Proračun mjerne nesigurnosti

u skladu sa međunarodnim uputstvom za iskazivanje mjerne nesigurnosti

Guide to the Expression of Uncertainty in Measurement -BIPM.
Rezultat mjerenja nije moguće kvantitativno izraziti bez određene sumnje u njegovu
vrijednost, jer svaki rezultat realnog mjerenja sadrži u sebi određenu nesigurnost (sumnju), što
znači da je stvarna vrijednost mjerene veličine samo teoretski pojam i ne može se odrediti
mjerenjem. Općenito je rezultat mjerenja, i pored eliminiranja utvrđenih sistematskih grešaka,
samo približenje ili procjena stvarne vrijednosti mjerene veličine te je potpun samo onda kada
ga prati iskaz o nesigurnosti te procjene. Uzroci mjernih nesigurnosti mogu biti vrlo brojni i
po pravilu se svi ne mogu uzeti u obzir, a u principu se sastoje od preostalih nepoznatih
sistematskih grešaka i grešaka nastalih usljed slučajnih djelovanja. Nesigurnost mjerenja
reflektuje nedostatak znanja o vrijednosti mjerene veličine.
Rezultat mjerenja je kompletan samo ukoliko ga prati kvantitativna izjava o njegovoj mjernoj
nesigurnosti. Mjerna nesigurnost je parametar, pridružen rezultatu mjerenja, koji karakterizira
disperziju vrijednosti koja bi razumno mogla da se pripiše mjerenoj veličini.
Parametar može da bude standardna devijacija ili njen umnožak. Mjerna nesigurnost je
kvantifikacija sumnje u rezultat mjerenja.
Osnovni izvori koji mogu da doprinesu mjernoj nesigurnosti su:
− korišteni referentni etaloni i materijali (nesavršenost etalona, referentnih materijala i
mjerne opreme);
− primijenjena metoda (nepotpuna definicija ispitivanja, nepotpuna definicija mjerene
veličine, nesigurnost u postavci mjerenja, sistematska greška, itd.);
− upotrijebljena oprema (rezolucija, osjetljivost, termičko širenje, itd.);
− uvjeti okoline;
− osobine i stanje uzorka;
− izvršioci.
Jedan od primarnih problema u mjeriteljstvu jeste kako procijeniti mjernu nesigurnost
rezultata mjerenja. Tradicionalne metode procjene mjerne nesigurnosti temeljile su se na
znanju i iskustvu osobe koja je provodila mjerenje. Za obradu i iskazivanje rezultata mjerenja
bila je primjenjivana klasična matematička disciplina, tzv. teorija grešaka. Načini obrade
rezultata nisu bili ujednačeni nego su ovisili od shvaćanja i stila pisanja autora pa je bilo teško
poređenje mjerenja iste vrste izvršenih u različitim institucijama.
Posljednja dva desetljeća uloženi su ogromni napori sa ciljem iznalaženja matematičkih
modela i općih pravila za proračun i iskazivanje mjerne nesigurnosti. Da bi se postigla
jednoobraznost u iskazivanju mjernih rezultata, vodeće institucije međunarodnog
metrološkog sistema publikovale su 1993. Uputstvo za iskazivanje mjerne nesigurnosti
(Guide to the Expression of Uncertainty in Measurement – GUM). Upustvo propisuje kako
da se obradom podataka odrede sljedeće tri veličine:
• Rezultat mjerenja, koga predstavlja srednja vrijednost ponovljenih mjerenja,
• Mjerna nesigurnost, izražena intervalom oko srednje vrijednosti u kome se očekuje da se
nalazi stvarna vrijednost mjerene veličine,
• Statistička sigurnost (vjerovatnoća) koja se odnosi na dati podatak o mjernoj nesigurnosti.

1
Prihvaćanjem međunarodnog dogovora za iskazivanje mjerne nesigurnosti omogućeno je
nedvosmisleno iskazivanje i usporedba mjernih rezultata dobivenih u različitim institutima,
metrološkim i ispitnim laboratorijama. U skladu s GUM-om, 1999. Evropska organizacija za
akreditaciju (European co-operation for Accreditation – EA) izdaje dokument EA-4/02:
Expression of the Uncertainty of Measurement in Calibration. Dok je GUM utemeljio opća
pravila za proračun i iskazivanje mjerne nesigurnosti sa svrhom da budu primjenljiva na
širokom spektru mjerenja, EA dokument koncentrirao se na metode koje se koriste u mjernim
laboratorijama, te nedvosmisleno opisao i uskladio način proračuna i iskazivanja nesigurnosti
rezultata mjerenja prema GUM-u.
U GUM-u se osim mjerne nesigurnosti koristi i klasični pojam greške mjerenja. Ona je
definisana kao razlika mjernog rezultata i istog rezultata dobivenog ponovnim mjerenjem
korištenjem mjerila koja se smatraju etalonskim, tj. predstavljaju raspoloživo mjerilo najvećeg
nivoa tačnosti. Od etalonskog instrumenta se očekuje da je pregledan u nacionalnom
metrološkom institutu i da samim time pripada lancu sljedivosti u međunarodnom
metrološkom sistemu.
U principu, kod svakog mjerenja potrebno je odrediti i saopćiti mjernu nesigurnost. Međutim,
greška mjerenja se određuje znatno rjeđe, prije svega kada za time postoje potrebe i
mogućnosti. Ukoliko je mjerna nesigurnost valjano određena, onda greška treba da se nalazi
unutar intervala mjerne nesigurnosti.
Koncept izražavanja mjerne nesigurnosti iznesen u GUM-u ima kao teorijsku podlogu isti
matematički aparat koji se koristi kod teorije grešaka. Međutim, metod iskazivanja mjerne
nesigurnosti je praktično orijentisan i može se dobro primijeniti u svim eksperimentalnim
mjerenjima. Nasuprot tome, teorija grešaka kao i svaka matematička disciplina polazi od
aksiomatskih pojmova, a to su slučajne i sistematske greške, koje se, kao idealizirane veličine,
ne javljaju u praksi. Prema teoriji grešaka, sistematske greške su posljedica utjecaja pojava
koje dovode do jednakih promjena izlazne veličine, kako po vrijednosti, tako i po predznaku.
Nasuprot tome slučajne greške su po svojoj prirodi nepredvidivo promjenljive, pa se mogu
analizirati isključivo statističkim metodama. Ovakve pretpostavke nisu ispunjene u stvarnim
mjerenjima. Naprimjer, jedna ista fizička veličina može izazivati kako slučajne tako i
sistematske greške. Naprimjer, brze fluktuacije temperature imaju za posljedicu efekte koji
odgovaraju slučajnim greškama. Međutim, sporije temperaturne promjene mogu stvarati
promjene koje odgovaraju sistematskim greškama. Sličan primjer, kada jedna veličina izaziva
i brze i spore promjene, je napon napajanja pojačala i mjernih mostova. Napon napajanja
dobiven iz mrežnog ispravljača ima i brze fluktuacije (tzv. talasnost), a također i spore
promjene koje ovise o temperaturi okoline i nestabilnosti mrežnog napona. Otuda, napon
napajanja istovremeno prouzrokuje i slučajne i sistematske greške.
Nasuprot idealizovanih pretpostavki teorije grešaka, pristup u iskazivanju mjerne nesigurnosti
dat u GUM-u je praktično orijentiran, tj. primjenljiv je u analizi realnih eksperimentalnih
rezultata. Pri iskazivanju mjerne nesigurnosti koriste se svi termini i cjelokupni matematički
aparat klasične statističke teorije. Drugim riječima, ne postoji posebna matematička teorija
isključivo namijenjena mjernoj nesigurnosti.
Međutim, uvedeno je više konvencija u koje spadaju i slijedeće:
• Mjerna nesigurnost označava se slovom u (eng. Uncertainty - nesigurnost);
• Svi vidovi mjerne nesigurnosti tretiraju se kao slučajne veličine. To znači da se svakom
podatku o nesigurnosti pridruži neka odgovarajuća funkcija raspodjele, a također i
vjerovatnost, odnosno statistička sigurnost datog podatka.
Među novim pojmovima, koji se koriste su i slijedeći:

2
• Standardna mjerna nesigurnost u, po definiciji jednaka je standardnom odstupanju, u =
s. Statistička sigurnost, koja odgovara standardnoj mjernoj nesigurnosti, ovisi od
raspodjele koja se pripisuje datom mjerenju. Na primjer u slučaju Gausove raspodjele,
intervalu poluširine jednog standardnog odstupanja, xs ± u, odgovara sigurnost od 68,2 %.
• Proširena mjerna nesigurnost U, predstavlja umnožak standardne mjerne nesigurnosti i
broja k, (koeficijent proširenja), tj. U = ku.
• Koeficijent proširenja k je broj čija je tipična vrijednost 2, ali se, ovisno od konvencije,
može kretati u intervalu od 3 do 3, ovisno o vrsti raspodjele.
Proširenoj mjernoj nesigurnosti odgovara visoka vrijednost statističke sigurnosti, tipično od
oko 95 % ili više. To znači da se sa velikom sigurnošću može očekivati da se stvarna
vrijednost mjerene veličine nalazi u intervalu xs ± U. Treba napomenuti da proizvođači
mjerne opreme u svojim katalozima daju intervale nesigurnosti koji predstavljaju proširenu
mjernu nesigurnost.
U praksi postoje mnogi mogući izvori mjerne nesigurnosti, a najčešće su to:
− površno određivanje mjerene veličine,
− nesavršeno ostvarivanje određivanja mjerene veličine,
− nesavršenost uzorkovanja,
− neodgovarajuće poznavanje djelovanja okolnih uvjeta na mjerni postupak ili nesavršeno
mjerenje okolnih uvjeta,
− osobna pristrasnost mjeritelja (očitanje analognog mjerila),
− razlučivanje mjerila ili prag osjetljivosti,
− vrijednosti pridružene mjernom etalonu,
− vrijednosti konstanti i drugih parametara dobivene iz vanjskih izvora koji se
upotrebljavaju u algoritmima za obradu podataka,
− približavanje i pretpostavke ugrađene u mjernu metodu i mjerni postupak, te
− promjene opetovanih opažanja mjerene veličine pod očigledno istovjetnim uvjetima.
Postoje dva osnovna tipa mjerne nesigurnosti:
mjerna nesigurnost tipa A (obuhvata one komponente koje mogu biti procijenjene na
osnovi statističke raspodjele rezultata serije mjerenja i karakterizira ih standardna
devijacija) i
mjerna nesigurnost tipa B (obuhvata one komponente čija se procjena zasniva na
iskustvu, profesionalnoj ocjeni ili ostalim informacijama).
Ova podjela je zasnovana isključivo na osnovi metoda određivanja, a ne na osnovi analize
fizičkih pojava, koji su predstavljali osnovu za podjelu na slučajne i sistematske greške u
klasičnoj teoriji grešaka. Ukoliko postoje mjerne nesigurnosti tipa A i tipa B, ili pak ako
postoje dvije ili više mjernih nesigurnosti tipa B, onda se koristi i kombinovana mjerna
nesigurnost.

Mjerna nesigurnost tipa A

Mjerna nesigurnost tipa A određuje se isključivo metodom statističke obrade rezultata
mjerenja. Iz ovoga slijedi da mjerna nesigurnost tipa A postoji samo ako se radi o mjerenju
koje je ponovljeno više puta. Rezultati ponovljenih mjerenja predstavljeni su uzorkom x1,
x2,..., xj,...,xn. Ukoliko su svi elementi uzorka ravnopravni, tj. ako su ponovljeni eksperimenti

3
izvršeni na istovjetan način i sa istovjetnom mjernom opremom, rezultat mjerenja dobiva se
kao srednja vrijednost uzorka:
1 n
x = x s = ∑ xi (1)
n i =1
Srednja vrijednost uzorka (aritmetička sredina) predstavlja slučajnu veličinu čije je
standardno odstupanje dato izrazom
n
s 1 2
sx =
n
= ∑
n ( n − 1) i =1
xi − x ( ) (2)

koje je n puta manje od standardnog odstupanja elemenata uzorka

1 n
s= ∑ xi − x
n − 1 i =1
( ) 2
. (3)

Po definiciji, mjerna nesigurnost tipa A, uA, jednaka je standardnom odstupanju srednje

vrijednosti
n

∑(x − x )
2
i s
s i =1
u A = s xs = = . (4)
n n ⋅ ( n − 1)
Dakle, procjena nesigurnosti tipa A je slična evaluaciji slučajne greške u klasičnoj
metrologiji, to jest dobije se statističkom obradom većeg broja rezultata ponovljenih mjerenja,
što je detaljno opisano na kursu Električna mjerenja. Za statističku obradu rezultata u fizici i
tehnici kod dovoljno velikih uzoraka po pravilu se koristi Gausova raspodjela koja je
definirana funkcijom raspodjele
2
1  x− x 
− ⋅ 
1 2  s 
p(x ) = e . (5)
s 2π
Ako je broj uzoraka mjerenja relativno mali (n < 30) za statističku obradu koristi se
Studentova raspodjela.
t
x± ⋅s (6)
n

U pravilu se koristi faktor studentove raspodjele t95(n) za vjerovatnost 95 %, a on ovisi o

broju mjerenja. Svođenje procijenjenog standardnog odstupanja na nivo standardne
nesigurnosti izvodi se dijeljenjem s t–faktorom Studentove raspodjele.
Praktične okolnosti često onemogućavaju da se neko mjerenje ponavlja veći broj puta. Ako se
mjerenje izvrši samo jedanput ili pak manji broj puta, na primjer, dva ili tri puta, uzorak koji
je dobiven je suviše mali da bi se njegovom obradom došlo do pouzdanih statističkih
podataka. U cilju dobivanja mjerne nesigurnosti tipa A, također i onda kada se mjerenje
obavlja mali broj puta (n < 5), može se koristiti podatak koji se naziva objedinjena mjerna
nesigurnost. Do vrijednosti objedinjene mjerne nesigurnosti dolazi se na osnovi pregleda
instrumenta u nekoj ovlaštenoj metrološkoj laboratoriji. Pri ispitivanju instrumenta izvodi se
veća serija ponovljenih mjerenja na raznim opsezima ispitivanog instrumenta na temelju čega
se izračunava eksperimentalno njegovo standardno odstupanje, tj. standardna mjerna
nesigurnost tip A, uA. Ovaj podatak se saopštava korisniku pod nazivom objedinjena
standardna mjerna nesigurnost, uAo , i upisuje u uvjerenje o pregledu mjerila.
4
Ako korisnik izvrši samo jedno mjerenje ovjerenim instrumentom, on uz dobiveni rezultat xi,
daje kao mjernu nesigurnost tipa A vrijednost uAo. Ukoliko se radi o uzorku od tri mjerenja,
x1, x2, x3, za krajnji rezultat se usvaja srednja vrijednost xs = (x1 + x2 + x3)/3. Standardna
nesigurnost srednje vrijednosti je u A0 / n = u A0 / 3 s obzirom da se uzorak sastoji od n = 3
elementa. Objedinjena mjerna nesigurnost je dobivena na temelju višestruko ponovljenih
mjerenja, pa joj odgovara Gausova raspodjela.
Treba napomenuti da je ipak poželjno, ukoliko to praktični uvjeti omogućavaju, da
eksperimentator, umjesto korištenja objedinjene mjerne nesigurnosti, samostalno odredi
mjerne nesigurnosti tipa A višestrukim ponavljanjem mjerenja.

Mjerna nesigurnost tipa B

Prema definiciji datoj u GUM-u, mjerna nesigurnost tipa B određuje se svim ostalim
metodama, izuzev statističke analize. Mjerna nesigurnost tipa B se određuje neovisno od toga
da li se radi o pojedinačnim ili ponovljenim mjerenjima. Pojam korištenja svih ostalih metoda
podrazumijeva da skup tih metoda nije određen, nego da izbor metoda ovisi od potrebe i od
iskustva i znanja samog eksperimentatora. Valjano određivanje mjerne nesigurnosti tipa B,
posebno kada se radi o složenijim mjernim sistemima, predstavlja jedan od najtežih problema
u mjernoj tehnici. Za rješavanje problema treba imati potpuna saznanja o korištenoj mjernoj
opremi i o utjecaju parametara okruženja na mjernu opremu a također i na veličinu koja se
mjeri. Po pravilu, valjano određivanje mjerne nesigurnosti tipa B kod složenijih sistema, u
stanju je izvršiti samo eksperimentator s dubokim poznavanjem eksperimenta i sa
višegodišnjim iskustvom u datoj oblasti. Mjerna nesigurnost tipa B pod utjecajem bilo koje
veličine ima slučajni karakter, pa je moguće odrediti odgovarajuću vrijednost standardnog
odstupanja rezultata. Standardna mjerna nesigurnost, tipa B, uB, po definiciji, jednaka je
standardnom odstupanju usljed utjecaja date veličine. I kod mjerne nesigurnosti tipa B, kao i
kod svake veličine slučajnog karaktera, neophodno je odrediti odgovarajuću funkciju
raspodjele. Dok je kod mjerne nesigurnosti tipa A, po pravilu zastupljena Gausova raspodjela,
kod mjerne nesigurnosti tipa B mogu se javiti raznovrsne raspodjele, od kojih su neke
navedene u nastavku. Problem određivanja raspodjele, također, nema jednoznačne metode
rješavanja, već u velikoj mjeri ovisi od praktičnih okolnosti u eksperimentu. Zbog toga će
određivanje raspodjele biti diskutovano kroz određeni broj primjera.
Jedan od najvažnijih izvora podataka za određivanje mjerne nesigurnosti tipa B su katalozi i
priručnici koje proizvođači daju uz svoj instrument. Podaci o nesigurnosti mjerenja daju se za
pojedine mjerne opsege pri određenim parametrima okoline (raspon temperature, relativna
vlažnost i dr.). Podatke o nesigurnosti u proizvođačkim dokumentima, po pravilu treba
shvatiti kao proširenu nesigurnost. Drugi važan izvor saznanja o mjernoj nesigurnosti
predstavljaju podaci dobiveni nakon pregleda instrumenta u nekoj od akreditovanih
laboratorija, prije svega u nacionalnoj metrološkoj laboratoriji. Poznato je da instrumenti u
javnoj upotrebi, moraju biti prethodno pregledani na propisani način pomoću opreme više
klase tačnosti. Podaci u certifikatu dobivenom nakon pregleda, zajedno s eventualnim
dodatnim obavijestima stručnjaka koji su izvršili pregled, predstavljaju korisne izvore u
određivanju mjerne nesigurnosti tipa B.
Mjerna nesigurnost rezultata kod jednog eksperimenta određena je kako karakteristikama
instrumenata, tako i različitim sistematskim efektima koji se mogu podvesti pod pojam
transparentnost. U Međunarodnom rječniku osnovnih i općih pojmova u mjeriteljstvu pojam
transparentnost se definiše kao osobina instrumenta da pri mjerenju ne utječe na mjerenu
veličinu. Primjeri mjerne nesigurnosti izazvane netransparentnošću su brojni, među kojima se
mogu navesti slijedeći:
5
− voltmetar relativno male ulazne otpornosti izaziva snižavanje napona kada se priključi na
tačke između kojih se napon mjeri,
− ampermetar umetnut u strujni krug, uslijed vlastite otpornosti dovodi do sniženja struje
koja je prije toga postojala u toj strujnoj grani,
− kod dvožičnog mjerenja otpornosti nekog otpornika pomoću ommetra, otpornost
priključnog kabla se sabira sa mjerenom otpornošću što za posljedicu daje veću otpornost
od stvarne vrijednosti,
− kod mjerenja vrlo velikih otpornosti treba obratiti pažnju na šentirajući utjecaj paralelnih
parazitnih otpornosti uslijed kojih se dobiva manja vrijednost od stvarne.
Kod svake vrste mjerenja postoje specifični sistematski utjecaji koji se odražavaju na
nesigurnost mjerenja, tako da te utjecaje nije moguće nabrojati. Zadatak svakog metrologa je
da detaljno prouči mjerni problem kojim se bavi i da identificira sistematske utjecaje koji
utječu na rezultat u okviru postavljenog nivoa tačnosti. Ovdje se navodi još nekoliko primjera
sistematskih utjecaja na mjernu nesigurnost:
− kod termometarskih baždarenja ispitivanog termometra isti se postavlja u blizinu
etalonskog termometra, pri tome se pretpostavlja, da se nakon dužeg vremena, oba
termometra nalaze na istovjetnoj temperaturi, što u principu ne mora biti slučaj;
− kod instrumenata dolazi tokom vremena do postupnih promjena karakteristika, što se
naziva starenje. Otuda treba voditi računa o vremenu proteklom od posljednje provjere
instrumenta u cilju procjene mogućih promjena parametara navedenih u podacima o
pregledu instrumenta;
− postoji komponenta nesigurnosti pod utjecajem parametara okruženja kao što su promjene
temperature okoline, vlažnosti zraka, atmosferskog pritiska, stabilnosti napona napajanja i
dr;
− neophodno je provjeravati valjanost matematičkih algoritama korištenih u obradi
rezultata, utjecaj zaokruživanja pri izračunima i sl.
Većina laboratorijskih mjerenja ima tzv. statički karakter, to jest očitavanje se obavlja tek
nakon uspostavljanja stacionarnog stanja. Međutim, potpuna ustaljenost fizičkih veličina nije
ostvariva u praksi. Tokom prikupljanja podataka mjerena veličina i parametri okoline imaju
određenu brzinu promjene, pa se javljaju tzv. dinamičke greške mjerenja.

Funkcije raspodjele za proračun mjerne nesigurnosti tipa B

Jedna od osnovnih osobina koncepta mjerne nesigurnosti izražene u GUM-u je da se svakom
utjecajnom efektu pridruži neka funkcija raspodjele. U tom pogledu postoji jasna razlika
koncepta mjerne nesigurnosti u usporedbi s klasičnom teorijom grešaka. U teoriji grešaka,
funkcija raspodjele se pridružuje samo slučajnim grešakama, dok se sistematske greške
promatraju kao konstantne veličine. Međutim, u praksi nema smisla koristiti ono mjerilo koje
sistematski pokazuje veći ili manji rezultat od stvarnog. Zbog toga je, prije početka korištenja,
neophodno otkloniti sistematske greške, što se vrši postupkom kalibracije instrumenta.
Poželjno bi bilo da se sistematski efekti svedu na nulu. Međutim, idealno kompenziranje nije
izvodivo u praksi, jer uvijek ostaju izvjesni zaostali sistematski utjecaji koji se ne mogu do
kraja eliminirati. Naime, smanjivanje sistematskih efekata vrši se dotle dok preostali efekti ne
dobiju slučajni karakter.
Za razliku od mjerne nesigurnosti tipa A, kod koje je raspodjela Gausova (odnosno
Studentova), kod mjerne nesigurnosti tipa B mogu se javiti i neke druge vrste raspodjele. U

6
nastavku će biti objašnjene neke raspodjele koje se najčešće koriste kod određivanja mjerne
nesigurnosti tipa B kao što su pravougaona (ravnomjerna), trapezna i trokutasta raspodjela.
Ravnomjerna (pravougaona) funkcija gustoće raspodjele
U nedostatku podataka i eksperimentalnih iskustava, kao funkcija gustoće raspodjele se
uglavnom usvaja ravnomjerna (pravougaona) raspodjela. Ova raspodjela je jedna od najčešće
korištenih kod mjerne nesigurnosti tipa B.
Promatra se slijedeći primjer. Pomoću digitalnog mjerača dužine, rezolucije ∆L = 1 m,
odabrana je grupa traka, s dužinom od L0 = 100 m. Osnovno svojstvo svih digitalnih
instrumenata je da daju zaokruženu diskretnu vrijednost mjerene veličine. To istovremeno
znači da vrijednosti veličina izraženih istom cifrom nisu jednake. U ovom slučaju dužine
traka se međusobno razlikuju, ali istovremeno, sve one pripadaju intervalu L ∈ [L0 ± ∆L/2],
odnosno od 99,5 m do 100,5 m. Postavlja se pitanje koju funkciju gustoće raspodjele p(x)
treba pripisati populaciji ovakvih traka. Imajući u vidu da je svaka vrijednost unutar
ograničenog intervala podjednako vjerovatna, slijedi zaključak da je odgovarajuća gustoća
raspodjele ravnomjerna. Dijagram ravnomjerne gustoće raspodjele prikazan je na slici 1.
Raspodjela je određena srednjom vrijednošću x i poluširinom intervala a. Vrijednosti
( )
slučajne varijable x nalaze se sa sigurnošću u opsegu x ∈ x − a , x + a , pri čemu je svaka
vrijednost unutar intervala podjednako vjerovatna.
Imajući u vidu uvjet normiranosti funkcije gustoće raspodjele
∞ a

∫ p ( x ) dx = ∫ p ( x ) dx = 1
−∞ −a
(7)

funkcija gustoće ravnomjerne (uniformne) raspodjele dobije se kao

1
p(x ) = , x−a ≤ x ≤ x+a
2⋅a
(8)
p ( x) = 0 , svuda drugdje.

Slika 1. a) Ravnomjerna gustoća raspodjele b) Funkcija raspodjele vjerovatnoće F(x)

7
Varijansa ravnomjerne gustoće raspodjele (obilježava se nekad i sa σ 2 ), koja je jednaka
kvadratu standardnog odstupanja, dobiva se uvrštavanjem prethodne relacije kao
∞ x+a
2 1 2 a2
∫ ( x − x) p ( x ) dx = (
2 ⋅ a x∫−a
)
2
s = ⋅ x − x dx = . (9)
−∞
3
Standardno odstupanje, kao kvadratni korijen varijanse iznosi
a
s= = a ⋅ 0,577. (10)
3
Interval poluširine od jednog standardnog odstupanja sa centrom u srednjoj vrijednosti
prikazan je osjenčenom površinom na slici 1.a. Ova površina koja predstavlja vjerovatnost
nalaženja rezultata u intervalu polovične širine s, iznosi 1 3 = 57, 7% .
Funkcija raspodjele vjerovatnoće, koja se često zove i kumulativna funkcija vjerovatnoće
(slika 2b)) sastoji se od sljedeća tri segmenta:
− F(x) = 0, za x ≤ x – a,
− linearno rastući segment od x = x – a, pri čemu na sredini intervala x = x ima vrijednost
0,5, a na gornjoj granici x = x + a dostiže vrijednost 1.
− F(x) = 1, za x > x + a.
Tipični slučajevi u kojima se koristi ravnomjerna funkcija gustoće raspodjele su:
− Očitavanje na skali digitalnih instrumenata kada rezultati imaju istovjetne vrijednosti. U
tom slučaju je poluširina ravnomjerne raspodjele jednaka polovini rezolucije instrumenta.
− Posjeduju se nepotpune informacije, kao na primjer: kondenzatori jedne vrste u skladištu
imaju kapacitivnosti koje se kreću u intervalu od 1,3 µF do 1,5 µF. Kod ove informacije,
opravdano je usvojiti pretpostavku da kapacitivnosti imaju ravnomjernu raspodjelu
definiranu u intervalu (1,4 ± 0,1) µF.
− U pratećem dokumentu proizvođača instrumenta tvrdi se da je nesigurnost voltmetra
manja od 1,5% maksimalne vrijednosti Um. Ako ne postoje dodatna saznanja o
eventualnom grupiranju rezultata oko srednje vrijednosti, uobičajeno je pretpostaviti da će
rezultati pri nekoj određenoj vrijednosti mjerene veličine imati uniformnu raspodjelu sa
polovičnom širinom a = 0,015 · Um.
− Kada se raspolaže sa podacima o vrijednostima parametara nekog materijala (specifična
otpornost, gustoća, modul elastičnosti i sl.) koje mogu varirati u rasponu (xmin , xmax). Za
srednju vrijednost parametra se tada usvaja x = (xmin+ xmax)/ 2, pa je poluširina raspodjele
a = xmax – x = x – xmin.
− Kod analize brojeva dobivenih pomoću generatora slučajnih brojeva, kod ishoda igara na
sreću (loto, kocka za igru).
Primjer 1: U tablicama karakteristika nekog otpornika postoji podatak da se njegova
vrijednost kreće u rasponu 5,0.103 – 5,4.103 Ω. Odrediti standardnu nesigurnost ovog podatka.
Rješenje: U nedostatku detaljnijih podataka može se pretpostaviti da je svaka od vrijednosti
unutar navedenog intervala podjednako vjerojatna, što znači da se podatku o vrijednosti
otpornika pridružuje pravougaona gustoća raspodjele. Srednja vrijednost u tom slučaju iznosi

8
 x=
( Rmin + Rmax ) = 5, 2 ⋅103 Ω
2
a poluširina raspodjele

a=
( Rmax + Rmin ) = 0, 2 ⋅103 Ω
2
što istovremeno predstavlja i proširenu mjernu nesigurnost.
Standardna nesigurnost jednaka je standardnom odstupanju i iznosi
a
u=s= = a ⋅ 0,577 = 115, 47 Ω .
3
Trapezna funkcija gustoće raspodjele
Sa stanovišta praktične primjene, pravougaona raspodjela, prikazana na slici 1. ima kao svoj
nedostatak prekidne tačke na svojim krajevima, koje se u prirodi praktično ne pojavljuju.
Naime, kod kontinualnih veličina usljed fizičkih razloga nisu moguće idealno skokovite
promjene funkcije vjerovatnoće na graničnim tačkama x ± a . U prethodnom izlaganju dat je
primjer u kome je selekcija traka od 100 m vršena pomoću mjerača rezolucije 1 m. Donja
granična vrijednost pri kojoj se očitava 100 m trebalo bi da iznosi tačno 99,5 m. Međutim, u
praksi ova granična vrijednost ipak varira u izvjesnoj mjeri usljed utjecaja šumova i drugih
smetnji u pojačivačima ili u komparatorima analogno digitalnih pretvarača. Zbog toga se
povremeno događa da se vrijednosti od 100 m počinju sporadično očitavati i onda kada
stvarne otpornosti leže u intervalu od na primjer 99,3 m do 99,7 m. Na gornjoj granici
intervala, iz istih razloga 100 m će se sporadično dobivati pri vrijednostima od 100,3 m do
100,7 m. To znači da granice intervala nisu diskretne, što se najjednostavnije modelira tako
što se vertikalne granice pravougaone raspodjele zamjene linearnim nagibima, čime se od
pravougaone dobiva trapezna raspodjela koja je prikazana na slici 2.
Trapezna raspodjela je simetrična i ograničena u intervalu x ± a , gdje je x srednja vrijednost
raspodjele, a a poluširina. Gornja osnova trapeza 2b je manja od donje, pa se definiše odnos
β = b/a ≤ 1. Pri β = 1 trapezna raspodjela prelazi u pravougaonu, a pri β = 0 trapezna
raspodjela postaje trougaona. S obzirom na uvjet normiranosti, tj. uvjeta da površina trapeza
iznosi 1, dobija se da visina trapezne raspodjele iznosi
1 1 (11)
h= = .
( a + b ) a ⋅ (1 + β )
Varijansa kod trapezne gustoće raspodjele dobije se kao
∞
2 a2
∫( )
x − x ⋅ p ( x ) ⋅ dx = ⋅ (1 + β 2 )
2
s = (12)
−∞
6
pa je standardno odstupanje u ovom slučaju jednako

1+ β 2
s = a⋅ . (13)
6
Ako je trapezna gustoća raspodjele bliska pravougaonoj, tada je β ≈ 1 i standardno odstupanje
teži vrijednosti s ≈ a / 3 za pravougaonu raspodjelu.

9
 Slika 2. a) Trapezna funkcija gustoće raspodjele b) Funkcija raspodjele vjerovatnoće
Najmanja vrijednost standardnog odstupanja je u slučaju β ≈ 0 kada iznosi s ≈ a / 6 . Tada
je b = 0, pa trapezna gustoća raspodjele prelazi u trougaonu gustoću raspodjele.
Na slici 2a) prikazana je trapezna gustoća raspodjele sa sljedećim vrijednostima:
srednja vrijednost x = 12,5 ; poluširine a = 7,5 i b = 2,5 ; visina h =1/(a+b) = 0,1,
a na slici 2b) odgovarajuća funkcija raspodjele vjerovatnoće (kumulativna funkcija
vjerovatnoće), koja se sastoji od slijedećih pet segmenata:
− F(x) = 0, za x ≤ x – a,
− parabolični segment za x – a < x < x – b, (rastući nagib),
− linearno rastući segment za x – b < x < x + b, sa tačkom F ( x ) = 0,5,
− parabolični segment za x + b < x < x + a, (opadajući nagib), i
− F(x) = 1, za x > x + a.

Trougaona funkcija gustoće raspodjele

Trougaona funkcija gustoće raspodjele, slika 3a), definisana je, također, u ograničenom
intervalu kao ravnomjerna i trapezna raspodjela. Poluširina raspodjele je a, srednja vrijednost
x . Osovina trougaone raspodjele je veća skoncentrisanost rezultatata oko srednje vrijednosti
u odnosu na ravnomjernu i trapeznu raspodjelu. Budući da je površina trougla na slici 3
jednaka 1 (uvjet normiranosti funkcije raspodjele) dobija se da maksimum raspodjele iznosi
p( x )=1/a, što je dva puta više nego kod uniformne raspodjele iste širine.
Trougaona funkcija raspodjele definisana je izrazima

10
 p (x ) =
(
x− x−a), x−a ≤ x ≤ x
a2
x+a−x
p(x ) = , x≤ x≤ x+a (14)
a2
p (x ) = 0 , svuda drugdje

Slika 3. a) Trougaona funkcija gustoće raspodjele b) Funkcija raspodjele vjerovatnoće

Integraljenjem izraza (14) dobija se funkcija raspodjele vjerovatnoće koja ima četiri
segmenta:
F ( x ) = 0, x ≤ x − a ; F (x ) =
1
2⋅a
[ (
2
)] 2
⋅ x− x−a , x−a ≤ x ≤ x
(15)
1 x−x
F (x ) = +
2 2⋅ a2
( )
⋅ 2⋅a + x − x , x ≤ x ≤ x + a ; F (x ) = 1, x ≥ x + a

Na prvom paraboličnom segmentu (15.b) strmina se povećava a na drugom segmentu (15.c)

opada. Standardno odstupanje kod trougaone raspodjele, može se dobiti ili zamjenom izraza
(14) u (9), ili polazeći od standardnog odstupanja trapezne raspodjele (13), uz uvjet β = 0,
čime se dobiva
a
s= . (16)
6
Označena površina na slici 3, širine 2σ, prikazuje vjerovatnoću da se neki rezultat nalazi u
intervalu x ± s. Elementarnom geometrijskom analizom dobija se da ova površina
(vjerojatnoća) iznosi P ( x ± s) = 0,65 što je više nego kod odgovarajuće ravnomjerne

11
raspodjele kod koje odgovarajuća vjerojatnost iznosi 57,7 %. Ovo je logično s obzirom na
veću skoncentrisanost trougaone u odnosu na pravougaonu raspodjelu.
Trougaonu raspodjelu imaju slučajne veličine koje se dobivaju kao zbroj dvije veličine s
ravnomjernim raspodjelama jednake širine. Također, koristi se kada se iz iskustva zna da
postoji grupisanje mjernih rezultata oko srednje vrijednosti ali pri tome nisu zadovoljeni
uvjeti u dobivanja Gausove raspodjele.

Kombinirana mjerna nesigurnost

Kombinirana mjerna nesigurnost predstavlja rezultantnu vrijednost u slučaju kada nesigurnost
potječe od dvije ili više različitih komponenti. Kombinirana mjerna nesigurnost se koristi u
sljedeća dva slučaja:
− mjerna nesigurnost tipa A postoji, (izvršena je serija ponovljenih mjerenja) a također
postoji jedna ili više komponenti i mjerna nesigurnost tipa B (postoje saznanja o mjernom
sistemu),
− postoje dvije ili više komponenti mjerne nesigurnosti tipa B, a ne postoji mjerna
nesigurnost tipa A (jer mjerenje nije ponavljano).
Kao i kod mjernih nesigurnosti tipa A i B, i kod kombinirane mjerne nesigurnosti definiše se
standardna nesigurnost uC (koja ima smisao standardnog odstupanja) a također, i proširena
nesigurnost UC=k·uC, gdje je k faktor proširenja. Standardna kombinirana nesigurnost
izračunava se postojećim formulama na osnovi vrijednosti standardnih odstupanja
komponenti nesigurnosti. Međutim, znatno teži problem predstavlja određivanje funkcije
raspodjele kombinirane nesigurnosti, pa samim tim i određivanje faktora proširenja k.
Funkcija raspodjele kombinirane nesigurnosti dobija se kao konvolucija funkcija raspodjela
komponenata nesigurnosti. Neka su x1 i x2 dvije kontinualne slučajne promjenljive čije su
funkcije raspodjele f1(x1) i f2(x2), respektivno. Ako se promjenljiva y = x1 + x2 dobije
sabiranjem dvaju slučajnih veličina tada funkcija raspodjele f(y) predstavlja konvoluciju datih
funkcija raspodjele f(y)= f1(x1) * f2(x2) koja se određuje konvolucionim integralom
∞ ∞
(17)
f ( y) = ∫
−∞
f1 ( x1 ) ⋅ f 2 ( y − x1 ) dx1 = ∫ f ( x ) ⋅ f ( y − x ) dx .
−∞
2 2 1 2 2

Problem određivanja konvolucije, u slučajevima koji se sreću u praksi, obuhvaća varijante

slaganja tri, četiri, a nekada i do desetak funkcija raspodjele. Problem određivanja rezultantne
raspodjele, u složenijim slučajevima, ne može se riješiti analitičkim putem, osim u nekim
jednostavnijim slučajevima, već se do rješenja dolazi isključivo korištenjem računarskih
numeričkih postupaka. Najčešće korištena numerička metoda za dobijanje konvolucije većeg
broja raspodjela je tzv. Monte Karlo metoda. Monte Karlo je ime jednog široko
rasprostranjenog matematičkog postupka za numeričko rješavanje složenih matematičkih
problema ali također, i za proučavanje kompleksnih sistema u mnogim područjima nauke kao
što su fizika, ekonomija, biologija, medicina i dr. Karakteristika metode je da kao ulazne
veličine koristi slučajne brojeve što je bio razlog da dobije ime poznatog europskog centra
kockarskih igara. Osnovna odlika Monte Carlo metode (MKM) je da se fizički sistem
predstavi matematičkim modelom i da se zatim izvrši veliki broj numeričkih proračuna
izlazne veličine s tim što se kao ulazni podaci koriste slučajni brojevi sa unaprijed određenom
funkcijom raspodjele.
Ako se radi o složenijim slučajevima proračuna dolaze do izražaja velike mogućnosti koje
pruža MKM. Njenom primjenom moguće je odrediti funkciju raspodjele pri praktično
neograničenom broju ulaznih raspodjela, neovisno o složenosti matematičkog modela za
izračunavanje izlazne veličine. Ovakvi proračuni se danas rutinski obavljaju savremenim

12
računarima. Tome ide u prilog razvoj i široka rasprostranjenost moćnih paketa za obradu
podataka kao što je primjerice Matlab.
U osnovnom tekstu Upustva za izražavanje mjerne nesigurnosti nije posvećena pažnja
problemu određivanja rezultantne raspodjele kombinirane mjerne nesigurnosti. Međunarodne
metrološke organizacije u cilju prevazilaženja nedostataka osnovnog izdanja Upustva,
publiciraju literaturu u kojima se daju primjeri određivanja mjerne nesigurnosti u pojedinim
važnijim slučajevima kao što su termometrija, mjerenja mase i dr. U skorije vrijeme pojavila
se i publikacija Dodatak Upustvu za određivanje mjerne nesigurnosti koja je posvećena
određivanju ekvivalentne funkcije raspodjele korištenjem Monte Carlo metode.
Izračunavanje standardne kombinirane mjerne nesigurnosti
Pri izračunavanju kombinirane mjerne nesigurnosti treba razlikovati slijedeća tri slučaja:
− komponente nesigurnosti su međusobno nekorelisane
− komponente nesigurnosti su u potpunoj korelaciji, i
− komponente nesigurnosti su djelomično korelisane.
Daleko najveći značaj ima slučaj nekorelisanih nesigurnosti, čemu će u nastavku biti
posvećeno najviše pažnje.
Slučaj nekorelisanih komponenti mjerne nesigurnosti
Dvije slučajne veličine su nekorelisane (ili statistički neovisne) onda, kada promjene jedne od
njih, ne izazivaju predvidljive promjene druge veličine. Neka se razmatra problem
standardnog odstupanja indirektno mjerenih veličina y = f (x1, x2,... xj, ... xn), gdje su promjene
utjecajnih veličina xi međusobno nekorelisane veličine. Zamjenom u izrazu za proračun
standardne devijacije posredno mjerene veličine sy
2
n
 ∂f 
sY = ∑  ⋅ sxi  (18)
i =1  ∂xi 
standardnih odstupanja sxi sa odgovarajućim nesigurnostima uxi, dobiva se kombinirana
standardna nesigurnost
 ∂y 2 
uCy = ∑   ⋅ u xi  .
2 (19)
 ∂xi  
Dobar primjer nekorelisanih slučajnih veličina predstavljaju mjerne nesigurnosti tipa A i tipa
B jer se dobivaju međusobno neovisnim metodama – mjerna nesigurnost tip A statističkom
obradom rezultata ponovljenih mjerenja, a mjerna nesigurnost tipa B analizom karakteristika
mjernog sistema. Nakon određivanja standardnih nesigurnosti uAy i uBy, kombinirana
standardna nesigurnost dobiva se "sabiranjem" dvaju nesigurnosti po pravilu kvadratnog
korijena zbira kvadrata, odnosno
2 2
uCy = u Ay + u By . (20)

Primjer 2: U slučaju serije ponovljenih mjerenja krajnji rezultat predstavlja srednju

vrijednost
n
x
y = xs = ∑ i .
i =1 n

Treba odrediti mjernu nesigurnost srednje vrijednosti u slučaju kada su elementi uzorka
nekorelisane veličine.

13
Rješenje: Primjenom izraza (19), za parcijalne izvode srednje vrijednosti dobija se

∂y ∂xs 1
= = .
∂xi ∂xi n
Pošto su rezultati svih n mjerenja dobijeni pri istim uvjetima, svim ulaznim veličinama xi
odgovara jedna ista vrijednost standardnog odstupanja, odnosno standardne nesigurnosti
s = uxi = ux. Zamjenom u (19), za nesigurnost srednje vrijednosti dobija se
1 n 2 1 u
2 ∑ x
u xs = ⋅ u = 2
⋅ n ⋅ u x2 = x .
n i =1 n n
Treba napomenuti da je izraz istovjetnog oblika kao i jednačina koja je izvedena za
standardnu devijaciju srednje vrijednosti.
Primjer 3: Odrediti mjernu nesigurnost ako su u toku ponavljanja mjerenja dužine dobiveni
sljedeći rezultati: 5,09, 5,19, 4,92, 4,98, 5,11 u metrima. Mjerenje je izvršeno digitalnim
instrumentom mjernog opsega 10 m, čija je tačnost data kao
G = ±(0,2% of reading + 0,1% of range ) .
Rješenje: Najvjerovatnija vrijednost mjerene dužine je
1 n
Lt ≈ L = ∑ Li = 5,058 m .
n i =1
Procijenjena mjerna nesigurnost tipa A je
n
1 2
uA = ∑
n ( n − 1) i =1
( )
Li − L = 0,0481m .

Procijenjena mjerna nesigurnost tipa B je

 0, 2 0,1 
uB = ±  5,058 + 10,00  = 0,0201 m .
 100 100 
Ukupna mjerna nesigurnost je sada
2 2
U= ( u A ) + ( uB ) = 0,0521 m .
Ako se ovaj rezultat proširi (k = 2) dobija se proširena mjerna nesigurnost
U prošireno = k ⋅ U total = 0,1042 m
Odnosno vrijednost mjerene dužine je
Lt = 5,058 ± 0,1042 m .
Konačno, može se napisati i da je izmjerena dužina Lt = 5,058 m sa nesigurnošću od 2,06 % i
faktorom proširenja k = 2.

Primjer 4: Napon nekog izvora mjeren je 50 puta pod istim uvjetima pomoću voltmetra
mjernog opsega 10 V i klase tačnosti 0,2. Srednja vrijednost svih rezultata mjerenja bila je
8,75 V sa standardnom devijacijom pojedinačnog mjerenja od 16 mV. Kolika je mjerna
nesigurnost srednje vrijednosti rezultata mjerenja ?
Rješenje: Kako je klasa tačnosti voltmetra KT = 0,2 dobije se da je greška nastala usljed
klase tačnosti jednaka

14
 KT ⋅ MO
G=± = ±20 mV.
100
Mjerna nesigurnost se dobije kao
2 2 2 2
2 2  s   G   16   20 
uCy = u + u
Ay By =   +  =   +  = 11,76 mV.
 n  3  50   3 

Slučaj korelisanih i djelimično korelisanih komponenti mjernih nesigurnosti

Korektno realizirani mjerni sistem podrazumijeva korištenje instrumenata s potpuno
otklonjenim sistematskim greškama, tako da ometajuće veličine imaju slučajni karakter, pa se
uzastopno izmjereni rezultati mogu smatrati kao međusobno statistički neovisni, tj. da su u
potpunosti nekorelisani. Međutim, u praksi nije moguće da svi instrumenti imaju u potpunosti
otklonjene sistematske greške. Naprimjer, tokom neke serije mjerenja napona, voltmetar
može imati poremećaj "nule", tj. na skali se pokazuje manji napon i onda kada su ulazni
krajevi kratko spojeni. Osim toga, u nekim slučajevima istrument može izazivati manji
poremećaj na mjerenu veličinu. Naprimjer, pri mjerenju otpornosti senzora, struja instrumenta
može izazivati dodatno zagrijavanje utječući na sve rezultate u jednom smjeru. Mjerni uzorak
u tom slučaju ima smetnje koje su u izvjesnoj mjeri korelisane.
Slučaj potpuno korelisanih komponenti mjernih nesigurnosti
Potpuna korelacija komponenti kombinirane nesigurnosti je u principu nepoželjna i rijetko se
sreće u praksi. Ovaj slučaj se javlja ako mjerni sistem, prije upotrebe nije kalibriran tako da
neki od instrumenata imaju velike neotklonjene sistematske greške koji se ponavljaju pri
svakom očitavanju.
Neka se promatra veličina y koja je određena funkcijom od n veličina y=f (x1, x2, ... xi, ...xn).
Polazeći od izraza za totalni diferencijal i zamjenom diferencijalnih veličina odgovarajućim
nesigurnostima, dy → uC (y) i dx → ui dobija se
n
∂y
uC ( y ) = ∑ ⋅ ui . (21)
i =1 ∂xi
U jednostavnom, ali u praksi čestom slučaju kada je y = ∑ xi slijedi da je ∂y/∂xi = 1, pa izraz
dobiva oblik
n
uC ( y ) = ∑ ui . (22)
i =1

Slučaj djelimično korelisanih komponenti mjernih nesigurnosti

Djelimična korelacija komponenti kombinirane nesigurnosti se relativno često pojavljuje u
mjernoj praksi. Međutim, pravilna analiza ovakvih rezultata je složena i zahtijeva dosta
vremena pa se mahom izbjegava, s tim što se rezultati najčešće tretiraju kao da su u pitanju
potpuno nekorelisane slučajne
veličine. Kao primjer dobijanja
djelimično korelisanih komponenti
nesigurnosti, promatra se električni
krug gdje se mjeri otpornost omskog
potrošača R pomoću U-I metode. Za
napajanje se koristi stabilisani izvor
napona dok se za mjerenje napona U i
struje I koriste instrumenti visoke
rezolucije. U prvoj aproksimaciji,
Slika 4. U-I metoda – naponski spoj
15
smatrajući oba instrumenta idealnim, otpornost se izračunava izrazom R = U / I. Struja i
napon su, pri tome, linearno ovisne veličine, pa bi se stoga njihove promjene mogle smatrati
da stoje u potpunoj korelaciji.
Međutim, ako oba instrumenta imaju visoku rezoluciju, tada se pri ustaljenom stanju mogu
uočiti određene promjene pokazivanja slučajnog karaktera. Promjene struje instrumenta ∆I i
napona ∆U ovisi o nekoliko utjecajnih veličina
∆I = f1 ( ∆U S ( t ) , T ( t ) , E ( t ) ,...)
(23)
∆U = f 2 ( ∆U S ( t ) , T ( t ) , E ( t ) ,...)
gdje su sa ∆US(t) , T(t), E(t) označeni vremenska nestabilnost napona stabilizatora, promjene
temperature okoline i elektomagnetske smetnje koje potječu iz instrumenata i iz okruženja.
Promjene struje i napona su u odnosu na promjene napona stabilizatora dobro korelisane.
Međutim, promjene uslijed ostalih smetnji su pretežno nekorelisane. Otuda bi pri analizi
mjerne nesigurnosti određivanja otpornosti R trebalo posmatrati utjecaje promjena struje i
napona kao djelimično korelisane veličine.
Matematičkom analizom funkcija većeg broja djelimično korelisanih slučajnih veličina xi,
dolazi se do izraza, koji "preveden" na slučaj mjerne nesigurnosti, ima oblik
2
n
 ∂f  n −1 n
∂f ∂f
u ( y) = ∑
2
C ui  + 2 ⋅ ∑ ∑ ⋅ ⋅ ui ⋅ u j ⋅ ri , j (24)
i =1  ∂xi  i =1 j =i +1 ∂xi ∂x j

gdje je ri,j tzv. koeficijent korelacije. Koeficijent ri,j ima brojnu vrijednost za koju vrijedi
izraz 0 ≤ | r | ≤ 1. Postoje dvije granične vrijednosti koeficijenta i to:
− r = 0 što predstavlja slučaj nulte korelacije, tj. potpuno nekorelisanih veličina. U tom
slučaju izraz (24) prelazi u (19).
− | r | = 1, koji se odnosi na slučaj potpuno korelisanih veličina, pa desna strana (24)
predstavlja potpuni kvadrat, što znači da korjenovanjem izraz (24) prelazi u (21).
Kombinirana nesigurnost u slučaju djelimično korelisanih veličina je veća u odnosu na
nekorelisane veličine, a manja nego kod potpuno korelisanih veličina.
Preporučljivo je da čitatelji vide primjer određivanja kombinirane nesigurnosti pri djelimično
korelisana utjecajnim veličinama u Uputsvu za određivanje mjerne nesigurnosti.
Određivanje proširene mjerne nesigurnosti
Proširena mjerna nesigurnost je veličina koja određuje interval oko mjernog rezultata za koji
se može očekivati da obuhvaća veliki dio raspodjele vrijednosti koje bi se razumno mogle
pripisati mjerenoj veličini. Povećana nesigurnost dobiva se množenjem standardne mjerne
nesigurnosti faktorom proširenja k
U = k ⋅ uC ( y ) . (25)
Koeficijent proširenja k je broj čija je tipična vrijednost 2, ali se ovisno od vrste raspodjele
može kretati u intervalu od 3 do 3.
Proširenoj mjernoj nesigurnosti odgovara visoka vrijednost statističke sigurnosti, tipično od
oko 95 % ili više. To znači da se sa velikom sigurnošću može očekivati da se stvarna
vrijednost mjerene veličine nalazi u intervalu y ± U.
Vrijednost faktora proširenja k može se odrediti samo ako postoji široko znanje o raspodjeli
vjerovatnoće svake ulazne veličine xi i ako se te raspodjele sastavljaju da bi se dobila

16
raspodjela izlazne veličine y. Procjene xi ulaznih veličina i njihove standardne nesigurnosti
u(xi) same nisu prikladne za tu svrhu. Stoga se pretpostavlja da je raspodjela vjerojatnoće
veličine y Studentova t - raspodjela. Pri tome je faktor proširenja jednak t faktoru Studentove
raspodjele. Kao što je već rečeno Studentova (ili t) raspodjela koristi se u slučaju kada
mjerena veličina pripada normalnoj (Gausovoj) raspodjeli, ali je broj elemenata u uzorku n
relativno mali. U tom slučaju Studentova raspodjela ima broj stepena slobode ns = n – 1.
U praksi je dosta čest slučaj kada se mjerena veličina y određuje na osnovu nekoliko mjerenih
veličina, xi , od kojih svaka podliježe normalnoj raspodjeli, ali su brojevi stepena slobode nsi
različiti. U tom slučaju raspodjela kombinirane nesigurnosti se u dobroj aproksimaciji može
prikazati Studentovom, s tim što se postavlja pitanje određivanja efektivnog broja stepena
slobode nse. Taj broj se dobiva primjenom Welch–Satterthwaitove formule.
Pretpostavlja se da se kombinirana mjerna nesigurnost mjerene veličine y određuje na osnovu
N komponenti nesigurnosti, od kojih svaka utjecajna veličina xi podliježe Studentovoj
raspodjeli, s brojem stepena slobode nsi. Pod pretpostavkom da su komponente nesigurnosti ui
međusobno nekorelisane, primjenom (19) odnosno (20), izračunava se standardna
kombinirana mjerna nesigurnost uC(y) mjerene veličine. Raspodjela kombinirane nesigurnosti
u dobroj aproksimaciji prikazuje Studentovom raspodjelom sa efektivnim brojem stepena
slobode nse datim tzv. Welch–Satterthwaitovom formulom
u 2 ( y)
nse = N C 4 4 . (26)
ai ui
∑i =1 nsi

∂y
gdje su ai koeficijenti osjetljivosti definirani kao ai = , odnosno jednaki 1 ako se
∂xi
primjenjuje relacija oblika (20).
Na osnovu efektivnog broja stepeni slobode i statističke sigurnosti, iz tablice Studentove
raspodjele dobija se koeficijent proširenja k = tnse,P. Može se pokazati da je broj stepeni
slobode nse manji od zbira pojedinih stepeni slobode, ali da je veći od najvećeg pojedinog
broja.
Primjer 5: Raspolaže se sa tri grupe otpornika koje imaju Gausovu raspodjelu otpornosti, a
nazivne vrijednosti pojedinih skupina iznose R1n= 1 kΩ, R2n = 2 kΩ i R3n = 4 kΩ. Iz prve
skupine je izdvojeno n1 = 10 otpornika, za čije otpornosti su izmjerene slijedeće vrijednosti
R1i [kΩ] 1,053 0,997 1,012 1,003 0,991 0,995 1,077 1,004 1,033 1,001
Iz druge skupine izmjerene su otpornosti ukupno 5 otpornika, pri čemu su dobivene slijedeće
vrijednosti
R2i [kΩ] 2,103 1,999 1,972 2,003 2,091
Iz treće skupine izdvojeno je 15 otpornika za čije otpornosti su mjerenjem dobiveni sljedeći
podaci
4,153 3,997 4,012 3,903 4,091 4,125 4,077 3,984
R3i [kΩ]
4,033 4,001 4,032 4,123 3,897 3,998 3,983
Iz tri skupine otpornika, slučajnim redoslijedom, uzima se po jedan otpornik i rednim
vezivanjem dobiva otpornik čija nazivna otpornost iznosi:
Re = R1 + R2 + R3 = 7 kΩ

17
Odrediti srednju vrijednost i mjernu nesigurnost ekvivalentne otpornosti.
Rješenje: Srednje vrijednosti pojedinih grupa otpornosti iznose
RS 1 = 1016, 6 Ω RS 2 = 2033, 6 Ω RS 3 = 4027,3 Ω .
Otuda srednja vrijednost ekvivalentne otpornosti iznosi:
ReS = R1S + R2 S + R3 S = 7077,5 Ω.
Standardna nesigurnost tip A i odgovarajući broj stepeni slobode iznose
u1 = s1 = 28,5 Ω i nS 1 = 10 − 1 = 9
u2 = s2 = 59, 2 Ω i nS 1 = 5 − 1 = 4
u3 = s3 = 75, 6 Ω i nS 1 = 15 − 1 = 14
Kombinirana standardna nesigurnost iznosi:
uS = u12 + u22 + u32 = 100, 2 Ω
Efektivni broj stupnjeva slobode nSe kombinirane nesigurnosti dobija se primjenom Welch–
Satterthwaitove formule
uC2 ( y ) 100, 24
nse = = = 19,9 ≈ 19.
N
ui4 28, 54 59, 2 4 75, 64
∑
i =1 nsi 9
+
4
+
14
Broj stepeni slobode zaokružen je na prvu manju cjelobrojnu vrijednost.
Po pravilu, krajnji rezultat izražava se sa statističkom sigurnošću od 95 %. U tabeli
Studentove raspodjele nalazi se vrijednost tnse,95% = t19,95% =2,09. Proširena mjerna nesigurnost
iznosi Us = tnse,95% · us = 2,09 · 100,2 = 209,4 Ω, pa se za ekvivalentnu otpornost redne veze tri
otpornika dobiva
Re = ReS ± U = ( 7077,5 ± 209, 4 ) Ω .

Izvještaj o mjernoj nesigurnosti

Jedna od smjernica u Upustvu za izražavanje mjerne nesigurnosti je da rezultati budu
predstavljeni što preglednije i jasnije, pa da korisnik rezultata ima potpuni uvid u sve
relevantne činjenice uzete u obzir pri određivanju nesigurnosti. Potrebno je da se navedu
matematičke formule korištene za izračunavanje mjerene veličine, a također i u analizi
nesigurnosti. Radi postizanja dobre preglednosti, preporučuje se korištenje tabličnog prikaza
podataka.
Iskazivanje mjernog rezultata treba prilagoditi namjeni. Ne može se očekivati da se mjerni
rezultati jednako iskazuju u naučnim radovima i izvještajima svakodnevnih rutinskih
mjerenja. U naučnim radovima i dokumentima vrhunskog mjeriteljstva mjerni rezultat treba
sadržavati sve relevantne podatke koji omogućuju upotrebu, provjeru i obnavljanje navedenog
rezultata i njegove mjerne nesigurnosti. Najmanje što treba navesti je:
− opis postupka mjerenja,
− opis postupka izračunavanja mjernog rezultata na temelju izmjerenih vrijednosti i ostalih
ulaznih podataka (uključujući primijenjene pretpostavke),
− vrijednosti svih komponenti mjerne nesigurnosti, način procjene ukupne mjerne
nesigurnosti mjernog rezultata,
− dovoljno detaljno sve korake obrade mjerenja (tako da se mogu pratiti i ponoviti),

18
− sve ispravke i procjene njihove mjerne nesigurnosti,
− sve konstante, koje su upotrebljavane pri obradi mjerenja i njihove nesigurnosti.
U krajnjem iskazu dovoljno je mjernu nesigurnost iskazivati dvjema značajnim brojkama, a
vrijednost mjernog rezultata zaokružiti na nivou vrijednosti zadnje značajne cifre nesigurnosti.
U međurezultatima preporučuje se zadržati jednu znamenku više. Mjerne nesigurnosti mogu
se iskazati u relativnim, procentualnim ili apsolutnim iznosima.
Kada postoje opravdani razlozi, mjerna nesigurnost rezultata se može iskazati proširenom
nesigurnošću U. Tada je potrebno navesti faktor proširenja k i nivo povjerenja P.
Shematski prikaz proračuna mjerne nesigurnosti dat je na slici 5.

Slika 5. Proračun proširene mjerne nesigurnosti GUM metodom

Ovo je postupak koji treba slijediti pri procjenama mjerne nesigurnosti:
1. Izraziti matematičku ovisnost mjerene (izlazne) veličine y o ulaznim veličinama xi prema
jednadžbi Y = f(x1, x2, ...., xn). Funkcija f mora sadržavati sve veličine, uključivo
korekcije i korekcijske faktore, koji mogu značajnije pridonijeti nesigurnosti mjernog
rezultata.
2. Odrediti xi, koji je procijenjena vrijednost ulaznih veličina xi, bilo na temelju statističke
analize niza opažanja ili na neki drugi način.
3. Procijeniti standardnu nesigurnost u(xi) za svaki procijenjeni xi. Mjeritelj mora procijeniti
i odabrati postupak prema A ili B vrsti procjene nesigurnosti.
4. Procijeniti kovarijanse pridružene svakoj ulaznoj veličini za koju se procjenjuje da
korelira s nekom drugom.
5. Proračunati mjerni rezultat, tj. njegovu procjenu y mjerene veličine Y iz funkcionalnog
odnosa f tako da se za ulazne veličine xi koriste procijenjeni xi.

19
6. Odrediti kombiniranu standardnu mjernu nesigurnost uc(y) mjernog rezultata y koristeći
standardne nesigurnosti i kovarijanse pridružene procijenjenim ulaznim veličinama. Ako
mjerenje određuje više od jedne izlazne veličine, odrediti njihove kovarijanse.
7. Ako je potrebno, iskazati proširenu mjernu nesigurnost U, s nakanom da se odredi opseg
y - U do y + U, za koji se može očekivati da će sadržavati veliki dio rezultata mjerenja.
8. Iskazati rezultat y zajedno sa sastavljenom standardnom mjernom nesigurnošću uc(y) ili
proširenom mjernom nesigurnošću U. Potrebno je opisati postupak kako su dobivene ove
nesigurnosti.
Proširena Koeficijent Standardna
Izbor nesigurnosti nesigurnost Raspodjela proširenja nesigurnost
Ui [µV] k ui [µV]
Ponovljivost rezultata
Gausova
(Mjerna nesigurnost tip A) 6
Podaci dobijeni pri
pregledu instrumenta 20 Gausova 2 10
(Mjerna nesigurnost tip B)
Nesigurnost digitalnog
čitanja 0,5 Pravougaona 3 0,29
(Mjerna nesigurnost tip B)
Kombinovana standardna nesigurnost u C ( y ) = ∑ ui2 11,7

20