Cuprins

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. Efectuarea masurarii masei boabelor de porumb..............................................................................7
4. Eliminarea datelor afectate de erori grosolane...................................................................................4
4.1. Clasificarea erorilor de măsurare....................................................................................................8
4.2. Metoda de eliminare pentru σ necunoscut....................................................................................9
6. Repartiția erorilor aleatoare de măsurare........................................................................................22
6.1. Modelul probabilistic...................................................................................................................22
6.2. Repartiția normală........................................................................................................................22
6.3. Verificarea normalitatii repartitiei................................................................................................24
6.3.1 Criteriul de concordanta 2..................................................................................................24
7. Estimatii ale adevaratei valori a unei marimi fizice.........................................................................34
7.1. Consideratii generale....................................................................................................................34
7.2. Estimarea preciziei dispersiei.......................................................................................................34
7.2.2. Estimarea punctuala a dispersiei.........................................................................................34
7.2.2.1. Intervale de incredere pentru eroarea medie patratica.......................................35
7.2.2.2. Compararea dispersiilor.........................................................................................36
7.2.2.3. Eliminarea dispersiei ce difera semnificativ de celelalte.....................................37
7.2.2.4. Estimari punctuale ale adevaratei valori a unei marimi masurate...................38
7.2.2.5. Estimari pentru intervale de incredere a adevaratei valori………………...…38
7.3. Estimarea adevaratei valori a marimii masurate...........................................................................40
Concluzii....................................................................................................................................................43
Bibliografie................................................................................................................................................44

2
 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:
U1
k n2 (1.3)

U 2 n1
m
k
c 100
m 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.
 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;
 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 trec cele 23 de valori măsurate.

Pentru nivelul de încredere P = 0.95, precizia de măsurare = 0.37 și abaterea standard empirică s =
1.407 determinată pentru cele 23 de valori măsurate se determină raportul q = 0.263. Se determină q =
0.2 și n1 = 99 din tabelul 2.1. Se obține precizia de 0.281.
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)
1

n = 57.266

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:

 31.65
   media valorilor măsurate: media = 30.513
 30.83
 30.31  abaterea standard empirică:
 29.35
  n
  xi  media
2
 31.70
 29.02 i 1
 31.55 s  s = 1.407
  n 1
 29.91
 28.03
  2. Pentru nivelul de incredere P = 0.95 si precizie de masurare = 0.33
 32.45 se determina q din tabelul 4.5 (pagina 143);
 31.65 Precizia = a-xmed
x   29.12
 
 31.91 
 29.02 q  q  0.263
s
 31.30
 
 30.23 3. Din tabelul 4.5 (pag.143) pentru nibvelul de incredere P = 0.95 si q1 = 0.3 rezulta numarul
 29.85 de masurar n1 = 46.
 
 31.01 4. Se determina numarul de masurari n2 pentru realizarea preciziei = 0.7
 29.63
 33.47 n1 = 99
  q1 = 0.2
 31.88  1 = q1 * s  1 = 0.281
 29.61
 28.33
 
1
 
   0.761

Astfel, numărul necesar de măsurări (n2) este:

2
n2  n1   => n2 = 57.266

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.
 3. Efectuarea masurarii masei boabelor de porumb.
Se aleg 60 de măsurări.
Valorile măsurate sunt prezentate în tabelul 3.1.

Tabelul 3.1. Valorile obținute prin măsurare

Nr. M1 M2 Nr. M1 M2 Nr. M1 M2 Nr. M1 M2
1 31.3 29.81 16 33.42 30.04 31 30.39 27.56 46 37.27 31.58
2 32.56 34.84 17 30.18 30.32 32 33.37 20.69 47 34.51 30.36
3 30.32 28.08 18 31.28 27.57 33 32.14 28.39 48 37.7 32.04
4 33.68 46.64 19 30.9 31.99 34 31.58 31.49 49 33.68 36.92
5 32.54 31.9 20 29.3 29.91 35 30 27.36 50 31.8 20.51
6 31.09 28.86 21 37.27 29.54 36 28.36 30.34 51 30.18 29.58
7 31.78 27.51 22 32.51 29.85 37 28.92 28.09 52 32.03 30.53
8 29.94 29.49 23 29.1 30.49 38 30.87 29.64 53 32.51 29.04
9 29.54 29.78 24 29.81 27.27 39 30.49 28.99 54 33.42 29.58
10 30.49 27.95 25 29.64 31.65 40 29.9 29.29 55 31.4 33.2
11 31.27 29.62 26 34.51 31.92 41 29.14 29.97 56 28.35 28.84
12 31.19 29.23 27 31.76 30.46 42 28.16 28.3 57 32.76 26.98
13 32.07 29.37 28 30.42 29.45 43 30.32 32.38 58 30.69 29.79
14 28.16 41.39 29 31.71 25.02 44 30.17 28.83 59 26.32 26.75
15 29.92 29.62 30 28.16 29.18 45 36.43 32.24 60 28.7 29.54

4. Eliminarea datelor afectate de erori grosolane.

Eliminarea datelor afectate de erori grosolane se face prin compararea acestora cu celelalte
rezultate ale masurarilor. Eliminarea erorilor grosolane se poate face prin doua metode:
- metoda de eliminare pentru  cunoscut;
- metoda de eliminare pentru  necunoscut.

Consideram ca s-au facut n masurari, data afectata de erori grosolane fiind notata cu x * . Pentru
celelalte n-1 rezultate ale masurarilor x1 , x2 , ...., xi, ....., xn ce presupunem ca nu sunt afectate de erori
grosolane, calculam raportul:
x*  x
t
n

n1 (4.1)
unde valoarea medie x se calculeaza cu relatia:
1 n
x  xi
n  1 i 1 (4.2)

Se considera ca valoarea x* contine o eroare grosolana, daca probabilitatea corespunzatoare

raportului t satisface inegalitatea:
1  2  (t )   (4.3)
unde  este nivelul probabilitatii.
De obicei se alege unul din urmatoarele trei nivele ale probabilitatii de excludere (nivel de
semnificatie):
 = 5% = 0,05 se exclud erorile a caror probabilitate de aparitie este mai mica decit 0,05;
 = 1% = 0,01 se exclud erorile a caror probabilitate de aparitie este mai mica decit 0,01;
  = 0.1% = 0,001 se exclud erorile a caror probabilitate de aparitie este mai mica decit
0,001;
Se poate spune ca nivelul de incredere este:
P  1  (4.4)

Daca t > t (P) vom elimina valoarea x* cu nivelul de incredere P ca fiind afectata de erori
grosolane. In tabelul 4.3 sunt prezentate valorile critice t (P).

Valorile critice t (P)

Tabelul 4.3
 P t (P)  P t (P)
0.05 0.95 1.96 0.007 0.993 2.697
0.04 0.96 2.054 0.006 0.994 2.748
0.03 0.97 2.17 0.005 0.995 2.807
0.02 0.98 2.326 0.004 0.996 2.878
0.01 0.99 2.576 0.003 0.997 2.968
0.009 0.991 2.612 0.002 0.998 3.09
0.008 0.992 2.652 0.001 0.999 3.291

4.1. 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 (4.5)
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 [% ]
a a (4.6)
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.
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.

4.2. 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 2
s (xi
n1 (4.7)
 
Se calculează raportul:
2 i x
x 1)
t
s * (4.8)

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: x
t > t (n, P) (4.9)
*
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
 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 marimilor utilizate }
i, n, k, j, b1, s1, s2: integer;
a, a1, xmediu, a2, s, t, t1: real;
g: file of real; { Introducerea valorilor masurate 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 masurate 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 masurate xiis pe disc }

5:writeln('Se scriu pe disc datele de intrare ?');

writeln(' 1 - Da');
writeln(' 2 - Nu');
readln(s2);
if s2=1 then
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 masurari }
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 { Afisarea 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;
4:END.
 5. Parametrii statistici principali

Parametrii statistici principali ai unui sir de date x i de n masurari in care x1 apare de

k
∑ f i=n
f1 ori, x2 de f2 ori, xk de fk ori si i=1 se mai numesc si valori tipice de selectie si
sunt definiti astfel:
Media aritmetica de sondaj a sirului de date:
k
1
x= ∑ f ⋅x
n i =1 i i (5.1)

Daca in cele n masurari xi apare o singura data atunci:

1 n
x  xi
n i 1 (5.2)

Media aritmetica are o mare importanta in estimarea preciziei masurarilor cind nu

se cunoaste valoarea exacta a marimii fizice masurate.
Media geometrica a sirului de date se calculeaza cu relatia:
1
 n n
x g    xi 
 i 1  (5.3)

Media armonica este:

n
xa  n
1
x
i 1 i (5.4)

Media patratica este:

x p=
√ ∑ x 2i
i =1
n (5.5

Mediana de sondaj a sirului de date - este valoarea fata de care frecventa valorilor
mai mici decit ea este egala cu frecventa valorilor mai mari decit ea. Valorile x i se
aranjeaza in ordine crescatoare sau descrescatoare si mediana este:
- daca n este impar:

M e  x ( n1)/ 2
(5.6)
 - daca n este par:

x n / 2  x n / 2 1
Me 
2 (5.7)

Moda de sondaj a sirului de date este valoarea din sirul de date careia ii
corespunde frecventa maxima. Daca repartitia de frecventa are doua valori maxime,
ambele fiind cele mai probabile, repartitia se numeste bimodala. Daca repartitia de
frecventa are mai multe mode, repartitia este polimodala iar daca repartitia are in mijloc
un minim in loc de un maxim se numeste antimodala. Legatura dintre media aritmetica,
mediana si moda este data de relatia:

M o  x  3  ( M e  x) (5.8)

Valoarea centrala a sirului de date:

x max  x min
xc 
2 (5.9)

in care xmax este cea mai mare din valorile xi , iar xmin cea mai mica.
Abaterea medie patratica de la valoarea medie se calculeaza cu relatia:

k
¿
s=
√ 1
∑
n i=1
f i ( x i −x )2
(5.10)

iar abaterea standard empirica este:

k
s=
1
√∑ f ( x −x )2
n−1 i=1 i i (5.11)

Abaterea standard empirica aproximeaza cel mai bine eroarea medie patratica 
atunci cind numarul de masurari este relativ mic.
Dispersia de sondaj a sirului de date, sau momentul centrat de ordinul doi este:
k
1
s = ∑ f i ( x i−x )2
2
n i=1 (5.12)

Dispersia de sondaj poate fi folosita ca estimatie a dispersiei 2 si daca in cele n

masurari xi apare o singura data atunci se calculeaza cu relatia:
 1 n
s 
2

n  1 i 1
( xi  x) 2
(5.13)

Amplitudinea sirului de date se calculeaza ca diferenta dintre valoarea cea mai

mare xmax si valoarea cea mai mica xmin a sirului de masurari dat:

R  x max  x min (5.14)

Coeficientul de variatie al sirului de date:

s
Cv 
x (5.15)

Abaterea medie absoluta de selectie a sirului de date reprezinta media abaterilor

fata de valoarea adevarata a marimii fizice a (daca aceasta este cunoscuta) sau fata de
media aritmetica luata in valoare absoluta:
k
1
A m= ∑ f |x −x|
n i=1 i i (5.16)

Momentul de sondaj de ordinul r, calculat fata de originea sistemului este:

1 n r
M r   xi
n i 1 (5.17)

Momentul centrat de sondaj de ordinul r se obtine din momentele generale de

ordinul r considerind ca originea arbitrara coincide cu media aritmetica:
k
1
μr = ∑ f ( x −x )r
n i=1 i i (5.18)

Coeficientul de asimetrie al sirului de date permite aprecierea formei unei repartitii

statistice. Pentru calculul coeficientului de asimetrie se foloseste relatia:

( 3 ) 2
1 
(s 2 ) 3 (5.19)

in care s2 este dispersia de sondaj a sirului de date iar:

 k
1
μ3 = ∑ f i ( x i−x )3
n i=1 (5.20)

Asimetria este pozitiva daca repartitia este asimetrica cu extremitatea extinsa spre
dreapta si negativa in caz contrar. Coeficientul de asimetrie este nul pentru o repartitie
simetrica. Asimetria absoluta poate fi exprimata ca diferenta dintre media aritmetica si
moda:

1  x  Mo (5.21)

Coeficientul de boltire:

4
2 
(s 2 ) 2 (5.22)

in care  4 este momentul centrat de ordinul 4, definit de relatia:

1
μ4 = ∑ f i (x i −x )4
n (5.23)

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

densitatii de repartitie in vecinatatea momentului de sondaj Mo. Pentru repartitia normala
2 = 3. Daca 2 > 3 curba densitatii de repartitie este mai ascutita la virf decit curba
normala, iar daca 2 < 3 boltirea este mai mare decit cea a curbei normale.
Excesul curbei de repartitie permite aprecierea gradului de indepartare a curbei
studiate fata de repartitia normala. Daca E = 0 curba studiata coincide cu cea normala. E >
0 pune in evidenta o concentrare a frecventelor fata de centru iar E < 0 o indepartare a
frecventelor fata de centru. Excesul se calculeaza cu relatia:

E = 2 - 3 (5.24)

Parametrii statistici principali (Seria 1)

media  mean( x) media  30.953 Media aritmetica de sondaj

n  length ( x) n  55 Numarul valorilor masurate

1
n
 n 
mediageom  
  x
i
mediageom  30.91 Media geometrica
i  1 
n
mediarm  mediarm 30.867 Media armonica
n
1
 x
i
i 1
 n

  xi
2

i1
mediapat  Media patratica
n mediapat  30.996

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    Se determina indicele mijlocului sirului de valori
 2 2 2 ind  28

 xsort
ind
 xsort
ind 1
mediana  if ( ind  2  n ) xsort   Mediana de sondaj
ind
 2  mediana  30.87

Moda de sondaj - valoarea careia ii

moda  media  3 (mediana  media) moda  30.705
corespunde valoarea maxima

xsort  xsort
1 n
val_centrala  Abaterea medie patratica de la valoarea medie
2 val_centrala  31.335 Valoare centrala
n

  xi  media
1 2
ab_medie_pat  
n
i1
ab_medie_pat  1.637

ab_medie_patratica stdev (x) ab_medie_patratica  1.637

Abaterea standard empirica de la valoarea medie

n
  xi  media
1 2
ab_stand_emp   Coeficientul de variatie
n 1
i1 ab_stand_emp  1.652

n Dispersia de sondaj sau momentul centrat de ordinul doi

i 
1 2
dispersia_sondaj   x  media
n
i 1 dispersia_sondaj  2.678

dispersia_de_sondaj  var( x) dispersia_de_sondaj  2.678

amplitudinea maxx
( )  min( x) amplitudinea  6.35 Amplitudinea sirului de date

ab_stand_emp
coef_variatie 
media coef_variatie  0.053
 n
1
ab_medie_abs 
n
  x  media
i
Abaterea medie absoluta - media abaterilor fata de
media aritmetica in valoare absoluta
i1

ab_medie_abs  1.349

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

i  1 n r  2 4

n
 x
1

r
moment  
r n i
moment  0 moment  960.75
i1 1 2
4 5
moment  2.99  10 moment  9.334 10
3 4

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

  xi  media
1 r
moment_centrat_sondaj  
r n
i1
moment_centrat_sondaj  0
1

moment_centrat_sondaj  17.141 moment_centrat_sondaj  2.678

4 2
moment_centrat_sondaj  0.966
3

coef_asim 
 moment_centrat_sondaj 
r
2 Coeficientul de asimetrie

r 3
dispersia_sondaj
coef_asim  0.373 coef_asim  0
2 1
coef_asim  0.049 coef_asim  15.295
3 4
asim_ab  media  moda asim_ab  0.248 Asimetria absoluta

moment_centrat_sondaj
4
coef_boltire 
2
dispersia_sondaj

Coeficientul de boltire
coef_boltire  2.39

excesul  coef_boltire  3 excesul  0.61 Excesul

Parametrii statistici (Seria 2)

media  mean(x)
media  29.843

Media aritmetica de sondaj

n  length ( x)
n  55

Numarul valorilor masurate

1
n
 n 
mediageom  
  x
i
i  1 

mediageom  29.78

Media geometrica

n
mediarm 
n
1
 x
i
i 1

mediarm 29.717

Media armonica

  xi
2

i1
mediapat 
n

mediapat  29.909

Media patratica

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   
 2 2 2

ind  28

Se determina indicele mijlocului sirului de valori

  xsort
ind 1
xsort
ind
mediana  if ( ind  2  n) xsort  
ind
 2 
mediana  29.62
Mediana de sondaj:

moda  media  3 (mediana  media)

moda  29.173

Moda de sondaj - valoarea careia ii corespunde valoarea maxima:

xsort  xsort
1 n
val_centrala 
2

val_centrala  30.97

Valoarea centrala

Abaterea medie patratica de la valoarea medie:

n
 x  media
1

2
ab_medie_pat  
n i
i1

ab_medie_pat  1.979

ab_medie_patratica stdev (x)

ab_medie_patratica  1.979

Abaterea standard empirica de la valoarea medie:

  xi  media
1 2
ab_stand_emp  
n 1
i 1

ab_stand_emp  1.997

Dispersia de sondaj sau momentul centrat de ordinul doi

  xi  media
1 2
dispersia_sondaj  
n
i1

dispersia_sondaj  3.917

dispersia_de_sondaj  var ( x)
dispersia_de_sondaj  3.917

amplitudinea maxx
( )  min(x)

amplitudinea  11.9

Amplitudinea sirului de date

 ab_stand_emp
coef_variatie 
media

coef_variatie  0.067

Coeficientul de variatie

Abaterea medie absoluta - media abaterilor fata de media aritmetica in valoare absoluta

n
1
ab_medie_abs 
n
  x  media
i
i1

ab_medie_abs  1.408

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

r  2 4

i  1 n

n
 x
1

r
moment  
r n i
i1

moment  0
1

moment  894.549
2

4
moment  2.694 10
3

5
moment  8.15 10
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
i1

moment_centrat_sondaj  0
1

moment_centrat_sondaj  3.917
2

moment_centrat_sondaj  78.985
4

moment_centrat_sondaj  6.263
3

coef_asim 
 moment_centrat_sondaj 
r
2

r 3
dispersia_sondaj
Coeficientul de asimetrie
coef_asim  0
1
coef_asim  0.255
2

coef_asim  0.653
3

coef_asim  103.82
4

asim_ab  media  moda

asim_ab  0.67

Asimetria absoluta

moment_centrat_sondaj
4
coef_boltire 
2
dispersia_sondaj

coef_boltire  5.148

Coeficientul de boltire

excesul  coef_boltire  3

excesul  2.148

Excesul

Tabelul 5.1. Parametrii statistici principali pentru fiecare serie de masuri.

Parametrul Seria 1 Seria 2

Media 30.953 29.843
Dispersia 2.678 3.917
Abaterea medie patratica 1.637 1.979
Amplitudinea 6.35 11.9
Mediana 30.87 29.62
Moda 30.705 29.173
Valoarea centrala 31.335 30.97
Coeficientul de variatie 0.053 0.067
Abaterea medie absoluta 1.349 1.408
Coeficientul de asimetrie 0 0
Coeficientul de boltire 2.39 5.148
Excesul -0.61 2.148

6. Repartiția erorilor aleatoare de măsurare

6.1. 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<z2) = P(zϵ(z1,z2)) ≅ (6.1)
n
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 (z1 , 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:
z1

P(zi < z< z2) = ∫ p ( z ) dz (6.2)

z2
unde p(z) este densitatea de repartiție și este funcție nenegativă care satisface condiția:
+∞

∫ p( z ) dz=1 (6.3)
−∞

Graficul densității de repartiție se numește curba de repartiție.

6.2. Repartiția normală

Legea de repartiție a erorilor aleatoare de măsurare cea mai utilizată este repartiția
normala (legea lui Gauss) dată de densitatea de repartiție:

1 −z
2

p(z) = e
2
2σ (6.4)
σ √2 π

unde parametrul σ (σ > 0) caracterizeaza precizia măsurărilor.

Curba de repartiție normală, pentru diferite valori ale parametrilor este prezentată în
figura 6.1.
 0.8

0.6

0.4

0.2

0
6 4 2 0 2 4 6

Figura 6.1. 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 = ± σ . Pentru z = 0 curba admite un maxim:

1
P(0) = (6.5)
σ √2 π

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 ∙ Ф(t1) (6.6)

unde:
2
t
1 −t
2
Ф (t ) = ∫e dt (6.7)
√2 π 0

z 1
t= ; t1 = (6.8)
σ σ

și reprezintă aria trapezului curbiliniu mărginit de ordonatele 0 și z1.

FuncțiaФ(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 Ф (-t) = - Ф (t).
Probabilitatea ca eroarea aleatoare să cadă într-un interval oarecare (z 1, z2) se
calculeaza cu relația:
 z z
P(zi < z< z2) = Ф( 2 ) - Ф( 1 ) = Ф(t2)−Ф(t1) (6.9)
σ σ
 Probabilitatea ca eroarea aleatoare să depașească limitele ± t σ , pentru t > 0, va fi:

P(|z|>t σ ) = 1 - 2 ∙ Ф(t) (6.10)

iar probabilitatea să nu depășească limitele ± t σ va fi:

P(|z|<t σ ) = 2 ∙ Ф(t) (6.11)

Probabilitatea ca valorile aleatoare z să depășească limitele ± 3 σ este:

P(|z|>3σ ) 1 - 2 ∙ Ф(3) = 0.0027 (6.12)

Rezultă că evenimentul ce presupune ca eroarea aleatoare să iasă în afara intervalului

± 3 σ este practic imposibil. Se acceptă că erorile aleatoare de măsurare sunt mărginite, în
valoare absolută de 3 σ .
Pentru o lege normală de repartiție a erorilor aleatoare, dacă rezultatele măsurărilor (x i
= a + zi) au densitatea de repartiție:
2
−z
p(x) = 1 e 2 σ
2
(6.13)
σ √2 π

legea de repartiție se numește lege normală centrată în a și este prezentată în figura 6.2.

0.2

0.15

0.1

0.05

0
6 4 2 0 2 4 6 8 10

Fig.6.2.Curba de repartiție normală centrată în a pentru mărimea măsurarilor.

6.3 Verificarea normalitatii repartitiei.

6.3.1 Criteriul de concordanta 2

Datele experimentale se impart in l intervale (clase): (- , x1 ) , [x1, x2 ),..., [xi-1 ,

xi ),......, [xl-1 , ). In fiecare interval sunt mi date astfel incit numarul tuturor masurarilor
efectuate este:
 n = m1 + m2 + ......+ ml (6.14)
Numarul de date din fiecare interval mi trebuie sa fie suficient de mare (mi= 510). Numarul
claselor se determina cu relatia:
l=1+3 .322⋅log n (6.15)
Se recomanda l = 10  20. Lungimea intervalului este:
x  x min
d  max
l (6.16)
Lungimea intervalului se rotunjeste la o valoare intreaga. Fiecarui interval ii corespunde un
numar de date fi . Pentru fiecare clasa se calculeaza ti cu relatia:
x x
t i  mi
s (6.17)
unde s este abaterea standard empirica (eroarea medie patratica):
1 n
s 
n  1 i 1
(xi  x ) 2
(6.18)
xmi este limita superioara a clasei i, iar valoarea medie este:
1 n
x   xi
n i 1 (6.19)
Se considera ca prima clasa are limita inferioara -, iar ultima clasa are limita
superioara +. Se calculeaza probabilitatea pi ca rezultatele experimentale sa cada in
intervalul i in ipoteza de normalitate a repartitiei:
p i   t i    t i  1  (6.20)
Se tine seama ca (-)= - 0,5 iar () = 0,5 si apoi se calculeaza criteriul de
concordanta:
l
(m  npi ) 2
2   i
i 1 npi (6.21)
Numarul de grade de libertate k se determina astfel:
- daca clasele extreme au mai putin de cinci date fiecare, atunci numarul gradelor de
libertate este k = l - 3;
- daca una din clasele extreme are mai putin de cinci elemente k = l - 2;
- daca toate clasele au mai mult de cinci elemente, numarul gradelor de libertate
este
k= l - 1.
Pentru un nivel de incredere P si numarul de grade de libertate k , din tabelul 4.2 se
determina valoarea critica 2 cr (P,k).

Daca:
2 2
χ > χ cr ( P , k ) (6.22)
se poate considera ca functia de repartitie a erorilor aleatoare in seria de date considerata nu
este cea normala.
Eficienta criteriului de concordanta 2 creste daca in fiecare din intervalele ix i-1 , xi)
sunt aproximativ acelasi numar de date si este mai putin eficient cind repartitia este simetrica
dar difera de cea normala.
 Valorile critice 2 cr (P,k)
Tabelul 6.1
ktP 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

Exemplu:
Consideram n = 40 de masurari ale masei a o mie de seminte de orz si se cere sa se
verifice daca functia de repartitie a erorilor aleatoare de masurare este normala. Valorile
masurate xi sunt:

Nr xi Nr xi Nr xi Nr xi Nr xi
1 29.1 9 31.85 17 32.82 25 33.95 33 35.2
2 29.45 10 31.9 18 33.1 26 34.1 34 35.4
3 30.1 11 32.1 19 33.3 27 34.25 35 35.5
4 30.45 12 32.35 20 33.4 28 34.4 36 35.95
5 30.7 13 32.45 21 33.42 29 34.5 37 36.4
6 31.3 14 32.5 22 33.5 30 34.65 38 36.8
7 31.45 15 32.7 23 33.6 31 34.8 39 37.1
8 31.7 16 32.8 24 33.8 32 34.91 40 37.4

Programul de calcul TESTHI2.MCD realizat in MathCad 5.0 este:

amplitudinea := max(x) - min(x)

media : = mean(x)
n := length(x)
dispersia := var(x)
 amplitudinea
d: 
1  3.322  log(x ) d := floor(d)
 amplitudinea 
l: ceil  
 d 
k := 1 .. l j := 1 .. l+1
int j :  min(x )  ( j  1)  d
f := hist(int, x)
mintk := min(x) + k d
min t k  media
tk :
dispersia
y2

funct y : e 2

b
1
int eg ( funct , a , b ): 
2
 funct ( y )dy
a

f
k
4

29 30 31 32 33 34 35 36 37 38
int
k

a := 0 bk := tk i1 := 2 .. l -1
p1 := integ (funct, a, b1 ) + 0.5
pi1 := integ (funct, a, bi1) - integ (funct, a, bi1 - 1)
pl := 0.5 - integ (funct, a, bl-1)
l 2
(f i−n⋅p i )
hi2 :=∑
i=1 n⋅pi
nr_clase_libertate := m - 3

Rezultate

amplitudinea = 8.3
media = 33.379
n = 40
 d=1
l=9
k mintk fk tk pk
1 30.1 2 -0.816 0.207
2 31.1 3 -0.567 0.078
3 32.1 5 -0.318 0.09
4 33.1 7 -0.069 0.097
5 34.1 8 0.18 0.099
6 35.1 7 0.429 0.095
7 36.1 4 0.678 0.085
8 37.1 2 0.927 0.072
9 38.1 2 1.176 0.177

hi2 = 18.69
nr_grade_libertate = 6
hi2 > hi2_tabelat = 12.59 pentru P = 0.95, deci repartitia nu este normala

Exemplul 3.3

Pentru cele n = 82 de masurari prezentate in tabelul de la exemplul 1.1 sa se verifice

normalitatea repartitiei erorilor aleatoare de masurare.

Programul de calcul TESTHI2.MCD realizat in MathCad 5.0, rulat pentru masurarile de la

exemplul 1.1 sunt:

Rezultate
amplitudinea = 9
media = 2.915
n = 82
d=1
l=9

k mintk fk tk pk
1 1 2 -0.469 0.319
2 2 24 -0.224 0.092
3 3 16 0.021 0.097
4 4 13 0.266 0.097
5 5 11 0.511 0.091
6 6 6 0.757 0.08
7 7 4 1.002 0.066
8 8 3 1.247 0.052
9 9 2 1.492 0.106
 25

20

15
f
k

10

0 1 2 3 4 5 6 7 8
int
k

hi2 = 77.379
nr_grade_libertate = 6
hi2 > hi2_tabelat = 10.64 pentru P = 0.90, deci repartitia nu este normala.

Verificarea normalitatii repartitiei

Seria 1
n  length ( x) n  55 Numarul masurarilor

L  1  3.322log
 ( n) L  6.781 Numarul claselor
max( x)  min( x)
d  d  0.936 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
28.16
29.096
30.033
30.969
31.905
32.842
Frecventele cu care valorile din vectorul x
33.778 f  hist ( intx)
cad in intervale
34.715
 7
 
 10 
 12 
f   11 
 
8
5
2
 

ab_standard_emp  var ( x) ab_standard_emp  1.637

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) d t
2   a

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


p  integ funct a b
1   0.5 1

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
i 1
i  2 
2
 n 


f   np L 1
hi2  h  hi2  6.319
n p
L 1
nr_grade_libertate  5
nr_grade_libertate L  2
Pentru k = 5 si P = 0.95 (tab.4.2 pagina 135) hi2= 11.07
Deoarece 6.319 < 11.07 repartitia este normala
Seria 2
n  length ( x) n  55 Numarul masurarilor

L  1  3.322log
 ( n) L  6.781 Numarul claselor
max( x)  min( x)
d  d  1.755 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
25.02
26.775
28.53
30.284
32.039
33.794
35.549
37.303

Frecventele cu care valorile din vectorul x

f  hist ( intx)
cad in intervale

2
 
 10 
 24 
f   13 
 
4
1
1
 

ab_standard_emp  var ( x) ab_standard_emp  1.979

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) d t
2   a
s  100 Numarul de masurari

i  1 s z  6  0.12i
 Eroarea de masurare
i

1  1.637 2  1.979 3  1.407 Abaterea medie patratica

Densitatea de repartitie  z i 2
 z i 2 
2
 1 2 1
2
1 2 pq  e
2 2 i
q  e 1
2 2 
i 2 2 
 0.32
0.288
0.256
0.224
pi
0.192
qi
0.16
wi 0.128
0.096
0.064
0.032
0
6  4.8  3.6  2.4  1.2 0 1.2 2.4 3.6 4.8 6
zi

1 1 Valoarea maxima a densitatii de repartitie:

q0  w0 
2 2  3  2 
1
p0 
1 2 

a  0 b  3 p0  0.244 q0  0.202

w0  0.284
Probabilitate integrala
t
2 z
i
 t 
2 i 1
( t)  e

b I  0.499
1 
I    ( t ) d t
2   a

2 I  0.997 Prob  1  2 I 3
Prob  2.7 10
 7. Estimatii ale adevaratei valori a unei marimi fizice
7.1. Consideratii generale
Consideram ca x1, x2, ....., xn sunt rezultatul masurarilor din care au fost inlaturate
erorile grosolane si cele sistematice. Estimatiile adevaratei valori a marimii fizice masurate se
poate face prin:
-estimatia punctuala, care consta in determinarea unei functii g(xI) care sa permita
calcularea unei valori suficient de apropiata de valoarea adevarata a;
-estimatia de incredere care consta in determinarea unui interval (g -1, g- 2) de
incredere, care cu probabilitatea P sa acopere adevarata valoare a; extremitatile intervalului de
incredere se numesc limite de incredere.
Pentru ca estimatia g sa asigure o aproximatie suficient de buna a valorii adevarate a
ea trebuie sa aiba urmatoarele proprietati:
- Nedeplasarea - daca valoarea medie teoretica a estimatiei g coincide cu valoarea
adevarata a;
- Consistenta - daca estimatia g tinde in probabilitate catre valoarea a atunci cind
numarul n al masurarilor tinde catre  sau atunci cind n  si pentru orice  dat,
probabilitatea P (|g - a| < )  1;
- Eficienta - daca estimatia nedeplasata are cea mai mica imprastiere dintre toate
estimatiile nedeplasate ale valorii a.

7.2.Estimarea preciziei dispersiei

Ca indicator a preciziei dispersiei masurarilor se va lua dispersia 2 sau eroarea medie

patratica .

7.2.2. Estimarea punctuala a dispersiei

Daca se fac masurari asupra unei marimi cunoscute a - etalon - ca estimatie a
dispersiei se ia media patratelor abaterilor rezultatelor masurarilor x 1, x2, ....., xn de la valoarea
a:
1 n
 2  s*2   (x i  a ) 2
n i 1 (7.1)
Numarul gradelor de libertate este k = n.
Daca se masoara o marime necunoscuta, ca estimatie a dispersiei se ia dispersia
empirica:
1 n
 2  s2  
n  1 i 1
(x i  x ) 2
(7.2)
Numarul gradelor de libertate este k = n -1.
Daca se fac m serii de masurari cu n1, n2, ......, nm date din serie, iar dispersiile empirice
2 2 2
corespunzatoare sunt s1 , s2 ......, sm drept estimatie a dispersiei se ia media ponderata a
dispersiilor empirice:
(n1  1)s12  (n 2  1)s22  ...... (n m  1)sm2
 2  s2 
(n1  1)  (n 2  1)....... (n m  1) (7.3)

Cind numarul de masurari este acelasi in fiecare serie ni = n, estimatia este media
aritmetica a valorii dispersiilor empirice:
 1 m 2
 2  s2   si
m i 1 (7.4)

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

Daca pentru m serii de masurari se cunosc numarul de masurari din fiecare serie n 1, n2,
......, nm si mediile aritmetice din fiecare serie x 1 , x 2 , ......., x m atunci ca estimatie se ia
dispersia empirica a mediilor:

1 m
 2  ~s 2   ni ( x i  x )
m  1 i 1 (7.5)
unde:
m
1
x
n1  n 2  ....... n m
n x i i
i 1 (7.6)

Abaterea standard empirica s da o estimatie deplasata ce depinde de numarul k al

masurarilor (pentru n = 16 deplasarea reprezinta 2% iar pentru n = 26 deplasarea este sub
1%). Numarul gradelor de libertate este k = n - 1.

7.2.2.1. Intervale de incredere pentru eroarea medie patratica

Pentru un numar mare de date, obtinute cu ajutorul unui interval de incredere a erorii
medii patratice  se scrie sub forma unei estimatii a abaterii relative a valorii  de la abaterea
standard empirica (so, s*, s sau ~
s ):

 s
q
s (7.7)
sau
s  (1  q )    s  (1  q ) (7.8)
unde coeficientul q(P,k) se determina din tabelul 4.6.
Numarul gradelor de libertate k depinde de numarul de masurari si de forma abaterii
standard empirice acceptata pentru estimatia lui .
Pentru un numar de grade de libertate suficient de mare se poate utiliza si regula trei
sigma care este de forma:

 3   3 
s  1      s  1  
 2k   2k  (7.9)

Siguranta unei astfel de estimari depaseste 0,99 pentru k > 47, 0.992 pentru k > 107 si
0.995 pentru k > 200.
 Valorile coeficientului q (P, k)
Tabelul 7.1
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

7.2.2.2. Compararea dispersiilor

Presupunem ca in doua serii de masurari se folosesc aparate diferite si s-a obtinut

2 2
dispersia empirica s1 pentru un numar de grade de libertate k si dispersia empirica s2 pentru
1

un numar de grade de libertate k2 (s  s ) . Se compara raportul intre cea mai mare dispersie
2 2
1 2

empirica si cea mai mica:

s12
F  2 1
s2 (7.10)
Se alege un nivel de incredere P = 0,95 sau P = 0,99 si din tabelul 4.7 se ia valoarea
critica F(P, k1 , k2).
Daca:
F > F(P, k1 , k2) (7.11)

atunci se considera ca diferenta dintre cele doua dispersii este semnificativa si deci precizia
2
aparatului ce da dispersia s 2 este mai mare.
 Valorile critice F(P, k1, k2 ) pentru nivelul de incredere  = 0.95
Tabelul 7.2
k2 / k1 4 6 8 10 15 20 30 40 50
6 4.53 4.28 4.15 4.06 3.94 3.8 3.81 3.77 3.75
7
7 4.12 3.87 3.73 3.62 3.5 3.4 3.38 3.34 3.32
4
8 3.84 3.58 3.44 3.34 3.21 3.1 3.08 3.05 3.03
5
9 3.63 3.37 3.23 3.13 3 2.9 2.86 2.82 2.8
3
10 3.48 3.22 3.07 2.97 2.84 2.7 2.7 2.67 2.64
7
12 3.26 3 2.85 2.76 2.62 2.5 2.46 2.42 2.4
4
14 3.11 2.85 2.7 2.6 2.46 2.3 2.31 2.27 2.24
9
16 3.01 2.74 2.59 2.49 2.35 2.2 2.2 2.16 2.13
8
18 2.93 2.66 2.51 2.41 2.27 2.1 2.11 2.07 2.04
9
20 2.87 2.60 2.45 2.35 2.2 2.1 2.04 1.99 1.96
2
22 2.82 2.55 2.4 2.3 2.15 2.0 1.98 1.93 1.91
7
24 2.78 2.51 2.36 2.26 2.11 2.0 1.94 1.89 1.86
2
26 2.74 2.47 2.32 2.22 2.07 1.9 1.9 1.85 1.82
9
30 2.69 2.42 2.27 2.16 2.01 1.9 1.84 1.79 1.76
3
35 2.64 2.37 2.22 2.11 1.96 1.8 1.79 1.73 1.7
8
40 2.61 2.34 2.18 2.07 1.92 1.8 1.74 1.69 1.66
4
50 2.56 2.29 2.13 2.02 1.87 1.7 1.69 1.63 1.6
8

7.2.2.3. Eliminarea dispersiei ce difera semnificativ de celelalte.

Daca avem m aparate de masura cu care efectuam acelasi numar n de masurari si
2
constatam ca dispersia empirica s1 este sensibil mai mare decit celelalte ne propunem sa
stabilim daca diferenta dintre aceasta dispersie si celelalte este semnificativa sau nu. Pentru
2
aceasta comparam dispersia cea mai mare s1 cu suma tuturor dispersiilor si se calculeaza
raportul:

s12
G
s12  s 22 ........ sm2 (7.12)
Daca:
G  G ( P , m, k ) (7.13)

atunci diferenta dintre prima dispersie si celelalte se considera semnificativa adica prima serie
de masurari este de o precizie mai mica decit celelalte. Valorile critice G(P, m, k) sunt date in
tabelul 4.8. Numarul gradelor de libertate este k = n - 1.

Valorile critice G(P, m, k) pentru P = 0,95

Tabelul 7.3
m/ 4 5 6 8 10 16 26 144
k
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

7.2.2.4. Estimari punctuale ale adevaratei valori a unei marimi masurate.

Daca cele n masurari au fost facute cu aceeati precizie atunci ca estimatie punctuala a
valorii a se ia media aritmetica a datelor masurate:
x  x 2  ....... x n 1 n
ax 1   xi
n n i 1 (7.14)
Daca masurarile nu sunt de egala precizie, dar se cunosc ponderile masurarilor p 1,
p2, ..., pn care sunt invers proportionale cu dispersiile erorilor  1 ,  2 , ....,  n atunci drept
2 2 2

estimatie a adevaratei valori a se ia media aritmetica ponderata:

 n

p x  p 2 x 2  ...... p n x n px
i 1
i i
a 1 1 
p1  p2 ...... p n n

p i
i 1 (7.15)
In cazul masurarilor cu aceeasi precizie (adica cu aceeasi eroare medie patratica ) a
valorilor supuse prelucrarii x1, x2, ...., xn care reprezinta o medie a unui numar de masurari m1,
m2, ......, mn se poate atasa drept pondere numarul de masurari:
2
 i2 
pi = mi (i = 1, 2, ...., n) iar mi (7.16)
Estimatiile se calculeaza cu formula prezentata mai sus.

7.2.2.5. Estimari pentru intervale de incredere a adevaratei valori

Pentru masurari de egala precizie

Intervalul de incredere a valorii adevarate a este:

x-<a<x+ (7.17)
sau
ax 
(7.18)
Marimea  se determina luindu-se nivelul de incredere P la unul din nivelele: 0,95;
0,99 sau 0,999. Daca se cunoaste eroarea medie patratica  atunci intervalul de incredere este:

t (P)  
ax 
n (7.19)
Pentru un nivel de incredere ales t (P) se determina din tabelul 4.3. Se obtine:
t (P)  

n (7.20)
Daca eroarea medie patratica nu se cunoatte, atunci se utilizeaza in locul ei abaterea
standard empirica:
n 1 n
s  s*
n1
 
n  1 i 1
(x i  x ) 2
(7.21)
Intervalul de incredere este:
t (P, k )  s
ax 
n (7.22)
sau
t ( P, k )  s*
ax 
k (7.23)

unde k = n - 1. Valoarile t (P, k) sunt date in tabelul 4.9.

 Alegerea erorii  se poate face cu regula trei sigma. Abaterea adevaratei valori a
marimii masurate de la media aritmetica a rezultatelor masurarilor nu depaseste cu de trei ori
abaterea medie patratica a erorii acestei valori medii. In acest caz intervalul de incredere este:
3
ax 
n (7.24)
cu nivelul de siguranta P = 0.9973 iar daca nu se cunoaste :
3s
ax 
n (7.25)
cu nivelul de incredere dat in tabelul 4.10.

Valorile t (P, k)
Tabelul 7.4
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

Dependenta nivelului de incredere de numarul de masurari

Tabelul 7.5
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
1 0.985
0
 7.3. Estimarea adevaratei valori a marimii masurate:

a. Calculul dispersiei pentru fiecare serie de masurari:

n  length ( x1) n  55
media1 mean( x1) media1  30.953

media2 mean( x2) media2  29.843

n
  x1i  media1
2

i1
s21  s21  2.728
n 1

  x2i  media2
2

i1
s22  s22  3.989
n 1

b. Compararea dispersiilor

s22
F1  F1  1.462
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, 54, 54) = 1.555

F1 = 1.462 < 1.555 diferenta NU ESTE semnificativa

c. Eliminirarea dispersieice difera semnificativ de

celelalte:

s22 G1  0.594
G1 
s21  s22
Valoarea critica pentru nivelul de incredere P = 0.95, m = 2 (numarul seriilor) si
k = n - 1 = 55, G(0.95, 2, 54) = 0.432 este determinata din tabelul 4.8 (pag.150)
Deoarece G1 = 0.594 >0.37 diferenta dintre prima dispersie si cealalta se considera
semnificativa, adica a 2-a serie de masurari este de o precizie mai mica decit a 1 -a
si NU o vom mai lua in considerare in continuare.

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

s  s21 s  1.652
 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, 55) = 0.195

s (1 - q) < s < s (1 + q)
1.326 < s < 1.978

Estimarea adevaratei valori a marimii masurate:

a. Estimarea punctuala:

media2  media1
media  media  30.398
2

media  media1 media  30.953

Masa a 100 de boabe de porumb este:

M = 30.953 g

Adevarata valoare a marimii masurate prin

b. Estimarea prin intervale de incredere: intervale de incredere este:

Din tabelul 4.10 (pag.153) se determina media - < D < media +

t(0.95, 54) = 2.002 30.507 < D < 31.399
Se calculeaza precizia de masurare :
max  media   max  31.399
4
t  2.008  0.006  t  2.003 min  media   min  30.507
5
ts
    0.446
n
 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.
 Bibliografie

1. Suport curs, Prelucrarea datelor experimentale, curs 1, „Măsurare”;

2. Suport curs, Prelucrarea datelor experimentale, curs 2, „Erori măsurare”;
3. Suport curs, Prelucrarea datelor experimentale, curs 3, „Parametri statici”;
4. Suport curs, Prelucrarea datelor experimentale, curs 4, „Eliminare date”;
5. Suport curs, Prelucrarea datelor experimentale, curs 5, „Adevărata valoare”
6. Anexe, Prelucrarea datelor experimentale, „Anexe”.