Professional Documents
Culture Documents
Lek02 - Statisticka Obrada I Nesigurnost Mjerenja
Lek02 - Statisticka Obrada I Nesigurnost Mjerenja
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)
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.
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)
(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).
Slika 2.1 Primjeri razdiobe i gustoe vjerojatnosti (a) pri bacanju kocke i (b) greke pri pretvaranju
realnog broja u cijeli broj
exp(
(x )2
2 2
(2.6)
if A x B
f X ( x) B A
else
0
(2.7)
n exp( )
n 0
n!
( x n)
(2.8)
n! ( N n)! P
N!
(1 P) N n ( x n)
(2.9)
n 0
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.
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)
(2.11)
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
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.
(2.14)
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.
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)
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)
(2.25)
z EZ EX EY x y
(2.26)
(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:
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)
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.
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.
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)
N x x x
xk x
f X ( x) dx
xk
FX ( xk x) FX ( xk )
f X ( xk x / 2)
x
(2.31)
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;
1
N
(2.32)
n 1
1
N
(2.33)
n 1
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) :
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
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
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
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
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
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.
13
Karakteristika
Raspon tlakova
Napon pune skale
(odgovara rasponu tlakova)
Temperaturni efekt na
naponski offset
-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.
(2.25)
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.
14
Linearni odnosi
Mjerni sistem je linearan ako je izlaz linearna kombinacija ulaza
z = a11 + a22 +...
(2.25)
(2.26)
(2.27)
(2.28)
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
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)
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
(2.36)
16
17
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
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.
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.
---*---
19
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
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
(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().
20
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.
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
4kTf
R
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
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 2.10 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.
(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
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.
24
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.
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
25
Kalibracijske greke
Kalibracijske greke mogu nastati zbog:
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.
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.
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)
27
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 .
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.
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
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 )
29