekad da se svrstaju u setove
merernja sa normalnom raspodelom, ali najee to nije mogue. Praenje sadraja korisne
rudne komponente, koncentracije zagaivaa, ili nekih drugih parametara sa nepredvidivom
raspodelom, odnosno zbog nemogunosti da se bilo koje merenje u setu merenja odbaci, ne
mogu se statistiki obraivati kao setovi merernja sa normalnom raspodelom, ve mnogo
ee kao setovi sa nesimetrinom raspodelom, a tada je rad sa medijanom i kvartilima mnogo
pravilniji i bezbedniji pristup obrade podataka.
5. KORELACIJA
Korelacija je mera uzajamne povezanosti izmeu dva seta merenja ili dve grupe podataka.
Mera uzajamne povezanosti izraava se korelacijonim koeficijentom. Korelacija moe biti
linerana ili nelinearna. U ovom tekstu obraivae se prosta ili linearna korelacija. Na poetku
je vrlo vano napomenuti da se primenom linearne korelacije na podatke koji su nelinearno
korelisani mogu izvesti vrlo pogreni zakljuci!
5.1. KOEFICIJENT KORELACIJE

Korelacija se iskazuje koeficijentom korelacije (r) koji se kree od -1, setovi se nalaze u
potpunoj obrnutoj srazmeri ili u negativnoj korelaciji, preko nule kada nema nikakve
korelacije, do +1 kada se setovi merenja nalaze u direktnoj srazmeri, odnosno u pozitivnoj
korelaciji.
Pozitivna korelacija znai da su velike vrednosti x serije asocirane sa velikim vrednostima y
serije i da su male vrednosti x serije asocirane sa malim vrednostima y serije. Negativna
korelacija znai da su male vrednosti x serije asocirane sa velikim vrednostima y serije i da su
velike vrednosti x serije asocirane sa malim vrednostima y serije.
Najrasprostranjeniji oblik korelacijone analize je prosta linearna korelacija. Ona se bazira na
metodi najmanjih kvadrata. Smisao ove metode jeste da se kroz set podataka ili mernih
vrednosti provue prava tako da zbir kvadrata rastojanja izmeu prave i pojedinanih mernih
vrednosti bude to manji. Prosti linearni korelacijoni koeficijent ili koeficijent korelacije (r) je
neimenovani broj i izraunava se na sledei nain:
[1N ( xi x )( yi y )]
rxy = , s tim to se sreivanjem ove jednaine dobija:
1N ( xi x ) 2 1N ( yi y ) 2
Nxi yi (xi )(yi )

rxy =
[ Nxi2 (xi ) 2 ][ Nyi2 (yi ) 2 ]
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
___________________________________________________________________________
Postavlja se pitanje koliko merenja treba posedovati da bi korelacija bila pouzdana? Odgovor
je tesno povezan sa izraunavanjem standardne devijacije, to je broj merenja u serijama koje
se koreliraju vei, to je korelacija pouzdanaija. Takoe se pokazalo da ako je mali broj
merenja (ispod 30) promena rezultat samo jednog merenja lako menja vrednost r, odnosno
dodatak ili odbacivanje jednog merenja ini to isto. Tek kada se broj podataka popne do 100
ovakve promene nemaju vidnog uticaja na koeficijent korelacije.
5.2. TUMAENJE LINEARNOG KEFICIJENTA KORELACIJE

Iako ne postoje tano propisane vrednosti mogue je definisati veliinu ili magnitudu
korelacije:
od -1,0 do -0,7 se definie kao jaka negativna korelacija,
od -0.7 do -0.3 se definie kao slaba negativna korelacija,
od -0.3 do +0.3 se smatra da nema korelacija,
od +0.3 do +0.7 se definie kao slaba pozitivna korelacija, i
od +0.7 do +1.0 se definie kao jaka pozitivna korelacija.
Kako grafiki izgledaju razliiti oblici linearne korelacije prikazano je na slikama 22 a f.
(a) Potpuna pozitivna korelacija (nema (b) Jaka pozitivna korelacija sa neznatnim
nikave disperzije podataka) meusobnim neslaganjem podataka
(c) Slaba pozitivna korelacija sa prisutnim

(d) Podaci bez ikakve korelacije
neslaganjem podataka
Ivan Greti, HF 36
___________________________________________________________________________
(e) Slaba negativna korelacija sa prisutnim (f) Jaka negativna korelacija sa neznatnim
neslaganjem podataka meusobnim neslaganjem podataka
Slika 22. Grafiki prikaz razliitih oblika linearne korelacije
5.2.1. Primer za linearnu korelaciju

Neka je odreivan sadraj Fe (y vrednosti) u sfaleritu na razliitim mestima (N = 20) i
razliitim dubinama od povrine kristala (x vrednosti) (tabela 9). Podaci koji su prikazani su
takvi da se ne moe lako sagledati da li postoji neki odnos ili korelacija izmeu dva seta
podataka: sadraja Fe i dubine (x i y). Da bi se to sagledalo najbolje je da se odredi koeficijent
korealacije koji e nam otkriti traeni odnos.
Tabela 9. Podaci o sadraju Fe u sfaleritu na razliitim dubinama od povrine kristala i

pratee vrednosti znaajne za izraunavanje korelacije
Br. merenja Dubina u m Sadraj Fe u %
xi*yi xi*xi yi*yi
(i) (xi) (yi)
1 68 4,1 278,8 4624 16,81
2 71 4,6 326,6 5041 21,16
3 62 3,8 235,6 3844 14,44
4 75 4,4 330 5625 19,36
5 58 3,2 185,6 3364 10,24
6 60 3,1 186 3600 9,61
7 67 3,8 254,6 4489 14,44
8 68 4,1 278,8 4624 16,81
9 71 4,3 305,3 5041 18,49
10 69 3,7 255,3 4761 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 62 3,3 204,6 3844 10,89
15 60 3,4 204 3600 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
___________________________________________________________________________
Br. merenja Dubina u m Sadraj Fe u %

xi*yi xi*xi yi*yi
(i) (xi) (yi)
1308 75,1 4937,6 85912 285,45
Koristei se formulom za izraunavanje koeficijenta korelacije i podataka iz tabele 5 dobijaju

se sledee vrednosti:
N = 20 xy = 4937,6 x = 1308 y = 75,1
x2 = 85912 y2 = 285,45
Na bazi prethodnih podataka i zamenom u gornjoj jednaini za izraunavanje koeficijenta

korelacije dobija se:
20 * 4937,6 1308 * 75,1
r=
( 20 * 85912 1308 * 1308) * ( 20 * 285,45 75,1 * 75,1)
521,2 521,2
r= = = 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).
Korelacija sadraja Fe i dubine

5
Sadraj Fe u %
Slika 23. Korelacija

4 sadraja Fe i dubine u m
3
50 60 70 80
Dubina u mikrometrima 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:
Z = (A+A) + (B+B) = (A+B) + (A+B)
Ivan Greti, HF 38
___________________________________________________________________________
i
Z = (A-A) + (B-B) = (A+B) - (A+B)
Ovi rezultati ukljuuju greku, ali koreliu +A i +B, odnosno A i B ime se dobija
nagori mogui sluaj za veliinu greke Z = (A+B).
Na primer, ako je A = 100 3, a B = 6 4 tada je Z = 106 7, s obzirom da je 3 + 4 = 7.
Onda kada greke nisu pozitivno korelisane, odnosno kada su rezultati meusobno nezavisni,
primenjuje se druga formula za izraunavanje kumulativne greke:
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.
Na primer, ako je A = 100 3, a B = 6 4 tada je Z = 106 5, s obzirom da je 32 + 4 2 = 5 .
6.1. IZRAUNAVANJE KUMULATIVNE GREKE

Polazei od prethodnog primera mogue je prouiti i generalno pravilo za izraunavanje
kumulatibne greke. Neka se koriste dve vrednosti A i B koji se koriste za dobijanje konanog
rezultat Z i neka postoji neka funkcionalna zavisnost (f) izmeu (A,B) i Z tada se moe
napisati da je Z = f(A,B), a formula za izraunavanje kumulativne greke glasi:
2 2
F F
Z = ( A) +
2
( B ) ,
2
A B
F F
pri emu se za sluaj sabiranja Z = A + B uzima da su = 1 i = 1. Kada se radi o
A B
F F
oduzimanju Z = A B onda su = 1 i = -1. Za sluaj proizvoda Z = A*B imamo
A B
F F
= A, pa sledi da je Z = B ( A) + A ( B ) , odnosno da je
2 2 2 2
da su = B i
A B
2 2
Z Z A B
= = + .
AB Z A B
2 2
0,3 0,4
Na primer, ako je Z = (100 0,3)*(6 0,4) onda je Z = 600 + = 600 40.
100 6
U sluaju da je Z = A2 tada se dobija sledei raun: (A A)2 = A2 2A A, odnosno ako je

A= 10 1, tada je A2 = (10 1)2 = 100 20.
U tabeli 10 dati su konani izrazi za izraunavanje kumulativne greke potujui prethodnu

optu formulu za razliite izraze u kojima je Z zavisno od jedne (A ili B vrednosti) odnosno
od obe vrednosti.
Ivan Greti, HF 39
___________________________________________________________________________
Tabela 10. Izraunavanje kumulativne greke za razliite izraze ili operacije

Matematika operacija Konana formula za izraunavanje kumulativne greke
Z=A+B Z = ( A) 2 + ( B ) 2
Z=AB Z = ( A) 2 + ( B ) 2
2 2
Z A B
Z = AB = +
Z A B
2 2
Z A B
Z = A/B = +
Z A B
Z = A2 Z = 2 AA
Z A
Z = nA =n
Z A
A
Z = lnA Z =
A
Z
Z = eA = 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

Analiticke Greske I Analiza Gresaka PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analiticke Greske I Analiza Gresaka PDF

Uploaded by

Copyright:

Available Formats

HEMIJA IVOTNE SREDINE II

ANALITIKE GREKE I STATISTIKA ANALIZA GREAKA

1.1. DEFINICIJA GREAKA

1.1.1. Apsolutna greka

1.1.2. Relativna greka

1.1.3. Sistematska greka

1.1.4. Sluajne greke

1.2. NESIGURNOST PRI MERENJU

Slika 1. Merenje duine sa dve

Slika 2. Precizan i netaan Slika 3. Precizan i taan

Slika 4. Taan i neprecizan Slika 5. Taan i precizan

1.5. PROMAENO MERENJE

Slika 6. Precizno sa jednim promaenim Slika 7. Neprecizno sa jednim promaenim

1.6. SIGURNE CIFRE

2. STATISTIKA ANALIZA GREKE

2.1.1. Verovatnoa i statistika

2.1.2. Populacija, uzorak, proba i oprobavanje

2.1.3. Odstupanje ili devijacija

2.2. DESKRIPTIVNA STATISTIKA

2.2.1. Setovi merenja i distribucija rezultata

(a) Nadesno ili pozitivno (b) Nalevo ili negativno

(c) Nedeformisana - simetrina (d) Simetrina bimodalna

esto su setovi merenja obimni, nepraktini za sveobuhvatno prikazivanje i zato se meu

2.2.2. Aritmetika srednja vrednost

Srednja vrednost se moe takoe definisati i kao najverovatnija vrednost u Gusovoj

2.2.3. Geometrijska srednja vrednost

Geometrijska srednja vrednost = n x1 * x2 * xi * xn

Ako su pojedinana merenja ista kao i u prethodnom sluaju tada je:

Vana osobina geometrijske sredine je da se na nju daleko manje odraavaju eksremne

2.2.6. Gausova ili normalna raspodela

Matematika funkcija Gausove normalne raspodela ( f g ) opisuje uestalost kojom se javlja

gde su: f g (x ) vrednost funkcije na y osi za datu devijaciju (x - x ), x merena vrednost,

2.2.7. Matematika transformacija deformisanih raspodela

Ako se matematikom transformacijom postigne eljeni efekat da se dobije normalna

2.2.8. Standardna devijacija pojedinanog merenja

Slika 11. Efekat standardne devijacije () na izgled Gausove krive

2.2.9. Studentova ili t raspodela

Iskustva su pokazala da se sa brojem od trideset merenja ili proba postie izjednaenost

Slika 14 a. Interval koji e obuhvatiti 50 % Slika 14 b. Interval koji e obuhvatiti 80 %

Slika 14 c. Interval koji e obuhvatiti 90 % Slika 14 d. Interval koji e obuhvatiti 95 %

Slika 14 e. Interval koji e pouzdano Slika 14 f. Interval koji e obuhvatiti 99 %

Tabela 1. Kritine vrednosti (k) za Studentovu simetrinu raspodelu greke

2.2.10. Uticaj broja merenja na standardnu devijaciju pojedinanog merenja

2.2.11. Standardna devijacija srednje vrednosti

2.2.12. Znaajnost merenja

2.2.13. Test normalnosti

2.2.14. Odbacivanje merenja sa velikom grekom

2.2.16. Jedan konkretan primer

Tabela 2. Sumarna tabela statistikih vrednosti za set od 5 merenja iskazanih u arbitranim

20,61 20,61 5,66 10,47

Tabela 3. Sumarna tabela statistikih vrednosti za set od 4 merenja iskazanih u arbitranim

13,66 13,66 1,08 0,48

Kako Studentova raspodela ne koristi , ve s vrednosti, to e se u tabeli 4 analiza greke

Tabela 4. Sumarna tabela analize greke za set merenja obraen u tabeli 3.

ta govore podaci iz tabele 4.

2.2.17. Grafiko prikazivanje rezultata

Simetrina (normalna raspodela) Nesimetrina (deformisana) raspodela

Prikaz minimalne i maksimalne vrednosti sa

Interkvartilni raspon (IKR) = interval koji

Slika 15. Grafiki prikaz rezultata i korespondentne greke

3.1. ANALIZA VARIJANSE

3.1.1. Jednosmerna analaiza varijanse za nezavisne vrednosti

Tabela 5. Matrica vie grupa podataka (oseneni deo)