2 STATISTIKA OBRADA I NESIGURNOST

MJERENJA
Bez obzira na izvedbu mjernog sustava uvijek postoji razlika izmeu stvarne i izmjerene vrijednosti
mjerne veliine. Ta razlika se naziva greka mjerenja. Mjerenje je praktiki beskorisno ako se ne moe
procijeniti mogui interval greke mjerenja. Ta procjena se naziva mjerna nesigurnost (eng. uncertainty).
U ovom se poglavlju analizira kako definirati mjernu greku i nesigurnost, i to s teorijskog aspekta i
praktino tijekom samih mjerenja. Analiziraju se i mogui izvori sistematskih i sluajnih izvora greki i
smetnji. Temeljni matematiki pristup je pomou teorije vjerojatnosti i statistike analize mjernog
procesa.

2.1. Stvarna vrijednost, greka i nesigurnost

Definicije i terminologija u ovom poglavlju temelji se na publikaciji Guide to the Expression of
Uncertainty in Measurement (GUM), International Organization for Standardization [1]. Analizirat e se
mjerenja u kojima se rezultat moe izraziti realnim brojem. Mjerenja u kojem je rezultat detekcija neke
veliine, s logikim ishodom true ili false, nije predmet analize.
Oznaimo stvarnu vrijednost mjerne veliine s z; to je ona vrijednost koju bi izmjerili idealnim mjernim
sustavom. Vrijednost koja se dobije stvarnim mjerenjem, nazovimo je rezultat mjerenja, oznaimo s x.
Mjerna greka, e, je razlika stvarne vrijednosti i rezultata mjerenja:
e=z-x

(2.1)

Poznato je iz psiholokih istraivanja Weber-Fechnera da ovjek percipira promjenu neke veliine kao
relativan omjer apsolutne vrijednost promjene i same veliine. Zbog toga se greka esto izraava kao
relativna greka erel;
erel = |e| / z.

(2.2)

Greka je nepoznata veliina jer je i stvarna vrijednost veliine z nepoznata. Paradoks je da mi vrimo
mjerenja jer nas zanima objektivna stvarna vrijednost, a nju ne moemo tono izmjeriti. Ono to se
moe procijeniti mjerenjem je interval vrijednosti unutar kojih se nalazi stvarna vrijednost mjerene
veliine. Taj interval smo nazvali nesigurnost mjerenja. Za odreivanje nesigurnosti mjerena potrebno je
koristiti znanja iz teorije vjerojatnosti i statistike.

2.2. Osnovni pojmovi teorije vjerojatnosti

Najprije e se odrediti pojam sluajne varijable, funkcije razdiobe i funkcije gustoe vjerojatnosti, a
zatim kako se statistikim zakljuivanjem ili teorijski odreuje nesigurnost mjerenja.
Kad bacamo kocku jedino pouzdano znamo da e rezultat biti jedan od est brojeva. Koji e to biti broj
stvar je sluajnosti, stoga svako bacanje kocke predstavlja jedan elementarni stohastiki dogaaj (ili
pokus), oznaimo ga s i, i=1,2,..6. Poto je vjerojatnost pojave svakog od est brojeva jednaka, uzima se
da ta vjerojatnost iznosi 1/6, prema logici da je vjerojatnost pojave bilo kojeg broja jednaka je 1. Ako pri
bacanju kocke promatramo da li e rezultat biti parni ili neparni broj, tada promatramo dogaaj koji je
funkcija elementarnog dogaaja i; oznaimo ga x(i). Funkcija x(i) moe imati samo dvije vrijednosti
koje oznaavaju parni, odnosno neparni broj. Oznaimo te dvije vrijednosti s 0 i 1. Sada injenicu, da je
vjerojatnost pojave parnog broja jednaka 1/2 moemo zapisati s Pr(x(i) = 1) = 1/2. U teoriji vjerojatnosti

2. Statistika obrada i greka mjerenja

funkcija x(i), koja preslikava sluajni dogaaj u realnu vrijednost, naziva se sluajna varijabla, a
usvojeno je da se skraeno oznaava s podvuenim ili velikom slovom, tj, x ili X.
Nakon svakog mjerenja sluajne varijable poprimaju novu vrijednost, zbog toga mjerni rezultat x i greku
mjerenja e oznaavamo kao sluajne varijable: X i E .
Analizirat emo rezultate mjerenja kontinuirane sluajne varijable X, koje moe poprimiti bilo koju realnu
vrijednost. U tom sluaju nema smisla definirati kolika je vjerojatnost da se pojavi neka vrijednost x, jer
vjerojatnost da se pojavi jedan od beskonano mnogo brojeva jednaka je nuli. Meutim, mogue je
odrediti vjerojatnost da sluajna varijabla poprimi vrijednost manju ili jednaku vrijednosti x, tj. Pr(X < x).
Taj odnos se moe definirati za svaku vrijednost x, i naziva se funkcija kumulativne razdiobe
vjerojatnosti (eng, cumulative distribution probability function), a oznaava se s FX (x);
FX ( x) Pr(X x)

(2.2)

Skraeno se FX (x) naziva razdioba vjerojatnosti. Svojstva su joj:

FX () 1
Pr(x1 X x2 ) FX ( x2 ) FX ( x1 )

(2.3)

Prva derivacija razdiobe vjerojatnosti FX (x) naziva se funkcija gustoe vjerojatnosti1 ili gustoa
vjerojatnosti (eng. probability density function) i oznaava se s fX (x);
f X ( x)

dFX ( x)
Pr(x2 X x1 )
lim
x1 x2
dx
x2 x1

(2.4)

Integral gustoe vjerojatnosti u intervalu [x1, x2] jednak je vjerojatnosti da vrijednost sluajne varijable X
bude unutar tog intervala:
x2

( x)dx FX ( x2 ) FX ( x1 ) Pr(x2 X x1 )

(2.5)

x1

Slika 2.1(a) pokazuje razdiobu vjerojatnosti za pokus bacanja kocke. Vidimo da je vjerojatnost da
rezultat bude jednak ili manji od 3 jednaka 0,5, kao to i oekujemo. Drugi primjer na slici 2.1(b) ilustrira
mogui rezultat koji nastaje pri pretvaranju proizvoljnog realnog broja u cijeli broj (uobiajena greka pri
analogno-digitalnoj pretvorbi). U tom sluaju jednako su vjerojatne sve vrijednost greke u rasponu od 0,5 do 0,5, pa je razdioba vjerojatnosti kontinuirana funkcija, za razliku od sluaja bacanja kocke gdje
funkcija razdiobe ima samo 6 diskretnih vrijednosti.
Slika 2.1 (a) prikazuje funkciju gustoe vjerojatnosti pri bacanju kocke. Radi se o diskretnoj funkciji koju
predstavlja 6 Diracovih impulsnih funkcija povrine 1/6, tj. gustoa vjerojatnosti je jednaka

n 1
6
n 1

( x n) / 6 . To se dobije deriviranjem funkcije razdiobe koja je diskretno stepeniasta funkcija

u ( x n) / 6 . Poznato je da se deriviranjem skokomine funkcije u(x-n) dobije Diracova funkcija

(x-n).

esto se umjesto fX (a) koristi notacije f(x) ili p(x).

2. Statistika obrada i greka mjerenja

Slika 2.1 Primjeri razdiobe i gustoe vjerojatnosti (a) pri bacanju kocke i (b) greke pri pretvaranju
realnog broja u cijeli broj

2.2.1. Funkcije gustoe vjerojatnosti

Na slici 2.2 prikazano je nekoliko funkcija gustoe vjerojatnosti.
Normalna ili Gausova gustoa vjerojatnosti odreena je paramertima i ;
f X ( x)

exp(

(x )2
2 2

(2.6)

Uniformna gustoa vjerojatnosti odreena je parametrima A i B;

1

if A x B
f X ( x) B A

else
0

(2.7)

Poissonova gustoa vjerojatnosti odreena je parametrima n i :

f X ( x)

n exp( )

n 0

n!

( x n)

(2.8)

Binomna gustoa vjerojatnosti odreena je parametrima N i P:

f X ( x)

n! ( N n)! P
N!

(1 P) N n ( x n)

(2.9)

n 0

Sluajni dogaaji u prirodi najee podlijeu normalnoj razdiobi. Razlog je injenica da se

akumuliranjem sluajnih dogaaja uvijek ostvaruje normalna razdioba. To e kasnije biti iskazano kao
centralni granini teorem najvaniji teorem teorije vjerojatnosti. Dobra strana normalne razdiobe je da
se njome lako vre mnoge matematike analize, koje s drugim razdiobama nisu mogue. Znaajna je i u
2. Statistika obrada i greka mjerenja

teoriji sustava jer se propagiranjem signala kroz sustave ne mijenjaju njegova statistika svojstva ukoliko
amplitude signala podlijeu normalnoj razdiobi.
Uniformna razdioba se esto javlja u digitalnoj obradi signala. Prije je pokazan primjer uniformne
razdiobe kod pretvaranja realnog broja u cijeli broj. Mnogi generatori uma koji se digitalno generiraju
pomou linearnih kongruencijskih sekvenci imaju uniformnu razdiobu amplituda.
Poissona i binomna razdioba su diskretne razdiobe. Poissonova razdioba se esto koristi za modeliranje
procesa koji broje dogaaje unutar nekog vremena. Primjer je foto-detektor, koji daje napon
proporcionalan broju fotona koji presijecaju povrinu detektora u jedinici vremena. Parametar
predstavlja srednju vrijednost izbroja.
Binomna razdioba se pojavljuje kod pokusa gdje re registrira N neovisnih dogaaja koji imaju logiki
rezultat. Tada postoji vjerojatnost P da je rezultat "true", i (1-P) da je rezultat "false". Kod binomne
razdiobe registrira se broj koliko je puta sluajni rezultat ishoda "true".
Poto Poissonova i binomna razdioba imaju ishodite u izbroju dogaaja koji mogu biti potaknuti od vie
neovisnih sluajnih dogaaja, za oekivati je da anvelopa ovi diskretnih razdioba aproksimira
kontinuiranu normalnu razdiobu. To je tono. Poissonova razdioba se moe aproksimirati normalnom
razdiobom kada je = i =, ako je dovoljno velik. Binomna razdioba se aproksimira normalnom
razdiobom sa = NP i = [NP(1 - P)], ako je N dovoljno velik.

Slika 2.2 Funkcije gustoe vjerojatnosti

2. Statistika obrada i greka mjerenja

2.2.2. Oekivanje, varijanca i standardna devijacija

Sluajna varijabla je kompletno definirana ako je definirana gustoa vjerojatnosti fX(x) za sve njene
mogue vrijednosti. Ponekad je ovaj zahtjev vrlo strog, i tada se obino zadovoljavamo poznavanjem
temeljnih statistikih parametara: matematikog oekivanja sluajne varijable x (tj. srednja vrijednost) i
standardne devijacije x.
Ove veliine slijede iz definicije matematikog oekivanja E{g(x)}:
Eg ( x)

g ( x) f

(2.9)

( x)dx

Oekivanje varijable x = E{x} je srednja vrijednost oko koje oekujemo da je pozicionirana gustoa
razdiobe. Ima isti znaaj kao i aritmetika sredina u statistici.

x EX

xf

( x)dx

(2.10)

Varijanca, pokazuje srednje kvadratno odstupanje od srednja vrijednosti varijable. Definirana je s:

Var X E{( x x ) } ( x x ) 2 f X ( x)dx E{ X 2 } x2

2
x

(2.11)

Standardna devijacija a pokazuje efektivnu vrijednost odstupanja od oekivane vrijednosti:

x Var X

(2.12)

Vrijednosti oekivanja i standardne devijacije za prethodno opisane gustoe vjerojatnosti prikazuje tablica
2.1.
Tablica 2.1
Razdioba
Vjerojatnosti
Normalna
Uniformna
Binomna
Poissonova

Oekivanje

(A+B)/2
NP

Standardna
devijacija

(B-A)/12
NP(1-P)

Ako mjerimo neku veliinu koja ima karakter sluajne varijable X, moemo oekivati da e biti izmjeren
rezultat blizak oekivanju x plus ili minus vrijednost koja je proporcionalna standardnoj devijaciji.
Iskazano formulom vjerojatnosti moe se utvrditi i vjerojatnost, nazovimo je razina povjerenja (eng.
confidence level), da e odstupanje od oekivane (srednje) vrijednost biti manje od k;
Pr( x k x X x k x )

(2.13)

Parametar k, nazvan faktor pokrivanja (eng. coverage factor), i razina povjerenja za normalnu razdiobu
iznose:

0.68
1

0.9
1.645

2. Statistika obrada i greka mjerenja

0.95
1.960

0.955
2

0.99
2.576

0.9972
3

0.999
3.291

Primjerice, ako elimo utvrditi koliko je odstupanje od srednje vrijednosti u 95.5% sluajeva, tablica
pokazuje da iznosi 2 jer je k=2. Na ovaj nain odreena je proirena nesigurnost mjerenja. Primijetimo
da e rezultat e biti unutar u 68% sluajeva to predstavlja standardnu nesigurnost mjerenja.

2.2.3 Funkcije i parametri vjerojatnosti za dvije sluajne varijable

esto e se analizirati dvije sluajne varijable, X i Y , s pripadnim gustoama vjerojatnosti fX(x) i fY (y).
Zanima nas kolika je vjerojatnost da je istovremeno X x i Y y. U tu svrhu definira se zajednika
funkcija razdiobe (eng. joint distribution function):
FX,Y (x,y) = (def) Pr(X x i Y y).

(2.14)

Definiraju se i marginalne funkcije razdiobe (eng. marginal distribution functions) FX (x) i FY(y) kao
funkcije koje se dobiju iz razdiobe FXY (x,y):
FX (x) = (def) Pr(X x) = Pr(X x i Y ) = FX,Y (x, )
FY (y) = (def) Pr(Y < y) = Pr(X i Y y) = FX,Y (,y)

(2.16)

Zajednika funkcija gustoe vjerojatnosti (eng. joint density function) je definirana izrazom:
f X ,Y ( x, y ) (def )

2 FX ,Y ( x, y )

(2.16)

x y

Marginanlne funkcije gustoe vjerojatnosti (eng. marginal density function) se izvode iz zajednike
funkcije gustoe:

f X ( x)

f Y ( y)

f XY ( x, y )dy,

XY

( x, y )dx

(2.17)

U specijalnom sluaju, kada je fXY (x,y) = fX (x) fY (y), tada kaemo da su sluajne varijable X i Y neovisne
jedna o drugoj.

2.2.4 Oekivanje, kovarijanca i korelacija dviju sluajnih varijabli

Djelovanje operatora oekivanja na funkciju od dvije sluajne varijable g(X,Y), koja je realna funkcija,
definira se izrazom:
Eg ( X , Y ) (def )

g ( x, y ) f

X ,Y

( x, y )dydx

(2.18)

x y

U specijalnom sluaju, kada je g(X, Y) suma dvije realne funkcije, tj. ako je g(X,Y) = q(X) + r(Y)
oekivanje od g(.)iznosi:
Eq( X ) r (Y ) Eq( X ) Er (Y )

(2.19)

Najvanija primjena zajednike funkcije gustoe vjerojatnosti je da se pomou nje definiraju funkcije
korelacije i kovarijance dvije sluajne varijable. Te funkcije pokazuju da li na bilo koji nain jedna
sluajna varijabla ovisi o drugoj sluajnoj varijabli.
Korelacija dvije sluajne varijable definira se kao oekivanje produkta sluajnih varijabli:

Corr( X , Y ) EXY

(2.20)

Kovarijanca dvije sluajne varijable definira se kao oekivanje produkta dviju centriranih varijabli;

Cov( X , Y ) E ( X x )(Y y )
2. Statistika obrada i greka mjerenja

(2.21)
6

Kaemo da kovarijanca predstavlja oekivanje produkta dviju centriranih varijabli, jer daje oekivanje
pomaka vrijednosti sluajne varijable od srednje vrijednosti.
Ako su dvije sluajne varijable neovisne, tada su i korelacija i kovarijanca jednake nuli.
esto je poeljno izraziti stupanj kojim su dvije varijable korelirane, bez obzira na njihovu veliinu. U tu
svrhu definira se parametar koji se naziva koeficijent korelacije (ili normalizirana kovarijanca);

Cov( X , Y )

XY

x x y y

x y

f X ,Y ( x, y )dydx

(2.22)

Rjeavanjem ovog integrala, dobije se:

EXY x y

(2.23)

X y

Korelacijski koeficijent || ima vrijednosti od 0 do 1. Ako su dvije sluajne varijable neovisne, tada je
= 0, a ako su potpuno ovisne tada je = 1.
Zajednika funkcija gustoe za normalnu razdiobu glasi:
f ( x, y )

1
2 X Y

1 ( x ) 2 2 ( x x )( y y ) ( y y ) 2
x

exp

2(1 2 ) X2

1 2
X
Y
Y

(2.24)

Ako je korelacija jednaka nuli, tada je f(x,y) = f(x) f(y).

2.2.5 Oekivanje i varijanca zbroja sluajnih varijabli

Zbroj sluajnih varijabli takoer predstavlja sluajnu varijablu. Definirajmo tu rezultantnu sluajnu
varijablu Z kao linearnu kombinaciju sluajnih varijabli X i B:
Z = X + B

(2.25)

Oekivanje srednje vrijednosti Z jednako je:

z EZ EX EY x y

(2.26)

U elektronikim sklopovima srednja vrijednost neke fluktuacije je istosmjerna vrijednost, pa ovaj

zakljuak odgovara injenici da se istosmjerne veliine zbrajaju linearno.
Oekivanje kvadrata sluajne varijable iznosi:

(x y)

E Z2

f XZY ( x, y ) dy dx

x y

x 2 y 2 2xy) f XY ( x, y ) dydx

2 2

x y

2
x f X ( x)dx

2
y fY ( y)dy

2xy f

XY

( x, y ) dy dx

x y

2 E X 2 2 E Y 2 2 E( XY

Za varijancu vrijedi slian zakljuak, jer ona predstavlja oekivanje kvadrata centrirane varijable:

2. Statistika obrada i greka mjerenja

Var ( Z ) E ( z z )

(x y

y ) 2 f XY ( x, y ) dy dx

x y

( ( x

a)

( y y ) 2 f XY ( x, y ) dx dy

x y

(2.28)

2Var ( X ) 2Var ( Z ) 2 E ( X x )(Y y )

Ako su sluajne varijable neovisne, tada su korelacija E{XY} i kovarijanca E{(X-x ) (Y-y)} jednaki nuli,
pa se tada aditivni lanovi zbrajaju s kvadratnom potencijom. U elektronici kvadrat varijable, koja
predstavlja napon ili struju, je proporcionalan elektrinoj snazi Ovaj zakljuak je vrlo vaan za analizu
uma u elektronikim sklopovima, jer tu obino ne raspolaemo s podatkom o naponu ili struji uma, ve
raspolaemo s podatkom o snazi uma koju generira pojedina komponenta. Vidimo da se u aditivnim
sklopovima zbrajaju snage neovisnih izvora uma. Ovo razmatranje se moe poopiti za sluaj aditivnog
utjecaja N neovisnih sluajnih varijabli.

2.3 Statistiko zakljuivanje

Postavljaju se pitanja:
1. Kako odrediti oekivanje i standardnu devijaciju iz rezultata mjerenja?
2. Kako odrediti oekivanje i standardnu devijaciju dok razvijamo mjerni ureaj, u kojem vie
elemenata generira sluajne dogaaje, primjerice otpornik i operacijsko pojaalo su generatori
uma?
3. Moe li se u mjerenju uvesti postupke koji e smanjiti standardnu devijaciju, a time i nesigurnost
mjerenja?
Na ova pitanja e biti odgovoreno u narednim stavcima.
Za odreivanje gustoe vjerojatnosti mjerne greke koriste se dvije metode. Prva je teorijska metoda u
kojoj se najprije analizira gustoa vjerojatnosti za sve mogue izvore greki, odreuje se kako se greke
propagiraju u mjernom lancu i kakovi utjecaj imaju na konanu greku. Tipini izvori sluajnih greki su
termiki um otpornika, um tranzistora, um kvantizacije, um izvora napajanja i dr. U sekcijama 2.4.2 i
2.4.3 opisano je kako se obrauje propagacija ovih greki u konanu greku.
U ovoj sekciji se obrauje druga metoda, u kojoj se korist statistiko zakljuivanje s rezultatima mjerenja.
Ova metoda je mogua samo ako se neko mjerenje moe ponovljeno izvriti u nepromijenjenim
okolnostima, primjerice;

u istoj okolini,
uz istu temperaturu,
koristei istu mjernu metodu i
koristei isti instrumentarij.

U statistici pod skupom podataka razumijevamo vrijednosti dobivene mjerenjem (ili opaanjem) nekog
statistikog obiljeja (ili varijable) promatrane skupine objekata ili osoba. Varijabla moe biti
jednodimenzionalna ili viedimenzionalna. Grupa objekata ili osoba koju promatramo zove se populacija.
esto nije mogue izmjeriti (opaziti) sve vrijednosti izuavanoga statistikog obiljeja. U tom sluaju
odabiremo (reprezentativni) uzorak iz populacije i iz njega odreujemo statistika obiljeja.

2. Statistika obrada i greka mjerenja

Najjednostavnije statistiko zakljuivanje provodi se procjenom srednje vrijednosti i standardne

devijacije, a ponekad se prikazuje histogram, koji predstavlja aproksimaciju funkcije gustoe
vjerojatnosti.

2.3.1. Eksperimentalna procjena funkcije gustoe vjerojatnosti: histogram

Procijeniti emo oblik gustou vjerojatnosti realne sluajne varijable X koja predstavlja ili rezultat
mjerenja ili mjernu greku, na temelju izmjerenih N uzoraka xn koji predstavljaju moguu vrijednost
sluajne varijable X. Nadalje, pretpostavit emo da su svi uzorci xn meusobno statistiki neovisni,
vrijednost im je izmeu xmin i xmax tj. minimalnog i maksimalnog uzorka u nizu uzoraka xn.
Histogram se izrauje na sljedei nain. Prvo se interval [xmin, xmax] podijeli u K podintervala jednake
irine [xk, xk + x] gdje je x = (xmax - xmin) / K. Svaki podinterval se naziva bin. Zatim se analizira niz xn i
za svak bin odredi se broj uzoraka koji po amplitudi pripada tom bin-u. Te vrijednosti se biljee u nizu
hk .
Vjerojatnost da mjereni uzorak pripada k-tom binu iznosi:
xk x

Pk

( x) dx

(2.29)

xk

Poto imamo izbroj N uzoraka, niz hk ima binomnu razdiobu s parametrima (N, Pk). Prema tablici 2.1
oekivanje od hk je E{hk} = NPk i njegova varijanca je NPk(1 - Pk).
Definirajmo sada niz Hk koji sadri normalizirani histogram
Hk

hk
N x

(2.30)

Time se uvjetuje da ukupna povrina histograma je jednaka 1.

Oekivanje od Hk iznosi:
Ehk Pk
1
EH k

N x x x

xk x

f X ( x) dx

xk

FX ( xk x) FX ( xk )
f X ( xk x / 2)
x

(2.31)

Zakljuujemo da Hk predstavlja aproksimaciju funkcije gustoe vjerojatnosti fX (xk + x /2).

Pogledajmo praktini primjer histograma na slici 2.3. Slika (a) prikazuje niz od 100 sluajnih uzoraka iz
normalne razdiobe (u realnosti mi ne znamo kojoj razdiobi podaci pripadaju). Za taj niz napravljena su
dva histograma, jedan s K=25 binova i drugi s K=4 bina, prikazana na slikama (b). Na istim slikama je
prikazana je normalna gustoe vjerojatnosti pomou koje su generirani podaci.
Malo irom eksperimentalnom analizom pokazuje se da je za izradu histograma najbolje odabrati K prema
pravilu K = N.

2. Statistika obrada i greka mjerenja

Slika 2.3 Estimacija funkcije gustoe vjerojatnosti pomou histograma: (a) prikaz mjerenih uzoraka (N =
100); (b) histogram sa K = 25 (lijevo) i K = 4 (desno) i sa stvarnom funkcijom gustoe vjerojatnosti;

2.3.2. Procjena uzorake srednje vrijednosti i standardne devijacije

Procjena srednje vrijednosti i zakon velikih brojeva
Pri mjerenjima esto se provodi vie mjerenja iste veliine, xn, n=1,2,..N i zatim se vri usrednjavanje
(eng. averaging) prema formuli za aritmetiku sredinu:
x

1
N

(2.32)

n 1

Crtica povie parametra oznaava aritmetiku sredinu niza xn.

Pokazat emo da se usrednjavanjem dobije znatno toniji rezultat. Koristit emo statistiko zakljuivanje
jer se ono, kao i mjerenje, provodi s ogranienim brojem podataka na tzv. statistikom uzorku. Budui je
statistika funkcija sluajnih varijabli, definiramo statistiki sluajni uzorak od N sluajnih varijabli (X1,
X2,...XN), ija populacijska razdioba ima matematiko oekivanja i varijancu 2. Ureenu n-torku
brojeva (x1, x2, , xN) koja predstavlja realizaciju sluajnog uzorka zovemo opaeni uzorak.
Uzoraka srednja vrijednost (ili sredina) je sluajna varijabla jer je funkcija sluajnih varijabli:
X

1
N

(2.33)

n 1

Oekivanje uzorake sredine iznosi:

EX

1
N

EX N N
1

(2.34)

n 1

Vidimo da je procijenjena vrijednost jednaka stvarnoj srednjoj vrijednosti populacije. Kaemo da ova
procjena predstavlja nepristranu ili centriranu procjenu. U suprotnom sluaju imali bi pristranu ili
necetriranu procjenu.
Varijanca uzorake sredine se procjenjuje koristei izraz za varijancu sume neovisnih varijabli (2.22) :

2. Statistika obrada i greka mjerenja

10

Var X

1
1
Var
Xi 2
2
N
n1 N

Var X i

n 1

1
2
2
N

N
N2

(2.35)

Ovaj izraz podrazumijeva da su elementi uzorka statistiki neovisni, tj. Cov(Xi, Xj) = 0.
Standardna devijacija uzorake sredine, esto nazivana i standardna uzoraka greka, iznosi:

( X ) Var X

(2.36)

Ovi izrazi vrijede kada je N veliki broj, i u literaturi se nazivaju "zakon velikih brojeva".
Najvaniji je zakljuak da usrednjavanje smanjuje standardnu devijaciju, odnosno standardnu greku, i to
proporcionalno s 1/N. U graninom sluaju, kada N , greka tei nuli. U tom sluaju kaemo da
imamo konzistentnu procjenu srednje vrijednosti (eng. consistent estimator). U realnim sluajevima
greka nee ipak biti nula jer uvijek postoji neka mala ovisnost izmeu mjernih vrijednosti, obino kao
posljedica nelinearnosti i stacionarnih smetnji u mjernom sustavu.
Procjena uzorake varijance
Za procjenu varijance iz statistikog uzorka postoje dva sluaja. U prvom sluaju, kada je poznata srednja
vrijednost x , varijanca se procjenjuje izrazom:

x2

1
N

(2.37)

n 1

Znak ^ oznaava da se radi o procjeni vrijednosti na statistikom uzorku.

Drugi je sluaj kada je srednja vrijednost nepoznata, pa simultano treba procijeniti i varijancu i srednju
vrijednost. Srednja vrijednost se kao i prije dobije usrednjavanjem, zatim se nepristrana procjena
varijance dobije pomou tzv. uzorake varijance (eng. sample variance) S2:
S x2

1 N
x n x 2
N 1 n 1

(2.38)

Razlika ova dva izraza je za faktor N/(N - 1) kojim se ispravlja pristranost u procjeni uzorake varijance.
Dokaimo da uzoraka varijanca predstavlja konzistentni estimator varijance. Koristit emo identitete:
S x2

1 N 2
N
Xn
X 2,
N 1 n 1
N 1

E Y 2 Var Y EY

Raunamo matematiko oekivanje od S2:

E S x2

1 N
N
E X n2
E X2
N 1 n 1
N 1

1 N
N
2
2
(Var X n EX n )
(Var X E X
N 1 n 1
N 1

1
N x2
N ( x2 x2 )
(
x2 )
N 1
N 1 N
1

( N 1) x2 x2
N 1

2. Statistika obrada i greka mjerenja

11

Kao to je pokazano, ovi estimatori su konzistentni. Preostala greka procjene se iskazuje u varijanci
procjene:

Var x2

2 x4
2 x4
, Var S x2
N
N 1

(2.39)

Izrazi (2.39) zahtijevaju poznavanje x. Obino se ovaj problem rjeava tako da se umjesto x supstituira
Sx. Napomenimo da ova dva izraza vrijede samo ako xn podlijee normalnoj razdiobi.
U sluaju da uzorak ine parovi vrijednosti (xn, yn), n=1,..N definiramo uzoraku kovarijancu Sx,y i
uzoraki koeficijent korelacije rx,y:
S x, y Cov( x, y )

1 N
xn x y n y
N 1 n 1

rx , y

S x, y
SxSy

(x

x )( y i y )

i 1

( xi x ) 2

i 1

(y

y) 2

i 1

Primjer 2.3 Procjena srednje vrijednosti i varijance iz 100 uzoraka

Primjer tabelarno prikazuje jedan rezultat prorauna srednje vrijednosti i standardne devijacije za niz od
100 uzoraka. Uzorci su dobiveni iz digitalnog sluajnog generatora koji teorijski ima srednju vrijednost
= 0 varijancu 2 = 1. Primjena izraza (2.32) do (2.30) daje sljedee rezultate:

Srednja vrijednost

Stvarna
vrijednost

Procijenjena
vrijednost

x 0.05

Standardna
devijacija procjene

S 0.106

N
Varijanca

2 1

S 2 1.064

2S 4
0.15
N 1

Centralni granini teorem

Najvanija zakonitost teorije vjerojatnosti, uz zakon velikih brojeva, je centralni granini teorem (eng.
central limit theorem). Njime je dokazano da ako vie sluajnih varijabli aditivno tvore jedan sluajni
rezultat on e imati normalnu razdiobu, bez obzira na tip razdiobe pojedinih aditivnih varijabli. Zdrueno
prethodnom razmatranju zakona velikih brojeva moe se zakljuiti da pri usrednjavanju n vrijednosti
sluajne varijable, koja ima standardnu devijaciju , rezultat ima normalnu razdiobu, sa standardnom
devijacijom / n.

2.4. Analize nesigurnosti mjerenja

Nesigurnost mjerenja se najee izraava kao standardna devijacija mjerne greke i naziva se standardna
nesigurnost (eng. standard uncertainty). Alternativno, proirena nesigurnost mjerenja (eng. expanded
uncertainty) definira interval oko mjernog rezultata, u skladu s razinom povjerenja, prema izrazu (3.13).
Ako je razdioba greke normalna, tada se uvijek moe pretvoriti standardna nesigurnost u proirenu
nesigurnost koristei faktor pokrivanja iz izraza (2.13).
2. Statistika obrada i greka mjerenja

12

Koriste se dvije metode odreivanja standardne nesigurnosti. Tip A koristi statistiko zakljuivanje iz
ponovljenih mjerenja, a Tip B koristi apriori poznate funkcije razdiobe i znanje o sistematskim grekama.

2.4.1. Tip A - odreivanja nesigurnosti

Procedura koja rezultira u Tip A nesigurnosti je opisana u prethodnim stavcima jer se ona temelji na
statistikom zakljuivanja s ponovljenim mjerenjima. Mana ovog tipa odreivanja nesigurnosti je u tome
to ne ukljuuje mnoge sistemske greke, koje nisu sluajnog karaktera.
Primjer 2.4 Kalibriranje senzora razine tekuine
U mjerenju se usporeuje izlaz senzora razine s stabilnom referentnom razinom. Cilj je to tonije
procijeniti razliku pokazivanja senzora od referentne razine. Obavljeno je 50 mjerenja xn, n = 1 . . . . . N
(N = 50). Referentnu vrijednost oznaavamo s z, pa svako mjerenja daje greku en = xn - z. Tipian
primjer greke je prikazan na slici 2.4.

Slika 2.4 Greke pri ponovljenom kalibriranju senzora razine

Pod pretpostavkom da su mjerenja neovisna, najbolja procjena je aritmetika sredina greka en. U ovom
sluaju iznosi e = 0.58 mm. Standardna devijacija od en je prema izrazu (2.22): Se = 1.14 mm, a prema
izrazu (2.20) standardna devijacija srednje vrijednosti iznosi S e / N 0.16mm. Moe se zakljuiti da se
moe izvriti kalibracija senzora tako da se razini senzora doda korekcija e = 0.58 mm. Meutim i nakon
toga ostaje nesigurnost mjerenja od 0.16 mm.

2.4.2. Tip B - odreivanja nesigurnosti

Odreivanje nesigurnost teorijskim i praktinim metodama razliitim od statistikog zakljuivanja
predstavlja tip B odreivanja nesigurnosti. Koriste se razliite informacije koje utjeu na rezultat
mjerenja:

Specifikacije dijelova i ureaja dane od proizvoaa.

Informacije koje se dobiju iz certifikata o kalibraciji.
Informacije iz referentnih prirunika i standarda.
Informacije iz poznavanja fizikalnih procesa i stanja okoline.

Ovo e biti pojanjeno primjerom.

Primjer 2.5 Nesigurnost zbog promjene temperature kod senzora tlaka
MPX2010 je senzor tlaka. Bit e primijenjen pri temperaturi 20C uz promjenu od 2C. Tabelarno su
prikazane njegove radne karakteristike:

2. Statistika obrada i greka mjerenja

13

Karakteristika
Raspon tlakova
Napon pune skale
(odgovara rasponu tlakova)
Temperaturni efekt na
naponski offset

Simbol Min Tip Maks Jedinica

P
0
10
kPa
VFSS
24
25 26
mV
TCoff

-1.0

1.0

mV

Ako je mjerni sustav kalibriran pri 20C, kolika e biti nesigurnost mjerenja zbog promjene temperature?
Koristite podatak da je izlazni napon je V linearno ovisan o tlaku P prema formuli:
V = offset + pojaanje P + greka.
Parametar TCoff je promjena izlaznog napona za minimalni tlak, unutar temperature 0 to 85 relativno
prema 25. Pretvoreno u domenu tlaka ovaj parametar se mijenja od -0.4 kPa do 0.4 kPa.
Da bi procijenili nesigurnost potrebne su neke pretpostavke. Prva je pretpostavka da se promjena
temperature manifestira kao aditivni lan (offset) koji linearno ovisi o temperaturi. To matematiki
zapisujemo izrazom:
z = x + a(T - Tref) = x + aT
x stvarni tlak, z je izlaz sustava s temperaturnim utjecajem, a je temperaturni koeficijent naponskog
offseta. Tref je temperatura pri kojoj je ureaj kalibriran (u ovo sluaju Tref = 20).
Druga je pretpostavka da se standardna devijacija od a moe odrediti iz TCoff. Dalje e se pretpostaviti
linearna promjena izmeu maksimuma i minimuma. Zbog toga, standardna devijacija od TCoff je jednaka
2/12 0.6 mV 0.2 kPa.
Promjene izlaza se mjere u temperaturnim pojasima od 0 do 25 i od 25 do 85 . Prema najgorem
sluaju prvi pojas koristimo za odreivanje standardne devijacije od a; a 0.2 / 25 = 0.01 kPa/C.
Nesigurnost u z se pojavljuje zbog lana aT, iji faktori imaju nesigurnost sa standardnom devijacijom
a 0.01 kPa/C i T 2C. Poto su a i T neovisne varijable, standardna devijacija od z zbog
temperaturne promjene iznosi z = a T = 0.02 kPa.

2.4.3. Prijenos greke u linearnim i nelinearnim sustavima

Mjerni rezultat z obino ovisi o vie parametara elektronike opreme, o fizikalnom stanju okoline
(temperatura, tlak, vlanost itd.) i o parametrima obrade signala (pr. rezolucija AD konvertora). Openito
sve te parametre oznaimo s yl,. .. yN. i definirajmo funkciju g(.) koja opisuje vezu izmeu parametara i
mjerne veliine:
x = g(yl,. .. yN)

(2.25)

Odreivanje parametara je podlono greki. Oznaimo stoga niz tonih parametara s 1,..., N pomou
kojih izraavamo stvarnu vrijednost mjernog rezultata::
z = g(1,..., N)

(2.26)

Izraz (2.26) izraava injenicu da se potpuno toan rezultat moe dobiti samo u sluaju kada su poznati
svi parametri n. Naalost to nije mogue i greka se preko parametara yn prenosi u mjernom lancu i
konano stvara greku u izlazu x. Nesigurnost od x se naziva kombinirana nesigurnost (eng. combined
uncertainty).
Sada emo analizirati sluajeve kako greka u parametrima yn utjee na kombiniranu nesigurnost od x u
sluajevima kada je funkcijska ovisnost g(.) linearna, nelinearna ili multiplikativna.

2. Statistika obrada i greka mjerenja

14

Linearni odnosi
Mjerni sistem je linearan ako je izlaz linearna kombinacija ulaza
z = a11 + a22 +...

(2.25)

odnosno pri mjerenju:

x = a1y1 + a2y2 +...

(2.26)

gdje koeficijenti an su konstante s zanemarivom nesigurnou.

Uzmimo da je n nesigurnost odnosno standardna devijacija pridruena yn . Greka u parametrima yn je
en = yn - n, a konana greka e = x - z se moe zapisati u obliku:
e = a1e1 + a2e2 +...

(2.27)

Srednja vrijednost od en, oznaena s n, daje srednju vrijednost od e prema izrazu:

= a11 + a22 +...

(2.28)

Varijanca od e, a time i kvadrat nesigurnosti konanog mjerenja, dobije se iz izraza (2.28):

N

e2 a n2 n2 2
n 1

a a E(e
n m

m )(en n )

(2.29)

n 1 m n 1

Gdje je E{(em - m)(en - n)} kovarijanca izmeu en i em. Ako je kovarijanca izmeu en i em jednaka nuli
to znai da su varijable nekorelirane. To je sluaj kada greka nastaje iz razliitih fizikalnih izvora.
Primjerice, termiki umovi od dva otpornika su nekorelirani. Korelirani se utjecaj javlja kod parametara
s istim izvorom greke, primjerice ispravlja je zajedniki generator greke za vie operacijskih pojaala i
njihovi izlazi iskazuju kovarijancu. Ovakav tip greke je sistematski i moe se izbjei boljim
projektiranjem ispravljaa dok se um otpornika ne moe izbjei.
Ako su svi yn i ym nekorelirani, tj. ako je kovarijanca E{(em - m)(en - n)} = 0 za sve n i m, izraz (2.29)
se pojednostavljuje na oblik:
N

e2 a n2 n2

(2.30)

n 1

dakle varijance se jednostavno zbrajaju u konanoj greki.

Nenlinearni odnosi
U nelinearnom sustavu moramo voditi rauna o obliku funkcije g(.). Najjednostavniji je nain da se izraz
za greku razvije u Taylor-ov red:
e x z g ( y1 ,..., y N ) g (1 ,..., N )

n 1

en

g 1

y n 2

e n em

n 1 m1

2g
....
y n y m

(2.31)

gdje se parcijalne derivacije raunaju po yl,. .. yN.

Srednja vrijednost greke mjerenja e se dobije primjenom operatora oekivanja na prethodni izraz i
uzimajui samo prva dva lana Taylorovog reda:

Ee E en
n1

g 1

y n 2

en em

n 1 m1

2g
....
y n y m

n
n 1

g 1

y n 2

n2
n 1

2g
(2.32)
y n2

Iz ovog se izraza vidi da nelinearnost stvara posmak srednje vrijednosti, pa se i kod sustava gdje je
srednja vrijednost nula moe se pojaviti znaajno odstupanje od nule. To ilustrira slika 2.5(a).
2. Statistika obrada i greka mjerenja

15

U procjeni varijance od e obino se uzima samo prvi lan Taylorovog reda. U tom sluaju je g(.) zapravo
lokalno linearizirana (vidi sliku 2.5b) , pa se moe primijeniti izraz (2.30) :
N

e2 n2 (
n 1

g 2
)
y n

(2.33)

Slika 2.5 Propagacije greki u nelinearnom sustavu: (a) um uzrokuje posmak; (b) linearizirana
varijanca

Multiplikativni odnosi
Specijalni je sluaj multipliktivnih greki, tj, kad se utjecaj parametara javlja s potencijom:
g ( y1 , y1 ,...) c y1p1 y 2p2 ....

(2.34)

gdje su c, pl, p2,...poznate konstante. U tom sluaju izraz (2.33) ima oblik:

e2
z2

p n2 n2

n 1

y n2

(2.35)

U ovom posebnom sluaju dana je relativna kombinirana nesigurnost e /z pomou lanova sume koji
sadre relativnu nesigurnost n/yn. Specijalni sluaj, kada su sve potencije pn = 1, daje nesigurnost kod
tzv. multiplikativnih greki.
Primjer 2.6 Nesigurnost mjerenja elektrine snage na otporniku
Snaga disipacije na otporniku se odreuje mjerenjem napona V i struje I, a zatime se ove dvije veliine
mnoe u rezultat: P = VI. Ako je nesigurnost mjerenja V i I dana sa V i I, tada relativna nesigurnost po
P iznosi:

p
P

V2
V2

I2
I2

2. Statistika obrada i greka mjerenja

(2.36)

16

2.4.4 Preporuke za odreivanje nesigurnosti pomodu GUM metoda

Mjerna nesigurnost moe se odrediti na razliite naine. iroko upotrebljavana i prihvaena metoda,koju
su prihvatila akreditacijska tijela, jest "GUM metoda" koju preporuuje ISO. GUM metoda i filozofija na
kojoj se temelji ta metoda dani su u tablici u nastavku.

Filozofija nesigurnosti prema GUM-u

Provedba GUM metode

1) Mjerna veliina ija vrijednost nije

tono poznata, smatra se stohastikom
varijablom X s pripadnom funkcijom
vjerojatnosti.

1) Utvrdite sve vane sastavnice mjerne nesigurnosti

Postoje mnogi izvori koji mogu doprinositi mjernoj nesigurnosti. Primijenite
model stvarnoga mjernog procesa kako biste identificirali izvore.

2) Mjerni rezultat x procjena je oekivane

vrijednosti E(X).
3) Standardna nesigurnost u(x) jednaka
je standardnoj devijaciji odnosno
drugomu korijenu procjene varijance
Var(X).
4) A-tip odreivanja nesigurnosti
Oekivanje i varijanca procjenjuju se
statistikom obradbom ponovljenih
mjerenja.
5) B-tip odreivanja nesigurnosti
Oekivanje i varijanca procjenjuju se
drugim metodama. Najee se
upotrebljava metoda da se na temelju
iskustva ili drugih podataka pretpostavi
razdioba vjerojatnosti i odredi standardna
devijacija odnosno varijanca.

2. Statistika obrada i greka mjerenja

2) Izraunajte standardnu nesigurnost svake sastavnice mjerne

nesigurnosti
Svaka sastavnica mjerne nesigurnosti izraava se na temelju standardne
nesigurnosti u koja se odreuje kao tip A (uA) ili tip B (uB)
3) Izraunajte sastavljenu nesigurnost
Sastavljena nesigurnost izraunava se sastavljanjem pojedinanih sastavnica
nesigurnosti u skladu sa zakonom prijenosa nesigurnosti, koji praktino glasi:

Za zbroj ili razliku sastavnica sastavljena nesigurnost izraunava se

kao drugi korijen zbroja kvadrata standardnih sastavnica
nesigurnosti.

Za umnoak ili kolinik sastavnica primjenjuje se isto

pravilozbroj/razlika, ali za relativne standardne nesigurnosti
sastavnica.
4) Izraunajte poveanu nesigurnost
Ako elite izraziti nesigurnost za vei interval povjerenja, pomnoite
sastavljenu nesigurnost s faktorom pokrivanja k (esto se uzima k = 2, koji

odgovara razini povjerenja od priblino 95 %).

5) Iskaite mjerni rezultat u obliku
Y=yU

17

2.5 Linearna regresija - metoda najmanjeg kvadrata greke

2.5.1 Linearna regresija za procjenu koeficijenata pravca
Linearna regresija je statistika metoda odreivanja koeficijenata pravca y = a1 + a2x, koji najbolje
aproksimira neku statiku prijenosnu funkciju, koja je odreena mjerenjem ulazne veliine x i izlazne
veliine y iz nekog sustava. Ako raspolaemo skupom eksperimentalnih podataka (xi, yi; i=1,N)
moemo definirati greku ei, koja pokazuje odstupanje od pravca za svaku izmjerenu vrijednost;
ei = yi a1 + a2xi
Ukupnu greku za sve izmjerene vrijednosti moemo definirati kao sumu kvadrata greke:
S

a1 a 2 xi

i 1

Cilj je odrediti koeficijente pravca a1 i a2 koji daju najmanju ukupnu greku. To e ujedno biti i vrijednost
koja daje najmanju varijancu greke jer oekujemo srednju vrijednost greke jednaku nuli. Zbog toga se
ova metoda naziva metoda minimalne varijance. Jo ee naziva se metoda najmanjeg kvadrata greke
(eng. least square error - LSE).

Slika 2.6 Primjer aproksimacije izmjerene statike prijenosne funkcije jednadbom pravca
Minimalnu vrijednost greke S, dobije se kada su parcijalne derivacije S/a1 i S/a2 jednake nuli;
S / a1 2

(y

a1 a 2 xi ) 0

i 1

S / a 2 2

(y

a1 a 2 xi ) xi 0

i 1

Rjeavanjem ovih jednadbi dobije se

2. Statistika obrada i greka mjerenja

18

( x y) N x y
i

a2

i 1
N

,
xi2

Nx

gdje je

1
N

, y

i 1

1
N

i 1

i 1

a1 y a 2 x

Kvalitet rjeenja moe se procijeniti razmatranjem koeficijenta korelacije mjerenih podataka xi i yi, jer su
obje mjerene vrijednosti podlone sluajnoj promjeni. Koeficijent korelacije iznosi:
N

( x x )( y
i

Cov( x, y )

SxS y

y)

i 1

(x x) ( y
2

i 1

y)2

i 1

Vrijednost od | | bliska jedinici znai dobru korelaciju, u tom sluaju podaci dobro aproksimiraju
krivulju pravca.
Primjer 2.5.1 Karakteristika senzora pomaka
U eksperimentu da se odredi linearna karakteristika senzora pomaka, koji daje naponski izlaz, izmjereno je 10
ulaznih i izlaznih vrijednosti:
x - pomak (cm)
y - napon (V)

1,0
2,1

2,0
4,3

3,0
6,2

4,0
8,5

5,0
10,7

6,0
12,6

7,0
14,5

8,0
16,3

9,0
18,3

10,0
21,2

Odredit emo karakteristiku pravca y = a1 + a2x, koji najbolje aproksimira linearnu prijenosnu funkciju senzora.
Najprije raunamo srednju vrijednost x = 5,5 i srednju vrijednost y = 11,47, zatim raunamo (xiyi ) = 801,
(xi2)=385, to daje koeficijente pravca:
a2 = (801-(105,511,47)) / (385-(105,52)) = 2,067, a1 = 11,47-(2,0675,5) = 0,103.

Primjer 2.5.2 Procjena parametara eksponencijalne krivulje pranjenja kondenzatora

Poznato je da se napon na kondenzatoru C prazni na otporniku R po exponencijalnom zakonu u = k exp(-t/).
Odredite parametre K i ako su izmjerene slijedee vrijednosti napona u vremenu
t (s)
u(V)

0
8,67

1
6,55

2
4,53

3
3,29

4
2,56

5
1,95

6
1,43

7
1,04

8
0,76

Postupak rjeenja:
Logaritmiranjem izraza za napon kondenzatora dobije se ln(u) = ln(k) - t/,. Ako se uzme da je
y = ln(u), x = t
a1 = ln(k), a2 = -1/
problem se sveo na ugaanje ulaznih podataka xi=ti, yi = ln(ui) s krivuljom y= a1+ a2x. Nakon odreivanja
koeficijenata a1 i a2, kao u prethodnom primjeru, raunaju se koeficijenti k = exp(a1) i t = -1/ a2.

---*---

2. Statistika obrada i greka mjerenja

19

2.5.2 Linearna regresija za procjenu koeficijenata polinoma vieg reda

Metoda najmanjeg kvadrata pogreke moe se primijeniti i za procjenu funkcije vieg reda potencije koju
openito zapisujemo u obliku:
y a1 a 2 x a3 x 2 a4 x 3 ... a M x M 1

Tada je ukupna greka odreena sumom kvadrata greke za svaki uzorak (xi, yi);
S

y
N

a1 a 2 xi

a3 xi2

...

yi

i 1

2
a M xiM 1

i 1

a
j 1

xi

j 1

Ili u neto drukijem obliku:

S yi

i 1
N

a j X ij ,

j 1

X ij xij 1

Greka je minimalna ako odredimo koeficijente a1, a2, a3,. .,aM, za koje su parcijalne derivacije ukupne
greke jednake nuli, tj,
N
M
S
2 X ij ( yi ak X ik ) 0 ,
a j
i 1
k 1

za ( j=1,2,..M)

Uz malo preureenja, dobiju se tzv. normalne jednadbe (eng. least square normal equations):
N

X ij X ik ak

i 1 k 1

ij yi

za ( j=1,2,..M)

i 1

U matrinom obliku ove jednadbe se zapisuju u obliku:

(XTX)a = XTy
X je NM matrica s elementima Xij, (i = 1,..N, j = 1,..M).
Rjeenjem ove matrine jednadbe dobije se vektor a koji sadri koeficijente reda potencija.

a = (XTX)-1 XTy
Direktno izraunavanje ovog izraza inverzijom matrice esto kod polinoma vieg reda iskazuje numeriku
nestabilnost, stoga se preporuuje koritenje naprednih numerikih tehnika inverzije matrice (Cholesky
dekompoziciju i SVD). U programu Matlab implementirana je posebna funkcija za odreivanje
koeficijenata polinoma imena polyfit().

2. Statistika obrada i greka mjerenja

20

2.6. Obrada i tipovi mjerne greke

Dva su temeljna tipa mjernih greki: sistematske greke i sluajne greke. Prije je pokazano da se sluajna
greka moe smanjiti usrednjavanje vrijednosti vie ponovljenih mjerenja neke veliine.
mjerna greka = sistematske greke + sluajne greke
Sistematske greke su rezultat nepovoljnih karakteristika mjernog sustava (primjerice, nelinearnosti ili
kalibracije), takoer, nastaju i zbog djelovanja vanjskih stacionarnih smetnji. One se ne mogu smanjiti
usrednjavanjem, ali se mogu koristiti razne kompenzacijske metode za njihovo smanjenje, primjerice
prijenosna funkcija kalibracije senzora se moe u odzivu senzora kompenzirati numerikim putem koristei inverzne interpolirane vrijednosti iz tablice kalibracije senzora.

2.6.1 Sluajne greke

Greke konane rezolucije mjernog sustava
Rezolucijske greke u principu nastaju u digitalnim sustavima zbog kvantizacije vrijednosti, primjerice
kod AD konverzije, kod aritmetikih operacija s konanim brojem decimala ili kod brojaa koji
generiraju mjerne vrijednosti. Ovaj tip greke zapravo je sistematska greka, ali se u analizi greke
modeliraju kao sluajne veliine.

Klizanje (Drift)
Drift je naziv za greke koje se manifestiraju kao spora promjena mjerene vrijednosti. Nastaje zbog
sluajne promjene temperature, vlanosti, nestabilnih ispravljaa, 1/f uma itd.

Smetnje i um iz mjerne okoline

Okolina djeluje na mjerni i mjereni sustav. Najee se javljaju greke zbog elektromagnetskih smetnji
(EMI electromagnetic interferences). Uzroci EMI su motori, jaki transformatori, radio interferencije i
visokonaponska pranjenja. Greke mogu nastati i zbog induciranih smetnji zbog vibracije kablova, ili
zbog utjecaja buke u akustikim mjerenjima.

um iz mjernog sustava
Najei oblik sluajnih greki nastaje zbog uma elektronikih ureaja, zbog akustike buke ili zbog
sluajnih mehanikih vibracija. Klasificira se kao bijeli ili obojeni um. Bijeli um ima spektralnu gustou
snage konstantnu po frekvenciji, a obojani um najee ima frekvencijsku ovisnost gustoe snage oblika
1/f p gdje je p vrijednost izmeu 1 i 2.

um pojaala i otpornika
U elektronikim sklopovima gotovo svi sastavni dijelovi: otpornici, tranzistori i diode predstavljaju izvor
uma. Uobiajeno je da se veliina uma iskazuje u frekvencijskoj domeni spektralnom gustoom snage (
jedinicama V2/Hz ) ili gustoom efektivne vrijednosti napona (V/Hz). Razlog specificiranja uma u
frekvencijskoj domeni je injenica, koja e biti dokazana u sljedeem poglavlju, da spektralna gustoa
snage predstavlja deterministiku karakteristiku sluajnog procesa varijancu sluajnog signala na izlazu
iz pojasnog filtra irine pojasa 1Hz.
Kod otpornika dominantan je termiki um (ili Johnsonov um) uzrokovanim titranjem naboja u vodiu.
Na temperaturama iznad apsolutne nule elektroni imaju sluajno gibanje u vodiima i to gibanje ovisi o
2. Statistika obrada i greka mjerenja

21

temperaturi. Ukupna snaga termikog uma Pn proporcionalna je apsolutnoj temperaturi T i irini

frekvencijskog pojasa mjernog sustava f; prema izrazu:
Pn = 4kTf
gdje je k Boltzmanova konstanta (1.38 1023). Gustoe snage po frekvenciji je konstantna, jer istu snagu
uma generira otpornik u pojasu u od 1 do 2 Hz kao i u pojasu od 1000 do 1001 Hz. Kaemo da je
otpornik generator "bijelog uma".
U analizi elektronikih sklopova utjecaj uma otpornika se moe analizirati na nain da se svakom
otporniku serijski doda naponski izvor uma,
E n 4kTRf

ili paralelno otporniku da se doda strujni generator uma:

In

4kTf
R

kao to je prikazano na slici 2.8.

Slika 2.8 Ekvivalentni naponski (a) i strujni (b) generator uma otpornika
Koristit emo oznake en i in za vrijednosti gustoe napona i struje po kvadratnom korijenu frekvencije:
en 4kTR [V/Hz],

in

4kT
[A/Hz]
R

Otpornik vrijednosti 50- predstavlja naponski izvor uma gustoe 0.9 nV/Hz, a otpornik od 1-k
priblino 4 nV/Hz.
Ako kroz otpornik tee istosmjerna struja tada se generira i dodatni strujni um. Efekt je izraen kod
karbonskih otpornika, kod kojih se izmeu granula javljaju mikro pranjenja. Snaga ovog tipa uma
opada s frekvencijom. Eksperimentalno je utvrena vrijednost napona zbog ovog tipa uma :
Kx I 2R2
f
gdje je Kx konstanta koja ovisi o tehnologiji izrade otpornika, I je istosmjerna struja. U analizi uma
sklopova ovaj um se obino ne analizira jer poluvodiki sklopovi imaju znatno vei um na niskim
frekvencijama.
E x2

Kod poluvodikih sklopova, pored termikog uma, postoji jo nekoliko uzroka uma (flicker noise, burst
ili popcorn noise i avalanche noise). um je kod poluvodikih sklopova frekvencijski ovisan: najvei je na

2. Statistika obrada i greka mjerenja

22

niskim frekvencijama, zatim opada proporcionalno 1/f n. U audio i VF podruju spektralna gustoa uma
je konstantna, a zatim opet raste na vrlo visokim frekvencijama.

um
generatora

Ekvivalentni
um pojaala

Idealno
pojaalo
Ri

eng

Rg

en
in

eg

Vi

Ru

AVu

Vi

Slika 2.9 Model djelovanja uma u pojaalu i generatoru signala

Slika 2.9 prikazuje model djelovanja uma u pojaalu. um kao sluajna varijabla se prikazuje kroz
djelovanje dva ekvivalentni naponska (Vn) i strujni izvor na (In) ulazu u pojaalo. Ulazni otpor pojaala Ri
se idealizira beumnim otporom. Na izlazu pojaala se dobije ulazni napon pomnoen s pojaanjem A.
Pojaalo ima izlazni otpor R0. Ekvivalentni naponski um se dobije mjerenjem uma na izlazu kada je
ulaz kratko spojen, zatim se ta vrijsdnost podijeli s pojaanjem. Strujni um se dobije mjerenjem izlaznog
uma kada je ulaz otvoren, zatim se ta vrijednost podijeli s pojaanjem i ulaznim otporom..
Primjerice, niskoumno operacijsko pojaalo OP27 ima specifikaciju: Vn = 3n/Hz i In = 1.5pA/Hz na
f=1kHz. Ove vrijednosti su konstantne u irokom pojasu frekvencija (vidi sliku 2.10) .

Slika 2.10 Gustoa naponskog i strujnog uma operacijskog pojaala OP27. Prikazana je krivulja
gustoe uma za standardno operacijsko pojaalo 741 i standardno operacijsko pojaalo za audio
primjenu NE5532.
Izlazni um pojaala ovisi o pojaanju, irini pojasa i vrijednosti ulaznog otpora koji je takoer generator
uma. Kada se aditivno javlja vie generatora sluajnih signala, njihova ukupna snaga (varijanca) se
odredi kao suma snaga od pojedinog generatora. To znai da je izlazna snaga uma jednaka:
2. Statistika obrada i greka mjerenja

23

R R R )

2
Vni2 (eng
en2 ) (in Rg ) 2 (

A2 f

Ova formula vrijedi na viim frekvencijama jer nije uzet u obzir porast uma na niskim frekvencijama.
Takoer, ona podrazumijeva da su strujni i naponski izvori statistiki neovisni.
Zadatak: Ako pojaalo ima Vn = 3n/Hz i In = 1.5pA/Hz, a unutarnji otpor generatora je R=10k
odredite efektivnu vrijednost napona uma na izlazu pojaala, koje ima ulazni otpor 1M i pojaanje
100, za pojas frekvencija od 20kHz.
Zadatak: Za prethodni primjer odredite vrijednost otpora generatora pri kojem strujni um ima isti
doprinos kao i naponski um pojaala.

Faktor uma i dinamiki raspon pojaala

Faktor uma F se definira kao omjer odnosa signal um na ulazu pojaala i odnosa signal um na izlazu
pojaala :
F

(S / N ) u
(S / N ) i

ili u decibelima:
NF 10 log

( S / N )u
[dB]
( S / N )i

Ova mjera se uvodi jer i sam izvor signala predstavlja izvor uma. To znai da ve na ulazu sustava
postoji ogranienje mogue dinamike sustava, koju definiramo omjerom signal um:
( S / N )ul

Eg2
2
Egn

Eg2
2
eng
f

Eg2
4kTRg f

Dinamiki raspon na izlazu pojaala definiramo omjerom snage signala i uma na izlazu:

( S / N )i

Vi

Vni2

Eg2 (

Ri
) 2 A2
Rg Ri
Vni2

Faktor uma se dobije prema prethodnoj definiciji:

F 1

en2 (in Rg ) 2
2
eng

Ovaj izraz pokazuje da je faktor uma uvijek vei od jedan. Treba ga analizirati ovisno o tipu pojaala.
Kod tranzistorskih pojaala, znaajan je doprinos strujnog uma u sluaju kada generator ima veliku
unutarnju impedanciju. Kod FET pojaala znaajan je jedino naponski um, praktino to znai da za
pojaanje signala senzora koji imaju visoku izlaznu impedanciju treba koristiti pojaala s FET
tranzistorima u ulaznom sklopu. Kod VF pojaala s niskom ulaznom impedancijom (600 u
telekomunikacijama i 50 u mikrovalnom podruju) dominantan je naponski um.

2. Statistika obrada i greka mjerenja

24

2.6.2 Sistematske greke

Zasidenje, mrtva zona i histereza statike prijenosne karakteristike
Ovi efekti, prikazani na slici 2.11, karakteriziraju oblik statike prijenosne karakteristike y = g(x).

Zasienje (eng. saturation) nastaje pri veoj pobudi. Tada opada osjetljivost g/x s porastom |x|
(slika 2.11 a). Za jo vei iznos od |x| nastupa rezanje (eng. clipping)

Mrtva zona senzora (eng. dead zone ) je interval ulaza za koji nema promjene na izlazu senzora
(kao na slici 2.11b). Javlja se primjerice kod pojaala B-klase.

Histereza(eng. hysteresis) je pojava kada karakteristika g(x) ovisi o tome da li x raste ili opada
(slika 2.11c). esto se javlja u mehanikim sustavima.

Slika 2.11 Sistematske greke zbog nelinearnosti

Statiki posmak (offset)

Kod pojaala koja trebaju pojaavati istosmjerne napone ili struje izraena je greka posmaka istosmjerne
vrijednosti. Ovaj tip greke je posebno izraem u sklopovima za integriranje, jer integriranje poveava
doprinos statikog posmaka u odnosu na izmjeninu komponentu signala ili uma.

Greke opteredenja
Greka optereenja se javlja kada mjerni sustav postaje znaajni teret za mjereni senzor, primjerice kada
unutarnji otpor voltmetra ili osciloskopa utjee na vrijednost izmjerenog napona.
Slika 2.12 prikazuje model senzora, koji generira napon Vy i voltmetra koji mjeri napon Vi. R je unutarnji
otpor senzora a Ri je ulazni otpor voltmetra. Relativna greka mjerenja iznosi:

V Vy Vi

Vi
Vi

(1

R
)Vi Vi
R
Ri

Vi
Ri

Slika 2.12 Sistematska greka zbog unutarnjeg

otpora voltmetra

2. Statistika obrada i greka mjerenja

25

Kalibracijske greke
Kalibracijske greke mogu nastati zbog:

nesigurnosti referentne vrijednosti

sluajnih greaka tijekom kalibracije
pogreno odreenih ili interpoliranih kalibracijskih krivulja ili tablica

Dinamike greke
Dinamike greke nastaju kada mjerni sustav ne moe registrirati brze promjene, primjerice kod
operacijskih pojaala slew rate odreuje maksimalnu brzinu "slijeenja" ulaznog signala. Kod digitalnih
sustava dinamike greke se oituju kod sustava koji koriste nisku frekvenciju uzorkovanja.

2.6.3 Lineariziranje prijenosne funkcije senzora

U pravilu, senzori imaju nelinearnu statiku prijenosnu karakteristiku, premda u mnogo sluajeva je ta
nelinearnost zanemariva. Pored nelinearnosti, na izlazu senzora esto postoji znaajan um. Oznaimo li
mjernu veliinu s x, izlaz senzora s y i um s n, moe se napisati funkcija izlaza senzora:
y f s ( x) n

Cilj je postii dvije stvari: smanjiti um n i linearizirat prijenosnu funkciju senzora fs(x) tako da se dobije
linearna prijenosna funkcija y= kx.
Ovaj cilj se moe postii obradom analognog signala iz senzora pogodnim sklopovima, tako da se tijekom
mjerenja dobije linearna karakteristika, a za smanjenje uma treba vriti ponovljena mjerenja s
usrednjavanjem.
Funkcija kompenzacije mora se odrediti na temelju mjerene vrijednosti, a to je izlaz senzora y. Postavlja
se problem odreivanja funkciju kompenzacije fc (y) koja daje vrijednost koja je proporcionalna ulaznoj
veliini senzora, tj. fc (y) = fc ( fs (x) ) x.
Kompenzacija nelinearnosti se moe jednostavno provesti kada raspolaemo s podacima kalibracije
senzora. Oni mogu biti dani u dva oblika: a) analitiki, kao nelinearna funkcija y = fs(x), najee u obliku
polinoma potencija od x, ili b) kao krivulja kalibracije zadana nizom toaka {xi, yi}. Ukoliko je krivulja
monotona, tj., bez lokalnih minimuma ili maksimuma, moe se provesti sljedei postupak odreivanja
vrijednosti x kada je izmjerena vrijednost y. Prvo se odrede vrijednosti niza yi i yi+1 za koje vrijedi da su
bliske vrijednosti y, tj. yi < y < yi+1. Jednostavnom interpolacijom vrijednosti dobije se linearizirana
ulazna vrijednost x:
x xi

xi 1 xi
( y yi )
y i 1 y i

Ukoliko se napravi fina podjela intervala kalibracijske krivulje, reda veliine mjerne nesigurnosti ili
rezolucije AD/DA konvertora, tada nije nuno raditi interpolaciju, ve se direktno oitavaju vrijednosti iz
pripadne tablice. Primjerice, ako se vri lineariziranje termopara koji se koristi za mjerenje temperature u
pojasu od 0 do 1000 C s rezolucijom 0.1C, u memoriju je potrebno unijeti 10.000 dvobajtnih podataka.
Ovakvu kompenzaciju je jednostavno je realizirati raunalom, a moe se realizirati i hardverski. Slika
2.13 prikazuje blok shemu hardverske izvedbe kompenzacije senzora. Podaci kalibracije su smjeteni u
ROM (ili EPROM) memoriji. Digitalni ekvivalent nelinearnog signala iz senzora y, dobiven pomou A/D
konvertora, koristi se kao adresa lokacije ROM odnosno EPROM memorije u koju je prethodno upisana
linearizirana vrijednost pripadnog ulaznog signala. Ta vrijednost se moe se koristiti u digitalnoj formi ili
se moe ponovo, posredstvom D/A konvertora, pretvoriti u analogni signal.

2. Statistika obrada i greka mjerenja

26

Slika 2.13 Blok shema sklopa za lineariziranje prijenosne funkcije senzora (adresne linije ROM memorije
mogu se povezati direktno na izlaz A/D konvertera, a za selektiranje memorije moe se iskoristiti signal
za kraj konverzije)

2.6.4 Primjena povratne veze za smanjenje greke u odzivu sustava

Povratna veza je mehanizam kojim se dio signala vraa s izlaza sustava i ponovo zbraja ili odbija od
ulaznog signala. U sluaju pozitivne povratne veze nastaju oscilacije, a u sluaju negativne povratne veze
poveava se kontrola rada sustava - primjerice:

smanjuje se utjecaj promjene vrijednosti komponenata sustava na pojaanje sustava.

smanjuje se razina uma i nelinearnih izoblienja.

poveava se kontrola ulazne i izlazne impedancije.

proiruje se radni frekvencijski pojas.

Slika 2.14 Opa struktura pojaala s povratnom vezom

Slika 1.4 prikazuje opu strukturu sustava s povratnom vezom. Signali napona (ili struje) su oznaeni na
sljedei nain: x je ulazni signal, y je izlazni signal, xf = y je signal povratne veze, a xi = x - xf je signal
na ulazu pojaala koji ima pojaanje A. Vrijedi jednadba veze ulaza i izlaza:
y = A xi = A(x - xf) = A(x - y)

2. Statistika obrada i greka mjerenja

27

iz koje se dobije pojaanje sustava s povratnom vezom:

G

y
A

x 1 A

Veliina A se zove pojaanje petlje, a veliina (1 + A) se zove faktor povratne veze. Kod operacijskih
pojaala je pojaanje petlje veliko, A >> 1, pa je u tom sluaju pojaanje s povratnom vezom priblino
jednako G 1/, dakle ovisi iskljuivo o povratnoj vezi .

Osjetljivost na promjenu pojaanja

Iz prethodne diskusije se vidi da promjene u pojaanju otvorene petlje malo utjeu na pojaanje G. Ta
osjetljivost se iskazuje izrazom:
dG
1 dA

G 1 A A

Koji pokazuje da je osjeljivost na promjenu pojaanja kod sustava s povratnom vezom G manja za faktor
povratne veze od osjetljivosti na promjenu pojaanja kod otvorene petlje A.
Zadatak: Izvedite prethodni izraz za osjetljivost pojaanja. Najprije izvrite deriviranje dG/dA, a zatim
izrazite ovisnost dG/G od dA/A.

Smanjenje utjecaja uma

Negativna povratna veza smanjuje utjecaj uma koji postoji unutar petlje povratne veze. To e biti
pokazano primjerom sustava prikaznog na slici 2.15. Postoje dva stupnja pojaanja A1 i A2. Pretpostavka
je da se na izlazu A1 generira um n. Tada izlazni signal iznosi:
y

A2 A1
n
(x )
1 A2 A1
A1

Ovaj izraz pokazuje da primjena povratne veze smanjuje um za vrijednost pojaanja prvog stupnja A1.
To znai da prvi stupanj pojaala treba imati to vee pojaanje i mali um, pa tada sljedei stupnjevi
pojaala ne moraju biti niskoumni.

Slika 2.15 Koncept poveanja S/N s povratnom vezom i niskoumnim prvim stupnjem pojaala
Prethodna analiza se moe primijeniti i na analizu izoblienja (koja moemo tretirati kao um). Povratna
veza e smanjiti izoblienja, ali pod uvjetom da prvi stupanj pojaala bude linearan i niskouman.
2. Statistika obrada i greka mjerenja

28

Proirenje frekvencijskog pojasa sustava

U prethodnim primjerima uzeli smo da je pojaanje neovisno o frekvenciji. Razmotrimo sada realniji
sluaj da je pojaanje funkcija frekvencije i da opada na visokim frekvencijama, tj. uzet emo da je:
A( f ) A0

1
1 j

f
fg

gdje je fg gornja granina frekvencija, pri kojoj pojaanje otvorene pelje A0 opadne na vrijednost 0,707A0.
Ako se izraz za A(f) uvrsti u izraz za pojaanje s negativnom povratnom vezom, dobije se
G( f )

A0
1 A0 1 j

1
f
f g (1 A0 )

to znai da se granina frekvencija poveala proporcionalno faktoru povratne veze.

2. Statistika obrada i greka mjerenja

29