Osnovi Metrologije I Obrade Razultata mjerenja-BIH

MAŠINSKI FAKULTET SARAJEVO
E. Seferovic H. Basic
OSNOVI METROLOGIJE I OBRADE
REZULTATA MJERENJA
Sarajevo, 2005.
Recenzenti:
R prof. dr. Stjepan Marić, Mašinski fakultet Sarajevo

V. prof. dr. Rasim Bajramović, Mašinski fakultet Sarajevo
Doc dr. Smail Klarić, Mašinski fakultet Mostar
Izdavač:
Mašinski fakultet Sarajevo
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
Sarajevo, januar 2005.
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
3. MEĐUNARODNI SISTEM JEDINICA...............................…………………………… 19

3.1. Osnovna jednačina metrologije..............................…………………………… 19
3.2. Osnovne i izvedene jedinice SI...............................…………………………… 20
3.2.1.Metar...............................................................…………………………… 25
3.2.2.Kilogram..........................................................…………………………... 27
3.2.3.Sekunda..........................................................…………………………… 29
3.2.4.Amper.............................................................…………………………… 31
3.2.5.Kelvin..............................................................…………………………… 32
3.2.6.Kandela...........................................................…………………………… 33
3.2.7.Mol..................................................................…………………………… 34
3.2.8.Dodatne jedinice SI ........................................…………………………… 35
3.3. Dostignuti stepen realizacije osnovnih jedinica........…………………………… 35
4. OSNOVNI STATISTIČKI POJMOVI..................................…………………………… 37

4.1. Uvod.......................................................................…………………………… 37
4.2. Distribucije frekvencija............................................…………………………… 39
4.3. Srednje vrijednosti...................................................…………………………… 44
4.4. Mjere varijacije........................................................…………………………… 51
4.5. Mjere asimetrije i zaobljenosti.................................…………………………… 55
4.5.1. Mjere asimetrije...............................................…………………………… 55
4.5.2. Mjera zaobljenosli............................................…………………………… 57
5 TEORIJSKE RASPODJELE FREKVENCIJA..................…………………………… 61

5.1. Binomna raspodjela................................................…………………………… 61
5.2. Poissonova raspodjela............................................…………………………… 64
5.3. Normalna raspodjela...............................................…………………………… 67
5.4. Studentova ili /-raspodjela.......................................…………………………… 74
5.5. Pravougaona i trougaona raspodjela.......................…………………………… 75
6. STATISTIČKE HIPOTEZE...........................................…………………………. 77
6.1. lzbor i vrste uzoraka.............................................…………………………. 77
6.2. Postavka i provjera statislicke hipoteze.............…………………………. 81
6.3. Studentov t-test.....................................................………………………… .83
6.3.1.Testiranje hipoteze o srednjoj vrijednosti....…………………………. 83
6.3.2.Testiranje jednakosti srednjih vrijednosti dva osnovna skupa …. 86
6.4. F-test…………………………………………………………………………….. 89
6-5- X2 - test.................................................................…………………………. 91
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
8. KORELACIONA ANALIZA ..........................................………………………... 133

8.1. Uvod.......................................................................………………………... 133
8.2. Koeficijent korelacije............................................………………………... 134
8.3. Veza izmedu linearne regresije i korelacije......………………………... 137
8.4. Testiranje znacajnosti koeficijenta korelacije....………………………... 140
9. MJERNE GREŠKE.......................................................………………………… 141

9.1. Uzroci nastanka mjernih grešaka.......................,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, 141
9.2. Tačnost, preciznost i osjetljivost.........................………………………... 144
9.3. Vrste mjernih grešaka..........................................……………………….. 146
9.3.1. Apsolutna i relativna mjerna greška............………………………... 146
9.3.2. Granična greška mjernog uredaja..............………………………... 148
9.4. Proračun greške indirektno mjerene veličine....………………………... 149
9.4.1. Standardna devijacija indirektno mjerene veličine……………… 149
9.4.2. Zakon prirasta sistematske greške indirektno
mjerene veličine5………………………………………………………… 153
9.4.3.Granična greška indirektno mjerene veličine…………………… 158
10. MJERNA NESIGURNOST .......................................………………………... 159

10.1 Uvod ......................................................................………………………… 159
10.2 Nepouzdanost srednje vrijednosti ..................………………………… 162
10.3 Mjerna nesigumost...............................................………………………... 168
10.3.1.Mjerna nesigumost srednje vrijednosti.....………………………… 168
10.3.2.Mjerna nesigumost indirektno mjerene veličine……….. ………169
10.4 Proširena mjerna nesigurnost ..........................………………………… 171
PRILOZI A. METROLOGIJA I MJERNE JEDINICE........………………………... 179
A 1 . Izvedene jedinice SI..............................................……………………….. 180
A2. Mjerne jedinice izvan SI koje se mogu koristiti....… 2 …………………….. 199
A3. Dvostrani odnosi nekih jedinica...........................……………………….. 200
A4. Fundamentalne konstante....................................……………………….. 202
A5. Međunarodne skraćenice.....................................……………………….. 203
PRILOZI B. STATISTIČKE TABLICE..................................………………………. 205

B 1 . Površine ispod krive normalne raspodjele.........………………………. 206
B2. Vrijednosti t-raspodjele i pripadajuće vjerovatnoće
za stepen slobode
v…………………………………………………………………………………. 207
B3. Vrijednosti Xi i pripadajuce vjerovatnoce P(X >X a ') za stepen slobode
2 2 2
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
Popis oznaka........................................................................………………………. 213

Indeks pojmova....................................................................………………………. 215
Literatura………………………………………………………………………………..
Uvod
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.
1.1 HISTORIJSKI PREGLED RAZVOJA METROLOGIJE

S razvojem spoznaja o materijalnom svijetu, s razvojem tehnike i tehnologije razvijalo se i
mjeriteljstvo. Po razvijenosti mjeriteljstva može se procijeniti i stepen materijalne kulture neke
civilizacije.
Razvoj društva kroz historiju neprekidno je nametao potrebu za mjerenjem i standardizacijom.
Neophodnost mjerenja je prvobitno bila izražena u trgovini, moreplovstvu i uopće normalnom
poslovanju između država, a kasnije i u industrijskoj proizvodnji, zdravstvu, meteorologiji, sigurnosti
itd. Stoga se smatra da korijeni nauke o mjerenju sežu jos od vremena starih civilizacija. I sam
današnji naziv za nauku o mjerenju - metrologija, ima korijen u staroj grčkoj riječi metron - mjera.
Premda se metrologijom u svakodnevnom životu mnogi koriste, uvjereni da dijele opšte predodžbe o
tome šta znače izrazi kao što su metar, kilogram, litar, vat, itd., za njeno istinsko razumijevanje
potrebno je duboko znanje fizike, tehnike i statističkih metoda.
Uvod
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.
Radi praktičnog korištenja jedinica Nacionalna skupština je predložila komisiji da se

obave radovi za tačno mjerenje dužine Zemljinog merdijana i izradi etalon metra kao i etalon
za masu - kilogram. Usvajanjem osnovnih jcdinica metra i kilograma islovremeno su
usvojena i pravila o izvedenim jedinicama kao i dekadskim, odnosno
decimalnim visekratnicima. Decimalnost metričkog sistema bila je jedna od njegovih najvažnijih

prednosti.
Prva Međunarodna diplomatska konferencija na kojoj je učestvovalo 17 država i na kojoj
je potpisana Konvencija o metru održana je 1875. godine u Parizu. Tada je osnovan Međunarodni
Uvod
biro za mjere i utege BJPM (Jr. Bureau International des Poicls el

Mesurecl), čiji je zadatak bio da osigurava međunarodno jedinstvo mjera i usavršava metrički
sistem. Usvajanjem Konvencije o metru nastala je potreba za unificiranjem mjernih jcdinica koje
nisu obuhvaćene metričkim sistemom.
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).
Mnoge jedinicc električnih i magnetnih vcličina tog sistema bile su nepogodne za

praktična mjerenja. Dok su jedne, za pojedina mjerenja bile vrlo male, druge su, opet, bile vrlo
velike, pa je Komitct predložio da se uvede "apsolutni sistem praktičnih električnih jedinica".
Jedinice tog sistema gradile su se iz jedinica CGSM sistema prema dekadskom principu.
Kao jcdinice apsolutnog praktičnog sistema usvojene su na Prvom medunarodnom

kongresu elektrotehničara (1881) jedinica jačine struje (ampcr) i jedinica količine elektriciteta
(kulon). Istovremeno su razrađeni i prijedlozi za izradu etalona
jcdinica tog sistema.
Uvod
Na Drugom međunarodnom kongresu elektrotehničara (1889) usvojene su jedinice energije

(džul), snage (vat) i induktivnosti (henri). Treći međunarodni kongres elektrotehničara održan je
1893. godine u Chikagu. Tada su utvrđene međunarodne osnovne jedinice om, amper i volt.
Ostale jedinice električnih i magnetnih veličina određivale su se kao izvedene pomoću tih
osnovnih jedinica.
Na međunarodnoj konferenciji elektrotehničara održanoj 1908. godine u Londonu izvršeno je

razgraničenje medu apsolutnim praktičnim jedinicama i međunarodnim električnim jedinicama.
Od tada se sistem međunarodnih električnih jedinica počeo širiti po cijelom svijetu. To je
trajalo sve do 1933. godine kada je na 8. Generalnoj konferenciji pokrenuto pitanje zamjene
sistema međunarodnih električnih jedinica apsolutnim praktičnim sistemom jedinica. Drugi
svjetski rat je omeo radove na širenju i uvođenju praktičnog sistema mjernih jedinica i na one
zemlje koje nisu bile članice Konvencije o metru.
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).
Konačno rješenje o uvođenju Međunarodnog sistema jedinica donešeno je na 11.

Generalnoj konferenciji za mjere i utege koja je održana 1960. godine u Parizu. Od tada je
Medunarodni sistem jedinica postao obavezan za sve države potpisnice Konvencije o metru
kojih je tada bilo preko 40.
1.2 OSNOVNI POJMOVI I DEFINICIJE U MJERNOJ TEHNICI
S razvojem mjerne tehnike i tehnologije uopšte razvijala se i prateća terminologija.

Mjerenja su postala preciznija i složenija pa se nametnuo i zahtjev za potpunom mjeriteljskom
informacijom s jasnim iskazom i izrazom. Svaki od korištenih termina mora imati jasno i
jednoznačno značenje. Ovo se odnosi u prvom redu na osnovne pojmove kao sto su preciznost,
tačnost, pouzdanost, sigurnost, ispravnost rezultata, mjerna ponovljivost i dr.
Mjerenje je određivanje vrijednosti fizikalne veličine skupom eksperimentalnih operacija
uz pomoć odgovarajućih tehničkih sredstava za mjerenje. Stoga su dva osnovna pojma u
metrologiji veličina i mjerenje. Brojčani iznos mjerne veličine izražen kao višekratnik mjerne
jedinice je mjerna vrijednost.
Uvod
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.
Za izvršenje mjerenja odreduje se mjerni postupak ili mjerna metoda.
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.
Mjerena veličina jeste fizikalna veličina koja je podvrgnuta mjerenju.
Mjerni objekat je nositelj fizikalne veličine kojoj se određuje mjerna vrijednost. U

mjernoj tehnici pretpostavlja se da u toku mjernog procesa nema promjene mjernog objekta,
odnosno mjerne veličine, ili da su promjene zanemarljive u odnosu na netačnost mjerenja.
Područje mjerenja obuhvata i mjerenja posebnih namjena kao što su kontrola ili
provjeravanje, kalibriranje (umjeravanje), ispitivanje oblika i površina i istraživačka mjerenja.
Kalibriranje (umjeravanje) u području mjerne tehnike je određivanje odstupanja na gotovom

mjernom uredaju ili instrumentu, tj. utvrđivanje odnosa izmedu vrijednosti pokazane mjerilom ili
mjernim sistemom, odnosno vrijednosti predstavljene mjerom, i odgovarajuće poznate
vrijednosti mjerene velicine. Umjeravanje mjernog uredaja obuhvata i ispitivanja koja su
propisana od nadležne ustanove, a završava potvrdom o ispravnosti (certifikatom).
Osnovi metodologije
Referenlni materijal je malerijal i l i supstanca čija je jedna i l i više vrijednosti

osobine dovoljno homogena i dobro definisana da se može koristiti za kalibraciju mjerila,
za ocjenu mjerne metode i l i određivanje vrijednosti materijala.
Certificirani referentni materijal(CRM) je referentni materijal za koji postoji certifikat, čija
je jedna ili više vrijednosti osobine certificirana uz pomoć procedure kojom se uspostavlja
sljedivost prcma tačnoj realizaciji jedinice u kojoj su vrijednosti osobine izražene, i za koju je
svaka certificirana vrijednost praćena nesigumošcu pri navedenom nivou povjerenja.
Certificirani referentni materijal se koristi kao radni etalon.
Materijalizirana mjera je uređaj namijenjen da trajno reproducira, odnosno ostvaruje
jednu ili više poznatih vrijednosti neke veličine.
Ponovljivosl rezultata mjerenja je blisko slaganje rezultata uzastopnih mjerenja iste mjerene
veličine pri istim uslovima mjerenja.
Sljedivost je osobina da se rezultat nekog mjerenja moze dovesti u vczu sa odgovarajućim
državim i/ili međunarodnim etalonom preko neprekidnog lanca upoređivanja.
Osnovi metodologije
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.
2.1 ZADACI I PODJELE METROLOGIJE
Pod metrologijom se podrazumijeva onaj specijalizirani dio pojedinih prirodnih i [clinickih

nauka koji se bavi mctodama mjerenja fizikalnih velicina, razvojem i izradom mjernih uredaja,
reprodukcijom i pohranjivanjem (utjelovljcnjcm) mjernih jedinica, te svim ostalim poslovima koji
omogucavaju preciznije mjerenje i usavrsavanje mjernih postupaka.
Metrologija obuhvata sljedeca tri glavna zadatka (slika 2.1):
- predstavljanje (rea/izacija) jedinica prema medjunarodnoj dogovorenoj
definiciji;
- cuvanje (odrzavanje) jedinica u jednom mjernom utjelovljcnju i l i mje-
rnom uredaju kao etalonu;
Osnovi metodologije
-dalje prosljeđivanje (distribucija) jedinica ka korisnicima putem uporednih mjerenja s

odgovarajucim etalonima.
Slika 2.1 Osnovni zadaci metrologije.
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.
Pokazatelj stepena razvoja metrologije je netacnost mjernog rezultata (odstupanje

izmjerene vrijednosti od prave vrijednosti) i preciznost mjerenja koja se ocituje u ponovljivosti
mjernog rezultata prilikom ponovljenih mjerenja iste vrijednosti fizikalne velicine.
Na najnizem metroloskom stupnju su mjerenja u svakodnevnom zivotu: mjerenje

vremena rucnim satom, krojacka mjerenja "centimetrom", mjerenja mase u trgovini itd. To je
baza metroloske piramide na cijem se vrhu nalaze posebni nacionalni instituti u kojima se
razvija naucna (fundamentalna) metrologija tj. metrologija najmanje netacnosti i najvece
preciznosti.
Osnovi metrologije
Generalno, metrologija se moze podijeliti u tri kategorije sa razlicitim nivoima

slozenosti i tacnosti:
(a) Naucna metrologija — predstavlja najvisi nivo metrologije i bavi se
organizacijom i razvojem mjernih etalona i njihovim odrzavanjem.
(b) Industrijska metrologija - osigurava odgovarajuce funkcionisanje
mjernih instrumenata u industriji koji se koriste kako za proizvodnju
tako i pri ispitivanjima.
(c) Zakonska metrologija - bavi se tacnoscu mjerila koja imaju uticaj na
transparentnost trgovackih transakcija, zdravlje i sigurnost.
Fundamentalna metrologija oznacava najvisi nivo tacnosti za datu metrolosku oblast i
nema neku preciznu definiciju. Cjelokupno djelovanje u oblasti fundamentalne metrologije danas je
sluzbeno podijeljeno u 11 oblasti:
(1) Masa i relevantne velicine. Oblast obuhvata istrazivanja vezana za
mjerenje mase, sile, pritiska, volumena, gustine i viskoziteta.
(2) Elektricitet i magnetizam. Oblast obuhvata istrazivanja i mjerenja iz

podrucja istosmjernih struja (DC), naizmjenicnih struja (AC), visoko-
frekventnih struja (HFC) te visokih struja i visokih napona.
(3) Duzina. Ovaj ogranak obuhvata mjerenje talasnih duzina i interfero-

metrije, mjerenje uglova, oblika i kvaliteta povrsina.
(4) Vrijeme I frekvencija. Oblast se sastoji od dvije podoblasti i to: mjerenje

vremena i mjerenje frekvencija.
(5) Termometrija. Podrucje termometrije bazira svoja istrazivanja na oblasti

kontaktnog i beskontaktnog mjerenja temperature i na mjerenju vlaznosti.
(6) Jonizirajuca zracenja i radioaktivnost. Ovo podrucje obuhvata mjerenja

vezana za radioaktivnost, zastitu od zracenja i apsorbovane doze zracenja.
(7) Fotometrija i radiometrija. Unutar ove oblasti vode se istrazivanja u

podrucju fotometrije, kolorimetrije, opticke radiometrije i optickih
vlakana.
(8) Protok. Oblast se bavi istrazivanjem i razvojem mjerenja protoka gasa,

tecnih fluida i anemometrije.
(9) Akustika. Istrazivanja se vrse u oblastima akusticnih mjerenja u

gasovima, tecnostima, mjerenjima ultrazvukom i akceleratorima.
(10) Kolicina materije. Obuhvata sljedece podoblasti: hemija materijala,

hemija okoline, klinicka hemija, prehrambena hemija, biohemija,
mikrobiologija te mjerenje pH vrijednosti.
(11)Interdisciplinarna metrologija.
Osnovi metodologije
2.2 ORGANIZACIJE MEDUNARODNE METROLOGIJE
2.2.1. Konvencija o metru
Kako je u uvodu navedeno, u Parizu je 1875. godine odrzana Diplomatska konferencija o

metru, gdje je 17 drzava potpisalo "Konvenciju o metru". Nakon toga, došlo je do osnivanja i
drugih medunarodnih metroloskih organizacija, ciji je sematski prikaz dat na slici 2.2. Potpisnice
Konvencije o metru su, izmedu ostalog, ostvarile i sljedece:
1. Usvojene su definicije za jedinicu duzine - metar, i jedinice za masu -

kilogram u obliku materijalnih pramjera.
2. Utemeljen je Međunarodni ured za tegove i mjere (BIPM) kao stalni

naučni zavod Konvencije o metru.
3. Osnovan je Medunarodni komitet za tegove i mjere - CIPM (fr. Comite

International des Poids el Mesures) 1 . Zadatak ovog komiteta je da
upravlja naucnim i tehnickim radom Međunarodnog ureda za mjere i
tegove u duhu odluka donesenih Konvencijom o metru.
4. Dogovoreno je da se najmanje jednom svakih sest godina u Parizu sazove

Generalna konferencija za mjere i tegove - CGPM (Jr. Conference
Generate des Poids et Mesures), tj. skupstina ovlastenih predstavnika
zemalja clanica Konvencije o metru.
Konvencija o metru svoje odluke objavljuje u obliku preporuka koje se odnose na

osnovne jedinice i konstante metrickog sistema i na metode reproduciranja jedinica pomocu
pramjera, objavljuje naucne rezolucije od medunarodne vaznosti, utvrduje program rada
Medunarodnog komiteta i smjernice razvoja BIPM-a, rjesava finansijske probleme itd.
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).
2.2.2. Generalna konferencija za tegove i mjere (CGPM)
Generalna konferencija za tegove i mjere (CGPM) sastoji se od predstavnika vlada

Drzava clanica Konvencije o metru i sastaje se u Parizu jednom u cetiri godine.
Osnovi metodologije
Slika 2.2. Organizacija Konvencije o metru

Osnovi metodologije
Na svakoj generalnoj konferenciji prima se izvjestaj Međunarodnog komiteta za tegove i

mjere (CIPM) o urađenim poslovima, a zatim se:
— razmatraju i ispituju aranzmani koji su potrebni da se prosiri i usavrši

Međunarodni sistem jedinica (SI), koji je savremeni oblik metrickog
sistema;
— verificiraju rezultati novih bitnih metroloskih odredbi i raznih naucnih

odluka medunarodnog obima i znacaja i
— donose odluke o svim vaznijim izdacima koji se odnose na organizaciju i

. razvoj BIPM - a, ukljucujuci i budzet za period od naredne četiri godine.
2.2.3. Medunarodni komitet za tegove i mjere (CIPM)
Na konferenciji o metru odrzanoj 1875. godine konstituisan je i Medunarodni komitet za

tegove i mjere (CIPM) koji se sastoji od 18 članova - eksperata iz razlicitih drzava koje imenuje
Generalna konferencija, a bavi se sljedecom problematikom:
— radi na pripremi prijedloga preporuka koje ce u slucaju prihvatanja

objaviti Generalna konferencija kao svoje rezolucije;
— imenuje direktora i ostalo naučno osoblje BIPM i ocjenjuje njihov rad;
— odredjuje koji ce se eksperti j laboratoriji angazirati u konsultativnim

komitetima ili na pojedinim zadacima itd.
Dokumenti Međunarodnog komiteta nazivaju se preporukama, a dokumenti Generalne

konferencije rezolucijama. Uglavnom, drzave clanice smatraju i rezolucije i preporuke
obaveznim.
Sa deset svojih konsultativnih komiteta, sa Medunarodnim uredom za tegove i mjere, u
uskoj saradnji sa nacionalnim metroloskim zavodima, Međunarodni komitet za tegove i mjere
(CIPM) predstavlja bazu i koordinacioni centar naucne metrologije cijelog svijeta.
2.2.4. Medunarodni ured za tegove i mjcre (BIPM)
Nakon potpisivanja Konvcncije o metru francuska vlada je za potrebe Medunarodnog

ureda za tegove i mjere stavila na raspolaganje jedan dvorac smjesten u Sevresu, oko 10 km
jugozapadno od Pariza. Posto ga okruzuje nacionalni park, vibracije zemljista zbog djelovanja
industrije i prometa nisu izrazite. Prva zgrada za labaratorije je zavrsena 1878. godine.
Osnovi metodologije
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.
Osnovni zadaci BIPM-a su sljedeci:

— razvijanje i rad na daljem sirenju Međunarodnog sistema jedinica (SI);
— cuvanje i distribucija primarnih etalona;
— razvijanje, uspostavljanje i u saradnji sa astronomskim organizacijama

sirenje Međunarodnog atomskog vremena i koordiniranje univerzalnog
vremena;
— uspostavljanje centra za medunarodno poredenje fizickih realizacija

osnovnih i izvedenih jedinica SI s etalonima Nacionalnih metroloskih
instituta (NMI), te ucesce u razvoju osnovnih metoda mjerenja u hemiji;
— saradnja s Konsultativnim komitetima i regionalnim metroloskim institu-

cijama i identifikacija ključnih medunarodnih poređenja potrebnih da bi se
ocijenio stepen ekvivalencije nacionalnih mjernih etalona, i organiziranje
izvodenja ovih poredenja;
— publikovanje pregleda raspolozivih rezultata svih multilateralnih i

bilateralnih mjernih poredenja ukljucenih u NMI ili BIPM te da
publikovanje procjene stepena ekvivalentnosti izmedu drzavnih mjernih
etalona;
— implementacija i odrzavanje (na racun Drzava clanica) sporazuma o

medusobnom priznavanju drzavnih mjernih etalona i certifikata
kalibracije koje izdaju NMI;
— jacanje sljedivosti nacionalnih mjernih etalona Drzava clanica osigura-

vajuci kalibracije trazene od strane NMI;
— preuzimanje naucnih istrazivanja vezanih za jedinice mjerenja i etalone,

ukljucujuci odgovarajuca fundamentalna istrazivanja i odredivanje
fizikalnih konstanti;
— saradnja s medunarodnim tijelima kao sto su regionalne organizacije za
metrologiju, Medunarodno udruzenje za akreditaciju laboratorija,
Medunarodna organizacija za zakonsku metrologiju i dr, s ciljem da se
osigura jedinstvo mjera i mjerna sljedivost, primjenjuju savremeni pristupi
mjerenju, obrada rezultata mjerenja i mjerne nesigurnosti;
— da osigura naucni i administrativni sekretarijat za Generalnu konferenciju

za tegove i mjere i za Medunarodni komitet za tegove i mjere i njegove
konsultativne komitete.
Osnovi metodologije
Konsultativni komiteti (CC)
Medunarodni komitet za tegove i mjere je osnovao određeni broj konsultativnih

komiteta koji okupljaju strucnjake iz razlicitih oblasti kao savjetnike za tehnicka i naucna
pitanja. Zadaci ovih komiteta su:
— Pracenje razvoja u fizici koji neposredno ima uticaj na metrologiju.
— Pripreme preporuka za razmatranje na CIPM-u. Ako CIPM prihvati te

preporuke predlaze ih kao projekte rezolucija Generalnoj konferenciji.
— Identifikacija, planiranje i izvrsavanje kljucnih uporedbi nacionalnih

mjernih etalona.
Do danas postoji deset Konsultativnih komiteta i to za: elektricitet i magnetizam

(CCEM)2, fotometriju i radiometriju (CCPR), termometriju (CCT), duzinu (CCL), vrijeme i
frekvenciju (CCTF), jonizirajuce zracenje (CCR1), mjerne jedinice (CCU), masu i sa njom
povezane velicine (CCM), kolicinu supstance (CCQM), akustiku, ultrazvuk i vibracije
(CCAUV).
2.2 OSTALE MEĐUNARODNE ORGANIZACIJE
Vecina medunarodnih metroloskih organizacija blisko saraduje sa CIPM i BIPM.

Najvaznije organizacije koje su direktno povezane sa radom BIPM-a su Regionalne metroloske
organizacije (RMO), koje razvijaju saradnju izmedu NMI-a u svom regionu da bi udovoljili
regionalnim zahtjevima za ujednacavanje mjera.
U podrucju zakonske metrologije BIPM usko saraduje s Medunarodnom organizacijom

za zakonsku metrologiju - OIML {fr. Organisation Internationale de Metrologie Legale), koja
je osnovana 1956. godine sa ciljem osiguranja medunarodne osnove za nacionalne zakone.
Medunarodna organizacija za Standardizaciju ~ ISO {eng. International Organization

for Standardization) preko svog tehnickog komiteta ISO/TC 12 radi u bliskoj saradnji s
Konsultativnim komitetom za jedinice posebno na razvoju međunarodnog sistema jedinica (SI).
Preko svojih konsultativnih komiteta BIPM saraduje i sa ostalim meduna-rodnim

organizacijama od kojih su vaznije: Medunarodna elektrotehnicka komisija (IEC), Medunarodna
komisija za osvjetljenje (CIE), Međunarodno udruzenje telekomunikacija (ITU), Međunarodno
astronomsko udruzenje (IAU), Međunarodno uduzenje geodezije i geofizike (IUGG) i dr
Osnovi metodologije
Nacionalni metroloski instituti (NM1)
Institucija koja je odlukom drzave određena ze razvijanje i odrzavanje nacionalnih

etalona jedne ili više velicina naziva se Nacionalni metroloski institut (NMI). Ciljevi drzavne
metrologije su unapredenje i sigurnost zivotnih uslova te jacanje privrede, sto se moze postici samo
putem rasprostranjene i efikasne metroloske mreze. Zadaci nacionalnih instituta su:
— da odgovarajucim istrazivanjima unapreduju mjerne uredaje i mjerne

metode,
— da obavljaju umjeravanje najpreciznijih laboratorijskih mjernih uredaja,
— da, na osnovu ovlastenja drzave kontrolisu provodenje zakona i propisa

koji se odnose na metrologiju,
— da u ime drzave ucestvuju u radu medunarodnih organizacija.
Nacionalni metroloski institut predstavlja zemlju u odnosima sa NMI drugih zemalja, u

odnosima sa RMO i sa BIPM. Nacionalni metroloski instituti su osnova medunarodnih
organizacija prikazanih na slici 2.2.
Dogovor o uzajamnom priznavanju (MRA)
Dogovor o uzajamnom priznavanju - MRA (eng. Mutual Recognition Arrangement)

osnovao je 1999. godine Medunarodni komitet za tegove i mjere. Ciljevi MRA su uspostavljanje
stepena jednakosti nacionalnih mjernih etalona i osiguravanje medunarodnog priznavanja certifikata
kalibracije i mjerenja koje izdaju NMI.
2.3 ZAKONSKA METROLOGIJA
Zakonska metrologija je nastala kao nuzna potreba i predstavlja, zapravo, rezultat

nastojanja razvijanja korektnih odnosa u medunarodnoj trgovini. Osnovna svrha zakonske
metrologije je zastita stanovnistva od posljedica pogresnog mjerenja u slucajevima komercijalnih
transakcija, zastita zdravlja, sigurnosti, zastita okolisa i radne sredine. Zakonska metrologija je,
dakle, administrativna i tehnicka procedura uspostavljena od strane vlasti.
Organizacija OIML je stvorena s ciljem da u medunarodnim relacijama obavlja ono sto

prevazilazi zadatke naucne metrologije i odnosi se na nacionalna zakonodavstva. Ova orgnaizacija
ima sjediste u Parizu, a okuplja 58 drzava redovnih clanica i 50 dopisnih.
Osnovi metodologije
Osnovni zadaci OIML-a su obezbjedenje jedinstva i ispravnosti mjerenja u

medudrzavnim razmjerama i unifikacija metroloskih pojmova, karakteristika, svojstava materijala
i dr.
Stoga OIML objavljuje medunarodne preporuke o:
— mjernim metodama,
— ocjenjivanju preciznosti mjernih uredaja,.
— metodama provjeravanja mjernih uredaja,
— jedinstvenosti termina, definicija, simbola i dr.
Zakonska metrologija se siroko primjenjuje u oblastima:
— trgovine (zastita potrosaca u maloprodaji, veleprodaji i regulisanje

odnosa u medunarodnoj trgovini,
— zdravstva (mjerenje temperature, krvnog pritiska, analiza krvi, ergo-
metrija i dr.),
— sigurnosti (mjerenje brzine vozila, tezine vozila kod prekogranicnog
prometa, procenta alkohola u krvi, nivoa buke na radnim mjestima i dr.),
— ekologije (mjerenje parametara vezanih za zagadenje okolisa u procesnoj
industriji, rudarstvu, transportu i dr.),
— zvanicne kontrole (na primjer katasterska mjerenja i dr.).
Zakonska metrologija ostaje najefikasnije oruzje za zastitu pojedinaca i drustva u cjelini

kad god netacni rezultati mjerenja mogu da uticu na njihov privredni ili drustveni status ili kada
su sukobi interesa povezani sa rezultatima mjerenja.
2.4 METROLOŠKA SLJEDIVOST
Na osnovu dosadasnjih razmatranja jasno je da se skoro sve oblasti ljudske djelatnosti

znatno oslanjaju na metrologiju i njena dostignuca. Kako je vec receno, neka od najcesce
zastupljenih podrucja su sljedeca:
— trgovina,
— industrija,
— nauka,
— komunikacija i transport,
— zdravlje i sigurnost,
— ekologija,
— stvaranje i distribucija energije i dr.
Ovolika primjena direktno ukazuje na osnovne zahtjeve metrologije koje je nuzno

primjenjivati na medunarodnom nivou:
Osnovi metodologije
— prihvatanje zajednickog sistema mjernih jedinica koji je cvrsto vezan za

fundamentalnu fiziku i
— mjerenja kod svih korisnika treba da se zasnivaju na ekvivalentnim

fizikalnim realizacijama jedinica.
Na ovaj nacin, moguce je postici sljedivost mjerenja sa jedinstvenim mjernim etalonom.

Da bi se postigla sljedivost mjerenja, svako mjerenje mora da se odnosi na odgovarajuce etalone,
neprekidnim lancem poredenja u kojem svako treba da konstatuje nesigurnost mjerenja. Tako se
dobija lanac serijske kalibracije, od koje se svaka vrsi prema visem nivou, tacnijem tj.
referentnijem etalonu. U analitickoj hemiji se u ovu svrhu koriste certificirani referentni
materijali.
Pod mjernim jedinstvom se podrazumijeva takvo metrolosko stanje u kojem su mjerni

rezultati izrazeni zakonskim jedinicama i greske mjerenja poznate sa oznacenom vjerovatnocom.
Znaci, neki laboratorij se nalazi u stanju metroloskog jedinstva kada moze osigurati proizvodnju
metroloske informacije oznacene nesigurnosti u razlicitim mjestima, u razlicito vrijeme, s razlicitim
metodama i razlicitim mjernim sredstvima.
Ocigledno, temelj mjernog jedinstva je metroloska informacija koja je zapravo potpuna

izjava o vrijednosti mjerene fizikalne velicine. Baza za osiguranje metroloskog jedinstva jeste
definisan lanac (sistem) sljedivosti. Ovo je ujedno i hijerarhijska struktura etalona i njihove
sljedivosti. Metrolosko jedinstvo i sljedivost se danas osiguravaju medunarodnim poredenjima.
Rezultati mjerenja u medunarodnim relacijama se mogu priznati ukoliko postoji

mogucnost dokazivanja i dokumentovanja sljedivosti mjernih rezultata. Sljedivost je svojstvo
rezultata mjerenja, kalibracije ili vrijednosti etalona, po kome se on moze dovesti u vezu sa
navedenim referencama (obicno drzavnim ili medunarodnim etalonima) preko neprekinutog lanca
sljedivosti.
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.
Sekundarni (referentni) etaloni su oni cija se vrijednost utvrduje poredenjem s primarnim

etalonom.
Radni {indiistrijski) etalon koristi se kao utjelovljena mjera, mjerni uredaj ili referentni
materijal pri kalibraciji ili za provjeravanje.
Lanac sljedivosti, odnosno nivoi etalona dati su na slici 2.3
Slika 2.3 Lanac sljedivosti.
Primarne laboratorije su medunarodno priznate za ostvarivanje osnovnih jedinica

primarnog nivoa i mogu predvoditi medunarodno priznat razvoj u pojedinim metroloskim
oblastima. Takoder, odrzavaju i razvijaju jedinice koje su predmet odrzavanja te razvijaju primarne
etalone. Ovlastene su da ucestvuju u medulaboratorijskim komparacijama na najvisem
medunarodnom nivou. Ove laboratorije su imenovane od strane NMl.
Referentne laboratorije su one koje su u stanju kalibrirati (umjeriti) odredene mjerne

velicine sa najvisim nivoom tacnosti u zemlji sa sljedivoscu prema primarnoj laboratoriji
Međunarodni sistem jedinica
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.
3.1 OSNOVNA JEDNACINA METROLOGIJE
Fizikalna velicina x podvrgnuta mjerenju oznacava se kao mjerena velicina. Rezultat

procesa mjerenja je kvantitativno odredenje fizikalne velicine, sto se moze predstaviti jednacinom:
x = {x\x], (3.1)
koja se naziva osnovna jednacina metrologije. Jednacina (3,1) ukazuje da je fizikalna

velicina x, kao svojstvo tretiranog objekta, {x} puta veca od jedinicne vrijednosti [x] te fizikalnc
velicine. Sa {x} je oznacena brojna vrijednost (iznos), a sa [x] jedinica mjere.
U savremenim naucnim disciplinama koristi se oko stotinu razlicitih fizi-katnih

velicina. Najvecim dijelom ove velicine su izvedene, jer se mogu izraziti pomoću
odabranog skupa osnovnih (nezavisnih) velicinaA, B, C, ... na sljedeci nacin:
x   A a  A a   B b  B  b   C c  C  c ....  k  A a  B  b  C  c ... (3.2)
gdje je brojni faktor k   A a  B b  C c ... U zavisnosti od prirode izvedene velicine X, pojedini

stepeni na desnoj strani jednacine (3.2) jednaki su nula.
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)
Uocljivo je da velicinska jednacina ne zavisi od koristenih jedinica. Jednacina (3.3)

moze se u prosirenom obliku, na osnovu jednacine (3.2), napisati kao
 L  L   V  V   T  T  ,
odnosno kao:
 L   k V T
gdje je k  V T  /  L , brojcani faktor. U koherentnom sistemu jedinica, kakav je SI

sistem, uvijek je k=l, pa je u konkretnom slucaju jedinica duzine odredena kao proizvod jedinice
brzine i jedinice za vrijeme
3.2 OSNOVNE I IZVEDENE JEDINICE SI
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.

Osnovna svojstva SI sistema su koherentnost, zasnovanost na tri osnovne jedinice u mehanici, i
po cetiri za sva druga podrucja. Za svaku velicinu se koristi samo jedna jedinica, a od nje se
decimalnim putem izvode vece i manje jedinice. Predviden je i primjenjiv za sve vrste ljudske
djelatnosti, za sve grane nauke i tehnike. Zbog koherentnosti, moguce jc izgradivati podsistcme
jedinica za pojedina naucna ili tehnicka podrucja.
Pregled sedam osnovnih i dvije dodatne jedinice SI sistema dat je u tabeli

3.1:
Tabela 3.1. Osnovne i dodatne jedinice SI
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
Naziv Oznaka Naziv Oznaka

radijan rad
Ugao Prostorni ugao aQ
steradijan sr
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.

Decimalni dijelovi i dekadski visekratnici mjernih jedinica (prefiksi) su oznake koje

pripadaju Medunarodnom sistemu jedinica, a stavljaju se ispred osnovnih i izvedenih jedinica. Nazivi
i oznake prefiksa koji su propisani medunarodnim dogovorom dati su u tabeli 3.3.
Tabela 3.3. SI - prefiksi.
Pravila koja se moraju postovati kod pisanja mjernih jedinica i koristenja prefiksa su
sljedeca:
(a) Prefiksi se mogu stavljati ispred:

— osnovnih jedinica SI sistema, osim jedinice za masu (deci-
malne jedinice mase tvore se od jedinice gram 1g = 10 -3 kg),
— izvedenih jedinica SI sistema koje imaju poseban naziv i
oznaku, osim jedinice za Celzijusovu temperaturu,
— nekih jedinica koje nisu po SI sistemu, kao sto su: litar, tona,
bar, elektronvolt, voltamper i var.
(b) Prefiksi se mogu stavljati ispred mjernih jedinica i kad se te

jedinice nalaze u sastavu drugih izvedenih jedinica SI.
(b) Ispred mjerne jedinice moze se staviti samo jedan prefiks.
(c) Oznake jedinica pisu se bez tacke na kraju, osim redovne
interpunkcije.
(c) Oznake kao i nazivi prefiksa i nazivnih mjera pisu se zajedno.
(0 Proizvod dvije mjerne jedinice obiljezava se tackom kao simbolom mnozenja.
Tacka se moze izostaviti kad je oznaka mjerne jedinice takva da ne moze doci do zabune.
(g) Kolicnik dvije jedinice moze se oznacavati: kosom ili horizontalnom razlomackom
crtom ili koristenjem negativnog eksponenta.

(h) Eksponent mjerne jedinice koji se stavlja samo uz oznaku mjerne jedinice odnosi se na
cijelu mjernu jedinicu, zajedno sa prefiksom (na primjer km3), (i) Oznake za fizikalne velicine pisu
se kurzivom, a oznake za mjerne jedinice ne.
(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.
(m) U slucaju da druga i treca potencija jedinica povrsine i zapremine ne predstavljaju

povrsinu odnosno zapreminu, koristi se izraz na kvadrat ili na drugu, odnosno na kub ili na trecu. Na
primjer: kilogram metar na kvadrat - kg-m2 (moment inercije); metar na cetvrtu - m4 (moment inercije
presjeka).
(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.
Primjer 3.1. Ispravno i neispravno pisanje mjernih jedinica.

3.2.1. Metar
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.

Novi etalon metra od legure platine i iridija napravljen je 1889. godine, slika 3.1, na
osnovu kojeg je 1927. godine usvojena definicija koja glasi: "Jedinica duzine - metar jednaka je
rastojanju pri 0 °C izmedu osa dvije srednje crte nanesene na polugu nacinjenu od platine i iridija
koja se cuva u Medunarodnom birou za mjere i utege, pod uslovom da se ta poluga nalazi pri
normalnom atmosferskom pritisku i da je postavljena na dva valjka precnika 1 cm postavljena
simetricno u horizontalnoj ravni na rastojanju 571 mm jedan od drugog".
Stapno odredivanje metra imalo je i svojih nedostataka:

— nije odgovaralo cetrdeset milionitom dijelu pariskog meridijana,
— reprodukcijom stapne mjere nastaju i greske zbog sirine crta i njihovog
oblika koji su naneseni na etalonu.
Zbog mogucnosti da se stapnom etalonu vremenom promjeni duzina usljed promjena u

kristalnoj strukturi materijala od kojeg je napravljen, ili u slucaju da se etalon izgubi ili nestane u
slucaju elementarne nepogode, odluceno je da se etalon za duzinu zamjeni nekom prirodnom
stalnom i neunistivom mjerom.
Duzina etalona metra izmjerena je postupkom interferencije, kojim se sa velikom

tacnoscu mogu porediti talasne duzine (reda velicine metar) sa talasnom duzinom svjetlosti. Da bi
izmjerio etalon metra, Michelson je koristio crvenu kadmijevu liniju, pri cemu je konstatovao da
duzini od jednog metra odgovara 1 553 163,5 talasnih duzina crvene kadmijeve linije. Stoga je
1960. godine usvojena nova definicija prema kojoj se za osnovnu jedinicu duzine uzima
narandzasta linija izotopa kriptona Kr86, koja odgovara prelazima izmedu 2p10 i 5d5. Prema ovoj
definiciji jednom metru odgovara:
1m= 1660763,73 * λ(Kr86) (3.6.)
Slika 3.1. Medunarodni prototipovi kilograma i metra

Pokazalo se da je na ovaj nacin povecana tacnost reprodukcije mjere za oko 100 puta u
odnosu na stapni metar. Aktuelna mjerna jedinica za duzinu usvojena je 1983 godine i glasi:
"Metar je duzina putanje koju u vakuumu prede svjetlost za vrijeme
od 1/299 792 458 sekunde."
Postoje razlicite mogucnosti da se predstavi jedinica duzine, pri cemu se radi sa mjerenjima
toka vremena ili se koriste laser zrake. Ako se mjeri udaljenost izmedu Zemlje i Mjeseca, kratak
impuls snaznih laserskih zraka se salje na Mjesec koji se nakon odbijanja reflektuje nazad. Na
osnovu vremena koje je potrebno laserskom zraku da prede ovaj put, izracunava se udaljenost,
Kod druge metode koriste se poznate talasne duzine lasera, da bi se provela precizna
mjerenja duzine u laboratorijama, U takozvanim laser interferometrima uporeduju se talasne duzine
lasera (~ 0,5 um) sa duzinom koja se mjeri. Danas je najvise u upotrebi jod-stabilizirani Helium-
Neon laser, talasne duzine 633 nm.
Danas je BIPM razvio prenosive ali vrlo precizne jod-stabilizirane helijum-neon lasere.
BIPM cesto salje jedan od ovih lasera do jedne odredene nacionalne laboratorije, gdje onda druge
drzavne laboratorije vrse zajednicke usporedbe. Ovako veci broj nacionalnih laboratorija, od kojih
neke nemaju mogucnost donosenja svoje opreme u BIPM, imaju mogucnost direktnog pristupa u
realizaciju metra koji se cuva u BIPM.
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.
Svaki od nacionalnih prototipova kilograma se redovno uporeduje sa medunarodnim

prototipom. Poredenja se vrse u BIPM-u u zatvorenom prostoru koji mora ispunjavati propisane
uslove tokom poredenja. Poredenja se izvode automatiziranom napravom, slika 3.2, ciji su motori
van ispitne prostorije radi smanjivanja uticaja promjene toplote.

Razliciti prototipovi kilograma odstupaju jedan od drugog. Zbog toga se intenzivno trazi nacin
da se i jedinica mase poveze sa nekom fundamentalnom konstantom 3. Jednu mogucnost nudi
Avogadrova konstanta (Wa=6,022 10 23 mol"1) koja govori koliko se atoma ili molekula nalazi u
molu nekog materijala. Kod ugljika C, jedan mol ima masu od 12 g. Ukoliko bi se atomi mogli
veoma precizno izbrojati, tada bi se imala takoder i precizna mjera za masu. Na rjesenju ovog
problema radi veliki broj naucnika iz razlicitih oblasti, kako u BIPM-u, tako i u drugim
nacionalnim metroloskim institutima.
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:
"Kilogram je masa medunarodnog etalona kilograma."
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.
Medutim, trebalo je naci takav etalon, odnosno vremenski interval neke

periodicne pojave i pomocu njega utvrditi pramjeru frekvencije. U prvo vrijeme
koristeni su kvarcni satovi koji su se svojevremeno pokazali kao vrlo precizni
instrumenti za mjerenje vremena: Kvarcni oscilatori, iako imaju relativno dug
vijek trajanja i dobru sigurnost pri radu, kao nedostatak imaju promjenljivu rezonantnu frekvenciju
u toku rada.
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.
Kao najpogodniji oscilator za mjerenje vremena pokazao se element cezij. U jednom

atomskom satu se cezijum atomi pomocu elektromagnetnog zracenja dovode u takvo stanje da bi
mogli prelaziti iz jednog energetskog nivoa u drugi. Ovaj prelaz funkcionise kod jedne tacno
odredene frekvencije zracenja (perioda). Odbrojavanjem pravog broja perioda (9 192 631 770)
dobiva se izrazito precizna sekunda. Na slici 3.3 dat je izgled jednog cezijum sata.

Slika 3.3. HP 5071A cezijum sat.
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
—realizaciju jedinice vremena i da

—je kontinuirana vremenska referenca.
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.
Precizni cezijum-etaloni postoje u malom broju nacionalnih laboratorija, kod kojih

nesigurnosti imaju red velicine1015
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.
U Londonu je 1908. godine prihvacena rezolucija o amperu koja glasi: "Internacionalni

amper je stalna elektricna struja koja iz vodenog rastvora srebrenog nitrata svake sekunde izluci
1,11800 miligrama srebra". Ova definicija se zadrzala do 1948. godine kada je Generalna
konferencija za mjere i utege proglasila novu definiciju ampera koja glasi:
"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:
"Generaina konferencija za mjere i utege na svom desetom zasjedanju odlucuje da se

termodinamičika temperaturna skala definise pomocu trojne tacke vode odabrane za fiksnu
fundamentalnu tacku kojoj dodjeljuje vrijednost 273,16 K."
Slika 3.4. Jzvecibe ampule za rcalizaciju trojne tacke vode.
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.
Pored termodinamicke temperaturne skale u upotrebi su još i Celsuisova termodinamička

skala, a u engleskom govornom podrucju i Fahrenheitova termodinamička skala. Obje skale se
oslanjaju na termodinamičku temperaturu i od nje se razlikuju samo za konstantu.
Kelvinova temperaturna skala nije ništa drugo, nego Celzijusova skala sa pomjerenom
nultom tackom: —273,15 °C odgovara 0 K. Pri tome je Kelvin skala u prednosti, jer nema negativnih
temperatura. Intervali unutar skale su isti tj. korak Kelvina odgovara koraku Celzijusa
Nova jedinica termodinamic'ke temperature, Kelvin, koju je usvojila Generalna

konferencija za mjere i utege 1967. godine glasi:
"Kelvin je 1/273,16 termodinamicke temperature trojne tačke vode."
3.2.6. Kandela
Francuz Violle je 1879. godine predlozio da se za pramjeru svjetlosne jacine upotrijebi

platina površine 1 cm2, ugrijana do svog vrelista. Za jedinicu je predlozio 1/20 svjetlosne jacine
koju pri toj temperaturi, okomito na svoju povrsinu ima platina te povrsine. Viollova svijeca
predstavlja pocetak naucne reprodukcije polazne fotometrijske jedinice današnje kandele.
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.
Da bi se izbjeglo definisanje jedinice za svjetlosnu jačinu pomocu crnog tijela koje je

imalo nedostataka, Generalna konferencija je na 16. zasjedanju odrzanom 1979. godine donijela
rezoluciju prema kojoj je definisana jedinica kandela:
"Kandela je jacina svjetlosti u odredenom pravcu izvora koji emitira

monohromatsko zracenje frekvencije 540-10 -12 herca i cija je energetska jacina u tom
pravcu 1/683 vata po steradijanu."
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
jedinicom (jedinicom osvjetljenja) jacine zradenja. Znaci, svjetlost je optičko zračenje,

koje je u jednom odredenom podrucju talasne duzine (od 360 nm do 830 nm) vidljivo za ljudsko
oko. Fotometricke jedinice nisu nista drugo, nego radiometrtčke jedinice koje se u obliku funkcije
proračuna zasnivaju na dodatnim svojstvima oka, jer za čovjeka zuto svijetlo izgleda svijetlije od
crvenog ili plavog, iako bi radiometar izmjerio istu jačinu.
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.
Avogadro je 1811. godine utvrdio dvovalentnost molekula u jednoatomskim gasovima, i na

osnovu zakona (koji je kasnije po njemu dobio ime), izlozio jednostavnu metodu za odredivanje
molekulame mase gasa, potrebnu za odredivanje stvarne vrijednosti atomske mase koju cini dati
spoj. Avogadrov zakon glasi: "Svi gasovi pri istom pritisku i na istoj temperaturi imaju u jedinici
zapremine isti broj molekula."
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.
Kod Avogadro projekta u BIPM-u cestice su u jednom kristalu silicijuma. Potrebno je

napraviti jedan tako cist kristal, odnosno razviti tako dobre metode brojanja, da je dovoljno da se
izracuna iz jedne male kolicine čestica. Čestice se broje u jednom dijelu kristala i iz toga se
izračuna broj čestica u jednom molu silicijuma. Uz to, mora se isključiti postojanje stranih čestica
i nekih drugih atoma.
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.
Do sada su obje jedinice realizovane uporedivanjem. Nepoznat komad mase uporeduje se

sa prototipom kilograma. Da bi se dobila molarna masa jednog materijala vrši se uporedivanje sa
molarnom masom ugljika ( l2C), čija se molarna masa moze tačno utvrditi sa spektrometrima za
masu. Aktuelna definicija mola (od 1971. godine) glasi:
"Mol je količina materije jednog sistema koji sadrzi toliko elementarnih

jedinki koliko ima atoma u 0,012 kilograma ugljika 12 (12C)'
3.2.8. Dodatne jedinice SI

U dodatne (pomoćne) jedince SI sistema spadaju ugao u ravni i prostorni ugao. Mjerna
jedinica za ugao je radijan (oznaka je: rad). Radijan je jedinica za ugao u ravni izmedu dva
radijusa koji na krugu isjecaju luk dužine jednake radijusu. Ugao se, dakle, odreduje iz izraza:
(3.7)
gdje je l, m - duzina luka a r, m - radijus kruga.
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)
gdje je S, m2 - povrsina kugle a r, m - radijus kugle.
3.3 DOSTIGNUTI STEPEN REALIZACUE OSNOVNIH

JEDINICA
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

Slika 3.5. Veze izmedu osnovnih jedinica i fiindamentalnih konstanti.
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.
Osnovni statistički pojmovi

4
OSNOVNI STATISTIČKI
POJMOVI
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
Statistickom analizom naziva se skup tehnika i metoda kvantitativne analize slucajnih

pojava i dogadaja. Na osnovu raspolozivih statističkih podataka, zadatak statisticke analize svodi
se na dobijanje relevantnih informacija o posmatranim podacima, ali s unaprijed odredenom
vjerovatnoćom pouzdanosti tih informacija.
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.
Velicina statistickog skupa odreduje se brojem njegovih elemenata a slozenost se karakterise

brojem i raznovrsnošcu uzajamnih veza. S aspekta statisticke analize nisu od narocite vaznosti
pojedinacna (izolovana) svojstva svakog od dijelova skupa. Stoga, promjene i svojstva koja su
specificna za jedan element ili manji broj elemenata skupa, ne mogu se ni kvalitativno ni kvantitativno
pripisati i tumaciti kao svojstvo cijelog statistickog skupa. Samo one promjene koje su karakteristicne
za sve elemente skupa, a variraju (slucajno odstupaju) po svom intenzitetu i kvalitetu u manjoj ili
vecoj mjeri od jedne do druge jedinice, mogu se smatrati obilježjem skupa.
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.
Zavisno od toga da li se izrazavaju kvalitativna ili kvantitativna svojstva statistickog skupa,

obiljezja se dijele na numericka i atributna, Atributna obiljezja opisno ili simbolima označavaju
kvalitativna svojstva statisticke jedinice. Numericka obiljezja brojcano izrazavaju kvantitativne razlike
izmedu statistickih jedinica do kojih se moze doci mjerenjem ili brojanjem.
S obzirom na numericka obiljezja, statisticki skupovi se mogu podijeliti u dvije grupe:

neprekidni (kontinuirani) i prekidni (diskretni) skupovi. Neprekidni skupovi su oni kod kojih bilo koja
jedinica ili obiljezje, na primjer x, moze primiti bilo koju vrijednost na mjernoj skali (na primjer
temperatura, tezina i si.), tj. bilo koju vrijednost iz datog intervala (a,b). Kod diskretnih skupova bilo
koja jedinica tog skupa moze da poprimi samo odredene vrijednosti npr. X1,X2... sa skale za
identifikaciju ili sa skale poretka (na primjer: broj clanova domacinstva i sl.).
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.
4.2 D1STRIBUCIJE FREKVENCIJA
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.
Slika 4.1. Distribucija frekvencija.
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.
Takve varijacije predstavljale bi samo prepreku u uocavanju zakona po kojem su

raspoređene vrijednosti obiljezja X. Stoga se u takvim prilikama podaci grupišu tako da se u jedan
razred stavlja vise uzastopnih vrijednosti obiljezja x. U tom slucaju razred ne predstavlja jedna
vrijednost, vec citav interval pa se govori o raspodjeli rasporeda frek vencija.
U praksi se najčešće koristi takva duzina intervala da svaki razred u sebi sadrzi ne vise od
15-20% posmatranih vrijednosti. Ovako se postupa zbog ogranicavanja varijabiliteta unutar razreda,
a i izmedu samih razreda. Za nalaženje optimalne dužine intervala (i broja razreda) preporucuje se
izraz:
(4.1.)
gdje je h - duzina intervala a N ukupan broj podataka.

Posto je xmin =.x|, ximx=-xN kao mjeru varijacije moguce je defmisati interval (razmak)
varijacije R N koji je jednak:
(4.2.)
pa je duzina pojedinog intervala:
(4.3)
gdje je:
(4.4)
ukupni broj intervala (zaokruzuje se na cijeli broj).
Centar intervala Ci je jednak polovini zbira gornje i donje granice

posmatranog intervala i, tj.
i=1,2,3,….,k (4.5)
odnosno:
(4.6)
jer je Ci+1=Ci + h.
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.
Interval varijacije prema izrazu (4.2) je:
R N =x N -x 1 =30-22 = 8,
dok je broj razreda na osnovu izraza (4.4):

k = l+3,m- log /V=l+3,322*log 20=5,32.
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
Drugi nacin prikazivanja distribucije frekvencija je crtanje histograma. Prikazivanje se vrsi

tako da se nad svakim razredom nacrta pravougaonik visine jednake frekvenciji posmatranog razreda.
Na slici 4.2a distribucija frekvencija za primjer 4.4 prikazana je i pomocu histograma.
(a) Poligon frekvencija i histogram (b) Kumulativna funkcija raspodjele
Shka 4.2. Distribucije frekvencija.
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.
4.3 SREDNJE VRIJEDNOSTI

Zadatak statisticke obrade numeričkih podataka dobijenih mjerenjem je svodenje mnostva
uglavnom razlicitih vrijednosti jednog obiljezja statistickog skupa, na manji broj specificnih
statistickih pokazatelja odnosno parametara. Jedan od najvaznijih parametara je srednja vrijednost
ili aritmeticka sredina, koja najbolje predstavlja skup pojedinacnih podataka ili vrijednosti
obiljezja. Pored toga, srednja vrijednost je i uporedna vrijednost za sve ostale pojedinacne
vrijednosti. Na osnovu srednje vrijednosti za svaku pojedinacnu vrijednost se moze reći da je
prosjecna, iznad (visa od) ili ispod (niza od) od prosjeka.
Srednje vrijednosti mogu biti izračunate (aritmeticka, kvadratna, harmonijska sredina i
dr.) i pozicione (mod, medijana) srednje vrijednosti. Pozicione srednje vrijednosti se dobiju na
osnovu prethodno uredenog niza posmatranih vrijednosti (po rastucem ili opadajucem rasporedu).
Izracunate srednje vrijednosti su osjetljive na promjenu bilo koje od posmatranih vrijednosti,
narocito ekstremnih, dok pozicione srednje vrijednosti nisu toliko osjettjive na promjenu
pojedinacnih vrijednosti jer na njih, prije svega, utice gustina vrijednosti.
Matematicko očekivanje
Matematicko očekivanje jeste srednja vrijednost slucajne velicine i predstavlja numericku

karakteristiku raspodjele vjerovatnoca slucajne promjenjive. Za slucajnu promjenjivu x koja moze
uzimati diskretne vrijednosti x1, x2,—, xn, s odgovarajucim vjerovatnocama p(x1), p(x2),—, p(xn),
matematicko ocekivanje jednako je sumi proizvoda vrijednosti varijable i pripadajucih
vjerovatnoca, tj:
(4.8.)
U slucaju kontinuirane slucajne promjenjive matematicko ocekivanje se racuna

analogno. Umjesto sumiranja vrsi se integracija po citavom području vrijednosti varijable x, a
vjerovatnoca p(x) zamjenjuje se elementom vjerovatnoće f(x)dx:
(4.9)
Izracunate srednje vrijednosti
Prosta aritmeticka sredina se za niz negrupisanih podataka kada su empirijske vjerovatnoce

za svaki od mogucih ishoda slucajne varijable x, jednake, tj.
(4.10)
racuna kao:
(4.11)
gdje je N broj posmatranih vrijednosti.
Ako su rezultati ponovljenih mjerenja takvi da se pojedine vrijednosti xi ponavljajuju fi puta,

racuna se ponderisana aritmeticka sredina za prostu raspodjelu frekvencija:
(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.
Takoder, aritmeticka sredina se moze izracunati i preko relativnih frekvencija

pomocu izraza:
(4.13)
Ukoliko se usporede izrazi (4.13) i (4.8), onda je ocigledno da je relativna frekvencija

zapravo empirijska vjerovatnoca da varijabla x primi bas vrijednost xi. Definicione relacije za x i E{x)
razlikuju se jedino u tome sto u prvoj dolaze empirijske vrijednosti (relativne frekvencije), a u drugoj
stvarne vjerovatnoce koje pripadaju doticnim vrijednostima x.
Konacno, u slucaju grupisanja podataka u k razreda, racuna se ponderisana aritmeticka
sredina za intervalnu raspodjelu frekvencija:
(4.14)
gdjc je Ci sredina i-tog razreda I f i , frekvencija za i-ti razred.

Kvadratna sredina za osnovni statisticki niz racuna se prema izrazu:
(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.
Ukupna povrsina svih pet ostecenja iznosi:

Koristenjem izraza za kvadratnu sredinu (4.15) srednji precnik je:
cija upotreba daje ukupnu povrsinu ostecenja priblizno jednaku stvarnoj:
x K 2 21,2132 2  3 ,1415
A5 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.
Geometrijska sredina za statisticki niz je srednja vrijednost koja izravnava proporcionalne

promjene podataka {njihove medusobne odnose) posmatranog niza, za razliku od aritmeticke sredine
koja izravnava apsolutne razlike. Prosta geometrijska sredina racuna se kao:
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
U ovom slucaju upotreba izraza za aritmeticku sredinu daje sljedeci rezultat):
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).
Harmonijska sredina jeste reciprocna vrijednost aritmetickc sredine reciprocnih vrijednosti

obiljezja:
(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.
Aritmelicka sredina u ovom slucaju iznosi:
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.
Pozicione srednje vrijednosti

Mod (modus, modalna ili najčešća vrijednost) je dominantna vrijednost u statisti-ckom nizu.
To je vrijednost oko koje se koncentriraju ostali clanovi niza i zato je mod najtipičnija vrijednost niza.
Kada u jednom statistickom nizu postoji samo jedna vrijednost obiljezja s najvecom frekvencijom,
radi se o unimodalnom nizu. U slucaju postojanja dvije ili vise ovih vrijednosti, govori se
binwdalnom nizu odnosno multimodalnom nizu. Moguca je i situacija da statisticki niz nema mod.
Primjer 4.8. Pmnaci vrijednosli moda za sljedece stalisticke skupove:

(a) 2,2,5,7,9,9,9, 10, 10, 13, 15
(b) 2,4,6,7,8,9,11,15
(c) 1,3,4,4,4,5,6,8,8,8, 10
Mod u slucaju prethodnih skupova iznosi:

(a) Mod u ovom slucaju iznosi 9.
(b) Skup nema mod.
(c) Skup ima dva moda: 4 i 8.
Za raspodjelu frekvencija u slucaju jednakih širina razreda (h) mod se racuna prema
izrazu:
(4.18)
gdjeje:
— xmo donja (u histogramu lijeva) granica modalnog razreda (xmo , xmo+l),

- fm0 -fmo+1 razlika frekvencija modalnog razreda i razreda prije njega i
- fm0 -fmo+1 razlika frekvencija modalnog razreda i razreda koji neposredno slijedi
iza njega.
Mod je pogodan pokazatetlj rasporeda za unimodalne serije i to narocito ako je frekvencija

modalne vrijednosti velika. U takvim slucajevima mod je tipicna vrijednost koja pokazuje u pravom
smislu centralnu tendenciju posmatrane serije. Valja napomenuti da pri koristenju moda na njegovu
velicinu utice nacin grupisanja podataka. Naime, formiranje razreda moze biti izvedeno na razlicite
nacine, pa se promjenom velicine razreda mogu dobiti i razlicite vrijednosti moda.
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
U slučaju da je podatak 70 validan tj. da se ne radi o gruboj grešci, aritmeticka sredina za

ovaj skup iznosi x=10, sto svakako nije njegova tipicna vrijednost. S druge strane, skup znatno
bolje reprezentuje medijana, Me=3 (posto se radi o nizu sa parnim brojem elemenata, medijana je
jednaka arilmetickoj sredini vrijednosti obiljezja na petom i sestom mjestu)
Kod intervalne raspodjele frekvencija medijana se racunaprema izrazu:
(4.19.)
gdje je fe frekvencija medijalnog razreda [Ce,Ce+l), Ce donja granica medijalnog

razreda, odnosno prvog intervala cija je kumulativna frekvencija jednaka ili prelazi polovinu
ukupne frekvencije tj:
(4.20)
e
dok je  f e 1 kumulativna frekvencija svih razreda koji prethode medijalnom
e2
razredu [Cc,Ce+]).
Glavna karakteristika medijane je ta sto je suma apsolutnih odstupanja individualnih

vrijednosti x, od medijane najmanja (manja i od sume apsolutnih odstupanja od aritmetickc sredinc
i x i  Me  i x i  x . Medijana jc deskriptivni parametar empirijskog niza i ponekad se
naziva neparametarskom sredinom niza.
Upotreba srednjih vrijednosti.
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.
Za isti statisticki skup harmonijska sredina ima nizu vrijednost od geometrijske,

geometrijska nižu od aritmeticke, a ova nizu od kvadratne:
(4.21)
4.4 MJERE VARIJACIJE
Centralna tendencija empirijskih vrijednosti obiljezja izrazena je preko srednje vrijednosti.

Razlike izmedu ove i pojedinacnih vrijednosti nazivaju se varijabilitetima vrijednosti obiljezja. Sto
je odstupanje srednje vrijednosti od pojedinacnih vrijednosti manje, to ona reprezentativnije
predstavlja posmatrani skup izmjerenih vrijednosti. Za adekvatnu statisticku interpretaciju nije
dovoljna samo srednja vrijednost, nego i odgovarajuce mjere varijacije.
Osnovna velicina kojom se izraiava mjera varijacije je varijansa (disperzija), koja se

za osnovni statisticki niz racuna kao aritmeticka sredina kvadrata razlika od aritimeticke sredine:
(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)
odnosuo u slucaju kontinuirane varijable:
(4.24)
Vavijansa za podatke grupisane u prostu raspodjelu frekvencija je:
(4.25)
odnosno izrazena preko relativnih frekvencija:
(4.26)
Za intervalnu raspodjelu frekvencija varijansa se racuna pomocu izraza:
(4.27)
Standardna devijacija (standardno odstupanje) predstavlja pozitivnu vrijednost kvadratnog

korijena iz varijanse:
(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)
Gdje je n broj elemenata uzoraka(n<N)
Srednje apsolutno odstupanje je aritmetička sredina apsolutnih odstupanja pojdinačnih

vrijednosti obilježja od aritmetičke sredine datog niza.Za osnovni statistički niz srednje apsolutno
odstupanje se računa prema izrazu:
N
1
SD 
N
x
i 1
i x (4.30)
za prostu distribuciju frekvenciju kao:
N
1
SD 
N
 f (x
i 1
i i  x) (4.31)
dok je za intervalnu raspodjelu frekvencija:
(4.32)
gdje je C, srediste intervata i-tog razreda.
Prilikom usporedbe varijabilnosti dva ili vise nizova s razlicitim artitmetickim

sredinama za ocjenu stepena varijabiliteta nije dovoljno da se uporede samo njihove standardne
devijacije. Stoga se pri uporedivanju varijabiliteta dva ili vise nizova najprije moraju staviti u
odnos standardna devijacija (  ), srednje apsolutno odstupanje (SD) i interval varijacije (RN) s
aritmetickom sredinom za svaki od posmatranih nizova. Ovako dobijene velicine nazivaju se
relativne mjere varijacije ili koeftcijenti varijacije.
Koeficijenti varijacije su medusobno komparativne velicine za razlicite nizove, bez obzira na
prirodu obiljezja i apsolutne vrijednosti tih nizova.
Koeficijent varijacije po standardnoj devijaciji obicno se racuna u procentima prema

izrazu:
(4.33)
Koeficijent varijacije po srednjem apsolutnom odstupanju se racuna kao:
SD
VS p   100% (4.34)
X
dok se koeficijent varijacije po razmaku varijacije racuna po izrazu:
(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)
i predstavlja relativnu mjeru odstupanja svakog od pojedinacnih obiljezja od aritmeticke

sredine u odnosu na standardnu devijaciju.
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.
Da bi se izbjegao uticaj krajnjih vrijednosti statistickog obiljezja, vrsi se odbacivanje desno

od x 1 i lijevo od x N po 25% svih frekvencija. Na taj nacin se dobija interkvartilni razmak (x 0.25 ;x
0.75 ) koji obuhvata 50% frekvencija. Polukvartilna razlika je relativna mjera varijacije i jednaka je
polovini razlike prvog i treceg kvantila:

Q3  Q1
Q  (4.37)
2
Decili i pecentili predstavljaju numerickc vrijednosti obiljezja na odgovarajucim pozicijama
statistickog niza uređenog po rastucim vrijednostima.
Decili predstavljaju vrijednosti obiljezja na 10%, 20% 90% mjestu stati

stickog niza u odnosu na prvi element, uređenog po rastucem redoslijedu.
Pecentili prcdstavljaju vrijednosti obiljezja na 1%, 2%, ..., 99% mjestu statistickog niza u
odnosu na prvi element, uređenog po rastucem redoslijed.
4.5 MJERE ASIMETRIJE I ZAOBLJENOSTI
4.5.1. Mjere asimetrije
Ako su vrijednosti statistickog niza ravnomjerno i ekvidistantno raspoređene lijevo i desno

od neke vrijednosti niza, onda se takva distribucija naziva simetricnom, a vrijednost uocenog obiljezja
predstavlja srednju vrijednost za datu populaciju. Suprotno, ako se vrijednosti obiljezja gomilaju vise
na lijevu ili desnu stranu od srednje vrijednosti, onda se radi o asimetricnoj distribuciji. U ovom smislu
razlikuju se lijeva i desna asimetrija, slika 4.3.
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).
Kako je receno, prosjek odstupanja aritimeticke sredine od vrijednosti obiljezja jednak je

nuli, pa se kao mjera disperzije uzima prosjek kvadrata ovih odstupanja (varijansa). Medutim, za razne
druge analize potrebno je i dalje stepenovanje odstupanja aritmeticke sredine od pojedinih vrijednosti
obiljezja. Tako se dolazi do takozvanih centralnih momenata rasporeda ili momenata oko sredine.
Moment r-tog reda za diskretnu slučajnu varijablu se definiše kao:
(4.38)
dok je za kontinuiranu varijablu:


(4.39)
 x   f  x  dx
r
Mr 

Normirani moment r-tog reda definise se kao:

Mr
ar   (4.40)
2
Nulti moment:
(4.41)
kao i prvi moment:
(4.42)
ne mogu se upotrijebiti kao mjerila disperzije,

Kako se na osnovu jednakosti (4.25) vidi, drugi centralni moment je jednak varijansi.
Za testiranje asimetrije najcesce se koristi treci centralni moment, koji se definise kao:
(4.42)
Treci centratni normirani moment a3 predstavlja odnos centriranog momenta M 3 i

standardne devijacije a 3 , tj.
(4.44)
gdje je koristen izraz (4.36) za standardizirano obiljezje z.
Analizom izraza (4.44) slijedi:

a3 < 0 — asimetrija ulijevo,
a3 = 0 - simetricna distribucija i
a3 > 0 — asimetrija udesno.
Posto aritmeticka sredina kod izrazito asimetričnih distribucija nije najpodesnija mjera
prosjeka, za izracunavanje koeficijenta asimetrije moze se koristiti i mod Mo kao mjera centralne
tendencije. Prma K. Pearsonu koeficijent asimetrije se moze racunati i preko izraza:
x  Mo
Ka  (4.45)

odakle neposredno slijede karakteristicni slučajevi:
- Ka<0 (x<Mo) - asimetrija ulijevo, za Ka  -3 radi se o izrazenoj

negativnoj asimetriji,
- Ka = 0 ( x  Mo) - simetricna distribucija i
- Ka > 0 (x > Mo) - asimetrija udesno, za Ka > 3 radi se o izrazenoj
pozitivnoj asimetriji.
U slucajevima kada asimetrija nije velika za empirijske distribucije vazi izraz:
Mo = x-3(x-Me), (4.46)
tj. x -Mo = l(x - Me), pa se obrazac (4.45) se moze

pisati u obliku:
S obzirom na to da vazi relacija:
(4.48)
onda vrijednosti koeficijenta Ka varira između
(4.49)
4.5.2. Mjera zaobljenosti
Koeficijentom zaobljenosti (spljostenosti, ekscesa), kada su u pitanju priblizno simetricne raspodjele,

izrazava se stepen koncentracije vrijednosti obiljczja oko srednje vrijednosti (modusa ili medijane, jer
su za simetricne distribucije sve tri srednje velicine medusobno priblizno jednake po vrijednosti). Sto
je koncentracija frekvencija oko odgovarajuce srednje vrijednosti veca (ili poredenju s normalnom
teorijskom distribucijom frckvcncija), to je i vrh (tjeme) normirane krive funkcije raspodjele visi od
vrha nominalne raspodjele i obrnuto, slika4.4.
Slika4.4. Primjeri krivih distribucije s raznim mjerama zaobljenosti. Kocficijent zaobljenosti se racuna
preko izraza za cetvrti normirani moment, tj.
Karakteristicni slucajevi za vrijednost a 4 su:

a4 < 3 — distribucija je niskovrhna (izrazito zaobljena),
a4=3 --- kriva distribucije je bliska krivoj normalne distribucije (o kojoj
ce vise govora biti u poglavlju 5) i
a4 > 3 — distribucija je visokovrhna (izrazito zasiljena).
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.
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
Standardna devijacija iznosi:
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:
Koeficijent asimetrije.Na osnovu izraza (4.39) slijedi:
x  Mo
Ka   0.1118
s
Koeficijent zaobljenosti (spljoslenosti). Na osnovu izraza (4.44) dobije se:
Analizom vrijednosti koeficijenata asimetrije i spoljoštenosti moze se uociti da je oblik

krivulje distribucije frekvencija sljedeci:
— Distribucija je asimetricna ulijevo Ka <0 (x < Mo) ,
— Distribucija je niskovrhna(a4<3).
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
Raspodjele frekvencija koje su razmatrane u prethodnom poglavlju formiraju se

sređivanjem eksperimentalno dobijenih vrijednosti obiljezja jedinica datog statistickog skupa. Pored
ovih, empirijskih, u praksi se cesto koriste i teorijske distribucije koje se definisu na osnovu
unaprijed poznate bezuslovne vjerovatnoce ishoda nekog slucajnog dogadaja A u datim uslovima. Za
slucajnu velicinu X zadatu skupom vrijednosti njenih modaliteta: x 1 , . . , , x r I pripadajucih
vjerovatnoca p(xt), p(x2), ...,p(xr), skup {xi,,,p(xi), naziva se raspodjela vjerovatnoca slucajne varijable
X.
5.1 BINOMNA RASPODJELA
Razmatra se eksperiment kod kojeg se pretpostavlja da pojavljivanju izvjesnog dogadaja A

pripada vjerovatnoca p koja se ne mijenja tokom ponavljanja eksperimenta. Drugim rijecima,
pretpostavlja se da se eksperiment u kojem nastupa dogadaj A izvodi uvijek pod idealno jednakim
uslovima. Vjerovatnoca da ne nastupi dogadaj A, sto se moze oznaciti kao A , jednaka je q = 1 — p.
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).
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.
Binomna raspodjela (Bernoulijeva funkcija gustine distribucij vjerovatnoca) odreduje

vjerovatnocu da u seriji od n eksperimenata dogadaj A nastupi bas x puta, a data je relacijom
Iz izraza (5.1) se vidi da je binomna raspodjela jednoznacno odredena parametrima n i

p, pa se krace oznacava kao B{n,p). Parametar p oznacava vjerovatnocu povoljnog ishoda za
eksperiment s dva moguca alternativna ishoda, dok parametar q=1—p predstavlja vjerovatnocu
drugog altemativnog (nepovoljnog) ishoda.
Binomna raspodjela je jedna od najvaznijih diskontinuiranih raspodjela i vrlo cesto se
susrece u kontroli pomocu uzoraka. Slucajna varijabla kod ove distribucije moze uzimati samo cijele
pozitivne vrijednosti. Binomna raspodjela ima izrazenu desnu asimetriju (dugacak desni ogranak) za
male vrijednosti n i p<q, za p>q ima negativnu asimetriju. Za dovoljno veliko n, bez obzira na
medusobni odnos parametara p i q, distribucija dobija skoro simetrican oblik.
Primjer 5.1. Jedan automat daje 5% defektnih proizvoda. Pretpostavlja se da automat

radi ujednaceno tokom vremena. Kolika je vjerovatnoca da se u slucajnom uzorku od 5 proizvoda
nađu bas dva neispravna proizvoda, a kolika da ne bude ni jedan?
Na osnovu zadate osobine automata, vjerovatnoca izrade defektnog proizvoda {dogadaj
A) je p=0,05, a vjerovatnoca izrade dobrog proizvoda je q=1-p=1—0,05=0,95. Broj neispravnih
komada (broj nastupa dogadaja A) u uzorku od 5 proizvoda je slucajna varijabla x binomne
razdiobe P{n=5,p=O,O5). Prema izrazu (5.1) vjerovatnoca je:
sto znači da ako bi se proizvodi pakovali u kutije od po 5 komada (bez prethodnog

odvajanja dobrih od losih proizvoda), 2,1% kutija bi sadrzavalo po 2 defektna komada.
Vjerovatnoca da u uzorku od 5 proizvoda ne bude ni jedan neispravan je:
Racunanje vjerovatnoce P{x) prema formuli ( 5 . 1 ) nije uvijek najpogodnije.

n
Naime, za vece vrijednosti x i n izracunavanje binomnih koeficijenata   moze
x
predstavljati poteskocu. Stoga se, nakon odrcdenih transformacija, vjerovatnoca moze
racunati i pomocu rekurzivne formule:
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)
koja direktno slijedi iz izraza (5.1).
Primjer 5.2. Nacrtati krivulju raspodjele vjerovatnoca nalazenja 1,2, 3, 4 i 5 defektnih

komada iz primjera 5.1.
Primjenom izraza (5.3) prvo se racunaP(O):
P(0) = q" =O,955 =0,77378.
Ostatak proracuna se vrsi koristenjem izraza (5.2), a rezultati su dati u tabeli 5.1.
Raspodjela vjerovatnoca data je na slici 5.1.

5.2 POISSONOVA RASPODJELA

Do Poissonove raspodjele dolazi se granicnim prelazom na binomnoj raspodjeli, pustivsi da n raste u beskonacnost, ali
uz uslov da pri torn proizvod np ostane konstantan. Zbog ovog uslova slijedi da ce porastom n istovremeno p teziti nuli,
jer jedino u torn slucaju np moze ostati konstantno. Izvrsi li se taj granicni prelaz na izrazu (5.1), slijedi izraz za
vjerovatnocu P(x):
(5.4)
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:
nakon transformacija, izrazi za racunanje vjerovatnoce mogu se napisati u obliku:
izraza (5.6) uocljivo je da je na ovaj nacin izbjegnuto racunanje faktorijela. Posto su u

pitanju vjerovatnoce, njihova suma je jednaka jedinici.
Pokazuje se da su za Poissonovu raspodjclu koeflcijcnti asimctrije i spljo-stenosti:
(5-7)
odakle slijedi da je Poissonova raspodjela uvijek, dakle za svaki  pozitivno asimetricna

funkcija. Porastom parametra  raspodjela postaje sve manje asimetricna. Radi ilustracije tih
svojstava na slici 5.2 prikazane su raspodjele za koje je  =0,5,  =2  =4.
Primjer 5.3. Zadana je Poissonova raspodjeta s parametrom  =2. Kolika je

vjerovatnoca da u toj raspodjeli varijabla.x primi vrijednost 3?
Neposrednom primjenom izraza (5.4) za date podatke slijedi:
sto znaci da je vjerovatnoca jednaka 18,04%.

5.3 NORMALNA RASPODJELA
Normalna raspodjela je najznacajnija kontinuirana raspodjela koja se susrece u teoriji i
primjenama matematicke statistike. Mnogi problemi u raznim podrucjima nauke i tehnike se
rjesavaju upravo primjenom ove raspodjele. Zakon distribucije vjerovatnoca normalne krive jeste
granicni zakon, odnosno zakon kome se priblizavaju zakoni drugih distribucija u tipicnim uslovima.
Takoder, ako slucajna promjenjiva nema normalnu raspodjelu, i ako je nema cak ni aproksimativno,
onda se moze relativno jednostavnim transformacijama pretvoriti u normalnu slucajnu promjenjivu.
Pretpostavka je da se slucajna promjenjiva x realizuje u uslovima djelovanja mnogobrojnih

ravnopravnih i uglavnom nezavisnih i neznatno medusobno uslovljenih faktora medu kojima se ne
isticu faktori izuzetnog znacenja, tj. nema dominantnih faktora. Tada se i uticaj svakog od
pojedinacnih faktora na konacnu realizaciju varijable x, uglavnom nadoknaduje ucescem ostalih
faktora. U ovim uslovima za slucajno promjenjivu x kaze se da se realizuje po zakonu normalne
raspodjele.
Za slucajnu varijablu x kaze se da je distribuirana po zakonu normalne raspodjele ako je

podrucje njene vrijednosti (  , ), a funkcija gustine vjerovatnoce:
(5.8)
Uočljivo je da je normalna raspodjela jednoznacno odredena ocekivanjem  i varijansom

 , pa se moze uvesti oznaka N(  2 ,  ). Na slici 5.3 dat je izgled normalne raspodjele s
2
karakteristicnim velicinama.

Iz izraza (5.8) slijedi da je kriva gustine vjerovatnoce simetricna obzirom na pravac x= 
, gdje ima ekstrem. Tačke infleksije imaju apscise    , pa je krivulja uza, dakle i viša (povrsina
ispod krivulje uvijek mora biti jednaka jedinici), Sto je  manje. Na slici 5.4 dat je oblik krivulja
normalne raspodjele za tri razlicite vrijednosti  .
Kako se vidi, vrijednosti i moda i medijane kod normalne raspodjele su jednake

matematickom ocekivanju tj. Mo=Me=,  . Koeficijent asimetrije je jednak nula (Ka=0), dok je
koeficijent spljostenosti a4 =3.
Slika 5.4. Normalna raspodjela za razlicite vrijednosti  i
Najvecu vjerovatnocu pojavljivanja ima ona vrijednost x, cija je vrijednost jednaka

matematickom ocekivanju (koja je u ovom slucaju ujedno i modalna vrijednost). Sto se vrijednost
x-, vise udaljava od  i to je vjerovatnoca njegovog pojavljivanja manja.
Uvodenjem smjene:
gdje je z standardizirano obiljezje, izraz (5.8) postaje:
odnosno:
Za x = 0 i  = l jednacina (5.11) se svodi na funkciju koja je poznata pod nazivom
jedinicna (standardizirana) normalna raspodjela:
Grafik normirane krive dat je na slici 5.4 (kriva 2).
Ako se za empirijsku raspodjelu pretpostavi da je normalna, tj. N{x,  2), onda se

umjesto funkcije gustine distribucije vjerovatnoca u statistickoj analizi koristi integral fiinkcija ili
jntegralni zakon distribucije vjerovatnoca, koji za normalnu raspodjelu ima oblik:
(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
normalnoj raspodjeli. Kako se vidi, zbog simetricnosti jedinicne normalne raspodjele N

{0,1 } s obzirom na z=0 vrijedi S(-z) = P(z).
Slika 5.5. Vjerovatnoca kod normalne raspodjele.
Vjerovatnoca da se slucajna promjenjiva x nalazi u nekom intervalu (x1,X2) moze se, dakle,
izracunati pomocu relacije:
P(x1 <x< x2) = P(zl<z< z2) (5.16)
tj. vjerovatnoca da slucajna promjenjiva x[x:N{μ,σ2}] uzme vrijednost u intervalu (x\,X2)

jednaka je vjerovatnoci da standardizirana varijabla z[z:N{O,l}] uzme vrijednost u razmaku (X1-μ)/σ i
{x2— μ)/σ, sto je graficki ilustrirano na slici 5.6.
Slika 5.6. Povezanost izmedu normalnog rasporedaN{/j, o~) i jedinicnog nomialnog rasporeda
7V{0,1}.

Primjer 5.4. Za slucajnu promjenjivu z koja ima normalnu raspodjelu N{0,1} odrediti:
Konstenjem tablica iz priloga Bl trazene vjerovalnoce su:
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.
Primienom izraza (5.14) siiiedi;
Nakon uvodenja smjena:
vjerovatnoca se pnmjenom jedinicne normalne raspodjele lacuna iz izraza:
gdje je P=0,4524 tablicna vrijednost (tabela uprilogu Bl) vjerovatnoce zaz=l,67.

Primjer 5.6. Obradom rezultata ponovljenih mjerenja temperature vode dobijena je
normalna raspodjela N{μ=20, σ2=4}.
(a) izracunati vjerovatnocu da ce se izmjerene vrijednosti nalaziti u intervalu
17-21,5 "C.
(b) Kolika je vjerovatnoca da varijabla x primi bilo koju vrijednost manju od 21,5?
(c) Kolika je vjerovatnoca da varijabla x primi neku vrijednost vecu od 21,5 °C?
(a) Na osnovu znacenja vjerovatnoce P(z) i slike 5.7 trazena vjerovatnoca je:
P( 17 < x < 21,5) - P(Z1) + P(z2)
Prethodno je potrebno izracunati z, i z2:
Na osnovu izracunatih vrijednosti z1 i z2 (tabela u prilogu Bl) se nalaze vjerovatnoce:

P(z,)=0,43319 i P(z2)-0,27337. Stogaje:
Vjerovatnoca da ce se izmjerene vrijednosti nalaziti u intervalu 17-21,5 °C iznosi dakle

70,66%.
(b) Vjerovatnoca da varijabla x primi bilo koju vrijednost manju od 21,5 °C. Na osnovu slike 5.7
slijedi:
Kod izracunavanja ove vjerovatnoce koristeno je svojstvo normalne raspodjele da je povrsina

nad intervalom (-∞,μ) ispod krivulje jednaka 0,5.
(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.

5.4 STUDENTOVA ILI t-RASPODJELA
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)
u kojoj je v prirodan broj i
(5.18)
gdje je F gama funkcija.'
Kada se standardna devijacija a ocjenjuje iz uzorka manjeg od 30 jedinica, standard]zirano

obiljezje z nece imati normalni raspored, pa se transformacija obiljezja u torn sludaju vrSi pomocu
izraza:
(5.19)
gdje je s ocjena standardne devijacije.
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.
Opcenito, kada v ~-» 00 r-raspodjela tezi normalnoj pa se u slucajevima kada je v > 30 u

statistici koristi normalna umjesto f-raspodjele. Ovo je uocljivo na slici 5.9, gdje se vidi da s porastom
v razlika izmedu normalne i /-raspodjele iscezava. Kod nonnalne raspodjele je, na primjer, 95%
povrsine obuhvaceno u razmaku ±l,96cr, a kod r-raspodjele je ova povrsina obuhvacena za ^ = 5 i
(5.22)
odakle je standardna devijacija:
(5.23)
Slika 5.10. Pravougaona — (a) i trougaona — (b) raspodjela vjerovatnoca.
Skokovite promjene u raspodjeli vjerovatnoce uglavnom nisu prirodne, naprotiv, realnije je

ocekivati da vrijednosti u blizini granica intervala budu manje vjerovatne od vrijednosti u blizini
sredista tog intervala. Tada je cesto razumno zamijeniti simetricnu pravougaonu raspodjelu trapeznom
raspodjelom sa istim bocnim stranicama (jednakokraki trapez), sirinom osnovice jednakom a+ - a_ =
2a i sirinom gornje stranice jednakom 2afi, gdje je 0 < p < 1.
Kada p —> 1 trapezna raspodjela tezi pravougaonoj raspodjeli, dok je za fi=0 jednaka
trougaonoj raspodjeli. Uz pretpostavku takve trapezne raspodjele, ocekivanje velicinex jednako je x
-0,5(a_+a+), dokje varijansa:
koja za trougaonu raspodjelu (J5=0), slika 5.10b, postaje;

a2
s2  .
6
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.
6.1 IZBOR I VRSTE UZORAKA

Na osnovu podataka uzorka pribavljaju se informacije o njegovim karakteristikama i
pripisuju se cijelom skupu kojem uzorak pripada.
Informacije, koje se dobijaju uopštavanjem rezultata ovakvog posmatranja, mogu
sadržavati veće ili manje greške. Napredak statističke teorije omogućio jc i ocjenu ovih grešaka,
zbog čega je stattstičko zaključivanje postalo opste sredstvo istraživanja najraznovrsnijih pojava.
Statičke hipoteze
Statističko zaključivanje može se podijeliti u dvije oblasti:

— testiranjc statističkih hipotcza,
— ocjenjivanje nepoznatih parametara skupa.
I jedna i druga oblast mogu se zasnivati na izvjesnim pretpostavkama i saznanjima o

rasporedu skupa i rasporedima statističkih uzoraka. Postupci takvog zaključivanja nazivaju sc
parametarskim.
Na osnovu relativno malog uzorka, uz izvjesna ograničenja, moguće je sagledati i opisati
jednu ili više karakteristika cijelog skupa. Uzorak najčešće služi za ocjenu aritimetičke sredine
statističkog skupa i relativne frekvencije pojedinih obilježja.
Da bi postupak statističkog zaključivanja o parametrima skupa bio opravdan a zaključak

koji se donosi prihvatljiv, potrebno je da uzorak bude reprezentativan u odnosu na skup na koji
se odnosi. Razvijene su brojne metode izbora uzoraka, njihovog posmatranja i donošenja ocjena.
One na različite načine, u manjoj ili većoj mjeri, osiguravaju reprezentativnost uzorka, ispravnost
ocjene, kao i mogućnost da se odredi pouzdanost te ocjene.
Ocjena parametara skupa na osnovu podataka iz slučajnog uzorka zasniva se na dvije

pretpostavke:
— na vjerovatnoći da će slučajno odabrane jedinice iz skupa biti repre-
zentativne, tj. da će vjerno reprodukovati strukturu skupa i
— da će se izračunate vrijednosti tako odabranog uzorka razlikovati od stva-

nih vrijednosti parametara skupa samo u granicama slučajnog kolebanja.
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.
Pružanjem podjednakih izbornih mogućnosti svim jedinicama skupa postiže se

reprezentativnost uzorka, jer tada na osnovu teorije vjerovatnoće u uzorak ulazi najveći broj
jedinica s karakteristikama najčešćim u skupu, a najmanji broj onih jedinica kakvih u skupu ima
najmanje. Znači, može se očekivati da će pri slučajnom izboru uzorak obuhvatati više jedinica koje
pokazuju manju grešku (manje odstupanje od posmatrane karakteristike skupa).
Uzorci se mogu uzimati iz konačnog i beskonačnog osnovnog skupa. Konačan skup

sačinjen je od ograničenog broja jedinica. Beskonačni skupovi se odnose najčešće na biološka i
agrotehnička istraživanja. Razlikovanje skupa na konačne i beskonačne bitno je s aspekta osiguranja
nezavisnog izbora njihovih sastavnih jedinica.
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:
- imati takoder oblik normalnog rasporeda bez obzira na veličinu uzorka,
- aritimetička sredina tog rasporeda biće jednaka aritimetičkog sredini

skupa ( (  x   ) )i
- varijansa tog rasporeda biće jednaka odnosu varijanse skupa i veličine

uzorka:
(6.1)
Standardna devijacija rasporeda aritmetičkih sredina uzoraka, koja se naziva i standardnom

greškom aritmetičkih sredina se računa kao:
(6.2)
gdje je a standardna devijacija skupa a n veličina uzorka.
Kada varijansa skupa nije poznata, standardna greška računa sc na osnovu procjene
stnndardne devijacije uzorka:
(6.3)
Statičke hipoteze
Prethodna saznanja će se koristiti kasnije za ocjenu aritmetičke sredine skupa i testiranjc

hipotcza o aritmetičkoj sredini skupa na osnovu prostog slučajnog uzorka u slučajevima kada sc
može pretpostaviti da je skup, iz kojeg su uzorci izvučeni, normalno raspoređcn.
Dobijen odabiranjem elemenata na principu slučajnosti, uzorak je umanjena slika

osnovnog skupa: njegova aritmetička sredina, varijansa i mjere asimetrijc i spljoštenosti jesu
procjene ovih parametara osnovnog skupa.
Ako skup znatnije odstupa od nomnalnog rasporeda, postavlja se pitanje kakav ce oblik
imati raspored aritmetičkih sredina uzoraka izvučenih iz takvog skupa. Saznanja o osobinama
toga rasporeda, kada skup nije normalno raspoređen, proizilaze iz dokaza centralne granične
teoreme koja glasi:
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.
Primjenom prostog slučajnog uzorka na jako diferencirane skupove dobija se relativno

velika standardna greška jer je ona u direktnoj srazmjeri sa veličinom standardne devijacije skupa.
U takvim slučajevima standardna greška može se do izvjesne granice smanjiti povećavanjem
uzorka. Bolji rezultat, međutim, postiže se podjelom takvih skupova na homogene dijelove -
stratume, unutar kojih se izvlačenje jedinica u uzorak vrši po principu slučajnosti. Tako sastavljen
uzorak naziva se stratifikovani uzorak.
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.
6.2 POSTAVKA I PROVJERA STATISTIČKE HIPOTEZE

Većina istraživanja ima kao konačni cilj da se rezultati istraživanja proglase validnim. Ovaj
cilj se može formulisati i tako da se dokaže da se rezultati ne proglase nevaljanim, odnosno ne
opovrgnu. U mnogim slučajevima statistička hipoteza se formuliše s ciljem da bude odbačena.
Na primjer, ukoliko je potrebno donijeti odluku da je neka procedure (proizvodni proces)

bolja od druge, formuliše se hipoteza da nema razlike između procedure (proizvodnih procesa).
Ovakve hipoteze nazivaju se nultim hipotezama i označavaju se sa Ho. Dakle, nulta hipoteza Ho se
uvodi kao jedna pretpostavka koju bi trebalo odbaciti u korist altemativne hipoteze Ht, koja zapravo
ima i veći praktični značaj. Ukoliko zaista postoji alternativan, odnosno protivrječan dokaz kojim se
opovrgava nulta hipoteza Ho, onda se ona zaista može i odbaciti i smatrati kao teorijska pretpostavka.
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
Vjerovatnoća greške prve vrste α sc obično zadaje unaprijed. U primjenama se redovno

koriste vrijcdnosti α =0,05(rizik od 5%) i α=0,0l (rizik od 1%). Statistički zadatak se sastoji u tome da
se nađe takva procedura koja na izvjestan način minimizira vjerovatnoću ostvarivanja bilo koje od
mogućih grešaka tj. minimizira α i ß. Odnosi ovih vjerovatnoća dati su na slici 6.1
Slika 6.1. Meeđusobni odnos parametara provjere statističke hipoteze.
Na primjer, neka je kritična vrijednost za izračunavanje vjerovatnoće za x označena s x c ,

slika 6.1. Alternativna hipoteza H1 uključuje svako  x   , pa se potrebno ograničiti na primjer na
neku vrijednost 1 , slika 6.1. Kako se vidi, pomicanjem vrijednosti tacke x c udesno, smanjuje se α i
povecava ß i obrnuto. Ovaj problem se razrješava tako što se prethodno odabere neka mala vrijednost
a, koja se naziva nivo {stepen, prag) značajnosti. Pri tome, očekuje se da i ß bude isto tako mala
vrijednost.
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
6.3 STUDENTOV t-TEST
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.
6.3.1. Testiranje hipoteze o srednjoj vrijednosti

Pretpostavlja se da je varijabla x osnovnog skupa normalno distribuirana s nepoznatim
parametrom E(x). Tada se testira nulta hipoteza:
(6.5)
prema različitim alternativnim hipotezama. Pri tome je 0 unaprijed zadani broj.
Ako se iz osnovnog skupa uzme uzorak od n elemenata, sa aritmetičkom sredinom je, kao
alternativne hipoteze mogu biti testirane sljedeće hipoteze:
(6.6)
Ako je hipoteza Ho istinita, varijabla
(6.7)
pripada Studentovom rasporedu sa stepenom slobode v=n - 1.
Područje odbacivanja hipoteze Ho je za vrijednosti t  t1 . Pri tome je α unaprijed zadana

vjerovatnoća greške prve vrste (obično 0,05 ili 0,01). Područja prihvatanja i odbacivanja hipoteze Ho
prikazana su na slici 6.2a. Pri odbacivanju hipoteze Ho razlika x  0 je signifikantna, sto znači da je
mala vjerovatnoća da se pri istinitosti hipoteze dobije tako velika vrijednost t.
(a) (b)
Slika 6.2. Područja prihvatanja i odbacivanja hipoteze HB kod jednostranog t-testa.
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)
Ovaj oblik alternativne hipoteze se najfiesce susrece u primjeni. Podmcje odbacivanja

hipoteze Ha odredeno je nejednacinama, (slika 6.3):
6.10)
Slika 6.3. Područje prilivatanja i odbacivanja nulte hipoteze kod dvostianog t-tesla.
Pošto je t1* / 2  t / 2 , dvije nejednačine (6.10) mogu se svesti u jednu:
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 :
(b) Gornji i donji prag znafiajnosti za vjerovatnocu kriticnih podrucja a = 0,01:
Primjer 6.2. Standardom je propisano da opruga ima krutost 60 N/mm. Na uzetom

uzorku od 8 opruga dobijeni su parametri: x = 59,2 N/mm i s = 0,535 N/mm. Na nivou znacajnosti od
95 % provjeriti da li serija iz koje je uzet uzorak ima prosjeCnu kratost
Potrebno je testirati hipotezu:
prema altemativnoj hipotezi tipa:
Uvrstavanjem odgovarajucih velicina u izraz (6.11) slijedt:
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
Slucaj velikog uzorka
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
Neka su x 1 i x 2 aritmeticke sredine dobijene iz dva uzorka velicine n 1 i n2 koji su izvuceni

iz dva osnovna skupa N( 1 , 1 ,) i N(  2 , 2 ). Razmatra se hipoteza da ne postoji razlika izmedu 1 i
 2 : Ho{ 1 =  2 ), odnosno hipoteza da su uzorci izvuceni iz populacija koje imaju istu srednju
vrijednost.
Procjena varijanse (zdmzena varijansa) za razmatrana dva uzorka racuna se prema izrazu:
(6.13)
gdje su varijanse skupova I i 2, dok je standardna greska razlike sredina
(6.14)
Ako su osnovni skupovi s normalnom raspodjelom, onda velicina t:
(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)
ima takoder Studentovu raspodjelu.
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:
ako je |t| < tv ;0 ,05 , nulta hipoteza se ne odbacuje,

ako je |t| > tv ;0 ,05 , nulta hipoteza se odbacuje s rizikom 5% i kaze se da je
razlika je x 1 — x 2 , znacajna (signifikantna),
ako je|t| > t v ;0 ,01 , nulta hipoteza se odbacuje s rizikom 1 % i kaze se da je
razlika x 1 — x 2 , visoko znacajna (visokosignifikantna).
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:
dok je alteniativna hipoteza tipa:
Na osnovu zadatih vrijednosti, parametri posmatranih uzoraka su:

- broj elemenata u uzorcima: n, = 17 i n, = 14,
- prosjecan broj proizvoda: x 1 = 170,588 i x 2 = 142,714 ,
- varijanse: s12 =1255,132 i s22 =2270,374.
Prema tzrazu (6.13) procjena vaiijansa je:
dok je standardna greska prema (6.14):
Statičke hipoteze
Na osnovu (6.16) vrijednost varijable t je:
x1  x2 170 ,588  142 ,714

t   1,868
sx  x 14 ,925
1 2
Broj stepeni slobode iznosi:
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.:
dok je alternativna hipoteza tipa:
Statičke hipoteze
Stoga, standardna greska se moze izracunati koristenjem izraza (6.17):
pa je:
moze se zaktjuciti sa rizikom od 5% da je razlika u produktivnosti znacajna (ali ne i

visokoznacajna) tj. da su radnici drugog pogona produktivniji.
6.4 F-TEST
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.
Ako su varijanse osnovnih normalnih distribucija medusobno jednake, varijabla:
(6.18)
je varijabla F-raspodjclc sa stepcnom slobode brojnika v 1= n1—1 i nazivnika v 2= n2 - 1

(pri cemu se za s12 uzima uvijek veca varijansa).
Statičke hipoteze
Izracunata vclicina Fn usporedujc se s odgovarajucom tablicnom vrijednosti F α= Fα (v1, v2)sa

α=0,05 ili α=0,01 rizika, pri cemu su moguca tri karakteristicna slucaja, slika 6.4:
Slika 6.4. Prag stgnifikanlnosli kod F-raspodjele.
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.
c) F0,05< Fo < F0,01 razlika medu varijansama uzoraka je signifikantna ali ne i

visokosignifikantna.
Primjer 6.5. Na osnovu dva uzorka (A i B) dobijene su sljedece velicine:
Ispitati da li uzorci pripadaju istim skupovima.
Nulta hipoteza u ovom slufiaju je da uzorci pripadaju istim osnovnim skupovima.
Primjenom izraza (6.18) dobija se:
S12 0 ,77
Fo    1,71
S 22 0 ,45
gdje su stepeni slobode brojnika i nazivnika:
i na osnovu labela za F-raspored (prilog B4), za α=0,05/0,0l slijede tablicne vrijednosti:
Statičke hipoteze
Mo'Ze se konstalovati da je F«= 1,71<FU za a=0,05 i «=0,0l, pa se zakljucuje da uzorci nc

pokazuju signifikantnu razliku u varijansama. Sloga se moze Ivrditt da uzorci pripadaju osnovnim
skupovima jcdnakih varijansi.
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)
predstavlja mjeru odstupanja empirijskih frekvencija/ od tcorijskih/,. Sto su odstupanja

manja, to je i j2 manji. Slucajna promjenjiva x2 Pr'pada Gama rasporedu, i posto se radi o vrlo
asimetricnom rasporedu, postoji samo jedan prag signifikantnosti.
Za hipotezu je povoljno da je j2 sto manje, tj. da je vjerovatnoca za X~ > x], sto veca. Ova se
vjerovatnoca izrazava povrsinom ispod kri\Tilje u intervalu (xa i +c0)> slika 6.5.
Statičke hipoteze
U tabcli u prilogu B3 date su za raznc vrijednosti stcpena slobode v vrijednosti zl koje

odgovaraju vjerovatnocama prema rclaciji P{%~ > %l) = a .
Karakteristicni stucajevi su:
(a) nulta hipotcza sc odbacuje, moze se sigumo zakljuciti da su odstupanja izmedu
empirijskih i teorijskih frekvencija preveiika.
(b) nulta hipoteza se prihvata.
Vjerovatnoce a nazivaju se kriticnim koeficijentima hipoteze o slaganju empi-rijske i
teorijske raspodjele (a je rizik prihvatanja hipoteze). U praksi se obicno
Broj stepeni slobode se raduna prema obrascu:
(6.20)
gdje je r broj sabiraka sumc u izrazu za % , a I broj nepoznatih parametara pretpostavljene

raspodjele izracunatih iz uzorka. Tako je broj stepeni slobode kod uniformrfe raspodjele v = k-[, kod
normalne v = k-2-l= k-3 (vrsi se
procjena dva parametra), binomne i Poissonove v = k—2. Prakticno se % ne koristi za razred
cije su frekvencije manje od 5. Tada se nekoliko krajnjih frekvencija sabira dotle dok kumulativna
frekvencija ne bude veca ili jednaka 5.
Primjer 6.6. Izvrseno je mjerenje elektricnog otpora uzorka sacinjenog od 100 otpornika cija
je nazivna otpomost R=\ kCl. Rezultati mjerenja razvrslani su u 14 razreda i dati su li Jabeli 6.2.
Provjeriti da li se dobijena raspodjela frekvencija moze aproksimirati nonnalnom raspodjelom.
Tabela 6.2.
Statičke hipoteze
Na osnovu izracunalih podataka u labeli 6.2, dobijaju se vrijednosti za aritmeticku sredinu,

varijansu i standardnu devtjaciju uzorka:
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:
Na osnovu vrijednosti standardiziranih varijabii, iz labele za jedinicnu normainu raspodjelu

(pritog Bl) ocitavaju se vrijednosti pripadajucih vjerovalnoca P(zt-\) i P(z,). Konacno, ocekivane
(teorijske) frekvencije/, se dobiju koristenjem izraza:
Valja napomenuli da se kod prelaznog razreda (razred u kojem su z,.\ i z, razlicitog predznaka
- razred 4), vjerovatnoce sabiraju.
Statičke hipoteze
Konacno, koristenjem izraza (6.19) racuna se velicina %"
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.
7.1 ODREDIVANJE REGRESIONE FUNKCIJE
Zadatkom regresione analize smatra se rjesenje problema odabiranja kao i analitickog

izrazavanja teoretske krive, koja najbolje prcdstavlja zakonitost prdmjene posmatrane zavisno
promjenjive i nezavisno promjenjivih velicina. Uzajamno zavisnim velicinama mogu se smatrati, na
primjer, tezina i visina covjeka, uspjeh u srednjoj skoli i na fakultetu, prinosi odredene poljoprivredne
kulture i kolicine utroscnih hemikalija i dr. Najcesce koristenc funkcije su linearna, polencijalnc,
logaritamske, eksponencijalne krive, kao i polinomi drugog, treceg i viseg reda.
Regresiona analiza
Za n ekspcrimenata postoji n parova (x,,y,) ;=l,2,...,n koji sc mogu dijagra-mski prikazati i

tako formiratt tzv. dijagram rasiuranja, odnosno dijagram rasipanja, slika 7.1.
Slika 7.1. Aproksimacija skupa tacaka razticitim funkcijama.
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)
gdje su^, (/=0,1,2,3) koeficijenti polinoma.
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
dobijcna dobra aproksimacija na razmatranom segmentu. Medutim, ovo nc znaci da jc

postignuta isto tako dobra aproksimacija i izvan posmatranog segmenta, tj. na cijelom intcrvaiu
nezavisno promjenjivc.
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:
- izbor regresionog modela,
- ocjena (izracunavanje) parametara(i) za izabrani model i
- provjera odredenih statistickih hipoteza o adekvatnosti regresionog

modela u prognosticke svrhe.
7.2 PODJELA SUMA KVADRATA ZAVISNO PROMJENJIVE
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
Razlike u izrazu (7.3) predstavljaju redom: razliku eksperimentalnih od modelskih

vrijednosti, eksperimentalnih od srednje i modelskih od srednje vrijednosti.
Slika 7.2. Linearna regresija. Kvadriranjem jednacine (7.3) i sumiranjem za n tacaka, slijedi:
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.
Graficka interpretacija ukupne, objasnjene i neobjasnjene varijacije data je na slici 7.3.
Slika 7.3. Graficka interpretacija ukupne (a), objasnjene (b) i neobjasnjenc (c) varijacije.
Odnos regresione i ukupne sume kvadrata naziva se koeficijent (lelerminacije i obiljezava

sesa r2:
(7.7)
Regresiona analiza
Kocficijent detcrminacije predstavlja rclativni udio objaSnjenc varijacije prema ukupnoj

varijaciji. S drugc stranc odnos:
(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.
Objasnjena varijacija se moze izracunati na osnovu paramctra regresije b\, pa stoga

regresiona suma kvadrata ima jedan stepen slobode. Suma kvadrata neobjasnjene varijacije, s obzirom
na y i b\, imace n-2 stepeni slobode. Kao i sume kvadrata, i stepeni slobode imaju osobinu aditivnosti,
tj.
(7.9)
Ako se sume kvadrata podijelc s odgovarajucim stcpenima slobode, dobiju sc sredine

kvadrata (engl. Mean of Squares - MS), koje sc nazivaju varijansama. U tabeli 7,2 data jc analiza
varijanse u opstem slucaju za prostu lincarnu regresiju.
Regresiona analiza
7.3 OPSTI LINEARN1 REGRESIONI MODEL
U mnogim tehnickim, ekonomskim i drugim problemima susrece se situacija da jedna od

slucajno promjenjivih, na primjer Y, zavist od vise nezavisnih velicina X], X2,---^k-\- U torn slucaju
radi se o visestrukoj linearnoj regresiji cija opsta regresiona jednacina ima oblik:
(7.10)
Da bi se moglo odrediti k nepoznatih koeficijenata (parametara) regresije Ppj = 0,1,2,...,/:-],

potrebno je svaku od nezavisno promjenjivih velicina X ,j = 1,2,...,& — 1 izmjeriti k puta, uz uslov
medusobne nezavisnosti velicina Xj. Na ovaj nacin se dobije sistem od k linearnih jednacina.
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)
za / = ]r2,...,n i / = ],2,...,k -1 pri cemu Xy predstavlja i-tu vrijednost varijable Xj i gdjc su £j

nekorelirane slucajnc velicine koje su rczultat ncprcciznosti mjerenja. Za dovoljno veliko n skup e ima
normalnu distribuciju. Sistem jednacina (7.11) u matricnom obliku glasi:
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.
Za odredivanje adekvatnog oblika funkcije regresije ciji je vektorski oblik:
(7.14)
potrebno je minimizirati razliku izmedu izmjcrenih i pretpostavljenih vrijednosti.
Za odredivanje onih parametara regresije b, koji jednacinom (7.14) najbolje rcprezentuju

skup eksperimentalnih tacaka, koristi se metoda najmanjih kvadrata. Prema samom nazivu metode,
postavlja se uslov da suma kvadrata
odstupanja posmatranih vrijednosti Y od regresione funkcije Y budc minimalna tj. kvadiat

rezidualnog vektora-kolone R treba biti minimalan:
cijim se izjednacavanjem s nulom dobija sistem normatnih jednacina:
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:
- kvadratna matrica velicine (k,k). Naime, matrica X je velifinc (n,k) a

matrica X' velicine (k,n), pa je njihov unutrasnji proizvod (t,n)(«,/:)=(t,/:),
- regularna,
- simetricna, jer vrijedi (X'X)' =X'X i
- pozitivno definitna jer je determinanta |X'X|=JX[" >0.
7.3.1. Prosta linearna regresija
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)
Analogno je i pogreska e statisticka ocjena za z, cije je matematicko occkivanje E(s) = 0 i s~

N(q,g2) . U zavisnosti od eksperimenta, objc vartjable X i Y mogu biti slucajne velicine i tada se mozc
razlikovati regresija Ypo X ili A"po Y. Na primjer, regresija ^po A'prikazana je na slici 7.4.
Regresiona analiza
odredivanje parametara bn i b, regrcsione prave prvo se fomiira sistem normalnih jednacina
odnosno vektorska jednacina (7,17):
Regresiona matrica plana X i njena transponovana matrica X' date su izrazima:
(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.
Iz jednacine (7.29) neposredno siijedi da je za b,=Q nepristrasna ocjena za slucajno

promjenjivu ypo.Yjednakanjenoj aritmetickoj sredini Y(-b0) tj:
(7.30)
dmgim rijecima, izmedu varijabli X i Y ne postoji nikakva funkcionaina zavisnost.
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:
i izjednaciti ih s nulom (posto se trazi minimum funkcije / = /(b^b,) ), cime se dobija:
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.
Za izracunavanje parametara 60 i b, potrebno je formirati sistem nomialnih jednacina (7.21).

Prema podacima tz tabele 7.3 definisu se matrice:
i odgovarajLici unutrasiiji proizvodi matrica:
Regresiona analiza
pa se sistem nonnalnih jednacina svodi na oblik:
ili u obliku (7.26):

96^+1845,52ft, =5060,4
cija su rjesenja: £>„ = 122,32 i ft, = -3,62 pa je jednacina regresione prave:
koja je prikazana na slici 7.5.

Problem se svakako mogao rijesiti i direktnom primjenom formula (7.28), pri cemu se
prelhodno formira tabela oblika 7.4 s pomocnim velicinama
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)
ciji je unutrasnji proizvod:
Regresiona analiza
slično je
Sistem lin.jednacina se svodi na:
odnosno:
7.3.2. Interval pouzdanosti za parametre regresije
2a model proste lincarne regresije
ako su greske st,£2,...,en nczavisnc slucajnc veiicine distribuiranc po zakonu normalne

raspodjelc € ~ N(0,cr2 J, onda sc za testiranje hipotezc:
Regresiona analiza
moze korisliti F- distribucija odnosa regresionc i rezidualnc varijansc:
Prilikom ovog tcstiranja obicno sc, radi preglednosti, formira tabela za analizu • varijanse
(tabela 7.5).
Tabela 7.5. Analiza varijanse za prostu linearnu regresiju.
Rezidualna greska ili standardna greska ocjenjene vrijednosti j> za slucajnu varijablu Y
predstavlja pozitivnu vrijednost kvadratnog korijena iz rezidualnc varijanse:
Na osnovu podataka iz tabele 7.5. izracunava se F-odnos:
Nazivnik u izrazu (7.40) oznacava se sa ,v~ tj.

Regresiona analiza
i naziva se varijansa regresionog koeficijenla bt. Pozitivna vrijednost kvadratnog

korijena od si prcdstavlja standarclnu gre.sku koeficijenta regresije
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.
Hipoteza //„: A, = 0 se odbacuje ako je izracunato Fo> F(vrt;j;lvri!:) za usvojeni prag

znacajnosti a. U suprotnom, hipoteza Hn sc moze prihvatiti, sto znaci da izmedu promjenjivihX\
Knema funkcionalne zavisnosti.
Uz prctpostavku da su slucajne greske distribuirane po zakonu normalne raspodjele, tada se

za provjeru hipotcze H^-.b^-b1®' gdje je b]0) konstanta, moze koristiti Studentov r-test, tj.
gdjeje 5^ standardna greska koeficijenta regresije.
2a testiranje pomocne hipoteze Ho: bt — b^ pomocu Studentovc t-distribucije za vrir =«-2

stepcni slobode niogucc je postaviti tri alternativnc hipoteze:
Regresiona analiza
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:
gdje je standardna greska slobodnog clana regresije:
Odgovarajuci 100(1- 0,05)% -ni interval pouzdanosti za procijenjeno b0 zadaje sc relacijom:
za vrc_ =n-2.
Interval pouzdanosti za varijablu Y koja je aproksimirana rcgresionom funkcijom y = b(t

+b,x odreduje se na sljedcci nacin:
(1) Ako jc broj eksperimentalnih tacaka dovoljno veliki, onda se interval pouzdanosti za Y
odreduje pomocu formule:
gdjeje s - rczidualna greska ocjene >\za vre_ -n~2 stepeni slobodc.
(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
Primjer 7.3. Podaci o prosjecnim vrijednostima ulozenih sredstava (X) po jednom

zaposlenom radniku za nabavku proizvodne opreme za 5 slucajno izabranih proizvodnih organizacija
koje proizvode isti proizvod dati su u tabeli 7.6. Prosjecno vrijeme izrade po jedinici proizvoda Y dato
je u koloni 3. Za date podatke odrediti regresionu jednacinu i testirati njene koeficijente.
Primjenom metodologije date u primjeru 7.2 dobijaju se koeficijenti b 0 = 30 i b 1 =-5, pa

linearni regresioni model ima oblik:
Da bi se dobijena zavisnost mogla koristiti u prognosticke svrhe, potrebno je testirali

hipotezu Ha : b 1 = 0 pomocu F-testa. Za formiranje svodne tabele za analizu varijanse regresione
prave, tabela 7.7, potrebno je izracunati regresionu, rezidualnu i ukupnu sumu kvadrata:
Regresiona analiza
Za odabrani nivo znacajnosti (a=0,05) i stepene slobode brojnika i nazivnika 1 i 3 respektivno,

tabelarna vrijednost (prilog B4) iznosi: F (1, 3) =10,1.
Posto je Fo > Fa , hipolezu H 0 : b = 0 treba odbaciti u korist alternativne hipoteze H 1 : b  0 sto
znaci da postoji funkcionalna zavisnost izmedu varijabli Y i X. U konkretnom slucaju, posto je b < 0 ,
povecavanjem novcanih sredstava za nabavku nove proizvodne opreme moze se ocekivati skracenje
vremena izrade po jedinici proizvoda.
dok je standardna greska slobodnog clana regresije prema izrazu (7.46):
Standardna greska koeficijenta regresije je prema izrazu (7.42):
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
dobija se 100(1-0,05)% interval pouzdanosti za Y:

primjenom dijela izraza (7.49) čiji je desni sabirak:
12-2,26-0,82 <y< 12 + 2,26-0,82 1O,I5<>'<13,85

sto znači da se, s vjerovatnoćom od priblizno 95%, moze tvrditi da ce vrijeme (Y)
potrebno za izradu jednog proizvoda varirati u intervalu [10,15; 13,85] sati uz korištenje
nove opreme, pod uslovom da se bitno ne izmijene neke druge okolnosti u proizvodnoj
organizaciji.
Analogno se dobijaju i ostali iniervali pouzdanosti, za sve organizacije i pretpostavljene
nivoe značajnosti, koji su dati u tabeli 7.9.
Regresiona analiza
7.3.3. Provjera adekvatnosti modela proste linearne regresije
Kao kriterijum za ocjenu adekvatnosti modela koristi se analiza varijanse. Ako

se pretpostavi da postoji k vrijednosti za X tj. xl,x2,...,xt. i da za svako x i , postoji
n, izmjerenih vrijednosti y,,y,,ym , za i=1,2 te ako je n > 1 i da vazi
gdje je n i faktor repliciranja a  ij nekorelirane slucajne velicine koje podlijezu normalnoj

raspodjeli. Faktor repliciranja moze biti isti za sve xt, i = 1,2,...,k tj. nl= n2 =... = nt = r i tada se radi o
regresiji sa konstantnim faktorom repliciranja.
Primjenom metode najmanjih kvadrata određuju se vrijednosti koeficijenata b 0 i b 1 , pri cemu se

prethodno formira skup od n parova:
Izrazi za koeficijente regresije u ovom slucaju ce imati oblik:
Nakon odredivanja regresionih parametara, regresiona prava ima oblik:

Regresiona analiza
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.
Nakon toga, tcstira se hipoteza H0:bl =0 koristenjem F-odnosa

(7.53)
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
Korištenjem metodolgije opisane u odjeljku 7.3.1 dobijene su vrijednosti koeficijenata regresije

bo=0,152 i b1, =1,228. Da bi se provjerila adekvalnost modela linearne regresije, polrebno je lestirati
hipolezu //,,: "model proste linearne regresije je udekvatan". Stoga, na osnovu rezultata iz tabele 7.11,
formira se svodna tabela za ana izu varijanse za prostu lincarnu regresijii sa promjenjivim faktorom
rephciranja, tabela 7.12.
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.
Nakon konstatacije o adekvatnosti modela, testira se hipoteza za koeficijent regresije b1 , =

1,228 tj. Ho : b= 0 .
Nakon toga, testira se hipoleza H: b1 =0 koristenjem F-odnosa:
Regresiona analiza
Posto tablicna vrijednost za  = 0,01 iznosi F (1.18) =8,28, Fn > F i P(F > F 0 ) < 0,01, nulta hipoteza se
odbacuje i prihvata alternativna hipoteza H 1 : b 1 #0 odnosno, postoji jaka zavisnost izmedu X i Y.

Konacno, ovo je i u skladu sa hipotezom Ho,
7.4 VISESTRUKA LINEARNA REGRESIJA

U slucajevima kada se na osnovu vise nezavisno slucajno promjenjivih velicina X 1 , X 2 , ..., X k 
1 treba procijeniti jedna zavisno promjenjiva slucajna velicina Y, radi se o problemu visestruke
regresije. Opsti linearni model regresije opisan je pomocu relacije (7.10):
(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:
odnosno u matricnoj formi:
(7.56)
(7.57)
Za odredivanje regresionih koeficijenata metodom najmanjih kvadrata, prethodno se formiraju

odgovarajuci unutrasnji proizvodi:
Regresiona analiza
Sistem normalnih jednacina svodi se na matricnu jednacinu:
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:
cije je rjesenje: b 0 = 2,337566, b 1 =-0,00194, b 2 =-0,013I5, b 3 =0,003616, pa je matematicki

model visestruke linearne regresije (hiperravan) dat jednacinom:
y = 2,337566-0,00194jc, -0,01315*, +0,003616*,.
Posto su odredeni koeficijenti regresije b 0 ,b 1 ...,b k 1 , kao aproksimacija za parametre β 0 ,β 1 ,...,β

k 1 , potrebno je izvrsiti ocjenu pouzdanosti dobijenih parametara. Ova ocjena vrsi se na osnovu
standardnih gresaka koeficijenata s bj

koja predstavlja mjeru standardnog odstupanja ocjene b j od β j za j = 0,1,2,...,k — 1. Ove velicine se
dobijaju na osnovu rezidualne sume kvadrata S rez sa v = n - k stepeni slobode. Tada su granice 100(l-
)%-nog intervala pouzdanosti za b j :
bj 
Moguce hipoteze za testiranje znacajnosti koeficijenata regresije su:
(a) H 0 :β 1 =β 2 =...=β k 1 =0, j=1,2,....k-1

(b) H 0 :β r =0, za neko r=1,2,...,k-1
Regresiona analiza
(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.
(b) Hipoteza H 0 :β r =0 za neko r = 1,2,...,k-l moze se shvatiti kao pretpostavka da promjenjiva X r

nema udjela na poboljsanje prognosticke vrijednosti za Y, koja se dobija kao rezultat ostalih
promjenjivih velicina.
7.5 NELINEARNA REGRESIJA
7.5.1. Funkcije oblika polinoma

j
Ukoliko se za opsti linearni model visestruke regresije dat izrazom (7.10) pretpostavi da je x ij =x i , i
m = k-ln-l; (n>m-l) dobija se polinom m-tog reda:
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:
Sistem normalnih jednacina (7.68) se svodi na oblik:
odnosno:
7.5.2. Neke karakteristicne nelinearne funkcije
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.
(b) Eksponencijalna funkcija:
(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)
gdje su uvedene smjene: Y = In y i X = x, vrsi se linearizacija funkcije.
(c) Eksponencijalna funkcija oblika:
se linearizira nakon logaritimiranja:

(7.74)
(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
Linearizacija se vrsi uvodenjem smjena: X = 1/x i Y = y , jednacina (7.79) svodi na oblik:
Y=b 0 +b 1 x (7.80.)
(f) Logisticka kriva:
(7.81.)
Izgled ove funkcije dat je na slici 7.9

Regresiona analiza
Jednacina (7.81) se moze prikazati i u obliku:
(7.82.)
Linearizacija se vrsi uvođenjem smjena:
cime se jednacina (7.82.) svodi na oblik:
( 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.
8.2 KOEFICIJENT KORELACIJE

Kvalitetno sagledavanje korelacione veze moguce je koristenjem dijagrama rasturanja. Ovim dijagramom m
eventualno postojanje korelacije a takoder i njen oblik i karakter.
Neka su na jednom objektu mjerenja definisana dva obiljezja, x i y. Svako promatranje ovog objekta daj
(x,y), gdje je x mjerna vrijednost jednog, a y mjerna vrijednost drugog obiljezja. Nakon n promatranja dob
n parova (x,y):
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)
dok su standardnc devijacije
Koeficijent korelacije uzorka
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.
U tabeli 8.2 dat je proracun vrijednosti potrebnih za proracun koeficijenta korelacije
Koristenjem izraza (8.3) slijedi:
Rezultat pokazuje da postoji vrlo visoka linearna korelacija izmedu promjenjivih.

Korelaciona analiza
8.3.VEZA IZMEĐU LINEARNE REGRESIJE I KORELACIJE
Za mjerenje jacine linearne veze izmedu x i y moze se iskoristiti i relacija (7.6):
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)
Ako brojnik i imenilac na desnoj strani jednacine (8.5) podijele sa n, slijedi:
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)
odakle je koeficijent korelacije:
(8.10)
Kod eksperimentalnih pdataka najčšće se među parovima ( xi , yi ), dešava da ima i međusobno jd

prvi korak u obradi eksperim entalnih rezultata izrada distribucije frekvencija.Pri tom j suma svi
jednaka ukupnom broju podataka:
Kvarijansa uzorka se u tom slucaju izražava relacijom:
dok su
Korelaciona analiza
Stoga je koeficijent korelacije uzorka:
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
Racunanjem svih clanova koji figurisu u izrazu (8.15) slijedi:

Mjerne greške
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.
9.1 UZROCI NASTANKA MJERNIH GREŠAKA

Broj uzroka koji mogu dovesti do mjernih gresaka je teorijski beskonacno veliki. Generalno,
s aspekta uzrocnika, sve mjee greske se mogu svrstati u dvije velike grupe:
—odredive greske su one koje se unaprijed mogu predvidjeti ili teorijski
utvrditi. Ova grupa gresaka naziva se i sistematskim greskama.
—neodredive (neobuhvatljive) greske se zapazaju tek kod ponovljenih
mjerenja iste konstantne fizikalne velicine jer se pojedini rezultati
prividno bez razloga medusobno razlikuju. Ova grupa grešaka naziva se i
slucajnim greškama.
Ponekad nije jednostavno svrstati neku gresku u jednu ili drugu grupu. Naime, granica
izmedu ovih grupa gresaka neprestano se pomjera u korist sistematskih gresaka, sto znaci
da se razvojem mjerne tehnike neprekidno otkrivaju novi uzroci mjernih gresaka, koje
onda prestaju biti slucajne
Mjerne greške
Kada je u pitanju djelovanje slucajnih grcšaka, za rezultat mjerenja se kaze da je

nepouzdan, dok je zbog djelovanja sistematskih grešaka on neispravan.
Sistematske mjerne greske najcesce nastaju zbog nesavrsenosti mjernog postupka,
mjerih uredaja, mjerene fizikalne velicine kao i zbog odredivih uticaja poremecajnih
veličina okoline i osobnog uticaja ispitivaca. Vecina sistematskih gresaka ima stalnu
vrijednost, a time i odreden predznak, tj. sistematske greške djeluju jednostrano.
Sistematske greske se mogu podijeliti u tri glavne grupe:
— metodske sistematske greske,
— sistematske greske mjerih uredaja i
— osobne greske ispitivaca.
Kod metodskih sistematskih gresaka izvor gresaka je sam mjerni postupak tj.
primijenjena metoda mjerenja. Na primjer, kod gravimetrijske analize u hemiji mora se
uzeti u obzir i topivost taloga, njegovo isparavanje pri zagrijavanju, talozenje
nepozeljnih supstanci itd.
Sistematske greske mjerih uredaja mogu biti progresivne ako rastu
proporcionalno s porastom vrijednosti mjerene velicine. S druge strane, mjesna ili
neregularna sistematska greska je ona koja se pojavljuje u pojedinim intervalima
mjernog podrucja, dok se periodicna javlja nakon jednakih vremenskih intervala.
Ove greske su tzv. unutrasnje greske, koje predstavljaju jedan dio sistematskih
gresaka mjerih uredaja. Drugi dio su vanjske, tj. one greske koje su uzrokovane
djelovanjem okolinskih faktora. Na primjer, kod analitickog vaganja u hemiji nastoje
se utvrditi sistematske greske koje uzrokuju nekalibrirani utezi, nejednakost duzine
krakova vage i dr.
Sistematske greske mjernih uredaja i metodske sistematske greske mogu se uspjesno
korigovati jedino ako se dobro poznaju karakteristike mjere metode, mjernog uredaja i
mjernog objekta. Ako djelovanje pojedinih uticajnih velicina nije poznato u dovoljnoj
mjeri, mogu se utvrditi eksperimentalno: planski se mijenja velicina svake od njih i
registruje njihov efekat na mjerni rezultat. Iz njega se moze otkriti šta je potrebno
učiniti da bi se greške smanjile. Sistematske greske se, dakle, pokoravaju poznatim
fizikalnim zakonima i zato se njihov uticaj moze uzeti u obzir naknadno. Moguci
su slucajevi kada se sistematske greske uzimaju u obzir i vise godina nakon izvrsenog
mjerenja.
Konacno, osobne greske ispitivaca su uzrokovane njegovim psiho-fizickim
sposobnostima. Na primjer, pri hemijskoj analizi svi ispitivaci nemaju dovoljnu
sposobnost uocavanja promjene boje indikatora u toku titracije. Isto tako, kod upotrebe
nekih rucnih mjerih alata razliciti rukovaoci ce prouzorkovati razlicite vrijednosti mjernih
sila.
Mjerne greške
Slucajne greske mjerenja rezultat su neizbjeznih promjena koje nastaju u

mjernim uredajima, mjernom objektu, okolini i ispitivacu, a koje on nije kadar ocijeniti i
korekcijom uzeti u obzir. Te neodredive greske mogu se prepoznati ovako: ako ispitivac
uzastopno vise puta jednako pazljivo mjeri istu konstantnu fizikalnu velicinu, istim mjernim
uređajem i pod istim vanjskim uvjetima (prema njegovoj ocjeni), ipak će dobijati
rezultate koji medusobno odstupaju. Ti rezultati se gomilaju oko odredene vrijednosti,
ali metrolog ne zna objasniti zasto je jedan rezultat manji od te vrijednosti, a drugi nije.
Zato se takve neobjasnjive greske zovu slucajne greske.
lzvori slucajnih mjernih gresaka se generalno mogu svrstati u sljedece grupe:

1) nesavrsenost mjera i mjernih uredaja;
2) nesavršenost ljudskih osjetila;
3) uticaj i promjenljivost uticaja okoline;
4) nedovoljno mjerno iskustvo i znanje ispitivaca.
Rjesenju problema nacina procjene slucajnih greski doprinos je dao Gauss, uvodeci
pretpostavke koje se mogu smatrati aksiomima teorije slucajnih gresaka:
1) Pri velikom broju ponovljenih mjerenja jednako vjerovatno nastaju
slucajne greske jednake vrijednosti, ali suprotnih predznaka, tj.
vjerovatnoca pojavljivanja negativne greske jednaka je vjerovatnoci
pojavljivanja pozitivne greske.
2) Vjerovatnoca nastanka malih gresaka veca je od vjerovatnoce nastanka
vecih gresaka. Na temeiju ovog aksioma slijedi da ce se, pri dovoljno
velikom broju ponovljenih mjerenja, raspodjela frekvencija slucajnih
gresaka pokoravati normalnoj raspodjeli,
Grube greske nastaju, uglavnom, zbog nepaznje ispitivaca, njegovog nedovoljnog strucnog
znanja i zbog izbora neodgovarajuceg mjernog postupka. Mogucnost pojavljivanja grubih
gresaka jedan je od razloga zasto se mjerenja ponavljaju. Ako se u mnostvu tako dobijenih
rezultata jedan bitno razlikuje, postoji velika sansa da je u pitanju gruba greska. Opcenito se
smatra da je rijec o gruboj grešci onda kada njena vrijednost prelazi trostruku vrijednost
srednje greske, tj. trostruku vrijednost standardnog odstupanja. Mjerne rezultate koji sadrze
grubu gresku treba odbaciti. Prethodno je potrebno takav rezultat ispitati tj. pokusati
ustanoviti uzrok nastanka grube greske.
Mjerne greške
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).
9.2 TAčNOST, PRECIZNOST I OSJETLJIVOST
Pod tacnošcu mjerenja podrazumijeva se stepen bliskosti izmjerene vrijednosti neke

fizikalne velicine i njene stvarne vrijednosti. Tacnost mjerenja se, dakle, kvantitativno moze
izraziti preko greske mjerenja.
Pod preciznošću mjerenja neke fizikalne velicine podrazumijeva se ponovljivost

(engl. repeatability) mjernog rezultata ili stepen medusobnog podudaranja niza
pojedinacnih izmjerenih vrijednosti dobijenih ponovljenim mjerenjem. Mjerenje je, dakle,
preciznije sto se bolje podudaraju tj. manje rasipaju izmjerene vrijednosti. Egzaktno se
preciznost izrazava standardnom devijacijom.
Na slici 9.1 data je ilustracija pojmova tacnost i preciznost gdje je x0 stvarna vrijednost.
Konstatacija da su rezultati precizni jos uvijek ne znaci da su i tacni. Ukoliko, na

primjer, srednja vrijednost znatno odstupa od stvarne vrijednosti mjerene velicine, onda se
radi o netacnom mjerenju. Pri tome, rezultati mogu biti vrlo precizni tj. neznatno se
razlikovati.
Mjerne greške
(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.
Osjetljivost S mjernog uredaja jeste odnos pokazivanja  y i promjene  x mjerene

fizikalne velicine koja je uzrokovala promjenu pokazivanja tj.:
(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
9.3 VRSTE MJERNIH GREŠAKA
9.3.1. Apsolutna i relativna mjerna greska
Razlika izmedu izmjerene vrijednosti xi, fizikalne velicine i njene stvarne vrijednosti x zove se
apsolutna mjerna greska.
ai=Xi-x. (9.3)
Izraz (9.3) mogao bi dovesti do pogresnog zakljucka da se stvarna greska a, moze

direktno izmjeriti. U tom slucaju moglo bi se zakljuciti da je stvarna vrijednost
x = xi-ai. (9.4)
Ovakav zakljucak je nastao zbog pogresne pretpostavke o tome da je poznata stvarna
vrijednost x.
Stvarna vrijednost mjerene fizikalne velicine se nikako ne moze saznati jer bi se

morala ustanoviti eksperimentalno, mjerenjem, a rezultat mjerenja uvijek sadrzi gresku.
Najvise sto se moze uciniti jest to da se sazna interval za koji se moze reci da postoji velika
vjerovatnoca da se vrijednost mjerene velicine nalazi u tom intervalu. Stoga jednacina (9.3)
znaci da je stvama vrijednost x mjerene fizikalne velicine jednaka razlici izmedu izmjerene
vrijednosti x, i vjerovatnoće mjerne greške a,.
Posto se stvarna vrijednost ne moze ustanoviti, preostaje jedino da se ona procijeni.

Njena najbolja procjena je aritmeticka sredina koja se dobija ponovljenim mjerenjima
iste fizikalne velicine, izvedenim s ciljem da se sto vise suzi interval u kojem se nalazi
nepoznata vrijednost. Zato se u mjernoj tehnici greška izrazava u odnosu prema srednjoj
vrijednosti, a ne prema stvarnoj vrijednosti. Tako definisana greska zove se prividna
greska:
(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)
9.3.2. Granicna greska mjernog uredaja

Slucajne greske samo su jedan od uzroka koji dovode do nesigurnosti konacnog rezultata
kod mjerenja. Posto se sistematske greske ne mogu u potpunosti otkloniti, mjerna tehnika
ih uvodi u konacan rezultat pomocu pojma mjerne nesigurnosti. Odraz te nesigurnosti na
mjerne uredaje i mjere izražava se pojmom granicna mjerna greska (garantovana i
bazdarna), koji omogucuje da se uredaji i mjere nedvosmisleno podijele na ispravne i
neispravne.
Granicna greska je ugovoreno ili garantirano najvece dopušteno odstupanje od stvarne

vrijednosti ili od propisane vrijednosti mjerene velicine. To odstupanje moze biti
jednostrano (+ ili -) ili dvostrano (±) i ne smije biti premaseno, neovisno o tome kolika
je mjerna nesigurnost kojom se moze utvrditi mjerni rezultat. Prema tome, granicna
greska oznacava granice unutar kojih mjerni rezultat smije biti neispravan, sto omogucuje
da se mjerni uredaji i mjere mogu jednoznacno razvrstati na ispravne i neispravne.
Ako proizvođači mjernog uredaja (mjere) garantuje da vrijednost fizikalne velicine

izmjerene tim uređajem (ili utjelovljene tom mjerom), ne odstupa od stvarne vrijednosti
vise nego sto je propisano, onda se to odstupanje zove garantovana granicna greska. Pri
tom se uredaj ili mjera moraju primjenjivati pri utvrđenim uslovima. Garantovanom
granicnom greskom proizvođač mjernog uredaja (etalona), garantuje da ce pri ispravnoj
upotrebi uredaja greska biti manja ili jednaka garantovanoj granicnoj grešci.
Baždarna granicna greska je najvece dopusteno odstupanje vrijednosti koju pokazuje

mjerni uredaj ili utjelovljuje mjera od vrijednosti standarda (etalona). To znaci da ce
uredaj dobiti baždarni pečat jedino u slucaju ako se njena stvarna vrijednost nalazi unutar
podrucja: potrebna (naznacena) vrijednost ± baždarena granicna greska. Za mjerne uredaje
analogan uslov glasi: stvarno pokazivanje = potrebno pokazivanje± baždarena granicna
greska.
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.
9.4 PRORAČUN GREŠKE INDIREKTNO MJERENE VELIČINE
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.
Indirektno mjerena velicina y je funkcija niza medusobno nezavisnih fizikalnih

velicina x1,, x2, .... kod kojih se srednje vrijednosti dobijaju direktnim mjerenjem. Opcenito se
indirektna mjerena velicina y moze napisati u obliku:
(9.12)
Svaka od direktno mjerenih velicina poznata je sa odredenom greskom. U ovom poglavlju

ce biti razmatran uticaj tih gresaka na nesigurnost poznavanja indirektno mjerene
(izracunate) velicine.
9.4.1. Standardna devijacija indirektno mjerene veličine

Za vrijednosti velicina Xi u izrazu (9.12) pretpostavlja se da su dobijene dovoljnim
brojem ponovljenih mjerenja i da za njih vrijedi normalna raspodjela slucajnih gresaka. Na taj
nacin direktno mjerene velicine x, poznaju se u obliku njihovih srednjih vrijednosti x,, tj. kao
najvjerovatnije vrijednosti velicina xi. Dalje se pretpostavlja da je pri ponovljenim
mjerenjima svaka velicina xi
Mjerne greške
izmjerena jednak broj puta - n. Standardna devijacija svake od fizikalnih velicina x,

oznacava se slovom s,.
Srednja vrijednost indirektno mjerene velicine y dobija se tako sto se u (9.12) uvrste
srednje vrijednosti direktno mjerenih velicina xh onda se moze odrediti vrijednost Sy, kao:
(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.
Relativna standardna devijacija indirektno mjerene velicine je:
(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)
Uvrstavanjem (9.16) u (9.13) te primjenom jednacine (9.14) nastaju izrazi za standardnu

dcvijaciju i relativnu standardnu devijaciju:
(9.17)
(9. I8)
Mjerne greške
Ako su koeficijenti a, medusobno jednaki i iznose 1, tj. a t =1, jednacina (9.15)

prelazi u oblik:
Y=x1 +x2 +... +xn (9.19)
pa se u tom slucaju izraz za standardnu devijaciju (9.17) pojednostavljuje u:
(9.20)
Primjer 9.2. Odrediti izraz za standardnu devijaciju u slucaju kada je indirektno

mjerena velicina funkcija sljedeceg oblika:
(a) jednaka zbiru dviju direktno mjerenih velicina: y = x1 + x2 ,

(b) jednaka raztici dviju direktno mjerenih velicina: y= xt —x2,
(c) za slucaj zbira direktno mjerenih velicina izvesli izraze za sy i ry u slucaju da je
xt-x2,
(a), (b) Koristenjem jednacina (9.15), (9.16), (9.17) i (9.18), odnosno (9.19) i (9.20),
dobivaju se izrazi za standardnu devijaciju i relativnu standardnu devijaciju (u daljem
tekstu ce znak za srednju vrijednost biti ispusten) koji su dati u tabeli 9.1.
(c) U slucaju xt=x2, st=s2, , predhodne jednacine prelaze u najjednostavniji
moguci oblik:
y =2 x1
rt sy= 2s1
pri čemu je rt= r2=s1/ x1.
Mjerne greške
Ocito je da indirektno mjerenje velicine y razlikom xt-x2 dovodi do pogorsanja mjerne

preciznosti, pogotovo ako razlika apsolutnih vrijednosti veiicina x 1 i x2 nije velika. Ovo je
uocljivo i iz jednacine za r y ,. ako se pretpostavi da je x1 = x2,a r1=r2. U tom slucaju
dobije se priblizno ry= 2r1  x1 /[x1 -x2), Sto u slucaju ( x1 -x2) —> 0 uzrokuje ry  
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)
u kojoj je koeficijent a tacno poznat broj.
Standardna devijacija sr srednje vrijednosti slozene velicine y moze se izracunati iz

opste jednacine (9.13). Stoga se prvo racunaju parcijalni izvodi funkcije(9.21):
(9.22)
cijim uvrstavanjem u izraz (9.13) slijedi varijansa:

(9.23)
gdje su s1 , s2,... sv1 standardne devijacije direktno mjerenih velicina xu x2,....

Odnosi r 1 , =sl/x],r2 =s2/x2,:.,rv=sv/xv predstavljaju relativne standardne devijacije
direktno mjerenih velicina, pa je opsti izraz za relativnu standardnu devijaciju na osnovu
(9.23):
Mjerne greške
(9.24)
Primjer 9.3. Za funkeijc oblika y=ax1x2 I y = ax 1 x2 (gdje velicine x1 I x2 mogu biti

raznorodne ili istorodne fizikalne velicine), odrediti i komentarisati izraze za standardne
devijacije i relativne standardne devijacije.
Na osnovu izraza (9.22)-(9.24) slijede izrazi za standardnu devijaciju i relativnu
standardnu devijaciju, koji za trazene slucajeve imaju oblike date u tabeli 9.2.
Tabela 9.2.
Uocljivo je da su izrazi za relativne standardne devijacije proizvoda i kolicnika jednaki.
9.4.2. Zakoni prirasta sistematske greške indirektno mjerene veličine

U slucaju kada je indirektno mjerena velicina y funkcija samo jedne direktno mjerene
velicine x tj.
(9.25)
i ako je prilikom mjerenja velicine X ucinjena sistematska greska  x (pozitivna ili

negativna), ona ce uzrokovati sistematsku gresku  y indirektno mjerene velicine y. Tada
jednacina (9.25) dobija oblik:
(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
što znači da je greška g y ,veća n puta od g x .Ako je n>1,bit će i g y > g x ,dok za

n<1,bit će g y < g x ,
Opcenito je indirektno mjerena fizikalna velicina y funkcija vise medusobno nezavisnih

fizikalnih velicina koje mogu biti istorodne ili raznorodne. Ako njihove sistematske
greske iznose  xi a relativne sistematske greske g i =  x/x, onda je sistematska greska
 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)
tj. gy je jednaka totalnom diferencijalu prirodnog logaritma indirektno mjerene velicine.

Mjerne greške
Primjer9.5. Određena velicina definisana je jednacinom:
Nominalnim vrijednostima nezavisno promjenjivih (x10, x20 i x30) odgovara nominalna

vrijednost y0. Odrediti izraz za stvarnu vrijednost velicine y ako se nominalne vrijednosti
promijene za vrijednosti  x.
Apsolutna greška  ya velicine y dobija se na osnovu izraza (9.33) koji u ovom slucaju ima
oblik:
gdje su parcijalni izvodi:
na osnovu kojih je apsolutna greska:
Stvarna vrijednost indirektno mjerene veličine je:
pri cemu se kod konkretnih izracunavanja moraju imati u vidu predznaci gresaka  xi i
 ya
Mjerne greške
9.4.3. Granična greska indirektno mjerene velicine
Pod pretpostavkom da se ne zna predznak vrijednosti granicne greske G, nijedne

direktno mjerene velicine x, tj. očekuje se da sve velicine x, mogu istodobno poprimiti
svoju maksimalnu ( xi  Gi ) ili minimalnu ( xi  Gi ) vrijednost, granicna greska Gy racuna
se kao:
Posto je sigurno da se stvarna vrijednost velicine y nalazi u rasponu y = y±G y ,
granicna greska G y zove se sigurna greska ili maksimalna moguca greska
Vjerovatnoca da ce se stvarna vrijednost indirektno mjerene velicine y nalaziti bas na

gornjoj ili donjoj granici je vrlo mala. Drugim rijecima: mala je vjerovatnoca da granicna
greska Gy velicine y bude tako velika. Ta je vjerovatnoca manja sto je broj i direktno
mjerenih velicina xi veci. Zato se za izracunavanje granicne greske indirektno mjerene
velicine moze koristiti izraz:

Gy uvijek manja od
Usporedba jednacina (9.35) i (9.36) pokazuje da je statisticka granicne greske Gy, tj.
granicna greska
vrijednosti velicine y:
uvijek uže od sigurnih (maksimalno mogucih).

Stvarna vrijednost velicine y moze izaci iz okvira koji definise jednacina (9.37).
Zato vrijednost *G, nije sasvim sigurna (kao sto jeGy,), vec se nalazi na odredenom
nivou sigurnosti (statistickoj vjerovatnoci). Uobičajeni mjerni uredaji omogucavaju da
statisticka sigurnost iznosi oko 95%.
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 je parametar pridruzen mjernom rczultatu koji opisuje

rasipanje vrijednosti koje se mogu razumno pripisati mjerenoj veličini. Kod
proracuna mjerne nesigurnosti velicina koja je podvrgnuta mjerenju naziva se
izlazna velicina Y, i ona mozc zavisiti od vise ulaznih velicina X, (i=1,2... v). tj.
Funkcija modela f predstavlja mjerni postupak i metodu odredivanja vrijednosti iziazne

velicine. Ona opisuje kako se izlazna velicina Y dobije iz vrijednosti ulaznih velicina X,.
Uglavnom su to analiticki izrazi, ali mogu biti i grupe takvih izraza koji obuhvataju ispravke
i faktore ispravka zbog sistemskih uticaja, cime se dobijaju slozeni izrazi koji se ne mogu
eksplicitno napisati kao jedna funkcija.
Mjerna nesigurnost
Isto tako, funkcija f se moze odrcditi ekspcrimentalno ili biti zapravo neki proracunski
algoritam.
Ulazne velicine x) mogu se svrstati u dvije glavne grupe:

1) One velicine cija se procjena i njoj pridruzena nesigurnost odreduju
direktno mjerenjem. Ove se vrijednosti mogu dobiti pojedinacnim ili
ponovljenim mjerenjima ili procjenom na temelju iskustva. Mogu
ukljucivati odredene ispravke ocitanja mjerila i ispravke zbog razlicitih
uticajnih velicina, npr. okolinski uslovi i drugo.
2) Velicine cija se procjena i njoj priduzena nesigurnost unose u mjerenje
iz vanjskih izvora (na primjer velicine pridruzene umjeravanju mjernih
etalona, potvrdenih referentnih materijala ili referentnih podataka koji se
uzimaju iz tablica.
Procjena mjerene (izlazne) velicine y dobija se iz jednacine (10.1) koristenjem procjena
ulaznih velicina JC,:
(10.2)
Svakako se podrazumijeva da su ulazne vrijednosti najbolje procjene i da su za njih

provedene sve potrebne korekcije zbog svih djelovanja bitnih za razmatrani model. U
suprotnom, potrebne korekcije se unose kao posebne ulazne velicine. Kod izrazavanja
mjerne nesigurnosti pri kalibriranju (umjeravanju), na osnovu propisa datih u EA-4/02 1,
mjerna nesigurnost pridruzena procjenama ulazne velicine odreduje se kao:
— standardna nesigumost A vrste i
— standardna nesigumost B vrste.
(a) Kod odredivanja standardne nesigumosti A vrste koristi se statisticka analiza. U tom
slucaju standardna nesigurnost je eksperimentalna standardna devijacija srednje
vrijednosti tj.
(10.3)
gdje je s procjena standardne devijacije a n broj mjerenja,

(b) Odredivanje standardne nesigurnosti tipa B zasniva se na nekim drugim naucno
utemeljenim metodama. Naime, posto u ovom slucaju ne postoje ponovljena mjerenja, za
procjenu se koriste uglavnom pravougaona i trougaona raspodjela.
Mjerna nesigurnost
Varijansa i standardna devijacija se proracunavaju procjenom koja se zasniva na svim

raspolozivim podacima o mogucoj promjenjivosti varijable xi. Ti podaci mogu biti:
proizvođačke specifikacije, raniji mjerni podaci, iskustvo sa materijalima i instrumentima ili
opcenito poznavanje ponasanja i svojstava bitnih matcrijala i instrumenata, podaci dati u
potvrdama o umjeravanju i drugim potvrdama, ncsigurnosti dodijeljene referentnim
podacima uzetim iz prirucnika. Na ovaj nacin proracunato s2 ponekad se naziva varijansom
B-vrste.
Za neke najcesce koristene raspodjele standardne mjerne nesigurnosti se racunaju prema

izrazima:
• normalna raspodjela pod pretpostavkom da vrijednosti x leze izmedu a+
i a  i za nivo povjerenja F=95%:
• pravougaona raspodjela, (vidjeti izraz (5.23) za varijansu u slucaju
pravougaone raspodjele):
• trougaona raspodjela {vidjeti izraz (5.25)):
Izvori mjerne nesigurnosti. Nesigurnost mjernog rezultata, dakle, rezultat je pomanjkanja

potpunog saznanja o vrijednosti mjerene velicine. Potpuno znanje, teorijski, zahtijeva
beskonacan broj podataka. Sve pojave koje doprinose nesigurnosti i cinjenici da se mjerni
rezultat ne moze opisati jednom vrijednosti nazivaju se izvorima nesigurnosti.
U praksi egzistira veliki broj mogucih izvora nesigurnosti, od kojih su najvazniji:
— nepotpuna definicija mjerene velicine,
— nesavrsenstvo pri ostvarivanju definicije mjerene velicine,
— nereprezentativno uzorkovanje (mjerni uzorak moze neadekvatno pre-
dstavljati odredenu mjerenu velicinu),
— nedovoljno poznavanja uslova okoline u kojima se vrsi mjerenje (vlazno-
st, temperatura, atmosferski pritisak, osvijetljenost, prisustvo druge
opreme) ili pak njihovo nesavrseno mjerenje,
— nesavrsenost metoda mjerenja i mjernih uredaja (drift nule, drift
osjetljivosti, histerezis i dr.),
— subjektivnost pri ocitavanju kod analognih mjerila,
— konacno razlucivanje mjerila ili prag osjetljivosti,
— netacne vrijednosti mjernih etalona i referentnih materijala,
— netacne vrijednosti razlicitih konstanti i druigih parametara koji se
dobijaju iz vanjskih izvora i koriste u algoritmima za obradu podataka,
aproksimacije i pretpostavke koje su ugradene u mjernu metodu i
postupak,
Mjerna nesigurnost
— interakcija izmedu sistema mjerenja i mjercne velicine,

---razlike u ponovljenim mjerenjima koje se odvijaju pod prividno i s t i m
uslovima
10.2 NEPOUZDANOST SREDNJE VRIJEDNOSTI

Ponavljanje mjerenja se vrsi s ciljem pronalazenja srednje vrijednosti koja je sto bliza
stvarnoj vrijednosti i da se smanji greska utvrdene srednje vrijednosti. U izrazu:
(10.4)
konstatovano je da dcsni sabirak predstavlja gresku poznavanja srednje vrijednosti. Na

osnovu izraza kojim se definira srednje kvadratno odstupanje:
(10.5)
slijedi: (10.6)
odakle je:
(10.7)
cijim se unosom u (10.4) dobija:
(10.8)
Iz (10.8) se vidi da greska srednje vrijednosti opada sa drugim korijenom iz broja

mjerenja n, uz pretpostavku da jc standardna devijacija s konstantna. Greska srednje
vrijednosti zove se nepouzdanost srednje vrijednosti ili krace ncpozudanost i racuna se kao:
Mjerna nesigurnost
pa jcdnacina (10.8) dobija oblik
(10.10)
jer vrijednost ncpouzdanosti C s jednakom vjerovatnocom ima pozitivan ili ncgativan

predznak. Ovo je prikazano na slici 10.1 gdje se vidi kako se pri s=const. s porastom
broja n medusobno priblizavaju gornja x + |C| i donja
x -|C| granica pouzdanosti. Unutar ovog podrucja pouzdanosti nalazi se stvarna
vrijednost x. Posto se radi o slucajnim greskama, nije sigurno da ce se x zaista nalaziti
unutar naznacenih granica, pa se treba zadovoljiti s vecom ili manjom vjerovatnocom
(statistickom sigurnosti) da razlika izmedu stvarne i srednje vrijednosti ne prelazi
vrijednost nepouzdanosti C.
Slika 10.1. Zavisnost nepouzdanosti srednje vrijednosti od broja mjerenja (s =const.).
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
Relativna nepouzdanost c definiše se kao c = C/x pa se jednacina (10.10) moze

prikazati i u obliku:
(10.11)
Treba napomenuti da jednacine (10.9), (10.10) i (10.11) vrijede uz statisticku sigurnost

P=68,3% (vjerovatnoca da ce se stvarna vrijednost x nalaziti u podrucju pouzdanosti
P=0,683) te uz pretpostavke da se raspodjela slucajnih gresaka pokorava normalnoj
raspodjeli i da je broj ponovljenih mjerenja n dovoljno velik (n = 25-30).
Podatak o statističkoj sigurnosti nepouzdanosti C opcenito znaci to da se stvarna
vrijednost n-struko mjerene fizikalne velicine X nalazi s vjerovatnocom P unutar intervala
oko srednje vrijednosti. Postavlja se, međutim, pitanje, koliko će iznositi nepouzdanost
srednje vrijednosti ako se, na primjer, zeli znati sa vecom ili manjom sigurnosti?
Ako se sa C(P) oznaci nepouzdanost srednje vrijednosti pri statistickoj sigurnosti 0 <
P < 1, opsta nepouzdanost se moze izracunati pomocu jednacine:
(10.12)
Vidi se da je C iz (10.10) samo specijalan slučaj C(P) iz (10.12), i to za z = 1 tj. (P=

68,3%). U tabeli 10.1 dati su izrazi za nepouzdanost srednje vrijednosti pri razlicitim
(karakteristicnim) statistickim sigurnostima
Mjerna nesigurnost
Nepouzdanost srednje vrijednosti izračunava se pomoću jednačine (10.12) jedino ako

je poznata standardna devijacija populacije.Međutim,veličina  u većini slučajeva nije
poznata jr se ona utvrđuje na temelju broja ponovljenih mjerenja.Za maali broj mjerenja
(n<25-30),procjena veličine s je nepouzdana i tada se koristi Studentova raspodjela.
Prva šira primjena studentove raspodjele bila je u statističkoj kontroli masovne

proizvodnje gdje se koristi za procjenjivanje ispravnosti svih proizvedenih primjeraka na
temelju mjerenja malg broja uzoraka odabranih naasumice ili prema tablicama slučajnih
brojeva.
Primjer 10.1. Mjerenje etalonske plocice (reportera) nazivne duzine 10 mm pod

jednakim uslovima izvedeno je n=50 puta. Izmjerene vrijednosti xi date su u tabeli 10.2.
Frekvencija pojave pojedinih rezultata fi data je u stupcu 2. Potrebno je izracunati
nepouzdanost i relativnu nepouzdanost pri P = 68,3%.
Mjerna nesigurnost
Prema podacima iz tabele 10.2 aritmetička sredina i standardna devijacija iznose

Nepouzdanost i relativna nepouzdanost srednje vrijednosti za zadatu statističku sigurnost (P
= 68,3 %) iznose:
Konacan rezultat obrade mjernih podataka se moze prikazati u obliku;
Dobijeni rezultat je definitivan jedino u slucaju odsustva sistematskih gresaka.
Primjer 10.2. Sa pet uzastopnih mjerenja zapremine utvrdene su vrijednosti koje su

date u tabeli 10.3
lzracunati nepouzdanost i relativnu nepouzdanost pri statistickim sigurnostima P = 95% i

P = 99%.
Mjerna nesigurnost
Posto se radi o malom broju ponovljenih mjerenja, granice pouzdanosti dobijene srednje
Aritmetifika sredina i standardna devijacija iznose:
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:
Rezultat mjerenja se, prema tome, moze izraziti u obliku:
Relativna nepouzdanost iznosi
pa je rezultat mjerenja:
Rezultati proracuna za obje statističke sigurnosti dati su u tabeli 10.4.
Mjerna nesigurnost
10.3 MJERNA NESIGURNOST
10.3.1. Mjerna nesigurnost srednje vrijednosti
Rezultat ponovljenih mjerenja neke fizikalne vclicine moze sc izraziti pomocu

nepouzdanosti srednje vrijednosti C jedino u slucaju ako je sigurno da su pri obradi
mjernih rezultata uzete u obzir sve sistematske greske. Drugim rijecima, primjena pojma
nepouzdanost pretpostavlja da na rasipanje izmjerenih vrijednosti oko srednje vrijednosti
uticu isključivo slucajne greske koje se pokoravaju zakonu normalne raspodjele. Jedino
se uz tu pretpostavku konacan rezultat mjerenja moze izraziti u obliku:
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)
Iz jednacine (10.16) vidi se da je nesigurnost u jednaka zbiru apsolutnih vrijednosti

nepouzdanosti C i procijenjene preostale sistematske greske E. Prema tome, nije
dovoljno da se konstantan rezultat ponovljenih mjerenja izrazi jednacinom (10.9),
umjesto nepouzdanosti C treba u nju uvesti nesigurnost definisanu jednacinom (10.16),
tj.
(10.17)
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.
10.3.2. Mjerna nesigurnost indirektno mjerene velicine

Posto je svaka direktno mjerena velicina xi (n1=n1=...=nv) izmjerena n puta, uz uslov da je
procjena standardne devijacije (s) dovoljno bliska stvarnoj standardnoj devijaciji  ,
parcijalne nepouzdanosti srednje vrijednosti su:
(10.18)
Nepouzdanost srednje vrijednosti indirektno mjerene velicine y je:
(10.19)
Ako je broj ponovljenih mjerenja mali, koristi se Studentova raspodjela gdjeje
(10.20)
gdje se t odnosi na jednaku statisticku sigurnost P=const. za sve direktno mjerene

velicine xt. Nepouzdanost srednje vrijednosti tada je:
(10.21)
Mjerna nesigurnost
Procjenom preostalih sistematskih grešaka određene su nesigurnosti ui, srednjih vrijednosti

direktno mjerenih velicina. Standardna nesigurnost veličine, gdje je y procjena mjerene
velicine Y, pa prema tome i mjernog rezultata, dobija se odgovarajucim kombinovanjem
(sastavljanjem) standardnih nesigurnosti procjena ulaznih veličina x1 ,..., xv. Sve ulazne
velicine su neovisne (nekorelirane). Stoga se ovako dobijena mjerna nesigurnost naziva i
kombinovana (sastavljena) nesigurnost i oznacava sa uc. Nesigurnost srednje vrijednosti
indirektno mjerene velicine procjenjuje se prema izrazu:
(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)
Ako su ulazne velicine korelirane, tada je propagacija nesigumosti data sljedecim

izrazom:
Mjerna nesigurnost
Stepen korelacije između velicina x, i x, se racuna prema izrazu:
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.
10.4 PROŠIRENA MJERNA NESIGURNOST

Iako se velicina uc moze koristiti za sveobuhvatno izrazavanje nesigumosti mjernog
rezultata, u nekim trgovackim, industrijskim i upravnim primjenama, te kada je rijec o
zdravstvu i sigurnosti, cesto je nuzno dati mjeru nesigurnosti koja određuje interval oko
mjernog rezultata za koji se moze ocekivati da obuhvata veliki dio raspodjele vrijednosti
koje se razumno mogu pridruziti mjernoj velicini.
Velicina koja odreduje intewal oko rezultata, za koju se moze ocekivati da ukljuci dio
raspodjele vrijednosti koje mogu opravdano biti pripisane mjerenoj velicini, naziva se
prosirena nesigurnost (U). Prosirena nesigurnost dobija se mnozenjem kombinovane
standardne nesigumosti uc s faktorom pokrivanja kp :
Mjerna nesigurnost
Mjerni rezultat tada se izrazava u obliku
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);
Primjer 10.3. Kalibracija otpornika nazivne otpornosti 1  vrsi se koristenjem standardnog

otpornika Rs=1  . kao referentnog. Oba otpornika su povezana u seriju sa stabilnim izvorom
istosmjerne struje. Za mjerenje pada napona oba otpornika koristi se digitalni voltmetar.
Vrijednost referentnog otpora kao i njegova mjerna nesigurnost se uzimajuiz certifikata
dobijenog pri njegovoj kalibraciji i ona pri 20 UC iznosi R s  1.00000  2.5  106 s
Odrediti mjernu nesigurnost ako su izmjerene vrijednosti napona u mV date u tabeli 10.6.
Mjerna nesigurnost
Matematički model.
Vrijednost R, je otpornost ispitivanog otpornika. Napon koji prolazi kroz otpornike Rx i Rs

je Vx, i Vs respektivno. Pošto je struja jednaka u oba otpornika, vrijedi relacija:
odnosno:
Faktori koji doprinose mjernoj nesigurnosti:

— nesigurnost ponovljenih mjerenja velicine Vx,
— nesigurnost ponovljenih mjerenja velicine Vs,
— nesigurnost zbog rezolucije digitalnog voltmetra,
— nesigurnost vrijednosti pripisane referentnom otporniku,
— nesigurnost zbog neslabilnosti referentnog otpornika,
— nesigurnost zbog razlike temperatura u laboratoriji i referentne temperature pri
kojoj je izvrsena kalibracije referentnog otpornika.
Na osnovu podataka iz tabele 10.6, dobijaju se potrebne varijable koje su date u tabeli
10.7.
Na osnovu rezultata iz tabele 10.7, rezultat kalibracije je:
Mjerna nesigurnost
Koeficijenti osjetljivosti:
Tip A mjerne nesigurnasti:

1) Standardna nesigurnost zbog ponovljenih mjerenja
nepoznate otpornosti:
2) Standardna nesigurnost zbog ponovljenih mjerenja referentne otpomosti:
Tip B mjerne nesigurnosti:
1. Nesigurnost zbog rezolucije digitalnog voltmetra iznosi 0,1 10 6 , pa je

standardna nesigurnost obzirom da se radi o pravougaonoj raspodjeli (vidjeti sliku
(5.10a)), na osnovu izraza za varijansu (5.23):

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
4. Nesigurnost zbog razlike temperatura u laboratoriji i referentne temperature pri kojoj

je vršena kalibracija referentnog otpornika iznosi:
u slucaju da se mjerenje vrsi na 20 0C.
Svi prethodno nabrojani doprinosi nesigurnosti zajedno sa koeficijentima osjetljivosti

dati su u tabeli 10.8.
Mjerna nesigurnost
Na osnovu proracuna u tabeli 10.8 kombinovana nesigurnost iznosi:
Efektivni stepen slobode na osnovu Welch-Satterthwaiteove jednacine (10.30) je:

Na osnovu dobijene vrijednosti stepena slobode, koji se moze smatrati kao vrlo veliki,
faktor pokrivanja na osnovu tabele 10.5 iznosti kp=2 pa je prosirena mjerna nesigurnost
jednaka:
Konacno, rezultat kalibracije moze biti dat u obliku:

Osnovi Metrologije I Obrade Razultata mjerenja-BIH

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Osnovi Metrologije I Obrade Razultata mjerenja-BIH

Uploaded by

Copyright:

Available Formats

MAŠINSKI FAKULTET SARAJEVO

OSNOVI METROLOGIJE I OBRADE

R prof. dr. Stjepan Marić, Mašinski fakultet Sarajevo

Sarajevo, januar 2005.

3. MEĐUNARODNI SISTEM JEDINICA...............................…………………………… 19

4. OSNOVNI STATISTIČKI POJMOVI..................................…………………………… 37

5 TEORIJSKE RASPODJELE FREKVENCIJA..................…………………………… 61

8. KORELACIONA ANALIZA ..........................................………………………... 133

9. MJERNE GREŠKE.......................................................………………………… 141

10. MJERNA NESIGURNOST .......................................………………………... 159

PRILOZI B. STATISTIČKE TABLICE..................................………………………. 205

Popis oznaka........................................................................………………………. 213

1.1 HISTORIJSKI PREGLED RAZVOJA METROLOGIJE

Radi praktičnog korištenja jedinica Nacionalna skupština je predložila komisiji da se

decimalnim visekratnicima. Decimalnost metričkog sistema bila je jedna od njegovih najvažnijih

biro za mjere i utege BJPM (Jr. Bureau International des Poicls el

Mnoge jedinicc električnih i magnetnih vcličina tog sistema bile su nepogodne za

Kao jcdinice apsolutnog praktičnog sistema usvojene su na Prvom medunarodnom

Na Drugom međunarodnom kongresu elektrotehničara (1889) usvojene su jedinice energije

Na međunarodnoj konferenciji elektrotehničara održanoj 1908. godine u Londonu izvršeno je

Konačno rješenje o uvođenju Međunarodnog sistema jedinica donešeno je na 11.

1.2 OSNOVNI POJMOVI I DEFINICIJE U MJERNOJ TEHNICI

S razvojem mjerne tehnike i tehnologije uopšte razvijala se i prateća terminologija.

Za izvršenje mjerenja odreduje se mjerni postupak ili mjerna metoda.

Mjerena veličina jeste fizikalna veličina koja je podvrgnuta mjerenju.

Mjerni objekat je nositelj fizikalne veličine kojoj se određuje mjerna vrijednost. U

Kalibriranje (umjeravanje) u području mjerne tehnike je određivanje odstupanja na gotovom

Referenlni materijal je malerijal i l i supstanca čija je jedna i l i više vrijednosti

2.1 ZADACI I PODJELE METROLOGIJE

Pod metrologijom se podrazumijeva onaj specijalizirani dio pojedinih prirodnih i [clinickih

-dalje prosljeđivanje (distribucija) jedinica ka korisnicima putem uporednih mjerenja s

Slika 2.1 Osnovni zadaci metrologije.

Pokazatelj stepena razvoja metrologije je netacnost mjernog rezultata (odstupanje

Na najnizem metroloskom stupnju su mjerenja u svakodnevnom zivotu: mjerenje

Generalno, metrologija se moze podijeliti u tri kategorije sa razlicitim nivoima

(2) Elektricitet i magnetizam. Oblast obuhvata istrazivanja i mjerenja iz

(3) Duzina. Ovaj ogranak obuhvata mjerenje talasnih duzina i interfero-

(4) Vrijeme I frekvencija. Oblast se sastoji od dvije podoblasti i to: mjerenje

(5) Termometrija. Podrucje termometrije bazira svoja istrazivanja na oblasti

(6) Jonizirajuca zracenja i radioaktivnost. Ovo podrucje obuhvata mjerenja

(7) Fotometrija i radiometrija. Unutar ove oblasti vode se istrazivanja u

(8) Protok. Oblast se bavi istrazivanjem i razvojem mjerenja protoka gasa,

(9) Akustika. Istrazivanja se vrse u oblastima akusticnih mjerenja u

(10) Kolicina materije. Obuhvata sljedece podoblasti: hemija materijala,

2.2 ORGANIZACIJE MEDUNARODNE METROLOGIJE

2.2.1. Konvencija o metru

Kako je u uvodu navedeno, u Parizu je 1875. godine odrzana Diplomatska konferencija o

1. Usvojene su definicije za jedinicu duzine - metar, i jedinice za masu -

2. Utemeljen je Međunarodni ured za tegove i mjere (BIPM) kao stalni

3. Osnovan je Medunarodni komitet za tegove i mjere - CIPM (fr. Comite

4. Dogovoreno je da se najmanje jednom svakih sest godina u Parizu sazove

Konvencija o metru svoje odluke objavljuje u obliku preporuka koje se odnose na

2.2.2. Generalna konferencija za tegove i mjere (CGPM)

Generalna konferencija za tegove i mjere (CGPM) sastoji se od predstavnika vlada

Slika 2.2. Organizacija Konvencije o metru

Na svakoj generalnoj konferenciji prima se izvjestaj Međunarodnog komiteta za tegove i

— razmatraju i ispituju aranzmani koji su potrebni da se prosiri i usavrši

— verificiraju rezultati novih bitnih metroloskih odredbi i raznih naucnih

— donose odluke o svim vaznijim izdacima koji se odnose na organizaciju i

2.2.3. Medunarodni komitet za tegove i mjere (CIPM)

Na konferenciji o metru odrzanoj 1875. godine konstituisan je i Medunarodni komitet za

— radi na pripremi prijedloga preporuka koje ce u slucaju prihvatanja

— imenuje direktora i ostalo naučno osoblje BIPM i ocjenjuje njihov rad;