Professional Documents
Culture Documents
Osnovi Metrologije I Obrade Razultata mjerenja-BIH
Osnovi Metrologije I Obrade Razultata mjerenja-BIH
E. Seferovic H. Basic
REZULTATA MJERENJA
Sarajevo, 2005.
Recenzenti:
Tehnička obrada:
Hazim Basić
Lektor:
Subhija Hrnjević
Dizajn korice:
Senad Besirević
Štampa:
Grafika Šaran
Tiraž:
5OO kom.
Na osnovu odluke Senata Univerziteta u Sarajevu br. Ol-i-961/05 od
10.06.2005. ;godine odobreno je štampanje ove knjige kao univerzitetskog
udžbenika.
CIP - Katalogizacija u publikaciji
Nacionalna i univerzitetska biblioteka
Bosne i Hercegovine, Sarajevo
53 . 08 (075 . 8)
SEFEROVIC, Edhem
Osnovi metrologije i obrade rezultata mjerenja
/ E . ( Ed h e m ) Se f e r o v i ć , H . [ H a z i m ) B a š i ć , - S a r a j e v o
: Mašinski fakultet, 2005. - 220 s t r. : ilustr.
24 cm
B
ibliografija: str. 219-220
ISBN 9958-601-10-9 . 1. Bašić, Hazim
COBISS.BH-ID 14319622
Predgovor
Knjiga
Osnovi metrologije i obrade rezultata mjerenja u prvom je redu namijenjena studentima
druge godine Mašinskog fakulteta u Sarajevu koji prema planu i programu slušaju predmet
Mjerenja u mašinslvu, jer pokriva veći dio njegovog programa. Pored toga, može poslužiti i
studentima drugih tehničkih fakulteta za predmete koji se bave problematikom mjerenja i
obrade rezultata mjerenja. Takođr, korisno može poslužiti i inženjerima u praksi. osoblju
koja radi u različitim laboratorijama, a neki njeni dijelovi i studentima postdiplomskih
studija.
Knjiga je sačinjena iz dva glavna dijela. U prvom dijelu dat je kratak historijski
preglcd razvoja metrologije, zatim je opisano ustrojstvo međunarodnog meterološkog
sistema i metroloških organizacija i, konačno, pregled osnovnih jedinica SI sistema.
Drgi dio knjige odnosi se na metode obrade rezultata mjerenja. Akcenat u izlaganju
metodologije obrade rezultata dat je na opšte principe stati st i č ki h metoda s namjerom
da se čitalac upozna sa mogućnostima njihove primjene, da razumije smisao dobijenih
rezultata i da ih pravilno interpretira. Naime, mjerenje neke fizikalne veličine, koja moze
karakterizirati kvalitet obrađenih dijelova proizvoda, tok odvijanja nekog procesa, stanje
nekog mašinskog i l i drugog sistema, stanje neke zakonitosti ili pojave i drugo, samo je
prvi korak u spoznaji i kvantitativnoj identifikaciji objekta mjerenja.
Naredni, nimalo manje važan korak, je statistička obrada dobijenih rezultata
mjerenja. Naime, ma koliko korištena mjerna tehnika bil a savršena, rezultati mjerenja
sadrže uvijek u sebi, u manjoj i li većoj mjeri, greske mjerenja, pa se na osnovu neobrađenih
i neocijenjenih rezultata mjerenja ne moze ništa pouzdano zaključiti o objektu mjerenja i l i
ispitivanja.
Autori iskrenu zahvalnost duguju recenzentima koji su svojim pozitivnim stavom o
rukopisu i korisnim sugestijama doprinijeli konačnom sadržaju knjige.
Autori
Sadržaj
1. UVOD..............................................................................……………………………. 1
1.1. Historijski pregled razvoja metrologije....................……………………………. 1
1.2. Osnovni pojmovi i definicije u mjernoj tehnici..........……………………………. 4
2. OSNOVI METROLOGIJE................................................……………………………. 7
2.1. Zadaci i podjele metrologije.....................................……………………………. 7
2.2. Organizacije međunarodne metrologije...................…………………………… 10
2.2.1. Konvencija o metru..........................................…………………………… 10
2.2.2. Generalna konferencija za tegove i mjere (CGPM)……………………….. 10
2.2.3. Međunarodni komitet za tegove i mjere (CIPM)…………………………… 12
2.2.4. Međunarodni ured za tegove i mjere (BIPM). . .…………………………… 12
2.3. Ostale međunarodne organizacije..........................…………………………… 14
2.4. Zakonska metrologija..............................................…………………………… 15
2.5. Metrološka sljedivost..............................................…………………………… 16
7. REGRESIONA ANALIZA.............................................…………………………. 95
7.1. Određivanje regresione funkcije........................…………………………. 95
7.2. Podjela suma kvadrata zavisno promjenjive....…………………………. 97
7.3. Opšti linearni regresioni model...........................………………………... 101
7.3.1. Prosta linearna regresija..............................………………………... 103
7.3.2. Interval pouzdanosti za parametre regresije……………………. 110
7.3.3. Provjera adekvatnosli modela proste linearne regresije ……. 117
7.4. Višestruka linearna regresija..............................………………………… 121
7.5. Nelineama regresija.............................................……………………….. 125
7.5.1. Funkcije oblika polinoma .............................………………………... 125
7.5.2. Neke karakteristične nelinearne funkcije....………………………... 128
v…………………………………………………………………………………. 208
B4. Vrijednost Fo za vjerovatnoce P(Fu>Fa)=0,05/0,01,
za stepen slobode brojnika, i stepen slobode nazivnika v 2 ............................... 209
1
UVOD
Mjerenje je, od najstarijih vremena pa do danas, postalo neophodno u svakodnevnom životu
čovjeka. Mjereći određenu fizičku veličinu utvrduje se koliko je jediničnih veličina sadržano u mjerenoj
veličini. Čovjek je te jedinične veličine nalazio na svom tijelu (stopa, prst, lakat, korak), u svojoj okolini,
pri svom radu i uopće u svojoj svakodnevnoj praksi.
Kroz historiju, a naročito tokom srednjcg vijeka, u tada naprednim zcmljama Evrope kao sto
su Francuska, Engleska, Njemačka i dr, vladala jc velika neujednačenost u oblasti praktičnog
mjerenja koja je trajala sve do 18. vijeka. Takvo stanje komplikovalo je odnose u unutrašnjoj i
vanjskoj Trgovini u skoro svim zemljama Evrope. Na primjer, samo u Auslriji je gotovo svaki
grad imao svoje mjerne jedinice. Početkom 19. vijeka u Njemačkoj je vladao vrlo neusaglašen
sistem mjera, pa je, na primjer, jedinica duzine stopa imala vrijcdnost od 0,25 do 0,33 metra, dok
je jcdinica mase funta u Engleskoj iznosila od 0,46 do 0,51 kilogram. Bolja situacija nije bila ni u
zemljama angloameričkog govornog područja. U ovim državama, na primjer, ni do danas ne
postoji unificiranost u iznosu mjernih jedinica za zapreminu galon i barel.
U prvoj polovini 18. vijcka u Evropi su se pojavile ozakonjene mjere. Razvoj nauke nakon
srednjeg vijeka, nije se mogao ni zamisliti bez kvantitativnog izrazavanja rezultata istraživanja,
bez mjemrnih vrijednosti koje su bile utemeljene na koliko - toliko standardnim mjerilima. Stoga
je, tokom vrcmena, postojala ideja da se sačini jedan racionalan sistem mjera koji bi bio zasnovan
na nekoj prirodnoj mjeri koja se tokom vremena ne mijenja i koji bi bio pogodan za praktičnu
upotrebu. Tako je 1670. godine lionski astronom G. Muton predložio sistem mjera koji za
jedinicu uzima dužinu luka meridijana u jednoj lučnoj minuti. Dvije godine kasnije holandski
naučnik Huygens je predložio da se za jedinicu dužine uzme dužina sekundarnog matematičkog
klatna. Uz to, bilo je i prijedloga da se za jedinicu dužine uzme put koji prijeđe padajuće tijelo
u jedinici vremena na odredenom mjestu.
Do kraja 18. vijeka u mnogim zemljama u svijetu postojao jc veći broj mjernih jcdinica
za iste fizikalne veličine, a njihova reprodukcija je još više otežavala razvoj industrije,
naročito trgovine. Takvo stanje potaklo je industrijske i trgovačke krugove da se obrate
Ustavotvornoj skupštini za vrijeme Francuske revolucije 1789. godine koja je, pored ostalih
radikalnih mjera u društvu, stavila na dnevni red utvrđivanje jedinstvenosti mjera. Ova institucija
je potom (1790) povjerila Francuskoj akademiji nauka izradu piojekta jedinstvenog sistema
mjernih jedinica.
Nacionalna skupština Francuske je 1791. godine usvojila prijedlog komisije o uvođenju metra
kao osnovne jcdinice za dužinu koji jc bio jednak desetmilionitom dijelu četvrtine
Zemljinog merdijana. Bio je to prvi pokušaj da se mjerna jcdinica uzme neposredno iz prirode
kako bi u bilo kom vremenu bilo moguće uspostaviti mjeru. u slucaju njenog uništenja.
Pojam sistema mjernih jedinica fizikalnih veličina prvi je uveo njemački naučnik Gauss
1832. godine. On je razradio metodu za izradu takvog sistema jedinica u kojem su kao osnovne
bile tri jedinice i to: jcdinica za dužinu (milimetar), jedinica za masu (miligram) i jedinica za
vrijeme(sekunda). Ostale fizičke velične bile su izvedene iz osnovnih i gradile su se pomoću
matematičkih odnosa koje povezuju te veličine. Pošto su se sve mjerne jedinice tog sistema
izražavale samo sa tri osnovne, nezavisno jedna od druge, jedinice duzine, mase i vremena -
Gauss ga je nazvao "apsolutnim" sistemom.
Gaussovu metodu je razradio njemački fizicar W. Weber 1851. godine tako da je i fizikalne
veličine kao sto su električni otpor, elektromotoma sila i jačina struje, izražavao pomoću dužine,
mase i vremena.
Tokom druge polovine 19. i prve polovine 20. vijeka mnoge međunarodne naučno - tehničke
organizacije koje su radile u oblasti metrologije pripremile su podlogu za gradnju jedinstvenog
međunarodnog sistema jedinica. Jedna od prvih takvih organizacija bio je Komitet za elektriene
etalone Britanskog društva za razvoj nauke. Godine 1861. održano je zasjedanje tog komiteta koji
je usvojio apsolutni sistem jedinica u kojem su osnovne jedinice bile: centimetar, gram i sekunda
(CGS). U oblasti električnih veličina predložen je bio apsolutni elektrostatski sistem jcdinica
(CGSE), odnosno apsolutni elektromagnetski sistem (CGSM).
Na desetoj Generalnoj konferenciji za mjere i utege, koja je održana 1954. godine, donešena
je rezolucija o uvođenju šest osnovnih jedinica medunarodnog sistema i to: metar, kilogram,
sekunda, amper, stepen Kelvina i kandela. Te godine formirana je i Komisija za Međunarodni
sistem jedinica čije je prvo zasjedanje održano 1956. Na njemu je usvojen naziv jedinstvenog
sistema jedinica kao Međunarodni sistem jedinica - SI (fr. Le Systeme International d'Unites).
Mjerni rezullat je izražena vrijednost relevantne mjerne veličine, a dobija se od jedne ili
više mjernih vrijednosti jedne mjerne veličine, ili iz mjernih vrijednosti različitih mjernih
veličina koje su u unaprijed datom jednoznačnom odnosu. U najjednostavnijem slučaju mjerni
rezultat može biti i samo jedna jedina mjerna vrijednost.
Automatizirano mjerenje, tj. određivanje mjernih vrijednosti i rezultata automatskom
funkcijom mjernog uredaja, pripada mjerenju, ali ne i daljnja automatska obrada mjernih
rezultata.
Princip mjerenja predstavlja skup fizičkih pojava na kojima se zasniva mjerenje
odnosno na bazi kojih su napravljeni mjerni uredaji. Princip mjerenja je osnova mjerenja, na
primjer, sila se može mjeriti na principu elektrootpornih mjernih traka, piezoelektričnom
principu i dr.
Sredstva mjerenja obuhvataju različite mjerne i kontrolne uređaje i dodatnu opremu koja
se koristi za mjerenje.
Mjerni postupak obuhvata sve praktične ili eksperimentalne radnje potrebne za ostvarenje
mjerenja i dobivanje mjernih vrijednosti. Dakle, metod mjerenja obuhvata skup
odgovarajućih principa i sredstava mjerenja.
Fizikalna veličina predstavlja svojstvo fizikalnih objekata, stanja ili zbivanja, koja se
mogu kvalitativno opisati i kvantitativno odrediti. Veličine dakle nisu konkretni predmeti,
već osobine, atributi tj. čovjekove predodžbe o samim prirodnim pojavama.
Područje mjerenja obuhvata i mjerenja posebnih namjena kao što su kontrola ili
provjeravanje, kalibriranje (umjeravanje), ispitivanje oblika i površina i istraživačka mjerenja.
2
OSNOVI METROLOGIJE
Metrologija je vrlo znacajna oblast za razvoj svih naucnih disciplina, kao i opcenito za
razvoj tehnike, tehnologije i privrede u cjelini. Ovaj znacaj rczultirao je i stvaranjem razlicitih
mcdunarodnih orsganizacija iz oblasti metrologije. Uloga ovih organizacija je, pored rjesavanja
fundamentalnih problema metrologije, rad na razvoju metroloskih metoda, mjernih jedinica,
etalonske baze i metoroloskih propisa. Posljedica toga je povecanjc proizvodne tacnosti kao i
smanjenje mjerne nesigurnosti, odnosno poboljsanje pouzdanosti mjernih procesa.
Navedene tri faze zapravo predstavljaju put od definicije fizikalnih jedinica do njihove
primjene. U odredenim slucajevima polazi se umjesto predstavljanja jedinice na njeno
reproduciranje. Pod reproduciranjem se podrazumijeva eksperiment koji kod ponovljenog
provodenja, neovisno od vremena i mjesta, vodi uvijek prakticno istoj vrijednosti te velicine.
Umjesto definisanja jedinice, bira se njena reprodukcija, samo onda ako je takav eksperiment lakse
izvodiv ili ako je nesigurnost reproduciranja znatno manja od nesigurnosti realizacije.
Eksperiment tada ispunjava funkciju etalona, putem kojeg se razmatrana jedinica moze sacuvati.
(11)Interdisciplinarna metrologija.
Osnovi metodologije
Konvenciju o metru do danas je potpisala pedeset i jedna drzava. Ona daje ovlastenje
Generalnoj konferenciji za tegove i mjere (CGPM), Medunarodnom komitetu za tegove i mjere
(CIPM) i Medunarodnom uredu za tegove i mjere (BIPM).
BIPM je u pocetku imao pet naucnih i tehnickih saradnika, a do danas je taj broj porastao
na oko 70. BIPM se finansira zajednicki od Drzava clanica Konvencije. Ima zadatak da osigura
jedinstven, jasan sistem mjerenja u cijelom svijetu oslanjajuci se na Međunarodni sistem jedinica
(SI) tj. da osigura svjetsku ujednacenost mjerenja.
— mjernim metodama,
— ocjenjivanju preciznosti mjernih uredaja,.
— metodama provjeravanja mjernih uredaja,
— jedinstvenosti termina, definicija, simbola i dr.
— trgovina,
— industrija,
— nauka,
— komunikacija i transport,
— zdravlje i sigurnost,
— ekologija,
— stvaranje i distribucija energije i dr.
Mjerni etalon je materijalizovana mjera, mjerilo, referentni materijal ili mjerni sistem
namijenjen odredivanju, pohranjivanju i reprodukciji neke mjerne jedinice radi prenosenja njene
vrijednosti na druga mjerila koja mogu posluziti kao referentna vrijednost.
Medunarodni etaloni su oni koji su medunarodnim sporazumom priznati kao baza pri
utvrdivanju svih drugih etalona doticne velicine. Izradeni su s najvecom mogucom tacnoscu koju
dozvoljava izrada i mjerni postupak, a provjeravaju se u propisanim vremenskim razmacima.
Drzavni etaloni su oni koji su u jednoj drzavi priznati kao baza za utvrdivanje svih
drugih etalona neke fizikalne velicine.
Osnovi metodologije
Primarni etalon je etalon koji je prema opstoj ocjeni najvisih metroloskih svojstava, koji jc
prihvacen nezavisno od drugih etalona za istu velicinu. Ovakvi etaloni se pohranjuju u nacionalnim
metroloskim zavodima, na primjcr u Njemackoj je to PTB (Physikalisch Technischen
Bundesanstati). Nisu predvideni za opstu upotrebu. Primarni etalon moze biti drzavni ili
medunarodni.
Radni {indiistrijski) etalon koristi se kao utjelovljena mjera, mjerni uredaj ili referentni
materijal pri kalibraciji ili za provjeravanje.
3
MEDUNARODNI
SISTEM JEDINICA
Kroz historijski razvoj metrologije pojam "sistem jedinica" je bitno mijenjao svoje
znacenje. Prvobitno se pod ovim pojmom podrazumijevao propisani skup jedinica. Danas se,
medutim, pod sistemom jedinica podrazumijeva jedan uistinu sistematican i koherentan skup
mjernih jedinica u kojem se izvedene jedince grade od odredenog broja osnovnih jedinica.
x = {x\x], (3.1)
Algebarska zavisnost vise fizikalnih velicina oznacava se kao velicinska jednacina, jer je
neposredna interpretacija odredenog fizikalnog zakona. Na primjer, predeni put je proizvod
brzine i vremena:
L = V-T. (3.3)
L L V V T T ,
odnosno kao:
L k V T
Medunarodni sistem jedinica (SI) koji se danas koristi u cijelom svijetu se sastoji od sedam
osnovnih jedinica i velikog broja izvedenih jedinica. Osnovne jedinice SI sistema su polazne
mjerne jedinice fizickih velicina, pomocu kojih se najjednostavnijim matematickim operacijama
mnozenja i dijeljenja grade izvedene jedinice.
Osnovne ledinice
Fizicka velicina Osnovna
jedinica
Naziv Oznaka Naziv Oznaka
Duzina i(L) metar m
Masa m kilogram s
t sckunda
Vrijeme
Jacina elektricne struje I amper A
Termodinamicka temperature T kelvin K
Koticina materije n mol mol
Jacina svjetlosti lv kandela cd
Dodatne jedinice'
Osnovna
Fizicka velicina
jedinica
Izvedene jedinice SI se izvode iz osnovnih jedinica. Ovo znaci da nije potrebno koristiti
faktore preracunavanja sto je posljedica koherentnog sistema, nego je dovoljno jednostavno mnoziti
ili dijeliti osnovne jedinice. Pri tome se koristi ista algebarska veza za jedinicu kao i za odgovarajuce
velicine. Nazivi i simboli jedinica dobijenih na ovaj nacin mogu se zamijeniti specijalnim
nazivima i simbolima (na primjer jedinica za silu - N), koji se dalje i sami mogu koristiti da oblikuju
izraze i simbole drugih izvedenih jedinica (na primjer jedinica za napon N/m 2). Ovako nastaju
izvedene jedinice s posebnim nazivima.
Pregled izvedenih jedinica s posebnim nazivima dat je u tabeli 3.2.
Pravila koja se moraju postovati kod pisanja mjernih jedinica i koristenja prefiksa su
sljedeca:
(j) Imena mjernih jedinica gramaticki su zajednicke imenice, pa se pisu malim slovima, Cak i
onda kada su nastale od imena nekog naucnika. S druge strane, oznake za mjerne jedinice koje su
nastale od imena naucnika uvijek se pisu velikim slovom (na primjer: N (njutn), T (tesla) i dr.).
(k) Ako se izvedena jedinica izrazava umnoskom dviju osnovnih ili izvedenih jedinica na
prvom stepenu, onda se njihov naziv pise kao jedna rijec (na primjer: njutnmetar - Nm, ampersekunda
-A-s).
(1) U nazivima jedinica povrsine i zapremine, ili ako te jedinice ulaze u nazive drugih
izvedenih jedinica, koriste se rijeci kvadratni i kubni. Na primjer: rn2 - kvadratni metar, umjesto metar
na kvadrat ili metar na drugu, m3 - kubni metar, umjesto metar na kub ili metar na trecu.
(n) Ako se izvedena jedinica odreduje kao dio velicine jedne jedinice prema drugoj, tj. ako je
jedinica u obliku razlomka, nazivi jedinica se pisu uvodenjem prijedloga po. Na primjer: kg/m
-kilogram po metru, J/m2 - dzul po kvadratnom metru. Izuzetak cine jedinice koje zavise od vremena s
oznakom na prvom stepenu koje karakterisu trajanje nekog procesa. U tom slucaju naziv jedinice se
pise s prijedlogom u. Na primjer: m/s - metar u sekundi, mVs - metar kubni u sekundi.
Jednake jedinice ne moraju imati i jednake nazive. Tako je herc naziv za reciprocnu sekundu
ako je ona jedinica frekvencije, ali nije naziv za svaku reciprocnu sekundu. Njutnmetar se zove dzul
ako je jedinica rada ili energije, a ako je jedinica momenta sile, tada se ne zove dzul.
Dijelovi pojedinih mjernih ljestvica (stepeni) nisu mjerne jedinice, ali se ponekad, slicno
mjernim jedinicama, koriste za iskazivanje mjernih podataka. Takvi su, na primjer, stepen bofora (za
mjerenje jacine vjetra), Richterova i Mercallijeva skala za mjerenje potresa i dr vjetra), Richterova i
Mercallljeva skala za mjerenje potrcsa i dr.
Pri definiciji jedinica tezilo se da se jedinice vezu za neku konstantnu velicinu. Komisija, koju je
formirala Nacionalna skupstina Francuske, 1791. godine je ozakonila jedinicu duzine metar koji je bio
jednak deset milionitom dijelu cetvrtine meridijana koji prolazi kroz parisku opservatoriju. Nakon
zavrsetka ovih mjerenja, 1799. godine, izraden je platinski prototip metra koji se zvao arhivski metar.
3.2.2. Kilogram
Istovremeno kad i metar, 1799. godine, napravljen je i prototip kilograma. To je bila
jedinica mase koja je jednaka masi jednog kubnog decimetra destilirane vode u vakuumu pri
njenoj najvecoj gustoci (4 C) i u mjestu koje se nalazi na morskom nivou i geografskoj sirini 45°.
Ova pramjera je u obliku valjka cija je visina jednaka precniku i iznosi 39 mm, slika 3.1. Prototip
kilograma, napravljen je od legure platine (90%) i iridija (10%). Smjesten je u jednoj laboratoriji
BIPM-a gdje se cuva u vakuumu ispod tri staklene posude, slika 3.2a. Pored ovog, primarnog, u
BIPM-u se cuva jos sest kopija prototipa koje se zovu sekundarnim etalonima. Nacionalni
metroloski instituti nekih drzava clanica Konvencije o metru takoder posjeduju kopije prototipa
kilograma.
Slika 3.2. Zastita medunarodnog etalona kilograma (a) i komparator etalona za masu (b).
Kilogram je i dalje ostao medunarodna jedinica koja je definisana na prvom (1889), odnosno
trecem (1901) zasjedanju Generalne konferencije za mjere i utege, cija je aktuelna definicija:
Pod dobrim uslovima usporedba izmedu 1 kg Pt-lr etalona mase i etalona napravljenih od
nehrdajuceg celika moze da se uradi s kombinovanom standardnom nesigurnoscu od oko ±10 ug.
Kilogram je, dakle, jedina preostala pramjera osnovnih jedinica koja se, zasad, ne moze
reproducirati koristenjem prirodnih zakonitosti.
3.2.3. Sekunda
Prvobitna sekunda, kao jedinica vremena, definisana je kao 1/86400 dio srednjeg Suncevog
dana. S obzirom da ne postoji jednolicost u polozaju Sunca kao nebeskog tijela u odnosu na sferu u
kojoj se ono krece, Sunce nije pogodno za odredivanje vremena.
Zbog toga je definisana nova jedinica vremena zasnovana na obrtanju Zemlje
oko Sunca, na tzv. tropskoj godini. Tropska godina je vremenski interval izmedu
dva uzastopna prolaska Sunca kroz ekvinokcij4 a iznosi.365 dana, 5 sati, 48
minuta, 46 sekundi.
Zbog toga se tragalo za takvim oscilatorom koji ce imati stalnu frekvenciju kao prirodnu
pojavu, neovisnu o starenju i tehnologiji izrade. Kao najpouzdanije etalonsko mjerilo danas su se
pokazali atomski (kvarcni) oscilatori.
Atomi imaju osobinu da spontano, ili zbog nekog vanjskog poticaja, mijenjaju sadrzaj
energije prelazeci iz jednog energetskog nivoa na drugi. Pri tome moraju razliku energije ili
emitirati ili apsorbovati. Visak energije emitira se u obliku elektromagnetnih talasa, pa su
frekvencije atoma koje odgovaraju prelazu izmedu dva odredena energetska stanja, prirodne
konstante neovisne o vremenu i mjestu. Ovakve rezonantne frekvencije atoma, zbog svoje prirodne
stabilnosti, podesne su kao standardi za mjerenje vremena.
Satovi sa cezijem kao oscilatorom danas se koriste pored etalonskog mjerila jos i kao nacionalni
standardi za odredivanje vremena. Generalna konferencija za mjere i utege je 1967. godine
propisala definiciju za sekundu koja glasi:
"Sekunda je trajanje 9 192 631 770 perioda zracenja koje odgovara prelazu
izmedu hiperfina nivoa osnovnog stanja atoma cezija 133."
Prakticna vremenska skala za siroku medunarodnu upotrebu ima dvije bitne uloge
Referenca koja se danas koristi je lnternacionalno atomsko vrijemeI, TAI(gl. International Atomic
Time). Ova vremenska skala je u BIPM u 2000. godini racunata koristeci podatke od oko 200
atomskih satova smjestenih u priblizno 50 nacionalnih laboratorija. Jedinica skale TAI se odrzava
sto je moguce blize SI sekundi koristeci podatke onih nacionalnih laboratorija koje odrzavaju
najbolje primarne etalone cezija.
TAI je stabilna skala koja ne uzima u obzir nepravilnu rotaciju Zemlje. Za javne i prakticne
svrhe potrebno je imati skalu koja uzima u obzir ovu pojavuTakva skala je Koordinirano
univerzalno vrijeme - UTC (engl. Coordinated Universal Time). Ova skala je identicna s TAI, osim
sto joj se, s vremena na vrijeme, dodaje prestupna sekunda, cime se osigurava da Sunce u toku
jedne godine u prosjeku prelazi meridijan Greenwich u podne UTC skale unutar 0,9 sekundi.
3.2.4. Amper
Na Međunarodnom elektrotehničikom kongresu odrzanom u Parizu 1881. godine
raspravljalo se o mogucnosti uvodenja i cetvrte osnovne jedinice, jer se pokazalo da za tumacenje
mehanickih i elektricnih veličina nisu dovoljne samo tri, nego je neophodna upotreba ampera kao
cetvrte osnovne jedinice.
Dvije godine kasnije definisana je jedinica za jačinu struje: "Jedinica jacine elektricne
struje amper, teorijski je jednaka 1/10 jedinice magnetostatskog sistema, predstavljen je stalnom
strujom koja za jednu sekundu izluci 1,118 mg metala iz voltmetra sa srebrenim nitratom." Kako se
vidi, ova definicija temelji se na Faradayevom zakonu elektrolize, pa je pri mjerenju stalne struje
pomocu voltmetra nuzno poznavati cetiri velicine: relativnu atomsku masu srebra, Faradayevu
konstantu (F=96485,3383 C moF1), masu izlucenog srebra i vrijeme trajanja elektrolize. Pošto je
Faradayeva konstanta vezana za nekoliko drugih prirodnih konstanti, to se greska prenosi i na samu
definiciju ampera.
"Amper je stalna elektricna struja koja prolazeci kroz dva paraielna, ravna,
neograniceno duga vodica, zanemarljivo malog kruznog popregnog presjeka,
postavljena u vakuumu na međusobnom rastojanju od jednog metra uzrokuje
izmedu njih silu od 2 10 7 njutna po metru duzine."
Reprodukcija osnovne jedinice amper danas se vrsi pomocu tzv. strujne vage kojom se
stavlja u ravnotezu poznata masa sa silom koja djeluje izmedu kalemova sa namotajima kada
kroz njih protice elektricna struja. Princip rada ove vage svodi se na uporedivanje sila.
Elektrodinamicka sila koja nastaje kada kroz kalemove tece struja, uravnotezuje se silom utega koji
djeluje na drugom kraku vage.
Za realizaciju jacine struje koristi se indirektna metoda i amper se realizuje preko jedinice
napona (Volt) i jedinice otpora (Ohm). Volt (V) se realizuje putem naponske vage, gdje na
jednom kraku vage djeluje nepoznata "elektricna sila". Ona se uporeduje sa poznatom elektricnom
silom drugog kraka. Ohm se izvodi iz pouzdanog kondenzatora. Prema Ohmovom zakonu Amper je
jednak Volt/Ohm..
3.2.5. Kelvin
Temperatura je jedna od osnovnih fizikalnih veličina bez koje se ne moze zamisliti ni
jedna grana nauke i tehnike. Prvobitno je promjena temperature pracena kao promjena duzine
stupa neke tečnosti čijim se povećanjem ili skraćenjem pod uticajem toplote definisala i fizicka
velicina empirijske temperature. Za referentne tačke uzimano je ledište i vrelište vode.
Od ledišta vode kao fiksne tacke termodinamicke temperature odustalo se 1954. godine
kada je predlozena rezolucija koja glasi:
Trojna tacka vode je ona tacka u kojoj se nalaze u ravnotezi sva tri agregatna stanja vode
(led, tecnost i para). Reprodukcija trojne tacke vrsi se u ampuli od kvarcnog stakla, slika 3.4. U njoj
se hladi visoko cista voda tako dugo dok se ne postigne trojna tacka. Ova tacka ravnoteze je
pogodna za predstavljanje temperature, kao sto je ranije bila tačka ledenja, jer ona je ovisna od
pritiska zraka i rastvorenog kisika. Pomocu celije za realizaciju trojne tacke vode, kalibrira se
termometar, koji sluzi kao etalonski uredaj za dalje reproduciranje jedinica za temperaturu.
3.2.6. Kandela
Definicija "nove svijece" koja se bazira na zracenju crnog tijela objavljena je 1937. godine,
a 1948. godine dobila je naziv kandela. To je 1/60 jacine izvora sto ga ima 1 cm 2 povrsine crnog
tijela u smjeru okomitom na tu povrsinu uz uslov da crno tijelo ima temperaturu taljenja platine.
Ova definicija je u principu i uputa za konstrukciju etalona: uzima se lampa koja daje
jednobojno svjetlo frekvencije 540-1012 Hz i treba voditi racuna da ova lampa dostigne odredenu
jacinu zracenja. Ovakva lampa se ne moze koristiti za svjetlosnu signalizaciju ili za osvjetljenje.
Prednost ove definicije je da ona za ovaj slucaj talasne duzine, povezuje fotometricku
jedinicu Kandela (jedinicu jacine svjetlosti) sa radiometrickom
Da bi se izmjerilo kako svijetla ili tamna svjetlost jedne lampe djeluje na ljudsko oko,
potrebni su mjerni uredaji koji na svjetlost različitih talasnih duzina reaguju slicno kao ljudsko oko.
Takvi prijemnici se zovu fotometri. Jedinica Kandela je realizovana i odrzava se mrezom
specijalnih lampi i fotometara u BIPM-u i drugim visoko razvijenim metroloskim institutima.
3.2.7. Mol
Pojam atomske mase uveo je Dalton 1803. godine. Atomska masa se odredivala iz odnosa
masa u kojima elementi obrazuju spoj. Za mjemu jedinicu Dalton je uzeo hidrogen.
Mol je onoliko grama nekog elementa kolika je njegova atomska masa pomnozena sa
brojem atoma u molekuli. Dakle, mol je broj jedinki u masi nekog materijala, koji odgovara
atomskoj masi u gramima. Na primjer, kod ugljika je to 12 grama (atomska masa ugljika je 12).
Ovo je uvijek isti broj jedinki, oko 6,022-1023. Ova brojna vrijednost se zove Avogadrova konstanta
(Na). Prema tome 1 mol je kolicina koja se sastoji od Na jedinki. Da bi se predstavio mol, cestice
se moraju prebrojati.
Ukoliko bi se u ovome uspjelo, onda bi se postigla dva cilja: dobila bi se precizna metoda
za predstavljanje mola i drugo, imala bi se nova metoda za realizaciju kilograma na osnovu
Avogadrove konstante.
(3.7)
Mjerna jedinica za prostorni ugao je steradijan (oznaka je: sr). Steradijan je jedinica za
prostomi ugao koji je jednak prostornom uglu stošca sa vrhom u sredistu kugle i koji na površini
kugle zauzima dio površine jednake kvadratu radijusa kugle. Prostorni ugao se odreduje iz izraza:
(3.8)
Kako se iz samih definicija osnovnih jedinica vidi, neke od njih stoje u višestrukom
uzajamnom odnosu. Na primjer, u definiciji jedinice za jacine struje uključeni su vrijeme, duzina a
takoder i masa (preko definicije jedinice za silu). Pregled veza izmedu osnovnih jedinica dat je na
slici 3.5. Istovremeno, na slici je data i trenutno dostignuta mjerna nesigurnost s kojom je
realizovana svaka od pojedinih jedinica
Na slici 3.5 data je takoder i veza izmedu osnovnih jedinica i fundamentalnih konstanti
(zeleno obojena polja). Nazivi pojedinih fundamentalnih konstanti kao i njihove brojne vrijednosti
date su u prilogu A4. Kako se vidi, mjerna jedinica za vrijeme je realizirana sa najvećom
pouzdanošću, ima mjernu nesigurnost reda velicine 10-15 i direktno je ukljucena u definiciju jedinica
za duzinu, jačinu struje i jačinu svjetlosti.
I kod najpreciznijih mjerenja mjerni rezultat sadrzi manju ili veću grešku. Da bi se sto
pouzdanije procijenila stvarna vrijednost mjerene velicine, mjerenja se ponavljaju vise puta. Po
svojoj prirodi rezultati mjerenja predstavljaju slucajne velicine i kao takve obraduju se metodama
statisticke analize. Odgovarajucim postupkom se od mnoštva rezultata ponovljenih mjerenja
zakljucuje o najpouzdanijem konacnom rezultatu i ocjenjuje se nepouzdanost tog rezultata.
4.1 UVOD
Statistički podaci ili originalni empirijski podaci se dobijaju kao rezultat poje-dinacnih
mjerenja tj. posmatranja ili opazanja. Mjerenje predstavlja dodjeljivanje odredenog broja, simbola
ili znaka odredenoj pojavi ili objektii. Ovi simboli mogu biti alfabetski znakovi kojima se
predstavljaju odredene klase ili pojmovi i numericki (brojcani) podaci. U prvom slucaju nad
podacima se ne mogu vrsiti algebarske operacije, dok je to u drugom slucaju moguce.
Statistika i statisticka analiza zasnivaju se na analizi većih skupina posmatranih podataka koji
se nazivaju statisticki skup ili populacija. Pod statistickim skupom podrazumijeva se, dakle, skup
elemenata koji posjeduju neko zajedničko obiljezje čija mjerna ili numericka vrijednost varira od
elementa do elementa. Sami elementi mogu biti npr. istovrsni proizvodi ili neki dogadaj (pojava). Ako
je na skupu definisano jedno obiljezje, kaže se da je skup jednodimenzionalan. Ako su na elementima
skupa istovremeno definisana dva obiljezja, onda je skup dvodimenzionalan. U torn slucaju rezultati
mjerenja ili opazanja su parovi brojeva (xy), od kojih se prvi odnosi na jedno, a drugi na drugo
obiljezje.
Analiza statističkog skupa opcenito moze biti sadrzinska, prostorna i vremenska. Na osnovu
ovoga moze se definisati i cilj statisticke analize, a to je dobijanje relevantnih statistickih pokazatelja
potrebnih za opisivanje i u krajnjoj liniji, za upravljanje posmatranim pojavama i sistemima. Pod
uticajem unutrasnjih i/ili vanjskih faktora u ovim sistemima se odvijaju izvjesne promjene preko kojih
se tumaci njegovo ponasanje (kretanje) ili razvoj (ako su u pitanju biološki sistemi). Jedan od zadataka
statisticke analize je i da otkrije unutrasnje veze izmedu elemenata sistema i veze s drugim sistemima
iz okruzenja i utvrdi zakone promjena u ponasanju sistema kao cjeline.
Pri rjesavanju odredenih konkretnih zadataka kada se raspolaze s manjim brojem mjerenja ili
eksperimentalnih podataka, realna je opasnost dobijanja netacnih statistickih pokazatelja, pa se
principijelno, s povecanjem broja posmatranih podataka, povecava i pouzdanost dobijenih statistickih
pokazatelja.
Dio ili element statistickog skupa naziva se statisticka jedinica koja je nosilac informacija o
kvalitativnim i kvantitativnim karakteristikama skupa. Svaka statisticka jedinica moze karakterizirati
statisticki skup, tj. moze ispoljavati svoju osobenost i mora biti tacno odredena sljedecim
komponentama: sadrzajnom ili sustinskom, prostornom ili teritorijalnom i vremenskom ili
hronoloskom.
Primjer 4.1. Izmjerene vrijednosti sile u kN prilikom jedne od faza kovanja uzorka
sačinjenog od 20 koljenastih vratila date su u tabeli 4.1:
Tabela4.1.
Statističko obiljezje, u ovom slucaju sila, je kontinuiranog tipa jer moze uzeti bilo koju
vrijednost izmedu 220 i 310 kN.
Primjer 4,2. Kontrolor uzima uzorke od po 30 proizvoda i svaki put zapiše broj neispravnih
komada u uzorku. Nakon 20 pregledanih uzoraka dobijeni su podaci dati u tabeli 4.2:
Obiljezje x ovdje ima znacenje broja neispravnih proizvoda u jednom uzorku, stoga je ono
diskretnog karaktera jer moze poprimiti samo cjeiobrojne vrijednosti 0, 1,..., 30.
Pri statistickoj analizi podataka dobijenih mjerenjem, podatke je potrebno sortirati, odnosno
urediti prema unaprijed odabranom kriteriju, pri cemu se dobija ureden niz empirijskih podataka. Tako
ureden niz empirijskih podataka naziva se empirijska raspodjela. Logicki ili po nekom algoritmu
sređene informacije (podaci) o modalitetima u okviru jednog obitjezja nazivaju se statisticki niz.
Prema prirodi (suštini) obiljezja statističke jedinice razlikuju se nizovi strukture i vremenski
(hronološki) nizovi. Nizovi strukture mogu biti osnovni statisticki nizovi, nizovi proste raspodjele
frekvencija i intervalni nizovi.
Posmatranjem empirijskih podataka moze se ustanoviti da medu njima ima i jednakih
vrijednosti. Prvi korak u sredivanju podataka sastoji se u grupisanju podataka u razrede (klase),
drugim riječima, u izradi raspodjele (distribucije) frekvencija.
Jedan od nacina grapisanja jeste da se sve jednake vrijednosti stave u jedan razred. Ovakvo
grupisanje ustvari predstavlja prebrojavanje koliko puta se pojedina vrijednost javlja medu
empirijskim podacima i naziva se prosta raspodjela frekvencija. Prosta raspodjela frekvencija se,
prema tome, uvijek izrazava u obliku dva niza informacija ili podataka. Prvi niz čine informacije o
modalitetima obiljezja x, a drugi niz cine numericki podaci o posmatranim jedinicama – frekvencije.
Primjer 4.3. Za ilustraciju proste raspodjele frekvencija razmotriće se podaci iz primjera 4.2.
Najmanja vrijednost u ovom skupu podataka je 0, a najveca 4, pa se u prvi stupac (xi) tabele 4.3
stavljaju brojevi od 0 do 4. U drugi stupac tabele unose se pripadajuce frekvencije, koje predstavljaju
broj pojavljivanja pojedinih vrijednosti xi.
Iz grupisanih podataka se jasno vidi koje se vrijednosti obiljezja češce ili rjeđe javljaju. Jos
pregledniju sliku daje graficki prikaz distribucije frekvencija, slika 4.1. Izlomljena linija na slici 4.1
koja je nastala spajanjem tacaka (x,f) naziva se poligon frekvencija.
Ako je podrucje rasipanja vrijednosti obiljezja x dosta veliko, onda bi prosta raspodjela frekvencija
dovela do velikog broja razreda. Pri takvom grupisanju dosle bi do izrazaja i najmanje, zapravo sitne i
nevazne varijacije obiljezja x.
Osnovni statistički pojmovi
(4.1.)
(4.2.)
(4.3)
gdje je:
(4.4)
i=1,2,3,….,k (4.5)
odnosno:
(4.6)
jer je Ci+1=Ci + h.
Osnovni statistički pojmovi
Primjer 4.4. Prilikom procesa kontrole mase elemenata jednog uzorka sačinjenog od 20
proizvoda izmjerene su vrijednosti mase u g koje su dale u tabeli 4.4. Izvrsiti grupisanje ii razrede i
nacrtati poligon frekvencija.
R N =x N -x 1 =30-22 = 8,
Usvaja se k=5.
Podaci iz tabele 4.4 grupisani su u razrede, tabela 4.5, tako sto su u prvom i drugom stupcu dati
razredi i sredine razreda C i , respektivno. Apsolutne frekvencije i relativne frekvencije, kao i njihove
kumulativne vrijednosti date su od treceg do sestog stupca tabele.
Kod grupisanja u razrede moze se uociti da su donje granice razreda ukljucene u odgovarajuci
razred. U konkretnom slucaju širina razreda je 2 g. Važno je napomenuti da se ni jedna vrijednost obiljezja
ne moze svrstati u dva razreda. Svaki razred se moze reprezentovati njegovom sredinom (drugi stupac
tabeie 4.5). Poligon frekvencija za ovaj slucaj dat je na slici 4.2a
Osnovni statistički pojmovi
U statistickoj obradi podataka cesto se osim apsolutnih frekvencija koriste jos i relativne
frekvencije, koje se racunaju kao:
(4.7.)
Ukoliko se izracunaju relativne frekvencije za svaki razred i izvrsi postupno sumiranje, tj.
naprave se redom sume fr1 , fr1 +fr2, fr1 + fr2 +fr3..... dobiće se kumulativne relativne frekvencije.
Njihovo značenje jeste proporcija broja podataka koji se nalaze u razredima u odnosu na ukupni broj
podataka ;V, cije su relativne frekvencije sumirane. U petom i sestom stupcu tabele 4.5 date su
relativne frekvencije i kumulativne relativne frekvencije za primjer 4.4. Na slici 4.2b prikazan je
poligon kumulativnih frckvencija. Sa ovog dijagrama moze se, na primjer, vidjeti da od ukupno 20
izmjerenih vrijednosti mase, njih 17 odnosno 85% ne prelazi vrijednost od 27 g.
Matematicko očekivanje
(4.9)
(4.10)
racuna kao:
(4.11)
(4.12)
k
gdje je k broj razlicitih frekvencija (k<N) i N= fi . Moze se primijetiti da u ovom slucaju
i 1
vjerovatnoce pojavljivanja pojedinih vrijednosti xi nisu jednake.
(4.13)
(4.14)
(4.15)
Primjer 4.5. Mjerenjem precnika pet povrsina ostecenja koja imaju oblik kruga
dobijeni su rezultati koji su dati u tabeli 4.6. Odrediti srednji precnik povrsina ostecenja.
x K 2 21,2132 2 3 ,1415
A5 5 1764 ,4 mm 2
4 4
Aritmeticka sredina u ovom slucaju iznosi
1 5 1
X xi 15 20 10 25 30 20 mm
5 i 1 5
Ako se uzme da svih pet precnika ostecenja imaju vrijednost aritmeticke sredine, ukupna
povrsina ce biti
Moze se uociti da aritmeticka sredina daje znatno manju vrijednost ukupne povrsine
oslecenja od stvarne površine. Dakle, u situacijama gdje slucajna varijabla utice na drugom
stepenu, za proracun srednje vrijednosti potrebno je koristiti kvadratnu sredinu. Znaci, kod računanja
srednje vrijednosti više povrsina, za proracun je potrebno koristili povrsine a ne precnike pojedinih
površina.
Izracunavanje geometrijske sredine ima smisla samo za ona obiljezja cije su sve vrijednosti
vece od nule. Njena najvaznija primjena je kod istrazivanja dinamike procesa, jer su tu vaznije razlike
u odnosima nego u apsolutnim velicinama.
Primjer 4.6. Godisnja proizvodnja u jednoj tvornici u toku 3 godine iznosila je: 4000, 1
8000 i 36000 proizvoda respektivno. Odrediti prosjecan porast proizvodnje.
Na osnovu podataka vidi se da je proizvodnja u drugoj godini 4,5 puta veca nego u
prvoj, dok je u trecoj 2 puta veca nego u drugoj. Posto se radi o vremenskom nizu, prosjecan
porast proizvodnje se racuna koristenjem izraza za geometnjsku sredinu:
4000 18000
x1 x2 4 ,5 2
X 3,25
2 2
koji ne odgovara realnom slanju jer je proizvodnja od prve do trece godine povecana 9
puta (4000-3-3 = 36000).
(4.17)
Harmonijsku sredinu ima smisia traz,
Harmonijsku sredinu ima smisla tražiti za ona obiljezja cije su sve vrijednosti razlicite od
nule. Ima osobinu srednje vrijednosti, ali njena interpretacija nije ocigledna. Koristi se u
slucajevima kada su obiljezja statistickih jedinica izrazena u obliku takozvanih reciprocnih
pokazatelja. Na primjer, vrijeme utroseno za izradu jedinice proizvoda je reciprocna vrijednost
produktivnosti (sto je vrijeme vece, produktivnost je manja).
Primjer 4.7. lzracunati prosjecnu brzinu kretanja vozila koje se na jednoj dionici puta krece
brzinom vt=120 km/li i pri tome prijede put od J=240 km, a na drugoj dionici koja je iste duzine vozi
brzinom v,=80 km/h.
Vozilo je prvu dionicu puta prešlo za 2 sata, dok mu je za drugu dionicu trebato 3 sata, pa je,
prema aritmetickoj sredini, preslo put od 500 km, sto ne odgovara stvarnom stanju. Istovremeno,
harmonijska sredina iznosi:
Na osnovu harmonijske sredine vozilo je preslo 480 km, sto odgovara stvarnom stanju.
Za raspodjelu frekvencija u slucaju jednakih širina razreda (h) mod se racuna prema
izrazu:
(4.18)
gdjeje:
- fm0 -fmo+1 razlika frekvencija modalnog razreda i razreda koji neposredno slijedi
iza njega.
Medijama statistickog niza se definise kao vrijednost sredisnjeg clana niza koji je prethodno
uređen po rastucem ili opadajucem redoslijedu. Za niz koji ima neparan broj elemenata, medijana je
ona vrijednost obiljezja koja je ½ (N+1) po redu. U slucaju niza koji ima paran broj clanova, medijana
se racuna kao aritmeticka sredina između vrijednosti obiljezja koja se nalaze na N/2 i (N/2+1) mjestu.
Primjer 4.9. Za statisticki skup dat u tabeli 4.7 izracunati medijanu i aritmeticku
sredinu i komentarisati dobijene vrijednosli.
Tabela 4.7
(4.19.)
(4.20)
e
dok je f e 1 kumulativna frekvencija svih razreda koji prethode medijalnom
e2
razredu [Cc,Ce+]).
Postavlja se pitanje koju srednju vrijednost treba koristiti pri analizi statistickog skupa? Na
osnovu prezentiranih primjera, na ovo pitanje se ne moze da da i precizan odgovor jer sve
zavisi od analiziianog problema. Na vrijednost
aritmeticke, kvadratne, geometrijske i harmonijske sredine uticu svi elementi statističikog skupa,
dok na medijanu ili mod krajnje vrijednosti niza nemaju uticaja. Dok se aritmeticka sredina moze
racunati bez obzira da li su podaci sređeni ili ne, mod i medijana se mogu izracunati samo ako su
podaci sređeni.
Stoga, ako se zeli iskljuciti djelovanje krajnjih vrijednosti, uvijek trcba koristiti medijanu
ili mod. U suprotnom slucaju, koriste se aritmeticka ili kvadratna sredina, prema tome da li se
ispituje pojava gdje tekuca vrijednost utice na prvom ili drugom stepenu. Geometrijska i
harmonijska sredina koriste se kao mjere brzine nekih promjena.
(4.21)
(4.22)
Varijansa,dakle,predstavlja kvantitativnu mjeru rasturanja vrijednosti
statistickog niza xi, od njegove aritmeticke sredine.
Izraz (4.22) odnosi se na varijansu distribucije frekvencija. Na osnovu definicione relacije
za matematicko ocekivanje (4.8), opsti izraz za varijansu diskretne slucajne varijable ima oblik:
(4.23)
(4.24)
(4.25)
(4.26)
(4.27)
(4.28)
Standardna devijacija, za razliku od varijanse, predstavlja srednje odstupanje pojedinacnih
vrijednosti xs od njihove aritmeticke sredine. Varijansom se apsolutna odstupanja izrazavaju
kvadratnim mjernim jedinicama, dok se standardnom devijacijom ova odstupanja izrazavaju istim
mjernim jedinicama kojima su mjerene ili izrazene individualne posmatrane vrijednosti obiljezja. Na
racun ovoga je olaksana interpretacija statistickih pokazatelja.
Jedan od temeljnih pojmova statistike je uzorak koji se definise kao cjelina uzeta iz
statistickog skupa (populacije) na takav nacin da je ona predstavnik tog skupa. Zadatak statistike je
da analizom uzorka procijeni karakteristike cijelog skupa. Obicno se karateristike uzorka
oznacavaju slovima latinice, a karakteristike nepoznatog parametra osnovnog skupa slovima grcke
abecede. Stoga se procjena varijanse osnovnog skupa moze izracunati na osnovu varijanse uzorka
koja sc racuna prema izrazu:
(4.29)
N
1
SD
N
x
i 1
i x (4.30)
N
1
SD
N
f (x
i 1
i i x) (4.31)
(4.32)
(4.33)
SD
VS p 100% (4.34)
X
(4.35)
U slučaju kada su dvije populacije koje se uporeduju heterogene po svom sastavu, na osnovu
uporedivanja njihovih aritmctickih sredina moze se doci do pogrešnih zakljucaka. Tada se obicno
koristi metod standardizacijc kojom se eleminišu efekti koji su rezultat heterogenosti. Ovaj princip se
koristi i onda kad je u pitanju samo jedna populacija koja je data u obliku statistickog niza kada se
pojedinačne vrijednosti obiljezja unutar samog niza mcdusobno znatno razlikuju.
Postupak standardizacije se izvodi tako sto se prvo nađu razlike pojedinacnih vrijednosti
statistickog niza od aritmeticke sredine tj. (x, -x), koje se nazivaju i centriranim obiljezjima. Ako se
svako centrirano obiljezje stavi u odnos sa standardnom devijacijom niza, nastaje normirano ccntrirano
obiljezje koje se naziva standardizirano odstupanje, a racuna se pomocu izraza:
(4.36)
Kvantil je opsti naziv za vrijednost obiljezja na 25%, 50% i 75% mjestu statistickog niza
uredenog po rastucem redoslijedu. Svaki od navedenih kvantila naziva se kvantil. Jasno je da drugi
kvantil (Qz) ustvari predstavlja medijanu.
Pecentili prcdstavljaju vrijednosti obiljezja na 1%, 2%, ..., 99% mjestu statistickog niza u
odnosu na prvi element, uređenog po rastucem redoslijed.
Kod lijeve asimetrije, desno od srednje vrijednosti nalazi se kraci ogranak krive distribucije,
slika 4.3b, tj. kriva ima duzi 'lijevi rep'. Potreban ali ne i dovoljan uslov simetricnosti izrazava se
uslovom x = Mo = Me.
Slika 4.3. Asimetrija udesno (pozitivna asimetrija) - (a) i asimetrija ulijevo (negativna
asimetrija) - (b).
(4.38)
(4.41)
(4.42)
(4.42)
(4.44)
gdje je koristen izraz (4.36) za standardizirano obiljezje z.
x Mo
Ka (4.45)
Mo = x-3(x-Me), (4.46)
(4.48)
(4.49)
4.5.2. Mjera zaobljenosti
Slika4.4. Primjeri krivih distribucije s raznim mjerama zaobljenosti. Kocficijent zaobljenosti se racuna
preko izraza za cetvrti normirani moment, tj.
Primjer 4.10, Mjerenjem precnika rukavca uzorka od 40 vratila koja su obradivana struganjem
dobijeni su rezultati koji su dati u tabeli 4.8. Izracunati medijanu i komentarisati oblik krive
distribucije frekvencija.
Osnovni statistički pojmovi
Za proracun medijane podatke je prethodno potrebno sloziti prema rastućem rasporedu, slika
4.5a. Posto se radi o intervalnoj raspodjeli frekvencija, medijana se racuna prema izrazu(4.19).
gdje je:
— fe=6- frekvencija medijalnog razreda (razred cija je kumulativna frekvencija
jednaka ili prelazi polovinu ukupne frekvencije, slika 4,5a),
h = 0,03- sirina razreda,
Ce - 50,095 donja granica medijalnog razreda,
e
-- f e 1 -kumulativna frekvencija svih razreda koji prethode medijalnom.
e 2
Na osnovu podataka izracunatih u tabeli 4.8 mogu se odredili aritmeticka sredina i varijansa:
1 k 1
X
N i 1
f i ci
40
2005.21 50.1303
s s 2 0.0026 0.051mm
Za proračun moda mogu poslužiti podaci iz tabele 4.8. gdje se vidi da je modalni razvod onaj
čija je freekvencija 12 i donja granica 50.125mm.Na osnovu obrazca(4.17)mod iznosi:
x Mo
Ka 0.1118
s
Osnovni statistički pojmovi
Distribucija frekvencija data je na slici 4.5b. Moze se uociti da precnik rukavca ima
trend povecavanja, sto se moze objasniti prisustvom sistematske greske zbog zatupljenja reznog
alata.
Slika 4.5. Raspored frekvencija: (a) prema rastucem rasporedu, (b) histogram i
kumulativne frekvencije
Teorijske raspodjele frekvencija
5
TEORIJSKE RASPODJELE
FREKVENCIJA
Na primjer, posmatra se rad automata koji radi ujednaceno tokom vremena. U tom slucaju
svakom izradenom proizvodu pripada ista vjerovatnoca da bude defektan (p), odnosno uvijek ista
vjerovatnoca da bude ispravan (q).
Teorijske raspodjele frekvencija
Neka se cksperiment u kojem moze nastupiti dogadaj A ponovii n puta. Broj nastupa
dogadaja A u tih n eksperimenata predstavlja varijablu x, koja moze primiti vrijednosti 0,1,2,...,n .
Naime, u n eksperimenata u ekstremnim slucajevima dogadaj A moze uopce ne nastupiti, ili se pak
moze dcsiti da nastupi u svakom od eksperimenata.
5.2)
Izraz (5.2) omogucuje da se do vjerovatnoce P(x) dode na relativno jcdnostavan nacin na
osnovu prethodne vjerovatnoce P(x-1). Dakle, poznavanjem vrijednosti P(0) moze se jednostavno
izracunati P(l), P(2), ... Vrijednost P(0) odreduje se iz:
(5-3)
Ostatak proracuna se vrsi koristenjem izraza (5.2), a rezultati su dati u tabeli 5.1.
(5.4)
Teorijske raspodjele frekvencija
Kao što je receno, binomni raspored pokazuje vjerovatnoce dobijanja x uspjeha prilikom n
opita nekog eksperimenta, tj. Bernoullijevog procesa. Ako je broj opita veliki, direktno
izracunavanje vjerovatnoce za odgovarajuce vrijednosti slucajne promjenjive postaje
komplikovano. Ukoliko je vjerovatnoca uspjeha vrlo mala (najcesce se uzima p<0,05) i kada je n>20,
umjesto binomnog modela moze se korisiti Poissonov. Moze se vidjeti da kada je p blisko nuli, u
stvari se ispituju dogadaji cija je vjerovatnoca pojavljivanja vrlo mala i koji se oznacavaju kao rijetki
dogadaji.
I kod ove distribucije varijabla x moze uzeti samo cijele pozitivne vrijednosti. Moze se
uociti da je jedini parametar Poissonove raspodjele. Za proracun racuna se prvo aritmeticka
sredina X , koja se koristi za procjenu , nakon cega se racunaju vjerovatnoce:
(5-7)
(5.8)
karakteristicnim velicinama.
Uvodenjem smjene:
odnosno:
Za x = 0 i = l jednacina (5.11) se svodi na funkciju koja je poznata pod nazivom
jedinicna (standardizirana) normalna raspodjela:
(5.13)
i predstavlja vjerovatnocu realizacije događaja kod koga slucajna promjenjiva ima jednaku
ili manju vrijednost od neke unaprijed odabrane vrijednosti x.
Vjerovatnoca da varijabla x primi neku vrijednost iz intervala (x1,x2) izrazava se prema
svojstvu funkcije vjerovatnoce relacijom:
(5.14)
Integral (5.14) predstavlja, ustvari, povrsinu nad intervalom (zuz2) ispod krive vjerovatnoce
jedinicne normalne raspodjele N {0,1}.
U slucaju da je z1=0 slijedi x1 –x pa je vjerovatnoca:
(5.15)
Ova vjerovatnoca odgovara povrsini datoj na slici 5.5. Za razlicite vrijednosti z2
vjerovatnoce P(zi) daju se tabelarno (tabela u Prilogu Bl). Pomocu njih je moguce
odgovarajucim slaganjem izracunati svaku drugu vjerovatnocu pri
Vjerovatnoca da se slucajna promjenjiva x nalazi u nekom intervalu (x1,X2) moze se, dakle,
izracunati pomocu relacije:
Slika 5.6. Povezanost izmedu normalnog rasporedaN{/j, o~) i jedinicnog nomialnog rasporeda
7V{0,1}.
Primjer 5.5. Automat proizvodi metalne kuglice mase 24 g s tolerancijom ε=0,05 g i σ=0,03
g. Pod pretpostavkom da tezine metalnih kuglica imaju normalni raspored N {x= 24, σ= 0,03}
izracunati procenat broja kuglica u intervalu tolerancije.
(a) Na osnovu znacenja vjerovatnoce P(z) i slike 5.7 trazena vjerovatnoca je:
(b) Vjerovatnoca da varijabla x primi bilo koju vrijednost manju od 21,5 °C. Na osnovu slike 5.7
slijedi:
(c) Vjerovatnoca da varijabla x primi neku vrijednost vecu od 21,5 °C prema slici 5.7 je:
U prakticnoj primjeni normalne raspodjele vrlo cesto se koriste intervali (//-zfTj/z + zcr) u
cijem se sredistu nalazi vrijednost ocekivanja μ(x=μ), pri prilagodavanju empirijskih podataka
normalnoj raspodjeli. Od velicine intervala, tj. promjenjive z, zavisice i vjerovatnoca koja mu pripada.
Za neke tipifine vrijednosti z na slici 5.8 i u tabeli 5.2 date su vrijednosti vjerovatnoca odgova-rajucih
intervala.
Kako se vidi, pri normalnoj raspodjeli 95,44% svih vrijednosti promjenjive x zadovotjava
nejednakost: μ-2σ<x<μ+2σ, a 99,73% svih vrijednosti promjenjive zadovoljava nejednakost μ-
3σ<x<μ+3σ , slika5.8.
U slucajevima kada se radi o malom broju mjerenja (n<30), umjesto normalne koristi se
Studentova raspodjela. Za slucajnu varijablu t kale se da je distribuirana po Studentovoj raspodjeli ako
je definisana na intervalu (-∞,+∞) i cija fixnkcija vjerovatnoce ima oblik:
(5.17)
(5.18)
(5.19)
Novo, transformirano obiljezje t, prema (5.19) slijedi funkciju r-raspodjele. Ova raspodjela je
simetric'na (a3=0) isto kao i normalna raspodjela, all sa razlicitom disperzijom (koeficijent
spljostenosti «4<3), koja zavisi od broja v (broj stepeni slobode). Disperzija se smanjuje s porastom v,
tako da kada je v = 30 razlika izmedu / i nonnalne distribucije postaje prakticno beznacajna.
(5.22)
odakle je standardna devijacija:
(5.23)
Statičke hipoteze
6
STATISTIČKE HIPOTEZE
Naučna istraživanja često se realizuju tako što se prethodno definiše hipoteza koja se
onda eksperimentalno potvrđuje ili odbacuje. Statistićka hipoteza je vrijednost odnosno unaprijed
utvrđeno značenje jednog ili više parametara zadate raspodjele ili sam oblik raspodjele. Problem
formulisan u vidu statističke hipoteze, kao predmet istraživanja, potrebno je riješiti tako da se
hipoteza eksperimentalno potvrdi ili odbaci.
Pod statističkim zaključkom se podrazumijeva postupak donošenja zaključaka o
karakteristikama (parametrima) statističkog skupa na osnovu posmatranja samo jednog
reprezentativnog dijela tog skupa. Dio skupa na osnovu kojeg se donose zaktjučci o izvjesnim
karakteristikama datog skupa naziva se uzorak.
Statičke hipoteze
Slučajan izbor znači takav izbor pri kome se jedinice skupa biraju nezavisno jedna od
druge, a sve imaju jednaku mogućnost da budu izabrane u uzorak ili određenu i unaprijed poznatu
(ne nužno podjednaku) mogućnost izbora. Kod prostog slučajnog uzorka izbor se vrši bez
ograničenja - sve kombinacije u uzorku su jednako vjerovatne i moguće.
Statičke hipoteze
Nezavisno izvlačenje podrazumijeva da izbor bilo koje jedinice u uzorak nema uticaja na
vjerovatnoću izvlačenja ostalih jedinica, što nijc slučaj kod konačnih skupova. Kod konačnih skupova
izborom jedne, mijenja se vjerovatnoća izbora drugih jedinica.
Medutim, ako je konačni skup vrlo veliki, onda se i njegova struktura može ocjenjivati iz
uzorka na isti način kao i struktura beskonačnog skupa jer izvlačenje pojedinih jedinica neosjetno utiče
na vjerovatnoću izbora ostalih. Isto tako, ako se izbor iz konačnog skupa vrši s ponavljanjem, tj.
vraćanjem izvučenih jedinica u skup, onda se vjerovatnoća izbora ne mijenja pri sukcesivnom
izvlačenju jedinica, čak i kada je konačni skup mali.
Iz konačnog skupa veličine N, moguće je izvući konačan broj različitih uzoraka veličine n.
Za takav izbor koriste se najčešće tablice slučajnih brojeva, Sto se tiče oblika rasporeda aritmetičkih
sredina prostih slučajnih uzoraka, može se dokazati da će taj raspored, kada se uzorci izvlače iz
normalno raspoređenog skupa:
(6.1)
(6.2)
Kada varijansa skupa nije poznata, standardna greška računa sc na osnovu procjene
stnndardne devijacije uzorka:
(6.3)
Statičke hipoteze
Raspored aritmetičkih sredina prostih slučajnih uzoraka izvučenih iz jednog skupa (bez
obzira kakav je raspored tog skupa) teži normalnom rasporedu kada veličina uzorka teži
beskonačnosti.
Pored prostih slučajnih uzoraka, postoje i uzorci koji se uzimaju takoder po principu
slučajnosti, ali na osnovu prethodnog razgraničenja skupa iz kojeg se uzimaju. Slučajan izbor ovdje
znači da svaka jedinica ima odreženu i poznatu (ne obavezno i podjednaku) mogućnost da bude
izabrana u uzorak. Ovakvi uzorci nazivaju se kontrolisani, i oni se međusobno razlikuju prema
vrsti ograničenja izbora.
Pri stratifikaciji skupa mora se voditi računa i o tome da razlike između stratuma budu sto
veće, jer ako to nije slučaj, stratifikacija neće biti opravdana, odnosno rezultati se neće bitno
razlikovati od onih dobijenih primjenom prostih slučajnih uzoraka. Na primjer, ukoliko se u jednoj
tvornici želi napraviti analiza tačnosti alatnih mašina, onda je logična stratifikacija cjelokupnog
mašinskog parka na podgrupe, definisane sa aspekta starosti mašina.
Pored prednosti koju stratifikovan uzorak daje u odnosu na prosti slučajni uzorak, on je
pogodniji i zbog toga sto pruža detaljnije informacije o samoj pojavi koja se istražuje. Naime,
stratifikovani uzorak daje informacije ne samo o karakteiistikama cijelog skupa, nego i o pojedinim
njegovim dijclovima.
Statičke hipoteze
Kod korištenja uzoraka prvu grupu problema čine oni koji se odnose na procjenu parametara
(karakteristika) osnovnog skupa na osnovu rezultata dobijenih obradom podataka u uzorku. Ovi
problemi poznati su i pod nazivom procjene. Druga grupa problema obuhvata donošenje odluka
(tcstiranje hipoteza) koje se odnose na neku karateristiku osnovnog skupa.
Kada je u pitanju donijeta odluka o prihvatanju ili odbacivanju nulte hipoteze Ho, mogu se
pojaviti dvije vrste grešaka. Prvo, ako je nulta hipoteza Ho stvarno istinita (tačna), a daje odbačena,
onda je učinjena tzv. greška prve vrste. U drugom slučaju, ako je tačna altemativna hipoteza H1, a
prihvaćena nulta hipoteza Ho, onda je učinjena greška druge vrste tj. pogrešno prihvatanje Ho.
Vjerovatnoća pojave greške prve vrste tj. odbacivanja nulte hipoteze Ho kad je ona tačna
iznosi a = 1 - p . Analogno, vjerovatnoća greške druge vrste, tj. prihvatanja nulte hipoteze Ho kad je
ona neistinita iznosi ß = 1 - p . Sve mogućnosti u pogledu istinitosti nulte hipoteze Ho i pravilnosti
zaključivanja prikazane su u tabeli 6.1.
Statičke hipoteze
Veličina:
(6.4)
naziva se jačina (moc) testa i predstavlja vjerovatnoću da se ne učini greška druge vrstc.
Na primjer, prilikom kontrole kvaliteta jedne serije proizvoda uzima se uzorak i testira
hipoteza da cijela serija zadovoljava propisani kvalitet. U slučaju da se odbaci cijela serija kada ona
zadovoljava propisane uslove, čini se greška prve vrste čija je vjerovatnoća α. Ova vjerovatnoća se
naziva rizikom prve vrstc ili rizikom proizvođača. Ako se cijela serija proizvoda prihvati kada ona ne
zadovoljava propisani kvalitet, čini se greška druge vrste čija je vjerovatnoca ß koja se naziva i
rizikom druge vrste ili rizikom potrošača.
Statičke hipoteze
Ovaj test se koristi za testiranje hipoteze o aritmetičkoj sredini osnovnog skupa, ili hipoteze o
jednakosti aritmetičkih sredina dva osnovna skupa na osnovu njihovih uzoraka pri čemu je varijansa
osnovnog skupa 2 nepoznata.
(6.5)
Ako se iz osnovnog skupa uzme uzorak od n elemenata, sa aritmetičkom sredinom je, kao
alternativne hipoteze mogu biti testirane sljedeće hipoteze:
(6.6)
(6.7)
(a) (b)
Statičke hipoteze
Izraz stepen slobodc sc koristi u vise znacenja koja se medusobno neznatno razlikuju. U biti,
stepen slobode jednog niza varijabli jest broj vrijednosti kojc sc mogu oznaciti proizvoljno unutar
specificnosti osobina niza. Na primjer, za uzorak od k razreda slijedi v=k~-\, sto znaci da se k-\
vrijednost moze proizvoljno mijenjati, dok jedna prcostala vrijednost ne mozc.
(6.8)
Podmcje odbacivanja hipoteze //« obuhvata vrijednosti <<ta, gdje je ta tako odabrana
vrijednost varijable I za koju vrijedi: P,\t <ta}~a . Zbog sime-tricnosti Studentovc /-raspodjele s
obzirom na f=0, vrijedi jednakost: tt_a =~ta. Podrucje prihvatanja i odbacivanja hipoteze dato je na
slici 6.2b.
S obzirom na svoj karakter, odnosno nacin na koji su definisana kriticna podrucja, testovi
dati izrazima (6.6) i (6.8) nazivaju se xjednostrani testovi.
(6.9)
6.10)
Slika 6.3. Područje prilivatanja i odbacivanja nulte hipoteze kod dvostianog t-tesla.
Statičke hipoteze
(6.11)
Podrucje prihvatanja i odbacivanja hipoteze Hu dato jc na slici 6.3. Tcstovi oblika (6.9)
nazivaju se dvosmjerni.
Primjer 6.1. Izracunati pragove znacajnosli kod dvostranog Mesta za slucaj n-\6 kada nivo
znacajnosti iznosi 95 % i 99 %.
(a) Gornji i donji prag znatSajnosti za vjerovatnocu kriticnih podruija a = 0,05 :
Na osnovu stepena slobode v=n-l=8-l=7 iz tabele u prilogu B2 ocitava se: t t7 ;0 ,05 2 ,365
i posto je |t| > tα , nulta hipoteza Ho se odbacuje i kao istinita prihvata alternativna hipoteza 3H1.
Statičke hipoteze
Za uzorkc vclicine n>31 stepcn slobode /-raspodjetc jc v>30, pa se ona tada moze
aproksimirati jedinicnom normalnom raspodjelom. To prakticno znaci da se nece uciniti velika greska
ako se nulta hipoteza Ho prihvati ako je:
(6.12)
odnosno odbaci Ho i prihvati 3H1 ako je |t| > 1,96 pri cemu je rizik 5%.
6.3.2. Testiranje jednakosti srednjih vrijednosti dva osnovna skupa
Procjena varijanse (zdmzena varijansa) za razmatrana dva uzorka racuna se prema izrazu:
(6.13)
(6.14)
(6.15)
ima Studentovu raspodjelu s brojem stepeni stobode v =n1+n2 - 2. Ako je hipoteza Ho( 1 =
2 ) tacna, izraz:
Statičke hipoteze
(6.16)
Za dali broj stepeni slobode mogu se izracunati inlcrvali znacajnosti tv ;0 ,05 i t v ;0 ,01 za
odgovarajuce vjerovatnoce 0,95 i 0,99:
Prtmjer 6.3. U odredeno vrijeme i tokom vise dana prebrojavani su proizvodi na dvije
istovrsne proizvodne linije. Da ii jedna proizvodna linija daje u prosjeku vise proizvoda nego druga
(testirati na nivou znacajnosti 0,01), ako su rezultati prebrojavanja sljedeci:
I - 150, 170, 210, 150, 197, 200, 170, 211, 192, 162, 167, 94. 210. 160, 190, 174, 93;
II — 96. 143. 176, 74, 204, 230. 170, 155, 120, 150, 150. 140, 140, 50?
Nulta hipoteza u ovom slucaju je da obje proizvodne linije daju isti broj proizvoda:
Statičke hipoteze
Tablicna vrijednost (tabelau prilogu B2), za ntvo znacajnosti 0,01 iznosi t 29 ;0 ,01 = 2,756 i
posto je t < t 29 ;0 ,01 , onda s rizikom od 1%, odnosno s pouzdanoscu 0,99, nulta hipoteza moze biti
prihvacena, tj. razlika izmedu aritmetickih sredina je slufiajna i zagusenost proizvodnih linija
jejednaka.
Slucaj velikog uzorka
Studentova raspodjela tezi normalnoj kada broj stepeni slobode raste, pa ce se u slucajevima
n1 +n2 -2 > 30 koristiti normalna raspodjela. Standardna greska u ovom slucaju se racuna prema izrazu:
(6.17)
dok se umjesto tv. 0Oi uzima vrijednost 1,96, a umjesto ^,-00i vrijednost 2,58.
Primjer 6.4. S ciljem testiranja produktivnosti dva istovrsna proizvodna pogona iz njih su
uzeti skupovi od 40 i 50 radnika respektivno. Nakon testiranja prosjecna produkti-vnost prve gaipe
iznosila je 74 jedinice proizvoda sa standardnom devijacijom 8, dok je u drugoj gaipi prosjecna
produktivnost bila 78 sa standardnom devijacijom 1. Na nivoii znacajnosti 0,95 i 0,99 provjeriti da li
postoji bitna razlika u produktivnosti.
Nulta hipoteza u ovom slucaju je da su produktivnosti podjednake tj.:
Statičke hipoteze
pa je:
Kako je receno, usporedba aritmetickih sredina dva uzorka iz normalnih distribucija moze se
provesti /-testom jedino uz pretpostavku da normalne raspodjele iz kojih poticu uzorci imaju jednake
varijanse. Testiranje jednakosti varijansi osnovnih skupova omogucava F-tcst. Testiranje se provodi
varijablom F-raspodjele.
Neka je nulta hipoteza da su varijanse dva osnovna skupa iz kojih je uzeto n 1 i n2 elemenata
jednake tj.
(6.18)
Statičke hipoteze
a) P(F0 > Fα), gdje je α=0,05 (ili α =0,01); smatra se da se varijanse signifi-
kantno (visokosignifikantno) razlikuju, te nultu hipotezu treba odbaciti.
b) P(F0 < Fα), gdje je α=0,05 ili α =0,01; uzorci ne pokazuju signifikantnu
razliku u varijansama, pa se nulta hipoteza moze prihvatiti.
S12 0 ,77
Fo 1,71
S 22 0 ,45
Statičke hipoteze
Za ispitivanje istinitosti prctpostavke, to jest hipoteze //q o rasporedu osnovnog skupa, koristi
se y} (hi-kvadrat) test na osnovu uzorka. Neka jc iz osnovnog skupa slucajno izvucen uzorak od n
elemenata koji su grupisani u k razrcda gdjc su/ frekvenctje elemenata u pojedinim razredima. Ako je
hipoteza Hu istinita, moze se ocekivati da ce se empirijske frekvencije/J podudarati s teoryskimyj/.
Izraz:
(6.19)
(6.20)
Kako se iz tabele 6.2 vidi, frekvencije iz prva cetiri razreda potrebno je grupisati jer su manje
od 5. Islo je potrebno ucinili l sa zadnja cetiri razreda. Na taj nacin dobije se osam razreda koji su
prikazani u tabeli 6.3.
Vrijednosti standardiziranih varijabii intervala se dobijaju pomocu izraza:
Valja napomenuli da se kod prelaznog razreda (razred u kojem su z,.\ i z, razlicitog predznaka
- razred 4), vjerovatnoce sabiraju.
Statičke hipoteze
U razmalranom slucaju broj slepeni slobode iznosi: v=8-3=5 na osnovu kojeg se tz tabete
(prilog B3) ocilava vjerovatnoca koja iznosi priblizno 0,87 (87%), (izracunala vrijednost pacla izmedu
vjerovatnoca 0,8 i 0,9). Moze se konslatovati da je slaganje dobijene raspodjele s normalnom vrlo
dobro (vjerovatnoca da vrijednosl 1,778 bude nadmasena je oko 87%. Na slici 6.6 dal je izgled
eksperimentalno dobijene i teorijske raspodjele frekvencija gdje se moze uociti dobra podudarnosl.
Regresiona analiza
7
REGRESIONA
ANALIZA
Regresiona analiza je statisticki metod koji omogucuje iznalazenje funkcionalne veze, ako
ona uopste postoji, izmedu jedne zavisno promjenjivc i jedne ili vise nezavisno promjenjivih velicina.
Ova veza se izrazava preko matematickih modela, obicno u obliku jednacine koja povezuje zavisno
promjenjivu s nezavisno promjenjivim velicinama uz uvazavanje odgovarajucih pretpostavki i
ogranicenja. Tako dobiven matematicki model naziva sefunkcija regresije koja u opstem slucaju
takoder zavisi i od skupa drugih (nepoznatih) faktora.
Prakticne koristi primjene regresione analize ogledaju se u tome sto ustanovljena zavisnost
razotkriva uzrocno-posljedicne veze izmedu promjenjivih i sto je s regresionim modelima moguce
predvidanje ili procjenjivanje vrijednosti zavisno promjenjive. Mogucnost procjenjivanja zavisno
promjenjive je bitna u slucajevima kada je njeno mjerenje otezano, dugotrajno ili skupocjeno.
Regresiona analiza
Problem se sastoji u tome da se odabere i analiticki odredi takva kriva koja ce najbolje
opisivati odnosno aproksimirati razmatrani empirijski niz tj. skup tacaka (*i,yd- Drugim rijecima, trazi
se ona kriva koja je najmanje udaljena od datih tacaka, odnosno kriva koja je najbolje "provucena"
kroz posmatrani skup tacaka.
Za izbor odgovarajuceg tipa krive ne postoji neko univerzalno pravilo. U praksi se koristi
nekoliko osnovnih metoda ili pravaca koji se najcesce kombinuju. Ilustracije radi, na slici 7.1
prikazani su rezultati jednog mjerenja, pri cemu je izvrsena aproksimacija rezultata mjerenja pomocu
dvije funkcije. Prva funkcija je linearna, dok je dmga polinom treceg reda. Jednacine ovih funkcija
date su na dijagramu zajedno sa mjerom rasturanja (indeksom poklapanja) r. Na jednom segmentu
nezavisno promjenjive (jcio^Jfis), dobra aproksimacija se moze postici i linearnom funkcijom, dok sc
gencralno bolja aproksimacija postize poltnomom treceg reda (veca vrijednost indeksa poklapanja r3),
koji ima oblik:
(7.1)
Navedenim polinomom je mogiice matematicki dobiti bilo kojc vrijcdnosti funkcije y=J{x),
kojc su vrlo bliskc ekspcrimcntalnim, sto moze znaciti da je
Regresiona analiza
Dakle, s povecanjem stepena ili reda polinoma, dobija sc i vcci broj koeficijenata polinoma
(^ i samim tim postize veca saglasnost polinoma kao matematickog modcla i cksperimentalnih
podataka. Ccsto povecanjc stepena polinoma moze dati i suprotne, negativne efekte. Naime,
povecavanje stepena polinoma u sustini ne obuhvata samo zakonitosti promjene zavisno promjenjivc,
nego sc isto tako, sto je vrlo nepozeljno, obuhvataju i slucajna odstupanja ili nagle promjene statisticke
prirode. Znaci, u izvjesnim slucajevima, povecavanje stepena polinoma moze doprinositi udaljavanju
od linije regresije.
U prakticnim situacijama, za svaki pojedinacni slucaj se trazi ona matematicka funkcija koja,
sa sto manjim brojem parametara, bolje opisuje posmatranu pojavu. Iznalazenje regresione funkcije
sastoji se od sljedecih koraka:
Analizom odstupanja u slucaju kada je regresioni polinom prvog stepena (linearna regresija),
slika 7.2, vidi sc da je svako odstupanje izmjerene (empirijske) vrijednosti zavisno promjenjive y-, od
aritmeticke sredine y jednako zbiru odstupanja izmjerene vrijednosti y, od vrijednosti procijenjene
pomocu regresione prave y i odstupanja procijenjene vrijednosti y od aritmeticke sredine y tj:
(7-2)
odnosno:
Regresiona analiza
Drugi clan na desnoj strani jednacine (7.4) uz y, = y + b,(x. -x) moze se prikazati kao:
gdje je b\ parametar regrcsije (koeficijent pravca). Unosom izraza (7.5) u (7.4) i nakon
preuredenja dobija se:
Regresiona analiza
Prvi sabirak na desnoj strani jednacine (7.6) predstavija sumu kvadrata odstupanja izmjerenih
vrijednosti zavisno promjenjive od ocekivanih (modclskih) vrijednosti i naziva se razidualna suma
kvadrata (.?„.). Ova suma predstavija onaj dio od ukupnog varijabiliteta zavisno promjenjive koji
nastaje kao rezultat djelovanja svih ostalih faktora osim razmatranog faktora x (nezavisno
promjenjive). Zbog toga se ova suma kvadrata cesto naziva i neobjasnjena varijacija.
Drug] sabirak na desnoj strani izraza (7.6) predstavija sitmu kvadrata odstupanja modelskih
vrijednosti zavisno promjenjive od njene aritmeticke sredine i naziva se regresiona suma kvadrata
(SICi.). Ova suma obuhvata onaj dio varijabiliteta zavisno promjenjive koji nastaje kao rezultat
djelovanja faktora x, a kada se pri torn iskljuci djelovanje svih ostalih faktora, pa se naziva i
objasnjena varijacija.
Lijeva strana izraza (7.6) predstavija sumu kvadrata odstupanja iznijerenih vrijednosti
zavisno promjenjive od njene aritmeticke sredine i naziva se ukupna suma kvadrata (Si). Ova suma
predstavija zbir prethodiie dvije sume kvadrata pa se naziva i ukupna ili totalna varijacija.
Slika 7.3. Graficka interpretacija ukupne (a), objasnjene (b) i neobjasnjenc (c) varijacije.
(7.7)
Regresiona analiza
(7.8)
se naziva koeficijentom alijenacije i on prcdstavlja razliku ukupne varijacije oznacene kao 1 i
kocficijenta detcrminacije. Prethodno definisane sume kvadrata i koeficijenti se mogu prikazati kao u
tabeli 7.1.
Svaku sumu kvadrata prati odgovarajuci stepen slobode, koji pokazuje na osnovu koliko
nezavisnih mjerenja (obavjestenja) se ta suma kvadrata zasniva. Neka istrazivanje obuhvataju n
mjerenja koja daju y\,...yn obavjestenja preko kojih se opet dolazi do sume kvadrata. Ako je ukupna
suma kvadrata izracunata na osnovu razlika y,-y, a posto je suma tih razlika jednaka nuli, dobije se
ukupni broj stepeni slobode n-\. Naime, n-1 posmatranja su nezavisni, dok «-to posmatranje nije.
(7.9)
Regresiona analiza
7.3 OPSTI LINEARN1 REGRESIONI MODEL
(7.10)
Greske e,, nastalc mjerenjem, su neizbjezne i u cilju njihovog svodenja na najmanju mogucu
mjeru obicno se vrse uzastopna, ponovljena mjerenja svake od velicina Xr Nakon izvrsenih n
uzastopnih mjerenja (n>k) svake od velicina Xp dobija se niz vrijednosti Y\,Yi,...,Y,, za zavisno
promjenjive Y, sto se moze pisati u obliku sistema linearnih jednacina:
(7.11)
Regresiona analiza
Odnsno u vkorskoj frmi
Piavougaona matrica X tipa (n,k) s poznatim clementima x,j naziva sc regresiona matrica ili
matrica plana. Jednacina (7.12) predstavlja opsti linearni regresioni model.
Kako sc vidi, sistem jednacina (7.12) ima vise jednacina nego nepoznatih i u torn smislu nije
saglasan. Pored toga, moze se usvojiti da razlike izmedu pravih vrijednosti x=x(xj), j -l,2,..,,k-l, i
zavisno promjenjivih velicina koje nisu poznate i onih dobijenih mjerenjem mogu biti zanemarene, tj.
£(s)=0.
(7.14)
Regresiona analiza
Matricna jednacina (7.17) predstavlja sistem od k jcdnaCina s k nepoznatih /3i,,..,/?*_i), Iz
izraza (7.17) mozc sc izracunati vrijednost statisticke ocjenc:
(7.16)
parametara/? regresione funkcije koji prcdstavljaju nepoznate koeficijentc. Matrica X'X jc:
- regularna,
Primjer primjene izraza (7.17) bice pokazan za slucaj proste lineame regresije kada izmedu
dvije promjenjiveX'\ ypostqji iinearna zavisnost oblika:
(7.19)
gdje su /?„ i pi koeficijenti ili parametri regresije, cije se vrijednosti na osnovu podataka za
_y, i jc,, i-\,2,...,n mogu ocijeniti preko vrijednosti koeficijenata regresije b0 i b\ u jednacini regresione
prave:
(7.20)
Regresiona analiza
odredivanje parametara bn i b, regrcsione prave prvo se fomiira sistem normalnih jednacina
odnosno vektorska jednacina (7,17):
(7.22)
pod uslovom da svi xt nisu medusobno jednaki, dok je njihov unutrasnji proizvod:
(7.23)
Slictio jc:
Regresiona analiza
(7.24)
Sistcm normalnih jednacina (7.21) sc svodi na:
odnosno:
cijc je rjenje
odakle je
Regresiona analiza
Sto znaci da rcgrcsiona prava prolazi kroz tacku (x,y). Paramclar bt sc obictio naziva
koeficijent regresije, a 6,, slobodni clan regresione jednacine.
(7.30)
Prtmjer 7.1. Jzvesli, bez upotrebe matricnog raeuna, primjenoni metode najmanjih kvadrata,
jednacine iz kojih se mogu odrediti parametri regresionog polinoma prvog stepena.
Prema metodi najmanjih kvadrata, postavlja se uslov da suma kvadrata odstupanja izmjerenih
vrijednosti y, od regresione prave y bude minimalna tj.
odnosno:
Ako se zeii naci minimum ove funkcije, potrebno je naci parcijalne izvode po
nepoznatim koeficijentima b0 i 6,
Regresiona analiza
odakle nakon preuredenja slijede izrazi:
koji zapravo predstavljaju jednacine (7.26) cijim se rjesavanjern dobiju koeficijenli (7.28).
Primjer 7.2. Mjerenje temperature (A) u "C i procenta v!age (Y) u jednoj prostoriji vrseno je
u pet navrala. Prvo i zadnje mjerenje je izvrseno prije zapocinjanja i nakon zavrsetka odredenog
lehnoloskog procesa koji se odvijao n prostoriji, dok su ostala mjerenja izvrsena u toku procesa.
Podaci o izmjerenim vrijednostima dati su u tabeli 7.3. Za izmjereni skup podataka pronaci regresionu
jednacinu.
Regresiona analiza
pa se sistem nonnalnih jednacina svodi na oblik:
Regresiona analiza
Direktnom primjenom izraza (7.28) dobiju se koeficijenti pravca:
Ako su eksperimentalni podaci dati u obliku niza proste distribucije frekvcncija, onda se
matrica plana X'X formira pomocu skalarnog proizvoda matrica FV'X gdje jc matrica FT': (7.31)
Regresiona analiza
slično je
odnosno:
Prilikom ovog tcstiranja obicno sc, radi preglednosti, formira tabela za analizu • varijanse
(tabela 7.5).
Rezidualna greska ili standardna greska ocjenjene vrijednosti j> za slucajnu varijablu Y
predstavlja pozitivnu vrijednost kvadratnog korijena iz rezidualnc varijanse:
U slucaju da je hipoteza N0:bl-0 istinita, onda F(> ima F-raspodjelu sa stepenom slobodc
za brojnik vrcR = 1, i za nazivnik vrc: =n-2.
osnovu ovih podataka moze se odrcditi 100(1- 0,05)% -ni interval pouzda-nosti za
procijenjeno b, pomocu relacijc:
Isto tako, moguce je tcstirati i hipotczu Ha :bn =^'" za siobodni clan gdjc jc fe!'(1* unaprijed
zadana proizvoljna konstanta, pomocu statistike:
za vrc_ =n-2.
(1) Ako jc broj eksperimentalnih tacaka dovoljno veliki, onda se interval pouzdanosti za Y
odreduje pomocu formule:
(2) Ako sc ocjena y smatra kao srednja vrijednost za Y, za dato x, onda sc za 100(1-0,05)%-ni
interval pouzdanosti za Kkoristi formula:
Regresiona analiza
Za izracunavanje intervala pouzdanosti, obzirom da se radi o malom broju mjerenja (n=5), koristi se
izraz (7.49). Razmotrice se tri nivoa znacajnosti, koji su dati u prvom stupcu tabele 7.8. Za broj stepeni
slobode v.=n-2=3 iz tablica (prilog B2) se ocitavaju vrijednosti za F test (drugi stupac u tabeli 7.8)
Regresiona analiza
Na osnovu ovih podataka moguce je odrediti intervale pouzdanosti za svaku od pet razmatranih
organizacija (A, B, C, D i E). Na primjer, za organizaciju A i nivo značjnosti
=0,05, t 1
2
(3) = 3,182 , .x = 3,6, Y x 3.6 =30-5x = 30-53,6 = 12 , te
Za provjeru adekvatnosti modela postavlja se nulta hipoteza Hn: "model prostc linearne regresije je
adekvatan". Za provjeru ove hipoteze pomocu F-testa treba prethodno formirati tabelu za analizu
varijanse, tabela 7.10.
Ako je hipotcza H , istinita, onda velicina Fo ima F-distribuciju sa VrezA =k-2 stepeni slobodc za
brojnik i VrezA =n-k stepeni slobode za nazivnik. Vjerovatnoca P jednaka je povrsini ispod krive F{
VrezA , VrezA ).
Takoder, ako je hipoteza Hu tacna, onda se suma kvadrata odstupanja Srez pojedinih vrijednosti y ij
od regresione (procijenjene) vrijednosti yi racuna kao suma kvadrata odstupanja od regresije i sume
kvadrata unutar grupe, tj.
Primjer 7.4. U tabeli 7.11. dati su rezullati 20 mjerenja obrtnog momenta u kNm kojem je izlozeno
vratilo alatne masine tokom razlicitih etapa rada masine. Prva kolona odnosi se na silu na radnom
organu masine (kN), dobijenu pri pojedinim fazama rada. Za izmjereni skup podataka pronaci
regresionu jednacinu i provjeriti adekvatnost modela.
Regresiona analiza
Regresiona analiza
lz tabele u prilogu B4 u prilogu za stepen znacajnosti a = 0,05 tablicna vrijednost je F (1.3) =3,29.
Posto je Fo < F (1.3) hipoteza H 0 se prihvata, tj. model proste linearne regresije je adekvatan.
Posto tablicna vrijednost za = 0,01 iznosi F (1.18) =8,28, Fn > F i P(F > F 0 ) < 0,01, nulta hipoteza se
(7.55)
Dakle, za n eksperimenata i = l,2,...,n i j = l,2,...,k —1 dobija se sistem od n jednacina sa k nepoznatih
parametara β 0 ,β 1 ,...,β k 1 , sto se moze pisati u matri-
cnom obliku:
(7.56)
(7.57)
Primjer 7.5. Razmatra se zavisnost faktora deformacionog otvrdnjavanja n (zavisno promjenjiva Y) pri
obradi celika rezanjem, o tri pokazatelja mehanickih osobina obrađivanih celika: parametra X 1 -
zatezna cvrstoca {R m ), X 2 - relativno izduzenje (A 5 ) i X 3 - tvrdoca po Brinellu (HB), pri cemu su
podaci dati u tabeli 7.13.
Regresiona analiza
Regresiona analiza
Sistem normalnih jednacina u matricnom obliku prema jednacini (7.60) i na osnovu podataka iz tabele
7.13 se svodi na:
odnosno:
(a) Kada je hipoteza H 0 istinita, tj. svi β 1 =0, onda srednja vrijednost predstavlja najbolju procjenu
za varijablu Y. Znaci, regresiona ocjena ne predstavlja nikakvo poboljsanje u odnosu na y .
Regresionu ocjenu u tom slucaju ne treba koristiti u svrhu prognoze jer izmedu zavisno promjenjive i
nezavisno promjenjivih ne postoji znacajna funkcionalna zavisnost.
Ako hipoteza H 0 nije istinita, sto znaci da svi koeficijenti β 1 nisu jednaki nuli, onda se moze
govoriti o postojanju zavisnosti varijable Y od nekih ili svih nezavisno promjenjivih.
Za testiranje hipoteze H 0 :β 1 =0 koristi se F-test:
(7.62)
Ukoliko je Fo > F (( k 1),( n k )) za usvojeni prag znacajnosti , hipoteza se odbacuje.
za m>2 i i = l,2,...,n, Principijelno, na osnovu n mjerenja uvijek je moguce formirati polinom m-tog
stepcna. Za velike vrijednosti m (npr. vec kod m > 6), javljaju se odredene racunske poteskoce.
Regresiona analiza
Izbor velicine stepena polinoma predstavlja zapravo jedan od nacina izbora adekvatnog modela
regresionog polinoma odnosno oblika krive linije. Za polinom m-tog stepena treba odrediti m + 1
parametar (β 0 ,β 1 ,...,β m ). Za određivanje velicine m mogu se koristiti sljedece procedure:
(a) Direktni izbor. U idealnom slucaju rezidualna suma kvadrata u pocetku
postepeno opada s porastom stepena m, a nakon toga se ustaljuje oko
jednom dostignute vrijednosti. Ovo znaci da je tu potrebno prekinuti sa
povecavanjem m. Ova preporuka je uslovna, jer rezidualna suma
kvadrata moze, nakon nastavka procedure, opet nastaviti opadati.
(b) Metoda postupnog iskljucivanja unazad. Kod ove procedure unaprijed se
odredi maksimalno moguci stepen polinoma, a zatim se vrsi odbacivanje
pocevsi od koeficijenta s najvecim stepenom pri cemu se koristi F-
kriterijum.
Bez obzira koja se od procedura koristi, pri svakom povecavanju ili smanjivanju velicine m,
koeficijenti polinoma se moraju ponovo izracunati.
Polinom dat relacijom (7.63) je nelinearan po parametrima β j , j =0,l,...,k-l, (m = k-1) pa se za
određivanje koeficijenata polinoma koristi opsti linearni model (7.12) koji se u ovom slucaju svodi na
matricni oblik:
(7.64)
gdje je n > k . Sistem (7.64) u vektorskom obliku glasi:
Y = XB +€;.
(7.65)
Za formiranje sistema normalnih jednacina prethodno se formiraju proizvodi matrica:
(7.66)
Regresiona analiza
gdje je matrica X'X kvadratna matrica velicine (k,k) fiiji je rang k za k=m+1.
Sistem normalnih jednacina svodi se na matricnu jednacinu:
(7.68)
odnosno:
(7.69)
za i =1,2,...,n i n>m+1
Regresiona analiza
Primjer 7.6. Izvesti sistem jednacina za slucaj da je regresiona jednacina parabola. Ako se u jednacini
(7.63) uvrsti m = 2 {k = 3) dobija se regresiona parabola:
odnosno:
Kod nekih tipova nelinearnih funkcija moguce je pogodnom smjenom promjenjivih X i Y izvrsiti
njihovu linearizaciju i time svesti na takav oblik koji omogucava primjenu metode najmanjih kvadrata,
Neke karakteristicne funkcije koje se mogu linearizirati su:
(a) Potencijalna funkcija:
(7.70)
Koeficijent b 0 je uvijek pozitivan, dok eksponent b 1 moze biti cijeli ili razlomljeni broj, pozitivan ili
negativan. Na slici 7.6 dat je izgled ove funkcije za razne vrijednosti koeficijenta b 1 .
Regresiona analiza
Linearizacija funkcije vrsi se logaritimiranjem, pri cemu se dobija:
(7.71)
gdje su uvedene smjene: Y = In y i X=In x. Na ovaj nacin je potencijalna
funkcija podesena za primjenu metode najmanjih kvadrata kao za prostu linearnu regresiju.
(7.72)
gdje je faktor b 0 pozitivan a eksponent b 1 moze biti pozitivan ili negativan. Na slici 7.7 dati su
tokovi krivih za razne vrijednosti koeficijenta b 1
Regresiona analiza
Logaritimiranjem jednacine (7.72) slijedi:
(7.73)
(7.75)
i uvodenja smjena: Y = log y i X = x, cime se svodi na oblik:
(7.76)
(d) Logaritamska funkcija oblika:
y = b 0 + b 1 In x ,
(7.77.)
se koristi u slucajevima kada se sa porastom nezavisne promjenjive x zavisno promjenjiva y sporo
mijenja. Linearizacija se vrsi uvodenjem smjene: Y =y i X = In x, cime se jednacina (7.77) svodi na
oblik:
(7.78)
(e) Hiperbolicka funkcija oblika:
(7.79)
koristi se u slucajevima kada se sa porastom nezavisne promjenjive x uocava pad (porast) zavisno
promjenjive y. Izgled funkcije dat je na slici 7.8.
Regresiona analiza
b1
Slika 7.8. Oblici funkcije y = b 0 + .
x
Y=b 0 +b 1 x (7.80.)
(7.81.)
(7.82.)
Linearizacija se vrsi uvođenjem smjena:
( 7.83)
Korelaciona analiza
8
KORELACIONA
ANALIZA
Pored mjernih objekata koji imaju jedno obiljezje, cesti su i oni na kojima je moguce istovremeno definisa
dva ili vise obiljezja. U tom slucaju posebno je vazno pitanje međusobne povezanosti tih obiljezja, naime p
promjena jednog od njih odrazava na drugom. Ako takva povezanost postoji, nastoji se pronaci matem
kojom se ona moze izraziti.
8.1 UVOD
Za razliku od regresione analize gdje se sagledava mogucnost uspostavljanja zavisnosti izmedu nezavj
promjenj ive, kod korelacione analize se govori o meduzavisnosti između promjenjivih. U korelacion
istrazuje stepen povezanosti izmedu promjenjivih, a ne uzroci i posljedice te povezanosti. Povezanost izmedu
pojava) postoji ako porast jcdnog obiljezja prati porast drugog i obrnuto, ali, isto tako, ako pri porastu jed
drugo opada, i obnuto. U prvom slucaju kaze se da je povezanost pozitivna, a u drugom slucaju negativna.
Mjera lineame zavisnosti izmedu dvije promjenjive naziva se prosti koeficijent korelacije, dok se mj
jedne zavisno promjenj ive od vise nezavisno promjenjivih zove koeficijent visestruke korelacije.
Kod rjesavanja prakticnih problema regresiona i korelaciona analiza se koriste paralelno, te na taj nacin
sagledavanje stepena zavisnosti izmedu promjenjivih, kao i odredivanje stepena i karaktera tih zavisnosti.
Korelaciona analiza
Ako se u modelu visestruke regresije uvodi nova ili izostavlja neka od vec posmatranih nezavisno promjen
tada se u opstem slucaju mijenja i koeficijent visestruke korelacije. Na osnovu toga se procjenjuje udi
izostavljene nezavisno promjcnjive na ukupan varijabilitet zavisno promjenjive. Prema tome, uklanjan
zavisnosti, koja jc uzrokovana djelovanjem ostalih nezavisno promjcnjivih u lincarnom regresionom mod
dobiti i kvantitativna mjera zavisnosti koja se zove koeficijent parcijalne korelacije.
Posto se radi o uredenom skupu parova (prvi broj se uvijek odnosi na obiljezje x, a drugi na obiljezje
navedenih n razmatranja prikazati sa n tacaka u koordinatnom sistemu. Skup ovih tacaka zove se dijagra
ili dijagram rasprostiranja.
Za ilustraciju, na slici 8.1 prikazani su neki primjeri dijagrama rasturanja. Jasno je da ce kod stroge funk
izmedu x i y sve tacke (xi,,yi) lezati na istom pravcu, slika 8.1a. U tom slucaju radi se o potpunoj kore
obiljezja x i y nepovezana, dijagram rasprostiranja ce izgledati kao na slici 8.1b. Na slici 8.1c dato je r
kada obiljezja x i y nisu vezana funkcionalnom vezom. Ipak, mora se konstatovati da promatrana obiljezj
nepovezana. Naime, dijagram rasprostiranja pokazuje tendcnciju da vec'im vrijednostima x u pravilu p
vrijednosti y, pa se u ovom slucaju radi o pozitivnoj korelaciji. Veza izmedu obiljezja dakle, postoji i u
samo je labavija od funkcionalne. Na slici 8. Id dat je primjer negativne korelacije.
Obiljezja x i y u matematickoj statistici imaju karakter slucajnih varijabli. Veza među tim varijablam
funkcionalna, vec jednoj vrijednosti x moze pripadati vise vrijednosti y i one se pri tome pokoravaju n
vjerovatnoce. Ovakva veza među varijablama zove se stohasticka. Kod stohasticke veze za jednu vrijed
vise vrijednosti y koje su rasporedene po nekom zakonu vjerovatnoce. Stoga se ne moze za unaprijed
Korelaciona analiza
zadani X predvidjeti vrijednost y, vec samo interval u kojem ce se ta vrijednost nalaziti (uz izvjesnu vjerova
(c) (d)
Slika 8.1. Razliciti slucajevi korelacije.
Stepen slaganja izmedu promjenjivih u posmatranoj zavisnosti definise se kao koeficijent korelacije. Na
je primjer pozitivne korelacije (0<r<l), kod koje se povecavanjem vrijednosti jedne promjenjive povecav
druge promjenjive.
Za zadani slucajni uzorak (yi,xi), (,x2,y2),..., (x,,,y,,) iz dvodimenzionalne raspodjele kovarijansa uzorka
izrazom:
(8.1)
Korelaciona analiza
8.3)
Posto su x1, x2, ... , xn i yl y2, ... , yn slucajne varijable, i sam koeficijent korelacije r uzorka je sluca
Vrijednost koeficijenta korelacije za pozitivnu korelaciju se krece izmedu 0 i 1, a za negativnu izmedu 0 i -1
pozitivne korelacije r=l, potpune negativne korelacije r=-1, dok je kod odsustva svake veze, r=0.
Primjer 8.1. Naci koeficijent korelacije izmedu promjenjivih x i y cije su vrijednosti dateu tabeliS.I.
prema kojoj je ukupna suma kvadrata jednaka zbiru rezidualne i regresione (protumacene) sume kvadrata
Kada bi izmedu obiljezja x i y postojala potpuna funkcionalna veza, onda bi sve izmjerene vrijed
promjenjive bile jednake vrijednostima regresione prave i na dijagramu rasturanja bi sve tacke lezale na pr
Tada ne bi bilo nikakvog odstupanja empirijskih vrijednosti od prave regresije, tj. ne bi bilo neobjaš
disperzije. U tom bi slucaju, prvi član na desnoj strani jednačine (8.4) bio jednak nuli. Odnos objašnjene p
disperziji bio bi jednak jedinici.
Drugi krajnji slučaj je kada izmedu obiljezja x i y ne postoji nikakva linearna veza. Tada su sve vrij
regresije jednake aritmetickoj sredini zavisno promjenjive y y , pa je protumaceni dio disperzije jednak nu
U ostalim slucajevima ovaj odnos je između nule i jedinice, pri cemu ce njegova vrijednost biti bl
slucaju jače linearne veze izmedu obiljezja x i y. Posto je ovaj odnos uvijek pozitivan, oznacava se
koeficijentom determinacije (vidjeti izraze (7.7) i (7.8)):
(8.5)
Kvadratni korijen iz koeficijenta determinacije jeste zapravo koeficijent proste linearae korelacije:
Korelaciona analiza
Koeficijent r obicno se naziva Pearsonovim koeficijentom korelacije. Iz izraza (8.7) se uocava da kod
kocficijent b1 u sustini predstavlja jacinu (stepen) zavisnosti. Konkretno, r=0 samo ako je b=0.
Uocljivo je da se izraz za kocficijent korelacije (8.3) moze dobiti iz izraza (8.5) ukoliko se ovaj izraz pr
brojem clanova empirijskog niza n odakle je:
(8.8)
čijim se unosom u izraz (8.7) dobija relacija (8.3).
S druge strane koeficijent determinate se na osnovu .zraza (8.4) moze
racunati kao:
(8.10)
(8.10)
dok su
Korelaciona analiza
je da su u izrazima (8.13) i (8.14) izvršne transformacije pomoću kojih se izbjegava izračunavanje srednjih vri
Primjer 8.2. Eksperimentatno je dobijeno 50 parova izmjerenih vrijednosti. U svakoj zagradi prvi broj
obiljezje x, a drugi broj na obiljezje y. Potrebno je izracunati koeficijent korelacije.
Prvi korak je izrada tabele distribucije frekvencija. Kako se vidi, najmanja vrijednost obiljezja x je 2, a najv
prvi red tabele stavljaju brojevi od 2 do 6 (tabela 8.3). Slicno, za obiljezje y, u prvu kolonu tabele se stav
zadnju broj 5.
Završni članovi u prvom redu i prvoj koloni table (8.3) su dobijeni na osnovu jednakosti:
Korelaciona analiza
9
MJERNE GREŠKE
Mjerni rezultat treba sto bolje reprezentirati pravu vrijednost mjerene velicine, sto je svrha
svakog mjerenja. Zbog neizbjeznih gresaka koje se javljaju kod svakog procesa mjerenja,
uz rezultat se moraju dati i druge znacajne informacije o preciznosti i tačinosti ili
nepreciznosti i netacnosti u obliku granica pouzdanosti, odnosno mjerne nesigurnosti, kao i
informacije o fizikalnim velicinama koje su mogle uticati na mjerni rezultat.
Konacno, kao uzrok mjernih gresaka mogu se smatrati i prirodne granice mjerne
tehnike. Postepeno usavrsavanje mjernih postupaka, metoda i uredaja ipak na svom kraju
ima nesavladivu granice koju je postavila sama priroda. Moderna metrologija nije jos
doprijela do te granice, ali se u nekim slucajevima sukobila s njom.
Prirodnu granicu, na primjer, opisuje i Heisenbergova relacija neodređnosti:
(9.1)
koja je izvedena iz osnovnih zakona kvantne teorije. U izrazu (9.1) velicina x predstavlja
neodredenost polozaja elektrona, px = (mv) neodredenost impulsa a h = 6,6260693 10-
34
Js je Planckova konstanta. Jednacinom (9.1) izrazena je dinjenica da se ne moze
istovremeno tacno ustanoviti i brzina i polozaj elektrona. Na primjer, ukoliko je poznata
brzina elektrona sa greskom v, onda ce njegov polozaj biti poznat sa greskom x = h{m
v).
(c) (d)
Slika 9.1. Moguci slučajevi odnosa tacnosti i preciznosti: (a) tacno i precizno, (b) netacno i
neprecizno, (c) netacno a precizno i (d) tacno i neprecizno mjerenje.
(9.2)
Pri tome, promjena v mora biti sto manja, tek tolika da se njena vrijednost moze sigumo
utvrditi. U slucaju da osjetljivost pokaznog uredaja nije jednaka na svakom mjestu skale,
mora se izricito naglasiti za koju vrijednost velicine y ili x vrijedi navedeni podatak S.
Velika osjetljivost pokaznog mjerila nije nikakva garancija za malu gresku ili dobru
preciznost. Vrlo osjetljivo mjerilo moze biti i vrlo neprecizno
Mjerne greške
Razlika izmedu izmjerene vrijednosti xi, fizikalne velicine i njene stvarne vrijednosti x zove se
apsolutna mjerna greska.
ai=Xi-x. (9.3)
x = xi-ai. (9.4)
Ovakav zakljucak je nastao zbog pogresne pretpostavke o tome da je poznata stvarna
vrijednost x.
(9.5)
Razlika izmedu prividne i stvarne greske u pravilu je neznatna pa se umjesto prividna
greska jednostavno koristi termin greska.
Sam podatak o mjemoj grešci ne daje dovoljnu informaciju o mjemom postupku, pa se
uvodi i pojam relativna greska koja se racuna kao
Mjerne greške
Relativna greška se izrazava i postotcima (%) ili promilima (%o) i moze biti razlicitog
predznaka. U slucajevima kada je poznata stvarna vrijednost (npr. etalon), relativna greska
se definise kao:
(9.7)
Ako nije drukcije naznačeno, granične greške obuhvataju sistematske greske i odstupanja
uzrokovana proizvodnirn greskama i starenjem materijala. Da bi se granična greska G
mjernog uredaja ili etalona mogla sigurno odrzati, mjerna nesigurnost o kojoj ce vise govora
biti u narednom poglavlju, treba biti znatno manja od nje.
Mjerne greške
Granicne greske se oznacavaju tako što se označi podrucje unutar kojega se moze nalaziti
vrijednost izmjerene velicine. Pri tom postoje dvije mogucnosti; navođenje vrijednosti G
granicne greske ili navodenje vrijednosti relativne granične greške.
Ako se stvarna vrijednost velicine x oznaci sa x0 (to je, u stvari, srednja vrijednost ako je
rijec o ponovljenim mjerenjima), a njenu granicnu gresku (garantovanu ili bazdarnu) sa Gs,
pokazana (uredaj) ili pohranjena (mjera) vrijednost velicine se smije nalaziti u granicama.
(9.11)
Pri tom vrijednost Gx moze biti pozitivna ili negativna ili jedno i drugo.
Broj fizikalnih velicina koje se mogu mjeriti direktno je malen. Direktno se, na primjer,
mogu mjeriti duzina, frekvencija, masa i jos neke, dok se sve ostale velicine mjere
indirektno. Sustina indirektne metode mjerenja moze se objasniti primjerom: zapremina
kvadra V saznaje se tako sto se izmjere duzine a, b i c njenih stranica, a zatim se izracuna
zapremina.
(9.12)
(9.13)
koja vrijedi za slucaj kada je Si, = x. Iako jednacina (9.13) vrijedi za srednje vrijednosti, ona
se moze koristiti i onda ako na raspolaganju stoje samo podaci jednog niza mjerenja xi. U
tom se slucaju vrijednosti Si, moraju poznavati iz prethodnih mjerenja.
(9-14)
U slucaju kada je, na primjer, velicina y funkcija zbira niza istorodnih fizikalnih
velicina x1, x2, .. x,,koje su direktno izmjerene tj.:
(9.15)
gdje su ai tacno poznati brojcani koeficijenti, parcijalnim deriviranjem izraza (9.15)
dobija se:
(9.16)
(9.17)
(9. I8)
Mjerne greške
(9.20)
y =2 x1
rt sy= 2s1
Mjerne greške
Metoda indirektnog mjerenja zbira i razlike vise istorodnih fizikalnih velicina, relativno se
rijetko susrece u mjernoj tehnici. Indirektno mjerenje se mnogo cesce koristi pri
utvrdivanju vrijednosti slozene velicine u kojoj je funkcija F potencija, umnožak ili količnik,
a fizikalne velicine x 1 ,... x2, .... xv su raznorodne velicine. Sve tri vrste funkcija opcenito
prikazuje opća jednacina indirektno mjerene veličine
(9.21)
(9.22)
Mjerne greške
(9.24)
(9.25)
(9.26)
Mjerne greške
Primjer 9.4. Odrediti sisiematsku grešku ako je y eksponencijalna funkcija jedne
varijable:
n
y = F(x) = ax , gdje su a i n tacno poznati koeficijent
i eksponent. Izvod eksponencijalne funkcije je:
cijim unosom u opsti izraz (9.31) slijedi vrijednost sistematske greske y indirektno
mjerene velicine y u ovisnosti o sistematskoj gresci x stvarno mjerene velicine x:
gdje g oznacava relativnu sistematsku grešku direktno mjerene velicine, tj. gr = x/x.
Relativna sistematska greska je:
y
gy ng
y
(9.33)
Vrijednost relativne sistematske greske g,., indirektno mjerene velicine y dobija se iz g,=
y/y, gdje je y srednja vrijednost ako je riječ o ponovljenim mjerenjima. Moguce je
pokazati da izraz za neposredno racunanje relativne sistematske greske glasi:
Mjerne greške
(
9.34)
Apsolutna greška ya velicine y dobija se na osnovu izraza (9.33) koji u ovom slucaju ima
oblik:
pri cemu se kod konkretnih izracunavanja moraju imati u vidu predznaci gresaka xi i
ya
Mjerne greške
Gy uvijek manja od
Usporedba jednacina (9.35) i (9.36) pokazuje da je statisticka granicne greske Gy, tj.
granicna greska
vrijednosti velicine y:
Mjerna nesigurnost
10
MJERNA
NESIGURNOST
Najvazniji zadatak svakog mjeriteljskog laboratorija je davanje iskaza o rezultatima
mjerenja koji moraju biti jasni i nedvosmisleni, kako bi korisnici iz njih mogli izvoditi
pravilne zakljucke. Iskoristivost mjernih rezultata i vecine podataka koje daju
mjeriteljski laboratoriji je u velikoj mjeri odredena kvalitetom iskaza mjerne
nesigurnosti koja prati te rezultate.
10.1 UVOD
Mjerna nesigurnost
Isto tako, funkcija f se moze odrcditi ekspcrimentalno ili biti zapravo neki proracunski
algoritam.
(10.3)
Mjerna nesigurnost
Mjerna nesigurnost
(10.4)
(10.5)
slijedi: (10.6)
odakle je:
(10.7)
(10.8)
Mjerna nesigurnost
pa jcdnacina (10.8) dobija oblik
(10.10)
Dijagram na slici 10.1 prikazuje i to koliko u praksi nema smisla povecavati broj
mjerenja. Uz pretpostavku da je s=const, pomocu izraza (10.9) moze se pokazati da
povecanje n od n=l do n=10 daje odnos C 1 /C 10 =3,16. Za isti odnos smanji se
nepouzdanost i u slucaju ako se n poveca od 10 na 100, tj. C10 /C100 =3,16. Ovo je jedan od
razloga zasto se u praksi rijetko izvodi vise od 10 mjerenja (izuzetak su najpreciznija
mjerenja vrhunske metrologije). Drugi razlog je taj sto se povecanjem broja n preko odredene
granice ne moze bitno smanjiti mjerna nesigurnost srednje vrijednosti, jer se ne mogu
izbjeci preostale sistematske greske.
Mjerna nesigurnost
(10.12)
Mjerna nesigurnost
Mjerna nesigurnost
Mjerna nesigurnost
Posto se radi o malom broju ponovljenih mjerenja, granice pouzdanosti dobijene srednje
Posto se radi o malom broju ponovljenih mjerenja, granice pouzdanosti dobijene srednje
vrijednosti se računaju korištenjem Studentove raspodjele. Za statističktu sigurnost
P=95% i pri n=5 mjerenja, tablična vrijednost faktora Studentove raspodjele (tabela u
prilogu B2) iznosi:t=2,57I, pa nepouzdanost iznosi:
pa je rezultat mjerenja:
Mjerna nesigurnost
10.3 MJERNA NESIGURNOST
10.3.1. Mjerna nesigurnost srednje vrijednosti
X=X+C (10.15)
Kako je u poglavlju 9 receno, potpuna eliminacija sistematskih gresaka u mjernoj
tehnici je tesko izvodiva jer koliko god pazljivo bile otkrivane, gotovo uvijek preostaju
takve sistematske greske koje se ne mogu utvrditi. Te neobuhvacene (preostale)
sistematske greske uzrokuju da je konacan rezultat ponovljenih mjerenja nesigurniji
nego sto to izrazava jednačina (10.15).
U nekim slucajevima one se mogu procijeniti povecanjem broja mjerenja. Iz veceg
broja mjerenja iste veličine pod jednakim uslovima ponekad se analizom rezultata mogu
utvrditi sistematske greske koje nije bilo moguce uociti uz manji broj mjerenja. Sa
povecavanjem broja n vrijednost preostale sistematske greske £ se smanjuje, cime se
smanjuje i nesigurnost konacnog rezultata, ali jos uvijek preostaju neke sistematske
greske koje treba procijeniti.
Prosirenje granica pouzdanosti srednje vrijednosti procjenjuje se velicinom mjerna
nesigurnost srednje vrijednosti, koja se definise kao:
(10.16)
Mjerna nesigurnost
Jednacine (10.16) i (10.17) ukazuju da nema svrhe pretjerano povecavati broj
ponovljenih mjerenja, jer se zbog preostalih sistematskih gresaka E (koje se ne znaju, vec se
procjenjuju) mjerna nesigurnost u prakticno moze smanjiti samo do odredene granice ( n
), a i teoretski samo do u=E (n oo). Znatno vecim brojem n postignuto smanjenje
nesigumosti nije u skladu s povecanjem utroska vremena i novaca. Ako je ipak neophodno
da se nesigurnost bitno smanji, onda treba da se uporedo s povecanjem n smanji i E. Pri
navodenju konkretnih vrijednosti nesigurnosti treba navesti kolika je njihova statisticka
sigurnost P.
(10.18)
(10.19)
(10.20)
(10.21)
Mjerna nesigurnost
(10.22)
koji vrijedi za slucaj ako udio procijenjenih nepoznatih sistematskih gresaka ui, nije znatno
veci od udjela slucajnih gresaka, Parcijalni izvodi u izrazu (10.22) nazivaju se koeficijenti
osjetljivosti (c;), Oni opisuju kako se procjena vrijednosti izlazne velicine y mijenja sa
promjenama vrijednosti procjena ulaznih velicina.
Ako je nelinearnost funkcije y znacajna, tada se izraz (10.22) prosiruje clanovima viseg
reda koji se dobiju nakon razvoja funkcije (10.22) u Taylorov red. Ako su raspodjele svih
ulaznih velicina Xi, simetricne oko svojih srednjih vrijednosti, tada je najvazniji clan
viseg reda kojeg treba dodati u jednacini (10.22) sljedeci:
(10.23)
Izmedu dvije ulazne velicine mogu postojati izrazene korelacije ako se u njihovom
odredivanju koriste isti mjerni instrumenti, isti etalon sa znacajnom standardnom
nesigurnosti. Ove korelacije se ne mogu zanemariti ako su znacajne.
Izraz za mjernu nesigurnost se na osnovu izraza za koeficijent korelacije (10.25) moze
napisati i u obliku:
(10.26)
gdje je:
(10.27)
Moze se primijetiti da drugi clan ispod korijena moze poprimiti i negativne vrijednosti.
sto znaci da je x najbolja procjena vrijednosti koja se moze pripisati mjerenoj veličini x i da
je x ± U interval za koji se moze očekivati da obuhvata veliki dio raspodjele vrijednosti
koje bi se mogle razumno pripisati velicini x.
Tacnije, U se tumaci kao da odreduje interval oko mjernog rezultata koji obuhvata veliki
dio raspodjele vjerovatnoce koju opisuju taj rezultat i njegova kombinovana standardna
nesigurnost, gdje jc P vjerovatnoca pokrivanja ili nivo povjerenja tog intervala. Kada god
je to prakticno moguce, potrebno je uz interval određen sa Up navesti i pridruzeni nivo
povjerenja P.
Moze se uociti da mnozenje uc konstantom ne daje nikakve nove podatke, nego
prikazuje ranije dostupne podatke u drugom obliku. Medutim, u vecini slucajeva je i nivo
povjerenja P (posebno 2a vrijednosti P blizu 1) prilicno nesiguran, ne samo zbog
ogranicenog znanja raspodjele vjerovatnoce koju opisuju x i u (posebno u njenim rubnim
dijelovirna) nego također i zbog same nesigurnosti.
Faktor pokrivanja (nivo povjerenja) je brojčani faktor koji se koristi kao mnozitelj
kombinovane standardne nesigurnosti da bi se dobila prosirena nesigurnost. Vrijednost
faktora pokrivanja bira se na osnovu zahtijevanog nivoa povjerenja za interval x = x ± U .
Obicno se kp uzima u podrucju izmedu 2 i 3 a za posebne primjene moze biti i izvan tog
podrucja. Izbor prave vrijednosti za kp moze olaksati iskustvo sa potpunim znanjem
primjene mjernog rezultata. U najboljem slucaju, zeli se imati mogucnost odabira takve
vrijednosti faktora pokrivanja koja bi osiguravala da intervalu x = x +U odgovara poseban
nivo povjerenja P, kao na primjer 95% ili 99%. Takoder, potrebno je za određenu vrijednost
kp jednoznacno navesti nivo povjerenja pridružen tom intervalu.
Međutim, ovo u praksi nije jednostavno uciniti jer zahtijeva dobro poznavanje
raspodjele vrijednosti koju opisuju mjerni rezultat x i njegova kombinovana standardna
nesigurnost. U praksi se cesto pretpostavlja da kp=2 daje interval koji ima nivo povjerenja
priblizno 95%, dok za kp=Z ovaj nivo je priblizno 99%.
Tok proracuna prosirene nesigurnosti moze se svesti na sljedece korake:
1) Odredivanje matematickog modela
2) Proracun kombinovane nesigurnosti uc(y);
Mjerna nesigurnost
3)
Proracun stvarnog (efektivnog) broja stepeni slobode v eff iz Welch-
Satterthwaiteove jednacine:
(10.30)
4}
Odredivanje faktora t za zeljeni nivo povjerenja P. Ako stvarni broj stepeni
slobode veef nije cijeli broj, vrsi se interpolacija ili zaokruzivanje v c jf na prvi
nizi cijeli broj (tabela 10.5);
Matematički model.
odnosno:
Mjerna nesigurnost
Koeficijenti osjetljivosti:
2. Nesigurnost kalibracije referentnog otpornikaje 2,5 106 . U ovom slucaju radi se o
normalnoj distribuciji gdje je za nivo povjerenja 95% (faktor pokrivanja 2)
standardna nesigurnost:
a
u ( RS ) 1.25 10 6
4
3. Nesigurnost zbog stabilnosti referentne otpornosti je 5 106, pa posto se radi o
pravougaonoj raspodjeli (vidjeti izraz (5.23)), standardna nesigurnost iznosi:
Mjerna nesigurnost