Meranie a jeho základné aspekty

doc. Ing. Martin Halaj, PhD.

Strojnícka fakulta Slovenskej technickej univerzity v Bratislave, Ústav automatizácie, merania a aplikovanej informatiky

Meranie (VIM 2.1)
Proces experimentálneho
získavania jednej alebo
viacerých hodnôt veličiny,
ktoré sa môžu odôvodnene
priradiť k veličine
Vlastnosť javu, telesa alebo
látky, kde vlastnosť nemá veľkosť
(VIM 1.30)
POZNÁMKA
Hodnota sa dá vyjadriť slovne,
alfanumerickými kódmi alebo
inak.
PRÍKLAD - Farba náteru
Meranie a jeho základné aspekty
Základné definície
POZNÁMKA 1.
Meranie sa nevzťahuje na menovité vlastnosti.
POZNÁMKA 2.
Meranie v sebe zahŕňa porovnanie veličín alebo
počítanie entít.
POZNÁMKA 3.
Meranie vopred predpokladá opis veličiny
primeraný k určenému použitiu výsledku
merania, opis postupu merania a kalibrovaného
meracieho systému pracujúceho podľa určeného
postupu merania vrátane podmienok merania.
2/16
 Meranie a jeho základné aspekty
Základné definície

Meraná veličina (VIM 2.3) POZNÁMKA 1.

Vymedzenie meranej veličiny vyžaduje
Veličina, ktorá sa má merať
znalosť druhu veličiny, opis stavu javu, telesa
alebo látky, ktoré sú nositeľom veličiny, vrátane
Hľadisko všetkých súvisiacich zložiek a obsiahnutých
spoločné chemických entít.
vzájomne ...
porovnateľným POZNÁMKA 3.
veličinám (VIM Meranie vrátane meracieho systému
1.2) a podmienok, za ktorých sa meranie vykonáva,
môže meniť jav, teleso alebo látku tak, že veličina,
ktorá sa meria, sa môže líšiť od definovanej
meranej veličiny. V tomto prípade je nevyhnutná
primeraná korekcia.
PRÍKLAD
Dĺžka oceľovej tyče v rovnovážnom stave
? s okolitou teplotou 23 °C sa bude líšiť od dĺžky pri
určenej teplote 20 °C. Je nevyhnutná korekcia.
3/16

Merací princíp (VIM 2.4)
Princíp merania
Jav, ktorý slúži ako základ
merania
POZNÁMKA
Jav môže mať fyzikálnu,
chemickú alebo biologickú
povahu.
Meranie a jeho základné aspekty
Meracia metóda (VIM 2.5)
Metóda merania
Všeobecný opis logického
usporiadania činností
použitých pri meraní
POZNÁMKA
Metódy merania sa môžu
vymedziť rôzne, napríklad:
- substitučná metóda merania,
- diferenčná metóda merania,
alebo
- priama metóda merania,
- nepriama metóda merania
Základné definície
Merací postup (VIM 2.6)
Postup merania
Podrobný opis merania podľa
jedného alebo viacerých
meracích princípov a podľa
danej metódy merania,
založený na modeli merania
vrátane všetkých výpočtov
slúžiacich na získanie výsledku
merania
POZNÁMKA
Merací postup sa niekedy
nazýva (štandardný) pracovný
postup (angl. standard
operating procedure, skratka
SOP)
4/16
 Meranie a jeho základné aspekty
Základné definície

Výsledok merania (VIM 2.9) (1/2) POZNÁMKA 1.

Súbor hodnôt veličiny priradený
k meranej veličine spoločne
so všetkými dostupnými
relevantnými informáciami
Výsledok merania vo všeobecnosti obsahuje
„relevantné informácie“ o súbore hodnôt
veličiny tak, že niektoré môžu viac reprezentovať
meranú veličinu ako iné. Toto sa smie vyjadriť vo
forme hustoty pravdepodobnosti (angl.
probability density function, skratka PDF).

Číslo a V dokumente POZNÁMKA 2.

referencia GUM sa Výsledok merania sa vo všeobecnosti vyjadruje
spoločne používajú pojmy ako jediná nameraná hodnota veličiny a neistota
vyjadrujúce výsledok merania. Ak sa neistota merania na niektorý
veľkosť veličiny merania a účel považuje za zanedbateľnú, výsledok
(VIM 1.19) odhad hodnoty merania sa môže vyjadriť ako jediná nameraná
meranej hodnota veličiny. V mnohých oblastiach je to
Napr. 5,34 m veličiny, alebo bežný spôsob vyjadrovania výsledku merania.
iba odhad
meranej
veličiny.
5/16

Výsledok merania (VIM 2.9) (2/2)
Súbor hodnôt veličiny priradený
k meranej veličine spoločne
so všetkými dostupnými
relevantnými informáciami
Meranie a jeho základné aspekty
Základné definície
POZNÁMKA 3.
V tradičnej literatúre a v predchádzajúcom
vydaní VIM sa výsledok merania definoval ako
hodnota priradená k meranej veličine
a vysvetľoval sa tak, že podľa kontextu znamená
indikáciu alebo nekorigovaný výsledok, prípadne
korigovaný výsledok.
6/16
 Meranie a jeho základné aspekty
Základné definície

Nameraná hodnota veličiny POZNÁMKA 1.

(VIM 2.10) (1/2) V prípade merania, ktoré obsahuje opakované
Hodnota meranej veličiny indikácie, sa každá indikácia môže použiť ako
zodpovedajúca nameraná hodnota veličiny.
Nameraná hodnota
Tento súbor jednotlivých nameraných hodnôt
Hodnota veličiny predstavujúca veličiny sa môže použiť na výpočet výslednej
výsledok merania nameranej hodnoty veličiny, napríklad priemer
alebo medián, zvyčajne s menšou prislúchajúcou
Číslo a Súbor hodnôt neistotou merania.
referencia veličiny
spoločne priradený k POZNÁMKA 2.
vyjadrujúce meranej Ak je rozpätie pravých hodnôt veličiny,
veľkosť veličiny veličine zamýšľané na reprezentáciu meranej veličiny,
(VIM 1.19) spoločne malé v porovnaní s neistotou merania, nameraná
so všetkými hodnota veličiny sa môže považovať za odhad
Napr. 5,34 m dostupnými z podstaty jedinečnej pravej hodnoty veličiny a je
relevantnými často priemerom alebo mediánom jednotlivých
informáciami nameraných hodnôt veličiny získaných
(VIM 2.9) opakovanými meraniami.
7/16
 Meranie a jeho základné aspekty
Základné definície

Nameraná hodnota veličiny POZNÁMKA 3.

(VIM 2.10) (2/2) Ak rozsah pravých hodnôt veličiny, zamýšľaný na
Hodnota meranej veličiny reprezentáciu meranej veličiny, nie je malý v
porovnaní s neistotou merania, je nameraná
Nameraná hodnota
hodnota veličiny často odhadom priemeru alebo
Hodnota veličiny predstavujúca mediánu súboru pravých hodnôt veličiny.
výsledok merania
POZNÁMKA 4.
V dokumente GUM sa pre nameranú hodnotu
veličiny používajú pojmy výsledok merania a
odhad hodnoty meranej veličiny, alebo iba
odhad meranej veličiny.

8/16

Pravá hodnota veličiny (VIM
2.11) (1/2)
Pravá hodnota
Hodnota veličiny, ktorá sa
zhoduje s definíciou veličiny
Taká vlastnosť súboru výsledkov
merania pre danú meranú
veličinu, že absolútna hodnota
rozdielu ľubovoľného páru
hodnôt meranej veličiny
pri dvoch rôznych výsledkoch
merania je menšia ako určitý
zvolený násobok štandardnej
neistoty merania tohto rozdielu
(VIM 2.47)
Meranie a jeho základné aspekty
Základné definície
POZNÁMKA 1.
V hodnotení merania pomocou "chybového"
prístupu sa pravá hodnota veličiny považuje za
jedinú (unikátnu) a v praxi za nepoznateľnú.
Hodnotenie merania pomocou "neistotového"
prístupu pripúšťa, že v dôsledku vnútorne
neúplného množstva podrobností v definícii
veličiny neexistuje jediná pravá hodnota veličiny,
ale skôr súbor pravých hodnôt veličiny v súlade
s definíciou. Avšak tento súbor hodnôt je
z princípu a v praxi nepoznateľný.
Iné prístupy napospol obchádzajú pojem pravej
hodnoty veličiny a pri posudzovaní ich validity sa
spoliehajú na pojem metrologická kompatibilita
výsledkov merania.
9/16
 Meranie a jeho základné aspekty
Základné definície

Pravá hodnota veličiny (VIM POZNÁMKA 2

2.11) (2/2) V špeciálnom prípade základnej konštanty sa
predpokladá, že veličina má jedinú pravú
Pravá hodnota hodnotu.
Hodnota veličiny, ktorá sa
zhoduje s definíciou veličiny POZNÁMKA 3.
Ak sa definičná neistota prislúchajúca k meranej
Zložka neistoty veličine považuje za zanedbateľnú v porovnaní
merania vyplývajúca z s ostatnými zložkami neistoty merania, môže sa
konečného množstva predpokladať, že meraná veličina má „z
podrobností v podstaty jedinečnú“ pravú hodnotu veličiny.
definícii meranej Tento prístup využíva GUM a súvisiace
veličiny (VIM 2.27) dokumenty, kde sa slovo „pravá“ považuje za
nadbytočné.

10/16

Konvenčná hodnota veličiny
(VIM 2.12)
Konvenčná hodnota
Hodnota veličiny priradená
dohodou k veličine na daný účel
Meranie a jeho základné aspekty
Základné definície
PRÍKLADY: 1
- hodnota štandardného zrýchlenia voľného
pádu gn = 9,806 65 m·s-2.
- konvenčná hodnota veličiny daného etalónu
hmotnosti m = 100,003 47 g.
POZNÁMKA 1. – Namiesto tohto pojmu sa
niekedy používa termín „konvenčne pravá
hodnota veličiny“, ale jeho používanie sa
neodporúča.
POZNÁMKA 2. – Konvenčná hodnota veličiny je
niekedy odhadom pravej hodnoty veličiny.
POZNÁMKA 3. – Vo všeobecnosti sa akceptuje,
že ku konvenčnej hodnote veličiny prislúcha
primeranie malá neistota merania, ktorá môže
byť aj nula.
11/16

Presnosť merania (VIM
2.13)
Presnosť
Tesnosť zhody medzi
nameranou hodnotou veličiny
a pravou hodnotou meranej
veličiny
Meranie a jeho základné aspekty
Správnosť merania (VIM
2.14)
Správnosť
Tesnosť zhody medzi
priemernou hodnotou
nekonečného počtu
opakovaných nameraných
hodnôt veličiny a referenčnou
hodnotou veličiny
Základné definície
Precíznosť merania (VIM
2.15)
Precíznosť
Tesnosť zhody medzi
indikáciami alebo nameranými
hodnotami veličiny získanými
opakovanými meraniami na
rovnakých alebo podobných
objektoch za určených
podmienok
12/16

Presnosť merania (VIM 2.13)
Presnosť
Tesnosť zhody medzi
nameranou hodnotou veličiny
a pravou hodnotou meranej
veličiny
Tesnosť zhody medzi priemernou
hodnotou nekonečného počtu
opakovaných nameraných
hodnôt veličiny a referenčnou
hodnotou veličiny (VIM 2.14)
! VIM nepozná pojem „presnosť
meradla“, iba „dovolená chyba
meradla“ . Meradlo nie je „presnejšie“
Meranie a jeho základné aspekty
Základné definície
POZNÁMKA 1. !
Pojem „presnosť merania“ nie je veličina
a nemá číselnú hodnotu veličiny. O meraní sa
hovorí ako o presnejšom, keď poskytuje menšiu
chybu merania.
POZNÁMKA 2.
Termín „presnosť merania“ by sa nemal
používať vo význame správnosť merania
a termín precíznosť merania by sa nemal
používať namiesto termínu „presnosť merania“,
ktorý sa však vzťahuje na obidva tieto pojmy.
POZNÁMKA 3.
„Presnosť merania" sa niekedy chápe ako
tesnosť zhody medzi nameranými hodnotami
veličiny, ktoré sú priradené meranej veličine.
13/16

Správnosť merania (VIM 2.14)
Správnosť
Tesnosť zhody medzi
priemernou hodnotou
nekonečného počtu
opakovaných nameraných
hodnôt veličiny a referenčnou
hodnotou veličiny
Zložka chyby merania, ktorá
v opakovaných meraniach
zostáva nemenná alebo sa mení
predvídateľným spôsobom (VIM
2.17)
Meranie a jeho základné aspekty
Základné definície
POZNÁMKA 1.
Správnosť merania nie je veličina, a preto sa
nemôže vyjadriť číselne, ale miery pre tesnosť
zhody uvádza ISO 5725.
POZNÁMKA 2
Správnosť merania je nepriamo úmerná iba
systematickej chybe merania, ale nie je úmerná
náhodnej chybe merania.
POZNÁMKA 3.
Presnosť merania by sa nemala používať vo
význame „správnosť merania“.
14/16

Precíznosť merania (VIM 2.15)
Precíznosť
Tesnosť zhody medzi
indikáciami alebo nameranými
hodnotami veličiny získanými
opakovanými meraniami na
rovnakých alebo podobných
objektoch za určených
podmienok
Podmienka merania zo súboru
podmienok, ktorý zahŕňa ten istý postup
merania, tú istú obsluhu, ten istý merací
systém, tie isté pracovné podmienky a to
isté miesto, opakované merania na tom
istom objekte alebo na podobných
objektoch v krátkom časovom úseku
(VIM 2.20)
Meranie a jeho základné aspekty
Základné definície
POZNÁMKA 1.
Precíznosť merania sa obyčajne vyjadruje číselne
pomocou mier nezhodnosti, napr. smerodajnou
odchýlkou, rozptylom alebo variačným
koeficientom za určených podmienok merania.
POZNÁMKA 2.
„Určenými podmienkami" môžu byť napr.
podmienky opakovateľnosti merania, podmienky
medziľahlej precíznosti merania alebo
podmienky reprodukovateľnosti merania.
POZNÁMKA 3.
Zhodnosť merania sa používa na definovanie
opakovateľnosti merania, medziľahlej precíznosti
merania a reprodukovateľnosti merania.
POZNÁMKA 4.
Niekedy sa „precíznosť merania“ nesprávne
používa vo význame presnosť merania.
15/16
Ďakujem za pozornosť
doc. Ing. Martin Halaj, PhD.
Ústav automatizácie, merania a aplikovanej informatiky
Strojnícka fakulta STU v Bratislave
martin.halaj@stuba.sk, martin.halaj66@gmail.com

16/16
 Meranie a chyby merania
doc. Ing. Martin Halaj, PhD.

Strojnícka fakulta Slovenskej technickej univerzity v Bratislave, Ústav automatizácie, merania a aplikovanej informatiky

Chyba merania (VIM 2.16) (1/2)
Chyba
Nameraná hodnota veličiny
mínus referenčná hodnota
veličiny
Chyba merania
Základné definície
Doteraz sa v metrológii často používali pojmy
absolútna a relatívna chyba merania.
Absolútna chyba merania:
 = nameraná hodnota – referenčná hodnota
Niekedy sa používa pojem relatívna chyba
merania, čo je absolútna hodnota chyby
vztiahnutá k referenčnej hodnote:
nameraná hodnota – referenčná hodnota
=
referenčná hodnota
Relatívna chyba sa často uvádza v percentách
 = 820 - 800 = 20
 = (820-800) / 800 = 0,025  2,5%
2/17

Chyba merania (VIM 2.16) (2/2)
Chyba
Nameraná hodnota veličiny
mínus referenčná hodnota
veličiny
Hodnota veličiny, ktorá sa
používa ako základ na
porovnávanie s hodnotami veličín
toho istého druhu (VIM 5.18)
Hodnota veličiny priradená k
veličine na daný účel (VIM 2.12)
Hodnota veličiny, ktorá sa
zhoduje s definíciou veličiny (VIM
2.11)
Chyba merania
Základné definície
POZNÁMKA 1.
Pojem „chyba merania“ sa môže použiť, ak
a) existuje jediná vzťažná referenčná hodnota
veličiny, čo nastáva, ak
- sa kalibrácia vykonáva pomocou etalónu,
ktorý poskytuje nameranú hodnotu veličiny
so zanedbateľnou neistotou merania, alebo
- je k dispozícii konvenčná hodnota veličiny
so známou chybou merania;
b) sa predpokladá, že meranú veličinu
reprezentuje jedinečná pravá hodnota veličiny
alebo súbor pravých hodnôt veličiny
zanedbateľného rozsahu s neznámou chybou
merania.
POZNÁMKA 2.
Chyba merania by sa nemala zamieňať
s výrobnou chybou alebo s omylom.
3/17

Systematická chyba merania
(VIM 2.17)
Systematická chyba
Zložka chyby merania, ktorá v
opakovaných meraniach zostáva
nemenná alebo sa mení
predvídateľným spôsobom
Vychýlenie merania (VIM 2.18)
Vychýlenie
Odhad systematickej chyby
merania
Všeobecným cieľom je vylúčenie systematickej chyby z procesu merania. Slúži nato
viacero nástrojov, jedným z nich je kalibrácia meradla.
Chyba merania
Základné definície
POZNÁMKA 1.
Referenčná hodnota veličiny pre systematickú
chybu merania je pravá hodnota veličiny alebo
nameraná hodnota veličiny etalónu, ktorá má
zanedbateľnú neistotu merania, alebo konvenčná
hodnota veličiny.
POZNÁMKA 2. Systematická chyba merania a jej
príčina môžu byť známe alebo neznáme. V
prípade známej systematickej chybe chyby sa
môže vykonať korekcia.
POZNÁMKA 3.
Systematická chyba merania sa rovná chybe
merania mínus náhodná chyba merania.
4/17

Náhodná chyba merania (VIM
2.19)
Náhodná chyba
Zložka chyby merania, ktorá v
opakovaných meraniach mení
nepredvídateľným spôsobom
Chyba merania
Základné definície
POZNÁMKA 1.
Referenčnou hodnotou veličiny pre náhodnú
chybu merania je aritmetický priemer, ktorý by
vyplynul z nekonečného počtu opakovaných
meraní tej istej meranej veličiny.
POZNÁMKA 2.
Náhodné chyby merania súboru opakovaných
meraní vytvárajú štatistické rozdelenie, ktoré sa
dá vyjadriť očakávanou hodnotou, ktorá sa vo
všeobecnosti považuje za nulovú a jeho
rozptylom.
POZNÁMKA 3.
Náhodná chyba merania sa rovná rozdielu chyba
merania mínus systematická chyba merania.
5/17
 Chyba merania
Základné definície

Grafické znázornenie pojmov systematická a náhodná chyba. Tak ich definovala

predchádzajúca verzia medzinárodného slovníka pojmov z oblasti metrológie
VIM, súčasná verzia zachováva podobné princípy, ale definície sa líšia.

6/17
 Chyba merania
Príklad

Všeobecné zdroje chýb merania:

a) meradlo,
Systematická chyba
b) podmienky merania, Iná ako predpísaná
c) personál, teplota
d) meracia metóda.

Náhodná chyba
Nejednoznačné
odčítanie

Náhodná chyba Systematická chyba

Rôzne polohovanie Poškodené meradlo,
posunutá nula
7/17

Najväčšia dovolená chyba
merania (VIM 4.26) (1/3)
Najväčšia dovolená chyba
Extrémna hodnota chyby
merania vzhľadom k známej
referenčnej hodnote veličiny,
ktorú pre dané meranie,
meradlo alebo merací systém
povoľujú technické údaje alebo
predpisy
Chyba merania
Základné definície
POZNÁMKA 1.
Pojem „najväčšie dovolené chyby“ alebo
„medzné hodnoty chyby“ sa zvyčajne používa
tam, kde existujú dve extrémne hodnoty.
POZNÁMKA 2.
Na označenie „najväčšej dovolenej chyby“ by sa
nemal používať termín „tolerancia“.
POZNÁMKA 3.
Pojem „najväčšia dovolená chyba“ sa obvykle
skracuje ako „MPE“ alebo „mpe“ (z angl.
Maximum Permissible Error).
8/17
 Chyba merania
Základné definície

Najväčšia dovolená chyba Infračervený teplomer 1100C

merania (VIM 4.26) (2/3) 157,44 € s DPH
Najväčšia dovolená chyba
Extrémna hodnota chyby
merania vzhľadom k známej
referenčnej hodnote veličiny,
ktorú pre dané meranie,
meradlo alebo merací systém
povoľujú technické údaje alebo
predpisy Názov Parametre
Rozsah merania -50 ÷ +1100°C
Správne má byť
Presnosť merania +- 2% alebo 2°C
Najväčšia dovolená chyba
Čas merania <- 0,8 s
Pracovná teplota -20 ÷ +50°C
Optické rozlíšenie 12:1
9/17
 Chyba merania
Základné definície

Najväčšia dovolená chyba Príloha č. 1 k nariadeniu vlády č. 145/2016 Z.z.

merania (VIM 4.26) (3/3)
Najväčšia dovolená chyba
Extrémna hodnota chyby
merania vzhľadom k známej
referenčnej hodnote veličiny,
ktorú pre dané meranie,
meradlo alebo merací systém
povoľujú technické údaje alebo
predpisy
ZÁKLADNE POŽIADAVKY
1. Dovolené chyby
1.1. V predpísaných pracovných podmienkach
a bez rušenia nesmie chyba merania prekročiť
hodnotu najväčšej dovolenej chyby.
Ak v prílohe na druh meradla nie je určené
inak, najväčšia dovolená chyba sa vyjadruje
ako obojstranná odchýlka od skutočnej
meranej hodnoty.

Napríklad: Najväčšie dovolené chyby vodomerov

5. Najväčšia dovolená chyba, kladná alebo záporná, objemu vody pri prietoku v rozsahu
medzi prechodovým prietokom Q2 (vrátane) a preťažovacím prietokom Q4 je
2 % pre vodu s teplotou ≤ 30 °C a 3 % pre vodu s teplotou > 30 °C.

10/17
 Systematická chyba merania
Vznik

Vznik systematickej chyby

Systematickú chybu spôsobuje ľubovoľný faktor, ktorý trvalo ovplyvňuje
meranie tej istej veličiny, vykonávané pri takých istých podmienkach.
Systematická chyba má tendenciu byť stále kladná alebo záporná (tým sa líši
od náhodnej chyby).

PRÍKLAD
Posunutie nuly meradla
ovplyvňuje všetky ďalšie
merania daným meradlom

11/17
 Systematická chyba merania
Zdroje

Zdroje systematickej chyby

Ako všetky chyby, aj systematické chyby vznikajú zo štyroch zdrojov:
1) meracia metóda - nesprávne zvolená metóda, ktorá rovnakým
spôsobom ovplyvňuje meranie (napr. použitie zaokrúhlenej
konštanty),
2) meradlo - systematická chyba spôsobuje konštantný rozdiel medzi
kalibračnou krivkou a charakteristickou krivkou,
3) podmienky merania - meradlo sa používa v iných podmienkach, ako
stanovuje výrobca (najčastejší je vplyv teploty),
4) obsluha - napr. zlé odčítanie zo stupnice.

12/17
 Systematická chyba merania
Príklad

Príklad zdrojov systematickej chyby

Meranie tlaku pomocou výšky stĺpca
kvapaliny (p = hrg):
1) meracia metóda - nepriama
metóda,
65o 13332,14 Pa
2) meradlo - kvapalina s inou hustotou,
3) podmienky merania - zemepisná 45o 13354,41 Pa
šírka, atmosferický tlak...,
4) obsluha - napr. zlé odčítanie zo diff. 22,27 Pa
stupnice.

0,1 m

13/17
 Systematická chyba merania
Rozdelenie

Teoretické rozdelenie systematických chýb (1/3)

1) aditívne - ich hodnoty sa nemenia podľa hodnoty meranej veličiny.
Najznámejšie sú:
a) posunutie nuly - rozdiel (pri špecifikovaných podmienkach použitia)
medzi skutočnou hodnotou na výstupe meradla a špecifikovanou
minimálnou hodnotou výstupného rozsahu, keď je hodnota vstupu na
spodnej hodnote rozsahu. Zvyčajne sa vyjadruje ako percento
špecifikovaného meracieho rozsahu,

14/17
 Systematická chyba merania
Rozdelenie

Teoretické rozdelenie systematických chýb (2/3)

1) aditívne - ich hodnoty sa nemenia podľa hodnoty meranej veličiny.
Najznámejšie sú:
b) chyba linearity - absolútna hodnota najväčšej odchýlky medzi
kalibračnou krivkou a špecifikovanou priamkou. Keď sa vyjadruje
jednoducho ako chyba linearity, predpokladá sa, že ide o nezávislú chybu
linearity,

15/17
 Systematická chyba merania
Rozdelenie

Teoretické rozdelenie systematických chýb (3/3)

2) multiplikatívne - ich hodnoty sa menia podľa hodnoty meranej veličiny.
Najznámejšia je chyba zosilnenia - sklon charakteristickej krivky sa líši od
sklonu kalibračnej krivky. Absolútna hodnota chyby zosilnenia závisí od
hodnoty meranej veličiny, relatívna hodnota chyby zosilnenia ostáva
rovnaká.

16/17
Ďakujem za pozornosť
doc. Ing. Martin Halaj, PhD.
Ústav automatizácie, merania a aplikovanej informatiky
Strojnícka fakulta STU v Bratislave
martin.halaj@stuba.sk, martin.halaj66@gmail.com

17/17
 Meranie a neistota merania
doc. Ing. Martin Halaj, PhD.

Strojnícka fakulta Slovenskej technickej univerzity v Bratislave, Ústav automatizácie, merania a aplikovanej informatiky
 Meranie a jeho základné aspekty
Neistota merania

Načo je dobrá neistota merania?

Pripomeňme si, že výsledok merania sa podľa VIM 2.9 definuje ako súbor
hodnôt veličiny priradený k meranej veličine spoločne so všetkými dostupnými
relevantnými informáciami.

POZNÁMKA 1.
Výsledok merania vo všeobecnosti obsahuje „relevantné informácie“ o súbore hodnôt
veličiny tak, že niektoré môžu viac reprezentovať meranú veličinu ako iné. Toto sa smie
vyjadriť vo forme funkcie hustoty pravdepodobnosti (angl. probability density function,
skratka PDF).
POZNÁMKA 2.
Výsledok merania sa vo všeobecnosti
vyjadruje ako jediná nameraná
hodnota veličiny a neistota merania.

2/25
 Neistota merania
Ako prejdeme od opakovaných meraní k neistote merania?

Opakované merania (1/2)

Príklad: 20 opakovaných meraní koncovej mierky s referenčnou
hodnotou 20 mm

3/25
 Neistota merania
Ako prejdeme od opakovaných meraní k neistote merania?

Opakované merania (2/2)

Konečný počet nameraných
údajov sa dá graficky zobraziť
v takzvanom histograme. Tak
sa dá znázorniť početnosť
nameraných hodnôt.
Teoreticky sa dajú intervaly na
osi x zjemňovať donekonečna,
čím sa získa hladká krivka,
predstavujúca funkciu hustoty
pravdepodobnosti (angl.
probability density function –
PDF)​​.

4/25
 Neistota merania
Ako prejdeme od opakovaných meraní k neistote merania?

Rozdelenie pravdepodobnosti (1/3)

Pravdepodobnosť, že nameraná
hodnota padne do intervalu [x,
x+dx] sa rovná plošnému obsahu
plochy, ohraničenej Gausovou
krivkou a hranicami tohto intervalu.
Krivka je normalizovaná a jej celkový
plošný obsah sa rovná 1.
Rovnica opisujúca Gaussovu krivku

1  − ( x −  )2  Krivku opisujú dva parametre, ktoré sa

G (x ) = exp   dajú vypočítať:
 2  2
2
 a) rozptyl ,
b) stredná hodnota .

5/25
 Neistota merania
Ako prejdeme od opakovaných meraní k neistote merania?

Rozdelenie pravdepodobnosti (2/3)

Stredná hodnota  sa vypočíta ako Rozptyl  náhodnej premennej X sa

vypočíta ako
 
 =  x f ( x ) dx 2 =  ( x −  )2
f ( x ) dx
− −

Odhad strednej hodnoty  pre súbor Odhad rozptylu  pre súbor

nameraných hodnôt x1, x2, …, xn sa v nameraných hodnôt sa vypočíta ako
praxi počíta ako aritmetický priemer smerodajná odchýlka

1 n 1 n
x =  xi s=  i ( x − x )2

n i =1 n − 1 i =1

6/25
 Neistota merania
Ako prejdeme od opakovaných meraní k neistote merania?

Rozdelenie pravdepodobnosti (3/3) Vplyv

náhodných a
Čím väčší je rozptyl, tým viac
systematických
odľahlých údajov (nameraných chýb na dva
hodnôt, ktoré sú vzdialené od súbory
strednej hodnoty) sa nachádza v nameraných
súbore nameraných hodnôt údajov

Pravdepodobnosť, že nameraná hodnota padne do

daného intervalu, sa rovná plošnému obsahu krivky
ohraničenej týmto intervalom
7/25

Neistota merania (VIM 2.26)
Neistota
Nezáporný parameter
charakterizujúci rozptyl hodnôt
veličiny, priradených k meranej
veličine, založený na použitých
informáciách
Neistota merania vyjadrená ako
smerodajná odchýlka (VIM 2.30)
Neistota merania
Definícia
...
POZNÁMKA 2.
Parametrom môže byť napríklad smerodajná
odchýlka, ktorá sa nazýva štandardná neistota
merania (alebo jej určený násobok) alebo
polovica šírky intervalu s určenou
pravdepodobnosťou pokrytia.
...
POZNÁMKA 4.
Vo všeobecnosti sa pri danom súbore informácií
predpokladá, že neistota merania prislúcha k
stanovenej hodnote veličiny, ktorá je priradená k
meranej veličine. Úprava tejto hodnoty má za
následok zmenu pridruženej neistoty.
8/25

Definičná neistota (VIM 2.27)
Zložka neistoty merania
vyplývajúca z konečného
množstva podrobností v
definícii meranej veličiny
Neistota merania
Ešte dve užitočné definície
POZNÁMKA 1.
Definičná neistota je vlastne minimálna neistota
merania dosiahnuteľná akýmkoľvek meraním
hodnôt danej meranej veličiny.
POZNÁMKA 2.
Ľubovoľná zmena v opise podrobností spôsobí inú
definičnú neistotu.
POZNÁMKA 3.
V GUM sa pojem definičná neistota nazýva
„intrinzická neistota".
9/25

Prístrojová neistota merania
(VIM 4.24)
Zložka neistoty merania
pochádzajúca z použitého
meradla alebo meracieho
systému
Neistota merania
Ešte dve užitočné definície
POZNÁMKA 1.
Prístrojová neistota merania sa získa kalibráciou
meradla alebo meracieho systému. Výnimkou je
primárny etalón, kde sa používajú iné spôsoby.
POZNÁMKA 2.
Prístrojová neistota sa používa pri hodnotení
neistoty merania typu B.
POZNÁMKA 3.
Informácie o prístrojovej neistote merania môžu
uvádzať technické údaje o meradle.
10/25
 Neistota merania
Všeobecný postup vyhodnotenia neistoty

Zákon šírenia neistôt (1/3)

Nech je výstupná veličina Y funkciou m vstupných veličín X1, X2, ... Xm
Y = f(X1, X2, ... Xm)
Jej odhad y sa dá stanoviť ako
y = f(x1, x2, ..., xm)
kde x1, x2, ..., xm sú odhady vstupných veličín X1, X2, ... Xm
Treba určiť neistotu u odhadu y výstupnej veličiny Y.

POZNÁMKA
Spôsob výpočtu neistôt sa definuje v základnom dokumente Návod na vyjadrovanie
neistôt v meraní (angl. Guide for Expression of Uncertainties of Mesaurements, GUM).
Všetky celosvetové príručky, návody a podobne sú založené na princípoch uvádzaných
v GUM, preto sa tieto postupy označujú ako GUM Uncertainty Framework (GUF).

11/25
 Neistota merania
Všeobecný postup vyhodnotenia neistoty

Zákon šírenia neistôt (2/3)

1. Neistota uy odhadu y výstupnej veličiny Y sa v prípade, že x1, x2,... xm sú
nekorelované odhady vstupných veličín X1, X2,... Xm, vypočíta ako

m
u =
2
y  i x
A 2
u 2
i
i =1

kde Ai sú citlivostné koeficienty, ktoré sa vypočítajú ako

f ( X 1 , X 2 , ... X m )
Ai =
X i X 1 = x1 , ... X m = xm

12/25
 Neistota merania
Všeobecný postup vyhodnotenia neistoty

Zákon šírenia neistôt (3/3)

2. Neistota uy odhadu y výstupnej veličiny Y sa v prípade, že x1, x2,... xm sú
korelované odhady vstupných veličín X1, X2,... Xm vypočíta ako

m m m −1
u =
2
y A i
2
u + 2   Ai Aj u x
2
xi i,j
i =1 i = 2 j i

kde ux ,x
i j
je kovariancia medzi odhadmi x1, x2,... xm korelovaných vstupných
veličín X1, X2,... Xm , pričom kovariancie sa dajú vypočítať metódou typu A
alebo typu B.

13/25

Vyhodnotenie typu A neistoty
merania (VIM 2.28)
Vyhodnotenie zložky neistoty
merania pomocou štatistickej
analýzy hodnôt meranej veličiny
získaných za definovaných
podmienok merania
Vyhodnotenie typu B neistoty
merania (VIM 2.29)
Vyhodnotenie zložky neistoty
merania pomocou inými
spôsobmi ako vyhodnotením
neistoty merania typu A
Neistota merania
Konkrétny postup vyhodnotenia neistoty
POZNÁMKA 1.
Pre rôzne druhy podmienok merania, pozri
podmienka opakovateľnosti merania, podmienka
medziľahlej precíznosti merania a podmienka
reprodukovateľnosti merania.
PRÍKLADY
Vyhodnotenie založené na informáciách
- prislúchajúcich k oficiálne publikovaným
hodnotám veličiny resp. certifikovaného
referenčného materiálu,
- získaných z certifikátu o kalibrácii,
- získaných z triedy presnosti overeného meradla,
- získanej z hraničných hodnôt odvodených z
osobnej skúsenosti.
14/25
 Neistota merania
Konkrétny postup vyhodnotenia neistoty

Vyhodnotenie neistoty merania metódou typu A

Majme n nameraných hodnôt x1, x2, ..., xn. Namerané hodnoty sa získali
pomocou n navzájom nezávislých meraní tej istej veličiny. Neistota merania
vztiahnutá k odhadu x sa zvyčajne vypočíta ako smerodajná odchýlka
aritmetického priemeru

u( x ) = s( x )
n
s( x ) 1
kde s( x ) =
n
a s ( x) =
(n − 1)
 i
( x
i =1
− x )2

Potom

n
1
uA =
n(n − 1)  i
( x
i =1
− x )2 Neistota merania vyhodnotená
metódou typu A

15/25
 Neistota merania
Konkrétny postup vyhodnotenia neistoty

Vyhodnotenie neistoty merania metódou typu B

Na vyhodnotenie neistoty merania metódou typu B sa dajú použiť rôzne
metódy. Najčastejší je prípade, keď sú známe hranice, v ktorých sa nachádzajú
merané hodnoty danej veličiny. Potom sa neistota dá vypočítať ako

zi max Neistota merania vyhodnotená

u ( zi ) = metódou typu B
k
kde k je hodnota prislúchajúca k zvolenej aproximácii rozloženia
pravdepodobnosti – pozri obrázok.

Najčastejšie 16/25
 Neistota merania
Konkrétny postup vyhodnotenia neistoty

Kovariancie (1/2)
Ak medzi dvoma vstupnými veličinami Xi a Xj existuje určitá korelácia, teda
ak nejakým spôsobom závisí jedna veličina od druhej, ich kovariancia sa
musí považovať za zložku celkovej neistoty merania. Kovariancia môže
znižovať alebo zvyšovať celkovú neistotu.

Výpočet kovariancie metódou typu A

Ak sú dve vstupné veličiny Xi a Xj s odhadmi xi a xj korelované, kovariancia
vyhodnotená metódou typu A je
n
1
u A xi , j =
n(n − 1) 
k =1
( xik − xi ) ( x jk − x j )
Kovariancia vypočítaná
metódou typu A

17/25
 Neistota merania
Konkrétny postup vyhodnotenia neistoty

Kovariancie (2/2)
Ak sú dve vstupné veličiny Xi a Xj s odhadmi xi a xj korelované, kovariancia
vyhodnotená metódou typu B je

uB x , x = rx u x u x i,j i j
Kovariancia vypočítaná
i j
metódou typu B

kde
rx i,j
je korelačný koeficient medzi odhadmi xi a xj.
Pre nezávislé odhady r = 0, pre silnú závislosť r sa blíži k +1 or -1,
ux i
resp. u x sú neistoty odhadov xi a xj.
j

18/25
 Neistota merania
Konkrétny postup vyhodnotenia neistoty

Kombinovaná štandardná POZNÁMKA 1.

neistota merania (VIM 2.31) Pre rôzne druhy podmienok merania, pozri
podmienka opakovateľnosti merania, podmienka
Štandardná neistota merania, medziľahlej precíznosti merania a podmienka
ktorá sa získa pomocou reprodukovateľnosti merania.
jednotlivých štandardných
neistôt merania prislúchajúcich
k vstupným veličinám v modeli
merania
Rozšírená neistota merania POZNÁMKA 1.
(VIM 2.35) Koeficient závisí od typu rozdelenia
Rozšírená neistota pravdepodobnosti výstupnej veličiny v modeli
merania a od zvolenej pravdepodobnosti pokrytia.
Súčin kombinovanej Zvyčajne sa označuje značkou k.
štandardnej neistoty merania a
koeficienta väčšieho ako je číslo
jeden
19/25
 Neistota merania
Konkrétny postup vyhodnotenia neistoty

Kombinovaná a rozšírená neistota

V najjednoduchšom prípade sa kombinovaná neistota uc vyhodnotí ako

uC ( y ) = uA2 ( y ) + uB2 ( y )
Ak sa neistota vyhodnotená metódou typu B počíta pre p zdrojov

uB ( y ) = uB2 ( y ) + uB2 ( y ) + ... + uB2 ( y )

1 2 p

Rozšírená neistota U sa vypočíta ako súčin kombinovanej neistoty uc a

koeficientu pokrytia k
U = k  uC(y)
Koeficienty pokrytia (platí pre Gaussovo rozdelenie pravdepodobnosti):
- približne 95,45% meraní je pokrytých k = 2,
- približne 99,73% meraní je pokrytých k = 3.
20/25
 Neistota merania
Konkrétny postup vyhodnotenia neistoty

Bilancia neistôt (VIM 2.33) POZNÁMKA 1.

Vyjadrenie neistoty merania, jej
zložiek, ich výpočte výpočtu a
kombinácií
Bilancia neistôt má zahŕňať model merania,
odhady, neistoty merania prislúchajúce k
veličinám v modeli merania, kovariancie, typy
použitých funkcií hustoty pravdepodobnosti,
stupne voľnosti, typ vyhodnotenia neistoty
merania a koeficient pokrytia.

Veličina Odhad Štandardná Rozdelenie Citlivostný Príspevok k

neistota pravdepodobnosti koeficient štandardnej neistote
Xi xi u(xi) Ai ui(y)
X1 x1 u(x1) Normálne A1 u1(y)
X2 x2 u(x2) ... A2 u2(y)
... ... ... ... ... ...
XN xN u(xN) ... AN uN(y)
Y y u(y)
21/25
 Neistota merania
Vyjadrenie výsledku merania

Vyjadrenie výsledku merania (odhad a neistota merania) (1/3)

Výsledok merania sa vyjadruje pomocou odhadu výsledku merania a
kombinovanej neistoty alebo rozšírenej neistoty merania.
Číselné hodnoty odhadu y a jeho štandardnej neistoty uc(y) alebo
rozšírenej neistoty U(y) by sa nemali uvádzať s nadmerným počtom
platných číslic. Zvyčajne stačí uviesť uc(y) a U, takisto aj štandardné
neistoty u(xi) vstupných odhadov xi, na maximálne dve platné číslice, hoci
v niektorých prípadoch môže byť potrebné ponechať ďalšie číslice, aby sa
predišlo zaokrúhleniu chyby v následných výpočtoch.

JCGM 100:2008 Evaluation of measurement data — Guide to the expression of uncertainty in

measurement (GUM 1995 with minor corrections),
https://www.bipm.org/en/committees/jc/jcgm/publications

22/25
 Neistota merania
Vyjadrenie výsledku merania

Vyjadrenie výsledku merania (odhad a neistota merania) (2/3)

Ak sa neistota merania vyjadrí pomocou kombinovanej neistoty uc, výsledok
merania sa uvedie jedným z nasledujúcich štyroch spôsobov. Slová v
zátvorkách sa môžu pre stručnosť vynechať, ak sa uc definuje na inom mieste
dokumentu, v ktorom sa oznamuje výsledok merania. Štyri spôsoby sú:
1) mS = 100,021 47 g s (kombinovanou štandardnou neistotou) uc = 0,35 mg
2) mS = 100,021 47(35) g, kde číslo v zátvorkách je číselná hodnota
(kombinovaná štandardná neistota) uc vzhľadom na zodpovedajúce
posledné číslice citovaného výsledku
3) mS = 100,021 47(0,000 35) g, kde číslo v zátvorkách je číselná hodnota
(kombinovaná štandardná neistota) uc vyjadrená v jednotkách výsledku
4) mS = (100,021 47 ± 0,000 35) g, kde číslo za značkou ± je číselná hodnota
(kombinovaná štandardná neistota) uc a nie interval spoľahlivosti
POZNÁMKA Vždy keď sa dá, treba sa vyhnúť formátu ±, pretože sa tradične používa
na označenie intervalu neistoty zodpovedajúceho vysokej úrovni
spoľahlivosti, a preto sa môže zamieňať s rozšírenou neistotou.
23/25
 Neistota merania
Vyjadrenie výsledku merania

Vyjadrenie výsledku merania (odhad a neistota merania) (3/3)

Ak sa neistota merania vyjadrí pomocou rozšírenej neistoty U, výsledok
merania sa uvedie ako v nasledujúcom príklade. Slová v zátvorkách sa môžu
kvôli stručnosti vynechať, ak sú U, uc a k definované inde v dokumente
oznamujúcom výsledok:
mS = (100,021 47 ± 0,000 79) g, kde číslo za značkou ± je číselná
hodnota (rozšírená neistota) U = kuc, pričom U sa určí z (kombinovanej
štandardnej neistoty) uc = 0,35 mg a (faktora pokrytia) k = 2,26 na
základe t-rozloženia pre  = 9 stupňov voľnosti a definuje interval, pre
ktorý sa odhaduje, že má úroveň spoľahlivosti 95 percent

24/25
Ďakujem za pozornosť
doc. Ing. Martin Halaj, PhD.
Ústav automatizácie, merania a aplikovanej informatiky
Strojnícka fakulta STU v Bratislave
martin.halaj@stuba.sk, martin.halaj66@gmail.com

25/25
Neistota merania – metóda Monte Carlo
doc. Ing. Martin Halaj, PhD.

Strojnícka fakulta Slovenskej technickej univerzity v Bratislave, Ústav automatizácie, merania a aplikovanej informatiky
 Metóda Monte Carlo
Stručný prehľad

Neistota merania (1/2)

Výpočet neistoty merania je široko diskutovanou témou výskumu s

množstvom teoretických prác a praktických usmernení. Návod na vyjadrenie
neistoty v meraní (GUM) je základný dokument v tejto oblasti. Bayesovský
pravdepodobnostný prístup, vyjadrený v GUM, zavádza dva princípy:
1) výsledok merania sa dá vyjadriť pomocou Normálna (Gaussova) funkcia
funkcie hustoty pravdepodobnosti (PDF), hustoty pravdepodobnosti
ktorej forma udáva hodnotu, ktorá sa má
uviesť (zvyčajne strednú hodnotu
rozloženia pravdepodobnosti) a interval
pokrytia, o ktorom sa predpokladá, že v
ňom leží hodnota meranej veličiny
s danou pravdepodobnosťou. Teda
dostaneme odhad výsledku merania a
zodpovedajúcu neistotu,
2/22
 Metóda Monte Carlo
Stručný prehľad

Neistota merania (2/2)

Bayesovský pravdepodobnostný prístup, vyjadrený v GUM, zavádza dva

princípy:
2) Funkcia hustoty pravdepodobnosti (PDF) kóduje a vyjadruje vieru v
možné hodnoty meranej veličiny. Môžeme odhadnúť správanie budúcich
pozorovaní tej istej meranej veličiny (teda budúce merania).
To znamená, že ak pred meraním máme nejaké informácie o meranej
veličine (PDF0), výsledky merania tieto informácie spresňujú (PDFm).
Napríklad pred meraním môžeme predpokladať, že namerané hodnoty budú
mať Gaussovo rozdelenie pravdepodobnosti vo všeobecnej forme, po meraní
získame konkrétne Gaussovo rozdelenie s vypočítanou strednou hodnotou a
rozptylom.

3/22
 Metóda Monte Carlo
Stručný prehľad

Klasická výpočtová metóda GUM versus metóda Monte Carlo (1/2)

Príloha 1 (Supplement 1) k GUM vo svojom článku 5.4.5 uvádza:

„V praxi sa dá len v jednoduchých prípadoch realizovať šírenie rozložení
bez priblížení (aproximácií). Výpočtová metóda GUM implementuje
jednu približnú metódu a metóda Monte Carlo (MCM) druhú. Pre
malú, ale dôležitú podskupinu problémov je výpočtová metóda GUM
exaktná. Metóda MCM nikdy nie je exaktná, ale v porovnaní s metódou
GUM sa dá použiť pre veľkú skupinu problémov.“

4/22
 Metóda Monte Carlo
Stručný prehľad

Klasická výpočtová metóda GUM versus metóda Monte Carlo (2/2)

Nasledujúce obrázky predstavujú jednoduché porovnanie princípov klasického

výpočtového prístupu GUM (vľavo) a metódy Monte Carlo (vpravo).

Vstupné Transformácia Výstupné

veličiny (model merania) veličiny
Vstupné Transformácia Výstupné
PDF (model merania) PDF

5/22
 Metóda Monte Carlo
Stručný prehľad

Klasická výpočtová metóda GUM (1/2)

Len na pripomenutie – klasická výpočtová metóda neistoty merania pomocou

GUM zahŕňa tieto kroky:
a) Pre vstupné veličiny X = (X1, ..., XN)T získajte odhady x = (x1, ..., xN)T a
smerodajné odchýlky (štandardné neistoty) u(x) = [u(x1), ..., u(xN)]T
b) Stanovte stupne voľnosti (konečné alebo nekonečné), ktoré sú priradené
ku každej neistote u(xi)
c) Pre každý pár i, j , pre ktorý Xi a Xj nie sú nezávislé, získajte kovariancie
(vzájomné neistoty) u(xi, xj)
d) Vyjadrite parciálne derivácie prvého rádu modelu f(X) podľa X
e) Vypočítajte y, čo je model f(X) vyjadrený pomocou odhadov x
f) Vypočítajte citlivostné koeficienty, čo sú parciálne derivácie z bodu d),
vypočítané pre x
g) Pomocou neistôt u(x), kovariancií u(xi, xj ) a citlivostných koeficientov
vypočítajte štandardnú neistotu u(y)
6/22
 Metóda Monte Carlo
Stručný prehľad

Klasická výpočtová metóda GUM (2/2)

Len na pripomenutie – klasická výpočtová metóda neistoty merania

pomocou GUM zahŕňa tieto kroky:
h) Vypočítajte eff, efektívne stupne voľnosti, priradené k u(y)
i) Vypočítajte rozšírenú neistotu Up, a teda aj interval pokrytia (pre
požadovanú pravdepodobnosť pokrytia p) pre Y, ktorú považujeme za
náhodnú premennú, pomocou vhodných násobkov u(y)

Y = f (X ) Model merania model

Measurement

N N N −1 Neistota výsledku
of themerania –
u =  A u + 2  Ai Aj u xi , j
2 2 2 Uncertainty measurement
y i xi korelované vstupné measurements
result – correlated veličiny
i =1 i = 2 j i

f ( X 1 , X 2 , ... X N )
Ai = Citlivostné koeficienty
Sensitivity coefficients
X i X 1 = x1 , ... X N = xN
7/22
 Metóda Monte Carlo
Stručný prehľad

Metóda Monte Carlo (MCM) (1/3)

MCM ako implementácia zákona o šírení rozdelení sa dá vyjadriť postupom

krok po kroku:
a) Zvoľte si počet opakovaní M , ktoré sa majú vykonať metódou Monte Carlo
b) Vzorkovaním priradených PDF vygenerujte M vektorov, ktoré sú
realizáciami N vstupných veličín Xi, i = 1, …, N
c) Pre každý takýto vektor vypočítajte odpovedajúcu výstupnú hodnotu
modelu Y = f(M), teda vypočítajte M hodnôt modelu, čiže yr, r = 1, … M
d) Týchto M hodnôt modelu zoraďte do striktne vzostupného poradia, pričom
použijete zoradené hodnoty modelu na získanie G
e) Použite G na získanie odhadu y výstupnej veličiny Y a štandardnej neistoty
u(y), prislúchajúcej k y
f) Použite G na získanie príslušného intervalu pokrytia pre Y a pre
požadovanú pravdepodobnosť pokrytia p

8/22
 Metóda Monte Carlo
Stručný prehľad

Metóda Monte Carlo (MCM) (2/3)

Príklad simulácie MCM – diskrétna reprezentácia PDF (šedá plocha) vs.

normálne (Gaussovo) rozdelenie, vypočítané podľa klasickej výpočtovej
metódy GUM (červená prerušovaná čiara)

9/22
Metóda Monte
Carlo (MCM) (3/3)
Toto je grafické
znázornenie MCM,
ako bola opísaná na
predchádzajúcich
snímkoch

10/22
 Metóda Monte Carlo
Stručný prehľad

Počet opakovaní M

Počet opakovaní M, ktoré má metóda Monte Carlo vykonať, sa dá určiť:

1) vopred - neexistuje žiadna priama 2) adaptívne – počas priebehu
kontrola nad kvalitou numerických výpočtu. Počet opakovaní je v
výstupov MCM (pretože M ekonomickom súvise s
potrebné na poskytnutie výsledkov očakávaným dosiahnutím
s predpísanou numerickou požadovanej číselnej tolerancie.
toleranciou závisí od „tvaru“ PDF
pre výstupnú veličinu a požadovanej
Používa sa stále väčší počet
pravdepodobnosti pokrytia opakovaní Monte Carlo, kým sa
Treba zvoliť také M , ktoré je v dosahované výsledky nestabilizujú v
porovnaní 1/(1−p) veľké, napr. M je štatistickom zmysle (v porovnaní s
aspoň 104 krát väčšie ako 1/(1−p) numerickou toleranciou)
Často sa dá očakávať, že hodnota M = 106 poskytne 95 % interval pokrytia pre výstupnú
veličinu, takže táto dĺžka výpočtu je správna na 1 alebo 2 platné desatinné číslice
11/22
 Metóda Monte Carlo
Stručný prehľad

Metóda Monte Carlo (MCM) – interval pokrytia (1/2)

Interval pokrytia, ktorý obsahuje 95% všetkých výsledkov, sa vytvorí takto:

a) Všetky hodnoty modelu yr, r = 1, … M sa zoradia vzostupne.
b) Pravdepodobnosť, že ľubovoľná hodnota modelu yr je menšia ako q-tý
odhad Y, yq, je P(Y ≤ yq) = q/M.
c) Interval pokrývajúci 95 % výstupných odhadov je [yq , yq+0.95M].
d) Index q sa môže zvoliť tak, aby bol interval symetrický okolo strednej
hodnoty y , získanej zo všetkých yr.
Poznámka: vo všeobecnosti je pravdepodobnosť, že hodnota Y padne do
intervalu pokrytia medzi ľubovoľné yq a yk je P(yq ≤ Y ≤ yk) = (q – k) /M.

95% z M

12/22
 Metóda Monte Carlo
Stručný prehľad

Metóda Monte Carlo (MCM) – interval pokrytia (2/2)

Pri posudzovaní zhody sa porovnáva interval pokrytia s hranicami dovolenej

chyby MPE MPE

✓
95% z M


95% z M


95% z M

13/22
 Metóda Monte Carlo
Stručný prehľad

Podmienky na korektné použitie metódy Monte Carlo (MCM)

Treba splniť niekoľko podmienok:

a) Model merania Y = f(X1, X2, Xi, ... XN) je spojitá funkcia f vzhľadom na
Xi v okolí odhadov xi pre Xi, i = 1, 2, ..., N
b) Distribučná funkcia pre Y je spojitá a striktne rastúca
c) Funkcia rozdelenia pravdepodobnosti pre Y je
- spojitá,
- unimodálna,
- striktne rastúca/klesajúca naľavo/napravo od modusu
d) Existujú E(Y) a V(Y)
e) Používa sa dostatočne veľká hodnota M

POZNÁMKA: V skutočnosti sú tieto podmienky príliš prísne a MCM možno použiť aj v

situáciách, keď jedna alebo viacero podmienok nie je úplne splnených

14/22
 Metóda Monte Carlo
Stručný prehľad

Výhody metódy Monte Carlo (MCM) (1/2)

Výhody metódy sú uvedené v časti 5.11.6 Doplnku 1 (Supplement 1):

a) zníženie analytického úsilia potrebného pre komplikované alebo
nelineárne modely, najmä preto, že nie sú potrebné parciálne derivácie
prvého alebo vyššieho rádu používané pri tvorbe koeficientov citlivosti pre
zákon šírenia neistôt,
b) všeobecne lepší odhad Y pre nelineárne modely,
c) zlepšená štandardná neistota spojená s odhadom Y pre nelineárne
modely, najmä ak majú Xi negaussovské (napr. asymetrické) PDF bez
potreby poskytnúť derivácie vyššieho rádu,

15/22
 Metóda Monte Carlo
Stručný prehľad

Výhody metódy Monte Carlo (MCM) (2/2)

Výhody metódy sú uvedené v časti 5.11.6 Doplnku 1 (Supplement 1):

d) poskytnutie intervalu pokrytia zodpovedajúceho stanovenej
pravdepodobnosti pokrytia, keď sa PDF pre Y nedá primerane
aproximovať Gaussovým rozdelením alebo škálovaným a posunutým
t-rozdelením, t. j. ak neplatí centrálna limitná veta. To nastáva, keď
1) PDF priradená dominantnému Xi nie je Gaussovo rozdelenie alebo
škálované a posunuté t-rozdelenie,
2) model je nelineárny, prípadne
3) chyba aproximácie spôsobená použitím Welch-Satterthwaitovho
vzorca pre efektívne stupne voľnosti sa nedá zanedbať,
e) pri určovaní intervalu pokrytia sa nevyžaduje faktor pokrytia.

16/22
 Metóda Monte Carlo
Stručný prehľad

Validácia výpočtovej metódy GUM pomocou metódy Monte Carlo (1/5)

Prečo validovať výpočtovú metódu GUM pomocou metódy Monte Carlo:

1. Dá sa očakávať, že výpočtová metóda GUM bude fungovať dobre za
mnohých okolností za predpokladu, že budú splnené všetky podmienky na
jej použitie.
2. Náročnosť kontroly podmienok použitia metódy GUM je zvyčajne
podstatne väčšia ako v prípade MCM (ak je k dispozícii vhodný softvér)
3. Keďže oblasť platnosti MCM je širšia v prípade výpočtovej metódy GUM,
odporúča sa použiť metódy GUM aj MCM a výsledky porovnať.
4. Ak bude porovnanie priaznivé, pri tejto príležitosti a pre dostatočne
podobné problémy by sa v budúcnosti mohla použiť výpočtová metóda
GUM. V opačnom prípade by sa malo zvážiť použitie MCM.

Cieľ: určiť, či intervaly pokrytia získané výpočtovou metódou GUM a MCM súhlasia v
rámci stanovenej numerickej tolerancie d.

17/22
 Metóda Monte Carlo
Stručný prehľad

Validácia výpočtovej metódy GUM pomocou metódy Monte Carlo (2/5)

Konkrétne sa odporúča vykonať tieto dva kroky a následne ich porovnať:

a) použite klasickú výpočtovú metódu b) použite adaptívnu metódu
GUM (možno so zákonom šírenia Monte Carlo na získanie
neistoty založeným na aproximácii (približných hodnôt) štandardnej
Taylorovho rozvoja vyššieho rádu), neistoty u(y) a koncových bodov
aby sa pre výstupnú veličinu Y ylow a yhigh požadovaného
dosiahol 100p % interval pokrytia y (pravdepodobnostne
± Up, kde p je stanovená symetrického alebo najkratšieho)
pravdepodobnosť pokrytia intervalu pokrytia 100p % pre
výstupnú veličinu Y

POZNÁMKA Výber intervalu pokrytia 100p % ovplyvní porovnanie. Preto sa validácia

vzťahuje len na špecifikovanú pravdepodobnosť pokrytia p (pozri nasledujúci príklad).

18/22
 Metóda Monte Carlo
Stručný prehľad

Validácia výpočtovej metódy GUM pomocou metódy Monte Carlo (3/5)

Číselná tolerancia d sa posudzuje pomocou koncových bodov intervalov pokrytia

a zodpovedá tej, ktorá je daná vyjadrením štandardnej neistoty u(y) na
zmysluplný počet platných desatinných miest. Postup je takýto:
1) Vypočítajte numerickú toleranciu d, priradenú k u(y) (pozri ďalej)
2) Porovnajte intervaly pokrytia získané metódami GUM a MCM, aby ste
určili, či bol získaný požadovaný počet platných desatinných číslic v
intervale pokrytia, ktorý poskytuje výpočtová metóda GUM. Konkrétne
určite
dlow = |y − Up − ylow|
dhigh = |y + Up − yhigh|

Ak obidve hodnoty dlow a dhigh nie sú väčšie ako d, porovnanie je priaznivé a

výpočtová metóda GUM bola validovaná.

19/22

Validácia výpočtovej metódy GUM pomocou metódy Monte Carlo (4/5)
Výpočet numerickej tolerancie d,
priradenej k číselnej hodnote z:
Nech ndig označuje počet desatinných
číslic, ktoré sa pre číselnú hodnotu z
považujú za platné. Numerická
tolerancia d, priradená k číslu z, sa
získa takto:
a) vyjadrite z v tvare c × 10l, kde c
je celé číslo z ndig desatinných
miest a l je celé číslo;
b) uvažujte
Metóda Monte Carlo
Stručný prehľad
PRÍKLAD Odhad hmotnosti etalónu s
menovitou hmotnosťou 100 g je
y = 100,021 47 g, u(y) = 0,000 35 g,
obidve desatinné číslice sa považujú za
platné.
V tomto prípade ndig = 2, a teda u(y) sa
dá vyjadriť ako 35 × 10−5 g, takže c = 35 a
l = −5. Čiže d = ½ × 10−5 g = 0.000 005 g.
PRÍLKAD Pri meraní teploty u(y) = 2 K.
Potom ndig = 1 a u(y) = 2 × 100 K, takže
získame c = 2 a l = 0.
Platí teda, že d = ½ × 100 K = 0.5 K.
20/22
 Metóda Monte Carlo
Stručný prehľad

Validácia výpočtovej metódy GUM pomocou metódy Monte Carlo (5/5)

Validácia výpočtovej metódy GUM pomocou adaptívnej metódy Monte Carlo

vyžaduje dostatočný počet opakovaní M jednotlivých krokov metódy Monte
Carlo.
Odporúča sa využiť také M, že adaptívny postup Monte Carlo zabezpečí
výstupy MCM s numerickou toleranciou d/5.

POZNÁMKA Dá sa predpokladať, že využitie numerickej tolerancie d/5 by si vyžiadalo

približne dvadsaťpäť násobnú hodnotu M oproti hodnote pre numerickú toleranciu d.

21/22
 Metóda Monte Carlo
Stručný prehľad

Porovnanie výpočtovej metódy GUM a metódy Monte Carlo (1/2)

Príklad – kalibrácia koncovej mierky s nominálnou dĺžkou 50 mm:

Tento príklad je prevzatý z JCGM 100:2008 (časť H.1) a z GUM-S1 (GUM-S1
9.5). Výsledky sú prevzaté z JCGM 110: 201X CD (príloha ku GUM CD: 201X)
Výpočty sa vykonali pre pravdepodobnosť pokrytia p = 0,95 pričom sa vykonalo 0,58 
106 opakovaní, ako aj pre p = 0,99 , pričom sa vykonalo 1,10  106 opakovaní.

Metóda Najkratší interval pokrytia Najkratší

Najkratší interval
interval pokrytia
95% pre dL / nm pre dL
99% 99%
pokrytia pre/ nm
GUM

22/22
 Metóda Monte Carlo
Stručný prehľad

Porovnanie výpočtovej metódy GUM a metódy Monte Carlo (2/2)

Neistota
je o 2 nm väčšia
pri výpočte
pomocou MCM
ako pri klasickom
výpočte GUM.
Dĺžky 95% a 99%
intervalov
pokrytia sú pre dL
o 8 nm resp. o 13
nm väčšie.
Treba zvážiť, či sú
tieto rozdiely
významné.

23/22
Ďakujem za pozornosť
doc. Ing. Martin Halaj, PhD.
Ústav automatizácie, merania a aplikovanej informatiky
Strojnícka fakulta STU v Bratislave
martin.halaj@stuba.sk, martin.halaj66@gmail.com

24/22