Osn MTRLG I Obr Podataka

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/325967825
Osnovi metrologije i obrade rezultata mjerenja
Book · January 2005
CITATIONS READS
5 4,653
2 authors, including:
Hazim Bašić
University of Sarajevo
52 PUBLICATIONS 149 CITATIONS
SEE PROFILE
All content following this page was uploaded by Hazim Bašić on 11 February 2019.
The user has requested enhancement of the downloaded file.

MAŠINSKI FAKULTET SARAJEVO
E. Seferović H. Bašić
OSNOVI METROLOGIJE I OBRADE

REZULTATA MJERENJA
Sarajevo, 2005.
R e c e n z e n t i:
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 Bašić
Lektor:
Subhija Hrnjević
Dizajn korice:
Senad Beširević
Grafika Šaran
Štampa:
Grafika Šaran
Tiraž:
500 kom.
Na osnovu odluke Senata Univerziteta u Sarajevu br. 01-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)
SEFEROVIĆ, Edhem
Osnovi metrologije i obrade rezultata mjerenja
/ E. [Edhem] Seferović, H. [Hazim] Bašić, - Sarajevo
: Mašinski fakultet, 2005. – 220 str. : ilustr. ;
24 cm
Bibliografija: 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 mašinstvu, 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. Također, korisno može poslužiti i inženjerima u praksi, osoblju koje
radi u različitim laboratorijama, a neki njeni dijelovi i studentima postdi-
plomskih studija.
Knjiga je sačinjena iz dva glavna dijela. U prvom dijelu dat je kratak
historijski pregled razvoja metrologije, zatim je opisano ustrojstvo međuna-
rodnog metrološkog sistema i metroloških organizacija i, konačno, pregled
osnovnih jedinica SI sistema.
Drugi dio knjige odnosi se na metode obrade rezultata mjerenja. Akcenat u
izlaganju metodologije obrade rezultata dat je na opšte principe statističkih
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 može karakterizirati kvalitet obrađenih dijelova
proizvoda, tok odvijanja nekog procesa, stanje nekog mašinskog ili 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 bila savršena, rezultati
mjerenja sadrže uvijek u sebi, u manjoj ili većoj mjeri, greške mjerenja, pa se na
osnovu neobrađenih i neocijenjenih rezultata mjerenja ne može ništa pouzdano
zaključiti o objektu mjerenja ili 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 zaobljenosti ..................................................................... 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 t-raspodjela ................................................................... 74
5.5. Pravougaona i trougaona raspodjela .................................................... 75
6. STATISTIČKE HIPOTEZE ........................................................................... 77
6.1. Izbor i vrste uzoraka ............................................................................ 77
6.2. Postavka i provjera statističke 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. χ 2 - 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 adekvatnosti modela proste linearne regresije ............ 117
7.4. Višestruka linearna regresija ............................................................... 121
7.5. Nelinearna 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 između linearne regresije i korelacije ........................................ 137
8.4. Testiranje značajnosti 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 uređaja .............................................. 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 veličine ........................................................................ 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 nesigurnost .............................................................................. 168
10.3.1. Mjerna nesigurnost srednje vrijednosti ................................... 168
10.3.2. Mjerna nesigurnost indirektno mjerene veličine ..................... 169
10.4 Proširena mjerna nesigurnost ............................................................ 171
PRILOZI A. METROLOGIJA I MJERNE JEDINICE ......................................... 179
A1. Izvedene jedinice SI ................................................................................. 180
A2. Mjerne jedinice izvan SI koje se mogu koristiti ...................................... 199
A3. Dvostrani odnosi nekih jedinica ….......................................................... 200
A4. Fundamentalne konstante ........................................................................ 202
A5. Međunarodne skraćenice ......................................................................... 203
PRILOZI B. STATISTIČKE TABLICE ................................................................. 205

B1. Površine ispod krive normalne raspodjele ............................................... 206
B2. Vrijednosti t-raspodjele i pripadajuće vjerovatnoće P(|t| >tα) za
stepen slobode ν ....................................................................................... 207
B3. Vrijednosti χα2 i pripadajuće vjerovatnoće P(χ2 > χα2) za
stepen slobode ν ....................................................................................... 208
B4. Vrijednost F0 za vjerovatnoće P(F0>Fα)=0,05/0,01, za
stepen slobode brojnika ν1 i stepen slobode nazivnika ν2 ........................ 209
Popis oznaka .............................................................................................................. 213

Indeks pojmova ......................................................................................................... 215
Literatura ................................................................................................................... 219

Uvod
1
UVOD
Mjerenje je, od najstarijih vremena pa do danas, postalo neophodno u svako-

dnevnom životu čovjeka. Mjereći određenu fizičku veličinu utvrđuje 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 još 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.
1
Uvod
Kroz historiju, a naročito tokom srednjeg vijeka, u tada naprednim zemljama

Evrope kao što su Francuska, Engleska, Njemačka i dr, vladala je 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 Austriji je gotovo svaki grad imao
svoje mjerne jedinice. Početkom 19. vijeka u Njemačkoj je vladao vrlo neusa-
glašen sistem mjera, pa je, na primjer, jedinica dužine stopa imala vrijednost od
0,25 do 0,33 metra, dok je jedinica 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. vijeka u Evropi su se pojavile ozakonjene mjere. Razvoj
nauke nakon srednjeg vijeka, nije se mogao ni zamisliti bez kvantitativnog
izražavanja rezultata istraživanja, bez mjernih vrijednosti koje su bile utemeljene
na koliko – toliko standardnim mjerilima. Stoga je, tokom vremena, 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 određenom mjestu.
Do kraja 18. vijeka u mnogim zemljama u svijetu postojao je veći broj
mjernih jedinica 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 projekta jedinstvenog
sistema mjernih jedinica.
Nacionalna skupština Francuske je 1791. godine usvojila prijedlog komisije o
uvođenju metra kao osnovne jedinice za dužinu koji je bio jednak
desetmilionitom dijelu četvrtine Zemljinog merdijana. Bio je to prvi pokušaj da
se mjerna jedinica uzme neposredno iz prirode kako bi u bilo kom vremenu bilo
moguće uspostaviti mjeru, u slučaju 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
jedinica metra i kilograma istovremeno su usvojena i pravila o izvedenim
2
Uvod
jedinicama kao i dekadskim, odnosno decimalnim višekratnicima. 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 biro za mjere i utege BIPM (fr. Bureau
International des Poids et Mesured), čiji je zadatak bio da osigurava međuna-
rodno jedinstvo mjera i usavršava metrički sistem. Usvajanjem Konvencije o
metru nastala je potreba za unificiranjem mjernih jedinica 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: jedinica za dužinu
(milimetar), jedinica za masu (miligram) i jedinica za vrijeme (sekunda). Ostale
fizičke veličine 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
dužine, mase i vremena – Gauss ga je nazvao “apsolutnim” sistemom.
Gaussovu metodu je razradio njemački fizičar W. Weber 1851. godine tako
da je i fizikalne veličine kao što su električni otpor, elektromotorna 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 električne 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 jedinica (CGSE), odnosno apsolutni elektromagnetski
sistem (CGSM).
Mnoge jedinice električnih i magnetnih veličina 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 Komitet predložio da se uvede
“apsolutni sistem praktičnih električnih jedinica”. Jedinice tog sistema gradile su
se iz jedinica CGSM sistema prema dekadskom principu.
Kao jedinice apsolutnog praktičnog sistema usvojene su na Prvom
međunarodnom kongresu elektrotehničara (1881) jedinica jačine struje (amper) i
jedinica količine elektriciteta (kulon). Istovremeno su razrađeni i prijedlozi za
izradu etalona jedinica tog sistema.
3
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 među 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, donesena je rezolucija o uvođenju šest osnovnih jedinica međunarodnog
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 Systéme International
d'Unités).
Konačno rješenje o uvođenju Međunarodnog sistema jedinica doneseno je na
11. Generalnoj konferenciji za mjere i utege koja je održana 1960. godine u
Parizu. Od tada je Međunarodni 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 što su preciznost, tačnost, pouzdanost,
sigurnost, ispravnost rezultata, mjerna ponovljivost i dr.
Mjerenje je određivanje vrijednosti fizikalne veličine skupom eksperi-
mentalnih 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.
4
Uvod
Mjerni rezultat 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 uređaja, 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 uređaji.
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 određuje 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 uređaju ili instrumentu, tj. utvrđivanje
odnosa između vrijednosti pokazane mjerilom ili mjernim sistemom,
odnosno vrijednosti predstavljene mjerom, i odgovarajuće poznate
vrijednosti mjerene veličine. Umjeravanje mjernog uređaja obuhvata i
ispitivanja koja su propisana od nadležne ustanove, a završava potvrdom
o ispravnosti (certifikatom).
5
Uvod
Referentni materijal je materijal ili supstanca čija je jedna ili više

vrijednosti osobine dovoljno homogena i dobro definisana da se može
koristiti za kalibraciju mjerila, za ocjenu mjerne metode ili 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 prema tačnoj realizaciji
jedinice u kojoj su vrijednosti osobine izražene, i za koju je svaka
certificirana vrijednost praćena nesigurnošću 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.
Ponovljivost rezultata mjerenja je blisko slaganje rezultata uzastopnih
mjerenja iste mjerene veličine pri istim uslovima mjerenja.
Sljedivost je osobina da se rezultat nekog mjerenja može dovesti u
vezu sa odgovarajućim državnim i/ili međunarodnim etalonom preko
neprekidnog lanca upoređivanja.
6
Osnovi metrologije
2
OSNOVI
METROLOGIJE
Metrologija je vrlo značajna oblast za razvoj svih naučnih disciplina, kao i

općenito za razvoj tehnike, tehnologije i privrede u cjelini. Ovaj značaj rezultirao
je i stvaranjem različitih međunarodnih organizacija iz oblasti metrologije.
Uloga ovih organizacija je, pored rješavanja fundamentalnih problema
metrologije, rad na razvoju metroloških metoda, mjernih jedinica, etalonske baze
i metroloških propisa. Posljedica toga je povećanje proizvodne tačnosti kao i
smanjenje mjerne nesigurnosti, odnosno poboljšanje pouzdanosti mjernih
procesa.
2.1 ZADACI I PODJELE METROLOGIJE
Pod metrologijom se podrazumijeva onaj specijalizirani dio pojedinih prirodnih i

tehničkih nauka koji se bavi metodama mjerenja fizikalnih veličina, razvojem i
izradom mjernih uređaja, reprodukcijom i pohranjivanjem (utjelovljenjem)
mjernih jedinica, te svim ostalim poslovima koji omogućavaju preciznije mjere-
nje i usavršavanje mjernih postupaka.
Metrologija obuhvata sljedeća tri glavna zadatka (slika 2.1):
─ predstavljanje (realizacija) jedinica prema međunarodno dogovorenoj
definiciji;
─ čuvanje (održavanje) jedinica u jednom mjernom utjelovljenju ili mje-
rnom uređaju kao etalonu;
7
Osnovi metrologije
─ dalje prosljeđivanje (distribucija) jedinica ka korisnicima putem upore-

dnih mjerenja s odgovarajućim etalonima.
Definicija
Predstavljanje
Reprodukcija
Čuvanje
Distribucija
Primjena
Slika 2.1. Osnovni zadaci metrologije.
Navedene tri faze zapravo predstavljaju put od definicije fizikalnih jedinica

do njihove primjene. U određenim slučajevima polazi se umjesto predstavljanja
jedinice na njeno reproduciranje. Pod reproduciranjem se podrazumijeva
eksperiment koji kod ponovljenog provođenja, neovisno od vremena i mjesta,
vodi uvijek praktično istoj vrijednosti te veličine. Umjesto definisanja jedinice,
bira se njena reprodukcija, samo onda ako je takav eksperiment lakše izvodiv ili
ako je nesigurnost reproduciranja znatno manja od nesigurnosti realizacije.
Eksperiment tada ispunjava funkciju etalona, putem kojeg se razmatrana jedinica
može sačuvati.
Pokazatelj stepena razvoja metrologije je netačnost mjernog rezultata
(odstupanje izmjerene vrijednosti od prave vrijednosti) i preciznost mjerenja
koja se očituje u ponovljivosti mjernog rezultata prilikom ponovljenih mjerenja
iste vrijednosti fizikalne veličine.
Na najnižem metrološkom stupnju su mjerenja u svakodnevnom životu:
mjerenje vremena ručnim satom, krojačka mjerenja “centimetrom”, mjerenja
mase u trgovini itd. To je baza metrološke piramide na čijem se vrhu nalaze
posebni nacionalni instituti u kojima se razvija naučna (fundamentalna)
metrologija tj. metrologija najmanje netačnosti i najveće preciznosti.
8
Osnovi metrologije
Generalno, metrologija se može podijeliti u tri kategorije sa različitim

nivoima složenosti i tačnosti:
(a) Naučna metrologija – predstavlja najviši nivo metrologije i bavi se
organizacijom i razvojem mjernih etalona i njihovim održavanjem.
(b) Industrijska metrologija – osigurava odgovarajuće funkcionisanje
mjernih instrumenata u industriji koji se koriste kako za proizvodnju
tako i pri ispitivanjima.
(c) Zakonska metrologija – bavi se tačnošću mjerila koja imaju uticaj na
transparentnost trgovačkih transakcija, zdravlje i sigurnost.
Fundamentalna metrologija označava najviši nivo tačnosti za datu metrološku
oblast i nema neku preciznu definiciju. Cjelokupno djelovanje u oblasti funda-
mentalne metrologije danas je službeno podijeljeno u 11 oblasti:
(1) Masa i relevantne veličine. Oblast obuhvata istraživanja vezana za
mjerenje mase, sile, pritiska, volumena, gustine i viskoziteta.
(2) Elektricitet i magnetizam. Oblast obuhvata istraživanja i mjerenja iz
područja istosmjernih struja (DC), naizmjeničnih struja (AC), visoko-
frekventnih struja (HFC) te visokih struja i visokih napona.
(3) Dužina. Ovaj ogranak obuhvata mjerenje talasnih dužina i interfero-
metrije, mjerenje uglova, oblika i kvaliteta površina.
(4) Vrijeme i frekvencija. Oblast se sastoji od dvije podoblasti i to: mjerenje
vremena i mjerenje frekvencija.
(5) Termometrija. Područje termometrije bazira svoja istraživanja na oblasti
kontaktnog i beskontaktnog mjerenja temperature i na mjerenju vlažnosti.
(6) Jonizujuća zračenja i radioaktivnost. Ovo područje obuhvata mjerenja
vezana za radioaktivnost, zaštitu od zračenja i apsorbovane doze
zračenja.
(7) Fotometrija i radiometrija. Unutar ove oblasti vode se istraživanja u
području fotometrije, kolorimetrije, optičke radiometrije i optičkih
vlakana.
(8) Protok. Oblast se bavi istraživanjem i razvojem mjerenja protoka gasa,
tečnih fluida i anemometrije.
(9) Akustika. Istraživanja se vrše u oblastima akustičnih mjerenja u
gasovima, tečnostima, mjerenjima ultrazvukom i akceleratorima.
(10) Količina materije. Obuhvata sljedeće podoblasti: hemija materijala,
hemija okoline, klinička hemija, prehrambena hemija, biohemija,
mikrobiologija te mjerenje pH vrijednosti.
(11) Interdisciplinarna metrologija.
9
Osnovi metrologije
2.2 ORGANIZACIJE MEĐUNARODNE METROLOGIJE
2.2.1. Konvencija o metru

Kako je u uvodu navedeno, u Parizu je 1875. godine održana Diplomatska
konferencija o metru, gdje je 17 država potpisalo “Konvenciju o metru”. Nakon
toga, došlo je do osnivanja i drugih međunarodnih metroloških organizacija, čiji
je šematski prikaz dat na slici 2.2. Potpisnice Konvencije o metru su, između
ostalog, ostvarile i sljedeće:
1. Usvojene su definicije za jedinicu dužine – 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 Međunarodni komitet za tegove i mjere – CIPM (fr. Comite
International des Poids et Mesures)1. Zadatak ovog komiteta je da
upravlja naučnim i tehničkim radom Međunarodnog ureda za mjere i
tegove u duhu odluka donesenih Konvencijom o metru.
4. Dogovoreno je da se najmanje jednom svakih šest godina u Parizu sazove
Generalna konferencija za mjere i tegove – CGPM (fr. Conférence
Générale des Poids et Mesures), tj. skupština ovlaštenih predstavnika
zemalja članica Konvencije o metru.
Konvencija o metru svoje odluke objavljuje u obliku preporuka koje se odnose
na osnovne jedinice i konstante metričkog sistema i na metode reproduciranja
jedinica pomoću pramjera, objavljuje naučne rezolucije od međunarodne važno-
sti, utvrđuje program rada Međunarodnog komiteta i smjernice razvoja BIPM-a,
rješava finansijske probleme itd.
Konvenciju o metru do danas je potpisala pedeset i jedna država. Ona daje
ovlaštenje Generalnoj konferenciji za tegove i mjere (CGPM), Međunarodnom
komitetu za tegove i mjere (CIPM) i Međunarodnom 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 Država članica Konvencije o metru i sastaje se u Parizu jednom u četiri
godine.
1
Službeni jezik Konvencije o metru i Međunarodnog komiteta za tegove i mjere je francuski.
10
Osnovi metrologije
Diplomatski
Konvencija o metru 1875 ugovor
Pridružene
države i Generalna konferencija za Vlade država
privrede tegove i mjere (CGPM) članica
CGMP – a
Međunarodni komitet za
tegove i mjere (CIPM)
Sastoji se od 18 eksperata
izabranih od strane CGPM. Međunarodne
organizacije
Nadzor i supervizija BIPM – a.
Konsultativni komiteti (CC) CIPM

Deset CC okupljaju svjetske
MRA
stručnjake u specifičnim
oblastima kao savjetnike za
naučna i tehnička pitanja i igraju Nacionalni
važnu ulogu u CIPM-MRA. metrološki instituti
(NMI)
Svaki je imenovan od CIPM i
uključuju predstavnike NMI i
druge eksperte.
Međunarodni ured za tegove i mjere (BIPM)

Međunarodni centar metrologije.
Labaratorije i uredi sa međunarodnim osobljem su
smješteni u Sevresu kod Pariza
Slika 2.2. Organizacija Konvencije o metru.
11
Osnovi metrologije
Na svakoj generalnoj konferencija prima se izvještaj Međunarodnog komiteta za

tegove i mjere (CIPM) o urađenim poslovima, a zatim se:
─ razmatraju i ispituju aranžmani koji su potrebni da se proširi i usavrši
Međunarodni sistem jedinica (SI), koji je savremeni oblik metričkog
sistema;
─ verificiraju rezultati novih bitnih metroloških odredbi i raznih naučnih
odluka međunarodnog obima i značaja i
─ donose odluke o svim važnijim izdacima koji se odnose na organizaciju i
razvoj BIPM – a, uključujući i budžet za period od naredne četiri godine.
2.2.3. Međunarodni komitet za tegove i mjere (CIPM)
Na konferenciji o metru održanoj 1875. godine konstituisan je i Međunarodni

komitet za tegove i mjere (CIPM) koji se sastoji od 18 članova – eksperata iz
različitih država koje imenuje Generalna konferencija, a bavi se sljedećom
problematikom:
─ radi na pripremi prijedloga preporuka koje će u slučaju prihvatanja
objaviti Generalna konferencija kao svoje rezolucije;
─ imenuje direktora i ostalo naučno osoblje BIPM i ocjenjuje njihov rad;
─ određuje koji će se eksperti i laboratoriji angažirati u konsultativnim
komitetima ili na pojedinim zadacima itd.
Dokumenti Međunarodnog komiteta nazivaju se preporukama, a dokumenti
Generalne konferencije rezolucijama. Uglavnom, države članice smatraju i
rezolucije i preporuke obaveznim.
Sa deset svojih konsultativnih komiteta, sa Međunarodnim uredom za tegove
i mjere, u uskoj saradnji sa nacionalnim metrološkim zavodima, Međunarodni
komitet za tegove i mjere (CIPM) predstavlja bazu i koordinacioni centar naučne
metrologije cijelog svijeta.
2.2.4. Međunarodni ured za tegove i mjere (BIPM)
Nakon potpisivanja Konvencije o metru francuska vlada je za potrebe

Međunarodnog ureda za tegove i mjere stavila na raspolaganje jedan dvorac
smješten u Sevresu, oko 10 km jugozapadno od Pariza. Pošto ga okružuje
nacionalni park, vibracije zemljišta zbog djelovanja industrije i prometa nisu
izrazite. Prva zgrada za labaratorije je završena 1878. godine.
12
Osnovi metrologije
BIPM je u početku imao pet naučnih i tehničkih saradnika, a do danas je taj

broj porastao na oko 70. BIPM se finansira zajednički od Država članica
Konvencije. Ima zadatak da osigura jedinstven, jasan sistem mjerenja u cijelom
svijetu oslanjajući se na Međunarodni sistem jedinica (SI) tj. da osigura svjetsku
ujednačenost mjerenja.
Osnovni zadaci BIPM–a su sljedeći:
─ razvijanje i rad na daljem širenju Međunarodnog sistema jedinica (SI);
─ čuvanje i distribucija primarnih etalona;
─ razvijanje, uspostavljanje i u saradnji sa astronomskim organizacijama
širenje Međunarodnog atomskog vremena i koordiniranje univerzalnog
vremena;
─ uspostavljanje centra za međunarodno poređenje fizičkih realizacija
osnovnih i izvedenih jedinica SI s etalonima Nacionalnih metroloških
instituta (NMI), te učešće u razvoju osnovnih metoda mjerenja u hemiji;
─ saradnja s Konsultativnim komitetima i regionalnim metrološkim institu-
cijama i identifikacija ključnih međunarodnih poređenja potrebnih da bi se
ocijenio stepen ekvivalencije nacionalnih mjernih etalona, i organiziranje
izvođenja ovih poređenja;
─ publikovanje pregleda raspoloživih rezultata svih multilateralnih i
bilateralnih mjernih poređenja uključenih u NMI ili BIPM te da
publikovanje procjene stepena ekvivalentnosti između državnih mjernih
etalona;
─ implementacija i održavanje (na račun Država članica) sporazuma o
međusobnom priznavanju državnih mjernih etalona i certifikata
kalibracije koje izdaju NMI;
─ jačanje sljedivosti nacionalnih mjernih etalona Država članica osigura-
vajući kalibracije tražene od strane NMI;
─ preuzimanje naučnih istraživanja vezanih za jedinice mjerenja i etalone,
uključujući odgovarajuća fundamentalna istraživanja i određivanje
fizikalnih konstanti;
─ saradnja s međunarodnim tijelima kao što su regionalne organizacije za
metrologiju, Međunarodno udruženje za akreditaciju laboratorija,
Međunarodna 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 naučni i administrativni sekretarijat za Generalnu konferenciju
za tegove i mjere i za Međunarodni komitet za tegove i mjere i njegove
konsultativne komitete.
13
Osnovi metrologije
Konsultativni komiteti (CC)

Međunarodni komitet za tegove i mjere je osnovao određeni broj konsultativnih
komiteta koji okupljaju stručnjake iz različitih oblasti kao savjetnike za tehnička
i naučna pitanja. Zadaci ovih komiteta su:
─ Praćenje razvoja u fizici koji neposredno ima uticaj na metrologiju.
─ Pripreme preporuka za razmatranje na CIPM–u. Ako CIPM prihvati te
preporuke predlaže ih kao projekte rezolucija Generalnoj konferenciji.
─ Identifikacija, planiranje i izvršavanje ključnih uporedbi nacionalnih
mjernih etalona.
Do danas postoji deset Konsultativnih komiteta i to za: elektricitet i magne-
tizam (CCEM)2, fotometriju i radiometriju (CCPR), termometriju (CCT), dužinu
(CCL), vrijeme i frekvenciju (CCTF), jonizirajuće zračenje (CCRI), mjerne
jedinice (CCU), masu i sa njom povezane veličine (CCM), količinu supstance
(CCQM), akustiku, ultrazvuk i vibracije (CCAUV).
2.3 OSTALE MEĐUNARODNE ORGANIZACIJE
Većina međunarodnih metroloških organizacija blisko sarađuje sa CIPM i

BIPM. Najvažnije organizacije koje su direktno povezane sa radom BIPM–a su
Regionalne metrološke organizacije (RMO), koje razvijaju saradnju između
NMI-a u svom regionu da bi udovoljili regionalnim zahtjevima za ujednačavanje
mjera.
U području zakonske metrologije BIPM usko sarađuje s Međunarodnom
organizacijom za zakonsku metrologiju – OIML (fr. Organisation Interna-
tionale de Métrologie Légale), koja je osnovana 1956. godine sa ciljem
osiguranja međunarodne osnove za nacionalne zakone.
Međunarodna organizacija za Standardizaciju – ISO (eng. International
Organization for Standardization) preko svog tehničkog 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 sarađuje i sa ostalim međuna-
rodnim organizacijama od kojih su važnije3: Međunarodna elektrotehnička
komisija (IEC), Međunarodna komisija za osvjetljenje (CIE), Međunarodno
udruženje telekomunikacija (ITU), Međunarodno astronomsko udruženje (IAU),
Međunarodno udruženje geodezije i geofizike (IUGG) i dr.
2
U prilogu A5 dat je izvorni naziv ovih komiteta, kao i ostalih skraćenica vezanih za
međunarodne metrološke organizacije i metrologiju uopšte.
3
Spisak s izvornim nazivima ovih organizacija dat je u prilogu A5.
14
Osnovi metrologije
Nacionalni metrološki instituti (NMI)

Institucija koja je odlukom države određena za razvijanje i održavanje
nacionalnih etalona jedne ili više veličina naziva se Nacionalni metrološki
institut (NMI). Ciljevi državne metrologije su unapređenje i sigurnost životnih
uslova te jačanje privrede, što se može postići samo putem rasprostranjene i
efikasne metrološke mreže. Zadaci nacionalnih instituta su:
─ da odgovarajućim istraživanjima unapređuju mjerne uređaje i mjerne
metode,
─ da obavljaju umjeravanje najpreciznijih laboratorijskih mjernih uređaja,
─ da, na osnovu ovlaštenja države kontrolišu provođenje zakona i propisa
koji se odnose na metrologiju,
─ da u ime države učestvuju u radu međunarodnih organizacija.
Nacionalni metrološki institut predstavlja zemlju u odnosima sa NMI drugih
zemalja, u odnosima sa RMO i sa BIPM. Nacionalni metrološki instituti su
osnova međunarodnih organizacija prikazanih na slici 2.2.
Dogovor o uzajamnom priznavanju (MRA)

Dogovor o uzajamnom priznavanju – MRA (eng. Mutual Recognition
Arrangement) osnovao je 1999. godine Međunarodni komitet za tegove i mjere.
Ciljevi MRA su uspostavljanje stepena jednakosti nacionalnih mjernih etalona i
osiguravanje međunarodnog priznavanja certifikata kalibracije i mjerenja koje
izdaju NMI.
2.4 ZAKONSKA METROLOGIJA
Zakonska metrologija je nastala kao nužna potreba i predstavlja, zapravo,

rezultat nastojanja razvijanja korektnih odnosa u međunarodnoj trgovini.
Osnovna svrha zakonske metrologije je zaštita stanovništva od posljedica
pogrešnog mjerenja u slučajevima komercijalnih transakcija, zaštita zdravlja,
sigurnosti, zaštita okoliša i radne sredine. Zakonska metrologija je, dakle,
administrativna i tehnička procedura uspostavljena od strane vlasti.
Organizacija OIML je stvorena s ciljem da u međunarodnim relacijama
obavlja ono što prevazilazi zadatke naučne metrologije i odnosi se na nacionalna
zakonodavstva. Ova orgnaizacija ima sjedište u Parizu, a okuplja 58 država
redovnih članica i 50 dopisnih4.
4
Od 1997. godine članica OIML-a je i BiH.
15
Osnovi metrologije
Osnovni zadaci OIML-a su obezbjeđenje jedinstva i ispravnosti mjerenja u

međudržavnim razmjerama i unifikacija metroloških pojmova, karakteristika,
svojstava materijala i dr. Stoga OIML objavljuje međunarodne preporuke o:
─ mjernim metodama,
─ ocjenjivanju preciznosti mjernih uređaja,
─ metodama provjeravanja mjernih uređaja,
─ jedinstvenosti termina, definicija, simbola i dr.
Zakonska metrologija se široko primjenjuje u oblastima:
─ trgovine (zaštita potrošača u maloprodaji, veleprodaji i regulisanje
odnosa u međunarodnoj trgovini,
─ zdravstva (mjerenje temperature, krvnog pritiska, analiza krvi, ergo-
metrija i dr.),
─ sigurnosti (mjerenje brzine vozila, težine vozila kod prekograničnog
prometa, procenta alkohola u krvi, nivoa buke na radnim mjestima i dr.),
─ ekologije (mjerenje parametara vezanih za zagađenje okoliša u procesnoj
industriji, rudarstvu, transportu i dr.),
─ zvanične kontrole (na primjer katasterska mjerenja i dr.).
Zakonska metrologija ostaje najefikasnije oružje za zaštitu pojedinaca i dru-
štva u cjelini kad god netačni rezultati mjerenja mogu da utiču na njihov
privredni ili društveni status ili kada su sukobi interesa povezani sa rezultatima
mjerenja.
2.5 METROLOŠKA SLJEDIVOST
Na osnovu dosadašnjih razmatranja jasno je da se skoro sve oblasti ljudske

djelatnosti znatno oslanjaju na metrologiju i njena dostignuća. Kako je već
rečeno, neka od najčešće zastupljenih područja su sljedeća:
─ 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
nužno primjenjivati na međunarodnom nivou:
16
Osnovi metrologije
─ prihvatanje zajedničkog sistema mjernih jedinica koji je čvrsto vezan za

fundamentalnu fiziku i
─ mjerenja kod svih korisnika treba da se zasnivaju na ekvivalentnim
fizikalnim realizacijama jedinica.
Na ovaj način, moguće je postići sljedivost mjerenja sa jedinstvenim mjernim
etalonom. Da bi se postigla sljedivost mjerenja, svako mjerenje mora da se
odnosi na odgovarajuće etalone, neprekidnim lancem poređenja u kojem svako
treba da konstatuje nesigurnost mjerenja. Tako se dobija lanac serijske
kalibracije, od koje se svaka vrši prema višem nivou, tačnijem tj. referentnijem
etalonu. U analitičkoj hemiji se u ovu svrhu koriste certificirani referentni
materijali.
Pod mjernim jedinstvom se podrazumijeva takvo metrološko stanje u kojem
su mjerni rezultati izraženi zakonskim jedinicama i greške mjerenja poznate sa
označenom vjerovatnoćom. Znači, neki laboratorij se nalazi u stanju
metrološkog jedinstva kada može osigurati proizvodnju metrološke informacije
označene nesigurnosti u različitim mjestima, u različito vrijeme, s različitim
metodama i različitim mjernim sredstvima.
Očigledno, temelj mjernog jedinstva je metrološka informacija koja je
zapravo potpuna izjava o vrijednosti mjerene fizikalne veličine. Baza za
osiguranje metrološkog jedinstva jeste definisan lanac (sistem) sljedivosti. Ovo
je ujedno i hijerarhijska struktura etalona i njihove sljedivosti. Metrološko
jedinstvo i sljedivost se danas osiguravaju međunarodnim poređenjima.
Rezultati mjerenja u međunarodnim relacijama se mogu priznati ukoliko
postoji mogućnost dokazivanja i dokumentovanja sljedivosti mjernih rezultata.
Sljedivost je svojstvo rezultata mjerenja, kalibracije ili vrijednosti etalona, po
kome se on može dovesti u vezu sa navedenim referencama (obično državnim ili
međunarodnim etalonima) preko neprekinutog lanca sljedivosti.
Mjerni etalon je materijalizovana mjera, mjerilo, referentni materijal ili
mjerni sistem namijenjen određivanju, pohranjivanju i reprodukciji neke mjerne
jedinice radi prenošenja njene vrijednosti na druga mjerila koja mogu poslužiti
kao referentna vrijednost.
Međunarodni etaloni su oni koji su međunarodnim sporazumom priznati kao
baza pri utvrđivanju svih drugih etalona dotične veličine. Izrađeni su s najvećom
mogućom tačnošću koju dozvoljava izrada i mjerni postupak, a provjeravaju se u
propisanim vremenskim razmacima.
Državni etaloni su oni koji su u jednoj državi priznati kao baza za
utvrđivanje svih drugih etalona neke fizikalne veličine.
17
Osnovi metrologije
Primarni etalon je etalon koji je prema opštoj ocjeni najviših metroloških

svojstava, koji je prihvaćen nezavisno od drugih etalona za istu veličinu. Ovakvi
etaloni se pohranjuju u nacionalnim metrološkim zavodima, na primjer u
Njemačkoj je to PTB (Physikalisch Technischen Bundesanstalt). Nisu
predviđeni za opštu upotrebu. Primarni etalon može biti državni ili međunarodni.
Sekundarni (referentni) etaloni su oni čija se vrijednost utvrđuje poređenjem
s primarnim etalonom.
Radni (industrijski) etalon koristi se kao utjelovljena mjera, mjerni uređaj ili
referentni materijal pri kalibraciji ili za provjeravanje.
Lanac sljedivosti, odnosno nivoi etalona dati su na slici 2.3.
Definicija jedinice
Strani primarni etalon Nacionalni primarni etalon
Referentni etalon
Industrijski etalon
Primjena
Slika 2.3 Lanac sljedivosti.
Primarne laboratorije su međunarodno priznate za ostvarivanje osnovnih

jedinica primarnog nivoa i mogu predvoditi međunarodno priznat razvoj u
pojedinim metrološkim oblastima. Također, održavaju i razvijaju jedinice koje
su predmet održavanja te razvijaju primarne etalone. Ovlaštene su da učestvuju u
međulaboratorijskim komparacijama na najvišem međunarodnom nivou. Ove
laboratorije su imenovane od strane NMI.
Referentne laboratorije su one koje su u stanju kalibrirati (umjeriti) određene
mjerne veličine sa najvišim nivoom tačnosti u zemlji sa sljedivošću prema
primarnoj laboratoriji.
18
Međunarodni sistem jedinica
3
MEĐUNARODNI
SISTEM JEDINICA
Kroz historijski razvoj metrologije pojam ''sistem jedinica'' je bitno mijenjao

svoje značenje. Prvobitno se pod ovim pojmom podrazumijevao propisani skup
jedinica. Danas se, međutim, pod sistemom jedinica podrazumijeva jedan uistinu
sistematičan i koherentan skup mjernih jedinica u kojem se izvedene jedinice
grade od određenog broja osnovnih jedinica.
3.1 OSNOVNA JEDNAČINA METROLOGIJE
Fizikalna veličina x podvrgnuta mjerenju označava se kao mjerena veličina.

Rezultat procesa mjerenja je kvantitativno određenje fizikalne veličine, što se
može predstaviti jednačinom:
x  xx  , (3.1)
koja se naziva osnovna jednačina metrologije. Jednačina (3.1) ukazuje da je

fizikalna veličina x, kao svojstvo tretiranog objekta, x puta veća od jedinične
vrijednosti [x] te fizikalne veličine. Sa x je označena brojna vrijednost (iznos),
a sa x  jedinica mjere.
U savremenim naučnim disciplinama koristi se oko stotinu različitih
fizikalnih veličina. Najvećim dijelom ove veličine su izvedene, jer se mogu
19
izraziti pomoću odabranog skupa osnovnih (nezavisnih) veličina A, B, C, ... na

sljedeći način:
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
veličine x, pojedini stepeni na desnoj strani jednačine (3.2) jednaki su nula.
Algebarska zavisnost više fizikalnih veličina označava se kao veličinska
jednačina, jer je neposredna interpretacija određenog fizikalnog zakona. Na
primjer, pređeni put je proizvod brzine i vremena:
L V T . (3.3)
Uočljivo je da veličinska jednačina ne zavisi od korištenih jedinica. Jednačina

(3.3) može se u proširenom obliku, na osnovu jednačine (3.2), napisati kao:
LL  V V   T T , (3.4)
odnosno kao:
L  k V T  , (3.5)
gdje je k  V T  /  L brojčani faktor. U koherentnom sistemu jedinica, kakav

je SI sistem, uvijek je k=1, pa je u konkretnom slučaju jedinica dužine određena
kao proizvod jedinice brzine i jedinice za vrijeme.
3.2 OSNOVNE I IZVEDENE JEDINICE SI
Međunarodni 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 fizičkih veličina, pomoću kojih se najje-
dnostavnijim matematičkim operacijama množenja i dijeljenja grade izvedene
jedinice.
20
Osnovna svojstva SI sistema su koherentnost, zasnovanost na tri osnovne

jedinice u mehanici, i po četiri za sva druga područja. Za svaku veličinu se
koristi samo jedna jedinica, a od nje se decimalnim putem izvode veće i manje
jedinice. Predviđen je i primjenjiv za sve vrste ljudske djelatnosti, za sve grane
nauke i tehnike. Zbog koherentnosti, moguće je izgrađivati podsisteme jedinica
za pojedina naučna ili tehnička područja.
Pregled sedam osnovnih i dvije dodatne jedinice SI sistema dat je u tabeli
3.1:
Tabela 3.1. Osnovne i dodatne jedinice SI
Osnovne jedinice
Fizička Osnovna
veličina jedinica
Naziv Oznaka Naziv Oznaka
Dužina l, (L) metar m
Masa m kilogram kg
Vrijeme t sekunda s
Jačina električne struje I amper A
Termodinamička temperatura T kelvin K
Količina materije n mol mol
Jačina svjetlosti IV kandela cd
Dodatne jedinice1
Fizička Osnovna
veličina jedinica
Naziv Oznaka Naziv Oznaka
Ugao α radijan rad
Prostorni ugao Ω steradijan sr
Izvedene jedinice SI se izvode iz osnovnih jedinica. Ovo znači da nije

potrebno koristiti faktore preračunavanja što je posljedica koherentnog sistema,
nego je dovoljno jednostavno množiti ili dijeliti osnovne jedinice. Pri tome se
koristi ista algebarska veza za jedinicu kao i za odgovarajuće veličine. Nazivi i
simboli jedinica dobijenih na ovaj način 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/m2). Ovako nastaju izvedene jedinice s posebnim nazivima.
Pregled izvedenih jedinica s posebnim nazivima dat je u tabeli 3.2.
1
Jedinice za ugao u ravni i prostorni ugao se u starijoj literaturi definišu i kao izvedene.
21
Tabela 3.2. Izvedene jedinice SI sa posebnim nazivima.

Izraženo Izraženo u
Izvedena veličina Naziv Oznaka u drugim SI osnovnim SI
jedinice jedinicama jedinicama
ugao u ravni radijan rad – m·m–1 = 1

prostorni ugao steradijan sr – m2·m–2 = 1
frekvencija hertz Hz – s–1
sila newton N – m·kg·s–2
pritisak, mehanički napon pascal Pa N/m2 m–1·kg·s–2
energija, rad, količina
joule J N·m m2·kg·s–2
toplote
snaga watt W J/s m2·kg·s–3
količina elektriciteta coulomb C – s·A
razlika potencijala,
volt V W/A m2·kg·s–3·A–1
električni napon
električni kapacitet farad F C/V m–2·kg–1·s4·A2
električni otpor ohm Ω V/A m2·kg·s–3·A–2
električna vodljivost siemens S A/V m–2·kg–1·s3·A2
magnetni fluks weber Wb V·s m2·kg·s–2·A–1
gustoća magnetnog fluksa tesla T Wb/m2 kg·s–2·A–1
induktivitet henry H Wb/A m2·kg·s–2·A–2
stepen
Celsiusova temperatura °C – K
Celsiusa
svjetlosni fluks lumen lm cd·sr m2·m–2·cd = cd
iluminacija lux lx lm/m2 m2·m–4·cd = m–2·cd
aktivnost (radionuklida) becquerel Bq – s–1
apsorbovana doza, kerma2 gray Gy J/kg m2·s–2
ekvivalentna doza
sievert Sv J/kg m2·s–2
jonizirajućeg zračenja
katalitička aktivnost katal kat – s–1·mol
2
Kinetic Energy Released in Material
22
Decimalni dijelovi i dekadski višekratnici mjernih jedinica (prefiksi) su oznake

koje pripadaju Međunarodnom sistemu jedinica, a stavljaju se ispred osnovnih i
izvedenih jedinica. Nazivi i oznake prefiksa koji su propisani međunarodnim
dogovorom dati su u tabeli 3.3.
Tabela 3.3. SI – prefiksi.

Potencija Naziv Oznaka Potencija Naziv Oznaka
24 –1
10 Jota Y 10 deci d
1021 Zeta Z 10–2 centi c
1018 Eksa E 10–3 mili m
1015 Peta P 10–6 mikro 
1012 Tera T 10–9 nano n
109 Giga G 10–12 piko p
106 Mega M 10–15 femto f
103 kilo k 10–18 ato a
102 hekto h 10–21 zepto z
101 deka da 10–24 jokto y
Pravila koja se moraju poštovati kod pisanja mjernih jedinica i korištenja

prefiksa su sljedeća:
(a) Prefiksi se mogu stavljati ispred:

─ osnovnih jedinica SI sistema, osim jedinice za masu (deci-
malne jedinice mase tvore se od jedinice gram 1 g = 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 što 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.
(c) Ispred mjerne jedinice može se staviti samo jedan prefiks.
(d) Oznake jedinica pišu se bez tačke na kraju, osim redovne
interpunkcije.
(e) Oznake kao i nazivi prefiksa i nazivnih mjera pišu se zajedno.
(f) Proizvod dvije mjerne jedinice obilježava se tačkom kao
simbolom množenja. Tačka se može izostaviti kad je oznaka
mjerne jedinice takva da ne može doći do zabune.
(g) Količnik dvije jedinice može se označavati: kosom ili horizonta-
lnom razlomačkom crtom ili korištenjem negativnog eksponenta.
23
(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 veličine pišu se kurzivom, a oznake za
mjerne jedinice ne.
(j) Imena mjernih jedinica gramatički su zajedničke imenice, pa se
pišu malim slovima, čak i onda kada su nastale od imena nekog
naučnika. S druge strane, oznake za mjerne jedinice koje su
nastale od imena naučnika uvijek se pišu velikim slovom (na
primjer: N (njutn), T (tesla) i dr.).
(k) Ako se izvedena jedinica izražava umnoškom dviju osnovnih ili
izvedenih jedinica na prvom stepenu, onda se njihov naziv piše
kao jedna riječ (na primjer: njutnmetar – N m, ampersekunda –
A·s).
(l) U nazivima jedninica površine i zapremine, ili ako te jedinice
ulaze u nazive drugih izvedenih jedinica, koriste se riječi
kvadratni i kubni. Na primjer: m2 – kvadratni metar, umjesto
metar na kvadrat ili metar na drugu, m3 – kubni metar, umjesto
metar na kub ili metar na treću.
(m) U slučaju da druga i treća potencija jedinica površine i zapremine
ne predstavljaju površinu odnosno zapreminu, koristi se izraz na
kvadrat ili na drugu, odnosno na kub ili na treću. Na primjer:
kilogram metar na kvadrat – kg·m2 (moment inercije); metar na
četvrtu – m4 (moment inercije presjeka).
(n) Ako se izvedena jedinica određuje kao dio veličine jedne jedinice
prema drugoj, tj. ako je jedinica u obliku razlomka, nazivi
jedinica se pišu uvođenjem prijedloga po. Na primjer: kg/m –
kilogram po metru, J/m2 – džul po kvadratnom metru. Izuzetak
čine jedinice koje zavise od vremena s oznakom na prvom
stepenu koje karakterišu trajanje nekog procesa. U tom slučaju
naziv jedinice se piše s prijedlogom u. Na primjer: m/s – metar u
sekundi, m3/s – metar kubni u sekundi.
Jednake jedinice ne moraju imati i jednake nazive. Tako je herc naziv za
recipročnu sekundu ako je ona jedinica frekvencije, ali nije naziv za svaku
recipročnu sekundu. Njutnmetar se zove džul ako je jedinica rada ili energije, a
ako je jedinica momenta sile, tada se ne zove džul.
Dijelovi pojedinih mjernih ljestvica (stepeni) nisu mjerne jedinice, ali se
ponekad, slično mjernim jedinicama, koriste za iskazivanje mjernih podataka.
Takvi su, na primjer, stepen bofora (za mjerenje jačine vjetra), Richterova i
Mercallijeva skala za mjerenje potresa i dr.
24
Primjer 3.1. Ispravno i neispravno pisanje mjernih jedinica.
Ispravno Neispravno Komentar
m Bez tačke ili praznog mjesta

, m s , m  s-1 , m s-1 ms-1 radi se o recipročnoj
s
milisekundi
m m Mjerna jedinica se ne stavlja
u zagrade
m kg s3 A  m  kg s3 A
m  kg  s -3  A -1
m kg s-3 A -1
25 cm  24 cm 25  24 cm
2 MHz do 14 MHz 2 MHz - 14 MHz
(2 do 14) MHz 2 do 14 MHz
123 g  2 g 123  2 g
123  2  g
240 V  1  10%  V 240 V  10%
240 x (1 ± 10 %) N m 240 N m ± 10 %
70 % ± 5 % 70 ± 5 %
(70 ± 5) %
m  5 kg m  pet kg
p = 100 MPa p = 100 Mpa
I 5A I = 5A
U =12 V U =12 Volti
Otpor od 100 kΩ Otpor od 100
kilooma
2° 3' 4" 2°3'4"
Hz HZ, hz
g gr, Gr, GR, grm
3.2.1. Metar
Pri definiciji jedinica težilo se da se jedinice vežu za neku konstantnu veličinu.
Komisija, koju je formirala Nacionalna skupština Francuske, 1791. godine je
ozakonila jedinicu dužine metar koji je bio jednak deset milionitom dijelu
četvrtine meridijana koji prolazi kroz parišku opservatoriju. Nakon završetka
ovih mjerenja, 1799. godine, izrađen je platinski prototip metra koji se zvao
arhivski metar.
25
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
dužine – metar jednaka je rastojanju pri 0 0C između osa dvije srednje crte
nanesene na polugu načinjenu od platine i iridija koja se čuva u Međunarodnom
birou za mjere i utege, pod uslovom da se ta poluga nalazi pri normalnom
atmosferskom pritisku i da je postavljena na dva valjka prečnika 1 cm
postavljena simetrično u horizontalnoj ravni na rastojanju 571 mm jedan od
drugog”.
Štapno određivanje metra imalo je i svojih nedostataka:
─ nije odgovaralo četrdeset milionitom dijelu pariškog meridijana,
─ reprodukcijom štapne mjere nastaju i greške zbog širine crta i njihovog
oblika koji su naneseni na etalonu.
Zbog mogućnosti da se štapnom etalonu vremenom promjeni dužina usljed
promjena u kristalnoj strukturi materijala od kojeg je napravljen, ili u slučaju da
se etalon izgubi ili nestane u slučaju elementarne nepogode, odlučeno je da se
etalon za dužinu zamjeni nekom prirodnom stalnom i neuništivom mjerom.
Dužina etalona metra izmjerena je postupkom interferencije, kojim se sa
velikom tačnošću mogu porediti talasne dužine (reda veličine metar) sa talasnom
dužinom svjetlosti. Da bi izmjerio etalon metra, Michelson je koristio crvenu
kadmijevu liniju, pri čemu je konstatovao da dužini od jednog metra odgovara
1 553 163,5 talasnih dužina crvene kadmijeve linije. Stoga je 1960. godine
usvojena nova definicija prema kojoj se za osnovnu jedinicu dužine uzima
narandžasta linija izotopa kriptona Kr86, koja odgovara prelazima između 2p10 i
5d5. Prema ovoj definiciji jednom metru odgovara:
1 m  1660763, 73   (Kr 86 ) . (3.6)
Slika 3.1. Međunarodni prototipovi kilograma i metra.
26
Pokazalo se da je na ovaj način povećana tačnost reprodukcije mjere za oko

100 puta u odnosu na štapni metar. Aktuelna mjerna jedinica za dužinu usvojena
je 1983 godine i glasi:
“Metar je dužina putanje koju u vakuumu pređe svjetlost za
vrijeme od 1/299 792 458 sekunde.”
Postoje različite mogućnosti da se predstavi jedinica dužine, pri čemu se radi sa
mjerenjima toka vremena ili se koriste laser zrake. Ako se mjeri udaljenost
između Zemlje i Mjeseca, kratak impuls snažnih laserskih zraka se šalje na
Mjesec koji se nakon odbijanja reflektuje nazad. Na osnovu vremena koje je
potrebno laserskom zraku da pređe ovaj put, izračunava se udaljenost.
Kod druge metode koriste se poznate talasne dužine lasera, da bi se provela
precizna mjerenja dužine u laboratorijama. U takozvanim laser interferometrima
upoređuju se talasne dužine lasera (~ 0,5 μm) sa dužinom koja se mjeri. Danas je
najviše u upotrebi jod-stabilizirani Helium-Neon laser, talasne dužine 633 nm.
Danas je BIPM razvio prenosive ali vrlo precizne jod-stabilizirane helijum-
neon lasere. BIPM često šalje jedan od ovih lasera do jedne određene nacionalne
laboratorije, gdje onda druge državne laboratorije vrše zajedničke usporedbe.
Ovako veći broj nacionalnih laboratorija, od kojih neke nemaju mogućnost
donošenja svoje opreme u BIPM, imaju mogućnost direktnog pristupa u
realizaciju metra koji se čuva 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 najvećoj gustoći (4 0C) i u mjestu koje se nalazi na
morskom nivou i geografskoj širini 450. Ova pramjera je u obliku valjka čija je
visina jednaka prečniku i iznosi 39 mm, slika 3.1. Prototip kilograma, napravljen
je od legure platine (90%) i iridija (10%). Smješten je u jednoj laboratoriji
BIPM–a gdje se čuva u vakuumu ispod tri staklene posude, slika 3.2a. Pored
ovog, primarnog, u BIPM-u se čuva još šest kopija prototipa koje se zovu
sekundarnim etalonima. Nacionalni metrološki instituti nekih država članica
Konvencije o metru također posjeduju kopije prototipa kilograma.
Svaki od nacionalnih prototipova kilograma se redovno upoređuje sa
međunarodnim prototipom. Poređenja se vrše u BIPM–u u zatvorenom prostoru
koji mora ispunjavati propisane uslove tokom poređenja. Poređenja se izvode
automatiziranom napravom, slika 3.2, čiji su motori van ispitne prostorije radi
smanjivanja uticaja promjene toplote.
27
Različiti prototipovi kilograma odstupaju jedan od drugog. Zbog toga se

intenzivno traži način da se i jedinica mase poveže sa nekom fundamentalnom
konstantom3. Jednu mogućnost nudi Avogadrova konstanta (Na=6,022∙1023
mol─1) koja govori koliko se atoma ili molekula nalazi u molu nekog materijala.
Kod ugljika 12C, jedan mol ima masu od 12 g. Ukoliko bi se atomi mogli veoma
precizno izbrojati, tada bi se imala također i precizna mjera za masu. Na rješenju
ovog problema radi veliki broj naučnika iz različitih oblasti, kako u BIPM–u,
tako i u drugim nacionalnim metrološkim institutima.
(a) (b)
Slika 3.2. Zaštita međunarodnog etalona kilograma (a) i komparator
etalona za masu (b).
Kilogram je i dalje ostao međunarodna jedinica koja je definisana na prvom

(1889), odnosno trećem (1901) zasjedanju Generalne konferencije za mjere i
utege, čija je aktuelna definicija:
“Kilogram je masa međunarodnog etalona kilograma.”

Pod dobrim uslovima usporedba između 1 kg Pt-Ir etalona mase i etalona
napravljenih od nehrđajućeg čelika može da se uradi s kombinovanom
standardnom nesigurnošću od oko ±10 μg. Kilogram je, dakle, jedina preostala
pramjera osnovnih jedinica koja se, zasad, ne može reproducirati korištenjem
prirodnih zakonitosti.
3
U prilogu A4 dat je pregled nekih fundamentalnih konstanti.
28
3.2.3. Sekunda
Prvobitna sekunda, kao jedinica vremena, definisana je kao 1/86400 dio srednjeg
Sunčevog dana. S obzirom da ne postoji jednoličost u položaju Sunca kao
nebeskog tijela u odnosu na sferu u kojoj se ono kreće, Sunce nije pogodno za
određivanje vremena.
Zbog toga je definisana nova jedinica vremena zasnovana na obrtanju Zemlje
oko Sunca, na tzv. tropskoj godini. Tropska godina je vremenski interval između
dva uzastopna prolaska Sunca kroz ekvinokcij4 a iznosi 365 dana, 5 sati, 48
minuta, 46 sekundi.
Međutim, trebalo je naći takav etalon, odnosno vremenski interval neke
periodične pojave i pomoću njega utvrditi pramjeru frekvencije. U prvo vrijeme
korišteni 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 promjenjivu
rezonantnu frekvenciju u toku rada.
Zbog toga se tragalo za takvim oscilatorom koji će 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 sadržaj energije prelazeći iz jednog energetskog nivoa na drugi. Pri
tome moraju razliku energije ili emitirati ili apsorbovati. Višak energije emitira
se u obliku elektromagnetnih talasa, pa su frekvencije atoma koje odgovaraju
prelazu između dva određena 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 pomoću elektromagnetnog zračenja
dovode u takvo stanje da bi mogli prelaziti iz jednog energetskog nivoa u drugi.
Ovaj prelaz funkcioniše kod jedne tačno određene frekvencije zračenja
(perioda). Odbrojavanjem pravog broja perioda (9 192 631 770) dobiva se
izrazito precizna sekunda. Na slici 3.3 dat je izgled jednog cezijum sata.
4
Ekvinokcij je događaj kad Sunce, krećući se prividno oko Zemlje, stigne na ekvador, i kada je
luk koga opisuje Sunce danju jednak noćnom luku, tj. kada su dan i noć jednake dužine.
29
Slika 3.3. HP 5071A cezijum sat.
Satovi sa cezijem kao oscilatorom danas se koriste pored etalonskog mjerila

još i kao nacionalni standardi za određivanje vremena. Generalna konferencija
za mjere i utege je 1967. godine propisala definiciju za sekundu koja glasi:
“Sekunda je trajanje 9 192 631 770 perioda zračenja koje

odgovara prelazu između dva hiperfina nivoa osnovnog stanja
atoma cezija 133.”
Praktična vremenska skala za široku međunarodnu upotrebu ima dvije bitne

uloge:
─ realizaciju jedinice vremena i da
─ je kontinuirana vremenska referenca.
Referenca koja se danas koristi je Internacionalno atomsko vrijeme – TAI, (engl.
International Atomic Time). Ova vremenska skala je u BIPM u 2000. godini
računata koristeći podatke od oko 200 atomskih satova smještenih u približno 50
nacionalnih laboratorija. Jedinica skale TAI se održava što je moguće bliže SI
sekundi koristeći podatke onih nacionalnih laboratorija koje održavaju najbolje
primarne etalone cezija.
TAI je stabilna skala koja ne uzima u obzir nepravilnu rotaciju Zemlje. Za
javne i praktične svrhe potrebno je imati skalu koja uzima u obzir ovu pojavu.
Takva skala je Koordinirano univerzalno vrijeme – UTC (engl. Coordinated
Universal Time). Ova skala je identična s TAI, osim što joj se, s vremena na
vrijeme, dodaje prestupna sekunda, čime 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 veličine 10−15.
30
3.2.4. Amper
Na Međunarodnom elektrotehničkom kongresu održanom u Parizu 1881. godine

raspravljalo se o mogućnosti uvođenja i četvrte osnovne jedinice, jer se pokazalo
da za tumačenje mehaničkih i električnih veličina nisu dovoljne samo tri, nego je
neophodna upotreba ampera kao četvrte osnovne jedinice.
Dvije godine kasnije definisana je jedinica za jačinu struje: “Jedinica jačine
električne struje amper, teorijski je jednaka 1/10 jedinice magnetostatskog
sistema, predstavljen je stalnom strujom koja za jednu sekundu izluči 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 pomoću
voltmetra nužno poznavati četiri veličine: relativnu atomsku masu srebra,
Faradayevu konstantu (F=96485,3383 C mol─1), masu izlučenog srebra i vrijeme
trajanja elektrolize. Pošto je Faradayeva konstanta vezana za nekoliko drugih
prirodnih konstanti, to se greška prenosi i na samu definiciju ampera.
U Londonu je 1908. godine prihvaćena rezolucija o amperu koja glasi:
“Internacionalni amper je stalna električna struja koja iz vodenog rastvora
srebrenog nitrata svake sekunde izluči 1,11800 miligrama srebra”. Ova definicija
se zadržala do 1948. godine kada je Generalna konferencija za mjere i utege
proglasila novu definiciju ampera koja glasi:
“Amper je stalna električna struja koja prolazeći kroz dva

paralelna, ravna, neograničeno duga vodiča, zanemarljivo malog
kružnog poprečnog presjeka, postavljena u vakuumu na
međusobnom rastojanju od jednog metra uzrokuje između njih
silu od 2∙10─7 njutna po metru dužine.”
Reprodukcija osnovne jedinice amper danas se vrši pomoću tzv. strujne vage
kojom se stavlja u ravnotežu poznata masa sa silom koja djeluje između
kalemova sa namotajima kada kroz njih protiče električna struja. Princip rada
ove vage svodi se na upoređivanje sila. Elektrodinamička sila koja nastaje kada
kroz kalemove teče struja, uravnotežuje se silom utega koji djeluje na drugom
kraku vage.
Za realizaciju jačine 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 “električna
sila”. Ona se upoređuje sa poznatom električnom silom drugog kraka. Ohm se
izvodi iz pouzdanog kondenzatora. Prema Ohmovom zakonu Amper je jednak
Volt/Ohm.
31
3.2.5. Kelvin
Temperatura je jedna od osnovnih fizikalnih veličina bez koje se ne može

zamisliti ni jedna grana nauke i tehnike. Prvobitno je promjena temperature
praćena kao promjena dužine stupa neke tečnosti čijim se povećanjem ili
skraćenjem pod uticajem toplote definisala i fizička veličina empirijske
temperature. Za referentne tačke uzimano je ledište i vrelište vode.
Od ledišta vode kao fiksne tačke termodinamičke temperature odustalo se
1954. godine kada je predložena rezolucija koja glasi:
“Generalna konferencija za mjere i utege na svom desetom zasjedanju odlučuje
da se termodinamička temperaturna skala definiše pomoću trojne tačke vode
odabrane za fiksnu fundamentalnu tačku kojoj dodjeljuje vrijednost 273,16 K.”
Slika 3.4. Izvedbe ampule za realizaciju trojne tačke vode.
Trojna tačka vode je ona tačka u kojoj se nalaze u ravnoteži sva tri agregatna
stanja vode (led, tečnost i para). Reprodukcija trojne tačke vrši se u ampuli od
kvarcnog stakla, slika 3.4. U njoj se hladi visoko čista voda tako dugo dok se ne
postigne trojna tačka. Ova tačka ravnoteže je pogodna za predstavljanje
temperature, kao što je ranije bila tačka ledenja, jer ona je ovisna od pritiska
zraka i rastvorenog kisika. Pomoću ćelije za realizaciju trojne tačke vode,
kalibrira se termometar, koji služi kao etalonski uređaj za dalje reproduciranje
jedinica za temperaturu.
32
Pored termodinamičke temperaturne skale u upotrebi su još i Celsuisova

termodinamička skala, a u engleskom govornom području 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 tačkom: ─273,15 0C 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 termodinamičke temperature, Kelvin, koju je usvojila
Generalna konferencija za mjere i utege 1967. godine glasi:
“Kelvin je 1/273,16 termodinamičke temperature trojne tačke vode.”
3.2.6. Kandela
Francuz Violle je 1879. godine predložio da se za pramjeru svjetlosne jačine

upotrijebi platina površine 1 cm2, ugrijana do svog vrelišta. Za jedinicu je
predložio 1/20 svjetlosne jačine koju pri toj temperaturi, okomito na svoju
površinu ima platina te površine. Viollova svijeća predstavlja početak naučne
reprodukcije polazne fotometrijske jedinice današnje kandele.
Definicija “nove svijeće” koja se bazira na zračenju crnog tijela objavljena je
1937. godine, a 1948. godine dobila je naziv kandela. To je 1/60 jačine izvora
što ga ima 1 cm2 površine crnog tijela u smjeru okomitom na tu površinu uz
uslov da crno tijelo ima temperaturu taljenja platine.
Da bi se izbjeglo definisanje jedinice za svjetlosnu jačinu pomoću crnog
tijela koje je imalo nedostataka, Generalna konferencija je na 16. zasjedanju
održanom 1979. godine donijela rezoluciju prema kojoj je definisana jedinica
kandela:
“Kandela je jačina svjetlosti u određenom pravcu izvora koji

emitira monohromatsko zračenje frekvencije 540∙10─12 herca i čija
je energetska jačina 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∙10−12 Hz i treba voditi računa da ova
lampa dostigne određenu jačinu zračenja. Ovakva lampa se ne može koristiti za
svjetlosnu signalizaciju ili za osvjetljenje.
Prednost ove definicije je da ona za ovaj slučaj talasne dužine, povezuje
fotometričku jedinicu Kandela (jedinicu jačine svjetlosti) sa radiometričkom
33
jedinicom (jedinicom osvjetljenja) jačine zračenja. Znači, svjetlost je optičko

zračenje, koje je u jednom određenom području talasne dužine (od 360 nm do
830 nm) vidljivo za ljudsko oko. Fotometričke jedinice nisu ništa drugo, nego
radiometričke jedinice koje se u obliku funkcije proračuna zasnivaju na doda-
tnim svojstvima oka, jer za čovjeka žuto 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 uređaji koji na svjetlost različitih talasnih dužina
reaguju slično kao ljudsko oko. Takvi prijemnici se zovu fotometri. Jedinica
Kandela je realizovana i održava se mrežom specijalnih lampi i fotometara u
BIPM–u i drugim visoko razvijenim metrološkim institutima.
3.2.7. Mol
Pojam atomske mase uveo je Dalton 1803. godine. Atomska masa se određivala
iz odnosa masa u kojima elementi obrazuju spoj. Za mjernu 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), izložio
jednostavnu metodu za određivanje molekularne mase gasa, potrebnu za
određivanje stvarne vrijednosti atomske mase koju čini 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
pomnožena 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 količina koja se sastoji od Na jedinki. Da bi se predstavio mol,
čestice se moraju prebrojati.
Kod Avogadro projekta u BIPM–u čestice su u jednom kristalu silicijuma.
Potrebno je napraviti jedan tako čist kristal, odnosno razviti tako dobre metode
brojanja, da je dovoljno da se izračuna iz jedne male količine 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.
34
Do sada su obje jedinice realizovane upoređivanjem. Nepoznat komad mase

upoređuje se sa prototipom kilograma. Da bi se dobila molarna masa jednog
materijala vrši se upoređivanje sa molarnom masom ugljika (12C), čija se
molarna masa može tačno utvrditi sa spektrometrima za masu. Aktuelna
definicija mola (od 1971. godine) glasi:
”Mol je količina materije jednog sistema koji sadrži 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 između dva radijusa koji na krugu isjecaju luk dužine jednake radijusu.
Ugao se, dakle, određuje iz izraza:
l
 , (3.7)
r
gdje je l, m – dužina luka a r, m – radijus kruga.
Mjerna jedinica za prostorni ugao je steradijan (oznaka je: sr). Steradijan je
jedinica za prostorni ugao koji je jednak prostornom uglu stošca sa vrhom u
središtu kugle i koji na površini kugle zauzima dio površine jednake kvadratu
radijusa kugle. Prostorni ugao se određuje iz izraza:
S
Ω 2
, (3.8)
r
gdje je S, m2 – površina kugle a r, m – radijus kugle.
3.3 DOSTIGNUTI STEPEN REALIZACIJE OSNOVNIH

JEDINICA
Kako se iz samih definicija osnovnih jedinica vidi, neke od njih stoje u

višestrukom uzajamnom odnosu. Na primjer, u definiciji jedinice za jačine struje
uključeni su vrijeme, dužina a također i masa (preko definicije jedinice za silu).
Pregled veza između 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
35
9×10─8 2×10─8
Rk Kj ?
e k
h 2e
3 109 9 108
e2 h R 2×10─6
7×10─8
RK-90 KJ-90 9×10─8 A K Rk α 3×10─9
─9 ─10
(10 ) (10 )
2×10─7 6×10─15 μ0
h ? tačno
2
3 10 9
e mol s
tačno
NA
c
2×10─7
2×10─7
F 10─4 10─12
cd m
h
9×10─8
kg
F 7×10─12
? 2×10─4 R∞
m12C me
?
2×10─7 2×10─7
Slika 3.5. Veze između osnovnih jedinica i fundamentalnih konstanti.
Na slici 3.5 data je također i veza između 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
veličine 10–15 i direktno je uključena u definiciju jedinica za dužinu, jačinu struje
i jačinu svjetlosti.
36
Osnovni statistički pojmovi
4
OSNOVNI STATISTIČKI
POJMOVI
I kod najpreciznijih mjerenja mjerni rezultat sadrži manju ili veću grešku. Da bi
se što pouzdanije procijenila stvarna vrijednost mjerene veličine, mjerenja se
ponavljaju više puta. Po svojoj prirodi rezultati mjerenja predstavljaju slučajne
veličine i kao takve obrađuju se metodama statističke analize. Odgovarajućim
postupkom se od mnoštva rezultata ponovljenih mjerenja zaključuje o najpo-
uzdanijem konačnom rezultatu i ocjenjuje se nepouzdanost tog rezultata.
4.1 UVOD
Statističkom analizom naziva se skup tehnika i metoda kvantitativne analize

slučajnih pojava i događaja. Na osnovu raspoloživih statističkih podataka,
zadatak statističke analize svodi se na dobijanje relevantnih informacija o
posmatranim podacima, ali s unaprijed određenom vjerovatnoćom pouzdanosti
tih informacija.
Statistički podaci ili originalni empirijski podaci se dobijaju kao rezultat poje-
dinačnih mjerenja tj. posmatranja ili opažanja. Mjerenje predstavlja dodjelji-
vanje određenog broja, simbola ili znaka određenoj pojavi ili objektu. Ovi
simboli mogu biti alfabetski znakovi kojima se predstavljaju određene klase ili
pojmovi i numerički (brojčani) podaci. U prvom slučaju nad podacima se ne
mogu vršiti algebarske operacije, dok je to u drugom slučaju moguće.
37
Statistika i statistička analiza zasnivaju se na analizi većih skupina

posmatranih podataka koji se nazivaju statistički skup ili populacija. Pod
statističkim skupom podrazumijeva se, dakle, skup elemenata koji posjeduju
neko zajedničko obilježje čija mjerna ili numerička vrijednost varira od elementa
do elementa. Sami elementi mogu biti npr. istovrsni proizvodi ili neki događaj
(pojava). Ako je na skupu definisano jedno obilježje, kaže se da je skup
jednodimenzionalan. Ako su na elementima skupa istovremeno definisana dva
obilježja, onda je skup dvodimenzionalan. U tom slučaju rezultati mjerenja ili
opažanja su parovi brojeva (x,y), od kojih se prvi odnosi na jedno, a drugi na
drugo obilježje.
Analiza statističkog skupa općenito može biti sadržinska, prostorna i
vremenska. Na osnovu ovoga može se definisati i cilj statističke analize, a to je
dobijanje relevantnih statističkih pokazatelja potrebnih za opisivanje i u krajnjoj
liniji, za upravljanje posmatranim pojavama i sistemima. Pod uticajem
unutrašnjih i/ili vanjskih faktora u ovim sistemima se odvijaju izvjesne promjene
preko kojih se tumači njegovo ponašanje (kretanje) ili razvoj (ako su u pitanju
biološki sistemi). Jedan od zadataka statističke analize je i da otkrije unutrašnje
veze između elemenata sistema i veze s drugim sistemima iz okruženja i utvrdi
zakone promjena u ponašanju sistema kao cjeline.
Pri rješavanju određenih konkretnih zadataka kada se raspolaže s manjim
brojem mjerenja ili eksperimentalnih podataka, realna je opasnost dobijanja
netačnih statističkih pokazatelja, pa se principijelno, s povećanjem broja
posmatranih podataka, povećava i pouzdanost dobijenih statističkih pokazatelja.
Veličina statističkog skupa određuje se brojem njegovih elemenata a
složenost se karakteriše brojem i raznovrsnošću uzajamnih veza. S aspekta
statističke analize nisu od naročite važnosti pojedinačna (izolovana) svojstva
svakog od dijelova skupa. Stoga, promjene i svojstva koja su specifična za jedan
element ili manji broj elemenata skupa, ne mogu se ni kvalitativno ni
kvantitativno pripisati i tumačiti kao svojstvo cijelog statističkog skupa. Samo
one promjene koje su karakteristične za sve elemente skupa, a variraju (slučajno
odstupaju) po svom intenzitetu i kvalitetu u manjoj ili većoj mjeri od jedne do
druge jedinice, mogu se smatrati obilježjem skupa.
Dio ili element statističkog skupa naziva se statistička jedinica koja je
nosilac informacija o kvalitativnim i kvantitativnim karakteristikama skupa.
Svaka statistička jedinica može karakterizirati statistički skup, tj. može
ispoljavati svoju osobenost i mora biti tačno određena sljedećim komponentama:
sadržajnom ili suštinskom, prostornom ili teritorijalnom i vremenskom ili
hronološkom.
Zavisno od toga da li se izražavaju kvalitativna ili kvantitativna svojstva
statističkog skupa, obilježja se dijele na numerička i atributna. Atributna
38
obilježja opisno ili simbolima označavaju kvalitativna svojstva statističke

jedinice. Numerička obilježja brojčano izražavaju kvantitativne razlike između
statističkih jedinica do kojih se može doći mjerenjem ili brojanjem.
S obzirom na numerička obilježja, statistički skupovi se mogu podijeliti u
dvije grupe: neprekidni (kontinuirani) i prekidni (diskretni) skupovi. Neprekidni
skupovi su oni kod kojih bilo koja jedinica ili obilježje, na primjer x, može
primiti bilo koju vrijednost na mjernoj skali (na primjer temperatura, težina i sl.),
tj. bilo koju vrijednost iz datog intervala (a,b). Kod diskretnih skupova bilo koja
jedinica tog skupa može da poprimi samo određene vrijednosti npr. x 1 , x 2 , ... sa B B B B
skale za identifikaciju ili sa skale poretka (na primjer: broj članova domaćinstva
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:
Tabela 4.1.
240,4 282,2 220,0 268,1 243,0 310,0 226,3 295,0 253,5 279,0
271,5 266,0 253,0 264,0 239,9 324,0 306,2 255,9 241,0 237,5
Statističko obilježje, u ovom slučaju sila, je kontinuiranog tipa jer može uzeti bilo koju
vrijednost između 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:
Tabela 4.2.
0 0 1 1 0 0 3 1 0 2
0 1 0 0 4 0 0 3 2 0
Obilježje x ovdje ima značenje broja neispravnih proizvoda u jednom uzorku, stoga je
ono diskretnog karaktera jer može poprimiti samo cjelobrojne vrijednosti 0, 1, ... , 30.
4.2 DISTRIBUCIJE FREKVENCIJA

Pri statističkoj analizi podataka dobijenih mjerenjem, podatke je potrebno
sortirati, odnosno urediti prema unaprijed odabranom kriteriju, pri čemu se
dobija uređen niz empirijskih podataka. Tako uređen niz empirijskih podataka
naziva se empirijska raspodjela. Logički ili po nekom algoritmu sređene
informacije (podaci) o modalitetima u okviru jednog obilježja nazivaju se
statistički niz.
39
Prema prirodi (suštini) obilježja statističke jedinice razlikuju se nizovi

strukture i vremenski (hronološki) nizovi. Nizovi strukture mogu biti osnovni
statistički nizovi, nizovi proste raspodjele frekvencija i intervalni nizovi.
Posmatranjem empirijskih podataka može se ustanoviti da među njima ima i
jednakih vrijednosti. Prvi korak u sređivanju podataka sastoji se u grupisanju
podataka u razrede (klase), drugim riječima, u izradi raspodjele (distribucije)
frekvencija.
Jedan od načina grupisanja jeste da se sve jednake vrijednosti stave u jedan
razred. Ovakvo grupisanje ustvari predstavlja prebrojavanje koliko puta se
pojedina vrijednost javlja među empirijskim podacima i naziva se prosta
raspodjela frekvencija. Prosta raspodjela frekvencija se, prema tome, uvijek
izražava u obliku dva niza informacija ili podataka. Prvi niz čine informacije o
modalitetima obilježja x, a drugi niz čine numerički podaci o posmatranim
jedinicama – frekvencije f i . B B
Primjer 4.3. Za ilustraciju proste raspodjele frekvencija razmotriće se podaci iz

primjera 4.2. Najmanja vrijednost u ovom skupu podataka je 0, a najveća 4, pa se u prvi
stupac (x i ) tabele 4.3 stavljaju brojevi od 0 do 4. U drugi stupac tabele unose se
B B
pripadajuće frekvencije f i , koje predstavljaju broj pojavljivanja pojedinih vrijednosti x i .

B B B B
Tabela 4.3. 12
fi
xi B B fi B B
10
0 11
1 4 8
2 2 6
3 2
4
4 1
2
20 0
0 1 2 3 4
x
Slika 4.1. Distribucija frekvencija.
Iz grupisanih podataka se jasno vidi koje se vrijednosti obilježja češće ili rjeđe javljaju.
Još pregledniju sliku daje grafički prikaz distribucije frekvencija, slika 4.1. Izlomljena
linija na slici 4.1 koja je nastala spajanjem tačaka (x i, f i ) naziva se poligon frekvencija.
B B B
Ako je područje rasipanja vrijednosti obilježja x dosta veliko, onda bi prosta

raspodjela frekvencija dovela do velikog broja razreda. Pri takvom grupisanju
došle bi do izražaja i najmanje, zapravo sitne i nevažne varijacije obilježja x.
40
Takve varijacije predstavljale bi samo prepreku u uočavanju zakona po kojem su

raspoređene vrijednosti obilježja x. Stoga se u takvim prilikama podaci grupišu
tako da se u jedan razred stavlja više uzastopnih vrijednosti obilježja x. U tom
slučaju razred ne predstavlja jedna vrijednost, već čitav interval pa se govori o
raspodjeli rasporeda frekvencija.
U praksi se najčešće koristi takva dužina intervala da svaki razred u sebi
sadrži ne više od 15÷20% posmatranih vrijednosti. Ovako se postupa zbog
ograničavanja varijabiliteta unutar razreda, a i između samih razreda. Za nala-
ženje optimalne dužine intervala (i broja razreda) preporučuje se izraz:
xmax  xmin
h , (4.1)
1  3,322log N
gdje je h – dužina intervala a N ukupan broj podataka.

Pošto je xmin  x1 , xmax  xN kao mjeru varijacije moguće je definisati
interval (razmak) varijacije RN koji je jednak:
RN  xN  x1 , (4.2)
pa je dužina pojedinog intervala:
RN
h , (4.3)
k
gdje je:
k  1  3,322  log N , (4.4)
ukupni broj intervala (zaokružuje se na cijeli broj).

Centar intervala C i je jednak polovini zbira gornje i donje granice
posmatranog intervala i, tj.
1
Ci   Ci  Ci 1  , i  1,2,..., k (4.5)
2
odnosno:
1
Ci  Ci  h , (4.6)
2
jer je Ci 1  Ci  h .
41
Primjer 4.4. Prilikom procesa kontrole mase elemenata jednog uzorka sačinjenog od 20
proizvoda izmjerene su vrijednosti mase u g koje su date u tabeli 4.4. Izvršiti grupisanje
u razrede i nacrtati poligon frekvencija.
Tabela 4.4.
24 28 22 26 24 30 26 29 25 27
27 26 25 26 23 24 26 25 24 27
Interval varijacije prema izrazu (4.2) je:
RN  xN  x1  30  22  8 ,
dok je broj razreda na osnovu izraza (4.4):
k  1  3,322  log N  1  3,322  log20  5,32 .
Usvaja se k=5.
Podaci iz tabele 4.4 grupisani su u razrede, tabela 4.5, tako što su u prvom i drugom
stupcu dati razredi i sredine razreda Ci respektivno. Apsolutne frekvencije f i i relativne B B
frekvencije f ri kao i njihove kumulativne vrijednosti date su od trećeg do šestog stupca

B B
tabele.
Tabela 4.5.
Sredina Apsolutne Kumulativne Relativne Kumulativne
Razredi razreda frekvencije frekvencije frekvencije relativne
Ci fi
B B f ri
B B
frekvencije
[21,5-23,5) 22,5 2 2 0,10 0,10

[23,5-25,5) 24,5 7 9 0,35 0,45
[25,5-27,5) 26,5 8 17 0,40 0,85
[27,5-29,5) 28,5 2 19 0,10 0,95
[29,5-31,5) 30,5 1 20 0,05 1,00
20 1
Kod grupisanja u razrede može se uočiti da su donje granice razreda uključene u

odgovarajući razred. U konkretnom slučaju širina razreda je 2 g. Važno je napomenuti
da se ni jedna vrijednost obilježja ne može svrstati u dva razreda. Svaki razred se može
reprezentovati njegovom sredinom (drugi stupac tabele 4.5). Poligon frekvencija za ovaj
slučaj dat je na slici 4.2a.
42
Drugi način prikazivanja distribucije frekvencija je crtanje histograma.

Prikazivanje se vrši 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 pomoću histograma.
10 1
fi
8 0,8
Kumulativ
6 0,6
4 0,4
2 0,2
0 0
22,5 24,5 26,5 28,5 30,5 22,5 24,5 26,5 28,5 30,5
x x
(a) Poligon frekvencija i histogram (b) Kumulativna funkcija raspodjele

Slika 4.2. Distribucije frekvencija.
U statističkoj obradi podataka često se osim apsolutnih frekvencija f i koriste B B
još i relativne frekvencije f ri koje se računaju kao:

B B
fi
f ri  , (4.7)
N
k
pri čemu je N   fi ukupni broj podataka, dok je k broj različitih frekvencija
i 1
(razreda).
Ukoliko se izračunaju relativne frekvencije za svaki razred i izvrši postupno
sumiranje, tj. naprave se redom sume f r1 , f r1  f r 2 , f r1  f r 2  f r 3 ,..., dobiće se
kumulativne relativne frekvencije. Njihovo značenje jeste proporcija broja
podataka koji se nalaze u razredima u odnosu na ukupni broj podataka N, čije su
relativne frekvencije sumirane. U petom i šestom stupcu tabele 4.5 date su
relativne frekvencije i kumulativne relativne frekvencije za primjer 4.4. Na slici
4.2b prikazan je poligon kumulativnih frekvencija. Sa ovog dijagrama može se,
na primjer, vidjeti da od ukupno 20 izmjerenih vrijednosti mase, njih 17 odnosno
85% ne prelazi vrijednost od 27 g.
43
4.3 SREDNJE VRIJEDNOSTI
Zadatak statističke obrade numeričkih podataka dobijenih mjerenjem je svođenje

mnoštva uglavnom različitih vrijednosti jednog obilježja statističkog skupa, na
manji broj specifičnih statističkih pokazatelja odnosno parametara. Jedan od
najvažnijih parametara je srednja vrijednost ili aritmetička sredina, koja najbolje
predstavlja skup pojedinačnih podataka ili vrijednosti obilježja. Pored toga,
srednja vrijednost je i uporedna vrijednost za sve ostale pojedinačne vrijednosti.
Na osnovu srednje vrijednosti za svaku pojedinačnu vrijednost se može reći da
je prosječna, iznad (viša od) ili ispod (niža od) od prosjeka.
Srednje vrijednosti mogu biti izračunate (aritmetička, kvadratna, harmo-
nijska sredina i dr.) i pozicione (mod, medijana) srednje vrijednosti. Pozicione
srednje vrijednosti se dobiju na osnovu prethodno uređenog niza posmatranih
vrijednosti (po rastućem ili opadajućem rasporedu). Izračunate srednje vrije-
dnosti su osjetljive na promjenu bilo koje od posmatranih vrijednosti, naročito
ekstremnih, dok pozicione srednje vrijednosti nisu toliko osjetljive na promjenu
pojedinačnih vrijednosti jer na njih, prije svega, utiče gustina vrijednosti.
Matematičko očekivanje
Matematičko očekivanje jeste srednja vrijednost slučajne veličine i predstavlja
numeričku karakteristiku raspodjele vjerovatnoća slučajne promjenjive. Za
slučajnu promjenjivu x koja može uzimati diskretne vrijednosti x1 , x2 ,..., xi , s
odgovarajućim vjerovatnoćama p( x1 ), p( x2 ),..., p( xi ) , matematičko očekivanje
jednako je sumi proizvoda vrijednosti varijable i pripadajućih vjerovatnoća, tj:
E ( x)     xi p( xi ) , (4.8)
i
gdje je  p( xi )  1 .
i
U slučaju kontinuirane slučajne promjenjive matematičko očekivanje se
računa analogno. Umjesto sumiranja vrši se integracija po čitavom području
vrijednosti varijable x, a vjerovatnoća p(x) zamjenjuje se elementom vjerova-
tnoće f ( x)dx :

E ( x)     x  f ( x)dx . (4.9)

44
Izračunate srednje vrijednosti

Prosta aritmetička sredina se za niz negrupisanih podataka kada su empirijske
vjerovatnoće za svaki od mogućih ishoda slučajne varijable x i jednake, tj. B B
1
p( x1 )  p( x2 )  ...  p( xN )  , (4.10)
N
računa kao:
1 N
x  xi ,
N i 1
(4.11)
gdje je N broj posmatranih vrijednosti.

Ako su rezultati ponovljenih mjerenja takvi da se pojedine vrijednosti x i B
ponavljaju f i puta, računa se ponderisana aritmetička sredina za prostu raspo-

B B B B B
djelu frekvencija:
k
x1 f1  x2 f 2  ...  xi fi  ...  xk f k
 fi xi 1 k
x
f1  f 2  ...  fi  ...  f k
 i 1
k
  fi xi ,
N i 1
(4.12)
 fi
i 1
k
gdje je k broj različitih frekvencija (k<N) i N   fi . Može se primijetiti da u
i 1
ovom slučaju vjerovatnoće pojavljivanja pojedinih vrijednosti x i nisu jednake. B B
Također, aritmetička sredina se može izračunati i preko relativnih

frekvencija pomoću izraza:
k
x   f ri xi . (4.13)
i 1
Ukoliko se usporede izrazi (4.13) i (4.8), onda je očigledno da je relativna

frekvencija zapravo empirijska vjerovatnoća da varijabla x primi baš vrijednost
x i . Definicione relacije za x i E(x) razlikuju se jedino u tome što u prvoj dolaze
B B
empirijske vrijednosti (relativne frekvencije), a u drugoj stvarne vjerovatnoće

koje pripadaju dotičnim vrijednostima x.
Konačno, u slučaju grupisanja podataka u k razreda, računa se ponderisana
aritmetička sredina za intervalnu raspodjelu frekvencija:
45
1 k
x  fiCi ,
N i 1
(4.14)
gdje je C i sredina i-tog razreda i f i frekvencija za i-ti razred.

B B
Kvadratna sredina za osnovni statistički niz računa se prema izrazu:
1 N 2
xK   xi
N i 1
(4.15)
Primjer 4.5. Mjerenjem prečnika pet površina oštećenja koja imaju oblik kruga
dobijeni su rezultati koji su dati u tabeli 4.6. Odrediti srednji prečnik površina oštećenja.
Tabela 4.6. Prečnici površina oštećenja (mm).

D1 B B D2 B B D3 D4
B B D5B B B B
15 20 10 25 30
Ukupna površina svih pet oštećenja iznosi:
Di2
 

5
A  4
 152  202  102  252  302
4
 1767,1459 mm 2 . P
P
i 1
Korištenjem izraza za kvadratnu sredinu (4.15) srednji prečnik je:
xK 
1 5 2

5 i 1
xi 
5

1 2
15  202  102  252  302  21, 2132 mm, 
čija upotreba daje ukupnu površinu oštećenja približno jednaku stvarnoj:
x 2 21, 21322  3,1415

A5 K 5  1764, 4 mm 2 . P
P
4 4
Aritmetička sredina u ovom slučaju iznosi:
1 5

1
x xi  15  20  10  25  30   20 mm.
5 i 1 5
Ako se uzme da svih pet prečnika oštećenja imaju vrijednost aritmetičke sredine, ukupna
površina će biti:
46
D2 202 
A5 5  1570 mm 2 . P
P
4 4
Može se uočiti da aritmetička sredina daje znatno manju vrijednost ukupne površine
oštećenja od stvarne površine. Dakle, u situacijama gdje slučajna varijabla utiče na
drugom stepenu, za proračun srednje vrijednosti potrebno je koristiti kvadratnu sredinu.
Znači, kod računanja sednje vrijednosti više površina, za proračun je potrebno koristiti
površine a ne prečnike pojedinih površina.
Geometrijska sredina za statistički niz je srednja vrijednost koja izravnava

proporcionalne promjene podataka (njihove međusobne odnose) posmatranog
niza, za razliku od aritmetičke sredine koja izravnava apsolutne razlike. Prosta
geometrijska sredina računa se kao:
N
xG  N x1  x2  ...  xN  N  xi . (4.16)
i 1
Izračunavanje geometrijske sredine ima smisla samo za ona obilježja čije su sve
vrijednosti veće od nule. Njena najvažnija primjena je kod istraživanja dinamike
procesa, jer su tu važnije razlike u odnosima nego u apsolutnim veličinama.
Primjer 4.6. Godišnja proizvodnja u jednoj tvornici u toku 3 godine iznosila je: 4000,
18000 i 36000 proizvoda respektivno. Odrediti prosječan porast proizvodnje.
Na osnovu podataka vidi se da je proizvodnja u drugoj godini 4,5 puta veća nego u
prvoj, dok je u trećoj 2 puta veća nego u drugoj. Pošto se radi o vremenskom nizu,
prosječan porast proizvodnje se računa korištenjem izraza za geometrijsku sredinu:
18000 36000
xG  x1  x2    4,5  2  9  3
4000 18000
U ovom slučaju upotreba izraza za aritmetičku sredinu daje sljedeći rezultat:
x1  x2 4,5  2
x   3, 25
2 2
koji ne odgovara realnom stanju jer je proizvodnja od prve do treće godine povećana 9
puta ( 4000  3  3  36000 ).
47
Harmonijska sredina jeste recipročna vrijednost aritmetičke sredine recipročnih

vrijednosti obilježja:
N N
xh   N
. (4.17)
1 1 1 1
  ... 
x1 x2 xN x
i 1 i
Harmonijsku sredinu ima smisla tražiti za ona obilježja čije su sve vrijednosti
različite od nule. Ima osobinu srednje vrijednosti, ali njena interpretacija nije
očigledna. Koristi se u slučajevima kada su obilježja statističkih jedinica
izražena u obliku takozvanih recipročnih pokazatelja. Na primjer, vrijeme
utrošeno za izradu jedinice proizvoda je recipročna vrijednost produktivnosti
(što je vrijeme veće, produktivnost je manja).
Primjer 4.7. Izračunati prosječnu brzinu kretanja vozila koje se na jednoj dionici puta
kreće brzinom v 1 =120 km/h i pri tome prijeđe put od s=240 km, a na drugoj dionici koja
B B
je iste dužine vozi brzinom v 2 =80 km/h.

B B
Aritmetička sredina u ovom slučaju iznosi:
1 1
v  v1  v2   120  80  100 km/h.
2 2
Vozilo je prvu dionicu puta prešlo za 2 sata, dok mu je za drugu dionicu trebalo 3 sata,
pa je, prema aritmetičkoj sredini, prešlo put od 500 km, što ne odgovara stvarnom stanju.
Istovremeno, harmonijska sredina iznosi:
2 2
vh    96 km/h.
1 1 1 1
 
v1 v2 120 80
Na osnovu harmonijske sredine vozilo je prešlo 480 km, što odgovara stvarnom stanju.
Pozicione srednje vrijednosti

Mod (modus, modalna ili najčešća vrijednost) je dominantna vrijednost u statisti-
čkom nizu. To je vrijednost oko koje se koncentriraju ostali članovi niza i zato je
mod najtipičnija vrijednost niza. Kada u jednom statističkom nizu postoji samo
jedna vrijednost obilježja s najvećom frekvencijom, radi se o unimodalnom nizu.
U slučaju postojanja dvije ili više ovih vrijednosti, govori se bimodalnom nizu
odnosno multimodalnom nizu. Moguća je i situacija da statistički niz nema mod.
48
Primjer 4.8. Pronaći vrijednosti moda za sljedeće statističke 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 slučaju prethodnih skupova iznosi:

(a) Mod u ovom slučaju iznosi 9.
(b) Skup nema mod.
(c) Skup ima dva moda: 4 i 8.
Za raspodjelu frekvencija u slučaju jednakih širina razreda (h) mod se računa

prema izrazu:
f mo  f mo1
Mo  xmo  h, (4.18)
 fmo  fmo1    fmo  fmo1 
gdje je:
 x mo donja (u histogramu lijeva) granica modalnog razreda (x mo , x mo+1 ),
B B B B B B
 f mo  f mo 1 razlika frekvencija modalnog razreda i razreda prije njega i

B B
 f mo  f mo1 razlika frekvencija modalnog razreda i razreda koji

neposredno slijedi iza njega.
Mod je pogodan pokazatelj rasporeda za unimodalne serije i to naročito ako je
frekvencija modalne vrijednosti velika. U takvim slučajevima mod je tipična
vrijednost koja pokazuje u pravom smislu centralnu tendenciju posmatrane
serije. Valja napomenuti da pri korištenju moda na njegovu veličinu utiče način
grupisanja podataka. Naime, formiranje razreda može biti izvedeno na različite
načine, pa se promjenom veličine razreda mogu dobiti i različite vrijednosti
moda.
Medijana statističkog niza se definiše kao vrijednost središnjeg člana niza
koji je prethodno uređen po rastućem ili opadajućem redoslijedu. Za niz koji ima
neparan broj elemenata, medijana je ona vrijednost obilježja koja je ½(N+1) po
redu. U slučaju niza koji ima paran broj članova, medijana se računa kao
aritmetička sredina između vrijednosti obilježja koja se nalaze na N/2 i (N/2+1)
mjestu.
49
Primjer 4.9. Za statistički skup dat u tabeli 4.7 izračunati medijanu i aritmetičku
sredinu i komentarisati dobijene vrijednosti.
Tabela 4.7
R. br. 1 2 3 4 5 6 7 8 9 10
xiB B
1 2 2 2 3 3 3 5 9 70
U slučaju da je podatak 70 validan tj. da se ne radi o gruboj grešci, aritmetička sredina za

ovaj skup iznosi x  10 , što svakako nije njegova tipična vrijednost. S druge strane,
skup znatno bolje reprezentuje medijana, Me=3 (pošto se radi o nizu sa parnim brojem
elemenata, medijana je jednaka aritmetičkoj sredini vrijednosti obilježja na petom i
šestom mjestu).
Kod intervalne raspodjele frekvencija medijana se računa prema izrazu:

k e
0,5 fi   f e1
i 1 e2
Me  Ce  h, (4.19)
fe
gdje je f e frekvencija medijalnog razreda Ce , Ce1  , C e donja granica

B B B B
medijalnog razreda, odnosno prvog intervala čija je kumulativna frekvencija

jednaka ili prelazi polovinu ukupne frekvencije tj:
1 k
fe (kum)   fi
2 i 1
(4.20)
e
dok je  fe1 kumulativna frekvencija svih razreda koji prethode medijalnom
e2
razredu Ce , Ce1  .
Glavna karakteristika medijane je ta što je suma apsolutnih odstupanja

individualnih vrijednosti x i od medijane najmanja (manja i od sume apsolutnih
B B
odstupanja od aritmetičke sredine i xi  Me  i xi  x . Medijana je deskri-

ptivni parametar empirijskog niza i ponekad se naziva neparametarskom
sredinom niza.
Upotreba srednjih vrijednosti.

Postavlja se pitanje koju srednju vrijednost treba koristiti pri analizi statističkog
skupa? Na osnovu prezentiranih primjera, na ovo pitanje se ne može dati
precizan odgovor jer sve zavisi od analiziranog problema. Na vrijednost
50
aritmetičke, kvadratne, geometrijske i harmonijske sredine utiču svi elementi

statističkog skupa, dok na medijanu ili mod krajnje vrijednosti niza nemaju
uticaja. Dok se aritmetička sredina može računati bez obzira da li su podaci
sređeni ili ne, mod i medijana se mogu izračunati samo ako su podaci sređeni.
Stoga, ako se želi isključiti djelovanje krajnjih vrijednosti, uvijek treba
koristiti medijanu ili mod. U suprotnom slučaju, koriste se aritmetička ili
kvadratna sredina, prema tome da li se ispituje pojava gdje tekuća vrijednost
utiče na prvom ili drugom stepenu. Geometrijska i harmonijska sredina koriste
se kao mjere brzine nekih promjena.
Za isti statistički skup harmonijska sredina ima nižu vrijednost od
geometrijske, geometrijska nižu od aritmetičke, a ova nižu od kvadratne:
xh  xG  x  xK . (4.21)
4.4 MJERE VARIJACIJE

Centralna tendencija empirijskih vrijednosti obilježja izražena je preko srednje
vrijednosti. Razlike između ove i pojedinačnih vrijednosti nazivaju se
varijabilitetima vrijednosti obilježja. Što je odstupanje srednje vrijednosti od
pojedinačnih vrijednosti manje, to ona reprezentativnije predstavlja posmatrani
skup izmjerenih vrijednosti. Za adekvatnu statističku interpretaciju nije dovoljna
samo srednja vrijednost, nego i odgovarajuće mjere varijacije.
Osnovna veličina kojom se izražava mjera varijacije je varijansa
(disperzija), koja se za osnovni statistički niz računa kao aritmetička sredina
kvadrata razlika od aritimetičke sredine:
1 N
2    xi  x 2 . (4.22)
N i 1
Varijansa, dakle, predstavlja kvantitativnu mjeru rasturanja individualnih

vrijednosti statističkog niza x i od njegove aritmetičke sredine.
B B
Izraz (4.22) odnosi se na varijansu distribucije frekvencija. Na osnovu

definicione relacije za matematičko očekivanje (4.8), opšti izraz za varijansu
diskretne slučajne varijable ima oblik:
V ( x)    xi    p( xi ) ,
2
(4.23)
i
odnosno u slučaju kontinuirane varijable:
51

  xi   
2
V ( x)  f ( x)dx . (4.24)

Varijansa za podatke grupisane u prostu raspodjelu frekvencija je:
1 k
 fi  xi  x  ,
2
2  (4.25)
N i 1
odnosno izražena preko relativnih frekvencija:

k
 2   f ri  xi  x  .
2
(4.26)
i 1
Za intervalnu raspodjelu frekvencija varijansa se računa pomoću izraza:
1 k
 fi  Ci  x  .
2
2  (4.27)
N i 1
Standardna devijacija (standardno odstupanje) predstavlja pozitivnu vrijednost

kvadratnog korijena iz varijanse:
  2 . (4.28)
Standardna devijacija, za razliku od varijanse, predstavlja srednje odstupanje

pojedinačnih vrijednosti x i od njihove aritmetičke sredine. Varijansom se
B B
apsolutna odstupanja izražavaju kvadratnim mjernim jedinicama, dok se

standardnom devijacijom ova odstupanja izražavaju istim mjernim jedinicama
kojima su mjerene ili izražene individualne posmatrane vrijednosti obilježja. Na
račun ovoga je olakšana interpretacija statističkih pokazatelja.
Jedan od temeljnih pojmova statistike je uzorak koji se definiše kao cjelina
uzeta iz statističkog skupa (populacije) na takav način da je ona predstavnik tog
skupa. Zadatak statistike je da analizom uzorka procijeni karakteristike cijelog
skupa. Obično se karateristike uzorka označavaju slovima latinice, a karakte-
ristike nepoznatog parametra osnovnog skupa slovima grčke abecede. Stoga se
procjena varijanse osnovnog skupa može izračunati na osnovu varijanse uzorka
koja se računa prema izrazu:
1 n
s2    xi  x 2 , (4.29)
n  1 i 1
52
gdje je n broj elemenata uzorka (n<N).

Srednje apsolutno odstupanje je aritmetička sredina apsolutnih odstupanja
pojedinačnih vrijednosti obilježja od aritmetičke sredine datog niza. Za osnovni
statistički niz srednje apsolutno odstupanje se računa prema izrazu:
1 N
SD   xi  x ,
N i 1
(4.30)
za prostu distribuciju frekvencija kao:
1 k
SD   fi xi  x ,
N i 1
(4.31)
dok je za intervalnu raspodjelu frekvencija:
1 k
SD   fi Ci  x ,
N i 1
(4.32)
gdje je C i središte intervala i-tog razreda.
Prilikom usporedbe varijabilnosti dva ili više nizova s različitim

artitmetičkim sredinama za ocjenu stepena varijabiliteta nije dovoljno da se
uporede samo njihove standardne devijacije. Stoga se pri upoređivanju
varijabiliteta dva ili više nizova najprije moraju staviti u odnos standardna
devijacija (σ), srednje apsolutno odstupanje (S D ) i interval varijacije (RN) s
B B
aritmetičkom sredinom za svaki od posmatranih nizova. Ovako dobijene veličine

nazivaju se relativne mjere varijacije ili koeficijenti varijacije. Koeficijenti
varijacije su međusobno komparativne veličine za različite nizove, bez obzira na
prirodu obilježja i apsolutne vrijednosti tih nizova.
Koeficijent varijacije po standardnoj devijaciji obično se računa u proce-
ntima prema izrazu:

V  100% . (4.33)
x
Koeficijent varijacije po srednjem apsolutnom odstupanju se računa kao:
SD
VSD  100% , (4.34)
x
dok se koeficijent varijacije po razmaku varijacije računa po izrazu:
53
RN
VRN  100% . (4.35)
x
U slučaju kada su dvije populacije koje se upoređuju heterogene po svom

sastavu, na osnovu upoređivanja njihovih aritmetičkih sredina može se doći do
pogrešnih zaključaka. Tada se obično koristi metod standardizacije kojim 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 statističkog niza kada se
pojedinačne vrijednosti obilježja unutar samog niza međusobno znatno razlikuju.
Postupak standardizacije se izvodi tako što se prvo nađu razlike poje-
dinačnih vrijednosti statističkog niza od aritmetičke sredine tj.  xi  x  , koje se
nazivaju i centriranim obilježjima. Ako se svako centrirano obilježje stavi u
odnos sa standardnom devijacijom niza, nastaje normirano centrirano obilježje
koje se naziva standardizirano odstupanje, a računa se pomoću izraza:
xi  x
zi  , i  1,2,3,..., N (4.36)

i predstavlja relativnu mjeru odstupanja svakog od pojedinačnih obilježja od
aritmetičke sredine u odnosu na standardnu devijaciju.
Kvantil je opšti naziv za vrijednost obilježja na 25%, 50% i 75% mjestu
statističkog niza uređenog po rastućem redoslijedu. Svaki od navedenih kvantila
naziva se kvartil. Jasno je da drugi kvartil (Q2) ustvari predstavlja medijanu.
Da bi se izbjegao uticaj krajnjih vrijednosti statističkog obilježja, vrši se
odbacivanje desno od x1 i lijevo od xN po 25% svih frekvencija. Na taj način se
dobija interkvartilni razmak (x0,25;x0,75) koji obuhvata 50% frekvencija.
Polukvartilna razlika je relativna mjera varijacije i jednaka je polovini razlike
prvog i trećeg kvartila:
Q3  Q1
Q . (4.37)
2
Decili i percentili predstavljaju numeričke vrijednosti obilježja na odgova-
rajućim pozicijama statističkog niza uređenog po rastućim vrijednostima.
Decili predstavljaju vrijednosti obilježja na 10%, 20%, ..., 90% mjestu stati-
stičkog niza u odnosu na prvi element, uređenog po rastućem redoslijedu.
Percentili predstavljaju vrijednosti obilježja na 1%, 2%, ..., 99% mjestu
statističkog niza u odnosu na prvi element, uređenog po rastućem redoslijedu.
54
4.5 MJERE ASIMETRIJE I ZAOBLJENOSTI
4.5.1. Mjere asimetrije
Ako su vrijednosti statističkog niza ravnomjerno i ekvidistantno raspoređene

lijevo i desno od neke vrijednosti niza, onda se takva distribucija naziva
simetričnom, a vrijednost uočenog obilježja predstavlja srednju vrijednost za
datu populaciju. Suprotno, ako se vrijednosti obilježja gomilaju više na lijevu ili
desnu stranu od srednje vrijednosti, onda se radi o asimetričnoj distribuciji. U
ovom smislu razlikuju se lijeva i desna asimetrija, slika 4.3.
Kod lijeve asimetrije, desno od srednje vrijednosti nalazi se kraći ogranak
krive distribucije, slika 4.3b, tj. kriva ima duži 'lijevi rep'. Potreban ali ne i
dovoljan uslov simetričnosti izražava se uslovom x  Mo  Me .
(a) (b)
Slika 4.3. Asimetrija udesno (pozitivna asimetrija) – (a) i
asimetrija ulijevo (negativna asimetrija) – (b).
Kako je rečeno, prosjek odstupanja aritimetičke sredine od vrijednosti obilježja

jednak je nuli, pa se kao mjera disperzije uzima prosjek kvadrata ovih
odstupanja (varijansa). Međutim, za razne druge analize potrebno je i dalje
stepenovanje odstupanja aritmetičke sredine od pojedinih vrijednosti obilježja.
Tako se dolazi do takozvanih centralnih momenata rasporeda ili momenata oko
sredine.
Moment r-tog reda za diskretnu slučajnu varijablu se definiše kao:
1 k
 fi  xi  x  ,
r
Mr  (4.38)
N i 1
dok je za kontinuiranu varijablu:


 x  
r
Mr  f ( x )dx . (4.39)

55
Normirani moment r-tog reda definiše se kao:

Mr
r  . (4.40)
r
Nulti moment:
1 k
 fi  xi  x   1 ,
0
M0  (4.41)
N i 1
kao i prvi moment:
1 k
M1   fi  xi  x   0 ,
N i 1
(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 najčešće se koristi treći centralni moment, koji se
definiše kao:
1 k
 fi  xi  x  .
3
M3  (4.43)
N i 1
Treći centralni normirani moment α 3 predstavlja odnos centralnog momenta M 3

B B B B
i standardne devijacije σ 3 , tj.

P
P
1 k
 fi  xi  x 
3
3
M3 N i 1 1 k  xi  x  1 k
3 
3

3
  i f   fi zi3 ,
N i 1    N i 1
(4.44)
gdje je korišten izraz (4.36) za standardizirano obilježje z.

Analizom izraza (4.44) slijedi:
─  3  0 − asimetrija ulijevo,
─  3  0 − simetrična distribucija i
─  3  0 − asimetrija udesno.
Pošto aritmetička sredina kod izrazito asimetričnih distribucija nije
najpodesnija mjera prosjeka, za izračunavanje koeficijenta asimetrije može se
koristiti i mod Mo kao mjera centralne tendencije. Prema K. Pearsonu koeficijent
asimetrije se može računati i preko izraza:
56
x  Mo
Ka  , (4.45)

odakle neposredno slijede karakteristični slučajevi:
─ K a  0 ( x  Mo) – asimetrija ulijevo, za K a  3 radi se o izraženoj
negativnoj asimetriji,
─ K a  0 ( x  Mo) – simetrična distribucija i
─ K a  0 ( x  Mo) – asimetrija udesno, za K a  3 radi se o izraženoj
pozitivnoj asimetriji.
U slučajevima kada asimetrija nije velika za empirijske distribucije važi izraz:
Mo  x  3 x  Me , (4.46)
tj. x  Mo  3 x  Me , pa se obrazac (4.45) se može pisati u obliku:
3  x  Me 
Ka  . (4.47)

S obzirom na to da važi relacija:
1 
 x  Me   1
, (4.48)

onda vrijednost koeficijenta K a varira između:
B B
3  K a  3 . (4.49)
4.5.2. Mjera zaobljenosti

Koeficijentom zaobljenosti (spljoštenosti, ekscesa), kada su u pitanju približno
simetrične raspodjele, izražava se stepen koncentracije vrijednosti obilježja oko
srednje vrijednosti (modusa ili medijane, jer su za simetrične distribucije sve tri
srednje veličine međusobno približno jednake po vrijednosti). Što je
koncentracija frekvencija oko odgovarajuće srednje vrijednosti veća (u
poređenju s normalnom teorijskom distribucijom frekvencija), to je i vrh (tjeme)
normirane krive funkcije raspodjele viši od vrha normalne raspodjele i obrnuto,
slika 4.4.
57
4  3
4  3
4  3
Slika 4.4. Primjeri krivih distribucije s raznim mjerama zaobljenosti.
Koeficijent zaobljenosti se računa preko izraza za četvrti normirani moment, tj.
1 k
 fi  xi  x 
4
4
M4 N i 1 1 k x x 1 k
4     fi  i   fi zi4 .
N i 1   
(4.50)
4 4 N i 1
Karakteristični slučajevi za vrijednost α 4 su: B B
─  4  3 − distribucija je niskovrhna (izrazito zaobljena),

─  4  3 − kriva distribucije je bliska krivoj normalne distribucije (o kojoj
će više govora biti u poglavlju 5) i
─  4  3 − distribucija je visokovrhna (izrazito zašiljena).
Primjer 4.10. Mjerenjem prečnika rukavca uzorka od 40 vratila koja su obrađivana

struganjem dobijeni su rezultati koji su dati u tabeli 4.8. Izračunati medijanu i komenta-
risati oblik krive distribucije frekvencija.
Tabela 4.8. Rezultati mjerenja prečnika rukavca vratila.

Ci  x
   
2 4
Razred Ci fi
B B f i Ci fi Ci  x fi Ci  x
f kum
B B
[50,005-50,035) 50,02 2 2 100,04 -0,11025 0,02431 2,9549∙10-4

[50,035-50,065) 50,05 4 6 200,20 -0,08025 0,02576 1,6590·10-4
[50,065-50,095) 50,08 3 9 150,24 -0,05025 0,00758 1,9128·10-5
[50,095-50,125) 50,11 6 15 300,66 -0,02025 0,00246 1,0089·10-6
[50,125-50,155) 50,14 12 27 601,68 0,00975 0,00114 1,0844·10-7
[50,155-50,185) 50,17 7 34 351,19 0,03975 0,01106 1,7476·10-5
[50,185-50,215) 50,20 6 40 301,20 0,06975 0,02919 1,4201·10-4
Σ 40 2005,21 0,1014975 0,000641123
58
Za proračun medijane podatke je prethodno potrebno složiti prema rastućem rasporedu,

slika 4.5a. Pošto se radi o intervalnoj raspodjeli frekvencija, medijana se računa prema
izrazu (4.19).
1 k e

2 i 1
fi   f e 1 1
40  15
e2
Me  Ce  h  50, 095  2 0, 03  50,12
fe 6
gdje je:
─ fe  6 – frekvencija medijalnog razreda (razred čija je kumulativna frekvencija
jednaka ili prelazi polovinu ukupne frekvencije, slika 4.5a),
─ h  0,03 – širina razreda,
─ Ce  50, 095 donja granica medijalnog razreda,
e
─  fe1  15 kumulativna frekvencija svih razreda koji prethode medijalnom.
e2
Na osnovu podataka izračunatih u tabeli 4.8 mogu se odrediti aritmetička sredina i

varijansa:
1 k

1
x fi Ci  2005, 21  50,1303 mm,
N i 1 40
1 k

 fi Ci  x  1
2
s2   0,1014975  0,0026 mm 2 .
n  1 i 1 40  1
P P
Standardna devijacija iznosi:
s   s 2   0, 0026  0, 051 mm.
Za proračun moda mogu poslužiti podaci iz tabele 4.8, gdje se vidi da je modalni razred
onaj čija je frekvencija 12 i donja granica 50,125 mm. Na osnovu obrasca (4.17) mod
iznosi:
f mo  f mo 1 12  6
Mo  xmo  h  50,125  0, 03  50,136 .
 f mo  f mo 1    f mo  f mo 1  12  6   12  7 
Koeficijent asimetrije. Na osnovu izraza (4.39) slijedi:
x  Mo 50,1303  50,136
Ka    0,1118 .
s 0,051
59
Koeficijent zaobljenosti (spljoštenosti). Na osnovu izraza (4.44) dobije se:
k
 fi  xi  x 
1 4 1
N 0, 000641123
i 1
4   40  2,366 .
s4 0, 0514
Analizom vrijednosti koeficijenata asimetrije i spoljoštenosti može se uočiti da je oblik

krivulje distribucije frekvencija sljedeći:
─ distribucija je asimetrična ulijevo Ka  0 ( x  Mo) ,
─ distribucija je niskovrhna (α 4 <3). B B
Distribucija frekvencija data je na slici 4.5b. Može se uočiti da prečnik rukavca ima
trend povećavanja, što se može objasniti prisustvom sistematske greške zbog zatupljenja
reznog alata.
14 14 100%
Frekvencija
12 12 Kumulativ %
fi
fi
10 10 75%
8 8
50%
6 6
4 4 25%
2 2
0 0 0%
2
0
2
,0
,0
,0
,1
,1
,1
,2
,0
,0
,0
,2
,1
,1
,1
50
50
50
50
50
50
50
50
50
50
50
50
50
50
Prečnik, mm Prečnik, mm
(a) (b)
Slika 4.5. Raspored frekvencija: (a) prema rastućem rasporedu, (b) histogram i
kumulativne frekvencije.
60
Teorijske raspodjele frekvencija
5
TEORIJSKE RASPODJELE
FREKVENCIJA
Raspodjele frekvencija koje su razmatrane u prethodnom poglavlju formiraju se

sređivanjem eksperimentalno dobijenih vrijednosti obilježja jedinica datog
statističkog skupa. Pored ovih, empirijskih, u praksi se često koriste i teorijske
distribucije koje se definišu na osnovu unaprijed (a'priori) poznate bezuslovne
vjerovatnoće ishoda nekog slučajnog događaja A u datim uslovima. Za slučajnu
veličinu X zadatu skupom vrijednosti njenih modaliteta: x1 , x2 , ..., xr i
pripadajućih vjerovatnoća p( x1 ), p(x2 ), ..., p(xr ) , skup xi , p( xi ) naziva se
raspodjela vjerovatnoća slučajne varijable x.
5.1 BINOMNA RASPODJELA
Razmatra se eksperiment kod kojeg se pretpostavlja da pojavljivanju izvjesnog

događaja A pripada vjerovatnoća p koja se ne mijenja tokom ponavljanja
eksperimenta. Drugim riječima, pretpostavlja se da se eksperiment u kojem
nastupa događaj A izvodi uvijek pod idealno jednakim uslovima. Vjerovatnoća
da ne nastupi događaj A, što se može označiti kao A , jednaka je q  1  p .
Na primjer, posmatra se rad automata koji radi ujednačeno tokom vremena.
U tom slučaju svakom izrađenom proizvodu pripada ista vjerovatnoća da bude
defektan (p), odnosno uvijek ista vjerovatnoća da bude ispravan (q).
61
Neka se eksperiment u kojem može nastupiti događaj A ponovi n puta. Broj

nastupa događaja A u tih n eksperimenata predstavlja varijablu x, koja može
primiti vrijednosti 0,1,2,...,n . Naime, u n eksperimenata u ekstremnim slučaje-
vima događaj A može uopće ne nastupiti, ili se pak može desiti da nastupi u
svakom od eksperimenata.
Binomna raspodjela (Bernoullijeva funkcija gustine distribucije vjerova-
tnoća) određuje vjerovatnoću da u seriji od n eksperimenata događaj A nastupi
baš x puta, a data je relacijom:
n
P( x)    p x q n  x . (5.1)
 x
Iz izraza (5.1) se vidi da je binomna raspodjela jednoznačno određena

parametrima n i p, pa se kraće označava kao B{n,p}. Parametar p označava
vjerovatnoću povoljnog ishoda za eksperiment s dva moguća alternativna
ishoda, dok parametar q=1−p predstavlja vjerovatnoću drugog alternativnog
(nepovoljnog) ishoda.
Binomna raspodjela je jedna od najvažnijih diskontinuiranih raspodjela i
vrlo često se susreće u kontroli pomoću uzoraka. Slučajna varijabla kod ove
distribucije može uzimati samo cijele pozitivne vrijednosti. Binomna raspodjela
ima izraženu desnu asimetriju (dugačak desni ogranak) za male vrijednosti n i
p<q, za p>q ima negativnu asimetriju. Za dovoljno veliko n, bez obzira na
međusobni odnos parametara p i q, distribucija dobija skoro simetričan oblik.
Primjer 5.1. Jedan automat daje 5% defektnih proizvoda. Pretpostavlja se da automat

radi ujednačeno tokom vremena. Kolika je vjerovatnoća da se u slučajnom uzorku od 5
proizvoda nađu baš dva neispravna proizvoda, a kolika da ne bude ni jedan?
Na osnovu zadate osobine automata, vjerovatnoća izrade defektnog proizvoda (događaj
A) je p=0,05, a vjerovatnoća izrade dobrog proizvoda je q=1−p=1−0,05=0,95. Broj
neispravnih komada (broj nastupa događaja A) u uzorku od 5 proizvoda je slučajna
varijabla x binomne razdiobe P{n=5, p=0,05}. Prema izrazu (5.1) vjerovatnoća je:
n 5
P(2)    p x q n  x    0, 052 0,9552  0, 02143
 x  2
što znači da ako bi se proizvodi pakovali u kutije od po 5 komada (bez prethodnog

odvajanja dobrih od loših proizvoda), 2,1% kutija bi sadržavalo po 2 defektna komada.
62
Vjerovatnoća da u uzorku od 5 proizvoda ne bude ni jedan neispravan je:
5
P(0)    0, 050 0,9550  0, 77378 .
0
Računanje vjerovatnoće P(x) prema formuli (5.1) nije uvijek najpogodnije.

n
Naime, za veće vrijednosti x i n izračunavanje binomnih koeficijenata   može
 x
predstavljati poteškoću. Stoga se, nakon određenih transformacija, vjerovatnoća
može računati i pomoću rekurzivne formule:
n  x 1 p
P( x)  P ( x  1) . (5.2)
x q
Izraz (5.2) omogućuje da se do vjerovatnoće P(x) dođe na relativno jednostavan

način na osnovu prethodne vjerovatnoće P(x−1). Dakle, poznavanjem vrijednosti
P(0) može se jednostavno izračunati P(1), P(2), ... Vrijednost P(0) određuje se
iz:
P(0)  qn , (5.3)
koja direktno slijedi iz izraza (5.1).
Primjer 5.2. Nacrtati krivulju raspodjele vjerovatnoća nalaženja 1,2, 3, 4 i 5 defektnih

komada iz primjera 5.1.
Primjenom izraza (5.3) prvo se računa P(0):
P(0)  qn  0,955  0,77378 .
Ostatak proračuna se vrši korištenjem izraza (5.2), a rezultati su dati u tabeli 5.1.
Raspodjela vjerovatnoća data je na slici 5.1.
63
Tabela 5.1.
n  x 1 p/q P(x)
x x
0 - 0,77378
1 5 0,20362
2 2 0,05263 0,02143
3 1 0,00113
4 0,5 0,00003
5 0,2 0
Σ 1
0,9
P(x)
0,6
0,3
0
0 1 2 3 4 5
x
Slika 5.1. Binomna raspodjela vjerovatnoća za p=0,05, q=0,95 i n=5.
5.2 POISSONOVA RASPODJELA

Do Poissonove raspodjele dolazi se graničnim prelazom na binomnoj raspodjeli,
pustivši da n raste u beskonačnost, ali uz uslov da pri tom proizvod np ostane
konstantan. Zbog ovog uslova slijedi da će porastom n istovremeno p težiti nuli,
jer jedino u tom slučaju np može ostati konstantno. Izvrši li se taj granični prelaz
na izrazu (5.1), slijedi izraz za vjerovatnoću P(x):
x
P ( x)  e   , (5.4)
x!
gdje je μ=np.
64
Kao što je rečeno, binomni raspored pokazuje vjerovatnoće dobijanja x

uspjeha prilikom n opita nekog eksperimenta, tj. Bernoullijevog procesa. Ako je
broj opita veliki, direktno izračunavanje vjerovatnoće za odgovarajuće
vrijednosti slučajne promjenjive postaje komplikovano. Ukoliko je vjerovatnoća
uspjeha vrlo mala (najčešće se uzima p<0,05) i kada je n≥20, umjesto binomnog
modela može se korisiti Poissonov. Može se vidjeti da kada je p blisko nuli, u
stvari se ispituju događaji čija je vjerovatnoća pojavljivanja vrlo mala i koji se
označavaju kao rijetki događaji.
I kod ove distribucije varijabla x može uzeti samo cijele pozitivne
vrijednosti. Može se uočiti da je μ jedini parametar Poissonove raspodjele. Za
proračun μ računa se prvo aritmetička sredina x , koja se koristi za procjenu μ,
nakon čega se računaju vjerovatnoće:
P (0)  e  x ,
x1
P (1)  e  x ,
1!
x2
P (2)  e  x , (5.5)
2!
...
xr
P(r )  e x ,
r!
nakon transformacija, izrazi za računanje vjerovatnoće mogu se napisati u

obliku:
P (0)  e  x ,
x
P (1)  P (0),
1
x
P (2)  P (1), (5.6)
2
...
x
P (r)  P ( r  1).
r
Iz izraza (5.6) uočljivo je da je na ovaj način izbjegnuto računanje faktorijela.

Pošto su u pitanju vjerovatnoće, njihova suma je jednaka jedinici.
65
Pokazuje se da su za Poissonovu raspodjelu koeficijenti asimetrije i spljo-

štenosti:
1 1
3  , 4  3  , (5.7)
 
odakle slijedi da je Poissonova raspodjela uvijek, dakle za svaki μ, pozitivno

asimetrična funkcija. Porastom parametra μ raspodjela postaje sve manje
asimetrična. Radi ilustracije tih svojstava na slici 5.2 prikazane su raspodjele za
koje je μ=0,5, μ=2 i μ=4.
0,6
  
P(x)
0,5
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10
x
Slika 5.2. Poissonova raspodjela za μ=0,5; μ=2 i μ=4.
Primjer 5.3. Zadana je Poissonova raspodjela s parametrom μ=2. Kolika je

vjerovatnoća da u toj raspodjeli varijabla x primi vrijednost 3?
Neposrednom primjenom izraza (5.4) za date podatke slijedi:
x 23
P( x)  e   e2  0,1804 ,
x! 3!
što znači da je vjerovatnoća jednaka 18,04%.
66
5.3 NORMALNA RASPODJELA
Normalna raspodjela je najznačajnija kontinuirana raspodjela koja se susreće u

teoriji i primjenama matematičke statistike. Mnogi problemi u raznim
područjima nauke i tehnike se rješavaju upravo primjenom ove raspodjele.
Zakon distribucije vjerovatnoća normalne krive jeste granični zakon, odnosno
zakon kome se približavaju zakoni drugih distribucija u tipičnim uslovima.
Također, ako slučajna promjenjiva nema normalnu raspodjelu, i ako je nema čak
ni aproksimativno, onda se može relativno jednostavnim transformacijama
pretvoriti u normalnu slučajnu promjenjivu.
Pretpostavka je da se slučajna promjenjiva x realizuje u uslovima djelovanja
mnogobrojnih ravnopravnih i uglavnom nezavisnih i neznatno međusobno
uslovljenih faktora među kojima se ne ističu faktori izuzetnog značenja, tj. nema
dominantnih faktora. Tada se i uticaj svakog od pojedinačnih faktora na konačnu
realizaciju varijable x, uglavnom nadoknađuje učešćem ostalih faktora. U ovim
uslovima za slučajno promjenjivu x kaže se da se realizuje po zakonu normalne
raspodjele.
Za slučajnu varijablu x kaže se da je distribuirana po zakonu normalne
raspodjele ako je područje njene vrijednosti (−,+), a funkcija gustine vjerova-
tnoće:
1  x 
2
1   
f ( x)  e 2   . (5.8)
 2
Uočljivo je da je normalna raspodjela jednoznačno određena očekivanjem μ i

varijansom σ 2 , pa se može uvesti oznaka N{μ,σ 2 }. Na slici 5.3 dat je izgled
P
P
P
P
normalne raspodjele s karakterističnim veličinama.
Slika 5.3. Normalna raspodjela.
67
Iz izraza (5.8) slijedi da je kriva gustine vjerovatnoće simetrična obzirom na

pravac x=μ, gdje ima ekstrem. Tačke infleksije imaju apscise μ σ, pa je krivulja
uža, dakle i viša (površina ispod krivulje uvijek mora biti jednaka jedinici), što je
σ manje. Na slici 5.4 dat je oblik krivulja normalne raspodjele za tri različite
vrijednosti σ.
Kako se vidi, vrijednosti i moda i medijane kod normalne raspodjele su
jednake matematičkom očekivanju tj. Mo=Me=μ. Koeficijent asimetrije je
jednak nula (K a =0), dok je koeficijent spljoštenosti  4  3 .
B B
1 − σ =0,75
1 2 − σ =1
3 − σ =1,5
Slika 5.4. Normalna raspodjela za različite vrijednosti σ i μ=0.
Najveću vjerovatnoću pojavljivanja ima ona vrijednost x i čija je vrijednost

B B
jednaka matematičkom očekivanju μ (koja je u ovom slučaju ujedno i modalna

vrijednost). Što se vrijednost x i više udaljava od μ, to je vjerovatnoća njegovog
B B
pojavljivanja manja.
Uvođenjem smjene:
x
z , (5.9)

gdje je z standardizirano obilježje, izraz (5.8) postaje:
z2
1 
f ( z)  e 2 , (5.10)
 2
68
odnosno:
1
f ( z)   ( z) . (5.11)

Za x  0 i   1 jednačina (5.11) se svodi na funkciju koja je poznata pod
nazivom jedinična (standardizirana) normalna raspodjela:
z2
1 2
f ( z)   ( z)  e . (5.12)
2
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 vjerovatnoća u statističkoj analizi
koristi integral funkcija ili integralni zakon distribucije vjerovatnoća, koji za
normalnu raspodjelu ima oblik:
2
1  x x 
1
x   
( x)   e 2   dx , (5.13)
 2 
i predstavlja vjerovatnoću realizacije događaja kod koga slučajna promjenjiva

ima jednaku ili manju vrijednost od neke unaprijed odabrane vrijednosti x.
Vjerovatnoća da varijabla x primi neku vrijednost iz intervala (x 1 ,x 2 ) B B B B
izražava se prema svojstvu funkcije vjerovatnoće relacijom:

2
x2  1  x  x 
1  
P( x1  x  x2 )   e 2   dx   ( z2 )   ( z1 ) . (5.14)
 2 x1
Integral (5.14) predstavlja, ustvari, površinu nad intervalom (z 1 ,z 2 ) ispod krive B B B B
vjerovatnoće jedinične normalne raspodjele N{0,1}.

U slučaju da je z 1 =0 slijedi x1  x pa je vjerovatnoća:
B B
z2 1
1  z2
P( z2 )  P(   x  x2 ) 
2
e 2 dz   ( z2 ) . (5.15)
0
Ova vjerovatnoća odgovara površini datoj na slici 5.5. Za različite vrijednosti z 2 B B
vjerovatnoće P(z 2 ) daju se tabelarno (tabela u Prilogu B1). Pomoću njih je

B B
moguće odgovarajućim slaganjem izračunati svaku drugu vjerovatnoću pri
69
normalnoj raspodjeli. Kako se vidi, zbog simetričnosti jedinične normalne

raspodjele N{0,1} s obzirom na z=0 vrijedi P( z)  P( z) .
Slika 5.5. Vjerovatnoća kod normalne raspodjele.
Vjerovatnoća da se slučajna promjenjiva x nalazi u nekom intervalu (x 1 ,x 2 ) B B B B
može se, dakle, izračunati pomoću relacije:
P( x1  x  x2 )  P( z1  z  z2 ) (5.16)
tj. vjerovatnoća da slučajna promjenjiva x[x:N{μ,σ 2 }] uzme vrijednost u

P
P
intervalu (x 1 ,x 2 ) jednaka je vjerovatnoći da standardizirana varijabla z[z:N{0,1}]

B B B B
uzme vrijednost u razmaku ( x1   ) /  i ( x2   ) /  , što je grafički ilustrirano

na slici 5.6.
Slika 5.6. Povezanost između normalnog rasporeda N{μ, σ 2 } i jediničnog

P
P
normalnog rasporeda N{0,1}.
70
Primjer 5.4. Za slučajnu promjenjivu z koja ima normalnu raspodjelu N{0,1} odrediti:
(a) P(0 < z < 1,42)

(b) P(–073 < z < 0)
(c) P(–1,37 < z < 2,01)
(d) P(–1,79 < z < –0,54)
(e) P(z > 1,13)
Korištenjem tablica iz priloga B1 tražene vjerovatnoće su:
(a) P(0 < z < 1,42) = Φ(1,42) = 0,4222 = 42,22 %

(b) P(–073 < z < 0) = P(0 < z < 0,73) = Φ(0,73) = 0,2673 = 26,73 %
(c) P(–1,37 < z < 2,01) = P(–1,37 < z <0) + P(0 < z < 2,01) = Φ(1,37) + Φ(2,01) =
= 0,4147 + 0,4778 = 0,8925 = 89,25 %
(d) P(–1,79 < z < –0,54) = P(0,54 < z <1,79) = Φ(1,79) – Φ(0,54) =
= 0,4633 – 0,2054 = 0,2597 = 25,97 %
(e) P(z >1,33) = P(z > 0) – P(0<z<1,13) = 0,5 – Φ(1,13) =
= 0,5 – 0,3708 = 0,1292 = 12,92 %.
Primjer 5.5. Automat proizvodi metalne kuglice mase 24 g s tolerancijom ε = 0,05 g i

standardnom devijacijom σ =0,03 g. Pod pretpostavkom da mase metalnih kuglica imaju
normalni raspored, izračunati procenat broja kuglica u intervalu tolerancije.
Primjenom izraza (5.14) slijedi:

2
24  0,05  1  x  x 
1  
P( x    x  x   )  P(24  0, 05  x  24  0, 05) 
 2  e 2   dx .
24 0,05
Nakon uvođenja smjena:
xx  24  0, 05   24 5
z = =  =  1,67 i
 0, 03 3
dx
dz 

vjerovatnoća se primjenom jedinične normalne raspodjele računa iz izraza:
1,67 1
1  z2
P  e 2 dz   1, 67     1, 67   2 1, 67  
2 1,67
 2  0, 45254  0,90508  90,508%
gdje je P = 0,4524 tablična vrijednost (tabela u prilogu B1) vjerovatnoće za z = 1,67.
71
Primjer 5.6. Obradom rezultata ponovljenih mjerenja temperature vode dobijena je

normalna raspodjela N{μ =20, σ 2 =4}. P
P
(a) Izračunati vjerovatnoću da će se izmjerene vrijednosti nalaziti u intervalu

17÷21,5 0 C.
P
P
(b) Kolika je vjerovatnoća da varijabla x primi bilo koju vrijednost manju od 21,5?
(c) Kolika je vjerovatnoća da varijabla x primi neku vrijednost veću od 21,5 0 C? P
P
(a) Na osnovu značenja vjerovatnoće P(z) i slike 5.7 tražena vjerovatnoća je:
P(17  x  21,5)  P( z1 )  P( z2 ) .
Prethodno je potrebno izračunati z 1 i z 2 : B B B B
x   17  20
z1  1   1,50 ,
 2
x  21,5  20
z2  2   0,75 .
 2
Na osnovu izračunatih vrijednosti z 1 i z 2 (tabela u prilogu B1) se nalaze vjerovatnoće:
B B B B
P(z 1 )=0,43319 i P(z 2 )=0,27337. Stoga je:

B B B B
P(17  x  21,5)  P( z1 )  P( z2 )  0, 43319  0, 27337  0,70656 .
Vjerovatnoća da će se izmjerene vrijednosti nalaziti u intervalu 17÷21,5 0 C iznosi dakle P

P
70,66%.
P(z2)
P(z1)
Slika 5.7.
(b) Vjerovatnoća da varijabla x primi bilo koju vrijednost manju od 21,5 0 C. Na osnovu P
P
slike 5.7 slijedi:
P( x  21,5)  0,5  P( z2 )  0,5  0, 27337  0,77337  77,34% .
Kod izračunavanja ove vjerovatnoće korišteno je svojstvo normalne raspodjele da je

površina nad intervalom (–,μ) ispod krivulje jednaka 0,5.
72
(c) Vjerovatnoća da varijabla x primi neku vrijednost veću od 21,5 0 C prema slici 5.7 je:
P P
P( 21,5  x)  0,5  P( z2 )  0,5  0, 27337  0, 22663  22,66% .
U praktičnoj primjeni normalne raspodjele vrlo često se koriste intervali

   z ,   z  u čijem se središtu nalazi vrijednost očekivanja   x    , pri
prilagođavanju empirijskih podataka normalnoj raspodjeli. Od veličine intervala,
tj. promjenjive z, zavisiće i vjerovatnoća koja mu pripada. Za neke tipične
vrijednosti z na slici 5.8 i u tabeli 5.2 date su vrijednosti vjerovatnoća odgova-
rajućih intervala.
Slika 5.8. Vjerovatnoće za različite vrijednosti σ.
Kako se vidi, pri normalnoj raspodjeli 95,44% svih vrijednosti promjenjive x

zadovoljava nejednakost:   2  x    2 , a 99,73% svih vrijednosti pro-
mjenjive zadovoljava nejednakost   3  x    3 , slika 5.8.
Tabela 5.2. Neke karakteristične statističke sigurnosti kod normalne raspodjele.

Vjerovatnoća Višekratnik Granice unutar kojih se nalazi nP
P, % standardnog mjernih rezultata
odstupanja, z P  z ,   z 
50 0,674 x  0,674
68,3 1 x 
95 1,960 x  1,96
95,44 2 x  2
99 2,576 x  2,576
99,73 3 x  3
99,994 4 x  4
73
5.4 STUDENTOVA ILI t –RASPODJELA

U slučajevima kada se radi o malom broju mjerenja (n<30), umjesto normalne
koristi se Studentova raspodjela. Za slučajnu varijablu t kaže se da je
distribuirana po Studentovoj raspodjeli ako je definisana na intervalu (, ) i
čija funkcija vjerovatnoće ima oblik:
 1
 t2  2
f (t )  C ( ) 1   , (5.17)
  
 
u kojoj je ν prirodan broj i
  1 
 
C ( )   2  , (5.18)
 
    
2
gdje je Γ gama funkcija. 1 TP PT
Kada se standardna devijacija σ ocjenjuje iz uzorka manjeg od 30 jedinica,

standardizirano obilježje z neće imati normalni raspored, pa se transformacija
obilježja u tom slučaju vrši pomoću izraza:
x 
t , (5.19)
s
n
gdje je s ocjena standardne devijacije.
Novo, transformirano obilježje t, prema (5.19) slijedi funkciju t-raspodjele.
Ova raspodjela je simetrična (α 3 =0) isto kao i normalna raspodjela, ali sa
B B
različitom disperzijom (koeficijent spljoštenosti α 4 <3), koja zavisi od broja 

B B
(broj stepeni slobode). Disperzija se smanjuje s porastom  , tako da kada je

  30 razlika između t i normalne distribucije postaje praktično beznačajna.
Općenito, kada    t-raspodjela teži normalnoj pa se u slučajevima kada
je   30 u statistici koristi normalna umjesto t-raspodjele. Ovo je uočljivo na
slici 5.9, gdje se vidi da s porastom  razlika između normalne i t-raspodjele
iščezava. Kod normalne raspodjele je, na primjer, 95% površine obuhvaćeno u
razmaku 1,96 , a kod t-raspodjele je ova površina obuhvaćena za   5 i

TP
1
PT Gama funkcija ima oblik (n)   x n 1e x dx gdje je n pozitivan broj i obično se daje tabelarno.
0
74
2,58 . U prilogu B2 data je tabela vjerovatnoća za t-raspodjelu koja se odnosi

na obje strane krive.
Slika 5.9. Odnos normalne i t-raspodjele.
5.5 PRAVOUGAONA I TROUGAONA RASPODJELA
Za razliku od normalne i Studentove, pravougaona i trougaona raspodjela se u

mjernoj tehnici koriste onda kada ne postoje ponovljena mjerenja, nego se
varijansa i standardna devijacija proračunavaju procjenom koja se zasniva na
svim raspoloživim podacima o mogućoj promjenjivosti varijable x. Takav skup
podataka može uključivati, na primjer, ranije mjerne podatke, proizvođačke
specifikacije i podatke date u potvrdama o umjeravanju. Ove raspodjele našle su
primjenu kod proračuna mjerne nesigurnosti o čemu će više govora biti u
poglavlju 10.
U nekim slučajevima je moguće procijeniti samo granice (gornju i donju)
veličine x, a nekada može biti moguće utvrditi da je vjerovatno da vrijednost
veličine x leži u intervalu od a  do a  za sve praktične svrhe jednaka jedinici, a
vjerovatnoća da x leži izvan tog intervala jednaka nuli, slika 5.10a. Kada o
mogućim vrijednostima veličine x u tom intervalu ne postoji nikakvo posebno
saznanje, može se samo pretpostaviti da je jednako vjerovatno da ona leži bilo
gdje unutar tog intervala (pravougaona raspodjela). Tada je srednja vrijednost:
(a  a )
x , (5.20)
2
sa varijansom:
 a  a 2
s 
2
. (5.21)
12
Ako se razlika granica intervala a   a  označi sa 2a, izraz (5.21) postaje:
75
a2
s2  , (5.22)
3
odakle je standardna devijacija:
a
s . (5.23)
3
(a) (b)
Slika 5.10. Pravougaona ─ (a) i trougaona ─ (b) raspodjela vjerovatnoća.
Skokovite promjene u raspodjeli vjerovatnoće uglavnom nisu prirodne,

naprotiv, realnije je očekivati da vrijednosti u blizini granica intervala budu
manje vjerovatne od vrijednosti u blizini središta tog intervala. Tada je često
razumno zamijeniti simetričnu pravougaonu raspodjelu trapeznom raspodjelom
sa istim bočnim stranicama (jednakokraki trapez), širinom osnovice jednakom
a   a   2a i širinom gornje stranice jednakom 2aβ, gdje je 0    1.
Kada   1 trapezna raspodjela teži pravougaonoj raspodjeli, dok je za β = 0
jednaka trougaonoj raspodjeli. Uz pretpostavku takve trapezne raspodjele,
očekivanje veličine x jednako je x  0,5  a  a  , dok je varijansa:
s2 

a2 1   2 , (5.24)
6
koja za trougaonu raspodjelu (β = 0), slika 5.10b, postaje:
a2
s2  . (5.25)
6
76
Statističke hipoteze
6
STATISTIČKE
HIPOTEZE
Naučna istraživanja često se realizuju tako što se prethodno definiše hipoteza

koja se onda eksperimentalno potvrđuje ili odbacuje. Statistička 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 zaklju-
čaka o karakteristikama (parametrima) statističkog skupa na osnovu posmatranja
samo jednog reprezentativnog dijela tog skupa. Dio skupa na osnovu kojeg se
donose zaključci o izvjesnim karakteristikama datog skupa naziva se uzorak.
6.1 IZBOR I VRSTE UZORAKA
Na osnovu podataka uzorka pribavljaju se informacije o njegovim karakte-

ristikama 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 je
i ocjenu ovih grešaka, zbog čega je statističko zaključivanje postalo opšte
sredstvo istraživanja najraznovrsnijih pojava.
77
Statističko zaključivanje može se podijeliti u dvije oblasti:

─ testiranje statističkih hipoteza,
─ 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 se 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-
rnih 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.
78
Nezavisno izvlačenje podrazumijeva da izbor bilo koje jedinice u uzorak

nema uticaja na vjerovatnoću izvlačenja ostalih jedinica, što nije slučaj kod
konačnih skupova. Kod konačnih skupova izborom jedne, mijenja se
vjerovatnoća izbora drugih jedinica.
Međutim, 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 sukce-
sivnom 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.
Što 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 također 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:
2
 x2  . (6.1)
n
Standardna devijacija rasporeda aritmetičkih sredina uzoraka, koja se naziva i

standardnom greškom aritmetičkih sredina se računa kao:

x  , (6.2)
n
gdje je σ standardna devijacija skupa a n veličina uzorka.

Kada varijansa skupa nije poznata, standardna greška računa se na osnovu
procjene standardne devijacije uzorka:
s
sx  . (6.3)
n
79
Prethodna saznanja će se koristiti kasnije za ocjenu aritmetičke sredine skupa

i testiranje hipoteza o aritmetičkoj sredini skupa na osnovu prostog slučajnog
uzorka u slučajevima kada se može pretpostaviti da je skup, iz kojeg su uzorci
izvučeni, normalno raspoređen.
Dobijen odabiranjem elemenata na principu slučajnosti, uzorak je umanjena
slika osnovnog skupa: njegova aritmetička sredina, varijansa i mjere asimetrije i
spljoštenosti jesu procjene ovih parametara osnovnog skupa.
Ako skup znatnije odstupa od normalnog rasporeda, postavlja se pitanje
kakav će 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 također po

principu slučajnosti, ali na osnovu prethodnog razgraničenja skupa iz kojeg se
uzimaju. Slučajan izbor ovdje znači da svaka jedinica ima određenu 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 što 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 što pruža detaljnije informacije o samoj
pojavi koja se istražuje. Naime, stratifikovani uzorak daje informacije ne samo o
karakteristikama cijelog skupa, nego i o pojedinim njegovim dijelovima.
80
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 (testiranje 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 procedura
(proizvodni proces) bolja od druge, formuliše se hipoteza da nema razlike
između procedura (proizvodnih procesa). Ovakve hipoteze nazivaju se nultim
hipotezama i označavaju se sa H0. Dakle, nulta hipoteza H0 se uvodi kao jedna
pretpostavka koju bi trebalo odbaciti u korist alternativne hipoteze H1, koja
zapravo ima i veći praktični značaj. Ukoliko zaista postoji alternativan, odnosno
protivrječan dokaz kojim se opovrgava nulta hipoteza H0, onda se ona zaista
može i odbaciti i smatrati kao teorijska pretpostavka.
Kada je u pitanju donijeta odluka o prihvatanju ili odbacivanju nulte
hipoteze H0, mogu se pojaviti dvije vrste grešaka. Prvo, ako je nulta hipoteza H0
stvarno istinita (tačna), a da je odbačena, onda je učinjena tzv. greška prve vrste.
U drugom slučaju, ako je tačna alternativna hipoteza H1, a prihvaćena nulta
hipoteza H0, onda je učinjena greška druge vrste tj. pogrešno prihvatanje H0.
Vjerovatnoća pojave greške prve vrste tj. odbacivanja nulte hipoteze H0 kad
je ona tačna iznosi   1  p . Analogno, vjerovatnoća greške druge vrste, tj.
prihvatanja nulte hipoteze H0 kad je ona neistinita iznosi   1  p . Sve
mogućnosti u pogledu istinitosti nulte hipoteze H0 i pravilnosti zaključivanja
prikazane su u tabeli 6.1.
Tabela 6.1. Moguće greške pri statističkoj provjeri hipoteza.

Hipoteza H0 Istinita Neistinita
Greška 1. vrste, Pravilan zaključak,

Odbačena
vjerovatnoća α vjerovatnoća 1−β
Pravilan zaključak, Greška 2. vrste,
Prihvaćena
vjerovatnoća 1−α vjerovatnoća β
81
Vjerovatnoća greške prve vrste α se obično zadaje unaprijed. U primjenama

se redovno koriste vrijednosti   0,05 (rizik od 5%) i   0,01 (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 β. Odnosi ovih vjerovatnoća dati su na slici 6.1.
Slika 6.1. Međusobni odnos parametara provjere statističke hipoteze.
Na primjer, neka je kritična vrijednost za izračunavanje vjerovatnoće za x

označena s xC , 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 tačke xC udesno, smanjuje se α i povećava β i obrnuto.
Ovaj problem se razrješava tako što se prethodno odabere neka mala vrijednost
α, koja se naziva nivo (stepen, prag) značajnosti. Pri tome, očekuje se da i β
bude isto tako mala vrijednost.
Veličina:
 1  (6.4)
naziva se jačina (moć) testa i predstavlja vjerovatnoću da se ne učini greška

druge vrste.
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 vrste
ili rizikom proizvođača. Ako se cijela serija proizvoda prihvati kada ona ne
zadovoljava propisani kvalitet, čini se greška druge vrste čija je vjerovatnoća β
koja se naziva i rizikom druge vrste ili rizikom potrošača.
82
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 σ2 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:
H 0 : E ( x)  0 (6.5)
prema različitim alternativnim hipotezama. Pri tome je μ0 unaprijed zadani broj.

Ako se iz osnovnog skupa uzme uzorak od n elemenata, sa aritmetičkom
sredinom x , kao alternativne hipoteze mogu biti testirane sljedeće hipoteze:
(a) 1 H1 : E ( x)  x  0 . (6.6)
Ako je hipoteza H0 istinita, varijabla
x  0
t , (6.7)
s n
pripada Studentovom rasporedu sa stepenom slobode ν=n–1.

Područje odbacivanja hipoteze H0 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 H0 prikazana su na slici 6.2a. Pri odbacivanju
hipoteze H0 razlika x  0 je signifikantna, što znači da je mala vjerovatnoća da
se pri istinitosti hipoteze dobije tako velika vrijednost t.
1–α 1–α
(a) (b)
Slika 6.2. Područja prihvatanja i odbacivanja hipoteze H0 kod jednostranog t-testa.
83
Izraz stepen slobode se koristi u više značenja koja se međusobno neznatno

razlikuju. U biti, stepen slobode jednog niza varijabli jest broj vrijednosti koje se
mogu označiti proizvoljno unutar specifičnosti osobina niza. Na primjer, za
uzorak od k razreda slijedi ν=k–1, što znači da se k–1 vrijednost može
proizvoljno mijenjati, dok jedna preostala vrijednost ne može.
(b) 2 H1 : E ( x)  x  0 . (6.8)
Područje odbacivanja hipoteze H0 obuhvata vrijednosti t  t , gdje je t tako

odabrana vrijednost varijable t za koju vrijedi: Pt t  t    . Zbog sime-
tričnosti Studentove t-raspodjele s obzirom na t=0, vrijedi jednakost: t1  t .
Područje prihvatanja i odbacivanja hipoteze dato je na slici 6.2b.
S obzirom na svoj karakter, odnosno način na koji su definisana kritična
područja, testovi dati izrazima (6.6) i (6.8) nazivaju se i jednostrani testovi.
(c) 3 H1 : E ( x)  x  0 . (6.9)
Ovaj oblik alternativne hipoteze se najčešće susreće u primjeni. Područje

odbacivanja hipoteze H0 određeno je nejednačinama, (slika 6.3):
x  0 x  0
 t / 2 ,  t1 / 2 (6.10)
s n s n
Slika 6.3. Područje prihvatanja i odbacivanja nulte hipoteze kod dvostranog t-testa.
Pošto je t1 / 2  t / 2 , dvije nejednačine (6.10) mogu se svesti u jednu:
84
x  0
 t1 / 2 . (6.11)
s n
Područje prihvatanja i odbacivanja hipoteze H0 dato je na slici 6.3. Testovi

oblika (6.9) nazivaju se dvosmjerni.
Primjer 6.1. Izračunati pragove značajnosti kod dvostranog t-testa za slučaj n=16 kada
nivo značajnosti iznosi 95 % i 99 %.
(a) Gornji i donji prag značajnosti za vjerovatnoću kritičnih područja   0,05 :
tn 1; 1 2  t161; 10,05 2  t15; 1 0,025  t15; 0,975  2,131 ,

tn 1;  2  t16 1; 0,05 2  t15; 0,025  tn 1; 1 2  2,131 .
(b) Gornji i donji prag značajnosti za vjerovatnoću kritičnih područja   0,01:
tn 1; 1 2  t16 1; 10,01 2  t15; 10,005  t15; 0,995  2,947 ,
tn 1;  2  t161; 0,01 2  t15; 0,005  tn 1; 1 2  2,947 .
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
značajnosti od 95 % provjeriti da li serija iz koje je uzet uzorak ima prosječnu krutost
0  60 N/mm?
Potrebno je testirati hipotezu:
H0 : E( x)  60 N/mm
prema alternativnoj hipotezi tipa:
3 H1 : E ( x)    60 N/mm
Uvrštavanjem odgovarajućih veličina u izraz (6.11) slijedi:
x  0 59, 2  60
t    4, 23 .
s n 0,535 8
Na osnovu stepena slobode ν = n – 1 = 8 – 1 = 7, iz tabele date u prilogu B2 očitava se:

t  t7; 0,05  2,365 i pošto je t  t , nulta hipoteza H0 se odbacuje i kao istinita
prihvata alternativna hipoteza 3H1.
85
Slučaj velikog uzorka

Za uzorke veličine n>31 stepen slobode t-raspodjele je ν>30, pa se ona tada
može aproksimirati jediničnom normalnom raspodjelom. To praktično znači da
se neće učiniti velika greška ako se nulta hipoteza H0 prihvati ako je:
x  0
t   1,96 , (6.12)
s n
odnosno odbaci H0 i prihvati 3H1 ako je t  1,96 pri čemu je rizik 5%.
6.3.2. Testiranje jednakosti srednjih vrijednosti dva osnovna skupa
Neka su x1 i x2 aritmetičke sredine dobijene iz dva uzorka veličine n1 i n2 koji

su izvučeni iz dva osnovna skupa N ( 1 , 1 ) i N ( 2 , 2 ) . Razmatra se hipoteza
da ne postoji razlika između 1 i  2 : H 0 ( 1   2 ) , odnosno hipoteza da su
uzorci izvučeni iz populacija koje imaju istu srednju vrijednost.
Procjena varijanse (združena varijansa) za razmatrana dva uzorka računa se
prema izrazu:
 n1  1 s12   n2  1 s22 ,
s2  (6.13)
n1  n2  2
gdje su s12 i s22 varijanse skupova 1 i 2, dok je standardna greška razlike sredina
x1  x2 :
1 1
sx1  x2  s  . (6.14)
n1 n2
Ako su osnovni skupovi s normalnom raspodjelom, onda veličina t:
x1  x2  ( 1  2 )
t , (6.15)
sx1  x2
ima Studentovu raspodjelu s brojem stepeni slobode   n1  n2  2 . Ako je

hipoteza H 0 ( 1  2 ) tačna, izraz:
86
x1  x2
t (6.16)
sx1  x2
ima također Studentovu raspodjelu.

Za dati broj stepeni slobode mogu se izračunati intervali značajnosti t ; 0,05 i
t ; 0,01 za odgovarajuće vjerovatnoće 0,95 i 0,99:
─ ako je t  t ; 0,05 , nulta hipoteza se ne odbacuje,
─ ako je t  t ; 0,05 , nulta hipoteza se odbacuje s rizikom 5% i kaže se da je
razlika x1  x2 značajna (signifikantna),
─ ako je t  t ; 0,01 , nulta hipoteza se odbacuje s rizikom 1% i kaže se da je
razlika x1  x2 visoko značajna (visokosignifikantna).
Primjer 6.3. U određeno vrijeme i tokom više dana prebrojavani su proizvodi na dvije
istovrsne proizvodne linije. Da li jedna proizvodna linija daje u prosjeku više proizvoda
nego druga (testirati na nivou značajnosti 0,01)? Rezultati prebrojavanja su sljedeći:
A – 211, 150, 170, 210, 150, 197, 200, 170, 192, 162, 167, 94, 210, 160, 190, 174, 93;
B – 150, 96, 143, 176, 74, 204, 230, 170, 155, 120, 150, 140, 140, 50.
Nulta hipoteza u ovom slučaju je da obje proizvodne linije daju isti broj proizvoda:
H 0 : 1  2
dok je alternativna hipoteza tipa:
3 H1 : 1  2 .
Na osnovu zadatih vrijednosti, parametri posmatranih uzoraka su:

─ broj elemenata u uzorcima: n1  17 i n2  14 ,
─ prosječan broj proizvoda: x1  170,588 i x2  142,714 ,
─ varijanse: s12  1255,132 i s22  2270,374 .
Prema izrazu (6.13) procjena varijansa je:
 n1  1 s12   n2  1 s22 17  1 1255,132  14  1  2270,374

s2    1710, 241
n1  n2  2 17  14  2
dok je standardna greška prema (6.14):
87
1 1 1 1
sx1  x2  s   1710, 241  14,925 .
n1 n2 17 14
Na osnovu (6.16) vrijednost varijable t je:
x1  x2 170,588  142, 714

t   1,868 .
sx1  x2 14,925
Broj stepeni slobode iznosi:
  n1  n2  2  17  14  2  29 .
Tablična vrijednost (tabela u prilogu B2), za nivo značajnosti 0,01 iznosi t29; 0,01  2, 756
i pošto je t  t29; 0,01 , onda s rizikom od 1%, odnosno s pouzdanošću 0,99, nulta hipoteza
može biti prihvaćena, tj. razlika između aritmetičkih sredina je slučajna i opterećenje
proizvodnih linija je jednako.
Slučaj velikog uzorka

Studentova raspodjela teži normalnoj kada broj stepeni slobode raste, pa će se u
slučajevima n1  n2  2  30 koristiti normalna raspodjela. Standardna greška u
ovom slučaju se računa prema izrazu:
s12 s22
 x1  x2   , (6.17)
n1 n2
dok se umjesto t ; 0,05 uzima vrijednost 1,96, a umjesto t ; 0,01 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 prosječna produkti-
vnost prve grupe iznosila je 74 jedinice proizvoda sa standardnom devijacijom 8, dok je
u drugoj grupi prosječna produktivnost bila 78 sa standardnom devijacijom 7. Na nivou
značajnosti 0,95 i 0,99 provjeriti da li postoji bitna razlika u produktivnosti.
Nulta hipoteza u ovom slučaju je da su produktivnosti podjednake tj.:
H0: μ1= μ2
dok je alternativna hipoteza tipa:
3 H1 : 1  2 .
88
Stoga, standardna greška se može izračunati korištenjem izraza (6.17):
s12 s22 82 72
 x1  x2      1, 606 ,
n1 n2 40 50
pa je:
x1  x2 74  78
t    2, 49  2, 49 ,
 x1  x2 1,606
Pošto se radi o velikim uzorcima, granična vrijednost za nivo povjerenja od α=5 % je

t0,05  1,96 dok za α=1 % iznosi t0,01  2,58 , a pošto je:
1,96  t  2,58 ,
može se zaključiti sa rizikom od 5% da je razlika u produktivnosti značajna (ali ne i

visokoznačajna) tj. da su radnici drugog pogona produktivniji.
6.4 F-TEST
Kako je rečeno, usporedba aritmetičkih sredina dva uzorka iz normalnih

distribucija može se provesti t-testom jedino uz pretpostavku da normalne
raspodjele iz kojih potiču uzorci imaju jednake varijanse. Testiranje jednakosti
varijansi osnovnih skupova omogućava F-test. Testiranje se provodi varijablom
F-raspodjele.
Neka je nulta hipoteza da su varijanse dva osnovna skupa iz kojih je uzeto n1
i n2 elemenata jednake tj.
H0 :  01
2
  02
2
.
Ako su varijanse osnovnih normalnih distribucija međusobno jednake, varijabla:
s12
F0  , (6.18)
s22
je varijabla F-raspodjele sa stepenom slobode brojnika ν1=n1−1 i nazivnika

ν2=n2−1 (pri čemu se za s12 uzima uvijek veća varijansa).
89
Izračunata veličina F0 uspoređuje se s odgovarajućom tabličnom vrijednosti

Fα= Fα(ν1,ν2) sa α=0,05 ili α=0,01 rizika, pri čemu su moguća tri karakteristična
slučaja, slika 6.4:
Slika 6.4. Prag signifikantnosti kod F-raspodjele.
(a) P( F0  F ) , 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  F ) gdje je α=0,05 ili α=0,01; uzorci ne pokazuju signifikantnu
razliku u varijansama, pa se nulta hipoteza može prihvatiti.
(c) F0,05  F0  F0,01 razlika među varijansama uzoraka je signifikantna ali ne i
visokosignifikantna.
Primjer 6.5. Na osnovu dva uzorka (A i B) dobijene su sljedeće veličine:

A(n1=9, x1  13 , s12  0, 77 ) i
B(n2=12, x2  13,5 , s22  0, 45 ) .
Ispitati da li uzorci pripadaju istim skupovima.
Nulta hipoteza u ovom slučaju je da uzorci pripadaju istim osnovnim skupovima.

Primjenom izraza (6.18) dobija se:
s12 0,77
F0    1,71
s22 0, 45
gdje su stepeni slobode brojnika i nazivnika:
1  n1  1  9  1  8
 2  n2  1  12  1  11
i na osnovu tabela za F-raspored (prilog B4), za α=0,05/0,01 slijede tablične vrijednosti:
90
ν1 8
ν2
11 2,95/4,74 Fα
Može se konstatovati da je F0=1,71<Fα za α=0,05 i α=0,01, pa se zaključuje da uzorci ne

pokazuju signifikantnu razliku u varijansama. Stoga se može tvrditi da uzorci pripadaju
osnovnim skupovima jednakih varijansi.
6.5  2 TEST
Za ispitivanje istinitosti pretpostavke, to jest hipoteze H0 o rasporedu osnovnog

skupa, koristi se  2 (hi-kvadrat) test na osnovu uzorka. Neka je iz osnovnog
skupa slučajno izvučen uzorak od n elemenata koji su grupisani u k razreda gdje
su fi frekvencije elemenata u pojedinim razredima. Ako je hipoteza H0 istinita,
može se očekivati da će se empirijske frekvencije fi podudarati s teorijskim fti.
Izraz:
k
 fi  fti 2
 
2
, (6.19)
i 1 fti
predstavlja mjeru odstupanja empirijskih frekvencija fi od teorijskih fti. Što su

odstupanja manja, to je i  2 manji. Slučajna promjenjiva  2 pripada Gama
rasporedu, i pošto se radi o vrlo asimetričnom rasporedu, postoji samo jedan
prag signifikantnosti.
Za hipotezu je povoljno da je  2 što manje, tj. da je vjerovatnoća za
 2  2 što veća. Ova se vjerovatnoća izražava površinom ispod krivulje u
intervalu ( 2 , +), slika 6.5.
Slika 6.5.  2 i prag značajnosti.
91
U tabeli u prilogu B3 date su za razne vrijednosti stepena slobode  vrijednosti

 2 koje odgovaraju vjerovatnoćama prema relaciji P (  2  2 )   .
Karakteristični slučajevi su:
(a)  2  2 nulta hipoteza se odbacuje, može se sigurno zaključiti da su

odstupanja između empirijskih i teorijskih frekvencija prevelika.
(b)  2  2 nulta hipoteza se prihvata.
Vjerovatnoće α nazivaju se kritičnim koeficijentima hipoteze o slaganju empi-
rijske i teorijske raspodjele (α je rizik prihvatanja hipoteze). U praksi se obično
uzima α = 0,05 ili α = 0,01.
Broj stepeni slobode se računa prema obrascu:
  r  l 1 . (6.20)
gdje je r broj sabiraka sume u izrazu za  2 , a l broj nepoznatih parametara
pretpostavljene raspodjele izračunatih iz uzorka. Tako je broj stepeni slobode
kod uniformne raspodjele ν = k–1, kod normalne ν = k–2–1= k–3 (vrši se
procjena dva parametra), binomne i Poissonove ν = k–2. Praktično se  2 ne
koristi za razred čije su frekvencije manje od 5. Tada se nekoliko krajnjih
frekvencija sabira dotle dok kumulativna frekvencija ne bude veća ili jednaka 5.
Primjer 6.6. Izvršeno je mjerenje električnog otpora uzorka sačinjenog od 100

otpornika čija je nazivna otpornost R=1 kΩ. Rezultati mjerenja razvrstani su u 14 razreda
i dati su u tabeli 6.2. Provjeriti da li se dobijena raspodjela frekvencija može
aproksimirati normalnom raspodjelom.
Tabela 6.2.
 
R. xd xg 2
br. Ci fi f i Ci Ci  x fi Ci  x
1 [965 970) 967,5 1 967,5 –32 1024
2 [970 975) 972,5 1 972,5 –27 729
3 [975 980) 977,5 2 1955 –22 968
4 [980 985) 982,5 5 4912,5 –17 1445
5 [985 990) 987,5 9 8887,5 –12 1296
6 [990 995) 992,5 13 12902,5 –7 637
7 [995 1000) 997,5 20 19950 –2 80
8 [1000 1005) 1002,5 21 21052,5 3 189
9 [1005 1010) 1007,5 12 12090 8 768
10 [1010 1015) 1012,5 9 9112,5 13 1521
11 [1015 1020) 1017,5 4 4070 18 1296
12 [1020 1025) 1022,5 2 2045 23 1058
13 [1025 1030) 1027,5 0 0 28 0
14 [1030 1035) 1032,5 1 1032,5 33 1089
Σ 100 99950,0 12100
92
Na osnovu izračunatih podataka u tabeli 6.2, dobijaju se vrijednosti za aritmetičku

sredinu, varijansu i standardnu devijaciju uzorka:
1 k
 fiCi  100 99950  999,5 Ω,
1
x
n i 1
1 k
 fi Ci  x   1
2
s2   12100  122, 22 Ω2,
n  1 i 1 100  1
s   s 2  122, 22  11, 06 Ω.
Kako se iz tabele 6.2 vidi, frekvencije iz prva četiri razreda potrebno je grupisati jer su
manje od 5. Isto je potrebno učiniti i sa zadnja četiri razreda. Na taj način dobije se osam
razreda koji su prikazani u tabeli 6.3.
Tabela 6.3.
R.
xi─1 xi fi zi─1 zi P(zi─1) P(zi) fti
 fi  fti 2
br.
fti
1 985 9 –1,31 0,5 0,4049 9,51 0,027
2 985 990 9 –1,31 –0,86 0,4049 0,3051 9,98 0,096
3 990 995 13 –0,86 –0,41 0,3051 0,1591 14,60 0,175
4 995 1000 20 –0,41 0,05 0,1591 0,01994 17,90 0,245
5 1000 1005 21 0,05 0,50 0,01994 0,1914 17,15 0,866
6 1005 1010 12 0,50 0,95 0,1914 0,3289 13,75 0,223
7 1010 1015 9 0,95 1,40 0,3289 0,4192 9,03 0
8 1015 7 1,40 0,4192 0,5 8,08 0,144
Σ 1,778
Vrijednosti standardiziranih varijabli zi─1 i zi za svaku donju (xi─1) ili gornju (xi) granicu
intervala se dobijaju pomoću izraza:
xi  x
zi  .

Na osnovu vrijednosti standardiziranih varijabli, iz tabele za jediničnu normalnu

raspodjelu (prilog B1) očitavaju se vrijednosti pripadajućih vjerovatnoća P(zi─1) i P(zi).
Konačno, očekivane (teorijske) frekvencije fti se dobiju korištenjem izraza:
fti  100 P( zi 1 )  P( zi )  .
Valja napomenuti da se kod prelaznog razreda (razred u kojem su zi–1 i zi različitog

predznaka – razred 4), vjerovatnoće sabiraju.
93
Konačno, korištenjem izraza (6.19) računa se veličina  2 :
k
 fi  fti 2  9  9,512  7  8, 082
2     ....   1, 778 .
i 1 fti 9,51 8, 08
U razmatranom slučaju broj stepeni slobode iznosi: ν=8–3=5 na osnovu kojeg se iz

tabele (prilog B3) očitava vjerovatnoća koja iznosi približno 0,87 (87%), (izračunata
vrijednost pada između vjerovatnoća 0,8 i 0,9). Može se konstatovati da je slaganje
dobijene raspodjele s normalnom vrlo dobro (vjerovatnoća da vrijednost 1,778 bude
nadmašena je oko 87%. Na slici 6.6 dat je izgled eksperimentalno dobijene i teorijske
raspodjele frekvencija gdje se može uočiti dobra podudarnost.
25 Izmjerene vrijednosti
f(R)
Teorijska raspodjela
20
15
10
0
965
970
975
980
985
990
995
1000
1005
1010
1015
1020
1025
1030
R, 
Slika 6.6. Teorijski i raspored frekvencija dobijen mjerenjem.
94
Regresiona analiza
7
REGRESIONA
ANALIZA
Regresiona analiza je statistički metod koji omogućuje iznalaženje funkcionalne

veze, ako ona uopšte postoji, između jedne zavisno promjenjive i jedne ili više
nezavisno promjenjivih veličina. Ova veza se izražava preko matematičkih
modela, obično u obliku jednačine koja povezuje zavisno promjenjivu s
nezavisno promjenjivim veličinama uz uvažavanje odgovarajućih pretpostavki i
ograničenja. Tako dobiven matematički model naziva se funkcija regresije koja
u opštem slučaju također zavisi i od skupa drugih (nepoznatih) faktora.
Praktične koristi primjene regresione analize ogledaju se u tome što
ustanovljena zavisnost razotkriva uzročno-posljedične veze između promjenjivih
i što je s regresionim modelima moguće predviđanje ili procjenjivanje
vrijednosti zavisno promjenjive. Mogućnost procjenjivanja zavisno promjenjive
je bitna u slučajevima kada je njeno mjerenje otežano, dugotrajno ili skupocjeno.
7.1 ODREĐIVANJE REGRESIONE FUNKCIJE
Zadatkom regresione analize smatra se rješenje problema odabiranja kao i

analitičkog izražavanja teoretske krive, koja najbolje predstavlja zakonitost
promjene posmatrane zavisno promjenjive i nezavisno promjenjivih veličina.
Uzajamno zavisnim veličinama mogu se smatrati, na primjer, težina i visina
čovjeka, uspjeh u srednjoj školi i na fakultetu, prinosi određene poljoprivredne
kulture i količine utrošenih hemikalija i dr. Najčešće korištene funkcije su
linearna, potencijalne, logaritamske, eksponencijalne krive, kao i polinomi
drugog, trećeg i višeg reda.
95
Regresiona analiza
Za n eksperimenata postoji n parova (xi,yi) i=1,2,...,n koji se mogu dijagra-

mski prikazati i tako formirati tzv. dijagram rasturanja, odnosno dijagram
rasipanja, slika 7.1.
12
y
10 y = 0.0056x3 - 0.1729x2 + 1.7494x - 0.3961

r 2 = 0.86
8
2 y = 0.3127x + 2.2716
r 2 = 0.7055 Eksperimentalni podaci
0
0 2 4 6 8 10 12 14 16 18 20
x
Slika 7.1. Aproksimacija skupa tačaka različitim funkcijama.
Problem se sastoji u tome da se odabere i analitički odredi takva kriva koja će

najbolje opisivati odnosno aproksimirati razmatrani empirijski niz tj. skup tačaka
(xi,yi). Drugim riječima, traži se ona kriva koja je najmanje udaljena od datih
tačaka, odnosno kriva koja je najbolje ''provučena'' kroz posmatrani skup tačaka.
Za izbor odgovarajućeg tipa krive ne postoji neko univerzalno pravilo. U
praksi se koristi nekoliko osnovnih metoda ili pravaca koji se najčešće
kombinuju. Ilustracije radi, na slici 7.1 prikazani su rezultati jednog mjerenja, pri
čemu je izvršena aproksimacija rezultata mjerenja pomoću dvije funkcije. Prva
funkcija je linearna, dok je druga polinom trećeg reda. Jednačine ovih funkcija
date su na dijagramu zajedno sa mjerom rasturanja (indeksom poklapanja) r2. Na
jednom segmentu nezavisno promjenjive (x10÷x16), dobra aproksimacija se može
postići i linearnom funkcijom, dok se generalno bolja aproksimacija postiže
polinomom trećeg reda (veća vrijednost indeksa poklapanja r2), koji ima oblik:
y  f ( x)   0  1 x   2 x 2  3 x 3 , (7.1)
gdje su βj (j=0,1,2,3) koeficijenti polinoma.

Navedenim polinomom je moguće matematički dobiti bilo koje vrijednosti
funkcije y=f(x), koje su vrlo bliske eksperimentalnim, što može značiti da je
96
Regresiona analiza
dobijena dobra aproksimacija na razmatranom segmentu. Međutim, ovo ne znači

da je postignuta isto tako dobra aproksimacija i izvan posmatranog segmenta, tj.
na cijelom intervalu nezavisno promjenjive.
Dakle, s povećanjem stepena ili reda polinoma, dobija se i veći broj
koeficijenata polinoma βj i samim tim postiže veća saglasnost polinoma kao
matematičkog modela i eksperimentalnih podataka. Često povećanje stepena
polinoma može dati i suprotne, negativne efekte. Naime, povećavanje stepena
polinoma u suštini ne obuhvata samo zakonitosti promjene zavisno promjenjive,
nego se isto tako, što je vrlo nepoželjno, obuhvataju i slučajna odstupanja ili
nagle promjene statističke prirode. Znači, u izvjesnim slučajevima, povećavanje
stepena polinoma može doprinositi udaljavanju od linije regresije.
U praktičnim situacijama, za svaki pojedinačni slučaj se traži ona
matematička funkcija koja, sa što manjim brojem parametara, bolje opisuje
posmatranu pojavu. Iznalaženje regresione funkcije sastoji se od sljedećih
koraka:
— izbor regresionog modela,
— ocjena (izračunavanje) parametara βj za izabrani model i
— provjera određenih statističkih hipoteza o adekvatnosti regresionog
modela u prognostičke svrhe.
7.2 PODJELA SUMA KVADRATA ZAVISNO PROMJENJIVE
Analizom odstupanja u slučaju kada je regresioni polinom prvog stepena

(linearna regresija), slika 7.2, vidi se da je svako odstupanje izmjerene
(empirijske) vrijednosti zavisno promjenjive yi od aritmetičke sredine y
jednako zbiru odstupanja izmjerene vrijednosti yi od vrijednosti procijenjene
pomoću regresione prave ŷ i odstupanja procijenjene vrijednosti ŷ od
aritmetičke sredine y tj:
 yi  y    yi  yî    yî  y  , (7.2)
odnosno:
 yi  yî    yi  y    yî  y  . (7.3)
97
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 jednačine (7.3) i sumiranjem za n tačaka, slijedi:
  yi  yî     yi  y   2  yi  y  yî  y     yî  y  .

2 2 2
(7.4)
Drugi član na desnoj strani jednačine (7.4) uz yî  y  b1 ( xi  x ) može se

prikazati kao:
2  yi  y  yî  y   2  yi  y   y  b1  xi  x   y  

(7.5)
 2b1   yi  y  xi  x   2  yî  y 
2
gdje je b1 parametar regresije (koeficijent pravca). Unosom izraza (7.5) u (7.4) i

nakon preuređenja dobija se:
  yi  y     yi  yî     yî  y 
2 2 2
. (7.6)
98
Regresiona analiza
Prvi sabirak na desnoj strani jednačine (7.6) predstavlja sumu kvadrata

odstupanja izmjerenih vrijednosti zavisno promjenjive od očekivanih
(modelskih) vrijednosti i naziva se rezidualna suma kvadrata (Srez). Ova suma
predstavlja 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 često naziva i
neobjašnjena varijacija.
Drugi sabirak na desnoj strani izraza (7.6) predstavlja sumu kvadrata
odstupanja modelskih vrijednosti zavisno promjenjive od njene aritmetičke
sredine i naziva se regresiona suma kvadrata (Sreg). Ova suma obuhvata onaj dio
varijabiliteta zavisno promjenjive koji nastaje kao rezultat djelovanja faktora x, a
kada se pri tom isključi djelovanje svih ostalih faktora, pa se naziva i objašnjena
varijacija.
Lijeva strana izraza (7.6) predstavlja sumu kvadrata odstupanja izmjerenih
vrijednosti zavisno promjenjive od njene aritmetičke sredine i naziva se ukupna
suma kvadrata (ST). Ova suma predstavlja zbir prethodne dvije sume kvadrata pa
se naziva i ukupna ili totalna varijacija.
Grafička interpretacija ukupne, objašnjene i neobjašnjene varijacije data je
na slici 7.3.
(a) (b) (c)

Slika 7.3. Grafička interpretacija ukupne (a), objašnjene (b) i neobjašnjene (c) varijacije.
Odnos regresione i ukupne sume kvadrata naziva se koeficijent determinacije i

obilježava se sa r2:
Sreg
r2  . (7.7)
ST
99
Regresiona analiza
Koeficijent determinacije predstavlja relativni udio objašnjene varijacije prema

ukupnoj varijaciji. S druge strane odnos:
S rez
 1 r2 , (7.8)
ST
se naziva koeficijentom alijenacije i on predstavlja razliku ukupne varijacije

označene kao 1 i koeficijenta determinacije. Prethodno definisane sume kvadrata
i koeficijenti se mogu prikazati kao u tabeli 7.1.
Tabela 7.1. Odnosi između suma kvadrata.

Suma
Varijacija kvadrata Struktura
Objašnjena Sreg r2
Neobjašnjena Srez 1 r2
Ukupna ST 1
Svaku sumu kvadrata prati odgovarajući stepen slobode, koji pokazuje na

osnovu koliko nezavisnih mjerenja (obavještenja) se ta suma kvadrata zasniva.
Neka istraživanje obuhvataju n mjerenja koja daju y1,...,yn obavještenja preko
kojih se opet dolazi do sume kvadrata. Ako je ukupna suma kvadrata izračunata
na osnovu razlika yi  y , a pošto je suma tih razlika jednaka nuli, dobije se
ukupni broj stepeni slobode n–1. Naime, n–1 posmatranja su nezavisni, dok n-to
posmatranje nije.
Objašnjena varijacija se može izračunati na osnovu parametra regresije b1,
pa stoga regresiona suma kvadrata ima jedan stepen slobode. Suma kvadrata
neobjašnjene varijacije, s obzirom na y i b1, imaće n–2 stepeni slobode. Kao i
sume kvadrata, i stepeni slobode imaju osobinu aditivnosti, tj.
 T  reg  rez  1  n  2  n  1 . (7.9)
Ako se sume kvadrata podijele s odgovarajućim stepenima slobode, dobiju se

sredine kvadrata (engl. Mean of Squares - MS), koje se nazivaju varijansama. U
tabeli 7.2 data je analiza varijanse u opštem slučaju za prostu linearnu regresiju.
100
Regresiona analiza
Tabela 7.2. Analiza varijanse za prostu linearnu regresiju.

Varijacija Broj stepeni Suma Sredina
slobode kvadrata kvadrata
Sreg
Regresiona
 reg  1 Sreg MSreg  sreg
2

 reg
S rez
MS rez  srez
2

Rezidualna
 rez  n  2 Srez  rez
ST
MST  sT2 
Ukupna
T  n 1 ST T
7.3 OPŠTI LINEARNI REGRESIONI MODEL
U mnogim tehničkim, ekonomskim i drugim problemima susreće se situacija da

jedna od slučajno promjenjivih, na primjer Y, zavisi od više nezavisnih veličina
X1, X2,...,Xk-1. U tom slučaju radi se o višestrukoj linearnoj regresiji čija opšta
regresiona jednačina ima oblik:
(7.10)
Da bi se moglo odrediti k nepoznatih koeficijenata (parametara) regresije

 j , j  0,1,2,..., k  1 , potrebno je svaku od nezavisno promjenjivih veličina
X j , j  1,2,..., k  1 izmjeriti k puta, uz uslov međusobne nezavisnosti veličina
Xj. Na ovaj način se dobije sistem od k linearnih jednačina.
U cilju svođenja greške mjerenjem εi na najmanju moguću mjeru obično se
vrše uzastopna, ponovljena mjerenja svake od veličina Xj. Nakon izvršenih n
uzastopnih mjerenja (n > k) svake od veličina Xj, dobija se niz vrijednosti
Y1,Y2,...,Yn za zavisno promjenjive Y, što se može pisati u obliku sistema
linearnih jednačina:
Yi   0  1 x1i   2 x2i  ...   k 1 xk 1,i   i , (7.11)
za i  1,2,..., n i j  1, 2,..., k  1 pri čemu xij predstavlja i-tu vrijednost varijable

Xj i gdje su εi nekorelirane slučajne veličine koje su rezultat nepreciznosti
mjerenja. Za dovoljno veliko n skup ε ima normalnu distribuciju.
Sistem jednačina (7.11) u matričnom obliku glasi:
101
Regresiona analiza
 y1  1 x11 x12 x1,k 1   0   1 

  1 x  
 y2    x22 x2,k 1   1    2 

21
, (7.12)
      
      
 yn  1 xn1 xn 2 xn,k 1    k 1    n 
odnosno u vektorskoj formi:
Y  Xβ  ε . (7.13)
Pravougaona matrica X tipa (n,k) s poznatim elementima xij naziva se regresiona

matrica ili matrica plana. Jednačina (7.12) predstavlja opšti linearni regresioni
model.
Kako se vidi, sistem jednačina (7.12) ima više jednačina nego nepoznatih i u
tom smislu nije saglasan. Pored toga, može se usvojiti da razlike između pravih
vrijednosti x=x(xj), j  1,2,..., k  1 , i zavisno promjenjivih veličina koje nisu
poznate i onih dobijenih mjerenjem mogu biti zanemarene, tj. E(ε)=0.
Za određivanje adekvatnog oblika funkcije regresije čiji je vektorski oblik:
ˆ  XB
Y ˆ, (7.14)
potrebno je minimizirati razliku između izmjerenih i pretpostavljenih vrijednosti.

Za određivanje onih parametara regresije bi koji jednačinom (7.14) najbolje
reprezentuju skup eksperimentalnih tačaka, koristi se metoda najmanjih
kvadrata. Prema samom nazivu metode, postavlja se uslov da suma kvadrata
odstupanja posmatranih vrijednosti Y od regresione funkcije Ŷ bude minimalna
tj.
ˆ  Y  XB
R YY ˆ, (7.15)
tj. kvadrat rezidualnog vektora-kolone R treba biti minimalan:
 
ˆ ' Y  XB
R 2  min Y  XB ˆ ,  (7.16)
čijim se se izjednačavanjem s nulom dobija sistem normalnih jednačina:
ˆ  X'Y .
X ' XB (7.17)
102
Regresiona analiza
Matrična jednačina (7.17) predstavlja sistem od k jednačina s k nepoznatih (β0,

β1,..., β k─1). Iz izraza (7.17) može se izračunati vrijednost statističke ocjene:
ˆ   X ' X 1 X ' Y ,

B (7.18)
parametara β regresione funkcije koji predstavljaju nepoznate koeficijente.

Matrica X'X je:
— kvadratna matrica veličine (k,k). Naime, matrica X je veličine (n,k) a
matrica X' veličine (k,n), pa je njihov unutrašnji proizvod (k,n)(n,k)=(k,k),
— regularna,
— simetrična, jer vrijedi (X'X)' =X'X i
— pozitivno definitna jer je determinanta X ' X  X  0 .
2
7.3.1. Prosta linearna regresija
Primjer primjene izraza (7.17) biće pokazan za slučaj proste linearne regresije
kada između dvije promjenjive X i Y postoji linearna zavisnost oblika:
Yi   0  1 xi   i , (7.19)
gdje su β0 i β1 koeficijenti ili parametri regresije, čije se vrijednosti na osnovu

podataka za yi i xi, i=1,2,...,n mogu ocijeniti preko vrijednosti koeficijenata
regresije b0 i b1 u jednačini regresione prave:
ŷ  b0  b1 x  e . (7.20)
Analogno je i pogreška e statistička ocjena za ε, čije je matematičko očekivanje

E ( )  0 i  ~ N  0, 2  . U zavisnosti od eksperimenta, obje varijable X i Y
mogu biti slučajne veličine i tada se može razlikovati regresija Y po X ili X po Y.
Na primjer, regresija Y po X prikazana je na slici 7.4.
103
Regresiona analiza
Slika 7.4. Model proste linearne regresije.
Za određivanje parametara b̂0 i b̂1 regresione prave prvo se formira sistem

normalnih jednačina odnosno vektorska jednačina (7.17):
ˆ  X'Y .
X ' XB (7.21)
Regresiona matrica plana X i njena transponovana matrica X' date su izrazima:
1 x1 
 
 1 x2  1 1 1 
X X'  
xn 
, , (7.22)
   x1 x2
 
1 xn 
pod uslovom da svi xi nisu međusobno jednaki, dok je njihov unutrašnji

proizvod:
1 x1   n

1 1

1  1 x2  
 n  xi 
 .
i 1
X'X  
xn  
(7.23)
 x1 x2   n n

    xi x  2
i
1 xn   i 1 i 1 
Slično je:
104
Regresiona analiza
 y1   n 
1 1

1   y2    yi 
 n
i 1
X'Y    . (7.24)
 x1 x2 xn     
    xi yi 
 yn   i 1 
Sistem normalnih jednačina (7.21) se svodi na:
 n

 n 
 n  xi  bˆ    yi 
 i 1
  0    i 1  , (7.25)
 n  ˆ n 
 xi2   b1   xi yi 
n
  xi
 i 1 i 1   i 1 
odnosno:
n n
bˆ0 n  bˆ1  xi   yi
i 1 i 1
n n n
(7.26)
bˆ0  xi  bˆ1  xi2   xi yi
i 1 i 1 i 1
čije je rješenje:
1
 n
  n   n 2 n
 n 
bˆ0  
n  xi   i  y
1   xi  xi    yi 
   n   i 1   i 1 
i 1
 i 1
 i 1
ˆ
 b1    xi 2 n    x  n 
2

n n n n
 xi   i i x y n  i   i   
x 2
 x i n    xi yi 
 i 1 i 1   i 1  i 1  i 1  i 1   i 1 
(7.27)
odakle je:
n n n n
 yi  xi2  xi  xi yi
bˆ0  i 1 i 1 i 1 i 1
2
n
 n
n  x    xi  2
i
i 1  i 1 
n n n n
(7.28)
n  xi yi   xi  yi   xi  x  yi
bˆ1  i 1 i 1 i 1
2
 i 1
n
.
n
 n
  xi  x 
2
n  x    xi  2
i
i 1  i 1  i 1
105
Regresiona analiza
Ako se prva od normalnih jednačina (7.26) podijeli s n slijedi:
bˆ0  bˆ1 x  y ili

(7.29)
bˆ  y  b x
0 1
što znači da regresiona prava prolazi kroz tačku ( x , y ) . Parametar b̂1 se obično
naziva koeficijent regresije, a b̂0 slobodni član regresione jednačine.
Iz jednačine (7.29) neposredno slijedi da je za bˆ1  0 nepristrasna ocjena za

slučajno promjenjivu Y po X jednaka njenoj aritmetičkoj sredini Y ( bˆ ) tj: 0
Y  E( X X  xi )  Y , za i  1,2,..., n , (7.30)
drugim riječima, između varijabli X i Y ne postoji nikakva funkcionalna

zavisnost.
Primjer 7.1. Izvesti, bez upotrebe matričnog računa, primjenom metode najmanjih
kvadrata, jednačine iz kojih se mogu odrediti parametri regresionog polinoma prvog
stepena.
Prema metodi najmanjih kvadrata, postavlja se uslov da suma kvadrata odstupanja

izmjerenih vrijednosti yi od regresione prave ŷ bude minimalna tj.
n n n
min   i2  min  ei2  min   yi  yî 
2
i 1 i 1 i 1
odnosno:
 
n
S =  yi  bˆ0  bˆ1 xi
2
 min .
i 1
Ako se želi naći minimum ove funkcije, potrebno je naći parcijalne izvode po
nepoznatim koeficijentima b̂0 i b̂1 :
S
 
n
 2 yi  bˆ0  bˆ1 xi
bˆ 0 i 1
S
 
n
 2 xi yi  bˆ0  bˆ1 xi ,
bˆ 1 i 1
i izjednačiti ih s nulom (pošto se traži minimum funkcije f  f (bˆ0 , bˆ1 ) ), čime se dobija:
106
Regresiona analiza
 y 
n
i  bˆ0  bˆ1 xi  0
i 1
x y 
n
i i  bˆ0  bˆ1 xi  0
i 1
odakle nakon preuređenja slijede izrazi:
n n
y
i 1
i bˆ0 n  bˆ1  xi
i 1
n n n
x y
i 1
i i bˆ0  xi  bˆ1  xi2
i 1 i 1
koji zapravo predstavljaju jednačine (7.26) čijim se rješavanjem dobiju koeficijenti

(7.28).
Primjer 7.2. Mjerenje temperature (X) u 0C i procenta vlage (Y) u jednoj prostoriji
vršeno je u pet navrata. Prvo i zadnje mjerenje je izvršeno prije započinjanja i nakon
završetka određenog tehnološkog procesa koji se odvijao u prostoriji, dok su ostala
mjerenja izvršena u toku procesa. Podaci o izmjerenim vrijednostima dati su u tabeli 7.3.
Za izmjereni skup podataka pronaći regresionu jednačinu.
Tabela 7.3
Broj
mjerenja X Y
1 18 56
2 19 55,4
3 19,4 53
4 19,6 51
5 20 48,6
Ukupno 96 264
Za izračunavanje parametara b̂0 i b̂1 potrebno je formirati sistem normalnih jednačina

(7.21). Prema podacima iz tabele 7.3 definišu se matrice:
 56  1 18 
55, 4  1 19 
    1 1 1 1 1 
Y   53  , X  1 19, 4  , X ' =  ,
    18 19 19,4 19,6 20 
51  1 19, 6 
 48, 6  1 20 
i odgovarajući unutrašnji proizvodi matrica:
107
Regresiona analiza
1 18 
1 19 
1 1 1 1 1   5 96 
X ' X=    1 19, 4  ,
18 19 19,4 19,6 20    96 1845,52 
1 19, 6 
1 20 
 56 
55, 4 
1 1 1 1 1    264 
X ' Y=    53    ,
18 19 19,4 19,6 20    5060, 4 
51 
 48, 6 
pa se sistem normalnih jednačina svodi na oblik:
5 96  bˆ0   264 
96 1845,52   ˆ   5060, 4  ,
  b1   
ili u obliku (7.26):
5bˆ0  96bˆ1  264

96bˆ0  1845,52bˆ1  5060, 4
čija su rješenja: bˆ01  122,32 i bˆ1  3, 62 pa je jednačina regresione prave:
y  122,32  3,62x ,
koja je prikazana na slici 7.5.

Problem se svakako mogao riješiti i direktnom primjenom formula (7.28), pri čemu
se prethodno formira tabela oblika 7.4 s pomoćnim veličinama.
Tabela 7.4
R. xi yi xi2 xi yi
br.
1 18,0 56,0 324,00 1008,0
2 19,0 55,4 361,00 1052,6
3 19,4 53,0 376,36 1028,2
4 19,6 51,0 384,16 999,6
5 20,0 48,6 400,00 972,0
 96,0 264,0 1845,52 5060,4
108
Regresiona analiza
Direktnom primjenom izraza (7.28) dobiju se koeficijenti pravca:

n n n n
 y  x  x  x yi
2
i i i i
264 1845,52  96  5060, 4
bˆ0  i 1 i 1 i 1 i 1
  122,32
n
  n 2
5 1845,52  962
n xi2    xi 
i 1  i 1 
n n n
n xi yi   xi  yi
5  5060, 4  96  264
bˆ1  i 1 i 1 i 1
  3, 62 .

n
 n 2
5 1845,52  96 2
n xi2    xi 
i 1  i 1 
58
Izmjerene vrijednosti
56
Vlaga, %
54
y = -3,6207x + 122,32
52
50
48
17,5 18 18,5 19 19,5 20 20,5
Temperatura
Slika 7.5. Aproksimacija podataka prema tabeli 7.3 linearnom funkcijom.
Ako su eksperimentalni podaci dati u obliku niza proste distribucije

frekvencija, onda se matrica plana X'X formira pomoću skalarnog proizvoda
matrica Fx'X gdje je matrica Fx':
 f1 f2 fn 
Fx '   , (7.31)
 f1 x1 f 2 x2 f n xn 
čiji je unutrašnji proizvod:
1 x1   n n

f n  1 x2     fi xi 
  fi
f f2
 
i 1 i 1
Fx ' X   1  (7.32)
 f1 x1 f 2 x2 f n xn     n n

    fi xi fx  2
i i
1 xn   i 1 i 1 
109
Regresiona analiza
n
za i  1,2,..., n i N   f i .
i 1
Slično je:
 y1   n 
 f1 f2 
f n   y2     f i yi 
    n
i 1
Fx ' Y   . (7.33)
 f1 x1 f 2 x2 f n xn   
    f i xi yi 
 yn   i 1 
Sistem normalnih jednačina (7.21) se svodi na:
 n n

 n 
  fi  fi xi  bˆ    fi yi 
 i 1 i 1
  0    i 1 , (7.34)
 n n
2  ˆ n 
  fi xi  fi xi   1   fi xi yi 
b
 i 1 i 1   i 1 
odnosno:
n n n
bˆ0  f i  bˆ1  f i xi   f i yi
i 1 i 1 i 1
n n n
(7.35)
bˆ0  f i xi  bˆ1  f i xi2   f i xi yi .
i 1 i 1 i 1
7.3.2. Interval pouzdanosti za parametre regresije
Za model proste linearne regresije
yi  0  1 xi   i i  1, 2,..., n (7.36)
ako su greške 1 ,  2 ,...,  n nezavisne slučajne veličine distribuirane po zakonu

normalne raspodjele  ~ N  0, 2  , onda se za testiranje hipoteze:
H 0 : bˆ1  0
(7.37)
H : bˆ  0
1 1
110
Regresiona analiza
može koristiti F – distribucija odnosa regresione i rezidualne varijanse:
2
sreg
F0  2
. (7.38)
srez
Prilikom ovog testiranja obično se, radi preglednosti, formira tabela za analizu
varijanse (tabela 7.5).

Izvor Suma Broj stepeni F0 -
varijacije kvadrata slobode Varijansa
odnos
S reg 2
 reg  1 sreg
S reg    yî  y 
Regresija 2
MS reg  sreg
2
 F0 
(faktor x) i
 reg 2
srez
Ostali  rez  n  2 Srez

S rez    yi  yˆ  MSrez  srez 
2 2
faktori
i
 rez
Ukupna  T   rez  reg ST

ST    yi  y  MST  sT2 
2
i  n 1 T
Rezidualna greška ili standardna greška ocjenjene vrijednosti ŷ za slučajnu

varijablu Y predstavlja pozitivnu vrijednost kvadratnog korijena iz rezidualne
varijanse:
1 n
srez   ( yi  yî )2
n  2 i 1
(7.39)
Na osnovu podataka iz tabele 7.5. izračunava se F-odnos:
n
Sreg
bˆ12  ( xi  x )2
bˆ12
2
s 1 
F0   i 1

reg
2 2 2
. (7.40)
srez
Srez srez srez
n2 n
 ( xi  x )2
i 1
Nazivnik u izrazu (7.40) označava se sa sb21 tj.
111
Regresiona analiza
2
srez
sb21  n
, (7.41)
 ( xi  x )2
i 1
i naziva se varijansa regresionog koeficijenta b̂1 . Pozitivna vrijednost

kvadratnog korijena od sb21 predstavlja standardnu grešku koeficijenta regresije
tj.
srez
sb1  . (7.42)
n
  ( xi  x ) 2
i 1
U slučaju da je hipoteza H0 : bˆ1  0 istinita, onda F0 ima F-raspodjelu sa

stepenom slobode za brojnik  reg  1 , i za nazivnik  rez  n  2 .
Hipoteza H0 : bˆ1  0 se odbacuje ako je izračunato F0  F ( reg , rez ) za

usvojeni prag značajnosti α. U suprotnom, hipoteza H0 se može prihvatiti, što
znači da između promjenjivih X i Y nema funkcionalne zavisnosti.
Uz pretpostavku da su slučajne greške distribuirane po zakonu normalne
raspodjele, tada se za provjeru hipoteze H0 : bˆ1  b1(0) gdje je b1(0) konstanta,
može koristiti Studentov t-test, tj.
bˆ1  b1(0)
t , (7.43)
sˆb1
gdje je sˆb1 standardna greška koeficijenta regresije.

Za testiranje pomoćne hipoteze H0 : bˆ1  b1(0) pomoću Studentove t-
distribucije za  rez  n  2 stepeni slobode moguće je postaviti tri alternativne
hipoteze:
1 H1 : bˆ1  b1(0) P  P  t ( rez )  t 
2 H1 : bˆ1  b (0)
1 P  P  t ( rez )  t 
3 H1 : bˆ1  b1(0) P  2 P  t ( rez )  t 
112
Regresiona analiza
Na osnovu ovih podataka može se odrediti 100(1  0,05)% -ni interval pouzda-
nosti za procijenjeno b̂1 pomoću relacije:
bˆ1  sˆb1 t1 2 ( rez )  b1  bˆ1  sˆb1 t1 2 ( rez ) . (7.44)
Isto tako, moguće je testirati i hipotezu H0 : bˆ0  b0(0) za slobodni član gdje je
b0(0) unaprijed zadana proizvoljna konstanta, pomoću statistike:
bˆ0  b0(0)
t , (7.45)
sˆb0
gdje je standardna greška slobodnog člana regresije:
1 x2
sˆb0  srez  n
. (7.46)
 ( xi  x )
n 2
i 1
Odgovarajući 100(1  0,05)% -ni interval pouzdanosti za procijenjeno b̂0 zadaje

se relacijom:
bˆ0  sˆb0 t1 2 ( rez )  b0  bˆ0  sˆb0 t1 2 ( rez ) , (7.47)
za  rez  n  2 .
Interval pouzdanosti za varijablu Y koja je aproksimirana regresionom
funkcijom ŷ  bˆ0  bˆ1 x određuje se na sljedeći način:
(1) Ako je broj eksperimentalnih tačaka dovoljno veliki, onda se interval
pouzdanosti za Y određuje pomoću formule:
ˆ 1 2 ( rez )  y  yˆ  st
yˆ  st ˆ 1 2 ( rez ) , (7.48)
gdje je ŝ – rezidualna greška ocjene ŷ , za  rez  n  2 stepeni slobode.

(2) Ako se ocjena ŷ smatra kao srednja vrijednost za Y, za dato x, onda se
za 100(1  0,05)% -ni interval pouzdanosti za Y koristi formula:
113
Regresiona analiza
1 ( x  x )2
yˆ  s  n i  t1 2 ( rez ) . (7.49)
 ( xi  x )
n 2
i 1
Primjer 7.3. Podaci o prosječnim vrijednostima uloženih sredstava (X) po jednom

zaposlenom radniku za nabavku proizvodne opreme za 5 slučajno izabranih proizvodnih
organizacija koje proizvode isti proizvod dati su u tabeli 7.6. Prosječno vrijeme izrade po
jedinici proizvoda Y dato je u koloni 3. Za date podatke odrediti regresionu jednačinu i
testirati njene koeficijente.
Tabela 7.6
Oznaka
organizacije X Y
A 3,6 12
B 3,8 11
C 4,1 10
D 4,2 8
E 4,3 9
Ukupno 20 50
Primjenom metodologije date u primjeru 7.2 dobijaju se koeficijenti bˆ0  30 i bˆ1  5 ,

pa linearni regresioni model ima oblik:
yˆ  30  5 x .
Da bi se dobijena zavisnost mogla koristiti u prognostičke svrhe, potrebno je testirati

hipotezu H 0 : bˆ1  0 pomoću F-testa. Za formiranje svodne tabele za analizu varijanse
regresione prave, tabela 7.7, potrebno je izračunati regresionu, rezidualnu i ukupnu sumu
kvadrata:
5
  ( yî  y )2  12  10   ...  8,5  10   8,5
2 2 2
sreg
i 1
1 5 1
  ( yi  yˆ )2  5  2 12 12  ...  9  8,5   1,5 .
2 2 2
s
n  2 i 1
rez
114
Regresiona analiza

Izvor Suma Broj
stepeni Varijansa F0 - odnos
varijacije kvadrata slobode
2
S reg 8,5 sreg 8,5
Regresija 8,5 1
2
sreg    8,5 F0    17
 reg 1 2
srez 0,5
(faktor x)
Srez 1,5
Ostali
1,5 3
2
srez    0,5
faktori  rez 3
Ukupna 10 4
Za odabrani nivo značajnosti (α=0,05) i stepene slobode brojnika i nazivnika 1 i 3

respektivno, tabelarna vrijednost (prilog B4) iznosi: F(1,3)=10,1.
Pošto je F0  F , hipotezu H 0 : bˆ1  0 treba odbaciti u korist alternativne hipoteze
H1 : bˆ1  0 što znači da postoji funkcionalna zavisnost između varijabli Y i X. U
konkretnom slučaju, pošto je bˆ  0 , povećavanjem novčanih sredstava za nabavku nove
1
proizvodne opreme može se očekivati skraćenje vremena izrade po jedinici proizvoda.
Standardna greška koeficijenta regresije je prema izrazu (7.42):
srez 0, 71
sˆb1    1, 22
n
 (3, 6  4) 2  ...(4,3  4) 2
  (x
i 1
i  x) 2
dok je standardna greška slobodnog člana regresije prema izrazu (7.46):
1 x2 1 42
sˆb0  srez  n
 0, 71   4,9 .
5  (3, 6  4) 2  ...(4,3  4) 2
 (x  x )
n 2
i
i 1
Za izračunavanje intervala pouzdanosti, obzirom da se radi o malom broju mjerenja

(n=5), koristi se izraz (7.49). Razmotriće se tri nivoa značajnosti, koji su dati u prvom
stupcu tabele 7.8. Za broj stepeni slobode  rez  n  2  3 iz tablica (prilog B2) se
očitavaju vrijednosti za t-test (drugi stupac u tabeli 7.8).
115
Regresiona analiza
Tabela 7.8
Nivo t-vrijednost
srez  t1 2
značajnosti t1 2
0,05 3,182 2,25

0,02 4,541 3,21
0,01 5,841 4,13
Na osnovu ovih podataka moguće je odrediti intervale pouzdanosti za svaku od pet

razmatranih organizacija (A, B, C, D i E). Na primjer, za organizaciju A i nivo
značajnosti   0,05 , t1 2 (3)  3,182 , x  3,6 i Yx 3,6  30  5 x  30  5  3, 6  12 , te
primjenom dijela izraza (7.49) čiji je desni sabirak:
1 ( x  x )2 1 (3, 6  4) 2
 n i    0,82
5 (3, 6  4) 2  ...  (4,3  4) 2
 i
n
( x  x ) 2
i 1
dobija se 100(1  0,05)% interval pouzdanosti za Y:
1 ( x  x )2
yˆ  srez t1 2  rez   n i
 ( xi  x )2
n
i 1
12  2, 26  0,82  y  12  2, 26  0,82
10,15  y  13,85
što znači da se, s vjerovatnoćom od približno 95%, može tvrditi da će 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 intervali pouzdanosti, za sve organizacije i pretpostavljene
nivoe značajnosti, koji su dati u tabeli 7.9.
Tabela 7.9. Intervali pouzdanosti za tri nivoa značajnosti.

Nivo značajnosti
Organizacija x ŷ
0,05 0,02 0,01
A 3,6 12 10,15  y  13,85 9,36  y  14,64 9,6  y  15, 4
B 3,8 11 9,73  y  12, 27 9, 2  y  12,8 8,68  y  13,32
C 4,1 9,5 8, 42  y  10,58 7,95  y  11,05 7,51  y  11, 49
D 4,2 9 7,73  y  10, 27 7, 2  y  10,8 6,68  y  11,32
E 4,3 8,5 6,96  y  10,04 6,31  y  10,68 5,68  y  11,32
116
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. x1 , x2 ,..., xk i da za svako xi postoji
ni izmjerenih vrijednosti yi1 , yi 2 ,..., yini , za i=1,2,...,k te ako je ni  1 i da važi
 i 1 ni  n , tada se govori o modelu proste linearne regresije sa repliciranjem:

k
yij  0  1 xi   ij j  1,2,..., ni , i  1,2,..., k (7.50)
gdje je ni faktor repliciranja a  ij nekorelirane slučajne veličine koje podliježu

normalnoj raspodjeli. Faktor repliciranja može biti isti za sve xi , i  1, 2,..., k tj.
n1  n2  ...  nk  r i tada se radi o regresiji sa konstantnim faktorom
repliciranja.
Primjenom metode najmanjih kvadrata određuju se vrijednosti koeficijenata
b0 i b1, pri čemu se prethodno formira skup od n parova:
 x1 , y11  ,  x1 , y12  ,...,  x1 , y1n  ,  x2 , y21  ,  x2 , y22  ,...,  x2 , y2n

1 2
 ,...,
 x , y  ,  x , y  ,...,  x , y .
k kn1 k kn2 k knk
Izrazi za koeficijente regresije u ovom slučaju će imati oblik:
bˆ0  y ..  bˆ1 x
k
 ni  xi  x  yi . (7.51)
bˆ1  i 1
k
 ni  xi  x 
2
i 1
gdje su :
ni
1 1 k ni 1 k
yi . 
ni
 yij , y..   yij ,
n i 1 j 1
x  ni xi .
n i 1
j 1
Nakon određivanja regresionih parametara, regresiona prava ima oblik:
yî  bˆ0  bˆ1 xi i  1,2,..., k . (7.52)
117
Regresiona analiza
Za provjeru adekvatnosti modela postavlja se nulta hipoteza H0: ''model proste

linearne regresije je adekvatan''. Za provjeru ove hipoteze pomoću F-testa treba
prethodno formirati tabelu za analizu varijanse, tabela 7.10.
Tabela 7.10. Analiza varijanse za prostu linearnu regresiju sa ponavljanjem.

Izvor Suma Broj stepeni Srednja F0 - odnos
varijacije kvadrata slobode varijansa
k nj S reg
Sreg    yî  y .. 
2 2
sreg
Regresija  reg  1  reg
i 1 j 1
Odstupanje k nj
SrezA 2
sreg
S rezA    yi .  yˆ i  
2
F0 
2
srezA
od
i 1 j 1
 rezA  k  2  rezA 2
srezA
regresije
Unutar nj
SrezU
S rezU    yij  yi .
k

2 2
srezU
grupe
i 1 j 1
 rezU  n  k  rezU
T  n 1
ST    yij  y ..
k n
2
Ukupna
i 1 j 1
Ako je hipoteza H0 istinita, onda veličina F0 ima F-distribuciju sa  rezA  k  2

stepeni slobode za brojnik i  rezU  n  k stepeni slobode za nazivnik.
Vjerovatnoća P jednaka je površini ispod krive F  rezA , rezU  .
Također, ako je hipoteza H0 tačna, onda se suma kvadrata odstupanja Srez
pojedinih vrijednosti yij od regresione (procijenjene) vrijednosti yî računa kao
suma kvadrata odstupanja od regresije i sume kvadrata unutar grupe, tj.
Srez  SrezA  S rezU sa  rez   rezA   rezU . (7.53)
Nakon toga, testira se hipoteza H0 : bˆ1  0 korištenjem F-odnosa

2
sreg
F0  2
, (7.54)
srez
sa  reg  1 i  rez  n  2 stepeni slobode.
Primjer 7.4. U tabeli 7.11. dati su rezultati 20 mjerenja obrtnog momenta u kNm kojem
je izloženo vratilo alatne mašine tokom različitih etapa rada mašine. Prva kolona odnosi
se na silu na radnom organu mašine (kN), dobijenu pri pojedinim fazama rada. Za
izmjereni skup podataka pronaći regresionu jednačinu i provjeriti adekvatnost modela.
118
Tabela 7.11.
Xi Yij ni yi . ni  xi  x  yi . ni  xi  x 
2 yî  yi .  yî 
2
y  yi .
2
 yî  y..
2
ij
1 1,1
1 0,7
1 1,8
1 0,4 4 1,00 -22,8 129,96 1,38 0,58 1,10 196,28
3 3,0
3 1,4
3 4,9
3 4,4
3 4,5 5 3,64 -67,3 68,45 3,84 0,20 8,34 103,47
5 7,3
5 8,2
5 6,2 3 7,24 -36,92 8,67 6,29 2,71 2,00 13,14
10 12,0
10 13,1
10 12,6
10 13,2 4 12,73 168,04 43,56 12,43 0,36 1,02 65,51
15 18,7
15 19,7
15 17,4
15 17,1 4 18,23 605,24 175,56 18,57 0,46 4,35 415,10
134 167,7 20 42,84 646,22 526,20 45,52 4,31 16,81 793,50

Regresiona analiza
Korištenjem metodologije opisane u odjeljku 7.3.1 dobijene su vrijednosti koeficijenata

regresije bˆ0  0,152 i bˆ1  1, 228 . Da bi se provjerila adekvatnost modela linearne
regresije, potrebno je testirati hipotezu H0: ''model proste linearne regresije je
adekvatan''. Stoga, na osnovu rezultata iz tabele 7.11, formira se svodna tabela za analizu
varijanse za prostu linearnu regresiju sa promjenjivim faktorom repliciranja, tabela 7.12.

Izvor Suma Broj stepeni Srednja varijansa F0 - odnos
varijacije kvadrata slobode
Regresija Sreg  793,12  reg  1 2

sreg  793,12
Odstupanje
od regresije SrezA  4,31  rezA  3 2
srezA  1, 437 F0  1, 28
Unutar
grupe SrezU  16,18  rezU  15 2
srezU  1,121
Ukupna ST  814, 24  T  19
Iz tabele u prilogu B4 u prilogu za stepen značajnosti   0,05 tablična vrijednost je

F(3,15)  3, 29 . Pošto je F0  F(3,15) hipoteza H0 se prihvata, tj. model proste linearne
regresije je adekvatan.
Nakon konstatacije o adekvatnosti modela, testira se hipoteza za koeficijent
regresije bˆ1  1, 228 tj. H 0 : bˆ1  0 . Na osnovu izraza (7.53) i (7.54) slijedi:
Srez  SrezA  SrezU  4,31  16,18  21,12

Srez 21,12
2
srez    1,17
n2 18
gdje je  rez   rezA  rezU  (k  2)  (n  k )  n  2  18 .
Nakon toga, testira se hipoteza H 0 : bˆ1  0 korištenjem F-odnosa:
2
sreg 793,12
F0  2
  677,88
srez 1,17
sa  reg  1 i  rez  18 stepeni slobode.
120
Regresiona analiza
Pošto tablična vrijednost za   0,01 iznosi F(1,18)  8, 28 , F0  F i P( F  F0 )  0, 01 ,

nulta hipoteza se odbacuje i prihvata alternativna hipoteza H : bˆ  0 odnosno, postoji
1 1
jaka zavisnost između X i Y. Konačno, ovo je i u skladu sa hipotezom H0.
7.4 VIŠESTRUKA LINEARNA REGRESIJA
U slučajevima kada se na osnovu više nezavisno slučajno promjenjivih veličina

X1, X2, ..., Xk─1 treba procijeniti jedna zavisno promjenjiva slučajna veličina Y,
radi se o problemu višestruke regresije. Opšti linearni model regresije opisan je
pomoću relacije (7.10):
Yi   0  1 x1i   2 x2i  ...   k 1 xk 1,i   i . (7.55)
Dakle, za n eksperimenata i  1,2,..., n i j  1, 2,..., k  1 dobija se sistem od n

jednačina sa k nepoznatih parametara 0 , 1 ,...,  k 1 što se može pisati u matri-
čnom obliku:
 y1  1 x11 x12 x1,k 1   0   1 

  1 x  
 y2    x22 x2,k 1   1    2 

21
, (7.56)
      
      
 yn  1 xn1 xn 2 xn,k 1    k 1    n 
odnosno u matričnoj formi:
Y  XB  ε . (7.57)
Za određivanje regresionih koeficijenata metodom najmanjih kvadrata,

prethodno se formiraju odgovarajući unutrašnji proizvodi:
121
Regresiona analiza
 1 1 1  1 x11 x1, k 1 
 x x21 xn ,1  1 x21 x2, k 1 
X'X   
11
  
  
 x1, k 1 x2, k 1 xn , k 1  1 xn ,1 xn , k 1 
 n  xi1  xi 2  xi ,k 1  (7.58)
 i i i 
 x  xi21  xi1 xi 2  i1 i ,k 1 
x x
 i i1 i i i ,
 
 
  xi ,k 1  xi ,k 1 xi1  xi ,k 1 xi 2  i ,k 1 
x 2
 i i i i 
  yi 
 1 1 1   y1   i 
 x     y x 
x21 xn ,1  y2
X'Y     i .
11 i i1
(7.59)
    
    
 x1, k 1 x2, k 1 xn, k 1   yn   y x 
 i i , k 1
 i 
Sistem normalnih jednačina svodi se na matričnu jednačinu:
 n  xi1  xi 2  xi ,k 1
   yi 
 i i i   bˆ0   i 
 x   
 i i1  xi21  xi1 xi 2  i1 i ,k 1   b1    i i1 
x x  ˆ y x
 i . (7.60)
  
i i i
 
     
  xi ,k 1 bˆ   y x 
 i
 xi ,k 1 xi1  xi ,k 1 xi 2  i ,k 1   k 1   i i ,k 1 
x 2

i i i   i 
Primjer 7.5. Razmatra se zavisnost faktora deformacionog otvrdnjavanja n (zavisno

promjenjiva Y) pri obradi čelika rezanjem, o tri pokazatelja mehaničkih osobina
obrađivanih čelika: parametra X1 – zatezna čvrstoća (Rm), X2 – relativno izduženje (A5) i
X3 – tvrdoća po Brinellu (HB), pri čemu su podaci dati u tabeli 7.13.
122
Tabela 7.13.
R. Y X1 X2 X3 Y2 X 12 X 22 X 32 YX1 YX2 YX3 X1X2 X1X3 X2X3
broj
1 1,44 458 33,2 123 2,07 209764 1102,24 15129 659,52 47,81 177,12 15205,6 56334 4083,60
2 1,327 565 28 163 1,76 319225 784,00 26569 749,76 37,16 216,30 15820 92095 4564,00
3 1,193 1332 8,4 388 1,42 1774224 70,56 150544 1589,08 10,02 462,88 11188,8 516816 3259,20
4 0,96 1136 14,8 302 0,92 1290496 219,04 91204 1090,56 14,21 289,92 16812,8 343072 4469,60
5 1,625 553 27,4 156 2,64 305809 750,76 24336 898,63 44,53 253,50 15152,2 86268 4274,40
6 1,078 591 26 174 1,16 349281 676,00 30276 637,10 28,03 187,57 15366 102834 4524,00
7 1,635 466 33,6 128 2,67 217156 1128,96 16384 761,91 54,94 209,28 15657,6 59648 4300,80
8 1,707 558 24,4 177 2,91 311364 595,36 31329 952,51 41,65 302,14 13615,2 98766 4318,80
9 1,658 387 34 107 2,75 149769 1156,00 11449 641,65 56,37 177,41 13158 41409 3638,00
10 1,317 550 29,2 156 1,73 302500 852,64 24336 724,35 38,46 205,45 16060 85800 4555,20
11 1,489 975 15,6 285 2,22 950625 243,36 81225 1451,78 23,23 424,37 15210 277875 4446,00
12 1 1052 14,8 309 1,00 1106704 219,04 95481 1052,00 14,80 309,00 15569,6 325068 4573,20
13 1,404 945 14,6 311 1,97 893025 213,16 96721 1326,78 20,50 436,64 13797 293895 4540,60
14 1,511 802 20 235 2,28 643204 400,00 55225 1211,82 30,22 355,09 16040 188470 4700,00
15 1,256 810 21,6 235 1,58 656100 466,56 55225 1017,36 27,13 295,16 17496 190350 5076,00
 20,6 11180 345,6 3249 29,10 9479246 8877,68 805433 14764,78 489,04 4301,83 226148,8 2758700 65323,40
Regresiona analiza
Sistem normalnih jednačina u matričnom obliku prema jednačini (7.60) i na osnovu

podataka iz tabele 7.13 se svodi na:
ˆ
 15 11180 345, 6 3249  b0   20, 6 
11180 9479246 226148,8 2758700   bˆ  14764, 78 

  1  
 345, 6 226148 8877, 68 65323, 4  bˆ   489, 0378
  2  
 3249 2758700 65323, 4 805433  bˆ3   4301,828 
odnosno:
15bˆ0  11180bˆ1  345, 6bˆ2  3249bˆ3  20, 6

11180bˆ0  9479246bˆ1  226148,8bˆ2  2758700bˆ3  14764, 78
345, 6bˆ  226148bˆ  8877, 68bˆ  65323, 4bˆ  489, 0378
0 1 2 3
3249bˆ0  2758700bˆ1  65323, 4bˆ2  805433bˆ3  4301,828
čije je rješenje: bˆ0  2,337566, bˆ1  0, 00194, bˆ2  0, 01315, bˆ3  0, 003616 , pa je
matematički model višestruke linearne regresije (hiperravan) dat jednačinom:
yˆ  2,337566  0,00194x1  0,01315x2  0,003616x3 .
Pošto su određeni koeficijenti regresije bˆ0 , bˆ1 ,..., bˆk 1 , kao aproksimacija za
parametre 0 , 1 ,...,  k 1 , potrebno je izvršiti ocjenu pouzdanosti dobijenih
parametara. Ova ocjena vrši se na osnovu standardnih grešaka koeficijenata sb j
koja predstavlja mjeru standardnog odstupanja ocjene bˆ j od j za
j  0,1,2,..., k 1 . Ove veličine se dobijaju na osnovu rezidualne sume kvadrata
Srez sa   n  k stepeni slobode. Tada su granice 100(1   )% -nog intervala
pouzdanosti za bˆ : j
bˆ j  sb j t(1 2) ( rez ), j  0,1, 2,..., k  1 . (7.61)
Moguće hipoteze za testiranje značajnosti koeficijenata regresije su:

(a) H 0 : 1   2  ...   k 1  0, j  1, 2,..., k  1
(b) H0 : r  0, za neko r  1,2,..., k 1
124
Regresiona analiza
(a) Kada je hipoteza H0 istinita, tj. svi  j  0, onda srednja vrijednost

predstavlja najbolju procjenu za varijablu Y. Znači, regresiona ocjena ne predsta-
vlja nikakvo poboljšanje u odnosu na y . Regresionu ocjenu u tom slučaju ne
treba koristiti u svrhu prognoze jer između zavisno promjenjive i nezavisno
promjenjivih ne postoji značajna funkcionalna zavisnost.
Ako hipoteza H0 nije istinita, što znači da svi koeficijenti  j nisu jednaki
nuli, onda se može govoriti o postojanju zavisnosti varijable Y od nekih ili svih
nezavisno promjenjivih.
Za testiranje hipoteze H0 :  j  0 koristi se F-test:
Sreg Sreg
 reg
F0   k 1 . (7.62)
Srez Srez
 rez nk
Ukoliko je F0  F(( k 1),( nk )) za usvojeni prag značajnosti α, hipoteza se odbacuje.
(b) Hipoteza H 0 :  r  0 za neko r  1,2,..., k  1 može se shvatiti kao

pretpostavka da promjenjiva Xr nema udjela na poboljšanje prognostičke
vrijednosti za Y, koja se dobija kao rezultat ostalih promjenjivih veličina.
7.5 NELINEARNA REGRESIJA
7.5.1. Funkcije oblika polinoma
Ukoliko se za opšti linearni model višestruke regresije dat izrazom (7.10)

pretpostavi da je xij  xij i m  k  1  n  1; (n  m  1) dobija se polinom m-tog
reda:
Yi   0  1 xi   2 xi2  ...   m xim   , (7.63)
za m  2 i i  1,2,..., n . Principijelno, na osnovu n mjerenja uvijek je moguće

formirati polinom m-tog stepena. Za velike vrijednosti m (npr. već kod m  6 ),
javljaju se određene računske poteškoće.
125
Regresiona analiza
Izbor veličine stepena polinoma predstavlja zapravo jedan od načina izbora

adekvatnog modela regresionog polinoma odnosno oblika krive linije. Za
polinom m-tog stepena treba odrediti m  1 parametar ( 0 , 1 ,...,  m ). Za odre-
đivanje veličine m mogu se koristiti sljedeće procedure:
(a) Direktni izbor. U idealnom slučaju rezidualna suma kvadrata u početku
postepeno opada s porastom stepena m, a nakon toga se ustaljuje oko
jednom dostignute vrijednosti. Ovo znači da je tu potrebno prekinuti sa
povećavanjem m. Ova preporuka je uslovna, jer rezidualna suma
kvadrata može, nakon nastavka procedure, opet nastaviti opadati.
(b) Metoda postupnog isključivanja unazad. Kod ove procedure unaprijed se
odredi maksimalno mogući stepen polinoma, a zatim se vrši odbacivanje
počevši od koeficijenta s najvećim stepenom pri čemu se koristi F-
kriterijum.
Bez obzira koja se od procedura koristi, pri svakom povećavanju ili smanjivanju
veličine m, koeficijenti polinoma se moraju ponovo izračunati.
Polinom dat relacijom (7.63) je nelinearan po parametrima j
j  0,1,..., k  1 , (m  k  1) pa se za određivanje koeficijenata polinoma koristi
opšti linearni model (7.12) koji se u ovom slučaju svodi na matrični oblik:
 y1  1 x1 x12 x1m    0   1 
      
 y2   1 x2 x22 x2m   1    2 
 , (7.64)
      
      
 yn  1 xn xn2 xnm    m    n 
gdje je n  k . Sistem (7.64) u vektorskom obliku glasi:
Y  XB  ε . (7.65)
Za formiranje sistema normalnih jednačina prethodno se formiraju proizvodi

matrica:
  y1 
1 1 1   y1   i 
x    y x 
x2 xn   y2   ,
X'Y   1
i i
 i (7.66)
    
 m m   
x2m
 x1 
xn   yn   y x m 
 i i i 
126
Regresiona analiza
1 1 1
x 1 x1 x1m 
xn  
x12
 1 x2 
1 x2 x22 x2m 
X ' X   x12 x22 xn2   
   
  
m
 xm 1 xn xn2 xnm 
 1 x2m xn 
(7.67)
 n  xi  xim 
 i i 
 x m 1 
 i
i  xi2
i
 xi 
i
 
 
  xim  xim1  i x 2m 
 i i i 
gdje je matrica X'X kvadratna matrica veličine (k,k) čiji je rang k za k=m+1.
Sistem normalnih jednačina svodi se na matričnu jednačinu:
 n  xi  xim    yi 
 i i   bˆ0   i 
 x m 1    
 i  xi2  xi   bˆ1   i yi xi 
 , (7.68)
  
i i i
 
    
2m   ˆ 
  xim  xim1  xi  bm  i yi xim 
 i i i 
odnosno:
bˆ0 n +bˆ1  xi  ...  bˆm 1  xim   yi

i i i
bˆ0  xi  bˆ1  xi2  ...  bˆm 1  xim 1 =  yi xi

i i i i (7.69)
...
bˆ0  xim  bˆ1  xim 1  ...  bˆm 1  xi2 m   yi xim
i i i i
za i  1,2,..., n i n  m  1 .
127
Regresiona analiza
Primjer 7.6. Izvesti sistem jednačina za slučaj da je regresiona jednačina parabola.
Ako se u jednačini (7.63) uvrsti m  2 ( k  3 ) dobija se regresiona parabola:
Ŷ  bˆ0  bˆ1 X  bˆ2 X 2 .
Sistem normalnih jednačina (7.68) se svodi na oblik:
   
 n  xi  xi2  bˆ    yi 
 i i  0  i 
 x 3 ˆ
 i  xi2  xi  b1    yi xi  ,
 
 i i i
 bˆ   i 
4 
  xi2  xi3  xi     yi xi2 
2
 i i i   i 
odnosno:
bˆ0 n +bˆ1  xi  bˆ2  xi2 =  yi ,

i i i
bˆ0  xi  bˆ1  xi2  bˆ2  xi3 =  yi xi ,

i i i i
bˆ0  xi2  bˆ1  xi3  bˆ2  xi4   yi xi2 .

i i i i
7.5.2. Neke karakteristične nelinearne funkcije
Kod nekih tipova nelinearnih funkcija moguće je pogodnom smjenom

promjenjivih X i Y izvršiti njihovu linearizaciju i time svesti na takav oblik koji
omogućava primjenu metode najmanjih kvadrata. Neke karakteristične funkcije
koje se mogu linearizirati su:
(a) Potencijalna funkcija:
y  b0 x b1 . (7.70)
Koeficijent b0 je uvijek pozitivan, dok eksponent b1 može biti cijeli ili

razlomljeni broj, pozitivan ili negativan. Na slici 7.6 dat je izgled ove funkcije za
razne vrijednosti koeficijenta b1.
128
Regresiona analiza
y
0  b1  1
b1  1
b1  0
Slika 7.6. Oblici funkcije y  b0 x 1 .

b
Linearizacija funkcije vrši se logaritimiranjem, pri čemu se dobija:
Y  ln b0  b1 X , (7.71)
gdje su uvedene smjene: Y  ln y i X  ln x . Na ovaj način je potencijalna

funkcija podešena za primjenu metode najmanjih kvadrata kao za prostu linearnu
regresiju.
(b) Eksponencijalna funkcija:
y  b0 eb1 x , (7.72)
gdje je faktor b0 pozitivan a eksponent b1 može biti pozitivan ili negativan. Na

slici 7.7 dati su tokovi krivih za razne vrijednosti koeficijenta b1.
y
b1  0 b1  0
b0
Slika 7.7. Oblici funkcije y  b0 e 1 .

bx
129
Regresiona analiza
Logaritimiranjem jednačine (7.72) slijedi:
Y  ln b0  b1 X , (7.73)
gdje su uvedene smjene: Y  ln y i X  x , vrši se linearizacija funkcije.
(c) Eksponencijalna funkcija oblika:
y  b0 b1x , (7.74)
se linearizira nakon logaritimiranja:
log y  log b0  x log b1 , (7.75)
i uvođenja smjena: Y  log y i X  x , čime se svodi na oblik:
Y  log b0   log b1  X . (7.76)
(d) Logaritamska funkcija oblika:
y  b0  b1 ln x , (7.77)
se koristi u slučajevima kada se sa porastom nezavisne poromjenjive x zavisno

promjenjiva y sporo mijenja. Linearizacija se vrši uvođenjem smjene: Y  y i
X  ln x , čime se jednačina (7.77) svodi na oblik:
Y  b0  b1 X . (7.78)
(e) Hiperbolička funkcija oblika:
b1
y  b0  , (7.79)
x
koristi se u slučajevima kada se sa porastom nezavisne poromjenjive x uočava
pad (porast) zavisno promjenjive y. Izgled funkcije dat je na slici 7.8.
130
Regresiona analiza
y
b1  0
b0
b1  0
b1
Slika 7.8. Oblici funkcije y  b0  .
x
Linearizacija se vrši uvođenjem smjena: X  1 x i Y  y , jednačina (7.79) svodi

na oblik:
Y  b0  b1 X . (7.80)
(f) Logistička kriva:
1
y . (7.81)
b0  b1e  x
Izgled ove funkcije dat je na slici 7.9

y
1/b0
1
b0  b1
Slika 7.9. Logistička kriva.
131
Regresiona analiza
Jednačina (7.81) se može prikazati i u obliku:
1
 b0  b1e  x . (7.82)
y
1
Linearizacija se vrši uvođenjem smjena: X  e x i Y  , čime se jednačina
y
(7.82) svodi na oblik:
Y  b0  b1 X . (7.83)
132
Korelaciona analiza
8
KORELACIONA
ANALIZA
Pored mjernih objekata koji imaju jedno obilježje, česti su i oni na kojima je
moguće istovremeno definisati i promatrati dva ili više obilježja. U tom slučaju
posebno je važno pitanje međusobne povezanosti tih obilježja, naime pitanje da
li se promjena jednog od njih odražava na drugom. Ako takva povezanost
postoji, nastoji se pronaći matematička forma kojom se ona može izraziti.
8.1 UVOD
Za razliku od regresione analize gdje se sagledava mogućnost uspostavljanja

zavisnosti između nezavisno i zavisno promjenjive, kod korelacione analize se
govori o međuzavisnosti između promjenjivih. U korelacionoj analizi se
istražuje stepen povezanosti između promjenjivih, a ne uzroci i posljedice te
povezanosti. Povezanost između obilježja (ili pojava) postoji ako porast jednog
obilježja prati porast drugog i obrnuto, ali, isto tako, ako pri porastu jednog
obilježja drugo opada, i obrnuto. U prvom slučaju kaže se da je povezanost
pozitivna, a u drugom slučaju negativna.
Mjera linearne zavisnosti između dvije promjenjive naziva se prosti
koeficijent korelacije, dok se mjera zavisnosti jedne zavisno promjenjive od više
nezavisno promjenjivih zove koeficijent višestruke korelacije.
Kod rješavanja praktičnih problema regresiona i korelaciona analiza se
koriste paralelno, te na taj način omogućavaju sagledavanje stepena zavisnosti
između promjenjivih, kao i određivanje stepena i karaktera tih zavisnosti.
133
Korelaciona analiza
Ako se u modelu višestruke regresije uvodi nova ili izostavlja neka od već
posmatranih nezavisno promjenjivih varijabli, tada se u opštem slučaju mijenja i
koeficijent višestruke korelacije. Na osnovu toga se procjenjuje udio uvedene ili
izostavljene nezavisno promjenjive na ukupan varijabilitet zavisno promjenjive.
Prema tome, uklanjanjem linearne zavisnosti, koja je uzrokovana djelovanjem
ostalih nezavisno promjenjivih u linearnom regresionom modelu, može se dobiti
i kvantitativna mjera zavisnosti koja se zove koeficijent parcijalne korelacije.
8.2 KOEFICIJENT KORELACIJE

Kvalitetno sagledavanje korelacione veze moguće je korištenjem dijagrama
rasturanja. Ovim dijagramom može se uočiti eventualno postojanje korelacije a
također i njen oblik i karakter.
Neka su na jednom objektu mjerenja definisana dva obilježja, x i y. Svako
promatranje ovog objekta daje par brojeva (x,y), gdje je x mjerna vrijednost
jednog, a y mjerna vrijednost drugog obilježja. Nakon n promatranja dobija se
skup od n parova (x,y):
(x1,y1), (x2,y2), ..., (xi,yi), ... , (xn,yn).
Pošto se radi o uređenom skupu parova (prvi broj se uvijek odnosi na
obilježje x, a drugi na obilježje y), moguće je navedenih n razmatranja prikazati
sa n tačaka u koordinatnom sistemu. Skup ovih tačaka zove se dijagram
rasturanja ili dijagram rasprostiranja.
Za ilustraciju, na slici 8.1 prikazani su neki primjeri dijagrama rasturanja.
Jasno je da će kod stroge funkcionalne veze između x i y sve tačke (xi,yi) ležati
na istom pravcu, slika 8.1a. U tom slučaju radi se o potpunoj korelaciji. Ako su
obilježja x i y nepovezana, dijagram rasprostiranja će izgledati kao na slici 8.1b.
Na slici 8.1c dato je rasprostiranje kada obilježja x i y nisu vezana
funkcionalnom vezom. Ipak, mora se konstatovati da promatrana obilježja nisu
sasvim nepovezana. Naime, dijagram rasprostiranja pokazuje tendenciju da
većim vrijednostima x u pravilu pripadaju veće vrijednosti y, pa se u ovom
slučaju radi o pozitivnoj korelaciji. Veza između obilježja dakle, postoji i u
ovom slučaju, samo je labavija od funkcionalne. Na slici 8.1d dat je primjer
negativne korelacije.
Obilježja x i y u matematičkoj statistici imaju karakter slučajnih varijabli.
Veza među tim varijablama obično nije funkcionalna, već jednoj vrijednosti x
može pripadati više vrijednosti y i one se pri tome pokoravaju nekom zakonu
vjerovatnoće. Ovakva veza među varijablama zove se stohastička. Kod
stohastičke veze za jednu vrijednost x dolazi više vrijednosti y koje su
raspoređene po nekom zakonu vjerovatnoće. Stoga se ne može za unaprijed
134
Korelaciona analiza
zadani x predvidjeti vrijednost y, već samo interval u kojem će se ta vrijednost

nalaziti (uz izvjesnu vjerovatnoću).
r =1 r =0
y
y
x x
(a) (b)
y
0<r <1
y
-1<r <0
x x
(c) (d)
Slika 8.1. Različiti slučajevi korelacije.
Stepen slaganja između promjenjivih u posmatranoj zavisnosti definiše se

kao koeficijent korelacije. Na slici 8.1c dat je primjer pozitivne korelacije
(0<r<1), kod koje se povećavanjem vrijednosti jedne promjenjive povećava i
vrijednost druge promjenjive.
Za zadani slučajni uzorak (x1,y1), (x2,y2),..., (xn,yn) iz dvodimenzionalne
raspodjele kovarijansa uzorka definisana je izrazom:
1 n
sxy    xi  x  yi  y  ,
n i 1
(8.1)
dok su standardne devijacije pojedinih obilježja:
1 n 1 n
sx    xi  x  ,   yi  y  .
2
sy 
2
(8.2)
n i 1 n i 1
Koeficijent korelacije uzorka r se definiše kao:
135
Korelaciona analiza
sxy   xi  x  yi  y 
r  i 1
. (8.3)
sx s y n n
  xi  x    yi  y 
2 2
i 1 i 1
Pošto su x1, x2, ... , xn i y1, y2, ... , yn slučajne varijable, i sam koeficijent
korelacije r uzorka je slučajna varijabla. Vrijednost koeficijenta korelacije za
pozitivnu korelaciju se kreće između 0 i 1, a za negativnu između 0 i –1. Kod
potpune pozitivne korelacije r = 1, potpune negativne korelacije r = –1, dok je
kod odsustva svake veze, r= 0.
Primjer 8.1. Naći koeficijent korelacije između promjenjivih x i y čije su vrijednosti

date u tabeli 8.1.
Tabela 8.1
x 1 3 4 6 8 9 11 14
y 1 2 4 4 5 7 8 9
U tabeli 8.2 dat je proračun vrijednosti potrebnih za proračun koeficijenta korelacije.
Tabela 8.2.
xi yi xi  x yi  y  xi  x 2  yi  y 2  xi  x  yi  y 
1 1 –6 –4 36 16 24
3 2 –4 –3 16 9 12
4 4 –3 –1 9 1 3
6 4 –1 –1 1 1 1
8 5 1 0 1 0 0
9 7 2 2 4 4 4
11 8 4 3 16 9 12
14 9 7 4 49 16 28
56 40 132 56 84
Korištenjem izraza (8.3) slijedi:

n
s xy   xi  x  yi  y  84
i 1
r    0,977 .
sx s y n n 132  56
  xi  x    yi  y 
2 2
i 1 i 1
Rezultat pokazuje da postoji vrlo visoka linearna korelacija između promjenjivih.
136
Korelaciona analiza
8.3 VEZA IZMEĐU LINEARNE REGRESIJE I KORELACIJE
Za mjerenje jačine linearne veze između x i y može se iskoristiti i relacija (7.6):
  yi  y     yi  yî     yî  y  ,
2 2 2
(8.4)
prema kojoj je ukupna suma kvadrata jednaka zbiru rezidualne i regresione

(protumačene) sume kvadrata.
Kada bi između obilježja x i y postojala potpuna funkcionalna veza, onda bi
sve izmjerene vrijednosti zavisne promjenjive bile jednake vrijednostima
regresione prave i na dijagramu rasturanja bi sve tačke ležale na pravoj regresije.
Tada ne bi bilo nikakvog odstupanja empirijskih vrijednosti od prave regresije,
tj. ne bi bilo neobjašnjenog dijela disperzije. U tom bi slučaju, prvi član na
desnoj strani jednačine (8.4) bio jednak nuli. Odnos objašnjene prema ukupnoj
disperziji bio bi jednak jedinici.
Drugi krajnji slučaj je kada između obilježja x i y ne postoji nikakva linearna
veza. Tada su sve vrijednosti prave regresije jednake aritmetičkoj sredini zavisno
promjenjive Ŷ  Y , pa je protumačeni dio disperzije jednak nuli.
U ostalim slučajevima ovaj odnos je između nule i jedinice, pri čemu će
njegova vrijednost biti bliža jedinici u slučaju jače linearne veze između
obilježja x i y. Pošto je ovaj odnos uvijek pozitivan, označava se sa r2 i naziva
koeficijentom determinacije (vidjeti izraze (7.7) i (7.8)):
n n
 ( yˆ  y )2 b12  ( xi  x )2
r2  i 1
n
 n
i 1
. (8.5)
 ( yi  y ) 2
 ( yi  y ) 2
i 1 i 1
Ako brojnik i imenilac na desnoj strani jednačine (8.5) podijele sa n, slijedi:
sx2
r b 2 .
2
1
2
(8.6)
sy
Kvadratni korijen iz koeficijenta determinacije jeste zapravo koeficijent proste

linearne korelacije:
sx
r  b1 . (8.7)
sy
137
Korelaciona analiza
Koeficijent r obično se naziva Pearsonovim koeficijentom korelacije. Iz izraza

(8.7) se uočava da kod linearne veze koeficijent b1 u suštini predstavlja jačinu
(stepen) zavisnosti. Konkretno, r = 0 samo ako je b1 = 0.
Uočljivo je da se izraz za koeficijent korelacije (8.3) može dobiti iz izraza
(8.5) ukoliko se ovaj izraz prvo podijeli sa brojem članova empirijskog niza n
odakle je:
sxy
b1  , (8.8)
sx2
čijim se unosom u izraz (8.7) dobija relacija (8.3).

S druge strane koeficijent determinacije se na osnovu izraza (8.4) može
računati kao:
2
srez
r2 1 , (8.9)
sT2
odakle je koeficijent korelacije:

2
srez
r  1 . (8.10)
sT2
Kod eksperimentalnih podataka najčešće se među parovima (xi,yi) dešava da

ima i međusobno jednakih. Zato je prvi korak u obradi eksperimentalnih
rezultata izrada distribucije frekvencija. Pri tome je suma svih frekvencija
jednaka ukupnom broju podataka:
 f ij  n. (8.11)
i j
Kovarijansa uzorka se u tom slučaju izražava relacijom:
 fij  xi  x   y j  y  ,
1
sxy  (8.12)
n i j
dok su standardne devijacije:
1 1
sx   fi  xi  x    fi xi2  x 2 ,
2
(8.13)
n i n i
138
Korelaciona analiza
1
sy   f j  yi  y    f j y 2j  y 2
2
. (8.14)
n i j
Stoga je koeficijent korelacije uzorka:
1 1  1 
  f ij x i y j    f i x i   f j y j 
n i j n i  n j 
r . (8.15)
2
1 
2
1 1  1
 f i xi2   n  f i xi   f j y 2j    f j y j 
n i  i  n i n j 
Uočljivo je da su u izrazima (8.13) i (8.14) izvršene transformacije pomoću kojih

se izbjegava izračunavanje srednjih vrijednosti.
Primjer 8.2. Eksperimentalno je dobijeno 50 parova izmjerenih vrijednosti. U svakoj

zagradi prvi broj se odnosi na obilježje x, a drugi broj na obilježje y. Potrebno je
izračunati koeficijent korelacije.
(4,3) (5,1) (2,4) (3,3) (6,2) (4,3) (4,2) (3,2) (5,3) (5,2)
(2,5) (3,4) (4,3) (4,2) (2,3) (3,4) (5,2) (4,2) (6,1) (2,5)
(4,4) (3,3) (4,3) (5,1) (2,4) (6,3) (3,4) (5,1) (4,3) (5,2)
(2,4) (6,1) (4,2) (3,2) (5,3) (6,2) (4,3) (3,3) (5,2) (3,3)
(4,3) (6,1) (3,4) (5,2) (4,3) (2,4) (3,3) (6,2) (4,4) (4,3)
Prvi korak je izrada tabele distribucije frekvencija. Kako se vidi, najmanja vrijednost
obilježja x je 2, a najveća 6, pa se u prvi red tabele stavljaju brojevi od 2 do 6 (tabela
8.3). Slično, za obilježje y, u prvu kolonu tabele se stavlja broj 1, a u zadnju broj 5.
Tabela 8.3.
xi
2 3 4 5 6
fj fj yj fj yj2  i fij xi y j  i fij xi
yj
1 3 3 6 6 6 33 33
2 2 4 5 3 14 28 56 65 130
3 1 5 9 2 1 18 54 162 69 207
4 4 4 2 10 40 160 28 112
5 2 2 10 50 4 20
fi 7 11 15 10 7 50 138 434 199 502
fi xi 14 33 60 50 42 199
fi xi2 28 99 240 250 252 869
 j fij y j 29 35 43 19 12 138
xi  j fij y j 58 105 172 95 72 502
Završni članovi u prvom redu i prvoj koloni tabele 8.3 su dobijeni na osnovu jednakosti:
i  j fij xi y j  i xi  j fij y j   j y j i fij xi
139
Korelaciona analiza
Računanjem svih članova koji figurišu u izrazu (8.15) slijedi:
1 1  1 
 fij xi y j    fi xi    f j y j 
n i j n i   n j 

r 
2
1 
2
1 1  1
 fi xi2    fi xi   f j y 2j    f j y j 
 
n i n i  n i n j 
502 199 138

 50 50 50  0, 74.
2 2
869  199  434  138 
 
50  50  50  50 
8.4 TESTIRANJE ZNAČAJNOSTI KOEFICIJENTA

KORELACIJE
Koeficijent korelacije je slučajna varijabla definisana na uzorcima veličine n.

Vrijednost koeficijenta korelacije uzorka neće se stoga podudarati s vrijednošću
koeficijenta korelacije osnovnog skupa. Distribucija varijable r je dosta
komplikovana, pa se preko ove varijable definiše nova varijabla:
r n2
t , (8.16)
1 r 2
koja je distribuirana po zakonu Studentove t-raspodjele sa stepenom slobode
ν=n−2. Izraz (8.16) služi za donošenje ocjene o značajnosti koeficijenta
korelacije.
Primjer 8.3. Za zadatak iz primjera 8.2 u kojem se analizira skup od n=50 podataka i za
koji je koeficijent korelacije r=−0,74 procijeniti značajnost korelacije.
Korištenjem izraza (8.16) računa se varijabla t:
r n2  0,74 50  2
t   7,6 .
1 r2 1  (0,74) 2
Stepen slobode pripadajuće t-raspodjele je ν=50–2=48 za koji je tablična vrijednost

tα=1,96 za statističku sigurnost 95% (prilog B2). Poređenjem izračunate s tabličnom
vrijednošću, može se konstatovati da se radi o signifikantnoj korelaciji.
140
Mjerne greške
9
MJERNE
GREŠKE
Mjerni rezultat treba što bolje reprezentirati pravu vrijednost mjerene veličine,
što je svrha svakog mjerenja. Zbog neizbježnih grešaka koje se javljaju kod
svakog procesa mjerenja, uz rezultat se moraju dati i druge značajne informacije
o preciznosti i tačnosti ili nepreciznosti i netačnosti u obliku granica pouzda-
nosti, odnosno mjerne nesigurnosti, kao i informacije o fizikalnim veličinama
koje su mogle uticati na mjerni rezultat.
9.1 UZROCI NASTANKA MJERNIH GREŠAKA
Broj uzroka koji mogu dovesti do mjernih grešaka je teorijski beskonačno veliki.
Generalno, s aspekta uzročnika, sve mjerne greške se mogu svrstati u dvije
velike grupe:
─ odredive greške su one koje se unaprijed mogu predvidjeti ili teorijski
utvrditi. Ova grupa grešaka naziva se i sistematskim greškama.
─ neodredive (neobuhvatljive) greške se zapažaju tek kod ponovljenih
mjerenja iste konstantne fizikalne veličine jer se pojedini rezultati
prividno bez razloga međusobno razlikuju. Ova grupa grešaka naziva se i
slučajnim greškama.
Ponekad nije jednostavno svrstati neku grešku u jednu ili drugu grupu.
Naime, granica između ovih grupa grešaka neprestano se pomjera u korist
sistematskih grešaka, što znači da se razvojem mjerne tehnike neprekidno
otkrivaju novi uzroci mjernih grešaka, koje onda prestaju biti slučajne.
141
Mjerne greške
Kada je u pitanju djelovanje slučajnih grešaka, za rezultat mjerenja se kaže

da je nepouzdan, dok je zbog djelovanja sistematskih grešaka on neispravan.
Sistematske mjerne greške najčešće nastaju zbog nesavršenosti mjernog
postupka, mjernih uređaja, mjerene fizikalne veličine kao i zbog odredivih
uticaja poremećajnih veličina okoline i osobnog uticaja ispitivača. Većina
sistematskih grešaka ima stalnu vrijednost, a time i određen predznak, tj.
sistematske greške djeluju jednostrano. Sistematske greške se mogu podijeliti u
tri glavne grupe:
─ metodske sistematske greške,
─ sistematske greške mjernih uređaja i
─ osobne greške ispitivača.
Kod metodskih sistematskih grešaka izvor grešaka je sam mjerni postupak
tj. primjenjena metoda mjerenja. Na primjer, kod gravimetrijske analize u hemiji
mora se uzeti u obzir i topivost taloga, njegovo isparavanje pri zagrijavanju,
taloženje nepoželjnih supstanci itd.
Sistematske greške mjernih uređaja mogu biti progresivne ako rastu
proporcionalno s porastom vrijednosti mjerene veličine. S druge strane, mjesna
ili neregularna sistematska greška je ona koja se pojavljuje u pojedinim
intervalima mjernog područja, dok se periodična javlja nakon jednakih
vremenskih intervala. Ove greške su tzv. unutrašnje greške, koje predstavljaju
jedan dio sistematskih grešaka mjernih uređaja. Drugi dio su vanjske, tj. one
greške koje su uzrokovane djelovanjem okolinskih faktora. Na primjer, kod
analitičkog vaganja u hemiji nastoje se utvrditi sistematske greške koje uzrokuju
nekalibrirani utezi, nejednakost dužine krakova vage i dr.
Sistematske greške mjernih uređaja i metodske sistematske greške mogu se
uspješno korigovati jedino ako se dobro poznaju karakteristike mjerne metode,
mjernog uređaja i mjernog objekta. Ako djelovanje pojedinih uticajnih veličina
nije poznato u dovoljnoj mjeri, mogu se utvrditi eksperimentalno: planski se
mijenja veličina svake od njih i registruje njihov efekat na mjerni rezultat. Iz
njega se može otkriti šta je potrebno učiniti da bi se greške smanjile. Sistematske
greške se, dakle, pokoravaju poznatim fizikalnim zakonima i zato se njihov
uticaj može uzeti u obzir naknadno. Mogući su slučajevi kada se sistematske
greške uzimaju u obzir i više godina nakon izvršenog mjerenja.
Konačno, osobne greške ispitivača su uzrokovane njegovim psiho-fizičkim
sposobnostima. Na primjer, pri hemijskoj analizi svi ispitivači nemaju dovoljnu
sposobnost uočavanja promjene boje indikatora u toku titracije. Isto tako, kod
upotrebe nekih ručnih mjernih alata različiti rukovaoci će prouzorkovati različite
vrijednosti mjernih sila.
142
Mjerne greške
Slučajne greške mjerenja rezultat su neizbježnih promjena koje nastaju u

mjernim uređajima, mjernom objektu, okolini i ispitivaču, a koje on nije kadar
ocijeniti i korekcijom uzeti u obzir. Te neodredive greške mogu se prepoznati
ovako: ako ispitivač uzastopno više puta jednako pažljivo mjeri istu konstantnu
fizikalnu veličinu, istim mjernim uređajem i pod istim vanjskim uvjetima (prema
njegovoj ocjeni), ipak će dobijati rezultate koji međusobno odstupaju. Ti
rezultati se gomilaju oko određene vrijednosti, ali metrolog ne zna objasniti
zašto je jedan rezultat manji od te vrijednosti, a drugi nije. Zato se takve
neobjašnjive greške zovu slučajne greške.
Izvori slučajnih mjernih grešaka se generalno mogu svrstati u sljedeće

grupe:
1) nesavršenost mjera i mjernih uređaja;
2) nesavršenost ljudskih osjetila;
3) uticaj i promjenljivost uticaja okoline;
4) nedovoljno mjerno iskustvo i znanje ispitivača.
Rješenju problema načina procjene slučajnih greški doprinos je dao Gauss,

uvodeći pretpostavke koje se mogu smatrati aksiomima teorije slučajnih grešaka:
1) Pri velikom broju ponovljenih mjerenja jednako vjerovatno nastaju

slučajne greške jednake vrijednosti, ali suprotnih predznaka, tj.
vjerovatnoća pojavljivanja negativne greške jednaka je vjerovatnoći
pojavljivanja pozitivne greške.
2) Vjerovatnoća nastanka malih grešaka veća je od vjerovatnoće nastanka
većih grešaka. Na temelju ovog aksioma slijedi da će se, pri dovoljno
velikom broju ponovljenih mjerenja, raspodjela frekvencija slučajnih
grešaka pokoravati normalnoj raspodjeli.
Grube greške nastaju, uglavnom, zbog nepažnje ispitivača, njegovog

nedovoljnog stručnog znanja i zbog izbora neodgovarajućeg mjernog postupka.
Mogućnost pojavljivanja grubih grešaka jedan je od razloga zašto se mjerenja
ponavljaju. Ako se u mnoštvu tako dobijenih rezultata jedan bitno razlikuje,
postoji velika šansa da je u pitanju gruba greška. Općenito se smatra da je riječ o
gruboj grešci onda kada njena vrijednost prelazi trostruku vrijednost srednje
greške, tj. trostruku vrijednost standardnog odstupanja. Mjerne rezultate koji
sadrže grubu grešku treba odbaciti. Prethodno je potrebno takav rezultat ispitati
tj. pokušati ustanoviti uzrok nastanka grube greške.
143
Mjerne greške
Konačno, kao uzrok mjernih grešaka mogu se smatrati i prirodne granice

mjerne tehnike. Postepeno usavršavanje mjernih postupaka, metoda i uređaja
ipak na svom kraju ima nesavladivu granicu koju je postavila sama priroda.
Moderna metrologija nije još doprijela do te granice, ali se u nekim slučajevima
sukobila s njom.
Prirodnu granicu, na primjer, opisuje i Heisenbergova relacija neodre-
đenosti:
xpx  x(mv)  h , (9.1)
koja je izvedena iz osnovnih zakona kvantne teorije. U izrazu (9.1) veličina x

predstavlja neodređenost položaja elektrona, px  (mv) neodređenost impulsa
a h  6,6260693 1034 J·s je Planckova konstanta. Jednačinom (9.1) izražena je
činjenica da se ne može istovremeno tačno ustanoviti i brzina i položaj
elektrona. Na primjer, ukoliko je poznata brzina elektrona sa greškom v , onda
će njegov položaj biti poznat sa greškom x  h /(mv) .
9.2 TAČNOST, PRECIZNOST I OSJETLJIVOST
Pod tačnošću mjerenja podrazumijeva se stepen bliskosti izmjerene vrijednosti

neke fizikalne veličine i njene stvarne vrijednosti. Tačnost mjerenja se, dakle,
kvantitativno može izraziti preko greške mjerenja.
Pod preciznošću mjerenja neke fizikalne veličine podrazumijeva se
ponovljivost (engl. repeatability) mjernog rezultata ili stepen međusobnog
podudaranja niza pojedinačnih izmjerenih vrijednosti dobijenih ponovljenim
mjerenjem. Mjerenje je, dakle, preciznije što se bolje podudaraju tj. manje
rasipaju izmjerene vrijednosti. Egzaktno se preciznost izražava standardnom
devijacijom.
Na slici 9.1 data je ilustracija pojmova tačnost i preciznost gdje je x0 stvarna
vrijednost.
Konstatacija da su rezultati precizni još uvijek ne znači da su i tačni.
Ukoliko, na primjer, srednja vrijednost znatno odstupa od stvarne vrijednosti
mjerene veličine, onda se radi o netačnom mjerenju. Pri tome, rezultati mogu biti
vrlo precizni tj. neznatno se razlikovati.
144
Mjerne greške
(a) (b)
(c) (d)
Slika 9.1. Mogući slučajevi odnosa tačnosti i preciznosti: (a) tačno i precizno,
(b) netačno i neprecizno, (c) netačno a precizno i (d) tačno i neprecizno mjerenje.
Osjetljivost S mjernog uređaja jeste odnos pokazivanja y i promjene x

mjerene fizikalne veličine koja je uzrokovala promjenu pokazivanja tj.:
y
S . (9.2)
x
Pri tome, promjena x mora biti što manja, tek tolika da se njena vrijednost
može sigurno utvrditi. U slučaju da osjetljivost pokaznog uređaja nije jednaka na
svakom mjestu skale, mora se izričito naglasiti za koju vrijednost veličine y ili x
vrijedi navedeni podatak S.
Velika osjetljivost pokaznog mjerila nije nikakva garancija za malu grešku ili
dobru preciznost. Vrlo osjetljivo mjerilo može biti i vrlo neprecizno.
145
Mjerne greške
9.3 VRSTE MJERNIH GREŠAKA
9.3.1. Apsolutna i relativna mjerna greška
Razlika između izmjerene vrijednosti xi fizikalne veličine i njene stvarne

vrijednosti x zove se apsolutna mjerna greška.
ai  xi  x . (9.3)
Izraz (9.3) mogao bi dovesti do pogrešnog zaključka da se stvarna greška ai

može direktno izmjeriti. U tom slučaju moglo bi se zaključiti da je stvarna
vrijednost
x  xi  a i . (9.4)
Ovakav zaključak je nastao zbog pogrešne pretpostavke o tome da je poznata

stvarna vrijednost x.
Stvarna vrijednost mjerene fizikalne veličine se nikako ne može saznati jer
bi se morala ustanoviti eksperimentalno, mjerenjem, a rezultat mjerenja uvijek
sadrži grešku. Najviše što se može učiniti jest to da se sazna interval za koji se
može reći da postoji velika vjerovatnoća da se vrijednost mjerene veličine nalazi
u tom intervalu. Stoga jednačina (9.3) znači da je stvarna vrijednost x mjerene
fizikalne veličine jednaka razlici između izmjerene vrijednosti xi i vjerovatne
mjerne greške ai.
Pošto se stvarna vrijednost ne može ustanoviti, preostaje jedino da se ona
procijeni. Njena najbolja procjena je aritmetička sredina koja se dobija
ponovljenim mjerenjima iste fizikalne veličine, izvedenim s ciljem da se što više
suzi interval u kojem se nalazi nepoznata vrijednost. Zato se u mjernoj tehnici
greška izražava u odnosu prema srednjoj vrijednosti, a ne prema stvarnoj
vrijednosti. Tako definisana greška zove se prividna greška:
bi  xi  x . (9.5)
Razlika između prividne i stvarne greške u pravilu je neznatna pa se umjesto

prividna greška jednostavno koristi termin greška.
Sam podatak o mjernoj grešci ne daje dovoljnu informaciju o mjernom
postupku, pa se uvodi i pojam relativna greška koja se računa kao:
b x x
g i  i . (9.6)
x x
146
Mjerne greške
Relativna greška se izražava i postocima (%) ili promilima (‰) i može biti
različitog predznaka. U slučajevima kada je poznata stvarna vrijednost (npr.
etalon), relativna greška se definiše kao:
xi  x
g 100% . (9.7)
x
Primjer 9.1. Mjerenjem električnog napona dobijena je vrijednost x1  125,1 V. Pod

pretpostavkom da je poznata stvarna vrijednost i da ona iznosi: x  125 V, izračunati
apsolutnu i relativnu grešku.
Apsolutna greška je prema obrascu (9.3):
a1  x1  x  125,1  125  0,1 V.
Relativna greška je:
xi  x 125,1  125
g   0,0008
x 125
Relativna greška, dakle, iznosi g  0,08 % .
Ponavljanje mjerenja se vrši s ciljem smanjivanja greške procjene srednje

vrijednosti. Ukoliko se jednačina (9.3) primijeni na niz izmjerenih vrijednosti,
nakon sumiranja i dijeljenja s brojem mjerenja n dobija se jednačina:
1 n 1 n
x 
n i 1
xi   a i .
n i 1
(9.8)
Prvi član jednačine (9.8) predstavlja aritmetičku sredinu pa je:
1 n
xx  ai ,
n i 1
(9.9)
odnosno: stvarna vrijednost fizikalne veličine x, izmjerene n puta, jednaka je

razlici srednje vrijednosti i greške srednje vrijednosti. U jednačini (9.9) desni
član predstavlja grešku poznavanja srednje vrijednosti
Ukoliko se na izraz (9.9) primijeni prvi aksiom teorije slučajnih grešaka na
osnovu kojeg je:
147
Mjerne greške
1 n
lim  ai  0 ,
n  n i 1
(9.10)
dobija se da je x  x što znači da srednja vrijednost teži stvarnoj vrijednosti

mjerene veličine.
9.3.2. Granična greška mjernog uređaja
Slučajne greške samo su jedan od uzroka koji dovode do nesigurnosti konačnog

rezultata kod mjerenja. Pošto se sistematske greške ne mogu u potpunosti
otkloniti, mjerna tehnika ih uvodi u konačan rezultat pomoću pojma mjerne
nesigurnosti. Odraz te nesigurnosti na mjerne uređaje i mjere izražava se
pojmom granična mjerna greška (garantovana i baždarna), koji omogućuje da se
uređaji i mjere nedvosmisleno podijele na ispravne i neispravne.
Granična greška je ugovoreno ili garantirano najveće dopušteno odstupanje
od stvarne vrijednosti ili od propisane vrijednosti mjerene veličine. To
odstupanje može biti jednostrano (+ ili –) ili dvostrano (  ) i ne smije biti
premašeno, neovisno o tome kolika je mjerna nesigurnost kojom se može
utvrditi mjerni rezultat. Prema tome, granična greška označava granice unutar
kojih mjerni rezultat smije biti neispravan, što omogućuje da se mjerni uređaji i
mjere mogu jednoznačno razvrstati na ispravne i neispravne.
Ako proizvođač mjernog uređaja (mjere) garantuje da vrijednost fizikalne
veličine izmjerene tim uređajem (ili utjelovljene tom mjerom), ne odstupa od
stvarne vrijednosti više nego što je propisano, onda se to odstupanje zove
garantovana granična greška. Pri tom se uređaj ili mjera moraju primjenjivati
pri utvrđenim uslovima. Garantovanom graničnom greškom proizvođač mjernog
uređaja (etalona), garantuje da će pri ispravnoj upotrebi uređaja greška biti
manja ili jednaka garantovanoj graničnoj grešci.
Baždarna granična greška je najveće dopušteno odstupanje vrijednosti koju
pokazuje mjerni uređaj ili utjelovljuje mjera od vrijednosti standarda (etalona).
To znači da će uređaj dobiti baždarni pečat jedino u slučaju ako se njena stvarna
vrijednost nalazi unutar područja: potrebna (naznačena) vrijednost  baždarna
granična greška. Za mjerne uređaje analogan uslov glasi: stvarno pokazivanje =
potrebno pokazivanje  baždarna granična greška.
Ako nije drukčije naznačeno, granične greške obuhvataju sistematske greške
i odstupanja uzrokovana proizvodnim greškama i starenjem materijala. Da bi se
granična greška G mjernog uređaja ili etalona mogla sigurno održati, mjerna
nesigurnost o kojoj će više govora biti u narednom poglavlju, treba biti znatno
manja od nje.
148
Mjerne greške
Granične greške se označavaju tako što se označi područje unutar kojega se

može nalaziti vrijednost izmjerene veličine. Pri tom postoje dvije mogućnosti:
navođenje vrijednosti G granične greške ili navođenje vrijednosti relativne
granične greške.
Ako se stvarna vrijednost veličine x označi sa xo (to je, u stvari, srednja
vrijednost ako je riječ o ponovljenim mjerenjima), a njenu graničnu grešku
(garantovanu ili baždarnu) sa Gx, pokazana (uređaj) ili pohranjena (mjera)
vrijednost veličine se smije nalaziti u granicama
x  x0  Gx . (9.11)
Pri tom vrijednost Gx može biti pozitivna ili negativna ili jedno i drugo.
9.4 PRORAČUN GREŠKE INDIREKTNO MJERENE VELIČINE
Broj fizikalnih veličina koje se mogu mjeriti direktno je malen. Direktno se, na
primjer, mogu mjeriti dužina, frekvencija, masa i još neke, dok se sve ostale
veličine mjere indirektno. Suština indirektne metode mjerenja može se objasniti
primjerom: zapremina kvadra V saznaje se tako što se izmjere dužine a, b i c
njenih stranica, a zatim se izračuna zapremina.
Indirektno mjerena veličina y je funkcija niza međusobno nezavisnih
fizikalnih veličina x1, x2, ..., xi, .., xv kod kojih se srednje vrijednosti dobijaju
direktnim mjerenjem. Općenito se indirektna mjerena veličina y može napisati u
obliku:
y  F  x1 ,..., xi ,...xv  . (9.12)
Svaka od direktno mjerenih veličina poznata je sa određenom greškom. U ovom

poglavlju će biti razmatran uticaj tih grešaka na nesigurnost poznavanja
indirektno mjerene (izračunate) veličine.
9.4.1. Standardna devijacija indirektno mjerene veličine
Za vrijednosti veličina xi u izrazu (9.12) pretpostavlja se da su dobijene

dovoljnim brojem ponovljenih mjerenja i da za njih vrijedi normalna raspodjela
slučajnih grešaka. Na taj način direktno mjerene veličine xi poznaju se u obliku
njihovih srednjih vrijednosti xi , tj. kao najvjerovatnije vrijednosti veličina xi.
Dalje se pretpostavlja da je pri ponovljenim mjerenjima svaka veličina xi
149
Mjerne greške
izmjerena jednak broj puta – n. Standardna devijacija svake od fizikalnih

veličina xi označava se slovom si.
Srednja vrijednost indirektno mjerene veličine y dobija se tako što se u (9.12)
uvrste srednje vrijednosti direktno mjerenih veličina xi, onda se može odrediti
vrijednost sy, kao:
2
v  F 
s 2y   si  , (9.13)
i 1  xi 
koja vrijedi za slučaj kada je si  x . Iako jednačina (9.13) vrijedi za srednje

vrijednosti, ona se može koristiti i onda ako na raspolaganju stoje samo podaci
jednog niza mjerenja xi. U tom se slučaju vrijednosti si moraju poznavati iz
prethodnih mjerenja.
Relativna standardna devijacija indirektno mjerene veličine je:
2 2
sy 1 v  F  v  F s 
ry     x si     x yi  . (9.14)
y y i 1  i  i 1  i 
U slučaju kada je, na primjer, veličina y funkcija zbira niza istorodnih

fizikalnih veličina x1, x2, ... xv koje su direktno izmjerene tj.:
y  a1 x1  a2 x2  ...  av xv   ai xi , (9.15)
gdje su ai tačno poznati brojčani koeficijenti, parcijalnim deriviranjem izraza

(9.15) dobija se:
y y y
a1  , a2  , ... , av  . (9.16)
x1 x2 xv
Uvrštavanjem (9.16) u (9.13) te primjenom jednačine (9.14) nastaju izrazi za

standardnu devijaciju i relativnu standardnu devijaciju:
s y  a12 s12  a22 s22  ...  av2 sv2   ai si 

2
, (9.17)
sy
 ai si 
1
ry  
2
. (9.18)
y y2
150
Mjerne greške
Ako su koeficijenti ai međusobno jednaki i iznose 1, tj. ai  1 , jednačina

(9.15) prelazi u oblik:
y  x1  x2  ...  xv , (9.19)
pa se u tom slučaju izraz za standardnu devijaciju (9.17) pojednostavljuje u:
s y  s12  s 22  ...  s v2 . (9.20)
Primjer 9.2. Odrediti izraz za standardnu devijaciju u slučaju kada je indirektno

mjerena veličina funkcija sljedećeg oblika:
(a) jednaka zbiru dviju direktno mjerenih veličina: y  x1  x2 ,

(b) jednaka razlici dviju direktno mjerenih veličina: y  x1  x 2 ,
(c) za slučaj zbira direktno mjerenih veličina izvesti izraze za sy i ry u slučaju da je
x1=x2,
(a), (b) Korištenjem jednačina (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 će znak za srednju vrijednost biti ispušten) koji su dati u tabeli 9.1.
Tabela 9.1.
(a) y  x1  x2 (b) y  x1  x 2
y y y y
a1   1, a2  1 a1   1, a2   1,
x1 x2 x1 x2
s y  a12 s12  a22 s22  ...  av2 sv2  s12  s22 s y  s12  s22
sy s12  s22 r12 x12  r22 x22 sy s12  s22 r12 x12  r22 x22
ry    ry   
y x1  x2 x1  x2 y x1  x2 x1  x2
(c) U slučaju x1=x2, uz s1=s2, predhodne jednačine prelaze u najjednostavniji mogući

oblik:
y  2 x1 ,
s y  2 s1 ,
r1
ry 
2
pri čemu je r1 = r2 = s1/x1.
151
Mjerne greške
Očito je da indirektno mjerenje veličine y razlikom x1 –x2 dovodi do pogoršanja mjerne

preciznosti, pogotovo ako razlika apsolutnih vrijednosti veličina x1 i x2 nije velika. Ovo
je uočljivo i iz jednačine za ry ako se pretpostavi da je x1  x2 , a r1=r2. U tom slučaju
dobije se približno ry  2r1 x1 /  x1  x2  , što u slučaju  x1  x2   0 uzrokuje ry  .
Metoda indirektnog mjerenja zbira i razlike više istorodnih fizikalnih veličina,

relativno se rijetko susreće u mjernoj tehnici. Indirektno mjerenje se mnogo
češće koristi pri utvrđivanju vrijednosti složene veličine u kojoj je funkcija F
potencija, umnožak ili količnik, a fizikalne veličine x1, ... x2, ..., xv su raznorodne
veličine. Sve tri vrste funkcija općenito prikazuje opća jednačina indirektno
mjerene veličine
y  ax1m x2n ...xvz (9.21)
u kojoj je koeficijent a tačno poznat broj.

Standardna devijacija sy srednje vrijednosti složene veličine y može se
izračunati iz opšte jednačine (9.13). Stoga se prvo računaju parcijalni izvodi
funkcije (9.21):
y my
 amx1m 1 x2n ...xvz  ,
x1 x1
... (9.22)
y zy
 azx1m x2n ...xvz 1  .
xv xv
čijim uvrštavanjem u izraz (9.13) slijedi varijansa:
 s  2  s  2  sv  
2
s 2y  y  m    n   ...   z   ,
2  1 2
(9.23)
 x1   x2   xv  

gdje su s1, s2, ... sv standardne devijacije direktno mjerenih veličina x1, x2, ... xv.
Odnosi r1  s1 x1 , r2  s 2 x 2 , ..., rv  s v xv predstavljaju relativne standardne
devijacije direktno mjerenih veličina, pa je opšti izraz za relativnu standardnu
devijaciju na osnovu (9.23):
152
Mjerne greške
sy
ry   m 2 r12  n 2 r22  ...  z 2 rv2 . (9.24)
y
Primjer 9.3. Za funkcije oblika y  ax1 x2 i y  a x1 x2 (gdje veličine x1 i x2 mogu biti

raznorodne ili istorodne fizikalne veličine), 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 tražene slučajeve imaju oblike date u tabeli 9.2.
Tabela 9.2.
y  ax1 x2 x1
ya
x2
m  1, n 1 m  1, n  1
  ax2 s1    ax1s2 
2 2 2 2
s 2y  s   x1 s2 
s 2y   a 1  a 
sy sy  x2   x2 x2 
ry    r12  r22
y ax1 x2 sy
ry   r12  r22
y
Uočljivo je da su izrazi za relativne standardne devijacije proizvoda i količnika jednaki.
9.4.2. Zakoni prirasta sistematske greške indirektno mjerene veličine
U slučaju kada je indirektno mjerena veličina y funkcija samo jedne direktno

mjerene veličine x tj.
y  F ( x) , (9.25)
i ako je prilikom mjerenja veličine x učinjena sistematska greška Δx (pozitivna

ili negativna), ona će uzrokovati sistematsku grešku Δy indirektno mjerene
veličine y. Tada jednačina (9.25) dobija oblik:
y  y  F ( x  x) . (9.26)
Ako je sistematska greška Δx relativno mala u odnosu prema vrijednosti x, tj.

x x , može se smatrati da x  dx pa izraz (9.26) postaje:
153
Mjerne greške
y  dy  F ( x  dx) . (9.27)
Razvojem desne strane jednačine (9.27) u Taylorov red, dobija se:
1 1
y  dy  F ( x)  dx  F '( x)  (dx)2  F ''( x)  (dx)3  F '''( x)  ... (9.28)
2 23
Nakon odbacivanja članova drugog i viših redova, slijedi:
y  dy  F ( x)  dx  F '( x). (9.29)
Uvrštavanjem izraza (9.25) u (9.29) slijedi izraz za proračun sistematske greške

indirektno mjerene veličine:
dy  dx  F '( x) , (9.30)
odnosno:
y  x  F '( x) . (9.31)
Na osnovu izraza (9.31) vidi se da je sistematska greška jednaka umnošku

sistematske greške Δx mjerene veličine x i izvoda funkcije F(x).
Relativna sistematska greška indirektno mjerene veličine dobija se tako što se
Δy, odnosno dy, iz (9.30) podijeli sa y, gdje je y srednja vrijednost:
y dy dx  dy / dx
gy     d  ln y   d ln F  x   (9.32)
y y y
jer je dF(x)/dx jednako diferencijalu prirodnog logaritma funkcije y = F(x).
Proračunavanje sistematske greške indirektno mjerenih veličina obavlja se u

pojedinim konkretnim slučajevima pomoću primjene općih izraza. Jednostavnije
je, dakako, da se greška Δx uzme u obzir već prilikom utvrđivanja srednje
vrijednosti x (y je funkcija srednje vrijednosti veličine x ako je riječ o
ponovljenim mjerenjima), jer se onda ne mora proračunavati uticaj Δx na Δy.
Često, međutim, sistematske greške Δx nisu do kraja poznate u trenutku obrade
mjernih rezultata ili budu otkrivene tek naknadno. U takvim slučajevima se vrši
naknadna korekcija srednje vrijednosti veličine y da bi se dobio rezultat koji je
najbliži stvarnoj vrijednosti.
154
Mjerne greške
Primjer 9.4. Odrediti sistematsku grešku ako je y eksponencijalna funkcija jedne

varijable:
y  F ( x )  ax n ,
gdje su a i n tačno poznati koeficijent i eksponent.
Izvod eksponencijalne funkcije je:
dF d y
y '  F '( x)   (axn )  anx n 1  n
dx dx x
čijim unosom u opšti izraz (9.31) slijedi vrijednost sistematske greške Δy indirektno
mjerene veličine y u ovisnosti o sistematskoj grešci Δx stvarno mjerene veličine x:
y
y  x  y '  xn  nyg x
x
gdje gx označava relativnu sistematsku grešku direktno mjerene veličine, tj. gx = Δx/x.
Relativna sistematska greška je:
y
gy   ng x ,
y
što znači da je greška gy veća n puta od gx. Ako je n>1, bit će i gy>gx, dok za n<1, bit će
gy <gx.
Općenito je indirektno mjerena fizikalna veličina y funkcija više međusobno

nezavisnih fizikalnih veličina koje mogu biti istorodne ili raznorodne. Ako
njihove sistematske greške iznose Δxi, a relativne sistematske greške gi=Δxi/xi,
onda je sistematska greška Δy:
v
 F 
y    xi  . (9.33)
i 1  xi 
Vrijednost relativne sistematske greške gy, indirektno mjerene veličine y dobija

se iz gy=Δy/y, gdje je y srednja vrijednost ako je riječ o ponovljenim mjerenjima.
Moguće je pokazati da izraz za neposredno računanje relativne sistematske
greške glasi:
155
Mjerne greške
y
gy 
y

 d ln  F  x1 ,...xi ,...xv   , (9.34)
tj. gy je jednaka totalnom diferencijalu prirodnog logaritma indirektno mjerene

veličine.
U tabeli 9.3 dat je pregled izraza za prirast sistematskih grešaka za neke
oblike funkcija s jednom ili više varijabli.
Tabela 9.3. Izrazi za prirast sistematskih grešaka.

Funkcija Sistematska greška Relativna greška
y
y  F ( x1 ,..., xi ,..., xv ) y gy 
y
Funkcije s jednom varijablom

y  ax y  ax g y  x x  g x
ya n
y  ny x x g y  n x x  ng x
ya x
y  xy ln a g y  x ln a
y  a sin x y  xa cos x g y  x ctg x
y  a cos x y  xa sin x g y  x tg x
y  a tg x y  x a cos 2 x g y  x 2 sin2x
y  a ctg x y  x a sin 2 x g y  x 2 sin2x
Funkcije više varijabli
y  ax1  ax2  ... y  ax1  ax2  ... g y  a1 x1 y  a2 x2 y  ...

y  x1  x2 y  x1  x2 g y   x1  x2  y
y  x1  x2 y  x1  x2
g y   x1  x2  y
y  ax x 
m n
 x x 
1 2
y  y  m 1  n 2   g y  mg1  ng 2  ...
 x1 x2 
y  ax1 x2 y  a  x2 x1  x1x2  g y  g1  g2
y  a x1 x2

y  a x1 x2  x1x2 x 2
2  g y  g1  g2
156
Mjerne greške
Primjer 9.5. Određena veličina definisana je jednačinom:
x1  x2
y .
x3
Nominalnim vrijednostima nezavisno promjenjivih (x10, x20 i x30) odgovara nominalna

vrijednost y0. Odrediti izraz za stvarnu vrijednost veličine y ako se nominalne vrijednosti
xi promijene za vrijednosti Δxi.
Apsolutna greška Δya veličine y dobija se na osnovu izraza (9.33) koji u ovom slučaju
ima oblik:
3
f
ya   xi ,
i 1 xi
gdje su parcijalni izvodi:
f 1
 ,
x1 x3
f 1
 ,
x2 x3
f x x
 2 2 1,
x3 x3
na osnovu kojih je apsolutna greška:
1  x10  x20  1
ya   x1  x2  x3    x1  x2  y0 x3  .
x30  x30  x30
Stvarna vrijednost indirektno mjerene veličine je:
1
ys  y0  ya  y0   x1  x2  y0 x3  ,
x30
pri čemu se kod konkretnih izračunavanja moraju imati u vidu predznaci grešaka xi i
y a .
157
Mjerne greške
9.4.3. Granična greška indirektno mjerene veličine
Pod pretpostavkom se da se ne zna predznak vrijednosti granične greške Gi

nijedne direktno mjerene veličine xi tj. očekuje se da sve veličine xi mogu
istodobno poprimiti svoju maksimalnu ( xi  Gi ) ili minimalnu ( xi  Gi )
vrijednost, granična greška Gy računa se kao:
v
F  F F F 
Gy   Gi    G1  ...  Gi  ...  Gv  (9.35)
i 1 xi  x1 xi xv 
Pošto je sigurno da se stvarna vrijednost veličine y nalazi u rasponu

y  y  G y , granična greška Gy zove se sigurna greškak ili maksimalna
moguća greška.
Vjerovatnoća da će se stvarna vrijednost indirektno mjerene veličine y
nalaziti baš na gornjoj ili donjoj granici je vrlo mala. Drugim riječima: mala je
vjerovatnoća da granična greška Gy veličine y bude tako velika. Ta je vjero-
vatnoća manja što je broj i direktno mjerenih veličina xi veći. Zato se za
izračunavanje granične greške indirektno mjerene veličine može koristiti izraz:
2
 F 
v
*
Gy    Gi  . (9.36)
i 1  xi 
Usporedba jednačina (9.35) i (9.36) pokazuje da je statistička granična greška

*
Gy uvijek manja od granične greške Gy, tj. *G y  G y , pa su statističke granice
vrijednosti veličine y:
y  y  *G y  y  *G y , (9.37)
uvijek uže od sigurnih (maksimalno mogućih).

Stvarna vrijednost veličine y može izaći iz okvira koji definiše
jednačina(9.37). Zato vrijednost *Gy nije sasvim sigurna (kao što je Gy), već se
nalazi na određenom nivou sigurnosti (statističkoj vjeovatnoći). Uobičajeni
mjerni uređaji omogućavaju da statistička sigurnost iznosi oko 95%.
158
Mjerna nesigurnost
10
MJERNA
NESIGURNOST
Najvažniji zadatak svakog mjeriteljskog laboratorija je davanje iskaza o rezulta-

tima mjerenja koji moraju biti jasni i nedvosmisleni, kako bi korisnici iz njih
mogli izvoditi pravilne zaključke. Iskoristivost mjernih rezultata i većine
podataka koje daju mjeriteljski laboratoriji je u velikoj mjeri određena
kvalitetom iskaza mjerne nesigurnosti koja prati te rezultate.
10.1 UVOD
Mjerna nesigurnost je parametar pridružen mjernom rezultatu koji opisuje
rasipanje vrijednosti koje se mogu razumno pripisati mjerenoj veličini. Kod
proračuna mjerne nesigurnosti veličina koja je podvrgnuta mjerenju naziva se
izlazna veličina Y, i ona može zavisiti od više ulaznih veličina Xi (i=1,2,...,v), tj.
Y  f ( X 1 , X 2 ,..., X v ) . (10.1)
Funkcija modela f predstavlja mjerni postupak i metodu određivanja vrijednosti

izlazne veličine. Ona opisuje kako se izlazna veličina Y dobija iz vrijednosti
ulaznih veličina Xi. Uglavnom su to analitički izrazi, ali mogu biti i grupe takvih
izraza koji obuhvataju ispravke i faktore ispravka zbog sistemskih uticaja, čime
se dobijaju složeni izrazi koji se ne mogu eksplicitno napisati kao jedna funkcija.
159
Mjerna nesigurnost
Isto tako, funkcija f se može odrediti eksperimentalno ili biti zapravo neki
proračunski algoritam.
Ulazne veličine Xi mogu se svrstati u dvije glavne grupe:
1) One veličine čija se procjena i njoj pridružena nesigurnost određuju
direktno mjerenjem. Ove se vrijednosti mogu dobiti pojedinačnim ili
ponovljenim mjerenjima ili procjenom na temelju iskustva. Mogu
uključivati određene ispravke očitanja mjerila i ispravke zbog različitih
uticajnih veličina, npr. okolinski uslovi i drugo.
2) Veličine čija se procjena i njoj pridužena nesigurnost unose u mjerenje
iz vanjskih izvora (na primjer veličine pridružene umjeravanju mjernih
etalona, potvrđenih referentnih materijala ili referentnih podataka koji se
uzimaju iz tablica.
Procjena mjerene (izlazne) veličine y dobija se iz jednačine (10.1) korištenjem
procjena ulaznih veličina xi:
y  f ( x1 , x2 ,..., xv ) . (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 veličine.
Kod izražavanja mjerne nesigurnosti pri kalibriranju (umjeravanju), na osnovu
propisa datih u EA-4/021, mjerna nesigurnost pridružena procjenama ulazne
veličine određuje se kao:
─ standardna nesigurnost A vrste i
─ standardna nesigurnost B vrste.
(a) Kod određivanja standardne nesigurnosti A vrste koristi se statistička

analiza. U tom slučaju standardna nesigurnost je eksperimentalna standardna
devijacija srednje vrijednosti tj.
u ( x)  s n, (10.3)
gdje je s procjena standardne devijacije a n broj mjerenja,
(b) Određivanje standardne nesigurnosti tipa B zasniva se na nekim drugim

naučno utemeljenim metodama. Naime, pošto u ovom slučaju ne postoje
ponovljena mjerenja, za procjenu se koriste uglavnom pravougaona i trougaona
raspodjela.
1
EA-4/02 European Cooperation for Accreditation: Expression of the Uncertainty of Measurement
in Calibration.
160
Mjerna nesigurnost
Varijansa i standardna devijacija se proračunavaju procjenom koja se

zasniva na svim raspoloživim podacima o mogućoj promjenjivosti varijable xi.
Ti podaci mogu biti: proizvođačke specifikacije, raniji mjerni podaci, iskustvo sa
materijalima i instrumentima ili općenito poznavanje ponašanja i svojstava
bitnih materijala i instrumenata, podaci dati u potvrdama o umjeravanju i drugim
potvrdama, nesigurnosti dodijeljene referentnim podacima uzetim iz priručnika.
Na ovaj način proračunato s2 ponekad se naziva varijansom B-vrste.
Za neke najčešće korištene raspodjele standardne mjerne nesigurnosti se
računaju prema izrazima:
 normalna raspodjela pod pretpostavkom da vrijednosti x leže između a 

i a  i za nivo povjerenja P=95%: u ( x)  a 4,
 pravougaona raspodjela, (vidjeti izraz (5.23) za varijansu u slučaju
pravougaone raspodjele): u ( x)  a 3 ,
 trougaona raspodjela (vidjeti izraz (5.25)): u ( x)  a 6.
Izvori mjerne nesigurnosti. Nesigurnost mjernog rezultata, dakle, rezultat je

pomanjkanja potpunog saznanja o vrijednosti mjerene veličine. Potpuno znanje,
teorijski, zahtijeva beskonačan broj podataka. Sve pojave koje doprinose
nesigurnosti i činjenici da se mjerni rezultat ne može opisati jednom vrijednosti
nazivaju se izvorima nesigurnosti.
U praksi egzistira veliki broj mogućih izvora nesigurnosti, od kojih su
najvažniji:
─ nepotpuna definicija mjerene veličine,
─ nesavršenstvo pri ostvarivanju definicije mjerene veličine,
─ nereprezentativno uzorkovanje (mjerni uzorak može neadekvatno pre-
dstavljati određenu mjerenu veličinu),
─ nedovoljno poznavanja uslova okoline u kojima se vrši mjerenje (vlažno-
st, temperatura, atmosferski pritisak, osvijetljenost, prisustvo druge
opreme) ili pak njihovo nesavršeno mjerenje,
─ nesavršenost metoda mjerenja i mjernih uređaja (drift nule, drift
osjetljivosti, histerezis i dr.),
─ subjektivnost pri očitavanju kod analognih mjerila,
─ konačno razlučivanje mjerila ili prag osjetljivosti,
─ netačne vrijednosti mjernih etalona i referentnih materijala,
─ netačne vrijednosti različitih konstanti i drugih parametara koji se
dobijaju iz vanjskih izvora i koriste u algoritmima za obradu podataka,
─ aproksimacije i pretpostavke koje su ugrađene u mjernu metodu i
postupak,
161
Mjerna nesigurnost
─ interakcija između sistema mjerenja i mjerene veličine,

─ razlike u ponovljenim mjerenjima koje se odvijaju pod prividno istim
uslovima.
10.2 NEPOUZDANOST SREDNJE VRIJEDNOSTI
Ponavljanje mjerenja se vrši s ciljem pronalaženja srednje vrijednosti koja je što

bliža stvarnoj vrijednosti i da se smanji greška utvrđene srednje vrijednosti. U
izrazu:
1 n
xx  ai ,
n i 1
(10.4)
konstatovano je da desni sabirak predstavlja grešku poznavanja srednje vrije-

dnosti. Na osnovu izraza kojim se definira srednje kvadratno odstupanje:
1 n 1 n
s   xi  x 2   ai2 , (10.5)
n i 1 n i 1
slijedi:
2
n n 
ns 2
  ai2    ai  , (10.6)
i 1  i 1 
odakle je:
n
 ai  s n , (10.7)
i 1
čijim se unosom u (10.4) dobija:
s
xx . (10.8)
n
Iz (10.8) se vidi da greška srednje vrijednosti opada sa drugim korijenom iz

broja mjerenja n, uz pretpostavku da je standardna devijacija s konstantna.
Greška srednje vrijednosti zove se nepouzdanost srednje vrijednosti ili kraće
nepozudanost i računa se kao:
162
Mjerna nesigurnost
s 1 n
  xi  x  ,
2
C  (10.9)
n n(n  1) i 1
pa jednačina (10.8) dobija oblik:
x x C ili xx C , (10.10)
jer vrijednost nepouzdanosti C s jednakom vjerovatnoćom ima pozitivan ili

negativan predznak. Ovo je prikazano na slici 10.1 gdje se vidi kako se pri
s=const. s porastom broja n međusobno približavaju gornja x  C i donja
x  C granica pouzdanosti. Unutar ovog područja pouzdanosti nalazi se stvarna
vrijednost x. Pošto se radi o slučajnim greškama, nije sigurno da će se x zaista
nalaziti unutar naznačenih granica, pa se treba zadovoljiti s većom ili manjom
vjerovatnoćom (statističkom sigurnosti) da razlika između 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 povećavati

broj mjerenja. Uz pretpostavku da je s=const, pomoću izraza (10.9) može se
pokazati da povećanje n od n=1 do n=10 daje odnos C1 /C10 =3,16. Za isti odnos
smanji se nepouzdanost i u slučaju ako se n poveća od 10 na 100, tj. C10 /C100
=3,16. Ovo je jedan od razloga zašto se u praksi rijetko izvodi više od 10
mjerenja (izuzetak su najpreciznija mjerenja vrhunske metrologije). Drugi razlog
je taj što se povećanjem broja n preko određene granice ne može bitno smanjiti
mjerna nesigurnost srednje vrijednosti, jer se ne mogu izbjeći preostale
sistematske greške.
163
Mjerna nesigurnost
Relativna nepouzdanost c definiše se kao c  C x pa se jednačina (10.10)

može prikazati i u obliku:
 C
x  x  1    x 1  c  ili x  x 1  c  . (10.11)
 x
Treba napomenuti da jednačine (10.9), (10.10) i (10.11) vrijede uz statističku

sigurnost P=68,3% (vjerovatnoća da će se stvarna vrijednost x nalaziti u
području pouzdanosti P=0,683) te uz pretpostavke da se raspodjela slučajnih
grešaka pokorava normalnoj raspodjeli i da je broj ponovljenih mjerenja n
dovoljno velik (n = 25÷30).
Podatak o statističkoj sigurnosti nepouzdanosti C općenito znači to da se
stvarna vrijednost n-struko mjerene fizikalne veličine x nalazi s vjerovatnoćom P
unutar intervala oko srednje vrijednosti. Postavlja se, međutim, pitanje, koliko će
iznositi nepouzdanost srednje vrijednosti ako se, na primjer, želi znati sa većom
ili manjom sigurnosti?
Ako se sa C(P) označi nepouzdanost srednje vrijednosti pri statističkoj
sigurnosti 0  P  1 , opšta nepouzdanost se može izračunati pomoću jednačine:
z
C ( P)  . (10.12)
n
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
različitim (karakterističnim) statističkim sigurnostima.
Tabela 10.1. Podaci o nepouzdanosti srednje vrijednosti za neke karakteristične

statističke sigurnosti
Granice unutar kojih se
Statistička Višekratnik Nepouzdanost
nalazi nP mjernih
sigurnost standardnog srednje vrijednosti
rezultata
P, % odstupanja, z C
P   z ,   z 
68,3 1 x   n
95 1,960 x 1,96 1,96 n
95,44 2 x  2 2 n
99 2,576 x  2,576 2,576 n
99,73 3 x  3 3 n
164
Mjerna nesigurnost
Nepouzdanost srednje vrijednosti izračunava se pomoću jednačine (10.12)

jedino ako je poznata standardna devijacija populacije. Međutim, veličina σ u
većini slučajeva nije poznata jer se ona utvrđuje na temelju velikog (sa
stanovišta mjerne tehnike) broja ponovljenih mjerenja. Za mali 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 malog broja uzoraka odabranih
nasumice ili prema tablicama slučajnih brojeva. Studentova raspodjela uzrokuje
manje troškove, jer je potreban manji broj mjerenja, čime se štedi i vrijeme, pa je
uskoro naišla i na druge primjene.
Nepouzdanost C stoga zavisi od faktora t Studentove raspodjele i broja
ponovljenih mjerenja:
C  C n, P  
ts
. (10.13)
n
Stvarna vrijednost n puta izmjerene veličine x nalaziti će se unutar granica pou-

zdanosti:
ts ts
x xx  . (10.14)
n n
Primjer 10.1. Mjerenje etalonske pločice (reportera) nazivne dužine 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 izračunati
nepouzdanost i relativnu nepouzdanost pri P = 68,3%.
Tabela 10.2. Rezultati ponovljenih mjerenja dužine granične mjerke.
xi, mm fi fi n fixi ( xi  x ) ( xi  x ) 2 f i ( xi  x ) 2
10,001 3 0,06 30,003 -0,004 1,47456E-05 4,42368E-05

10,002 4 0,08 40,008 -0,003 8,06560E-06 3,22624E-05
10,003 6 0,12 60,018 -0,002 3,38560E-06 2,03136E-05
10,004 8 0,16 80,032 -0,001 7,05600E-07 5,64480E-06
10,005 10 0,20 100,050 0,000 2,56000E-08 2,56000E-07
10,006 7 0,14 70,042 0,001 1,34560E-06 9,41920E-06
10,007 8 0,16 80,056 0,002 4,66560E-06 3,73248E-05
10,008 3 0,06 30,024 0,003 9,98560E-06 2,99568E-05
10,009 1 0,02 10,009 0,004 1,73056E-05 1,73056E-05
Σ 50 1 500,242 1,96720E-04
165
Mjerna nesigurnost
Prema podacima iz tabele 10.2 aritmetička sredina i standardna devijacija iznose:
1 k  1
 fi  xi  x    1,9672  104  2,0036  103 mm.
2
s 
n  1 i 1   50  1
Nepouzdanost i relativna nepouzdanost srednje vrijednosti za zadatu statističku sigurnost

(P = 68,3 %) iznose:
zs 1  2,0036 103
C   2,834 104 mm,
n 50
C 2,834 104
c   2,832 105 .
x 10,00484
Konačan rezultat obrade mjernih podataka se može prikazati u obliku:

x  10,00484 1  2,8 105 mm. 
Dobijeni rezultat je definitivan jedino u slučaju odsustva sistematskih grešaka.
Primjer 10.2. Sa pet uzastopnih mjerenja zapremine utvrđene su vrijednosti koje su

date u tabeli 10.3.
Tabela 10.3.
R. br. V, mm3
1 1173
2 1170
3 1173
4 1174
5 1172
Izračunati nepouzdanost i relativnu nepouzdanost pri statističkim sigurnostima P = 95%

i P = 99%.
166
Mjerna nesigurnost
Aritmetička sredina i standardna devijacija iznose:
1 n
 xi  5 (1173  ...  1172)  1172, 4 mm3.
1
x
n i 1
1 n
  xi  x   5  1 (1173  1172, 4)2  ...  (1172  1172, 4)2   1,52 mm3.
2 1
s
n  1 i 1
Pošto se radi o malom broju ponovljenih mjerenja, granice pouzdanosti dobijene srednje
vrijednosti se računaju korištenjem Studentove raspodjele. Za statističku sigurnost
P=95% i pri n=5 mjerenja, tablična vrijednost faktora Studentove raspodjele (tabela u
prilogu B2) iznosi: t=2,571, pa nepouzdanost iznosi:
ts 2,5711,52
C( P 0,95)     1, 74 mm3.
n 5
Rezultat mjerenja se, prema tome, može izraziti u obliku:
x  x( P 0,95)  x  C  1172, 4 mm3  1,74 mm3 .
Relativna nepouzdanost iznosi:
C 1,74
c   1,5 103 ,
x 1172, 4
pa je rezultat mjerenja:

x  x 1  c   1172, 4 mm3 1  1,5 103 . 
Rezultati proračuna za obje statističke sigurnosti dati su u tabeli 10.4.
Tabela 10.4.
P 95% 99%
t 2,571 4,032
C, mm3 ±1,74 ±2,73
─3 ─3
c ±1,5∙10 ±2,3∙10
167
Mjerna nesigurnost
10.3 MJERNA NESIGURNOST
10.3.1. Mjerna nesigurnost srednje vrijednosti
Rezultat ponovljenih mjerenja neke fizikalne veličine može se izraziti pomoću

nepouzdanosti srednje vrijednosti C jedino u slučaju ako je sigurno da su pri
obradi mjernih rezultata uzete u obzir sve sistematske greške. Drugim riječima,
primjena pojma nepouzdanost pretpostavlja da na rasipanje izmjerenih vrije-
dnosti oko srednje vrijednosti utiču isključivo slučajne greške koje se
pokoravaju zakonu normalne raspodjele. Jedino se uz tu pretpostavku konačan
rezultat mjerenja može izraziti u obliku:
x  x C . (10.15)
Kako je u poglavlju 9 rečeno, potpuna eliminacija sistematskih grešaka u

mjernoj tehnici je teško izvodiva jer koliko god pažljivo bile otkrivane, gotovo
uvijek preostaju takve sistematske greške koje se ne mogu utvrditi. Te
neobuhvaćene (preostale) sistematske greške uzrokuju da je konačan rezultat
ponovljenih mjerenja nesigurniji nego što to izražava jednačina (10.15).
U nekim slučajevima one se mogu procijeniti povećanjem broja mjerenja. Iz
većeg broja mjerenja iste veličine pod jednakim uslovima ponekad se analizom
rezultata mogu utvrditi sistematske greške koje nije bilo moguće uočiti uz manji
broj mjerenja. Sa povećavanjem broja n vrijednost preostale sistematske greške
E se smanjuje, čime se smanjuje i nesigurnost konačnog rezultata, ali još uvijek
preostaju neke sistematske greške koje treba procijeniti.
Proširenje granica pouzdanosti srednje vrijednosti procjenjuje se veličinom
mjerna nesigurnost srednje vrijednosti, koja se definiše kao:
u    C  E . (10.16)
Iz jednačine (10.16) vidi se da je nesigurnost u jednaka zbiru apsolutnih

vrijednosti nepouzdanosti C i procijenjene preostale sistematske greške E. Prema
tome, nije dovoljno da se konačan rezultat ponovljenih mjerenja izrazi
jednačinom (10.9), umjesto nepouzdanosti C treba u nju uvesti nesigurnost
definisanu jednačinom (10.16), tj.
x  x  u  x   C  E . (10.17)
168
Mjerna nesigurnost
Jednačine (10.16) i (10.17) ukazuju da nema svrhe pretjerano povećavati broj

ponovljenih mjerenja, jer se zbog preostalih sistematskih grešaka E (koje se ne
znaju, već se procjenjuju) mjerna nesigurnost u praktično može smanjiti samo do
određene granice ( n ), a i teoretski samo do u=E ( n   ). Znatno većim
brojem n postignuto smanjenje nesigurnosti nije u skladu s povećanjem utroška
vremena i novaca. Ako je ipak neophodno da se nesigurnost bitno smanji, onda
treba da se uporedo s povećanjem n smanji i E. Pri navođenju konkretnih
vrijednosti nesigurnosti treba navesti kolika je njihova statistička sigurnost P.
10.3.2. Mjerna nesigurnost indirektno mjerene veličine
Pošto je svaka direktno mjerena veličina xi (ni=n1=n2=...=nv) izmjerena n puta,

uz uslov da je procjena standardne devijacije (s) dovoljno bliska stvarnoj
standardnoj devijaciji σ, parcijalne nepouzdanosti srednje vrijednosti su:
si
Ci  . (10.18)
n
Nepouzdanost srednje vrijednosti indirektno mjerene veličine y je:
2
sy  f si 
v
Cy     . (10.19)
n i 1  xi n
Ako je broj ponovljenih mjerenja mali, koristi se Studentova raspodjela gdje je:
si t
Ci  , (10.20)
n
gdje se t odnosi na jednaku statističku sigurnost P=const. za sve direktno

mjerene veličine xi. Nepouzdanost srednje vrijednosti tada je:
2
syt  f tsi 
v
Cy     . (10.21)
n i 1  xi n
169
Mjerna nesigurnost
Procjenom preostalih sistematskih grešaka određene su nesigurnosti ui srednjih

vrijednosti direktno mjerenih veličina. Standardna nesigurnost veličine y, gdje je
y procjena mjerene veličine Y, pa prema tome i mjernog rezultata, dobija se
odgovarajućim kombinovanjem (sastavljanjem) standardnih nesigurnosti procje-
na ulaznih veličina x1, x2 ,..., xv. Sve ulazne veličine su neovisne (nekorelirane).
Stoga se ovako dobijena mjerna nesigurnost naziva i kombinovana (sastavljena)
nesigurnost i označava sa uc. Nesigurnost srednje vrijednosti indirektno mjerene
veličine procjenjuje se prema izrazu:
2
 f 
v v
uc ( y )      ci ui  ,
2
ui   (10.22)
i 1  xi  i 1
koji vrijedi za slučaj ako udio procijenjenih nepoznatih sistematskih grešaka ui

nije znatno veći od udjela slučajnih grešaka. Parcijalni izvodi u izrazu (10.22)
nazivaju se koeficijenti osjetljivosti (ci). Oni opisuju kako se procjena vrijednosti
izlazne veličine y mijenja sa promjenama vrijednosti procjena ulaznih veličina.
Ako je nelinearnost funkcije y značajna, tada se izraz (10.22) proširuje
članovima višeg reda koji se dobiju nakon razvoja funkcije (10.22) u Taylorov
red. Ako su raspodjele svih ulaznih veličina Xi simetrične oko svojih srednjih
vrijednosti, tada je najvažniji član višeg reda kojeg treba dodati u jednačini
(10.22) sljedeći:
  2 
2

1  f
 
v v
  2  x x   u  xi   u x j  .
2 2
(10.23)
 
  i j 
i 1 j 1

Ako su ulazne veličine korelirane, tada je propagacija nesigurnosti data

sljedećim izrazom:
2
 f  2 v 1 v f f
 
v
uc  y      u  xi   2  u xi , x j . (10.24)
i 1  xi  i 1 j i 1 xi x j

gdje je u xi , x j  procjena kovarijanse.
170
Mjerna nesigurnost
Stepen korelacije između veličina xi i xj se računa prema izrazu:
u ( xi , x j )
r ( xi , x j )  r ( x j , xi )  . (10.25)
u ( xi )  u ( x j )
Između dvije ulazne veličine mogu postojati izražene korelacije ako se u

njihovom određivanju koriste isti mjerni instrumenti, isti etalon sa značajnom
standardnom nesigurnosti. Ove korelacije se ne mogu zanemariti ako su
značajne
Izraz za mjernu nesigurnost se na osnovu izraza za koeficijent korelacije
(10.25) može napisati i u obliku:
v 1
 
v v
uc  y    ui2  y   2  ui  y   u j  y   r xi , x j . (10.26)
i 1 i 1 j i 1
gdje je:
ui ( y )  ci u ( xi ) . (10.27)
Može se primijetiti da drugi član ispod korijena može poprimiti i negativne

vrijednosti.
10.4 PROŠIRENA MJERNA NESIGURNOST
Iako se veličina uc može koristiti za sveobuhvatno izražavanje nesigurnosti

mjernog rezultata, u nekim trgovačkim, industrijskim i upravnim primjenama, te
kada je riječ o zdravstvu i sigurnosti, često je nužno dati mjeru nesigurnosti koja
određuje interval oko mjernog rezultata za koji se može očekivati da obuhvata
veliki dio raspodjele vrijednosti koje se razumno mogu pridružiti mjernoj
veličini.
Veličina koja određuje interval oko rezultata, za koju se može očekivati da
uključi dio raspodjele vrijednosti koje mogu opravdano biti pripisane mjerenoj
veličini, naziva se proširena nesigurnost (U). Proširena nesigurnost dobija se
množenjem kombinovane standardne nesigurnosti uc sa faktorom pokrivanja kp :
U  k p uc . (10.28)
171
Mjerna nesigurnost
Mjerni rezultat tada se izražava u obliku:
x  x U , (10.29)
što znači da je x najbolja procjena vrijednosti koja se može pripisati mjerenoj

veličini x i da je x  U interval za koji se može očekivati da obuhvata veliki dio
raspodjele vrijednosti koje bi se mogle razumno pripisati veličini x.
Tačnije, U se tumači kao da određuje interval oko mjernog rezultata koji
obuhvata veliki dio raspodjele vjerovatnoće koju opisuju taj rezultat i njegova
kombinovana standardna nesigurnost, gdje je P vjerovatnoća pokrivanja ili nivo
povjerenja tog intervala. Kada god je to praktično moguće, potrebno je uz
interval određen sa Up navesti i pridruženi nivo povjerenja P.
Može se uočiti da množenje uc konstantom ne daje nikakve nove podatke,
nego prikazuje ranije dostupne podatke u drugom obliku. Međutim, u većini
slučajeva je i nivo povjerenja P (posebno za vrijednosti P blizu 1) prilično
nesiguran, ne samo zbog ograničenog znanja raspodjele vjerovatnoće koju
opisuju x i u (posebno u njenim rubnim dijelovima) nego također i zbog same
nesigurnosti.
Faktor pokrivanja (nivo povjerenja) je brojčani faktor koji se koristi kao
množitelj kombinovane standardne nesigurnosti da bi se dobila proširena
nesigurnost. Vrijednost faktora pokrivanja bira se na osnovu zahtijevanog nivoa
povjerenja za interval x  x  U .
Obično se kp uzima u području između 2 i 3 a za posebne primjene može biti
i izvan tog područja. Izbor prave vrijednosti za kp može olakšati iskustvo sa
potpunim znanjem primjene mjernog rezultata. U najboljem slučaju, želi se imati
mogućnost odabira takve vrijednosti faktora pokrivanja koja bi osiguravala da
intervalu x  x  U odgovara poseban nivo povjerenja P, kao na primjer 95% ili
99%. Također, potrebno je za određenu vrijednost kp jednoznačno navesti nivo
povjerenja pridružen tom intervalu.
Međutim, ovo u praksi nije jednostavno učiniti jer zahtijeva dobro
poznavanje raspodjele vrijednosti koju opisuju mjerni rezultat x i njegova
kombinovana standardna nesigurnost. U praksi se često pretpostavlja da kp=2
daje interval koji ima nivo povjerenja približno 95%, dok za kp=3 ovaj nivo je
približno 99%.
Tok proračuna proširene nesigurnosti može se svesti na sljedeće korake:
1) Određivanje matematičkog modela y  f ( x1 , x2 ,..., xv ) ,
2) Proračun kombinovane nesigurnosti uc(y);
172
Mjerna nesigurnost
3) Proračun stvarnog (efektivnog) broja stepeni slobode veff iz Welch-

Satterthwaiteove jednačine:
uc4 ( y )
 eff  (10.30)
v
ui4 ( y )
 i
i 1
4) Određivanje faktora t za željeni nivo povjerenja P. Ako stvarni broj

stepeni slobode veff nije cijeli broj, vrši se interpolacija ili zaokruživanje
veff na prvi niži cijeli broj (tabela 10.5);
Tabela 10.5. Faktor pokrivanja kp za razne efektivne stepene slobode νeff.

veff 1 2 3 4 5 6 7 8 10 20 50 
kp 13.97 4,53 3,31 2.87 2.65 2.52 2.43 2.37 2.28 2.13 2.05 2.00
5) Odabir kp i proračun U.
Primjer 10.3. Kalibracija otpornika nazivne otpornosti 1 Ω vrši se korištenjem

standardnog otpornika Rs =1 Ω 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
uzimaju iz certifikata dobijenog pri njegovoj kalibraciji i ona pri 20 0C iznosi
Rs  1, 000004  2,5 10 6 .
Odrediti mjernu nesigurnost ako su izmjerene vrijednosti napona u mV date u tabeli
10.6.
Tabela 10.6.
R. br. Vx, mV Vs, mV
1 99,91963 99,92478
2 99,91970 99,92474
3 99,91968 99,92470
4 99,91977 99,92492
5 99,91986 99,92488
6 99,92058 99,92561
7 99,92055 9992558
8 99,92008 99,92506
9 99,91987 99,92479
10 99,91968 99,92468
173
Mjerna nesigurnost
Matematički model.
Vrijednost Rx 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:
Vx Vs

Rx Rs
odnosno:
Rs
Rx  Vx
Vs
Faktori koji doprinose mjernoj nesigurnosti:

― nesigurnost ponovljenih mjerenja veličine Vx,
― nesigurnost ponovljenih mjerenja veličine Vs,
― nesigurnost zbog rezolucije digitalnog voltmetra,
― nesigurnost vrijednosti pripisane referentnom otporniku,
― nesigurnost zbog nestabilnosti referentnog otpornika,
― nesigurnost zbog razlike temperatura u laboratoriji i referentne temperature pri
kojoj je izvršena kalibracije referentnog otpornika.
Na osnovu podataka iz tabele 10.6, dobijaju se potrebne varijable koje su date u tabeli
10.7.
Tabela 10.7.
Veličina Referentna otpornost Vs Izmjerena vrijednosti Vx
Aritmetička Vs  99,924973 Vx  99,919940
sredina
Standardna sVs  3,333 104 sVx  3, 448 104
devijacija
Mjerna 3,333 104 3, 448 104
nesigurnost u (Vs )   1, 054 104 u (Vx )   1, 0904 104
10 10
Broj
9 9
stepeni
slobode
Na osnovu rezultata iz tabele 10.7, rezultat kalibracije je:
Rs 1, 000004
Rx  Vx  99,91994  0,999954 Ω.
Vs 99,924973
174
Mjerna nesigurnost
Koeficijenti osjetljivosti:
Rx Rs 1, 000004
   0, 01
Vx Vs 99,924974
Rx Vx Rs 99,91994 1, 000004
 2   0, 01
Vs Vs 99,9249742
Rx Vx 99,91994
   0,9999496  1
Rs Vs 99,924974
Tip A mjerne nesigurnosti:

1) Standardna nesigurnost zbog ponovljenih mjerenja nepoznate otpornosti:
u (Vx )  1, 0904 104 ,
2) Standardna nesigurnost zbog ponovljenih mjerenja referentne otpornosti:

u (Vs )  1, 054 10 4 .
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):
a 0,1 106
u (r )    0, 0577 106
3 3
2. Nesigurnost kalibracije referentnog otpornika je 2,5 106 . U ovom slučaju radi

se o normalnoj distribuciji gdje je za nivo povjerenja 95% (faktor pokrivanja 2)
standardna nesigurnost:
a 2,5 106
u ( Rs )    1, 25 106
4 2
3. Nesigurnost zbog stabilnosti referentne otpornosti je 5 106 , pa pošto se radi o

pravougaonoj raspodjeli (vidjeti izraz (5.23)), standardna nesigurnost iznosi:
a 5 106
u ( s)    2,8867 106
3 3
4. Nesigurnost zbog razlike temperatura u laboratoriji i referentne temperature pri
kojoj je vršena kalibracija referentnog otpornika iznosi:
u (t )  0
u slučaju da se mjerenje vrši na 20 0C.
175
Mjerna nesigurnost
Svi prethodno nabrojani doprinosi nesigurnosti zajedno sa koeficijentima osjetljivosti

dati su u tabeli 10.8.
Tabela 10.8.
Koeficijent Standardna
osjetljivosti nesigurnost
Izvor nesigurnosti
ci ui
ci ui  ci ui 2
Mjerenje
napona Vx
Varijacije zbog
ponovljenih mjerenja 1, 0904 104 1, 0904 106 1,1890 1012
u(Vx) 0,01
Rezolucija digitalnog
voltmetra 0, 0577 106 0, 000577 106 3,3293 1019
u(r)
Mjerenje
napona Vs
Varijacije zbog
ponovljenih mjerenja 1, 054 104 1, 054 106 1,1109 1012
u(Vs) 0,01
Rezolucija digitalnog
voltmetra 0, 0577 106 0, 000577 106 3,3293 1019
u(r)
Etalonski
otpornik
Nesigurnost pri
kalibraciji 1, 25 106 1, 25 106 1,5625 1012
u(Rs)
Stabilnost referentne 1,0
otpornosti 2,8867 106 2,8867 106 8,3333 1012
u(s)
Relativna promjena
referentne otpornosti 0 0 0
u(t)
∑ 12,1957 1012
Na osnovu proračuna u tabeli 10.8 kombinovana nesigurnost iznosi:
6
  ci ui   12,1957 1012  3, 4922 106 Ω.
2
uc ( Rx ) 
i 1
176
Mjerna nesigurnost
Efektivni stepen slobode na osnovu Welch-Satterthwaiteove jednačine (10.30) je:
3, 4922 10 

4
6
uc4 ( y )
 eff    541 .
 1, 0904 10    0, 0577 10 
u ( y)  1
v 4 14 4 
 
6 6
i  ...
i 1
 9
i
 
Na osnovu dobijene vrijednosti stepena slobode, koji se može smatrati kao vrlo veliki,
faktor pokrivanja na osnovu tabele 10.5 iznosti kp=2 pa je proširena mjerna nesigurnost
jednaka:
U  k p uc  2  3, 4922 106  6,9844 106 .
Konačno, rezultat kalibracije može biti dat u obliku:
R  0,999954  0,000007 Ω.
177
Mjerna nesigurnost
178
PRILOZI
A – Metrologija i mjerne jedinice
Prilog A1: Izvedene jedinice SI sistema

Prilog A2: Mjerne jedinice izvan SI koje se mogu koristiti
Prilog A3: Dvostrani odnosi nekih jedinica
Prilog A4: Fundamentalne konstante
Prilog A5: Međunarodne skraćenice
179
A1. IZVEDENE JEDINICE SI SISTEMA
Tabela A1.1. Osnovna jedinica za dužinu i izvedene jedinice u kojima se pojavljuje samo jedinica dužine.
Veličine Jedinice
naziv simbol obrazac za izračunavanje naziv oznaka dimenziona analiza

Metar je dužina putanje koju u vakuumu
Dužina L, l pređe svjetlost za vrijeme od 1/299 792 458 metar m
sekunde.
S  l l  l2
Površina S kvadratni metar m2 1 m 1 m=1 m2
l, m – dužina stranice kvadrata
V  l  l  l  l3
Zapremina V kubni metar m3 1 m 1 m 1 m=1 m3
l, m – dužina ivice kocke
l
 
r 1m
Ugao u ravni radijan rad =1 rad
l, m – dužina luka kružnice 1m
r, m – radijus kruga
S

r2 1 m2
Prostorni ugao  steradijan sr =1 sr
S, m2 – površina kugle 1 m2
r, m – radijus kugle
180
1 1
Talasni broj   metar na minus m−1 =1 m -1
 prvu
1m
, m – dužina talasa
A  A0 e  x
1
Koeficijent slabljenja A A, m – amplituda oscilacije nastale metar na minus m−1 =1 m -1
širenjem talasa u sredini sa koordina- 1m
prvu
tom X
A0, m – amplituda oscilacije u tački sa
koordinatom X = 0
x, m – dužina širenja talasa
n
Moment inercije I x   Si  ri2
presjeka Ix i 1 metar na četvrtu m4 1 m2 1 m2 =1 m4
S, m – površina elementa
2
r, m – rastojanje površine elementa

od ose rotacije
I
Otporni moment Wx  x
b 1 m4
presjeka Wx metar na treću m3 =1 m3
IX , m4 – moment inercije presjeka 1m
b, m – najveće rastojanje od ose
inercije
181
Tabela A1.2. Osnovna jedinica za vrijeme i izvedene jedinice u kojima se pojavljuuje samo jedinica za vrijeme.
Veličine Jedinice

Sekunda je trajanje 9 192 631 770
Vrijeme t perioda zračenja koje odgovara prelazu sekunda s
između dva hiperfina nivoa osnovnog
stanja atoma cezija 133.
Period T T  t2  t1 sekunda s 1s
1
Frekvencija F f  herc Hz 1 s-1 =1 Hz
T
1 n 1
Kružna frekvencija    sekunda na minus s−1 =1 s-1
T 2 prvu
1s
n – broj oscilacija u 2 sekundi
A  A0 e  t
A 1
Koeficijent prigušenja A, m – amplituda prigušene oscilacije metar na minus m−1 =1 m -1
u vremenu t, 1m
prvu
A0, m – amplituda oscilacije u vremenu
t=0
Broj obrtaja 1 sekunda na minus 1
(frekvencija vrtnje) n n prvu s−1 =1 s-1
T 1s
182
Tabela A1.3. Veličine u kojima se pojavljuju osnovne jedinice za dužinu i vrijeme.
Veličine Jedinice
s ds s
v  lim  ili v 
t 0 t dt t 1m m
Brzina v metar u sekundi m/s 1
s, m – pređeni put 1s s
t, s – vrijeme
v m
Ubrzanje a a metar u sekundi m /s2 1
t s =1 m
na kvadrat
1s s2

Ugaona brzina   radijan u sekundi rad/s 1 rad rad
t =1
, rad – ugao rotacije 1s s
rad
Ugaono ubrzanje ε  radijan u sekundi rad/s2 1
s =1 rad
 na kvadrat
t 1s s2
V
qv  kubni metar u m3/s
t 1 m3 m3
Zapreminski protok qv 3
sekundi =1
V, m – zapremina fluida 1s s
t, s – vrijeme protjecanja fluida
183
Tabela A1.4. Osnovna jedinica za masu i veličine i jedinice izvedene iz osnovnih jedinica za masu, dužinu i
vrijeme.
Veličine Jedinice
naziv simbol obrazac za izračunavanje naziv oznaka dimenziona

analiza
m Kilogram je masa međunarodnog etalo- kilogram kg
Masa
na kilograma.
Gustoća  m kilogram po kg/m3 1 kg kg
 kubnom metru 3
=1
V 1m m3
1 m kilogram po kg/m 1 kg kg
Linijska masa 1  metru =1
l 1m m
Površinska masa
s m kilogram po 1 kg kg
s  kvadratnom metru kg/m2 =1
S 1 m2 m2
 kg
Gradijent gustoće grad  grad  kilogram po kg/m4 1 3
l metru na četvrtu m =1 kg
1m m4
V kubni metar po 1 m3 m3
Specifična zapremina v v kilogramu m3/kg =1
m 1 kg kg
m kilogram u 1 kg kg
Maseni protok qm qm  sekundi kg/s =1
t 1s s
184
p p  mv kilogram metar u kg∙m/s m kg m
Količina kretanja 1 kg 1 =1
v, m/s – brzina sekundi s s
n
I   mi  ri2 kilogram metar na
Moment inercije mase I i 1 kvadrat kg m2 1 kg 1 m 2 =1 kg m 2
m, kg – masa materijalne tačke
r, m - rastojanje tačke od ose rotacije
Moment količine L L = I kilogram metar na kg  m2
kretanja (zamah) , rad/s – ugaona brzina kvadrat u sekundi kg m2/s 1 kg m2 1 s-1 =1
s
m
Sila F F  ma njutn N 1 kg 1 =1 N
s2
m
Težina G G  mg njutn N 1 kg 1 =1 N
s2
g, m/s2 – ubrzanje Zemljine teže
G njutn po kubnom 1N N
Specifična težina   metru N/m3 3
=1
V 1m m3
Jačina gravitacionog F njutn po 1N N
polja Eg Eg  kilogramu N/kg =1
m 1 kg kg
Implus sile I I  Ft njutn sekunda Ns 1 N 1 s=1 Ns
Ep 1J J
Potencijal gravitacionog V V džul po kilogramu J/kg =1
m 1 kg kg
polja
Ep , J – potencijalna energija tijela
185
Moment sile
(moment sprega sila) M M = Fd njutnmetar Nm 1 N 1 m=1 Nm
F 1N N
Pritisak p p paskal Pa =1 =1 Pa
S 1 m2 m2
l  l0 l
   1m
l0 l0 =1
Relativno izduženje / / 1m
l0 i l , m – dužine tijela prije i nakon
deformacije
Fl 1 N 1 m
Modul elastičnosti E E 0 paskal Pa =1 Pa
S l 1 m 2 1 m
F l 1 N 1 m
Dinamička viskoznost η  paskalsekunda Pa s =1 Pa  s
Sv 2 m
1m 1
l, m – rastojanje s
 metar kvadratni u 1 Pa s m2
Kinematska viskoznost ν  sekundi m2/s =1
 kg s
1 3
m
n F 1N
Normalno naprezanje n  paskal Pa =1 Pa
S 1 m2
Tangencijalno F 1N
naprezanje   paskal Pa =1 Pa
S 1 m2
M 1Nm N
Naprezanje na savijanje   paskal Pa =1 2 =1 Pa
Wx 1 m3 m
186
Mu
Naprezanje na uvijanje u u  paskal Pa 1Nm N
W0 =1 =1 Pa
3
Mu, Nm – moment uvijanja 1m m2
W0, m3 – polarni otporni moment
m2
Kinetička energija Ek Ek 
1 2
mv džul J 1 kg 1 =1 J
2 s2
džul m
Potencijalna energija Ep Ep = mgh J 1 kg 1 1 m=1 J
s2
1 N 1 m=1 J
Rad A A = Fs džul J
Snaga P vat W 1J
A =1 W
P 1s
t
187
Tabela A1.5. Osnovna jedinica za temperaturu i izvedene veličine u kojima se pojavljuje jedinica za
temperaturu.
Veličine Jedinice
Temperatura T Kelvin je 1/273,16 termodinamičke kelvin K

temperature trojne tačke vode.
l

l0  T
Koeficijent toplotnog  kelvin na minus 1m
rastezanja (širenja) l, m – apsolutno povećanje dužine prvu K−1 =1 K -1
tijela pri njegovom zagrijavanju za 1 m 1 K
T
l0, m – dužina tijela pri 0 0C
Q 1J
Toplotni fluks   vat W =1 W
t 1s
Q, J – količina toplote
 vat po 1W W
Gustoća toplotnog fluksa   kvadratnom metru W/m2 2
=1
S 1m m2
Q 1J J
Entropija S S  džul po kelvinu J/K =1
T 1K K
Q, J – dovedena toplota
S džul po kilogramu J
Specifična entropija s s J/(kg K) 1
m i kelvinu K =1 J
1 kg kg K
188
Q
Toplotni kapacitet C C džul po kelvinu J/K
T 1J
=1
J
Q, J – količina toplote utrošena na 1K K
zagrijavanje tijela
Specifični toplotni Q džul po kilogramu i 1J J
c =1
kapacitet c mT2  T1  kelvinu J/(kg K) 1 kg 1 K kg K
Koeficijent prolaza  vat po kvadratnom 1W W
  W/(m2K) =1
toplote T  S metru i kelvinu 1 K 1 m 2
m2  K
Toplotna provodnost  l vat po metru i 1 W 1 m W

λ  kelvinu W/(m K) =1
T  S 1 K 1 m 2
mK
Unutrašnja energija džul N
U d Q=d U +p d V J J=J+ m3
m2
Specifična unutrašnja dU džul po kilogramu J/kg 1J J
u u =1
energija dm 1 kg kg
džul N
Entalpija I I = U + pV J JJ 2
m3
m
Specifična entalpija dI džul po kilogramu 1J J
i i J/kg =1
dm 1 kg kg
Specifična eksergija dE džul po kilogramu 1J J

e e J/kg =1
dm 1 kg kg
189
Specifični toplotni Q džul po kubnom 1J J
cv cv  J/(m3K) =1
kapacitet pri stalnoj VN T metru i kelvinu 1 m 1 K
3
m3K
zapremini
W J
1
Koeficijent toplotne  mK s m K
provodnosti k k kvadratni metar u m2/s =
c p 1
J
1
kg J

kg
(specifična vodljivost sekundi
c, J/(kg K) – specifični toplotni kapa- kg K m3 kg K m3
temperature)
citet pri stalnom pritisku J kg K m3 m2
= =1
J kg s m K s
pV pv N m3
Gasna konstanta R R  džul po kilogramu i J/(kg K) 1  1
mT T m2 kg J
kelvinu =1
1K kg K
190
Tabela A1.6. Elektromagnetizam.
Veličine Jedinice

Amper je stalna električna struja koja prolazeći
kroz dva paralelna, ravna, neograničeno duga
Jačina električne struje I vodiča, zanemarivo malog kružnog poprečnog amper A
presjeka, postavljena u vakuumu na međusobnom
rastojanju od jednog metra uzrokuje između njih
silu od 2∙10─7 njutna po metru dužine.
P 1W
Električni napon U U volt V =1 V
I 1A
P, W – snaga električne struje
U 1V V
Jačina električnog polja E E volt po V/m =1
l 1m m
metru
l, m – razmak između ploča kondenzatora
I amper po 1A A
Gustoća električne struje j j kvadratnom A/m2 =1
S 1 m2 m2
metru
Q=It 1 A 1 s=1 C
Količina elektriciteta Q kulon C
t, s – vrijeme prolaska struje
 kulon po 1C C
Električna indukcija D D kvadratnom C/m2 2
=1
S 1m m2
metru
 , C – električni fluks
191
Induktivnost L  QR Ut henri H 1 V 1 s
L   =1 H
I I I 1A
Linijska gustoća ql Q kulon po C/m 1C C
ql  metru =1
naelektrisanja l 1m m
Površinska gustoća qs Q kulon po 1C C

qs  kvadratnom C/m2 =1
naelektrisanja S 1m 2
m2
metru
Zapreminska gustoća qv Q kulon po C/m3 1C C
qv  kubnom =1
naelektrisanja V 1 m3 m3
metru
Q 1C
Električni kapacitet C C farad F =1 F
U 1V
U 1V
Električni otpor R R om  =1 Ω
I 1A
1 1
Električna vodljivost G G simens S =1 S
R 1Ω
Magnetni fluks   = BS veber Wb 1 T 1 m2 =1 Wb
1 Wb 1 V  s
 = =
B 1 m2 1 m 2
Magnetna indukcija B S tesla T
1J 1N
= =1 T
1 A 1 m 1 A 1 m
2
Snaga istosmjerne struje P P =IU vat W 1 A 1 V=1 W
192
D C C
Dielektričnost   farad po F/m 1 2 1
E m = V =1 F
metru V
1 2 1m m
D, C/m2 – dielektrična indukcija m
Električni dipolni me  Q  l
me kulonmetar Cm 1 C 1 m=1 C m
moment
1 
Magnetno polje H H  lim 
V   V
 mm  amper po A/m 1 A 1 m 2 A
 =1
metru 1 m3 m
 mm , A∙m 2
– suma magnetnih momenata u
tijelu zapremine V
Magnetni moment mm mm  k  I  S amper metar Am2 1 A 1 m2 =1 Am2
električne struje k – koeficijent proporcionalnosti na kvadrat
Gustoća energije 1 džul po 1 Wb 1 A J
Wm  BH  =1 3
magnetnog polja Wm 2 kubnom J/m3 1 m2 1 m m
metru
Fm 1A 1
Magnetni otpor Rm Rm  henri na H−1 = =1 H-1
 1Wb 1 H
Fm, A – magnetomotorna sila minus prvu
1  1 Wb
Magnetna vodljivost    henri H 1A
=1 H
Rm Fm
B 1T H
Magnetna propustljivost  k henri po H/m =1
H A m
(permeabilnost) metru 1
k – koeficijent magnetne propustljivosti m
193
Gustoća energije 1 džul po C V J
električnog polja we we  DE kubnom J/m3 1 2
1 =1 3
2 m m m
metru
m
k
q 1 kg kg
Elektrohemijski k kilogram po kg/C =1
m, kg – masa supstance koja se izdvaja iz 1C C
ekvivalent kulonu
elektrolita na katodi
q, C – količina električne struje koja prolazi
kroz elektrolit
194
Tabela A1.7. Svjetlost i elektromagnetna zračenja.
Veličine Jedinice

Kandela je jačina svjetlosti u određenom pravcu
Jačina svjetlosti IV izvora koji emitira monohromatsko zračenje kandela cd
frekvencije 540 ∙10─12 herca i čija je energetska
jačina u tom pravcu 1/683 vata po steradijanu.
Svjetlosni fluks    IV  lumen lm 1 cd 1 sr=1 lm
Količina svjetlosti Q Q  t lumensekunda lm s 1 lm 1 s=1 lm s
IV IV kandela po 1 cd cd
Luminacija L L  kvadratnom cd/m2 =1
Sn S cos  1 m2 m2
metru

Svjetlosni efekt K K lumen po vatu lm/W
z 1 lm
=1
lm
 z , W – svjetlosni fluks energije zračenja 1W W
Ekspozicija H H  Et luks sekunda lx s 1 lx 1 s=1 lx  s
e vat po 1W W
Jačina zračenja ET ET  steradijanu W/sr =1
S 1 sr sr
 e , W – energetski fluks zračenja
195
Tabela A.1.8. Jonizirajuće zračenje.
Veličine Jedinice
N 1
Aktivnost radioaktivnog A A bekerel Bq =1 s-1 = 1 Bq
t 1s
izvora
N – broj raspada nukleida
t, s – vrijeme raspada
ED
Apsorbirana doza D
m 1J
=1 Gy
jonizirajućeg zračenja D grej Gy
ED , J – predana energija jonizi- 1 kg
rajućeg zračenja
m, kg – masa ozračene supstance
EK 1J
Kerma K K grej Gy =1 Gy
m 1 kg
D J
Snaga doze jonizirajućeg PD PD  vat po kilogramu W/kg 1
t kg W
zračenja =1
1s kg
Ekspoziciona doza Q kulon po kilogramu C/kg 1C C
jonizirajućeg zračenja X X =1
m 1 kg kg
N bekerel po Bq/m2 1 Bq
Gustoća toka čestica   kvadratnom metru =1
S t 1 s 1 m 2
m2
196
Tabela A1.9. Akustika.
Veličine Jedinice
P vat po kvadratnom 1W W
Jačina zvuka I I metru W/m2 2
=1
S 1m m2
P, W – zvučna snaga
V kubni metar u 1 m3 m3
Zvučni protok q q sekundi m3/s =1
t 1s s
m
1 kg 
Z
F paskalsekunda po 1N
= s2 =1 Pa  s
Akustični otpor Z q metru Pa s/m 3 3
m m m
1 1
F, N – sila s s
p 1 Pa Pa  s
Z paskalsekunda po Pa s/m3 =1
Akustična impedansa Z cS 1
m
1 m 2 m3
kubnom metru
c, m/s – brzina zvuka s
E 1J
Zvučna snaga P P vat W =1 W
t 1s
E, J – zvučna energija
Gustoća zvučne energije w E džul po kubnom J/m3 1J J
w metru 3
=1
V 1m m3
197
Tabela A1.10. Supstanca i koncentracija.
Veličine Jedinice

Mol je količina materije jednog sistema koji
Količina supstance n sadrži toliko elementarnih jedinki koliko ima mol mol
atoma u 0,012 kilograma ugljika 12 (12C).
m kilogram po 1 kg kg
Molarna masa M M molu kg/mol =1
n 1 mol mol
m, kg - masa
Koncentracija supstance n(x) mol po kubnom 1 mol mol
(molaritet) c(x) c( x)  metru mol/m3 3
=1
V 1m m3
m kilogram po 1 kg kg
Brzina prijenosa mase u u kvadratnom kg/(m2s) =1
S t 1 m 1 s
2
m2  s
metru i sekundi
m
D
 1 kg m2
Koeficijent difuzije D S t kvadratni metar m2/s =1
l kg s
u sekundi 1 1 m 2 1 s
 m 4
, kg/m4 – gradijent gustoće
l
mp
Sadržaj vlage x x 1 kg
mv =1
/ / 1 kg
mv, kg – masa suhog zraka
mp, kg – masa vodene pare
198
A2. MJERNE JEDINICE IZVAN SI KOJE SE MOGU KORISTITI
Mjerna veličina Oznaka Odgovara Napomena

morska milja n mile 1 n mile = 1,852 m u pomorstvu
ar a 1 a = 100 m2
hektar ha 1 ha = 10 000 m2
litar l 1 l = 1 dm3
tona t 1 t = 1000 kg = 1 Mg
jedinica atomske mase u 1/12 mase atoma samo u hemiji i fizici
nukleida 12C
podužna (linijska) masa teks (tex) 1 g/km u tekstilnoj industriji
puni ugao ― (2π) rad
pravi ugao ∟ (π/2) rad

0 10  rad
stepen 180
' 1 1 
minuta 1'  0
 rad
60 60 180
sekunda '' (π/648 000) rad
gradus (gon) g (π/200) rad
minuta min 1 min = 60 s
sat h 1 h = 60 min = 3600 s
dan d 1 d = 24 h = 86 400 s
sedmica, mjesec i godina gregorijanskog kalendara
morska milja na sat čvor 1 čvor = 1,852 km/h = u morskom i zračnom
= 0,514 m/s saobraćaju
kilometar na sat km/h 1 km/h = 1/3,6 m/s
1  rad
obrtaj u minuti min–1 1min 1  
60 s 30 s
pritisak bar 1 bar = 105 Pa
vatsat Wh 1 Wh = 3600 J
elektronvolt eV 1 eV = 1,60219·10-18 J samo u specijalizovanim
oblastima
voltamper VA 1 VA = 1 W za određivanje prividne
snage el. struje
var var 1 var = 1 W za određivanje električne
reaktivne snage
199
A3. DVOSTRANI ODNOSI NEKIH JEDINICA1
Jedinice za dužinu
m in ft yd mile nautical
mile
–4 –4
1 39,3701 3,28084 1,09361 6,21371ּ10 5,39957ּ10
metar m
inch 0,0254 1 0,0833333 0,0277778 1,57828ּ10–5 1/79913,4252

in
–4 –4
foot 0,3048 12 1 0,333333 1,89394ּ10 1,64579ּ10
ft
yard 0,9144 36 3 1 5,68182ּ10–4 4,93737ּ10–4

yd
1609,344 63360 5280 1760 1 0,868976
mile -
nautical
1852 72913,4252 6076,12 2025,37 1,15078 1
mile n mile
Jedinice za zapreminu
m3 in3 UK bushel US bushel
Metar kubni 1 61023,7 27,4962 3,28084

m3
Cubic inch 1,63871∙10–5 4,50582ּ10–4 4,65025ּ10–4
in3 1
UK bushel 0,0036368 2219,35 1 1,03205566

-
US bushel 0,0352391 33,6003 0,96894 1
-
Jedinice za masu
kg lb
kilogram 1 2,204 62
kg
pound 0,453 529 1
lb
1
U prilogu A3 spominju se određene jedinice koje nisu po SI sistemu. Njihova upotreba se ne
preporučuje, a ovdje se navode radi lakšeg praćenja starije literature.
200
Jedinice za pritisak
Pa bar at atm mm Hg mm H2O in Hg in H2O psi
–5 –5 –6 –3 -1 -4 –3 –4
paskal 1 1ּ10 1,0197ּ10 9,869ּ10 7,501ּ10 1,0197ּ10 2,953ּ10 4,015ּ10 1,450ּ10
Pa
5 –1 2 4 1 2 1
bar 1ּ10 1 1,0197 9,869ּ10 7,501ּ10 1,0197ּ10 2,953ּ10 4,015ּ10 1,450ּ10
bar
–1 –1
tehnička 9,807ּ10
4
9,807ּ10 1 9,678ּ10 7,356ּ10
2
1,0ּ10
4
2,896ּ10
1
3,937ּ10
2
1,422ּ10
1
atmosfera
at
atmosfera 1,013ּ105 1,013 1,033 1 7,60ּ102 1,033ּ104 2,992ּ101 4,068ּ102 1,470ּ101

atm
2 –3 –3 –3 1 –2 –1 –2
milimetar 1,333ּ10 1,333ּ10 1,360ּ10 1,316ּ10 1 1,36ּ10 3,937ּ10 3,352ּ10 1,934ּ10
žive
mm Hg
milimetar 9,807 9,807ּ10–5 1,0ּ10–4 9,678ּ10–5 7,356ּ10–2 1 2,896ּ10–3 3,937ּ10–2 1,422ּ10–3

vodenog stuba
mm H2O
inč žive 3,386ּ103 3,386ּ10–2 3,453ּ10–2 3,342ּ10–2 2,540ּ101 3,453ּ102 1 1,359ּ101 4,911ּ10–1
in Hg
inč vodenog 2,491ּ102 2,491ּ10–3 2,491ּ10–3 2,458ּ10–3 1,868 2,54ּ101 7,356ּ10–2 1 3,613ּ10–2
stuba
in H2O
pound-force 6,895ּ103 6,895ּ10–2 7,031ּ10–2 6,805ּ10–2 5,172ּ101 7,031ּ102 2,036 2,768ּ101 1

per square inch
psi
201
A4. FUNDAMENTALNE KONSTANTE
Naziv konstante Vrijednost Mjerna nesigurnost Jedinica
–1
brzina svjetlosti u vakuumu (c) 299 792 458 (tačno) ms
–7 –2
magnetna konstanta (0) 12,566 370 614...∙10 (tačno) NA
–12 –1
električna konstanta ε0 8,854 187 817... ∙10 (tačno) Fm
karakteristična impendansa vakuuma 376,730 313 461... (tačno) ohm
–34 –34
Planckova konstanta (h) 6,626 0693∙10 0,000 0011∙10 Js
–19 –19
elementarno nalektrisanje (e) 1,602 176 53∙10 0,000 000 14∙10 C
9 9 –1
Josephsonova konstanta (KJ) 483 597,879∙10 0,041∙10 Hz V
von Klitzingova konstanta (RK) 25 812,807 449 0,000 086 ohm
–1
Rydbergova konstanta (R) 10 973 731,568 525 0,000 073 m
–10 –10
Bohrov radijus a0 0,529 177 2108∙10 0,000 000 0018∙10 m
–31 –31
masa elektrona (me) 9,109 3826∙10 0,000 0016∙10 kg
– 11 11 –1
specifični naboj elektrona (e/me) 1,758 820 12∙10 0,000 000 15∙10 C kg
–15 –15
radijus elektrona (re) 2,817 940 325∙10 0,000 000 028∙10 m
–27 –27
masa protona (mp) 1,672 621 71∙10 0,000 000 29∙10 kg
–27 –27
masa neutrona (mn) 1,674 927 28∙10 0,000 000 29∙10 kg
23 23 –1
Avogadrova konstanta (Na) 6,022 1415∙10 0,000 0010∙10 mol
–1
Faradayeva konstanta (F) 96 485,3383 0,0083 C mol
–1 –1
univerzalna gasna konstanta (R0) 8,314 472 0,000 015 J mol K
–23 –23 -1
Boltzmannova konstanta (k) 1,380 6505∙10 0,000 0024∙10 JK
─8 –8 –2 –4
Stefan-Boltzmannova konstanta () 5,670 400∙10 0,000 040∙10 Wm K
–3 –1
molarna masa ugljika 12 (m12C) 12∙10 (tačno) kg mol
standardna atmosfera 101 325 (tačno) Pa
–2
standardno ubrzanje gravitacije (g) 9,806 65 (tačno) ms
–1
prirodna jedinica brzine 299 792 458 (tačno) ms
202
A5. MEĐUNARODNE SKRAĆENICE
International Bureau of Weights and Measures/Bureau International des
BIPM Poids et Mesures
BNM Bureau National de Métrologie, Paris (France)
Bureau National de Métrologie, Institut National de Métrologie, Paris
BNM-INM (France)
CC Consultative Committee (of the CIPM)
Consultative Committee for Acoustics, Ultrasound and Vibration/Comité
CCAUV Consultatif de l'Acoustique, des Ultrasons et des Vibrations
(formerly the CCE) Consultative Committee for Electricity and
CCEM Magnetism/Comité Consultatif d'Électricité et Magnétisme
International Radio Consultative Committee/Comité Consultatif
CCIR International des Radiocommunications (permanent body of ITU)
(formerly the CCDM) Consultative Committee for Length/ Comité
CCL Consultatif des Longueurs
Consultative Committee for Mass and Related Quantities/ Comité
CCM Consultatif pour la Masse et les Grandeurs Apparentées
Consultative Committee for Photometry and Radiometry/Comité Consultatif
CCPR de Photométrie et Radiométrie
Consultative Committee for Amount of Substance/Comité Consultatif pour
CCQM la Quantité de Matière
(formerly the CCEMRI) Consultative Committee for Ionizing
CCRI Radiation/Comité Consultatif des Rayonnements Ionisants
Consultative Committee for Thermometry/Comité Consultatif de
CCT Thermométrie
(formerly the CCDS) Consultative Committee for Time and
CCTF Frequency/Comité Consultatif du Temps et des Fréquences
CCU Consultative Committee for Units/Comité Consultatif des Unités
General Conference on Weights and Measures/ Conférence Générale des
CGPM Poids et Mesures
International Commission on Illumination/Commission Internationale de
CIE l'Éclairage
International Committee for Weights and Measures/ Comité International
CIPM des Poids et Mesures
CITAC Cooperation on International Traceability in Analytical Chemistry
COOMET Cooperation in Metrology among the Central European Countries
EA European Accreditation
EFTF European Frequency and Time Forum
EUROMET European Collaboration in Measurement Standards
IAEA International Atomic Energy Agency
IAF International Accreditation Forum
IEC International Electrotechnical Commission
International Electrotechnical Commission, Technical Committee 25:
IEC/TC 25 Quantities and units, and their letter symbols
ILAC International Laboratory Accreditation Conference
203
IMEKO International Measurement Confederation
IRMM Institute for Reference Materials and Measurements, European Commission
ISO International Organization for Standardization
ISO/TC 12 ISO Technical Committee 12: Quantities, units, conversion factors
International Organization for Standardization, Committee on Reference
ISO-REMCO Materials
JCRB Joint Committee of the Regional Metrology Organizations and the BIPM
MRA Mutual Recognition Arrangement
National Institute of Standards and Technology, Gaithersburg and Boulder
NIST (United States)
OIML Organisation Internationale de Métrologie Légale
Physikalisch-Technische Bundesanstalt, Braunschweig and Berlin
PTB (Germany)
IUPAP Commission for Symbols, Units, Nomenclature, Atomic Masses and
SUNAMCO Fundamental Constants
Three-dimensional coherent unit system based on the three mechanical
CGS units centimetre, gram and second
CIPM MRA CIPM Mutual Recognition Arrangement
CMC Calibration and Measurement Capabilities
COMAR Database for Certified Reference Materials (COde of Reference MAterials)
CRM Certified Reference Materials
GMT Greenwich Mean Time --see UTC
GPS Global Positioning System
GUM Guide to the Expression of Uncertainty in Measurement
ITS-90 International Temperature Scale of 1990
KCDB BIPM Key Comparison Database
NMI National Metrology Institute
PARCS Primary Atomic Reference Clock in Space
QHE Quantum Hall Effect
QHR Quantum Hall Resistance
RMO Regional Metrology Organization
SI International System of Units
SRM Standard Reference Material
TA Atomic Time/Temps Atomique
TAI International Atomic Time/Temps Atomique International
TWSTFT Two-way Satellite Time and Frequency Transfer
UT Universal Time
UTC Coordinated Universal Time
VIM International Vocabulary of Basic and General Terms in Metrology
204
Prilozi
PRILOZI
B – Statističke tablice
Prilog B1: Površine ispod krive normalne raspodjele

Prilog B2: Vrijednosti t - raspodjele i pripadajuće vjerovatnoće
 
P t  t za stepen slobode ν
Prilog B3. Vrijednosti 2 za pripadajuće vjerovatnoće P(  2  2 )
za stepen slobode ν
Prilog B4: Vrijednost F0 za vjerovatnoće P( F0  F )  0,05/ 0,01 za
stepen slobode brojnika ν1 i stepen slobode nazivnika ν2
205
Prilozi
B1. POVRŠINE ISPOD KRIVE NORMALNE RASPODJELE
z  1 x2
1
P( z ) 
2
e 2 dx
0
z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,10257 0,10642 0,11026 0,11409
0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173
0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327
0,9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46246 0,46327
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670
2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361
2,5 0,49379 0,49396 0,49413 0,49430 0,49446 0,49461 0,49477 0,49492 0,49506 0,49520
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807
2,9 0,49813 0,49819 0,49825 0,49831 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861
3,0 0,49865 0,49869 0,49874 0,49878 0,49882 0,49886 0,49889 0,49893 0,49896 0,49900
*Na primjer P(1,71)=0,45637.
206
Prilozi
B2. VRIJEDNOSTI t - RASPODJELE I PRIPADAJUĆE

 
VJEROVATNOĆE P t  t ZA STEPEN SLOBODE ν
Površina α za dvostrani test

0,2000 0,1000 0,0500 0,0200 0,0100 0,0020 0,0010
Površina α za jednostrani test
0,1000 0,0500 0,0250 0,0100 0,0050 0,0010 0,0005
1 3,078 6,314 12,706 31,821 63,657 318,309 636,619
2 1,886 2,920 4,303 6,965 9,925 22,327 31,599
3 1,638 2,353 3,182 4,541 5,841 10,215 12,924
4 1,533 2,132 2,776 3,747 4,604 7,173 8,610
5 1,476 2,015 2,571 3,365 4,032 5,893 6,869
6 1,440 1,943 2,447 3,143 3,707 5,208 5,959

7 1,415 1,895 2,365 2,998 3,499 4,785 5,408
8 1,397 1,860 2,306 2,896 3,355 4,501 5,041
9 1,383 1,833 2,262 2,821 3,250 4,297 4,781
10 1,372 1,812 2,228 2,764 3,169 4,144 4,587
11 1,363 1,796 2,201 2,718 3,106 4,025 4,437

12 1,356 1,782 2,179 2,681 3,055 3,930 4,318
13 1,350 1,771 2,160 2,650 3,012 3,852 4,221
14 1,345 1,761 2,145 2,624 2,977 3,787 4,140
15 1,341 1,753 2,131 2,602 2,947 3,733 4,073
16 1,337 1,746 2,120 2,583 2,921 3,686 4,015

17 1,333 1,740 2,110 2,567 2,898 3,646 3,965
18 1,330 1,734 2,101 2,552 2,878 3,610 3,922
19 1,328 1,729 2,093 2,539 2,861 3,579 3,883
20 1,325 1,725 2,086 2,528 2,845 3,552 3,850
21 1,323 1,721 2,080 2,518 2,831 3,527 3,819

22 1,321 1,717 2,074 2,508 2,819 3,505 3,792
23 1,319 1,714 2,069 2,500 2,807 3,485 3,768
24 1,318 1,711 2,064 2,492 2,797 3,467 3,745
25 1,316 1,708 2,060 2,485 2,787 3,450 3,725
26 1,315 1,706 2,056 2,479 2,779 3,435 3,707

27 1,314 1,703 2,052 2,473 2,771 3,421 3,690
28 1,313 1,701 2,048 2,467 2,763 3,408 3,674
29 1,311 1,699 2,045 2,462 2,756 3,396 3,659
30 1,310 1,697 2,042 2,457 2,750 3,385 3,646
 1,282 1,645 1,960 2,326 2,576 3,090 3,291
207
Prilozi
B3. VRIJEDNOSTI 2 ZA PRIPADAJUĆE VJEROVATNOĆE

P(  2  2 ) ZA STEPEN SLOBODE ν
0,99 0,95 0,9 0,7 0,5 0,1 0,05 0,01

1 0,000 0,004 0,016 0,148 0,455 2,706 3,841 6,635
2 0,020 0,103 0,211 0,713 1,386 4,605 5,991 9,210
3 0,115 0,352 0,584 1,424 2,366 6,251 7,815 11,345
4 0,297 0,711 1,064 2,195 3,357 7,779 9,488 13,277
5 0,554 1,145 1,610 3,000 4,351 9,236 11,070 15,086
6 0,872 1,635 2,204 3,828 5,348 10,645 12,592 16,812

7 1,239 2,167 2,833 4,671 6,346 12,017 14,067 18,475
8 1,646 2,733 3,490 5,527 7,344 13,362 15,507 20,090
9 2,088 3,325 4,168 6,393 8,343 14,684 16,919 21,666
10 2,558 3,940 4,865 7,267 9,342 15,987 18,307 23,209
11 3,053 4,575 5,578 8,148 10,341 17,275 19,675 24,725

12 3,571 5,226 6,304 9,034 11,340 18,549 21,026 26,217
13 4,107 5,892 7,042 9,926 12,340 19,812 22,362 27,688
14 4,660 6,571 7,790 10,821 13,339 21,064 23,685 29,141
15 5,229 7,261 8,547 11,721 14,339 22,307 24,996 30,578
16 5,812 7,962 9,312 12,624 15,338 23,542 26,296 32,000

17 6,408 8,672 10,085 13,531 16,338 24,769 27,587 33,409
18 7,015 9,390 10,865 14,440 17,338 25,989 28,869 34,805
19 7,633 10,117 11,651 15,352 18,338 27,204 30,144 36,191
20 8,260 10,851 12,443 16,266 19,337 28,412 31,410 37,566
21 8,897 11,591 13,240 17,182 20,337 29,615 32,671 38,932

22 9,542 12,338 14,041 18,101 21,337 30,813 33,924 40,289
23 10,196 13,091 14,848 19,021 22,337 32,007 35,172 41,638
24 10,856 13,848 15,659 19,943 23,337 33,196 36,415 42,980
25 11,524 14,611 16,473 20,867 24,337 34,382 37,652 44,314
26 12,198 15,379 17,292 21,792 25,336 35,563 38,885 45,642

27 12,879 16,151 18,114 22,719 26,336 36,741 40,113 46,963
28 13,565 16,928 18,939 23,647 27,336 37,916 41,337 48,278
29 14,256 17,708 19,768 24,577 28,336 39,087 42,557 49,588
30 14,953 18,493 20,599 25,508 29,336 40,256 43,773 50,892
208
Prilozi
B4. Vrijednost Fα za vjerovatnoće P( F0  F )  0,05/ 0,01 za stepen

slobode brojnika ν1 i stepen slobode nazivnika ν2.
ν1
ν2 1 2 3 4 5 6
1 161/4052 200/4999 215/5403 225/5625 230/5764 234/5859
2 18,5/98,5 19,0/99,0 19,2/99,2 19,3/99,3 19,3/99,3 19,3/99,3
3 10,1/34,1 9,55/30,8 9,28/29,5 9,12/28,7 9,01/28,2 8,94/27,9
4 7,71/21,2 6,94/18,0 6,59/16,7 6,39/16,0 6,26/15,5 6,16/15,2
5 6,61/16,3 5,79/13,3 5,41/12,1 5,19/11,4 5,05/11,0 4,95/10,7
6 5,99/13,7 5,14/10,9 4,76/9,78 4,53/9,15 4,39/8,75 4,28/8,47
7 5,59/12,3 4,74/9,55 4,35/8,45 4,12/7,85 3,97/7,46 3,87/7,19
8 5,32/11,3 4,46/8,65 4,07/7,59 3,84/7,01 3,69/6,63 3,58/6,37
9 5,12/10,6 4,26/8,02 3,86/6,99 3,63/6,42 3,48/6,06 3,37/5,80
10 4,96/10,0 4,10/7,56 3,71/6,55 3,48/5,99 3,33/5,64 3,22/5,39
11 4,84/9,65 3,98/7,20 3,59/6,22 3,36/5,67 3,20/5,32 3,09/5,07
12 4,75/9,33 3,88/6,93 3,49/5,95 3,26/5,41 3,11/5,06 3,00/4,82
13 4,67/9,07 3,80/6,70 3,41/5,74 3,18/5,20 3,02/4,86 2,92/4,62
14 4,60/8,86 3,74/6,51 3,34/5,56 3,11/5,03 2,96/4,69 2,85/4,46
15 4,54/8,68 3,68/6,36 3,29/5,42 3,06/4,89 2,90/4,56 2,79/4,32
16 4,49/8,53 3,63/6,23 3,24/5,29 3,01/4,77 2,85/4,44 2,74/4,20
17 4,45/8,40 3,59/6,11 3,20/5,18 2,95/4,67 2,81/4,34 2,70/4,10
18 4,41/8,28 3,55/6,01 3,16/5,09 2,93/4,58 2,77/4,25 2,66/4,01
19 4,38/8,18 3,52/5,93 3,13/5,01 2,90/4,50 2,74/4,17 2,63/3,94
20 4,35/8,10 3,49/5,85 3,10/4,94 2,87/4,43 2,71/4,10 2,60/3,87
21 4,32/8,02 3,47/5,78 3,07/4,87 2,84/4,37 2,68/4,04 2,57/3,81
22 4,30/7,94 3,44/5,72 3,05/4,82 2,82/4,31 2,66/3,99 2,55/3,76
23 4,27/7,88 3,42/5,66 3,03/4,76 2,80/4,26 2,64/3,94 2,53/3,71
24 4,26/7,82 3,40/5,61 3,01/4,72 2,78/4,22 2,62/3,90 2,51/3,67
25 4,24/7,77 3,38/5,57 2,99/4,68 2,76/4,18 2,60/3,86 2,49/3,63
26 4,22/7,72 3,37/5,53 2,98/4,64 2,74/4,14 2,59/3,82 2,47/3,59
27 4,21/7,68 3,35/5,49 2,96/4,60 2,73/4,11 2,57/3,79 2,46/3,56
28 4,20/7,64 3,34/5,45 2,95/4,57 2,71/4,07 2,56/3,76 2,44/3,53
29 4,18/7,60 3,33/5,42 2,93/4,54 2,70/4,04 2,54/3,73 2,43/3,50
30 4,17/7,56 3,32/5,39 2,92/4,51 2,69/4,02 2,53/3,70 2,42/3,47
32 4,15/7,50 3,30/5,34 2,90/4,46 2,67/3,97 2,51/3,66 2,40/3,42
34 4,13/7,44 3,28/5,29 2,88/4,42 2,65/3,93 2,49/3,61 2,38/3,38
36 4,11/7,39 3,26/5,25 2,86/4,38 2,63/3,89 2,48/3,58 2,36/3,35
38 4,10/7,35 3,25/5,21 2,85/4,34 2,62/3,86 2,46/3,54 2,35/3,32
40 4,08/7,31 3,23/5,18 2,84/4,31 2,61/3,83 2,45/3,51 2,34/3,29
42 4,07/7,27 3,22/5,15 2,83/4,29 2,59/3,80 2,44/3,49 2,32/3,26
44 4,06/7,24 3,21/5,12 2,82/4,26 2,58/3,78 2,43/3,46 2,31/3,24
46 4,05/7,21 3,20/5,10 2,81/4,24 2,57/3,76 2,42/3,44 2,30/3,22
48 4,04/7,19 3,19/5,08 2,80/4,22 2,56/3,74 2,41/3,42 2,30/3,20
50 4,03/7,17 3,18/5,06 2,79/4,20 2,56/3,72 2,40/3,41 2,29/3,18
55 4,02/7,12 3,17/5,01 2,78/4,16 2,54/3,68 2,38/3,37 2,27/3,15
60 4,00/7,08 3,15/4,98 2,76/4,13 2,52/3,65 2,37/3,34 2,25/3,12
65 3,99/7,04 3,14/4,95 2,75/4,10 2,51/3,62 2,36/3,31 2,24/3,09
70 3,98/7,01 3,13/4,92 2,74/4,08 2,50/3,60 2,35/3,29 2,23/3,07
80 3,96/6,96 3,11/4,88 2,72/4,04 2,48/3,56 2,33/3,25 2,21/3,04
100 3,94/6,90 3,09/4,82 2,70/3,98 2,46/3,51 2,30/3,20 2,19/2,99
125 3,92/6,84 3,07/4,78 2,68/3,94 2,44/3,47 2,29/3,17 2,17/2,95
150 3,91/6,81 3,06/4,75 2,67/3,91 2,43/3,44 2,27/3,14 2,16/2,92
200 3,89/6,76 3,04/4,71 2,65/3,88 2,41/3,41 2,26/3,11 2,14/2,90
400 3,86/6,70 3,02/4,66 2,62/3,83 2,39/3,36 2,23/3,06 2,12/2,85
1000 3,85/6,66 3,00/4,62 2,61/3,80 2,38/3,34 2,22/3,04 2,10/2,82
 3,84/6,64 2,99/4,60 2,60/3,78 2,37/3,32 2,21/3,02 2,09/2,80
209
Prilozi
B4. Nastavak
ν1
7 8 9 10 11 12
ν2
1 237/5928 239/5981 241/6002 242/6056 243/6082 244/6106
2 19,4/99,3 19,4/99,4 19,4/99,4 19,4/99,4 19,4/99,4 19,4/99,4
3 8,88/27,7 8,84/27,5 8,81/27,3 8,78/27,2 8,76/27,1 8,74/27,1
4 6,09/15,0 6,04/14,8 6,00/14,7 5,96/14,5 5,93/14,5 5,91/14,4
5 4,88/10,5 4,82/10,3 4,78/10,2 4,74/10,1 4,70/10,0 4,68/9,89
6 4,21/8,26 4,15/8,10 4,10/7,98 4,06/7,87 4,03/7,79 4,00/7,72
7 3,79/7,00 3,73/6,84 3,68/6,71 3,63/6,62 3,60/6,54 3,57/6,17
8 3,50/6,19 3,44/6,03 3,39/5,91 3,34/5,82 3,31/5,74 3,28/5,67
9 3,29/5,62 3,23/5,47 3,18/5,35 3,13/5,26 3,10/5,18 3,07/5,11
10 3,14/5,21 3,07/5,06 3,02/4,95 2,97/4,85 2,94/4,78 2,91/4,71
11 3,01/4,88 2,95/4,74 2,90/4,63 2,86/4,54 2,82/4,46 2,79/4,40

12 2,92/4,65 2,85/4,50 2,80/4,39 2,76/4,30 2,72/4,22 2,69/4,16
13 2,84/4,44 2,77/4,30 2,72/4,19 2,67/4,10 2,63/4,02 2,60/3,96
14 2,77/4,28 2,70/4,14 2,65/4,03 2,60/3,94 2,56/3,86 2,53/3,80
15 2,70/4,14 2,64/4,00 2,59/3,89 2,55/3,80 2,51/3,73 2,48/3,67
16 2,66/4,03 2,59/3,89 2,54/3,78 2,49/3,69 2,45/3,61 2,42/3,55
17 2,62/3,93 2,55/3,79 2,50/3,68 2,45/3,59 2,41/3,52 2,38/3,45
18 2,58/3,85 2,51/3,71 2,46/3,60 2,41/3,53 2,37/3,44 2,34/3,37
19 2,55/3,77 2,48/3,63 2,43/3,52 2,38/3,43 2,34/3,36 2,31/3,30
20 2,52/3,71 2,45/3,56 2,40/3,45 2,35/3,37 2,31/3,30 2,28/3,23
21 2,49/3,65 2,42/3,51 2,37/3,40 2,32/3,31 2,28/3,24 2,25/3,17

22 2,47/3,59 2,40/3,45 2,35/3,35 2,30/3,26 2,26/3,18 2,23/3,12
23 2,45/3,54 2,38/3,41 2,32/3,30 2,28/3,21 2,24/3,14 2,20/3,07
24 2,43/3,50 2,36/3,36 2,30/3,25 2,26/3,17 2,20/3,09 2,18/3,03
25 2,41/3,46 2,34/3,32 2,28/3,21 2,24/3,13 2,20/3,05 2,16/2,99
26 2,39/3,42 2,32/3,29 2,27/3,17 2,22/3,09 2,18/3,02 2,15/2,96
27 2,37/3,39 2,30/3,26 2,25/3,14 2,20/3,06 2,16/2,98 2,13/2,93
28 2,36/3,36 2,29/3,23 2,24/3,11 2,19/3,03 2,15/2,95 2,12/2,90
29 2,35/3,33 2,28/3,20 2,22/3,08 2,18/3,00 2,14/2,92 2,10/2,87
30 2,34/3,30 2,27/3,17 2,21/3,06 2,16/2,98 2,12/2,90 2,09/2,84
32 2,32/3,25 2,25/3,12 2,19/3,01 2,14/2,94 2,10/2,86 2,07/2,80

34 2,30/3,21 2,23/3,08 2,17/2,97 2,12/2,89 2,08/2,82 2,05/2,76
36 2,28/3,18 2,21/3,04 2,15/2,94 2,10/2,86 2,06/2,78 2,03/2,72
38 2,26/3,15 2,19/3,02 2,14/2,91 2,09/2,82 2,05/2,75 2,02/2,69
40 2,25/3,12 2,18/2,99 2,12/2,88 2,07/2,80 2,04/2,73 2,00/2,66
42 2,24/3,10 2,17/2,96 2,11/2,86 2,06/2,77 2,02/2,70 1,99/2,64
44 2,23/3,07 2,16/2,94 2,10/2,84 2,05/2,75 2,01/2,68 1,98/2,62
46 2,22/3,05 2,14/2,92 2,09/2,82 2,04/2,73 2,00/2,66 1,97/2,60
48 2,21/3,04 2,14/2,90 2,08/2,80 2,03/2,71 1,99/2,64 1,96/2,58
50 2,20/3,02 2,13/2,88 2,07/2,78 2,02/2,70 1,98/2,62 1,95/2,56
55 2,18/2,98 2,11/2,85 2,05/2,75 2,00/2,66 1,97/2,59 1,93/2,53

60 2,17/2,95 2,10/2,82 2,04/2,72 1,99/2,63 1,95/2,56 1,92/2,50
65 2,15/2,93 2,08/2,79 2,02/2,70 1,98/2,61 1,94/2,54 1,90/2,47
70 2,14/2,91 2,07/2,77 2,01/2,67 1,97/2,59 1,93/2,51 1,89/2,45
80 2,12/2,87 2,05/2,74 1,99/2,64 1,95/2,55 1,91/2,48 1,88/2,41
100 2,10/2,82 2,03/2,69 1,97/2,59 1,92/2,51 1,88/2,43 1,85/2,36
125 2,08/2,79 2,01/2,65 1,95/2,56 1,90/2,47 1,86/2,40 1,83/2,33
150 2,07/2,76 2,00/2,62 1,94/2,53 1,89/2,44 1,85/2,37 1,82/2,30
200 2,05/2,73 1,98/2,60 1,92/2,50 1,87/2,14 1,83/2,34 1,80/2,28
400 2,03/2,69 1,96/2,55 1,90/2,46 1,85/2,37 1,81/2,29 1,78/2,23
1000 2,03/2,66 1,95/2,53 1,89/2,43 1,84/2,34 1,80/2,26 1,76/2,20
 2,01/2,64 1,94/2,51 1,88/2,41 1,83/2,32 1,79/2,24 1,75/2,18
210
Prilozi
B4. Nastavak
ν1
14 16 20 24 30 40
ν2
1 245/6142 246/6169 248/6208 249/6234 250/6258 251/6286
2 19,4/99,4 19,4/99,4 19,4/99,5 19,5/99,5 19,5/99,5 19,5/99,5
3 8,71/26,9 8,69/26,8 8,66/26,7 8,64/26,6 8,62/26,5 8,60/26,4
4 5,87/14,2 5,84/14,2 5,80/14,0 5,77/13,9 5,74/13,8 5,71/13,7
5 4,64/9,77 4,60/9,68 4,56/9,55 4,53/9,47 4,50/9,38 4,46/9,29
6 3,96/7,60 3,92/7,52 3,87/7,39 3,84/7,31 3,81/7,23 3,77/7,14
7 3,52/6,35 3,49/6,27 3,44/6,15 3,41/6,07 3,38/5,98 3,34/5,90
8 3,23/5,56 3,20/5,48 3,14/5,36 3,12/5,28 3,08/5,20 3,05/5,11
9 3,02/5,00 2,98/4,92 2,93/4,80 2,90/4,73 2,86/4,64 2,82/4,56
10 2,86/4,60 2,82/4,52 2,77/4,41 2,74/4,33 2,70/4,25 2,67/4,17
11 2,74/4,29 2,70/4,21 2,65/4,10 2,61/4,02 2,57/3,94 2,53/3,86

12 2,64/4,05 2,60/3,98 2,54/3,86 2,50/3,78 2,46/3,70 2,42/3,61
13 2,55/3,85 2,51/3,78 2,46/3,67 2,42/3,59 2,38/3,51 2,34/3,42
14 2,48/3,70 2,44/3,62 2,39/3,51 2,35/3,43 2,31/3,34 2,27/3,26
15 2,43/3,56 2,39/3,48 2,33/3,36 2,29/3,29 2,25/3,20 2,21/3,12
16 2,37/3,45 2,33/3,37 2,28/3,25 2,24/3,18 2,20/3,10 2,16/3,01
17 2,33/3,35 2,29/3,27 2,23/3,16 2,19/3,08 2,15/3,00 2,11/2,92
18 2,29/3,27 2,25/3,19 2,19/3,07 2,15/3,00 2,11/2,91 2,07/2,83
19 2,26/3,19 2,21/3,12 2,15/3,00 2,11/2,92 2,07/2,84 2,02/2,76
20 2,23/3,13 2,18/3,05 2,12/2,94 2,08/2,86 2,04/2,77 1,99/2,69
21 2,20/3,07 2,15/2,99 2,09/2,88 2,05/2,80 2,00/2,72 1,96/2,63

22 2,18/3,02 2,13/2,94 2,07/2,83 2,03/2,75 1,98/2,67 1,93/2,58
23 2,14/2,97 2,10/2,89 2,04/2,78 2,00/2,70 1,96/2,62 1,91/2,52
24 2,13/2,93 2,09/2,85 2,02/2,74 1,98/2,66 1,94/2,58 1,89/2,49
25 2,11/2,89 2,06/2,81 2,00/2,70 1,96/2,62 1,92/2,54 1,87/2,45
26 2,10/2,86 2,05/2,77 1,99/2,66 1,95/2,58 1,90/2,50 1,84/2,41
27 2,08/2,83 2,03/2,74 1,97/2,63 1,93/2,55 1,88/2,47 1,85/2,38
28 2,06/2,80 2,02/2,71 1,96/2,60 1,91/2,55 1,87/2,44 1,81/2,35
29 2,05/2,77 2,00/2,68 1,94/2,57 1,90/2,49 1,85/2,41 1,80/2,32
30 2,04/2,74 1,99/2,66 1,93/2,55 1,89/2,47 1,84/2,38 1,79/2,29
32 2,02/2,70 1,97/2,62 1,91/2,51 1,86/2,42 1,82/2,34 1,76/2,25

34 2,00/2,66 1,95/2,58 1,89/2,47 1,84/2,38 1,80/2,30 1,74/2,21
36 1,98/2,62 1,93/2,54 1,87/2,43 1,82/2,35 1,78/2,26 1,72/2,17
38 1,96/2,59 1,92/2,51 1,85/2,40 1,80/2,32 1,76/2,22 1,71/2,14
40 1,95/2,56 1,90/2,49 1,84/2,37 1,79/2,29 1,74/2,20 1,69/2,11
42 1,94/2,54 1,89/2,46 1,82/2,35 1,78/2,26 1,73/2,17 1,68/2,08
44 1,92/2,52 1,88/2,44 1,81/2,32 1,76/2,24 1,72/2,15 1,66/2,06
46 1,91/2,50 1,87/2,42 1,80/2,30 1,75/2,22 1,71/2,13 1,65/2,04
48 1,90/2,48 1,86/2,40 1,79/2,28 1,74/2,20 1,70/2,11 1,64/2,02
50 1,90/2,46 1,85/2,39 1,78/2,26 1,74/2,18 1,69/2,10 1,63/2,00
55 1,88/2,43 1,83/2,35 1,76/2,23 1,72/2,15 1,67/2,06 1,61/1,96

60 1,86/2,40 1,81/2,32 1,75/2,20 1,70/2,12 1,65/2,03 1,59/1,93
65 1,85/2,37 1,80/2,30 1,73/2,18 1,68/2,09 1,63/2,00 1,57/1,90
70 1,84/2,35 1,79/2,28 1,72/2,15 1,67/2,07 1,62/1,98 1,56/1,88
80 1,82/2,32 1,77/2,24 1,70/2,11 1,65/2,07 1,60/1,94 1,54/1,84
100 1,79/2,26 1,75/2,19 1,68/2,06 1,63/1,98 1,57/1,89 1,51/1,79
125 1,77/2,23 1,72/2,15 1,65/2,03 1,60/1,94 1,55/1,85 1,49/1,75
150 1,76/2,20 1,71/2,12 1,64/2,00 1,59/1,91 1,54/1,83 1,47/1,72
200 1,74/2,17 1,69/2,09 1,62/1,97 1,57/1,88 1,52/1,79 1,45/1,69
400 1,72/2,12 1,67/2,04 1,60/1,92 1,54/1,84 1,49/1,74 1,42/1,64
1000 1,70/2,09 1,65/2,01 1,58/1,89 1,53/1,81 1,47/1,71 1,41/1,61
 1,69/2,07 1,64/1,99 1,57/1,87 1,52/1,79 1,46/1,69 1,40/1,59
211
Prilozi
B4. Nastavak - kraj

ν1
ν2 50 75 100 200 500 
1 252/6302 253/6323 253/6334 254/6352 254/6361 254/6366
2 19,5/99,5 19,5/99,5 19,5/99,5 19,5/99,5 19,5/99,5 19,5/99,5
3 8,58/26,4 8,57/26,3 8,56/26,2 8,54/26,2 8,54/26,1 8,53/26,1
4 5,70/13,7 5,68/13,6 5,66/13,6 5,65/13,5 5,64/13,5 5,63/13,5
5 4,44/9,24 4,42/9,17 4,40/9,13 4,38/9,07 4,37/9,04 4,36/9,02
6 3,75/7,09 3,72/7,02 3,71/6,99 3,69/6,94 3,68/6,90 3,67/6,88
7 3,32/5,85 3,29/5,78 3,28/5,75 3,25/5,70 3,24/5,67 3,23/5,65
8 3,03/5,06 3,00/5,00 2,98/4,96 2,96/4,91 2,94/4,88 2,93/4,86
9 2,80/4,51 2,77/4,45 2,76/4,41 2,73/4,36 2,72/4,33 2,71/4,31
10 2,64/4,12 2,61/4,05 2,59/4,01 2,56/3,96 2,54/3,93 2,53/3,91
11 2,50/3,80 2,47/3,74 2,45/3,70 2,42/3,66 2,41/3,62 2,40/3,60

12 2,40/3,56 2,36/3,49 2,35/3,46 2,32/3,41 2,31/3,38 2,30/3,36
13 2,32/3,37 2,28/3,30 2,26/3,27 2,24/3,21 2,22/3,18 2,21/3,16
14 2,24/3,21 2,21/3,14 2,19/3,11 2,16/3,06 2,14/3,02 2,13/3,00
15 2,18/3,07 2,15/3,00 2,12/2,97 2,10/2,92 2,08/2,89 2,07/2,87
16 2,13/2,96 2,09/2,89 2,07/2,86 2,04/2,80 2,02/2,77 2,01/2,75
17 2,08/2,86 2,04/2,79 2,02/2,76 1,99/2,70 1,97/2,67 1,96/2,65
18 2,04/2,78 2,00/2,71 1,98/2,68 1,95/2,62 1,93/2,59 1,92/2,57
19 2,00/2,70 1,96/2,63 1,94/2,60 1,91/2,54 1,90/2,51 1,88/2,49
20 1,96/2,63 1,92/2,56 1,90/2,53 1,87/2,47 1,85/2,44 1,84/2,42
21 1,93/2,58 1,89/2,51 1,87/2,47 1,84/2,42 1,82/2,38 1,81/2,36

22 1,91/2,53 1,87/2,46 1,84/2,42 1,81/2,37 1,80/2,33 1,78/2,31
23 1,88/2,48 1,84/2,41 1,82/2,37 1,79/2,32 1,77/2,28 1,76/2,26
24 1,86/2,44 1,82/2,36 1,80/2,33 1,76/2,27 1,74/2,23 1,73/2,21
25 1,84/2,40 1,80/2,32 1,77/2,29 1,74/2,23 1,72/2,19 1,71/2,17
26 1,82/2,36 1,78/2,28 1,76/2,25 1,72/2,19 1,70/2,15 1,69/2,13
27 1,80/2,33 1,76/2,25 1,74/2,21 1,71/2,16 1,68/2,12 1,67/2,10
28 1,78/2,30 1,75/2,22 1,72/2,18 1,69/2,13 1,67/2,09 1,65/2,06
29 1,77/2,27 1,73/2,19 1,71/2,15 1,68/2,10 1,65/2,06 1,64/2,03
30 1,76/2,24 1,72/2,16 1,69/2,13 1,66/2,07 1,64/2,03 1,62/2,01
32 1,74/2,20 1,69/2,12 1,67/2,08 1,64/2,02 1,61/2,98 1,59/1,96

34 1,71/2,15 1,67/2,08 1,64/2,04 1,61/1,98 1,59/1,94 1,57/1,91
36 1,69/2,12 1,65/2,04 1,62/2,00 1,59/1,94 1,56/1,90 1,55/1,88
38 1,67/2,08 1,63/2,00 1,60/1,97 1,57/1,90 1,54/1,86 1,53/1,84
40 1,66/2,05 1,61/1,97 1,59/1,94 1,55/1,88 1,53/1,84 1,51/1,81
42 1,64/2,02 1,60/1,94 1,57/1,91 1,54/1,85 1,51/1,80 1,49/1,78
44 1,63/2,00 1,58/1,92 1,56/1,88 1,52/1,82 1,50/1,78 1,48/1,75
46 1,62/1,98 1,57/1,90 1,54/1,86 1,51/1,80 1,48/1,76 1,46/1,72
48 1,61/1,96 1,56/1,88 1,53/1,84 1,50/1,78 1,47/1,73 1,45/1,70
50 1,60/1,94 1,55/1,86 1,52/1,82 1,48/1,76 1,46/1,71 1,44/1,68
55 1,58/1,90 1,52/1,82 1,50/1,78 1,46/1,71 1,43/1,66 1,41/1,64

60 1,56/1,87 1,50/1,79 1,48/1,74 1,44/1,68 1,41/1,63 1,39/1,60
65 1,54/1,84 1,49/1,76 1,46/1,71 1,42/1,64 1,39/1,60 1,37/1,56
70 1,53/1,82 1,47/1,74 1,45/1,69 1,40/1,62 1,37/1,56 1,35/1,53
80 1,51/1,78 1,45/1,70 1,42/1,65 1,38/1,57 1,35/1,52 1,32/1,49
100 1,48/1,73 1,42/1,64 1,39/1,59 1,34/1,51 1,30/1,46 1,28/1,43
125 1,45/1,68 1,39/1,59 1,36/1,54 1,31/1,46 1,27/1,40 1,25/1,37
150 1,44/1,66 1,37/1,56 1,34/1,51 1,29/1,43 1,25/1,37 1,22/1,33
200 1,42/1,62 1,35/1,53 1,32/1,48 1,26/1,39 1,22/1,33 1,19/1,28
400 1,38/1,57 1,32/1,47 1,28/1,42 1,22/1,32 1,16/1,24 1,13/1,19
1000 1,36/1,54 1,30/1,41 1,26/1,38 1,19/1,28 1,13/1,19 1,08/1,11
 1,35/1,52 1,28/1,41 1,24/1,36 1,17/1,25 1,11/1,15 1,00/1,00
212
Popis oznaka1
ai ― apsolutna mjerna greška

bi ― parametar regresije
C ― nepouzdanost srednje vrijednosti
c ― relativna nepouzdanost srednje vrijednosti
ci ― koeficijent osjetljivosti
e ― procjena greške
E ― matematičko očekivanje, procijenjene sistematske greške
fi ― frekvencija
fri ― relativna frekvencija
fti ― teorijska frekvencija
F ― varijabla F-raspodjele
g ― relativna greška
Gx ― granična greška
h ― širina razreda (klase)
H0 ― nulta hipoteza
H1 ― alternativna hipoteza
k ― broj intervala (razreda)
kp ― faktor pokrivanja
Ka ― Pearsonov koeficijent asimetrije
Mr ― moment r-tog reda
Mo ― modus (mod)
Me ― medijana
N ― broj elemenata osnovnog skupa
n ― broj elemenata uzorka
P ― vjerovatnoća
r ― koeficijent korelacije
r2 ― koeficijent determinacije
ry ― relativna standardna devijacija indirektno mjerene veličine
RN ― interval varijacije
s ― standardna devijacija uzorka
sxy ― kovarijansa
S ― osjetljivost
SD ― srednje apsolutno odstupanje
Sreg ― regresiona suma kvadrata
Srez ― rezidualna suma kvadrata
ST ― ukupna suma kvadrata
srez ― rezidualna greška
sb1 ― standardna greška koeficijenta regresije
1
Pošto se u knjizi spominje veliki broj oznaka od kojih mnoge imaju i višestruko značenje, ovaj
popis se odnosi na oznake vezane za statističku obradu rezultata mjerenja.
213
t ― parametar Studentove raspodjele
u ― mjerna nesigurnost
uc ― kombinovana mjerna nesigurnost
U ― proširena mjerna nesigurnost
Vσ ― koeficijent varijacije po standardnoj devijaciji
VSD ― koeficijent varijacije po srednjem apsolutnom odstupanju
VR ― koeficijent varijacije po razmaku varijacije
xi ― slučajna varijabla (procjena slučajne varijable)
Xi ― slučajna varijabla
X ― regresiona matrica
y ― funkcija regresije, procjena indirektno mjerene veličine
Y ― indirektno mjerena veličina
z ― standardizirana varijabla
α3 ― treći centralni normirani moment

α4 ― četvrti centralni normirani moment
βj ― koeficijenti regresionog polinoma
β4 ― četvrti normirani moment
μ ― matematičko očekivanje
ν ― broj stepeni slobode
σ ― standardna devijacija osnovnog skupa
σ2 ― varijansa osnovnog skupa
χ2 ― parametar χ2 distribucije
Φ ― funkcija vjerovatnoće
214
INDEKS POJMOVA
A ─ kumulativna, 43
Amper, 21, 31 ─ relativna, 43
Analiza varijanse, 100, 111 ─ teorijska, 61
Asimetrija, 55 Funkcija:
─ gustoće, 67
B ─ hiperbolična, 130
Baždarna granična greška, 148 ─ logaritamska, 130
Bernoullijev eksperiment, 62 ─ regresiona, 95
Binomni raspored, 62
Broj stepeni slobode, 74, 84 G
Greška:
C ─ I vrste, 81
Centralna granična teorema, 80 ─ II vrste, 81
Centralni momenti, 55 ─ apsolutna, 146
Centrirano obilježje, 54 ─ granična, 148
─ gruba, 143
D ─ prividna, 146
Decili, 54 ─ relativna, 146
Dijagram rasturanja, 96 ─ rezidualna, 111
Diskretna slučajna promjenjiva, 39 ─ sistematska, 141
Disperzija, 51 ─ slučajna, 141
Distribucija frekvencija, 39 Grupisanje podataka, 41
Događaj, 61
Dužina, 21, 27 H
Dvosmjerni test, 85 Hipoteza, 81
─ alternativna, 81
E ─ nulta, 81
Eksponencijalni trend, 129 Hi kvadrat test, 91
Element (jedinica) skupa, 38 Histogram, 43
Etalon, 17
─ nacionalni, 17 I
─ primarni, 18 Indirektno mjerena veličina, 149
─ radni, 18 Interval varijacije, 41
─ sekundarni, 18 Izbor uzorka, 78
F J
Faktor pokrivanja, 172 Jedinice, 20
Fizikalna veličina, 5 ─ dodatne, 21
F-test, 89 ─ izvedene, 21, 22
Frekvencija, 40 ─ osnovne, 21
─ apsolutna, 40 Jednosmjerni test, 83
215
K Mjerni rezultat, 4
Kalibriranje, 5 Mod, 48
Kandela, 21, 33 Mol, 21, 34
Kelvin, 21, 32 Momenti, 55
Kilogram, 21, 27
Koeficijent: N
─ alijenacije, 100 Nepouzdanost: 164
─ asimetrije, 56 ─ relativna, 165
─ determinacije, 99 ─ srednje vrijednosti, 164
─ korelacije, 135, 138 Nivo značajnosti, 82
─ osjetljivosti, 171 Normalni raspored, 67
─ regresije, 106 ─ standardizirani, 69
─ varijacije, 53
─ zaobljenosti, 58 O
Konačan skup, 78 Obilježje, 38
Korelacija, 133 ─ atributno, 39
─ negativna, 134 ─ numeričko, 39
─ pozitivna, 134 Oblast odbacivanja, 82
Kovarijansa, 135 Oblast prihvatanja, 82
Kumulativ, 42 Odstupanje:
Kvantili, 54 ─ srednje apsolutno, 53
Kvartili, 54 ─ srednje kvadratno, 51
Osjetljivost, 145
L Osnovni skup, 38
Laboratorija:
─ primarna, 18 P
─ referentna, 18 Parametarski testovi, 78
Linearni regresioni model, 101 Pearsonov koeficijent asimetrije, 57
Logistička kriva, 131 Pearsonov koeficijent korelacije, 138
Percentili, 54
M Poligon frekvencija, 40
Masa, 21, 27 Ponovljivost, 6
Matematičko očekivanje, 44 Populacija, 38
Medijana, 49 Prag značajnosti, 82
Metar, 21, 27 Preciznost, 144
Metod najmanjih kvadrata, 102
Metrologija, 1 R
Metrološke organizacije, 10 Radijan, 21, 35
Mjere disperzije, 51 Raspored frekvencija, 39
Mjerenje, 4 Raspored vjerovatnoće:
Mjerna nesigurnost, 161 ─ Binomni, 61
─ kombinovana, 172 ─ Normalni, 67
─ proširena, 172 ─ Poissonov, 64
─ standardna, 162 ─ simetričan, 55
216
─ Studentov, 74 U
─ Pravougaoni, 75 Ugao:
─ Trougaoni, 75 ─ u ravni, 35
Razred, 41 ─ prostorni, 35
Regresiona analiza, 95 Uzorak:
Regresiona matrica, 102 ─ slučajni, 80
Regresija: ─ kontrolisani, 80
─ prosta linearna, 103 ─ stratificirani, 80
─ nelinearna, 123
─ višestruka, 101 V
Relacija neodređenosti, 144 Varijabilitet:
─ ukupni, 99
S ─ objašnjeni, 99
Sekunda, 29 ─ neobjašnjeni, 99
Sljedivost, 6, 17 Varijansa, 51
Slučajni izbor, 78 Vjerovatnoća, 44
Sredina:
─ aritmetička, 45 Z
─ geometrijska, 47 Združena varijansa, 86
─ kvadratna, 46 Zaobljenost rasporeda frekvencija, 58
─ harmonijska, 48
─ ponderisana, 45
Steradijan, 21, 35
Standardna devijacija, 52
Standardna greška:
─ aritmetičke sredine, 79
─ koeficijenta regresije, 112
─ slobodnog člana, 113
Standardizirano obilježje, 68
Statistika, 37
Statistički skup, 38
─ neprekidni, 39
─ diskretni, 39
Stepeni slobode, 74, 84
Steradijan, 35
Studentov test, 83
T
Tačnost, 114
Testiranje hipoteza, 81
t-test, 83
217
218
Literatura
[1] Beckwith, T. G., Marangoni, R. D., Mechanical Measurements, Addison-Wesley

Publishing Company, N. York, 1990.
[2] Bajramović, R., Određivanje kritičnih vrijednosti kod normalne i t-distribucije,
Mašinstvo, 2(7), 93-104, 2003.
[3] Benčić, D., Dusman, F., Od mjerenja do mjeriteljske informacije – prikaz i
analiza osnovnih pojmova mjerne tehnike, Geod. List, 1994,2,147-151.
[4] Brezinšćak, M., Mjerenje i računanje u tehnici i znanosti, Zagreb, 1971.
[5] Brgars, D. A., Advanced Level Statistic, Collins Educational, London, 1992.
[6] Dedić, T., Mjerne jedinice – priručnik za pretvaranje u međunarodni sistem
jedinica, Harfo-graf, Tuzla, 2000.
[7] Đonlagić, D., Đonlagić, D., Merjenja temperatur in tlakov, Univerza v Mariboru,
Maribor, 1995.
[8] EA-4/02: Expression of the Uncertainty of Measurement in Calibration,
European Cooperation for Accreditation, 1999.
[9] Ekinović, S., Metode statističke analize u Microsoft Excelu, Mašinski fakultet
Zenica, Zenica, 1997.
[10] Elazar, S., Matematička statistika, Svjetlost, Sarajevo, 1972.
[11] Fabris, O., Osnovi inženjerske termodinamike, Svjetlost, Sarajevo, 1989.
[12] IMEKO XI, Instrumentation for the 21st century – METROLOGY, Proceedings of
the 11th Triennial World Congress of the International Measurement
Confederation (IMEKO), Houston, Texas, USA, 1988.
[13] Jakubović, Z., Leksikon mjernih jedinica, Školska knjiga Zagreb, 1991.
[14] Kimothi, S. K., The Uncertainty of Measurements – Physical and Chemical
Metrology: Impact and Analysis, ASQ Quality Press, Wisconsin, 2002.
[15] Kostić, M., Metodi statističke analize s kompjuterskim prilazom, Naučna knjiga,
Beograd, 1988.
[16] Marić, S., Fizika, Mašinski fakultet Sarajevo, Sarajevo, 1991.
[17] Nicholas, J.V., White, D. R., Traceable Temperatures, John Wiley & Sons, ltd.,
N. York, 2001.
[18] Pavlić, I., Statistička teorija i primjena, Tehnička knjiga, Zagreb, 1970.
[19] Purcell, E. M., Elektricitet i magnetizam, Tehnička knjiga, Zagreb, 1988.
[20] Sears, F. W., Mehanika, talasno kretanje i toplota, Naučna knjiga, Beograd,
1962.
[21] Snedecor, G. W., Cochran, W. G., Statistical Methods, Iowa state university
press, Iowa, USA, 1967.
[22] The International System of Units (SI), Bureau International des Poids et
Mesures, 7th edition, 1998.
219
[23] Trešnjo, Z., Istraživanje stanja metrologije u Bosni i Hercegovini u kontekstu
međunarodnih dostignuća, Magistarski rad, Mašinski fakultet Mostar, Mostar,
2003.
[24] Weckenmann, A., Metrology – Lecture Script, QFM Erlangen, Sarajevo, 2002.
[25] http://www.ptb.de/ Physikalisch Technische Bundesansalt (PTB).
[26] http://www.bipm.fr/ Bureau International des Poids et Mesures (BIPM).
[27] http://www.nist.gov/ National Institute of Standards and Technology (NIST),
USA.
[28] http://www.oiml.org/ The International Organization of Legal Metrology
(OIML).
[29] http://www.temperature.com/
220
View publication stats

Osn MTRLG I Obr Podataka

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

Osn MTRLG I Obr Podataka

Uploaded by

Copyright:

Available Formats

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Osnovi metrologije i obrade rezultata mjerenja

Book · January 2005

The user has requested enhancement of the downloaded file.

OSNOVI METROLOGIJE I OBRADE

R. prof. dr. Stjepan Marić, Mašinski fakultet Sarajevo

Na osnovu odluke Senata Univerziteta u Sarajevu br. 01-I-961/05 od 10.06.2005.

Bibliografija: str. 219-220

Knjiga Osnovi metrologije i obrade rezultata mjerenja u prvom je redu

Sarajevo, januar 2005.

2. OSNOVI METROLOGIJE ............................................................................. 7

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

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

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

7. REGRESIONA ANALIZA ............................................................................ 95

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

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

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

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

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

Literatura ................................................................................................................... 219

Mjerenje je, od najstarijih vremena pa do danas, postalo neophodno u svako-

1.1 HISTORIJSKI PREGLED RAZVOJA METROLOGIJE

S razvojem spoznaja o materijalnom svijetu, s razvojem tehnike i tehnologije

Kroz historiju, a naročito tokom srednjeg vijeka, u tada naprednim zemljama

jedinicama kao i dekadskim, odnosno decimalnim višekratnicima. Decimalnost

Na Drugom međunarodnom kongresu elektrotehničara (1889) usvojene su

1.2 OSNOVNI POJMOVI I DEFINICIJE U MJERNOJ TEHNICI

S razvojem mjerne tehnike i tehnologije uopšte razvijala se i prateća

Mjerni rezultat je izražena vrijednost relevantne mjerne veličine, a

Referentni materijal je materijal ili supstanca čija je jedna ili više

Metrologija je vrlo značajna oblast za razvoj svih naučnih disciplina, kao i

2.1 ZADACI I PODJELE METROLOGIJE

Pod metrologijom se podrazumijeva onaj specijalizirani dio pojedinih prirodnih i

─ dalje prosljeđivanje (distribucija) jedinica ka korisnicima putem upore-

Slika 2.1. Osnovni zadaci metrologije.

Navedene tri faze zapravo predstavljaju put od definicije fizikalnih jedinica

Generalno, metrologija se može podijeliti u tri kategorije sa različitim

2.2 ORGANIZACIJE MEĐUNARODNE METROLOGIJE

2.2.1. Konvencija o metru

2.2.2. Generalna konferencija za tegove i mjere (CGPM)

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

Konsultativni komiteti (CC) CIPM

Međunarodni ured za tegove i mjere (BIPM)

Slika 2.2. Organizacija Konvencije o metru.

Na svakoj generalnoj konferencija prima se izvještaj Međunarodnog komiteta za

2.2.3. Međunarodni komitet za tegove i mjere (CIPM)

Na konferenciji o metru održanoj 1875. godine konstituisan je i Međunarodni

2.2.4. Međunarodni ured za tegove i mjere (BIPM)

Nakon potpisivanja Konvencije o metru francuska vlada je za potrebe

BIPM je u početku imao pet naučnih i tehničkih saradnika, a do danas je taj

Konsultativni komiteti (CC)

2.3 OSTALE MEĐUNARODNE ORGANIZACIJE

Većina međunarodnih metroloških organizacija blisko sarađuje sa CIPM i

Nacionalni metrološki instituti (NMI)

Dogovor o uzajamnom priznavanju (MRA)

2.4 ZAKONSKA METROLOGIJA

Zakonska metrologija je nastala kao nužna potreba i predstavlja, zapravo,

Osnovni zadaci OIML-a su obezbjeđenje jedinstva i ispravnosti mjerenja u

2.5 METROLOŠKA SLJEDIVOST

Na osnovu dosadašnjih razmatranja jasno je da se skoro sve oblasti ljudske

─ prihvatanje zajedničkog sistema mjernih jedinica koji je čvrsto vezan za

Primarni etalon je etalon koji je prema opštoj ocjeni najviših metroloških