UNIVERSITATEA POLITEHNICA DIN BUCUREȘTI

Facultatea de Ingineria Sistemelor Biotehnice

Program de studii: Inginerie și Management în Protecția Mediului

PROIECT
Prelucrarea datelor experimentale

Profesor Coordonator Masterand

Prof. dr. ing. Ladislau DAVID Stoian George-Marcel

București 2019
Cuprins
Introducere .......................................................................................................................... 3
1. Metode de măsurare ...................................................................................................... 3
1.1. Noțiunea de măsurare ................................................................................................. 3
1.2. Metode de măsurare .................................................................................................... 3
1.3. Alegerea aparatelor folosite în lanțul de măsurare ....................................................... 4
2. Determinarea numărului necesar de măsurări .............................................................. 5
3. Eliminarea datelor afectate de erori grosolane .............................................................. 7
3.1. Clasificarea erorilor de măsurare ................................................................................. 7
3.2. Metoda de eliminare pentru  necunoscut ................................................................... 8
4. Parametrii statistici principali ...................................................................................... 11
5. Repartiția erorilor aleatoare de măsurare ................................................................... 14
5.1. Modelul probabilistic ................................................................................................ 14
5.2. Repartiția normală .................................................................................................... 15
5.3. Verificarea normalității repartiției ............................................................................. 17
5.3.1. Criteriul de concordant 2 ................................................................................... 17
6. Estimații ale adevăratei valori a unei mărimi fizice ..................................................... 20
6.1. Considerații generale ................................................................................................ 20
6.2. Estimarea preciziei dispersiei .................................................................................... 21
6.2.1. Estimarea adevăratei valori a mărimii măsurate .................................................. 21
6.2.2. Intervale de încredere pentru eroarea medie pătrată…………..………………….22
6.2.3. Compararea dispersiilor…………………...…………………………..………….23
6.2.4. Eliminarea dispersiei ce diferă semnificativ de celelalte…………………………24
6.2.5. Estimări punctuale ale adevăratei valori a unei mărimi măsurate………………..26
6.2.6. Estimări pentru intervale de încredere a adevăratei valori…………..……..……..26
6.2.7. Pentru măsurări de egală precizie………………………………...……………....26
6.2.8. Estimarea adevăratei valori a mărimii măsurate………………………………….28
Concluzii…………………………………………………………………………….……….29
Bibliografie……………..……………………………………………………………………30
Anexe……………………...…………………………………………………………………31

2
 Introducere
Importanța unui astfel se studiu este datorată
1. Metode de măsurare
1.1. Noțiunea de măsurare
Prin măsurare se întelege procesul fizic exprimat prin compararea unei mărimi cu o altă
mărime de aceeași natură considerată unitate de măsură.
Operația de măsurare se exprimă matematic prin formula:
X=nU (1.1)
în care: X - este mărimea supusă măsurării;
U - unitatea de măsură;
n - valoarea numerică a mărimii sau factorul calitativ.
Valoarea numerică a unei mărimi va depinde de unitatea de măsura. Astfel, mărimea X
va avea valoarea numerică n1 măsurată în unitatea U1 și valoarea n2 în unitatea U2:
X = n1 U1 = n2 U2 (1.2)
X = 1 m = 100 cm
Raportul:
U n
k= 1 = 2 (1.3)
U 2 n1
m 100
k= =
cm 1
se numește factor de transformare și reprezintă numărul cu care trebuie înmulțită valoarea
numerică a unei mărimi măsurate cu o unitate de măsură pentru a obține valoarea sa numerică
măsurată în altă unitate.

1.2. Metode de măsurare

Principalele criterii de clasificare a metodelor de măsurare sunt:
• forma de exprimare a mărimii, după care avem: măsurări analogice și măsurări
numerice;
• tehnica de măsurare, după care pot fi: măsurări prin deviație, masurări prin comparație,
măsurari prin numărare;
• originea de referință a măsurării, după care pot fi: măsurări absolute și măsurări
diferențiale.
Măsurarea analogică. Semnalul care circulă prin lanțul de măsurare și care poartă
informația, este lagat funcțional de mărimea de măsurat printr-o lege continuă. Prin operația de
citire la receptor, pe baza etalonării prealabile, se transformă indicația analogică într-un număr
care exprimă valoarea numerică a mărimii măsurate. De exemplu, la receptor semnalul poate
provoca deviația unui ac indicator și pe baza etalonării scalei se transformă această deviație (ca
mărime analogă) într-un număr.
Măsurările analogice sunt foarte frecvente în cercetările experimentale, ele putând fi
posibile întotdeauna când există o corespondență biunivocă între măsură și mărimea de
măsurat. Astfel, se pot face măsurări prin variația: rezistenței, inductanței sau capacității
electrice, a prezenței unei unde, a intensității luminoase, etc.

3
 Măsurarea numerică. În acest caz, operația de măsurare conduce la obținerea unui
număr care, după un anumit cod (de exemplu codul binar) indică valoarea mărimii măsurate.
Măsurarea prin deviație. Metoda este de tip analogic și constă, în principiu, în
deviația unui sistem dintr-o poziție de echilibru pe care o au în lipsa mărimii de măsurat, într-
o alta poziție de echilibru pe care o capată în prezența mărimii de măsurat. Mărimea este pusă
în evidență prin ecartul dintre cele două poziții de echilibru. De exemplu metoda se folosește
la unele dinamometre, manometre, instrumente electrice de tip electromagnetic sau
magnetoelectrice.
Măsurarea prin comparare constă în generarea unei mărimi cunoscute care se
compară cu mărimea de măsurat și care se reglează altfel ca să o egaleze. Metoda se mai
numește și metoda de zero deoarece prin egalarea mărimii de comparație cu cea de măsurat
suma lor este nulă. Se utilizează curent la măsurarea tensiunii electrice cu potențiometrul
compensator.
Măsurarea prin numărare constă în măsurarea cantității mărimii prin numărarea
valorii ei. De exemplu, determinarea turației unui arbore, stabilirea numărului de particule, etc.
Măsurarea absolută este aceea la care baza de măsurare este un zero absolut pentru
care mărimea de măsurat nu se realizează.
Măsurarea diferențială este aceea la care se alege ca origine o bază de măsurare
arbitrară și față de aceasta se stabilește valoarea mărimii respective.

1.3. Alegerea aparatelor folosite în lanțul de măsurare

Alegerea aparatelor de măsurat și chiar a metodei de măsurare trebuie să țină seamă de
scopul măsurării și de amplasarea locului de măsurare. Alegerea corectă a celei mai avantajoase
metode ca și a aparatelor cele mai adecvate și potrivite sub aspect economic este posibilă numai
dacă se cunosc bine condițiile locale, la locul măsurării, ca: influența mediului înconjurator,
puritatea mediului (componente agresive, praf, etc.) temperaturi anormale sau variații de
temperatură, vibrații, șocuri, frecvența procesului de măsurat, etc. De asemenea este necesar a
se cunoaște, sau cel puțin a se aprecia domeniul de variație a mărimii de măsurat. Alegerea
aparatelor trebuie făcută astfel încât mărimea maximă măsurată să reprezintă circa 75% din
domeniul scării acestora.
Sensibilitatea aparatului de măsurat este importantă pentru precizia măsurării. Aceasta
se definește ca raportul între deplasarea indicatorului L și variația mărimii de măsurat x care
a provocat această deplasare:
L
E= (1.4)
x
Precizia de citire crește odată cu sensibilitatea și deci este de dorit ca această sa fie cât
mai mare.
Un alt factor care trebuie luat în considerație este intârzierea de care este afectată
indicația. Acest factor joacă un rol important în măsurările dinamice cu variație foarte rapidă.
În alegerea metodelor și aparatelor de măsurat trebuie să se țină seamă de următoarele:
• Să se măsoare numai cu precizia necesară. Este deci necesar ca înaintea măsurării să se
aprecieze corect precizia necesară și clasa de precizie a aparatelor de măsură ce se vor
folosi. De exemplu, aparatele de măsurat de exploatare se iau cu clasele de precizie 1;

4
 1.5; 2.5; 4 în timp ce aparatele folosite în cadrul cercetărilor au clasele de precizie de la
0.5 până la 0.2. Cifra care indică clasa de precizie a aparatului de măsurat reprezintă, în
procente, limitele de variație ale valorii indicate de aparat față de valoarea reală a
parametrului măsurat. Astfel, clasa 2 înseamnă că valoarea indicată de aparat poate să
difere de valoarea reala în limitele 2% din domeniul de indicare al aparatului.
• Aparatele de măsură trebuie să fie sigure în exploatare și să posede o comportare
tranzitorie bună.

2. Determinarea numărului necesar de măsurări

Dacă abaterea medie pătratică  nu se cunoaște, pentru un nivel de încredere P și un
număr de experiențe n1 ales, se determină, din tabelul 2.1, raportul q.
Tabelul 2.1 Denumirea raportului q
q/P 0.9 0.95 0.98 0.99 0.999

n1 n1 n1 n1 n1
1 5 7 9 11 17
0.5 13 18 25 31 50
0.4 19 27 37 46 74
0.3 32 46 64 78 127
0.2 70 99 139 171 277
0.1 273 387 545 668 1089
0.05 1084 1540 2168 2659 4338

Se calculează abaterea standard empirică și apoi precizia:

1 = q  s = a − x (2.1.)

Dacă precizia 1 este prea mare și se dorește o precizie mai mică  se calculează
raportul:

1
= (2.2)

Micșorarea preciziei de  ori se obține prin mărirea numărului de măsurari la n:

n = n1   2 (2.3)

Alegerea valorii nivelului de încredere are consecințe economice deoarece el determina

numărul necesar de măsurări. Alegerea rațională a nivelului de încredere implică optimizarea
procesului de măsurare din punct de vedere al preciziei și al numărului de măsurări.
Prin prezentul proiect am urmărit măsurarea a 60 de grămăjoare de boabe de porumb
de câte 100 de boabe fiecare în vederea determinării unor parametrii statistici. Dintre acestea,
două valori au fost afectate de erori grosolane și au fost îndepărtate.
Cele 59 de măsurări (n = 59) rămase au fost:

5
  29.55  Pentru cele 59 de măsurări realizate, s-a impus un nivel de încredere (P) de
 29.20  0.95 și o precizie (ε) de 0.37, iar numărul optim de măsurări se determină
  utilzând următoarele formule:
 28.24  ▪ media valorilor măsurate: media = 28.589
 28.69 
 30.04  ▪ abaterea standard empirică:
  n

 (xi − media )
2
 26.13 
 31.36  i=1
  s =
 28.42  n −1
 28.00 
 29.04  s = 1.261
  
 25.09  ▪ q = q = 0.266
x = s
 28.20 
 27.60  ▪ Din tabelul 2.1 putem extrage numărul necesar de măsurări pentru P =
  0.95, ε =0.335. Astfel, în funcție de q ales numărul necesar de măsurări (n1)
 28.62  poate fi:
 27.95 
  a) q1 = 0.3 => n1 = 46
 29.40  Având în vedere că am obținut experimental un q = 0.266 în continuare,
 28.64  voi determina numărul necesar de măsurări aferent acestui q, pornind
 29.29  de la q1 și implicit de la numărul necesar de măsurări aferent lui q1.
  Astfel, la efectuarea unui număr de 99 de măsurări precizia va fi:
 28.94  ▪ ε1 = q1 x s = 0.3 x 1.261 => ε1 = 0.378
 29.28  Pentru a obține o precizie mai mică decât precizia calculată (ε1 = 0.378)
 28.54 
  în vederea identificării numărului necesar de măsurări specific lui q determinat
 28.73  experimental (q=0.266), voi calcula valoare lui λ:

1
 =
  = 1.129

Astfel, numărul necesar de măsurări (n2) este:

2
n2 = n1   => n2 = 58.664

În continuare, vom realiza un alt set de măsurări a grămăjoarelor de porumb, ținând

seamă de numărul necesar de măsurări identificat anterior prin calcule.
Se pregătesc pentru cântărire grămăjoarele de boabe de porumb. Având în vedere că
unele mărimi ar putea fi afectate de erori și vor trebui eliminate, în loc de 59 de măsurători
(câte s-au obținut prin calcule) se vor efectua 60.
Măsurarea celor 60 de grămăjoare se realizează în două serii.

6
 Tabelul 2.2. Valorile obținute prin măsurare
Nr. M1 M2 Nr. M1 M2 Nr. M1 M2 Nr. M1 M2
1 32.26 30.51 16 37.14 28.72 31 29.45 30.7 46 29.22 30.76
2 31.76 29.04 17 31.16 28.61 32 27.88 28.04 47 30.84 30.34
3 32.2 29.2 18 33.4 28.44 33 27.9 29.42 48 27.84 27.64
4 31.06 28.13 19 31.75 30.71 34 30.78 28.6 49 29.42 28.44
5 34.11 28.72 20 30.22 30.15 35 29.27 27.88 50 30.05 28.23
6 33.55 29.08 21 30.72 28.67 36 28.25 28.32 51 29.39 28.9
7 31.5 28.53 22 31.7 27.41 37 33.45 29.62 52 28.91 27.96
8 30.81 29.31 23 30.33 28.16 38 27.44 29.32 53 29.37 28.57
9 32.65 30.22 24 28.29 29.57 39 27.4 39.94 54 30.11 29.77
10 31.87 28.35 25 33.9 30.26 40 27.15 29.54 55 28.72 30.45
11 30.44 30.98 26 30.85 30.83 41 28.05 28.07 56 29.21 27.23
12 32.41 30.25 27 28.66 29.42 42 29.02 31.13 57 28.92 28.04
13 31.54 29.7 28 28.68 30.69 43 28.42 30.69 58 29.67 27.2
14 33.91 30.15 29 29.64 28.58 44 28 28.2 59 31.72 28.41
15 33.88 28.86 30 28.74 27.31 45 28.68 28.38 60 30.11 29.26

3. Eliminarea datelor afectate de erori grosolane

3.1. Clasificarea erorilor de măsurare
Rezultatele măsurării mărimilor fizice sunt valori numerice obținute prin compararea
lor cu o altă mărime, de aceeași natură, luată ca etalon. În cazul măsurilor repetate, efectuate
cu o precizie suficient de mare, rezultatele diferă fiind afectate de erori. Diferența dintre
rezultatul măsurării unei mărimi xi și valoarea sa adevarată a este eroarea de măsurare zi:
zi = xi - a (3.1)
Cum în tehnica experimentală valoarea adevarată a nu este cunoscută (scopul măsurării
fiind tocmai determinarea ei), rezultă că eroarea z nu este cunoscută. Problema care se pune
constă în găsirea unei valori care, cu o eroare cât mai mică posibilă, să estimeze valoarea
adevarată a. Pentru aceasta este necesar să fie cunoscute principalele proprietăți ale erorilor și
interpretarea lor.
În practică se foloseste și eroarea relativă zreli care permite estimarea acelor rezultate
ale căror erori absolute depind de dimensiunile mărimii fizice măsurate:
z x −a
z reli = i 100 = i 100 [%] (3.2)
a a
Erorile de măsurare se pot datora următoarelor cauze:
▪ caracteristicile tehnice, de construcție și de funcționare;
▪ imprecizii în montarea sau reglarea aparaturii;
▪ mediul ambiant: variația temperaturii, umiditătii, presiunii atmosferice, etc.;
▪ obiectul supus măsurării care poate suferi modificări sub influenșa unor factori interni
sau externi;
▪ operatorul: imperfecțiunea simțurilor, neatenția, superficialitatea, etc.
Erorile de măsurare se pot clasifica, după natura acestora, în:
Erorile grosolane. Acestea apar datorită neatenției sau a încălcării principiilor generale
de măsurare. Măsurările ce conțin erori grosolane diferă foarte mult de celelalte măsurari și ele
trebuiesc eliminate în calculele ulterioare.

7
 Erorile sistematice. Aceste erori se pot datora unor cauze ce pot fi descoperite de
experimentator: reglarea incorectă a aparatului de măsură, variația condițiilor exterioare
(temperatură, umiditate, etc.). Ele, odată depistate, pot fi usor eliminate facându-se corecțiile
corespunzătoare.
Erorile aleatoare. Apar din cauza unor multitudini de factori, greu de precizat și
individualizat, a căror influență individuală este neglijabilă, din care cauză nu există
posibilitatea depistării și înlăturării lor. Cu ajutorul teoriei probabilităților se poate lua în
consideratie în ce masură erorile aleatoare influențează estimațiile adevaratelor valori ale
mărimilor măsurate, ceea ce permite determinarea valorii mărimii măsurate cu o eroare oricât
de mică în raport cu erorile măsurarilor individuale.
Studiul influenței erorilor aleatoare se bazează pe cunoașterea legilor lor de repartiție.

3.2. Metoda de eliminare pentru  necunoscut

Pentru eliminarea datelor afectate de erori grosolane se poate utiliza testul Romanovski.
Se calculează abaterea standard empirică s, pentru cele n-1 rezultate ale măsurărilor presupuse
că nu sunt afectate de erori grosolane, cu relația:
1 n −1
s=  (x i − x ) 2
n − 2 i =1 (3.3)
Se calculează raportul:
x* − x
t=
s (3.4)
Pentru un nivel de încredere P (căruia îi corespunde un nivel de semnificație  = 1 - P)
și un număr de experiențe n cunoscut, se determină din Tabelul 3.1 valoarea critica t (n, P).
Dacă:
t > t (n, P) (3.5)
vom elimina valoarea x ca fiind afectată de erori grosolane, cu nivelul de încredere P.
*

Tabelul 3.1. Valorile critice t (n, P)

n /P 0.95 0.98 0.99 0.999 n/P 0.95 0.98 0.99 0.999
5 3.04 4.11 5.04 9.43 18 2.17 2.64 2.98 4.07
6 2.78 3.64 4.36 7.41 20 2.145 2.602 2.932 3.979
7 2.62 3.36 3.96 6.37 25 2.105 2.541 2.852 3.819
8 2.51 3.18 3.71 5.73 30 2.079 2.503 2.802 3.719
9 2.48 3.05 3.54 5.31 35 2.061 2.476 2.768 3.652
10 2.37 2.96 3.41 5.01 40 2.048 2.456 2.742 3.602
11 2.33 2.89 3.31 4.79 45 2.038 2.441 2.722 3.565
12 2.29 2.83 3.23 4.62 50 2.03 2.429 2.707 3.532
13 2.26 2.78 3.17 4.68 60 2.018 2.411 2.683 3.492
14 2.24 2.74 3.12 4.37 70 2.009 2.399 2.667 3.462
15 2.22 2.71 3.08 4.28 80 2.003 2.389 2.655 3.439
16 2.2 2.68 3.04 4.2 90 1.998 2.382 2.646 3.423
17 2.18 2.66 3.01 4.13 100 1.994 2.377 2.639 3.409

8
 Pentru eliminarea datelor afectate de erori grosolane a fost elaborat un program de
calcul ERORISIR.PAS realizat în limbajul de programare Torbo Pascal 7.0 prezentat în
continuare.
PROGRAM ELIMINARE_ERORI_GROSOLANE_SIR_DATE;
uses crt;
label 1, 2, 3, 4, 5;
var x, y: arrayi1..120s of real; { Declararea mărimilor utilizate }
i, n, k, j, b1, s1, s2: integer;
a, a1, xmediu, a2, s, t, t1: real;
g: file of real; { Introducerea valorilor măsurate xiis }
BEGIN

writeln ('Introduceti numarul de masurari n:');

readln(n);
if n >120 then
begin
writeln('Numarul de masurari n > 120');
readln;
goto 4;
end;
{ Introducerea valorilor măsurate xiis de pe disc }
writeln(' Datele se citesc de pe disc ?');
writeln(' 1 - Da');
writeln(' 2 - Nu');
readln(s1);
if s1=1 then
begin
assign(g,'erori1.dat');
reset(g);
for i:=1 to n do
begin
read(g,xiis);
end;
close(g);
goto 5;
end;
writeln ('Introduceti valorile masurate x:');
For i:=1 to n do readln(xiis);
{ Salvarea valorilor măsurate xiis pe disc }
5:writeln('Se scriu pe disc datele de intrare ?');
writeln(' 1 - Da');
writeln(' 2 - Nu');
readln(s2);
if s2=1 then

9
 begin
assign(g,'erori1.dat');
rewrite(g);
for i:=1 to n do
begin
write(g,xiis);
end;
close(g);
end;
writeln('Introduceti valoarea critica t(n,P):');
readln(t1);
{ Calculul coeficientului de testare t }
b1:=1;
3:k:=1;
a1:=0; { Suma valorilor masurate xiis }
a2:=0; { Suma patratelor xiis – xmediu }

For i:=1 to n do
begin
If i=b1 then goto 1;
yiks:=xiis;
k:=k+1;
1:end;
For j:=1 to n-1 do a1:=a1+yijs;
xmediu:=a1/(n-1); { Valoarea medie a lui xiis pentru n-1 măsurări }
For j:=1 to n-1 do a2:=a2+sqr(yijs- xmediu);
s:=sqrt(a2/(n-2));
t:=ABS((xib1s-xmediu)/s); { Abatere standard empirica }
If t>t1 then { Afișarea rezultatului }
begin
writeln( 't =' , t:2:3, ' > t(n,P) = ', t1:2:3);
writeln( 'xi',b1:1,'s =' , xib1s:3:3, ' Este afectata de erori grosolane' );
readln;
b1:=b1+1;
if b1<=n then goto 3;
goto 4;
end;
writeln( 't= ', t:2:3, ' < t(n,P) = ', t1:2:3);
writeln( ' xi', b1:1, 's=' , xib1s:2:3, ' Nu este afectata de erori grosolane');
readln;
b1:=b1+1;
if b1<=n then goto 3;
:END.

10
 4. Parametrii statistici principali
Parametrii statistici principali ai unui șir de date xi de n măsurări în care x1 apare de f1
k
ori, x2 de f2 ori, xk de fk ori și f
i =1
i = n se mai numesc și valori tipice de selecție și sunt

definiți astfel:
Media aritmetică de sondaj a șirului de date:
1 k
x =  f i  xi (4.1)
n i =1
Dacă în cele n măsurări xi apare o singură dată atunci:
1 n
x =  xi (4.2)
n i =1
Media aritmetică are o mare importanță în estimarea preciziei măsurărilor când nu se
cunoaște valoarea exactă a mărimii fizice măsurate.
Media geometrică a șirului de date se calculează cu relația:
1
 n n
x g =   xi  (4.3)
 i =1 
Media armonică este:
n
xa = n
(4.4)
1

i =1 xi
Media patratică este:
n

x
i =1
2
i
xp = (4.5)
n
Mediana de sondaj a șirului de date - este valoarea față de care frecvența valorilor mai
mici decât ea este egală cu frecvența valorilor mai mari decât ea. Valorile xi se aranjează în
ordine crescătoare sau descrescătoare și mediana este:
- dacă n este impar:
M e = x ( n +1)/ 2 (4.6)
- dacă n este par:
x n / 2 + x n / 2 +1
Me = (4.7)
2
Moda de sondaj a șirului de date este valoarea din șirul de date căreia îi corespunde
frecvența maximă. Dacă repartiția de frecvență are două valori maxime, ambele fiind cele mai
probabile, repartiția se numește bimodală. Dacă repartiția de frecvență are mai multe mode,
repartiția este polimodală iar dacă repartiția are în mijloc un minim în loc de un maxim se
numește antimodală. Legătura dintre media aritmetică, mediană și modă este dată de relația:
M o = x + 3  ( M e − x) (4.8)
Valoarea centrală a șirului de date:

11
 x max + x min
xc = (4.9)
2
în care xmax este cea mai mare din valorile xi , iar xmin cea mai mică.
Abaterea medie patratică de la valoarea medie se calculează cu relația:

1 k
s* =  f i ( x i − x) 2
n i =1
(4.10)

iar abaterea standard empirică este:

1 k
s=  f i ( x i − x) 2
n − 1 i =1
(4.11)

Abaterea standard empirica aproximează cel mai bine eroarea medie pătratică  atunci
când numărul de măsurări este relativ mic.
Dispersia de sondaj a șirului de date, sau momentul centrat de ordinul doi este:
1 k
s 2 =  f i ( x i − x) 2 (4.12)
n i =1
Dispersia de sondaj poate fi folosită ca estimație a dispersiei 2 și dacă în cele n
măsurări xi apare o singură dată atunci se calculează cu relația:
1 n
s2 = 
n − 1 i =1
( xi − x) 2 (4.13)

Amplitudinea șirului de date se calculează ca diferența dintre valoarea cea mai mare
xmax și valoarea cea mai mică xmin a șirului de măsurări dat:
R = x max − x min (4.14)
Coeficientul de variație al șirului de date:
s
Cv = (4.15)
x
Abaterea medie absolută de selecție a șirului de date reprezintă media abaterilor față
de valoarea adevarată a mărimii fizice a (dacă aceasta este cunoscută) sau față de media
aritmetică luată în valoare absolută:
1 k
Am =  f i xi − x (4.16)
n i =1
Momentul de sondaj de ordinul r, calculat față de originea sistemului este:
1 n
M r =  x ir (4.17)
n i =1
Momentul centrat de sondaj de ordinul r se obține din momentele generale de ordinul
r considerând că originea arbitrară coincide cu media aritmetică:
1 k
 r =  f i ( x i − x) r (4.18)
n i =1
Coeficientul de asimetrie al șirului de date permite aprecierea formei unei repartiții
statistice. Pentru calculul coeficientului de asimetrie se folosește relația:

12
 ( 3 ) 2
1 = (4.19)
(s 2 ) 3
în care s2 este dispersia de sondaj a șirului de date iar:
1 k
 3 =  f i ( x i − x) 3 (4.20)
n i =1
Asimetria este pozitivă dacă repartiția este asimetrică cu extremitatea extinsă spre
dreapta și negativă în caz contrar. Coeficientul de asimetrie este nul pentru o repartiție
simetrică. Asimetria absolută poate fi exprimată ca diferența dintre media aritmetică și moda:
1 = x − Mo (4.21)
Coeficientul de boltire:

 2 = 24 2 (4.22)
(s )
în care  4 este momentul centrat de ordinul 4, definit de relația:
1
4 =
n
 f i ( x i − x) 4 (4.23)

Coeficientul de boltire este un indicator al gradului de înclinație a pantei curbei

densității de repartiție în vecinatatea modei de sondaj M o. Pentru repartiția normala 2 = 3.
Dacă 2 > 3 curba densității de repartiție este mai ascutită la vârf decât curba normală, iar dacă
2 < 3 boltirea este mai mare decât cea a curbei normale.
Excesul curbei de repartiție permite aprecierea gradului de îndepartare a curbei studiate
față de repartiția normală. Dacă E = 0 curba studiată coincide cu cea normală. E > 0 pune în
evidență o concentrare a frecvențelor față de centru iar E < 0 o îndepartare a frecvențelor față
de centru. Excesul se calculeaza cu relația:
E = 2 - 3 (4.24)
În continuare, voi prezenta principalii parametrii statistici aferenți fiecărei serii de
măsurări efectuate (tabelul 4.1.). Pentru seria 1, parametrii statistici au fost calculați pentru un
număr de 60 de măsurări valide, iar pentru seria 2, parametrii s-au calculat pentru 59 de
măsurări valide.

Tabelul 4.1. Parametrii statistici obținuți în urma măsurării

Nr. crt. Parametrul statistic Seria 1 Seria 2
1. Media aritmetică de sondaj 29.11 30.471
2. Media geometrică 29.091 30.4
3. Media armonică 29.07 30.331
4. Media pătratică 29.132 30.543
5. Mediana de sondaj 28.86 30.11
6. Moda de sondaj 28.358 29.388
7. Valoarea centrala 29.165 32.145
8. Abaterea medie pătratică 1.095 2.102
9. Abaterea standard empirică 1.105 2.12
10. Dispersia standard empirică 1.3 3.5

13
 11. Dispersia de sondaj 1.2 4.418
12. Amplitudinea 3.93 9.99
13. Coeficientul de variatie 0.038 13.007
14. Abaterea medie absoluta 0.957 1.741
15. Coeficientul de boltire 1.899 3.101
16. Asimetria absolută 0.754 1.083
17. Excesul -1.101 0.101

Abaterea standard empirică a seriei 1 este 1.105, iar pentru seria 2 este 2.12 (tabelul
4.1) ceea ce însemnă că domeniul în care sunt încadrate valorile din seria 1 este apropiat de
valoarea medie (restrâns) în timp ce, domeniul în care se află valorile seriei 2 este mai
împrăștiat. Făcând o paralelă cu abaterea standard empirică aferentă primei măsurări (a
celor 59 de valori valide) ce a fost de 1.105, putem sesiza faptul că domeniul în care se găsesc
cele 60 de valori este mult mai restrâns, ceea ce a făcut ca numărul necesar de măsurări să
fie mic (de 59 de măsurări).

5. Repartiția erorilor aleatoare de măsurare

5.1. Modelul probabilistic
Erorile aleatoare de măsurare sunt caracterizate de o lege de repartiție determinată.
Existența legii de repartiție poate fi stabilită repetând măsurarea unei mărimi fizice, în condiții
identice, pentru un număr n de măsurări suficient de mare.
Dacă se fac n măsurari, iar într-un anumit interval cad m măsurări, pentru n suficient
de mare, se poate considera că frecvența relativă de cădere în intervalul considerat (m/n) este
o cantitate constantă caracteristică intervalului. Se poate considera că probabilitatea ca
variabilă aleatoare z să ia valori într-un anumit interval (z1 < z < z2), notată P(zi < z < z2 ), este
aproximativ egală cu frecvența relativă:
m
P (z1  z  z 2 ) = P (z  (z1 , z 2 ) 
n (5.1)
Modelul probabilistic teoretic admite faptul că erorile aleatoare z și prin urmare însăși
rezultatele măsurărilor x sunt variabile ce pot lua orice valoare reală, deci sunt definite pe
intervalul (- , + ).
Regula care permite ca pentru fiecare interval (z 1 , z2 ) să se găsească probabilitatea
P(zi < z< z2 ) se numește legea de repartiție a variabilei aleatoare z.
Legea de repartiție a erorilor aleatoare de măsurare se exprimă cu ajutorul unei
integrale:
z2

P (z1  z  z 2 ) =  p(z)dz
z1
(5.2)
unde p(z) este densitatea de repartiție și este funcție nenegativă care satisface condiția:


 p( z)dz = 1
− (5.3)
Graficul densității de repartiție se numește curba de repartiție.

14
 5.2. Repartiția normală
Legea de repartiție a erorilor aleatoare de măsurare cea mai utilizată este repartiția
normala (legea lui Gauss) dată de densitatea de repartiție:
z2
1 −
p( z ) = e 2 2

 2 (5.4)
unde parametrul  ( > 0) caracterizeaza precizia măsurărilor.
Curba de repartiție normală, pentru diferite valori ale parametrilor  este prezentată în figura
5.1.

0.8

0.6

0.4

0.2

0
6 4 2 0 2 4 6

Figura 5.1. Curba de repartiție normală a erorilor aleatoare

Curba de repartiție este simetrică în raport cu axa z = 0, deci x = a, prezentând puncte

de inflexiune la z = . Pentru z = 0 curba admite un maxim:
1
P(0) = (5.5)
 2
și reprezintă probabilitatea ca valoarea măsurată să reprezinte valoarea adevarată a mărimii.
Se observă că atunci când  scade, densitatea de repartiție p(z) descrește mai repede.
Cu cât  este mai mic, cu atât imprăștierea erorilor în jurul originii este mai mică.
Probabilitatea ca eroarea aleatoare să cadă in întervalul simetric (-z1, z1) se calculează cu
relația:
P (− z1  z  z1 ) = P ( z  z1 ) = 2   (t1 )
(5.6)
unde:
t t2
1 −
(t ) =
2
e 2
dt
0 (5.7)
z z1
t= t1 =
;  (5.8)
și reprezintă aria trapezului curbiliniu mărginit de ordonatele 0 și z1 .

15
 Funcția (t) se numește probabilitate integrală iar valorile sunt date în Anexa 1 pentru
valori pozitive ale variabilei t. Pentru valori negative ale lui t se ține seamă că (t) este o funcție
impară, deci (-t) = -(t).
Probabilitatea ca eroarea aleatoare să cadă într-un interval oarecare (z1, z2) se
calculeaza cu relația:
z z
P( z1  z  z 2 ) = ( 2 ) − ( 1 ) = ( t 2 ) − ( t1 )
  (5.9)
Probabilitatea ca eroarea aleatoare să depașească limitele  t , pentru t > 0, va fi:
P ( z  t ) = 1 − 2   ( t )
(5.10)
iar probabilitatea să nu depășească limitele  t  va fi:
P ( z  t ) = 2   ( t )
(5.11)
Probabilitatea ca valorile aleatoare z să depășească limitele  3  este:
P ( z  3 )1 − 2   (3) = 0,0027
(5.12)
Rezultă că evenimentul ce presupune ca eroarea aleatoare să iasă în afara intervalului 
3  este practic imposibil. Se acceptă că erorile aleatoare de măsurare sunt mărginite, în valoare
absolută de 3 .
Pentru o lege normală de repartiție a erorilor aleatoare, dacă rezultatele măsurărilor (xi = a +
zi) au densitatea de repartiție:
( x−a)2
1 −
p( x) = e 2 2

 2 (5.13)
legea de repartiție se numește lege normală centrată în a și este prezentată în figura 5.2.

0.2

0.15

0.1

0.05

0
6 4 2 0 2 4 6 8 10

Figura 5.2. Curba de repartiție normală centrată în a pentru mărimea măsurărilor

16
 5.3. Verificarea normalității repartiției
5.3.1. Criteriul de concordant 2
Datele experimentale se împart în l intervale (clase): (-, x1 ), [x1, x2 ),..., [xi-1, xi), ......,
[xl-1, ). În fiecare interval sunt mi date astfel încât numărul tuturor măsurărilor efectuate este:
n = m1 + m2 + ......+ ml (5.14)

Numărul de măsurări pentru ambel serii este n1 = n2 = 59.

Numărul de date din fiecare interval mi trebuie să fie suficient de mare (mi= 510). Se
recomandă l = 10  20. Numărul claselor se determină cu relația:
l = 1 + 3.322  log n (5.15)

Numărul de clase pentru ambele serii este l = 6.883 => 7.

Limitele superioare ale claselor din seria 1 de măsurări sunt:

27.2
27.771
28.342
28.913
29.484
30.055
30.626
31.197
Limitele superioare ale claselor din seria 2 de măsurări sunt:

27.15
28.601
30.053
31.504
32.956
34.407
35.859
37.31
Lungimea intervalului este:

x max − x min
d=
l (5.16)

Lungimea intervalului pentru seria 1 este d1 = 0.571, iar pentru seria 2 este d2 = 1.451.

Lungimea intervalului se rotunjește la o valoare întreagă. => d1 = 1, d2 = 2

17
 Fiecărui interval îi corespunde un număr de date fi . Pentru fiecare clasă se calculează
ti cu relația:
x mi − x
ti =
s (5.17)
unde s este abaterea standard empirică (eroarea medie pătratică):
1 n
s= 
n − 1 i =1
(xi − x ) 2
(5.18)
Abaterea standard empirică pentru seria 1 este s1 =1.105, iar pentru seria 2 este s2 = 2.12.
xmi este limita superioară a clasei i, iar valoarea medie este:
1 n
x =  xi (5.19)
n i =1
Valoarea medie pentru seria 1 a fost x = 29.165, iar pentr seria 2 a fost x = 32.145.
Se consideră că prima clasă are limita inferioară -, iar ultima clasă are limita
superioară +. Se calculează probabilitatea pi ca rezultatele experimentale să cadă în intervalul
i în ipoteza de normalitate a repartiției:
p i = ( t i ) − ( t i − 1 )
(5.20)
Se ține seama ca (-)= - 0,5 iar () = 0,5 și apoi se calculează criteriul de
concordanță:
l
(m − npi ) 2
2 = i (5.21)
i =1 npi
Criteriu de concordanță pentru seria 1 este  2 = 11.07, iar pentru seria 1 este  2 = 11.212.
Numărul de grade de libertate k se determină astfel:
• dacă clasele extreme au mai puțin de cinci date fiecare, atunci numărul gradelor de
libertate este k = l - 3;
• dacă una din clasele extreme are mai puțin de cinci elemente k = l - 2;
• dacă toate clasele au mai mult de cinci elemente, numărul gradelor de libertate este
k = l - 1.
Pentru un nivel de încredere P și numărul de grade de libertate k , din tabelul 5.1. se
determina valoarea critica 2 cr (P,k).
Dacă:
 2   cr2 ( P, k ) (5.22)
se poate considera ca funcția de repartiție a erorilor aleatoare în seria de date considerată nu
este cea normală.
Numărul de grade de libertate ales pentru seria 1 este k1 = 7, deoarece una din clasele
extreme are mai puțin de cinci elemente (7-2).
Numărul de grade de libertate ales pentru seria 2 este k2 = 6, deoarece clasele extreme
au mai puțin de cinci elemente fiecare (7-3).
Seria 1 - Pentru un nivel de încredere P = 0.95 și un număr de grade de libertate k1 =
7, valoarea critică determinată din tabelul 6.1 a fost: 11.07. Comparând valoarea critică

18
obținută prin calcul cu cea din tabelul 6.1 => 11.019 < 14.07 => REPARTIȚIA ESTE
NORMALĂ
Seria 2 - Pentru un nivel de încredere P = 0.95 și un număr de grade de libertate k2 =
6, valoarea critică determinată prin raportarea la datele expuse în tabelul 5.1 a fost: 11.212.
Deoarece în tabelul 5.1 nu sunt prezentate date cu privire la gradul 6 de libertate, acestea se
calculează astfel:
▪ Nivelul de încredere pentru k = 7 este P = 9.49, iar pentru k = 6 este P = 11.07.
Diferența dintre cele două nivele de încredere este 1.58, pe care o împărțim la 4
(diferența dintre gradul de libertate 5 și gradul de libertate 1) și vom obține 0.395.
Astfel, prin interpolare, nivelul de încredere pentru gradul 4 de libertate este:
(0.395 x 3) + 9.49 = 10.675.
Comparând valoarea critică obținută prin calcul cu cea aferentă tabelului 5.1 => 10.951 >
10.675 => REPARTIȚIA NU ESTE NORMALĂ
Eficiența criteriului de concordanță 2 crește dacă în fiecare din intervalele ixi-1 , xi)
sunt aproximativ același număr de date și este mai puțin eficient când repartiția este simetrică
dar diferă de cea normală.
Valorile critice 2 cr (P,k)
Tabelul 5.1. Valorile critice 2 cr (P,k)
k / P 0.80 0.90 0.95 0.99 0.999
1 5.99 7.78 9.49 13.28 18.5
5 7.29 9.24 11.07 15.09 20.5
6 8.56 10.64 12.59 16.8 22.5
7 9.80 12.02 14.07 18.5 24.3
8 11.03 13.36 15.51 20.1 26.1
9 12.24 14.68 16.9 21.7 27.9
10 13.44 15.99 18.3 23.2 29.6
11 14.63 17.3 19.7 24.7 31.3
12 15.8 18.5 21 26.2 32.9
13 17 19.8 22.4 27.7 34.5
14 18.2 21.1 23.7 29.1 36.1
15 19.3 22.3 25 30.6 37.7
16 20.5 23.5 26.3 32 39.3
17 21.6 24.8 27.6 33.4 40.8
18 22.8 26 28.9 34.8 42.3
19 23.9 27.2 30.1 36.2 43.8
20 25 28.4 31.4 37.6 45.3

19
 0.5

0.45

0.4

0.35

0.3
pi
0.25
qi
0.2

0.15

0.1

0.05

0
−6 − 4.8 − 3.6 − 2.4 − 1.2 0 1.2 2.4 3.6 4.8 6
zi
Figura 5.3. Densitatea de repartiție

În figura 5.3 putem vedea repartiția valorilor măsurate (gradul de împrăștiere) pentru
ambele serii. Seria 1 este reprezentată prin curba pi de culoare roșie a cărei valori sunt mai
restrânse (mai apropiate de valoarea de mijloc), iar seria 2 este reprezentată prin curba qi de
culoare albastră a cărei valori sunt mai împrăștiate în raport cu cele ale seriei 1 (mai depărtate
de valoarea de mijloc).
Valoarea maximă a densității de repartiție pentru seria 1 este po = 0.361, iar pentru
seria 2 este qo = 0.188. Această valoare maximă împarte scorurile obținute astfel: 50 % din
valori sunt mai mici decât valoarea maximă, iar 50 % din valori sunt mai mari.
Din repartiția prezentată în figura 5.3 reiese că cele mai multe valori sunt grupate în
jurul mediei (99 % din valori se găsesc in domeniul 2σ), iar cu cât un scor este mai depărtat
de medie, cu atât numărul de valori din acel interval este mai mic.

6. Estimații ale adevăratei valori a unei mărimi fizice

6.1. Considerații generale
Consideram ca x1, x2, ....., xn sunt rezultatul măsurărilor din care au fost înlăturate
erorile grosolane și cele sistematice. Estimațiile adevăratei valori a mărimii fizice măsurate se
poate face prin:
▪ estimația punctuală, care consta în determinarea unei funcții g(xI) care să permită
calcularea unei valori suficient de apropiată de valoarea adevarată a;
▪ estimația de încredere care constă în determinarea unui interval (g -1, g- 2) de
încredere, care cu probabilitatea P să acopere adevărata valoare a; extremitățile
intervalului de încredere se numesc limite de încredere.
Pentru ca estimația g să asigure o aproximație suficient de bună a valorii adevărate a ea
trebuie să aibă următoarele proprietăți:
▪ Nedeplasarea - dacă valoarea medie teoretică a estimației g coincide cu valoarea
adevarată a;

20
 ▪ Consistența - dacă estimația g tinde în probabilitate către valoarea a atunci când
numărul n al măsurărilor tinde către  sau atunci când n → și pentru orice  dat,
probabilitatea P (|g - a| < ) → 1;
- Eficiența - dacă estimația nedeplasată are cea mai mică împrăștiere dintre toate
estimațiile nedeplasate ale valorii a.

6.2. Estimarea preciziei dispersiei

Ca indicator a preciziei dispersiei măsurărilor se va lua dispersia 2 sau eroarea medie
pătratică .

6.2.1. Estimarea adevăratei valori a mărimii măsurate

Dacă se fac măsurări asupra unei mărimi cunoscute a - etalon - ca estimație a dispersiei
se ia media pătratelor abaterilor rezultatelor măsurărilor x1, x2, ....., xn de la valoarea a:
1 n
 2  s 2 =  ( xi − a ) 2 (6.1)
n i =1
Numărul gradelor de libertate este k = n.
Dacă se măsoară o mărime necunoscută, ca estimație a dispersiei se ia dispersia
empirică:
(6.2)
Numărul gradelor de libertate este k = n -1.
Dacă se fac m serii de măsurări cu n1, n2, ......, nm date din serie, iar dispersiile empirice
2 2 2
corespunzătoare sunt s1 , s2 ......, s m drept estimație a dispersiei se ia media ponderată a
dispersiilor empirice:
(n1 − 1)s12 + (n2 − 1)s22 +......+ (nm − 1)sm2
 s =
2 2

(n1 − 1) + (n2 − 1)+.......+ (nm − 1) (6.3)

Când numărul de măsurări este același în fiecare serie n i = n, estimația este media
aritmetică a valorii dispersiilor empirice:

1 m 2
  s =  si
2 2

m i =1 (6.4)

numărul gradelor de libertate este k = n1 + n2 +......+ nm - m.

Dacă pentru m serii de măsurări se cunosc numărul de măsurări din fiecare serie n1, n2,
......, nm și mediile aritmetice din fiecare serie x 1 , x 2 , ......., x m atunci ca estimație se ia dispersia
empirică a mediilor:

1 m
 2  ~s 2 =  ni ( x i − x )
m − 1 i =1 (6.5)
unde:

21
 m
1
x=
n1 + n2 +.......+ nm
n x
i =1
i i

(6.6)

Abaterea standard empirică s dă o estimație deplasată ce depinde de numărul k al

măsurărilor (pentru n = 16 deplasarea reprezintă 2% iar pentru n = 59 deplasarea este sub 1%).
Numărul gradelor de libertate este k = n - 1.
Pentru măsurarea efectuată asupra boabelor de porumb a cele două serii, datorită
faptului că se cunoaște numărul de măsurări din fiecare serie și mediile aritmetice aferente,
estimația este reprezentată de dispersia empirică a mediilor.
Date cunoscute:
▪ numărul de măsurări efectuate: n = 59;
▪ media: m1 29.111= , m2 = 30.471;
▪ disperpersia empirică: 𝑠12 = 1.221, 𝑠22 = 4.494.
Dispersiile empirice prezentate anterior reprezintă estimația seriilor de măsurări.

6.2.2. Intervale de încredere pentru eroarea medie pătrată

Pentru un număr mare de date, obținute cu ajutorul unui interval de încredere a erorii
medii pătratice  se scrie sub forma unei estimații a abaterii relative a valorii  de la abaterea
standard empirică (so, s*, s sau ~
s ):

 −s
q
s (6.7)
sau
s  (1 − q )    s  (1 + q ) (6.8)
unde coeficientul q(P,k) se determină din tabelul 6.1.
Numărul gradelor de libertate k depinde de numărul de măsurări și de forma abaterii
standard empirice acceptată pentru estimația lui .
Pentru un număr de grade de libertate suficient de mare se poate utiliza și regula trei
sigma care este de forma:

 3   3 
s  1 −     s  1 + 
 2k   2k  (6.9)

Siguranța unei astfel de estimări depășește 0,99 pentru k > 47, 0.992 pentru k > 107 și
0.995 pentru k > 200.

22
 Tabelul 6.1. Valorile coeficientului q(P,k)
k/P 0.95 0.99 0.999
17 0.4 0.639 0.961
18 0.385 0.602 0.916
19 0.371 0.578 0.875
20 0.358 0.556 0.838
22 0.336 0.518 0.776
24 0.318 0.487 0.724
26 0.302 0.46 0.679
28 0.288 0.437 0.641
30 0.276 0.416 0.609
35 0.253 0.375 0.544
40 0.234 0.343 0.494
45 0.219 0.318 0.455
50 0.207 0.297 0.424

6.2.3. Compararea dispersiilor

Presupunem că în două serii de măsurări se folosesc aparate diferite și s-a obținut
2 2
dispersia empirică s1 pentru un număr de grade de libertate k si dispersia empirică s 2 pentru
1

un număr de grade de libertate k2 (s  s ) . Se compară raportul între cea mai mare dispersie
2 2
1 2

empirică și cea mai mică:

s12
F= 1 (6.10)
s 22
Se alege un nivel de încredere P = 0,95 sau P = 0,99 și din tabelul 6.2 se ia valoarea
critică F(P, k1 , k2).
Daca:
F > F(P, k1 , k2) (6.11)

atunci se consideră că diferența dintre cele două dispersii este semnificativă și deci precizia
2
aparatului ce dă dispersia s 2 este mai mare.

Tabelul 6.2 Valorile critice F(P, k1, k2 ) pentru nivelul de încredere  = 0.95
k2 / k1 4 6 8 10 15 20 30 40 50
6 4.53 4.28 4.15 4.06 3.94 3.87 3.81 3.77 3.75
7 4.12 3.87 3.73 3.62 3.5 3.44 3.38 3.34 3.32
8 3.84 3.58 3.44 3.34 3.21 3.15 3.08 3.05 3.03
9 3.63 3.37 3.23 3.13 3 2.93 2.86 2.82 2.8
10 3.48 3.22 3.07 2.97 2.84 2.77 2.7 2.67 2.64
12 3.26 3 2.85 2.76 2.62 2.54 2.46 2.42 2.4
14 3.11 2.85 2.7 2.6 2.46 2.39 2.31 2.27 2.24
16 3.01 2.74 2.59 2.49 2.35 2.28 2.2 2.16 2.13
18 2.93 2.66 2.51 2.41 2.27 2.19 2.11 2.07 2.04

23
 20 2.87 2.60 2.45 2.35 2.2 2.12 2.04 1.99 1.96
22 2.82 2.55 2.4 2.3 2.15 2.07 1.98 1.93 1.91
24 2.78 2.51 2.36 2.26 2.11 2.02 1.94 1.89 1.86
26 2.74 2.47 2.32 2.22 2.07 1.99 1.9 1.85 1.82
30 2.69 2.42 2.27 2.16 2.01 1.93 1.84 1.79 1.76
35 2.64 2.37 2.22 2.11 1.96 1.88 1.79 1.73 1.7
40 2.61 2.34 2.18 2.07 1.92 1.84 1.74 1.69 1.66
50 2.56 2.29 2.13 2.02 1.87 1.78 1.69 1.63 1.6

Pentru măsurarea efectuată asupra boabelor de porumb, raportul între cea mai mare
dispersie empirică și cea mai mică, aferente celor două serii de măsurări, este:
𝑠22 3.989
F1 = = = 3.682 > 1
𝑠12 2.728

După cum putem vedea, raportul dispersiilor empirice este mai mare decât 1.
Pentru nivelul de încredere P = 0.95 și numărul gradelor de libertate k = n - 1 (55-1),
din tabelul 6.2 se ia, prin interpolare, valoarea critică F (0.95, 56, 56) = 1.59.
În continuare, se compară raportul dispersiilor (F) obținut prin măsurare cu cel
identificat din tabel pentru a vedea dacă diferența este sau nu semnificativă:
F1 = 3.682 > 1.59 => diferența ESTE semnificativă

6.2.4. Eliminarea dispersiei ce diferă semnificativ de celelalte

Dacă avem m aparate de măsură cu care efectuăm același număr n de măsurări și
2
constatăm că dispersia empirică s1 este sensibil mai mare decât celelalte ne propunem să
stabilim dacă diferența dintre această dispersie și celelalte este semnificativă sau nu. Pentru
2
aceasta comparăm dispersia cea mai mare s1 cu suma tuturor dispersiilor și se calculează
raportul:

s12
G= 2
s1 + s22 +........+ sm2 (6.12)
Dacă:
G  G ( P , m, k ) (6.13)

atunci diferența dintre prima dispersie și celelalte se consideră semnificativă adică prima serie
de măsurări este de o precizie mai mică decât celelalte. Valorile critice G(P, m, k) sunt date în
tabelul 6.3. Numărul gradelor de libertate este k = n - 1.

24
 Tabelul 6.3 Valorile critice G(P, m, k) pentru P = 0,95
m/k 4 5 6 8 10 16 26 144
5 0.544 0.507 0.478 0.439 0.412 0.365 0.307 0.251
6 0.48 0.455 0.418 0.382 0.357 0.314 0.261 0.212
7 0.431 0.397 0.373 0.338 0.315 0.276 0.228 0.183
8 0.391 0.36 0.336 0.304 0.283 0.246 0.202 0.162
9 0.358 0.329 0.307 0.277 0.257 0.223 0.182 0.145
10 0.331 0.303 0.282 0.254 0.235 0.203 0.166 0.131
15 0.242 0.22 0.203 0.182 0.167 0.143 0.114 0.089
20 0.192 0.174 0.15 0.142 0.13 0.111 0.088 0.068
30 0.138 0.124 0.114 0.1 0.092 0.077 0.06 0.046
40 0.108 0.097 0.089 0.078 0.071 0.06 0.046 0.035
60 0.077 0.068 0.062 0.055 0.05 0.041 0.032 0.023
120 0.042 0.037 0.034 0.029 0.027 0.022 0.017 0.012

În vederea eliminării dispersiei ce diferă semnificativ de celelalte este necesar să

vedem dacă diferența dintre dispersia empirică mai mare și cealaltă este semnificativă. În
acest sens, voi calcula:
𝑠22
G1 = 2 𝑠2 = 0.786
𝑠1+ 2

Valoarea critică pentru nivelul de încredere P = 0.95, m = 2 (numărul seriilor) și

k = 60, G (0.95, 2, 56) = 0.43 este determinată, prin interpolare.
Deoarece G1 = 0.786 > G = 0.43 diferența dintre prima dispersie și cealaltă se
consideră semnificativă, adică a 2-a serie de măsurări este de o precizie mai mică decât a 1 -
a și NU o vom mai lua în considerare în continuare.

În continuare, deoarece seria 2 nu mai este luată în considerare, voi calcula noua
estimație punctuală a dispersiei astfel:
2 𝑠2
𝑠1+ 2
s= = 1.105
2
Estimarea prin intervale de încredere a dispersiei (și deci a abaterii medii pătratice)
se determină astfel:
▪ se determină coeficientul q (0.95, 58) = 0.188 care ne ajută la identificarea intervalului
de încredere. Intervalul de încredere este de forma: s (1 - q) < s < s (1 + q) => 0.897
< s < 1.312

25
 6.2.5. Estimări punctuale ale adevăratei valori a unei mărimi măsurate
Dacă cele n măsurări au fost făcute cu aceeași precizie ca estimația punctuală a valorii
a se ia media aritmetică a datelor măsurate:
x + x 2 +.......+ x n 1 n
ax= 1 =  xi
n n i =1 (6.14)
Dacă măsurările nu sunt de egală precizie, dar se cunosc ponderile măsurărilor p 1, p2,
..., pn care sunt invers proporționale cu dispersiile erorilor  1 ,  2 , ....,  n atunci drept
2 2 2

estimație a adevaratei valori a se ia media aritmetică ponderată:

n

p x + p 2 x 2 + ......+ p n x n px
i =1
i i
a 1 1 =
p1 + p 2 + ......+ p n n

p
i =1
i
(6.15)
În cazul măsurărilor cu aceeași precizie (adică cu aceeași eroare medie pătratică ) a
valorilor supuse prelucrării x1, x2, ...., xn care reprezintă o medie a unui număr de măsurări m1,
m2, ......, mn se poate atașa drept pondere numărul de măsurări:
2
 i2 =
pi = mi (i = 1, 2, ...., n) iar mi (6.16)
Estimațiile se calculează cu formula prezentată mai sus.

6.2.6 Estimări pentru intervale de încredere a adevăratei valori

6.2.7. Pentru măsurari de egală precizie

Intervalul de încredere a valorii adevărate a este:

x-<a<x+ (6.17)
sau
a−x 
(6.18)
Mărimea  se determină luându-se nivelul de încredere P la unul din nivelele: 0,95;
0,99 sau 0,999. Dacă se cunoaste eroarea medie pătratică  atunci intervalul de încredere este:

t (P)  
a−x 
n (6.19)
Pentru un nivel de încredere ales t (P) se determină. Se obține:
t (P)  
=
n (6.20)
Dacă eroarea medie pătratică nu se cunoaște, atunci se utilizează în locul ei abaterea
standard empirică:
n 1 n
s = s*
n−1
=  (x i − x ) 2
n − 1 i =1 (6.21)
Intervalul de încredere este:

26
 t (P, k )  s
a−x 
n (6.22)
sau
t ( P, k )  s*
a−x 
k (6.23)

unde k = n - 1. Valoarile t (P, k) sunt date în tabelul 6.4.

Alegerea erorii  se poate face cu regula trei sigma. Abaterea adevăratei valori a mărimii
măsurate de la media aritmetică a rezultatelor măsurărilor nu depașește cu de trei ori abaterea
medie patratică a erorii acestei valori medii. În acest caz intervalul de încredere este:
3
a−x 
n (6.24)
cu nivelul de siguranță P = 0.95 iar dacă nu se cunoaște :
3s
a−x 
n (6.25)
cu nivelul de încredere dat în tabelul 6.5.

Tabelul 6.4 Valorile t (P, k)

k/P 0.95 0.99 0.999
4 2.776 4.604 8.61
5 2.571 4.032 6.859
6 2.447 3.707 5.959
7 2.365 3.499 5.405
8 2.306 3.355 5.041
9 2.262 3.25 4.781
10 2.228 3.169 4.587
11 2.201 3.106 4.487
12 2.179 3.055 4.318
13 2.16 3.012 4.221
14 2.145 2.977 4.14
15 2.131 2.947 4.073
16 2.12 2.921 4.015
18 2.103 2.878 3.922
20 2.086 2.845 3.85
25 2.06 2.787 3.725
30 2.042 2.75 3.646
35 2.03 2.724 3.591
40 2.021 2.704 3.551
45 2.014 2.689 3.522
50 2.008 2.677 3.497

27
 Tabelul 6.5 Dependența nivelului de încredere de numărul de măsurări
n P n P n P
5 0.96 12 0.988 25 0.994
6 0.97 14 0.99 30 0.995
7 0.976 16 0.991 50 0.996
8 0.98 18 0.992 150 0.997
9 0.983 20 0.993  0.9973
10 0.985

6.2.8. Estimarea adevăratei valori a mărimii măsurate

a. Estimarea punctuală:
𝑚1 +𝑚2
Media celor două serii de măsurători este: m = = 29.791.
2
Deoarece s-a stabilit ca seria 2 de măsurări să nu se mai ia în cosiderare, media va fi:
m = m1 = 29.111. Astfel vom considera că masa a 100 de boabe de porumb este 29.111.
b. Estimarea prin intervale de încredere:
Din tabelul 6.4 se determină t(0.95, 58). Deoarece în tabel nu avem valori pentru k =
58, vom determina t prin interpolare cu formula: t = 2.008 − 0.006 
4
 t = 1.998 5
Precizia de măsurare pentru cele 59 de valori măsurate ale seriei 1 este:
ts
 = = > ε = 0.287 => Se constată că la aceste 58 de valori măsurate precizia este
n
mult mai mică decât cea impusă inițial.
Adevarata valoare a mărimii măsurate prin intervale de încredere este:
media - < D < media +
28.824 < D < 29.399
Adică:
max = media +  max = 29.399
min = media −  min = 28.824

28
 CONCLUZII

Prin măsurare se înțelege procesul fizic exprimat prin comparare a unei mărimi cu o
altă mărime de aceeași natură considerată unitate de măsură.
Metodele de măsurare pot fi: analogice, numerice, prin comparare, prin deviație, prin
numărare,absolută și diferențială.
Erorile grosolane apar datorită neatenției sau a încălcării principiilor generale de
măsurare. Măsurările ce conțin erori grosolane diferă foarte mult de celelalte măsurări și ele
trebuiesc eliminate în calculele ulterioare.
Erorile sistematice se pot datora unor cauze ce pot fi descoperite de experimentator:
reglarea incorectă a aparatului de măsură, variația condițiilor exterioare (temperatura,
umiditate, etc.). Ele, odată depistate, pot fi ușor eliminate facându-se corecțiile
corespunzătoare.
Parametrii statici principali ai unui șir de date se mai numesc și valori tipice de selector
și sunt definiți ca: media aritmetică, media geometrică, media armonică, media pătratică,
abaterea medie pătratică, abaterea standard empirică etc.
Excesul curbei de repartiție permite aprecierea gradului de îndepărtare a curbei studiate
față de repartiția normală. Dacă E = 0 curba studiată coincide cu cea normală. E > 0 pune în
evidență o concentrare a frecvențelor față de centru iar E < 0 o îndepărtare a frecvențelor față
de centru.
În cazul măsurărilor cu aceeași precizie (adică cu aceeași eroare medie pătratică a
valorilor supuse prelucrării x1, x2, ...., xn care reprezintă o medie a unui număr de măsurări
m1, m2, ......, mn se poate atașa drept pondere numărul de măsurări.
Dacă eroarea medie pătratică nu se cunoaște, atunci se utilizează în locul ei abaterea
standard empirică.

29
 BIBLIOGRAFIE

[1] David Ladislau,Suport de curs ”Prelucrarea datelor experimentale” ,Facultatea de Ingineria

Sistemelor Biotehnice, Master IMPM 2019
[2] http://www.automation.ucv.ro/Romana/cursuri/optimizari42/Capitolul%201.pdf
[3] http://www.scritub.com/stiinta/matematica/Modelul-stochastic-al-prelucrr1611412613.php
[4] http://www.scritub.com/tehnica-mecanica/Metode-Si-Mijloace-De-Masurare448231920.php

30
 Anexe

Anexa 1

Numar masurari

1. Se fac 22 de masurari si se determina abaterea standard empirica (s)

ORIGIN  1

 29.55 
 29.20 
  Determinarea raportului q
 28.24  Tabelul 4.5
 28.69  q/ P 0.9 0.95 0.98 0.99 0.999
 30.04  n1 n1 n1 n1 n1
  1 5 7 9 11 17
 26.13  0.5 13 18 25 31 50
 31.36  0.4 19 27 37 46 74
  0.3 32 46 64 78 127
 28.42  0.2 70 99 139 171 277
 28.00  0.1 273 387 545 668 1089
 29.04  0.05 1084 1540 2168 2659 4338
 
x =  25.09 
 28.20 
 27.60  n = length ( x) n = 22
 
 28.62  media = mean ( x) media = 28.589
 27.95 
  n
 29.40 
 (xi − media )
2
 28.64  Abaterea standard empirica
 29.29  i=1
s =
  n −1 s = 1.261
 28.94 
 29.28  2. Pentru nivelul de incredere P = 0.95 si precizie de masurare = 0.33
 28.54  se determina q din tabelul 4.5 (pagina 143);
 
 28.73 
 = 0.335 Precizia = a-xmed


q = q = 0.266
s

3. Din tabelul 4.5 (pag.143) pentru nibvelul de incredere P = 0.95 si q1 = 0.3 rezulta numarul de masurar
n1 = 46;

4. Se determina numarul de masurari n2 pentru realizarea preciziei = 0.7

q1 = 0.3 n1 = 46

1 = q1  s 1 = 0.378
1
 =
  = 1.129
2
n2 = n1   n2 = 58.664
31
Anexa 2

media = mean ( x) media = 29.111 Media aritmetica de sondaj

n = length ( x) n = 59 Numarul valorilor masurate

1
n
 n 
mediageom = 
  x
i
mediageom = 29.091 Media geometrica
i = 1 
n
mediarm = mediarm = 29.07 Media armonica
n


1
x
i=1 i

 (xi)
2

i=1
mediapat = mediapat = 29.132 Media patratica
n

Calculul Medianei de sondaj - valoarea fata de care frecventa valorilor mai mici decit ea este egala cu
frecventa valorilor mai mari decit ea

Ordoneaza crescator elementele vectorului x

ind = if  floor 
n n + 1 n
2  n    ind = 30 Se determina indicele mijlocului sirului de valori
 2 2 2
 xsort
ind
+ xsort
ind+ 1
mediana = if ( ind  2  n )  xsort   mediana = 28.86 Mediana de sondaj
 ind 2 
moda = media + 3 ( mediana − media ) moda = 28.358 Moda de sondaj - valoarea careia ii
corespunde valoarea maxima
xsort + xsort
1 n
val_centrala = val_centrala = 29.165 Valoarea centrala
2

Abaterea medie patratica de la valoarea medie

n

 (xi − media )
1 2
ab_medie_pat =  ab_medie_pat = 1.095
n
i=1

ab_medie_patratica = stdev ( x) ab_medie_patratica = 1.095

32
 Abaterea standard empirica de la valoarea medie
n

 (xi − media )
1 2
ab_stand_emp = 
n −1
i=1 ab_stand_emp = 1.105

n Dispersia de sondaj sau momentul centrat de ordinul doi

 (i )
1 2
dispersia_sondaj =  x − media
n
i=1 dispersia_sondaj = 1.2

dispersia_de_sondaj = var ( x) dispersia_de_sondaj = 1.2

amplitudinea = max( x) − min( x) amplitudinea = 3.93 Amplitudinea sirului de date

ab_stand_emp
coef_variatie = coef_variatie = 0.038 Coeficientul de variatie
media

n Abaterea medie absoluta - media abaterilor fata de


1
ab_medie_abs =  x − media media aritmetica in valoare absoluta
n i
i=1 ab_medie_abs = 0.957

Momentul de sondaj de ordinul r - calculat fata de originea sistemului

r = 2 4 i = 1 n

 (xi)
1 r
moment = 
r n moment = 0 moment = 848.661
1 2
i=1
4 5
moment = 2.478  10 moment = 7.243  10
3 4

Momentul centrat de sondaj de ordinul r - calculat avind ca origine media aritmetica

 ( x − media )
1 r
moment_centrat_sondaj = 
r n i moment_centrat_sondaj =0
1
i=1
moment_centrat_sondaj = 1.2
2
moment_centrat_sondaj = 2.735
4 moment_centrat_sondaj = 0.155
3

33
coef_asim =
( moment_centrat_sondaj )
r
2
Coeficientul de asimetrie
r 3
dispersia_sondaj

coef_asim = 0 coef_asim = 0.833

1 2
coef_asim = 0.014 coef_asim = 4.328
3 4

asim_ab = media − moda asim_ab = 0.754 Asimetria absoluta

moment_centrat_sondaj
4
coef_boltire = coef_boltire = 1.899 Coeficientul de boltire
2
dispersia_sondaj

excesul = coef_boltire − 3 excesul = −1.101 Excesul

34
Anexa 3

media = mean ( x) media = 30.471 Media aritmetica de sondaj

n = length ( x) n = 59 Numarul valorilor masurate

1
n
 n 
mediageom = 
  x
i
mediageom = 30.4 Media geometrica
i = 1 
n
mediarm = mediarm = 30.331 Media armonica
n


1
x
i=1 i

 (xi)
2

i=1
mediapat = mediapat = 30.543 Media patratica
n

Calculul Medianei de sondaj - valoarea fata de care frecventa valorilor mai mici decit ea este egala cu
frecventa valorilor mai mari decit ea
xsort = sort ( x)
Ordoneaza crescator elementele vectorului x

ind = if  floor 
n n + 1 n
2  n    ind = 30 Se determina indicele mijlocului sirului de valori
 2 2 2
 xsort
ind
+ xsort
ind+ 1
mediana = if ( ind  2  n )  xsort   mediana = 30.11 Mediana de sondaj
 ind 2 
moda = media + 3 ( mediana − media ) moda = 29.388 Moda de sondaj - valoarea careia ii
corespunde valoarea maxima

xsort + xsort
1 n
val_centrala = val_centrala = 32.145 Valoarea centrala
2

Abaterea medie patratica de la valoarea medie

n

 (xi − media )
1 2
ab_medie_pat =  ab_medie_pat = 2.102
n
i=1

ab_medie_patratica = stdev ( x) ab_medie_patratica = 2.102

Abaterea standard empirica de la valoarea medie

n

 (xi − media )
1 2
ab_stand_emp = 
n −1
i=1 ab_stand_emp = 2.12

35
 n Dispersia de sondaj sau momentul centrat de ordinul doi
 (i )
1 2
dispersia_sondaj =  x − media
n
i=1 dispersia_sondaj = 4.418

dispersia_de_sondaj = var ( x) dispersia_de_sondaj = 4.418

amplitudinea = max( x) − min( x) amplitudinea = 9.99 Amplitudinea sirului de date

ab_stand_emp
coef_variatie = coef_variatie = 0.07 Coeficientul de variatie
media

n Abaterea medie absoluta - media abaterilor fata de


1
ab_medie_abs =  x − media media aritmetica in valoare absoluta
n i
i=1 ab_medie_abs = 1.741

Momentul de sondaj de ordinul r - calculat fata de originea sistemului

r = 2 4 i = 1 n
n

 (xi)
1 r
moment = 
r n moment = 0 moment = 932.901
1 2
i=1
4 5
moment = 2.87  10 moment = 8.875  10
3 4

Momentul centrat de sondaj de ordinul r - calculat avind ca origine media aritmetica

n

 ( x − media )
1 r
moment_centrat_sondaj = 
r n i moment_centrat_sondaj =0
1
i=1
moment_centrat_sondaj = 4.418
2
moment_centrat_sondaj = 60.541
4 moment_centrat_sondaj = 6.096
3

coef_asim =
( moment_centrat_sondaj )
r
2
Coeficientul de asimetrie
r 3
dispersia_sondaj

coef_asim = 0 coef_asim = 0.226

1 2
coef_asim = 0.431 coef_asim = 42.495
3 4

asim_ab = media − moda asim_ab = 1.083 Asimetria absoluta

moment_centrat_sondaj
4
coef_boltire = coef_boltire = 3.101 Coeficientul de boltire
2
dispersia_sondaj

excesul = coef_boltire − 3 excesul = 0.101 Excesul

36
Anexa 4

n = length ( x) n = 59 Numarul masurarilor

L = 1 + 3.322 log ( n) L = 6.883 Numarul claselor

max( x) − min ( x)
d = d = 0.571 Lungimea intervalului
L

L = ceil 
max( x) − min ( x) 
 L=7 Numarul claselor (ceil(a) = [a] +1)
 d 
k = 1 L j = 1 L + 1 k - numarul de clase

int = min ( x) + ( j − 1)  d
j Limitele superioare ale claselor

int =
j
27.2 min( x) = 27.2
27.771
28.342
28.913
29.484
30.055
30.626
31.197
max( x) = 31.13

Frecventele cu care valorile din vectorul x

f = hist ( int  x) cad in intervale

14
13.2
6
12.4  
11.6  10 
10.8  14 
fk f =6
10
 
9.2 7
8.4 8
 
7.6 8
6.8
6
26 27 28 29 30 31 32
int k

37
 ab_standard_emp = var ( x) ab_standard_emp = 1.095

k = 2 L

int − mean ( x) int − mean ( x)

1 k
t = t =
1 ab_standard_emp k ab_standard_emp

2
t
−
2
funct ( t) = e

b
1 
integ ( funct  a  b ) =   funct ( t) dt
2  a

a = 0 b = t b = t i1 = 2 L
k k 1 1

(
p = integ funct  a  b
1 1)
+ 0.5

p = integ ( funct  a  b ) − integ ( funct  a  b

i1 i1 i1 − 1)

p
L+ 1
= 0.5 − integ funct  a  b( )
L

L+ 1 f
 ( i −1
− n p )  (0 − n p )
2
i 
2


1
h = +
 n p  n p h = 11.019
i = 2 i
 1

Numarul gradelor de libertate k:

k = nr.clase - 1 toate clasele >= 5
k = nr.clase - 2 una din clasele extreme < 5
k = nr.clase - 3 clasele extreme < 5

nr_grade_libertate = ( L + 1) − 1

nr_grade_libertate = 7

Pentru k = 5 si P = 0.95 (tab.4.2 pagina 135) hi2= 11.07 Deoarece 11.019 < 14.07 repartitia
ESTE normala

38
Anexa 5

n = length ( x) n = 59 Numarul masurarilor

L = 1 + 3.322 log ( n) L = 6.883 Numarul claselor

max( x) − min ( x)
d = d = 1.451 Lungimea intervalului
L

L = ceil 
max( x) − min ( x) 
 L=7 Numarul claselor (ceil(a) = [a] +1)
 d 
k = 1 L j = 1 L + 1 k - numarul de clase

int = min ( x) + ( j − 1)  d
j Limitele superioare ale claselor

int =
j
27.15 min( x) = 27.15
28.601
30.053
31.504
32.956
34.407
35.859
37.31
max( x) = 37.14

Frecventele cu care valorile din vectorul x

f = hist ( int  x) cad in intervale

18
16.2
 11 
14.4  
12.6  17 
10.8  12 
fk f =  10 
9
 
7.2 8
5.4 0
 
3.6 1
1.8
0
26 27 28 29 30 31 32
int k

ab_standard_emp = var ( x) ab_standard_emp = 2.102

39
 k = 2 L

int − mean ( x) int − mean ( x)

1 k
t = t =
1 ab_standard_emp k ab_standard_emp

2
t
−
2
funct ( t) = e

b
1 
integ ( funct  a  b ) =   funct ( t) dt
2  a

a = 0 b = t b = t i1 = 2 L
k k 1 1

(
p = integ funct  a  b
1 1)
+ 0.5

p = integ ( funct  a  b ) − integ ( funct  a  b

i1 i1 i1 − 1)

p
L+ 1
= 0.5 − integ funct  a  b( )
L

L+ 1 f
 ( −
− n p )  (0 − n p )
2
+
2


i 1 i 1
h =
 n p  n p h = 11.212
i = 2 i
 1

Numarul gradelor de libertate k:

k = nr.clase - 1 toate clasele >= 5
k = nr.clase - 2 una din clasele extreme < 5
k = nr.clase - 3 clasele extreme < 5

nr_grade_libertate = ( L + 1) − 2

nr_grade_libertate = 6

Pentru k = 5 si P = 0.95 (tab.4.2 pagina 135) hi2= 11.212 Deoarece 11.212 < 12.59 repartitia

ESTE normala

40
Anexa 6

s = 100 Numarul de masurari

i = 1 s z = −6 + 0.21 i Eroarea de masurare

i

1 = 1.105 2 = 2.12 Abaterea medie patratica

( z i) 2 ( z i) 2
−
2 −
1 2 1 2
p = e 1 2 2
i
1  2  q = e
i
2  2  Densitatea de repartitie

0.5

0.45

0.4

0.35

0.3
pi
0.25
qi
0.2

0.15

0.1

0.05

0
−6 − 4.8 − 3.6 − 2.4 − 1.2 0 1.2 2.4 3.6 4.8 6
zi

1 1
p0 = q0 = Valoarea maxima a densitatii de repartitie:
1  2  2  2 

p0 = 0.361 q0 = 0.188
a = 0 b = 3
2
z t
i −
t = 2
i 1 ( t) = e Probabilitate integrala

b
1 
I =   ( t) dt
2   I = 0.499
a
−3
2 I = 0.997 Prob = 1 − 2 I Prob = 2.7  10

41
Anexa 7

2. Estimarea preciziei dispersiei

a. Calculul dispersiei pentru fiecare serie de masurari:

n = length ( x1) n = 59
media1 = mean ( x1) media1 = 29.111

media2 = mean ( x2) media2 = 30.471

 (x1i − media1)
2

i =1
s21 = s21 = 1.221
n −1

 (x2i − media2)
2

i =1
s22 = s22 = 4.494
n −1

b. Compararea dispersiilor

s22
F1 = F1 = 3.682
s21

Pentru nivelul de incredere P = 0.95 si numarul gradelor

de libertate k = n - 1 din tabelul 4.7 (pag.149) se ia
valoarea critica F(0.95, 56, 56) = 1.59

F1 = 3.682 > 1.5 diferenta ESTE semnificativa

c. Eliminirarea dispersieice difera semnificativ de

celelalte:

s22
G1 =
s21 + s22 G1 = 0.786

Valoarea critica pentru nivelul de incredere P = 0.95, m = 2 (numarul seriilor) si

k = n - 1 = 60 G(0.95, 2, 56) = 0.43 este determinata din tabelul 4.8 (pag.150)
Deoarece G1 = 0.786 > 0.43 diferenta dintre prima dispersie si cealalta ESTE
semnificativa,

d. Estimarea punctuala a dispersiei (a abaterii medii patratice):

s = s21 s = 1.105

42
 e. Estimarea prin intervale de incredere a dispersiei (si deci a abaterii medii patratice):

Din tabelul 4.6 (pag.148) se determina coeficientul q (0.95, 58) = 0.188

s (1 - q) < s < s (1 + q)
0.897 < s < 1.312

3. Estimarea adevaratei valori a marimii masurate:

a. Estimarea punctuala:

media2 + media1
media = media = 29.791
2

media = media1 = 29.111

Valorile t (P, k)
Masa a 100 de boabe de porumb este: Tabelul 4.9
M = 29.111 g k/P 0.95 0.99 0.999
4 2.776 4.604 8.61
b. Estimarea prin intervale de incredere: 5 2.571 4.032 6.859
6 2.447 3.707 5.959
Din tabelul 4.10 (pag.153) se determina 7 2.365 3.499 5.405
t(0.95, 58) = 1.998 8 2.306 3.355 5.041
Se calculeaza precizia de masurare : 9 2.262 3.25 4.781
10 2.228 3.169 4.587
11 2.201 3.106 4.487
8 12 2.179 3.055 4.318
t = 2.008 − 0.006 
5 13 2.16 3.012 4.221
14 2.145 2.977 4.14
t = 1.998 15 2.131 2.947 4.073
16 2.12 2.921 4.015
ts
 =  = 0.287 18 2.103 2.878 3.922
n 20 2.086 2.845 3.85
25 2.06 2.787 3.725
Adevarata valoare a marimii masurate prin 30 2.042 2.75 3.646
intervale de incredere este: 35 2.03 2.724 3.591
40 2.021 2.704 3.551
media - < M < media + 45 2.014 2.689 3.522
28.824 < M < 29.399 50 2.008 2.677 3.497

max = media +  max = 29.399

min = media −  min = 28.824

43