1.

METODE SI LANTURI DE MASURARE FOLOSITE

IN CERCETAREA EXPERIMENTALA

1.1. Notiunea de masurare. Sistemul

International de unitati de masura

Prin masurare se intelege procesul fizic exprimat prin comparare a unei

marimi cu o alta marime de aceeasi natura considerata unitate de masura.
Operatia de masurare se exprima matematic prin formula:
X=nU (1.1)
in care X - este marimea supusa masurarii;
U - unitatea de masura;
n - valoarea numerica a marimii sau factorul calitativ.
Valoarea numerica a unei marimi va depinde de unitatea de masura.
Astfel marimea X va avea valoarea numerica n 1 masurata in unitatea U1 si
valoarea n2 in unitatea U2:
X = n1 U1 = n2 U2 (1.2)
X = 1 m = 100 cm
Raportul:
U 1 n2
k  (1.3)
U 2 n1

se numeste factor de transformare si reprezinta numarul cu care trebuie inmultita

valoarea numerica a unei marimi masurate cu o unitate de masura pentru a
obtine valoarea sa numerica masurata in alta unitate.
Principial, numarul unitatilor de masura ar trebui sa fie egal cu cel al
marimilor fizice masurate. Totusi, datorita legaturilor de dependenta intre
diferite marimi fizice exprimate prin legi sau ecuatii de definitie, in practica se
adopta un numar mic de unitati de masura fundamentale pe baza carora sunt
definite toate celelalte marimi unitare, denumite din aceasta cauza derivate.
Alegerea marimilor fundamentale este determinata in principal de precizia
cu care se pot realiza (si reproduce) unitatile de masura ale respectivelor marimi
fizice. Numarul marimilor fundamentale nu este limitat. Ele se pot alege in
functie de necesitati si nu trebuie sa fie prea mare. Marimile fundamentale au
simboluri dimensionale. Exemplu: L pentru lungime, T pentru timp, M pentru
masa, F pentru forta, I pentru curentul electric, J pentru intensitatea luminoasa,
etc.
Daca in relatiile de definitie a marimilor derivate se inlocuiesc marimile
fundamentale prin simbolurile lor dimensionale se obtine ecuatia dimensionala
a marimii derivate.
 Un sistem de dimensiuni este determinat de grupul de marimi
fundamentale cu ajutorul carora se pot defini univoc toate marimile derivate. De
exemplu, in sistemul de dimensiuni LTMIJ, in general:
(1.4)
Unitatile de masura fundamentale (unitati in care se masoara marimile
fundamentale) sunt independente intre ele si convenabil alese.
Unitatile derivate se formeaza pornind de la relatia de definitie a marimii
derivate sau de la legea de determinare, inlocuind marimile fundamentale
respective si pastrind aceeasi exponenti. Exemplu, unitatea de masura a marimii
a carei ecuatie dimensionala este data de relatia (1.4) va fi:
X   
 m s Kg A cd  
(1.5)
Totalitatea unitatilor fundamentale, precum si a celor derivate, care se
definesc cu ajutorul unitatilor fundamentale constituie un sistem de unitati de
masura. Deoarece unitatile fundamentale sunt independente intre ele si
conventional alese, pentru o anumita marime fundamentala se pot alege mai
multe unitati fundamentale. De exemplu, pentru marimea fundamentala “masa”
se pot utiliza unitatile fundamentale: gram, kilogram, tona. De aici rezulta ca
unui sistem de dimensiuni ii pot corespunde mai multe unitati de masura. Astfel,
sistemului de dimensiuni LMT ii corespund sistemele de unitati MKS, CGS,
MTS.
In prezent in majoritatea tarilor se foloseste in exclusivitate SISTEMUL
INTERNATIONAL DE UNITATI. Hotarirea privind denumirea si lista
unitatilor fundamentale, suplimentare si derivate, multiplii si submultiplii a fost
luata la Conferinta Generala de Masuri si Greutati de la Paris in noiembrie 1960.
In acest sistem, unitatile fundamentale sunt: metrul (m) pentru lungime,
kilogramul (kg) pentru masa, secunda (s) pentru timp, amperul (A) pentru
curentul electric, Kelvin (K) pentru temperatura si candela (cd) pentru
intensitatea luminoasa. Ca unitati suplimentare sunt admise: radianul (rad)
pentru unghiul plan si sterodionul (sr) pentru unghiul solid.
Unitatile fundamentale ale sistemului SI se definesc dupa cum urmeaza:
- metrul lungimea egala cu 1.650.763,73 lungimi de unda in vid ale
radiatiei care corespunde tranzitiei atomului de Kr86 intre nivelele 2a10 si 5d5;
- kilogramul - masa etalonului international confectionat din platina
iridiata aflat la Sevres - Franta;
- secunda - durata egala cu 1.192.631.770 perioade ale radiatiei care
corespunde tranzitiei intre doua nivele superfine ale stadiului fundamental al
atomului de Cs133;
- amperul - intensitatea unui curent electric constant care, trecind prin
doua conductoare paralele, rectilinii, infinit lungi si de sectiune neglijabila,
aflate in vid la distanta de 1m, produce intre aceste doua conductoare o forta
egala cu 2.10-7N pe metrul de lungime;
 - Kelvin - fractiunea 1/273,16 din temperatura termodinamica al
punctului triplu al apei (punct triplu: punctul de intersectie al curbelor de topire,
sublimare si vaporizare a oricarei substante in diagrama temperatura - presiune);
- candela - intensitatea luminoasa in directie normala, a unei suprafete de
1/600000m2 dintr-un corp negru aflat la temperatura de solidificare a platinei
sub presiunea de 101325 N/m2.
Sistemul international admite multiplii si submultiplii zecimali ai
unitatilor, prefixele si simbolurile acestora fiind prezentate in tabelul 1.1.

Prefixe si simboluri pentru multiplii si submultiplii zecimali

ai unitatilor de masura in S.I.
Tabelul 1.1
Multiplicarea unitatii de 10 -18
10 -15
10 -12
10 -9
10 -6
10-3 10-2
referinta
Prefix alto fento pico nano micro mili centi
Simbol a f p n  m c
Multiplicarea unitatii de 10-1 10 102 103 106 109 1012
referinta
Prefix deci deca hecto kilo mega giga tera
Simbol d da h K M G T

Deasemenea, sistemul international admite, a fi utilizate pe timp nelimitat

o serie de unitati de larga raspindire internationala a caror eliminare ar produce
dificultati si perturbatii in activitatea practica precum si in schimburile tehnico-
stiintifice. Dintre acestea amintim: mila marina (1mim = 1852m), anul lumina
(1a.l. = 4,4605.1015m), tona, minut, ora, zi, gradul centigrad, gradul, minutul si
secunda sexazecimala, hectarul, litrul, kilometrul pe ora, etc.

1.2. Metode de masurare

Principalele criterii de clasificare a metodelor de masurare sunt:

- forma de exprimare a marimii, dupa care avem: masurari analogice si
masurari numerice;
- tehnica de masurare, dupa care pot fi: masurari prin deviatie, masurari
prin comparatie, masurari prin numarare;
- originea de referinta a masurarii, dupa care pot fi: masurari absolute si
masurari diferentiale.
Masurarea analogica. Semnalul care circula prin lantul de masurare si
care poarta informatia, este lagat functional de marimea de masurat printr-o lege
continua. Prin operatia de citire la receptor, pe baza etalonarii prealabile, se
transforma indicatia analogica intr-un numar care exprima valoarea numerica a
marimii masurate. De exemplu, la receptor semnalul poate provoca deviatia unui
ac indicator si pe baza etalonarii scalei se transforma aceasta deviatie (ca
marime analoga) intr-un numar.
Masurarile analogice sunt foarte frecvente in cercetarile experimentale,
ele putind fi posibile intotdeauna cind exista o corespondenta biunivoca intre
masura si marimea de masurat. Astfel, se pot face masurari prin variatia:
rezistentei, inductantei sau capacitatii electrice, a prezentei unei unde, a
intensitatii luminoase, etc.
Masurarea numerica. In acest caz operatia de masurare conduce la
obtinerea unui numar care, dupa un anumit cod (de exemplu codul binar) indica
valoarea marimii masurate.
Masurarea prin deviatie. Metoda este de tip analogic si consta, in
principiu, in deviatia unui sistem dintr-o pozitie de echilibru pe care o au in lipsa
marimii de masurat, intr-o alta pozitie de echilibru pe care o capata in prezenta
marimii de masurat. Marimea este pusa in evidenta prin ecartul dintre cele doua
pozitii de echilibru. De exemplu metoda se folosette la unele dinamometre,
manometre, instrumente electrice de tip electromagnetic sau magnetoelectrice.
Masurarea prin comparare consta in generarea unei marimi cunoscute
care se compara cu marimea de masurat si care se regleaza altfel ca sa o egaleze.
Metoda se mai numeste si metoda de zero deoarece prin egalarea marimii de
comparatie cu cea de masurat suma lor este nula. Se utilizeaza curent la
masurarea tensiunii electrice cu potentiometrul compensator.
Masurarea prin numarare consta in masurarea cantitatii marimii prin
numararea valorii ei. De exemplu determinarea turatiei unui arbore, stabilirea
numarului de particule, etc.
Masurarea absoluta este aceea la care baza de masurare este un zero
absolut pentru care marimea de masurat nu se realizeaza.
Masurarea diferentiala este aceea la care se alege ca origine o baza de
masurare arbitrara si fata de aceasta se stabileste valoarea marimii respective.
In cercetarea experimentala se utilizeaza toate metodele, o pondere mai
mare avind-o masurarea analogica si intr-o oarecare masura, masurarea
numerica. In multe procese de cercetare experimentala, masurarea analogica este
asociata masurarii numerice. In cadrul masurarilor analogice, cea mai larga
utilizare o are tensometria electrica, care permite masurarea pe cale electrica a
multora dintre marimile neelectrice si in special a marimilor mecanice.
Tensometria electrica este metoda de masurare a deformatiilor unui corp
solicitat prin intermediul unor traductoare, care transforma variatia deformatiilor
mecanice in variatii ale unei marimi electrice. Utilizarea metodei este datorata
urmatoarelor avantaje:
- este o metoda nedistructiva, nemodificind forma, dimensiunile sau
structura obiectului cercetat;
- realizeaza masurari in conditii reale de lucru ale obiectului cercetat;
- prin folosirea aparaturii electronice asigura o mare sensibilitate si
precizie in raport cu metodele mecanice, optice, acustice, pneumatice, etc.;
 - permite masurarea si inregistrarea fenomenelor cu variatie foarte rapida.
Tensometria electrica se foloseste in cercetarile in care se urmareste
masurarea deformatiilor, tensiunilor mecanice, fortelor, momentelor de torsiune,
presiunilor, temperaturilor, etc.

1.3. Lanturi de masurare si structura acestora

Procesul de masurare a unei marimi se realizeaza cu instrumente, aparate

sau dispozitive care constituie o instalatie de masurare.
Metoda de masurare este caracterizata prin totalitatea operatiunilor care se
executa cu ajutorul anumitor mijloace tehnice, in anumite conditii tehnico-
economice si organizatorice.
Lantul de masurare este definit ca succesiunea determinata a operatiunilor
si fazelor, respectiv a mijloacelor tehnice (aparate, dispozitive, etc.) prin care se
realizeaza un proces de masurare.
Principalele etape ale unui proces de masurare sunt:
- obtinerea informatiei primare despre marimea de masurat, sub forma
unui semnal oarecare;
- prelucrarea informatiei;
- valorificarea informatiei sub forma vizualizarii, inregistrarii, utilizarii
pentru calcule complexe.
Lantul de masurare este format din elemente adecvate operatiunilor si
fazelor respective. Schema generala a unui lant de masurare este prezentata in
fig.1.1.

Fig.1.1. Schema generala a lantului de masurare

 Elementele componente ale lantului de masurare sunt grupate pe
urmatoarele tipuri:
Captorul este elementul care preia marimea de masurat transmitind un
semanal proportional cu aceasta. Captorii contin ca element principal
traductoarele care pot fi montate direct pe obiectul supus cercetarii sau pe
elemente separate, puse in legatura cu obiectul. Tarductoarele sunt elemente
asupra carora actionind o marime de intrare transmit o marime de iesire de
natura diferita sau de aceeasi natura. Traductoarele la care energia sau semnalele
de iesire sunt furnizate in intregime, sau aproape in intregime, de semnalul de
intrare, fara existenta unei surse exterioare, sunt denumite traductoare pasive.
Daca prin intermediul traductoarelor se introduce din exterior in obiectul
masurat o energie sau un semnal de activare si se studiaza efectele interactiunii
acestuia cu obiectul masurat traductoarele se numesc active. In cazul acestora,
cea mai mare parte a semnalului de iesire este furnizata de sursa de energie
auxiliara.
In cercetarile experimentale o utilizare foarte larga o au traductoarele
electrice, la care semnalul de iesire este sub forma electrica (tensiune, curent,
variatie de frecventa, etc.). Exceptind cazul in care marimea de masurat este de
natura electrica, aceste traductoare realizeaza convertirea semnalului de intrare
(de natura mecanica, termica, chimica, etc.) intr-un semnal electric. Masurarea
marimii de iesire nu se face direct la bornele traductorului ci printr-un dispozitiv
de conectare se introduc traductoarele intr-un circuit electric care realizeaza
marirea sensibilitatii si a preciziei masurarii. Dispozitivul de conectare poate fi
un comutator cu ploturi (cind captorul are pozitie fixa), colector cu contacte
glisante sau fara contacte (cind captorul are o miscare de rotatie).
Convertizorul modifica structura semnalului furnizat de traductor.
Amplificatorul realizeaza amplificarea semnalului pentru a-l face mai
usor perceptibil si capabil sa actioneze asupra aparatelor de masura,
inregistratoare, etc. Amplificatoarele pot realiza marirea valorii semnalului,
pastrindu-i energia constanta, sau marirea puterii semnalului cu marirea
amplitudinii lui. In mod curent se folosesc doua tipuri de amplificatoare: cu
frecventa purtatoare (la intrare se aplica un semnal modulat prin alimentarea
circuitului electric cu un curent alternativ de frecventa audio) si de curent
continuu (atit semnalul de intrare cit si cel amplificat sunt de curent continuu).
Filtrul modifica forma semnalului, furnizind numai anumite aspecte
necesare punerii in evidenta a marimii de masurat si retinind aspecte externe
acesteia, care ar influenta procesul de masurare.
Codificatorii transforma o marime analoaga intr-o marime numerica. De
exemplu, transforma un semnal continuu, variabil cu marimea masurata (o
tensiune electromotoare) in semnale discontinui (o succesiune de impulsuri) care
dupa un anumit cod reprezinta valoarea numerica a marimii masurate.
Transcodificatori fac trecerea de la un cod la altul.
 Inregistratoarele sau memoriile pastreaza rezultatul masurarii din
momentul efectuarii pina in momentul folosirii lui.
Dispozitivele de extragere care scot din inregistratoare sau memorii
materialul informational in vederea utilizarii lui in diferite calcule.
Receptorii sau dispozitivele de lectura furnizeaza masura in vederea
citirii rezultatului masurarii (scari gradate cu indicator mobil, tuburi pe care apar
valori numerice, etc.).
Calculatoarele permit exploatarea superioara a datelor masurarilor
efectuate simultan sau in timp prin efectuarea unor calcule matematice.
Schema prezentata in fig.1.1 nu este obligatorie pentru orice proces de
masurare, existind numeroase cazuri in care lantul de masurare contine numai o
parte din elementele prezentate sau cazuri in care lantul contine si alte elemente
specifice masurarilor efectuate.
Fiecare element al lantului de masurare are o anumita functie de
transfer, care reflecta relatia (legatura functionala) intre marimea de iesire si
marimea de intrare aplicata elementului. Raportul acestor marimi defineste
sensibilitatea elementului. Functia de transfer a unui lant de masurare se obtine
luind in considerare functiile elementelor componente, deci exprimind legatura
functionala intre semnalul de intrare aplicat la captor si raspunsul de iesire
obtinut la elementul terminal al lantului de masurare.

1.3. Alegerea aparatelor folosite in lantul de masurare

Alegerea aparatelor de masurat si chiar a metodei de masurare trebuie sa

tina seama de scopul masurarii si de amplasarea locului de masurare. Alegerea
corecta a celei mai avantajoase metode ca si a aparatelor cele mai adecvate si
potrivite sub aspect economic este posibila numai daca se cunosc bine conditiile
locale, la locul masurarii, ca: influenta mediului inconjurator, puritatea mediului
(componente agresive, praf, etc.) temperaturi anormale sau variatii de
temperatura, vibratii, socuri, frecventa procesului de masurat, etc. De asemenea
este necesar a se conoaste, sau cel putin a se aprecia domeniul de variatie a
marimii de masurat. Alegerea aparatelor trebuie facuta astfel incit marimea
maxima masurata sa reprezinte circa 75% din domeniul scarii acestora.

Sensibilitatea aparatului de masurat este importanta pentru precizia

masurarii. Aceasta se defineste ca raportul intre deplasarea indicatorului L si
variatia marimii de masurat x care a provocat aceasta deplasare:
L
E
x
(1.6)
Precizia de citire creste odata cu sensibilitatea si deci este de dorit ca
aceasta sa fie cit mai mare.
 Un alt factor care trebuie luat in consideratie este intirzierea de care este
afectata indicatia. Acest factor joaca un rol important in masurarile dinamice cu
variatie foarte rapida.

In alegerea metodelor si aparatelor de masurat trebuie sa se tina seama de

urmatoarele:
- Sa se masoare numai cu precizia necesara. Este deci necesar ca inaintea
masurarii sa se aprecieze corect precizia necesara si clasa de precizie a
aparatelor de masura ce se vor folosi. De exemplu, aparatele de masurat de
exploatare se iau cu clasele de precizie 1; 1.5; 2.5; 4 in timp ce aparatele folosite
in cadrul cercetarilor au clasele de precizie de la 0.5 pina la 0.2.
Cifra care indica clasa de precizie a aparatului de masurat reprezinta, in
procente, limitele de variatie ale valorii indicate de aparat fata de valoarea reala
a parametrului masurat. Astfel clasa 2 inseamna ca valoarea indicata de aparat
poate sa difere de valoarea reala in limitele 2% din domeniul de indicare al
aparatului.
- Aparatele de masura trebuie sa fie sigure in exploatare si sa posede o
comportare tranzitorie buna.
 2. ERORI DE MASURARE
2.1. Clasificarea erorilor de masurare

Rezultatul masurarii marimilor fizice sunt valori numerice obtinute prin

compararea lor cu o alta marime, de aceeasi natura, luata ca etalon. In cazul
masurilor repetate, efectuate cu o precizie suficient de mare, rezultatele difera
fiind afectate de erori. Diferenta dintre rezultatul masurarii unei marimi x i si
valoarea sa adevarata a este eroarea de masurare zi:
zi = xi - a (4.1)
Cum in tehnica experimentala valoarea adevarata a nu este cunoscuta
(scopul masurarii fiind tocmai determinarea ei), rezulta ca eroarea z nu este
cunoscuta. Problema care se pune consta in gasirea unei valori care, cu o eroare
cit mai mica posibila, sa estimeze valoarea adevarata a. Pentru aceasta este
necesar sa fie cunoscute principalele proprietati ale erorilor si interpretarea lor.
In practica se foloseste si eroarea relativa z reli care permite estimarea
acelor rezultate ale caror erori absolute depind de dimensiunile marimii fizice
masurate:
zi x a
z reli  100  i 100 [%] (4.2)
a a
Erorile de masurare se pot datora urmatoarelor cauze:
- caracteristicile tehnice, de constructie si de functionare;
- imprecizii in montarea sau reglarea aparaturii;
- mediul ambiant: variatia temperaturii, umiditatii, presiunii atmosferice,
etc.;
- obiectul supus masurarii care poate suferi modificari sub influenta
unor factori interni sau externi;
- operatorul: imperfectiunea simturilor, neatentia, superficialitatea, etc.

Erorile de masurare se pot clasifica, dupa natura acestora, in:

Erorile grosolane. Acestea apar datorita neatentiei sau a incalcarii
principiilor generale de masurare. Masurarile ce contin erori grosolane difera
foarte mult de celelalte masurari si ele trebuiesc eliminate in calculele ulterioare.

Erorile sistematice. Aceste erori se pot datora unor cauze ce pot fi

descoperite de experimentator: reglarea incorecta a aparatului de masura,
variatia conditiilor exterioare (temperatura, umiditate, etc.). Ele, odata depistate,
pot fi usor eliminate facindu-se corectiile corespunzatoare.

Erorile aleatoare. Apar din cauza unor multitudini de factori, greu de

precizat si individualizat, a caror influenta individuala este neglijabila, din care
cauza nu exista posibilitatea depistarii si inlaturarii lor. Cu ajutorul teoriei
probabilitatilor se poate lua in consideratie in ce masura erorile aleatoare
influenteaza estimatiile adevaratelor valori ale marimilor masurate, ceea ce
permite determinarea valorii marimii masurate cu o eroare oricit de mica in
raport cu erorile masurarilor individuale.
Studiul influentei erorilor aleatoare se bazeaza pe cunoasterea legilor lor
de repartitie.

2.1.2. Repartitia erorilor aleatoare de masurare

2.1.2.1. Modelul probabilistic

Erorile aleatoare de masurare sunt caracterizate de o lege de repartitie

determinata. Existenta legii de repartitie poate fi stabilita repetind masurarea
unei marimi fizice, in conditii identice, pentru un numar n de masurari suficient
de mare.
Daca se fac n masurari, iar intr-un anumit interval cad m masurari, pentru
n suficient de mare, se poate considera ca frecventa relativa de cadere in
intervalul considerat (m/n) este o cantitate constanta caracteristica intervalului.
Se poate considera ca probabilitatea ca variabila aleatoare z sa ia valori intr-un
anumit interval (z1 < z < z2), notata P(zi < z < z2 ), este aproximativ egala cu
frecventa relativa:
m
P (z1  z  z 2 )  P (z  (z1 , z 2 ) 
n
(4.3)
Modelul probabilistic teoretic admite faptul ca erorile aleatoare z si prin
urmare insasi rezultatele masurarilor x sunt variabile ce pot lua orice valoare
reala, deci sunt definite pe intervalul (- , + ).
Regula care permite ca pentru fiecare interval (z 1 , z2 ) sa se gaseasca
probabilitatea P(zi < z< z2 ) se numeste legea de repartitie a variabilei aleatoare
z.
Legea de repartitie a erorilor aleatoare de masurare se exprima cu ajutorul
unei integrale:
z2

P ( z1  z  z 2 )   p(z)dz
z1
(4.4)

unde p(z) este densitatea de repartitie si este functie nenegativa care satisface
conditia:


 p( z)dz  1

(4.5)
Graficul densitatii de repartitie se numeste curba de repartitie.
 2.1.2.2. Repartitia normala

Legea de repartitie a erorilor aleatoare de masurare cea mai utilizata este

repartitia normala (legea lui Gauss) data de densitatea de repartitie:
z2
1 
p( z )  e 2 2
(4.6)
 2
unde parametrul  ( > 0) caracterizeaza precizia masurarilor.
Curba de repartitie normala, pentru diferite valori ale parametrilor  este
prezentata in fig.4.1.

0.8

0.6

0.4

0.2

0
6 4 2 0 2 4 6

Fig.4.1.Curba de repartitie normala a erorilor aleatoare

Curba de repartitie este simetrica in raport cu axa z = 0, deci x = a,

prezentind puncte de inflexiune la z = . Pentru z = 0 curba admite un maxim:
1
P( 0) 
 2
(4.7)
si reprezinta probabilitatea ca valoarea masurata sa reprezinte valoarea adevarata
a marimii.
Se observa ca atunci cind  scade, densitatea de repartitie p(z) descreste
mai repede. Cu cit  este mai mic, cu atit imprastierea erorilor in jurul originii
este mai mica.
Probabilitatea ca eroarea aleatoare sa cada in intervalul simetric (-z 1, z1) se
calculeaza cu relatia:
P (  z 1  z  z1 )  P ( z  z1 )  2   ( t 1 ) (4.8)
unde:
t t2
1 
(t ) 
2
e 2
dt (4.9)
0

z z1
t

; t1  (4.10)

si reprezinta aria trapezului curbiliniu marginit de ordonatele 0 si z1 .
 Functia (t) se numeste probabilitate integrala iar valorile sunt date in
Anexa 1 pentru valori pozitive ale variabilei t. Pentru valori negative ale lui t se
tine seama ca (t) este o functie impara, deci (-t) = -(t).
Probabilitatea ca eroarea aleatoare sa cada intr-un interval oarecare (z 1,
z2) se calculeaza cu relatia:
z2 z
P( z1  z  z 2 )  ( )  ( 1 )  ( t 2 )  ( t1 ) (4.11)
 
Probabilitatea ca eroarea aleatoare sa depaseasca limitele  t , pentru t >
0, va fi:
P ( z  t )  1  2   ( t ) (4.12)
iar probabilitatea sa nu depaseasca limitele  t  va fi:
P ( z  t )  2   ( t ) (4.13)
Probabilitatea ca valorile aleatoare z sa depaseasca limitele  3  este:
P ( z  3 )1  2   (3)  0,0027 (4.14)
Rezulta ca evenimentul ca eroarea aleatoare sa iasa in afara intervalului  3 
este practic imposibil. Se accepta ca erorile aleatoare de masurare sunt
marginite, in valoare absoluta de 3 .
Pentru o lege normala de repartitie a erorilor aleatoare, daca rezultatele
masurarilor (xi = a + zi) au densitatea de repartitie:

(4.15)
legea de repartitie se numeste lege normala centrata in a si este prezentata in
fig.4.2.

0.2

0.15

0.1

0.05

0
6 4 2 0 2 4 6 8 10

Fig.4.2.Curba de repartitie normala centrata in a pentru marimea

masurarilor

Repartitia normala Ex.1

1. Sa se reprezinte grafic densitatea de repartitie p(z) pentru trei valori 1<2<3.
2. Sa se afle valoarea maxima a densitatii de repartitie p(0).
3. Sa se verifice daca este satisfacuta conditia (4.5).
4. Sa se verifice probabilitatea ca eroarea aleatoare z sa depaseasca limitele -3, +3

2.1.2.3. Repartitia Poisson

Consideram un numar de n masurari in care x1 apare de m1 ori, x2 de m2

n

ori, ...., xk de mk ori si m

k 1
k  n . Repartitia Poisson se foloseste cind numarul de

masurari n este suficient de mare iar probabilitatea fiecarui eveniment p este

foarte mica (p < 0,1). In ipoteza:
n p  x (4.16)
probabilitatea ca variabila aleatoare x sa ia valoarea xk este:
xk
x
p (x  x k )  ex (4.17)
xk !
Repartitia Poisson se poate aplica pentru calculul defectarii a n masini.

Pepartitia Poisson Ex.2

Notam cu xi numarul defectiunilor si cu mi numarul de masini. Defectiunile

inregistrate pentru 82 de masini sunt date in tabelul de mai jos.

xi 0 1 2 3 4 5 6 7 8 9
mi 2 24 16 13 11 6 4 3 2 1

Programul REPOISON.MCD, realizat in MathCad permite reprezentarea grafica a

probabilitatii. Acest program este:

s := 10 i := 0 .. s
s s
m
n:   mi fi  i x:  f i  x i x  2,915
i0 n i0
xi
x
p(x ):   ex
xi !
 0.25

0.2

0.15

p( x )

0.1

0.05

0
0 2 4 6 8 10
x
i

2.1.2.4. Repartitia Weibull

O variabila aleatoare x este repartizata Weibull daca densitatea de

repartitie este:

(4.18)

unde a si b sunt parametrii distributiei. Pentru determinarea acestor parametri se

calculeaza constanta:

V  (4.19)
x  x1
unde  este abaterea medie patratica si din tabelul 1 se determina coeficientul b
si constanta kb. Parametrul a se calculeaza cu relatia:
x  x1
a
kb
(4.20)
in care este media aritmetica a valorilor xi iar x1 este valoarea minima
masurata.
Probabilitatea ca variabila sa cada in intervalul (x1 , x2) este:
b
x b 1  x  x1 
b 2  x  x1   
( x )     e  a 
(4.21)
a x1  a 
Parametri distributiei Weibull
Tabelul 4.1
V b Cb kb
1 1 1 1
0.91 1.1 0.878 0.965
0.837 1.2 0.787 0.941
0.775 1.3 0.716 0.924
0.723 1.4 0.659 0.911
0.678 1.5 0.612 0.903
0.64 1.6 0.574 0.897
0.605 1.7 0.54 0.892
0.575 1.8 0.512 0.889
0.547 1.9 0.485 0.887
0.523 2 0.463 0.886
0.498 2.1 0.441 0.886
0.48 2.2 0.425 0.886
0.461 2.3 0.409 0.886
0.444 2.4 0.394 0.887
0.428 2.5 0.38 0.887
0.365 3 0.326 0.893

Repartitia Weibull permite o mai buna modelare matematica a unor

distributii reale, cum sunt cele care rezulta la incercarea durabilitatii unor organe
solicitate la oboseala, in determinarea nivelului de fiabilitate a tractoarelor si
masinilor agricole, la determinarea caracteristicilor de distributie ale duratelor de
serviciu a pieselor si subansamblurilor precum si in studiul aparatelor de masura.
 Repartitia Weibull Ex.3

Sa se determine densitatea de repartitie si probabilitatea ca variabila x (resursa anuala

pentru 50 de seturi de motor de la 50 de motoare de acelasi tip intrate in reparatie, in ore) sa
cada in intervalul (0, 6000). Se va reprezenta grafic repartitia de frecvente si curba de
repartitie Weibull. Datele sunt prezentate in tabelul de mai jos:

Nr. x Nr. x Nr. x Nr. x Nr. x

1 800 11 2150 21 2500 31 2950 41 3700
2 1300 12 2200 22 2520 32 2975 42 3850
3 1350 13 2220 23 2600 33 3000 43 4000
4 1550 14 2300 24 2700 34 3100 44 4100
5 1620 15 2320 25 2750 35 3175 45 4250
6 1800 16 2350 26 2810 36 3250 46 4350
7 1850 17 2420 27 2850 37 3350 47 4570
8 1900 18 2440 28 2860 38 3450 48 4650
9 2000 19 2450 29 2900 39 3575 49 4780
10 2120 20 2460 30 2910 40 3650 50 5000

Se calculeaza valoarea medie cu relatia:

1 n
x  x i  2855 ore
n i 1

Abaterea standard empirica aproximeaza cel mai bine eroarea medie patratica  atunci
cind numarul de masurari este relativ mic.

1 k
s 
n  1 i 1
( x i  x ) 2    948,415 ore

Constanta V este:
 948,415
V    0,4615
x  x1 2855  800

Din tabelul 1 se determina: b = 2,3 si kb = 0,886. Se calculeaza parametrul a:

x  x1
a  2319 ,4
kb
Densitatea de repartitie este:

Probabilitatea ca variabila sa cada in intervalul (0, 6000) este:

 Reprezentarea grafica a repartitiei de frecvente f k si curba de repartitie Weibull se
face in figurile de mai jos:

Repartitia de frecvente
0.001

p( x ) 0.001

0
2000 4000 6000
x

Curba de repartitie Weibull

4.1.5. 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.

4.1.5.1. Metoda de eliminare pentru  cunoscut

Consideram ca s-au facut n masurari, data afectata de erori grosolane fiind

notata cu x* . Pentru celelalte n-1 rezultate ale masurarilor x 1 , x2 , ...., xi, ....., xn
ce presupunem ca nu sunt afectate de erori grosolane, calculam raportul:
x*  x
t
n (4.55)

n1
unde valoarea medie x se calculeaza cu relatia:
1 n
x  xi
n  1 i 1
(4.56)

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

corespunzatoare raportului t satisface inegalitatea:
1  2  (t )   (4.57)
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  (4.58)

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

4.1.5.2.Metoda de eliminare pentru  necunoscut

Pentru eliminarea datelor afectate de erori grosolane se poate utiliza testul

Romanovski. Se calculeaza abaterea standard empirica s, pentru cele n -1
rezultate ale masurarilor presupuse ca nu sunt afectate de erori grosolane, cu
relatia:
1 n 1
s  (x i  x ) 2
n  2 i 1
(4.59)
Se calculeaza raportul:
x*  x
t (4.60)
s
Pentru un nivel de incredere P (caruia ii corespunde un nivel de
semnificatie  = 1 - P) si un numar de experiente n cunoscut se determina din
tabelul 4.4 valoarea critica t (n, P). Daca:
t > t (n, P) (4.61)
vom elimina valoarea x ca fiind afectata de erori grosolane, cu nivelul de
*

incredere P.
Valorile critice t (n, P)
Tabelul 4.4
ntP 0.95 0.98 0.99 0.999 ntP 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 in limbajul de programare Torbo
Pascal 7.0 prezentat in 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.

Exemplul 4.1

Sa se verifice daca rezultatele masurarii masei a o mie de seminte de orz, prezentate in

exemplul 1.2 sunt afectate de erori grosolane.

Dupa intoducerea datelor si rularea programului ERORISIR.PAS se obtin valorile

raportului t, prezentate in tabelul de mai jos. Pentru n = 40 de valori masurate si P=0.95
valoarea critica t(40,0.95) = 2.048 si deci valorile 29.1; 29.45 si 37.4 vor fi eliminate ca fiind
afectate de erori grosolane.
Pentru un nivel de incredere P = 0.99 valoarea critica t (40, 0.98) = 2.742 iar pentru
P=0.999 valoarea critica este t (40, 0.999) = 3.602 si nici una din valorile masurate nu este
afectata de erori grosolane.
 xi t xi t xi t xi t xi t
29.1 2.271 31.85 0.768 32.82 0.279 33.95 0.285 35.2 0.918
29.45 2.064 31.9 0.743 33.1 0.139 34.1 0.36 35.4 1.022
30.1 1.695 32.1 0.641 33.3 0.039 34.25 0.436 35.5 1.074
30.45 1.503 32.35 0.515 33.4 0.011 34.4 0.511 35.95 1.311
30.7 1.368 32.45 0.465 33.42 0.021 34.5 0.562 36.4 1.553
31.3 1.052 32.5 0.439 33.5 0.06 34.65 0.637 36.8 1.774
31.45 0.974 32.7 0.339 33.6 0.11 34.8 0.714 37.1 1.944
31.7 0.845 32.8 0.289 33.8 0.21 34.91 0.77 37.4 2.118

4.1.6.Determinarea numarului necesar de masurari

Daca abaterea medie patratica  nu se cunoaste, pentru un nivel de

incredere P si un numar de experiente n1 ales, se determina, din tabelul 4.5,
raportul q.
Determinarea raportului q
Tabelul 4.5
qtP 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 calculeaza abaterea standard empirica si apoi precizia:

1  q  s  a  x (4.62)
Daca precizia 1 este prea mare si se doreste o precizie mai mica  se
calculeaza raportul:
1
 (4.63)

Micsorarea preciziei de  ori se obtine prin marirea numarului de
masurari la n:
n  n1   2 (4.64)
Alegerea valorii nivelului de incredere are consecinte economice deoarece
el determina numarul necesar de masurari. Alegerea rationala a nivelului de
incredere implica optimizarea procesului de masurare din punct de vedere al
preciziei si al numarului de masurari.

Exemplul 4.2

Sa se determine numarul de masurari necesare pentru masa a o mie de seminte de orz,

pentru un nivel de incredere P = 0.95 si abaterea standard empirica s = 2.
 Din tabelul 4.5 pentru P = 0.95 si q = 0.1 se determina n1 = 387 de masurari necesare.
Pentru n1 = 387 de masurari, precizia masurarilor este:
 1  q  s  01.  2  0.2
Pentru o precizie a masurarilor  = 0.62 se calculeaza raportul:
 0.2
 1   0.32258
 0.62
Numarul de masurari necesar pentru noua precizie de masurare a masei semintelor de
orz va fi:
n  n1  2  387  0.32258 2  40.2
Se alege numarul de masurari n = 40.

Exemplul 4.3

Sa se determine numarul de masurari necesare pentru masa a o mie de seminte

de porumb, pentru un nivel de incredere P = 0.99, o precizie a masurarilor  = 0.55 si abaterea
standard empirica s = 2.147. Dupa efectuarea masurarilor sa se verifice daca datele sunt
afectate de erori grosolane si sa se calculeze principalii parametri statistici.

Din tabelul 4.5 pentru P = 0.99 si q = 0.1 se determina n1 = 668 de masurari necesare.
Pentru n1 = 668 de masurari, precizia masurarilor este:

 1  q  s  01
.  2.147  0.2147

Pentru o precizie a masurarilor  = 0.55 se calculeaza raportul:

 1 0.2147
   0.39
 0.55

Numarul de masurari necesar pentru noua precizie de masurare a masei semintelor de

orz va fi:
n  n1  2  668  0.39 2  1016
.

Se alege numarul de masurari n = 101.

Se cintareste masa a o mie de seminte de porumb iar datele sunt prezentate in tabel.

xi 295 296 297 298 299 300 301 302 303 304 305 306 308
mi 1 3 8 8 15 25 15 11 7 4 2 1 1
t 2.38 1.91 1.48 1 0.55 0.11 0.33 0.76 1.21 1.67 2.13 2.61 3.63

Dupa intoducerea datelor si rularea programului ERORISIR.PAS se obtin valorile

raportului t, prezentate in tabelul de mai sus. Pentru n = 101 valori masurate si P=0.99
valoarea critica t (101,0.99) = 2.639 si deci valoarea 308 va fi eliminata ca fiind afectata de
erori grosolane.
Se verifica daca repartitia erorilor de masurare este normala cu programul
TESTHI2.MCD.

Rezultate
 amplitudinea = 11
media = 300.18
n = 100
d=1
l = 11

k mintk fk tk pk
1 296 1 -0.907 0.182
2 297 3 -0.69 0.063
3 298 8 -0.473 0.073
4 299 8 -0.252 0.081
5 300 15 -0.039 0.085
6 301 25 0.178 0.086
7 302 15 0.395 0.083
8 303 11 0.612 0.076
9 304 7 0.829 0.067
10 305 4 1.046 0.056
11 306 2 1.263 0.148

hi2 = 8.409
nr_grade_libertate = 8
hi2 = 8.409 < hi2_tabelat = 20.1 pentru P = 0.99, deci repartitia este normala.

Cu programul PARSTAT.MCD se calculeaza principalii parametrii statisistici si se

reprezinta nomograma reparititei normale.

Rezultate

media = 300.18
dispersia = 4.608
abaterea = 2.147
amplitudinea = 11
mediana = 300
modul = 299.64
val_centrala = 300.5
coef_variatie = 0.007
coef_pearson = 0.252
abat_medie_abs = 1.656
coef_asimetrie = 0.024
coef_boltire = 2.973
excesul = - 0.027
moment2 = 9.011 104 m_centrat2 = 4.608
moment3 = 2.705 107 m_centrat3 = 1.526
moment4 = 8.122 109 m_centrat4 = 63.124

Histograma este:
 25

20

15
f
k

10

0
294 296 298 300 302 304 306
int
k

3.1.3.Parametrii statistici principali

 Parametrii statistici principali ai unui sir de date x i de n masurari in care x1
apare de f1 ori, x2 de f2 ori, xk de fk ori si se mai numesc si valori tipice
de selectie si sunt definiti astfel:
Media aritmetica de sondaj a sirului de date:
(4.22)
Daca in cele n masurari xi apare o singura data atunci:
1 n
x  xi
n i 1
(4.23)
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  (4.24)
 i 1 
Media armonica este:
n
xa  n
1 (4.25)
x
i 1 i

Media patratica este:

(4.26)

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 xi se aranjeaza in ordine crescatoare sau descrescatoare si mediana este:
- daca n este impar:
M e  x ( n 1)/ 2 (4.27)
- daca n este par:
x n / 2  x n / 2 1
Me  (4.28)
2
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) (4.29)
Valoarea centrala a sirului de date:
x max  x min
xc  (4.30)
2
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:

(4.31)
iar abaterea standard empirica este:
(4.32)
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:
(4.33)
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
s2   ( xi  x) 2
n  1 i 1
(4.34)
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 (4.35)
Coeficientul de variatie al sirului de date:
s
Cv 
x
(4.36)
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:
(4.37)
Momentul de sondaj de ordinul r, calculat fata de originea sistemului
este:
1 n r
Mr   xi
n i 1
(4.38)
Momentul centrat de sondaj de ordinul r se obtine din momentele
generale de ordinul r considerind ca originea arbitrara coincide cu media
aritmetica:
(4.39)
Coeficientul de asimetrie al sirului de date permite aprecierea formei
unei repartitii statistice. Pentru calculul coeficientului de asimetrie se foloseste
relatia:
( 3 ) 2
1  (4.40)
(s2 ) 3
in care s2 este dispersia de sondaj a sirului de date iar:
(4.41)
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 (4.42)
Coeficientul de boltire:
4
2  (4.43)
(s 2 ) 2
in care 4 este momentul centrat de ordinul 4, definit de relatia:
(4.44)
Coeficientul de boltire este un indicator al gradului de inclinatie a pantei
curbei densitatii de repartitie in vecinatatea momentului de sondaj M o. 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 (4.45)

Exemplul 3.1

Pentru masurarile din exemplul 1.2 sa se determine parametrii statistici principali.

Se utilizeaza programul PARSTAT.MCD realizat in MathCad.

Calculul parametrilor statistici principali

ORIGIN 1
media := mean (x)
dispersia := var (x)
abaterea := stdev (x)
amplitudinea := max (x) - min (x)
xsort := sort (x)
n := length (x)
  n n  1 n
ind :  if  floor    2  n , , 
  2  2 2
xsort1  xsort n
val _ centrala:
2
abaterea
coef _ var iatie 
media
  xsort ind  xsort ind 1 
mediana:  if  (ind  2  n), xsort ind , 
 2 
modul := media + 3 ( mediana - media )
media  mod ul
coef _ pearson: 
abaterea
r := 2 .. 4 i := 1 .. n
 (x i ) r  x  media  
r
i
i
moment r :  m_ centrat r : i
n n
 xi  media m_ centrat 3  2

abat _ medie_ abs: i coef _ asimetrie: 

n dispersia
m_ centrat 4
coef _ boltire:  excesul:  coef _ boltire  3
dispersia 2

Rezultate

media = 33.379
dispersia = 4.016
abaterea = 2.004
amplitudinea = 8.3
mediana = 33.41
modul = 33.472
val_centrala = 33.25
coef_variatie = 0.06
coef_pearson = - 0.047
abat_medie_abs = 1.604
coef_asimetrie = 0.002
coef_boltire = 2.56
excesul = - 0.44
moment2 = 1.118 103 m_centrat2 = 4.016
moment3 = 3.759 104 m_centrat3 = - 0.357
moment4 = 1.268 106 m_centrat4 = 41.284

3.1.4. Verificarea normalitatii repartitiei.

3.1.4.1. 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 (4.46)
 Numarul de date din fiecare interval mi trebuie sa fie suficient de mare
(mi= 510). Numarul claselor se determina cu relatia:
(4.47)
Se recomanda l = 10  20. Lungimea intervalului este:
x max  x min
d (4.48)
l
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 mi  x
ti  (4.49)
s
unde s este abaterea standard empirica (eroarea medie patratica):
1 n
s  (xi  x ) 2
n  1 i 1
(4.50)
xmi este limita superioara a clasei i, iar valoarea medie este:
1 n
x  xi
n i 1
(4.51)
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  (4.52)
Se tine seama ca (-)= - 0,5 iar () = 0,5 si apoi se calculeaza
criteriul de concordanta:
(mi  npi ) 2
l
 
2
(4.53)
i 1 npi
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:
(4.54)
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 ixi-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 4.2
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

Exemplul 3.2
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:  d := floor(d)
1  3.322  log(x )
  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)

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.

3.1.4.2. Criterii aproximative de verificare

Se foloseste o metoda aproximativa de verificare a normalitatii repartitiei

bazata pe estimarea momentelor centrate de ordinul trei si patru (3 si 4). {n
cazul repartitiei normale a erorilor aleatoare aceste momente sunt: 3 = 0 si
4.=3 4. Pentru comoditatea comparatiei se calculeaza coeficientul de asimetrie
1 (4.40) si excesul E (4.45) care vor trebui sa fie mici, daca repartitia este
normala. Ordinul de marime al acestora, se apreciaza comparativ cu erorile
medii patratice corespunzatoare, care sunt egale cu:
pentru coeficientul de asimetrie
si
pentru exces.
Daca cel putin una dintre caracteristicile indicate, luata in valoare
absoluta, depaseste semnificativ (de doua trei ori) eroarea medie patratica a ei,
atunci normalitatea repartitiei urmeaza sa fie supusa indoielii si sa se faca o
analiza a datelor experimentale cu ajutorul criteriului 2. In caz contrar nu avem
motive pentru o astfel de indoiala.

5.1.7. Estimatii ale adevaratei valori a unei marimi fizice

 5.1.7.1. 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(x I) 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.

5.1.7.2.Estimarea preciziei dispersiei

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

eroarea medie patratica .

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
  s   (xi  a ) 2
2 2
* (4.65)
n i 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
(xi  x ) 2 (4.66)
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 corespunzatoare sunt s12 , s22 ......, sm2 drept estimatie a
dispersiei se ia media ponderata a dispersiilor empirice:
 (n1  1)s12  (n2  1)s22  ...... (n m  1)sm2
 2  s2  (4.67)
(n1  1)  (n 2  1) ....... (nm  1)

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
(4.68)

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

Daca pentru m serii de masurari se cunosc numarul de masurari din
fiecare serie n1, 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 ) (4.69)
m  1 i 1
unde:
m
1
x
n1  n 2 ....... n m
n x
i 1
i i (4.70)

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.

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
s
q (4.71)
sau
s  (1  q )    s  (1  q ) (4.72)
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   (4.73)
2k   2k 

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 4.6
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

5.1.7.3.Compararea dispersiilor

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

obtinut dispersia empirica s12 pentru un numar de grade de libertate k1 si
dispersia empirica s 22 pentru un numar de grade de libertate k 2 (s12  s22 ) . Se
compara raportul intre cea mai mare dispersie empirica si cea mai mica:
s12
F 1 (4.74)
s 22
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) (4.75)

atunci se considera ca diferenta dintre cele doua dispersii este semnificativa si

deci precizia aparatului ce da dispersia s 22 este mai mare.
 Valorile critice F(P, k1, k2 ) pentru nivelul de incredere  = 0.95
Tabelul 4.7
k2 / k 1 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
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

5.1.7.4.Eliminarea dispersiei ce difera

semnificativ de celelalte

Daca avem m aparate de masura cu care efectuam acelasi numar n de

masurari si constatam ca dispersia empirica s12 este sensibil mai mare decit
celelalte ne propunem sa stabilim daca diferenta dintre aceasta dispersie si
celelalte este semnificativa sau nu. Pentru aceasta comparam dispersia cea mai
mare s12 cu suma tuturor dispersiilor si se calculeaza raportul:

s12
G (4.76)
s12  s22  ........ s m2
Daca:
G  G ( P , m, k ) (4.77)

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 4.8
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

5.1.8.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:
x1  x 2  ....... x n 1 n
ax   xi (4.78)
n n i 1
Daca masurarile nu sunt de egala precizie, dar se cunosc ponderile
masurarilor p1, p2, ..., pn care sunt invers proportionale cu dispersiile erorilor  12 ,
 22 , ....,  2n atunci drept estimatie a adevaratei valori a se ia media aritmetica
ponderata:
n

p x  p 2 x 2  ...... p n x n px i i
a 1 1  i 1
n (4.79)
p1  p 2  ...... p n
p
i 1
i

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

pi = mi (i = 1, 2, ...., n) iar  i  m (4.80)
2

Estimatiile se calculeaza cu formula prezentata mai sus.

 5.1..Estimari pentru intervale de incredere
a adevaratei valori
5.1.9.1.Pentru masurari de egala precizie

Intervalul de incredere a valorii adevarate a este:

x-<a<x+ (4.81)
sau
a  x  (4.82)
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  (4.83)
n
Pentru un nivel de incredere ales t (P) se determina din tabelul 4.3. Se obtine:
t (P)  
 (4.84)
n
Daca eroarea medie patratica nu se cunoatte, atunci se utilizeaza in locul
ei abaterea standard empirica:
n 1 n
s  s*
n1
  (x i  x ) 2
n  1 i 1
(4.85)
Intervalul de incredere este:
t (P, k )  s
ax  (4.86)
n
sau
t ( P, k )  s*
ax  (4.87)
k

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
(4.88)
cu nivelul de siguranta P = 0.9973 iar daca nu se cunoaste :
3s
ax 
n
(4.89)
cu nivelul de incredere dat in tabelul 4.10.

Valorile t (P, k)
Tabelul 4.9
 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 4.10
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

5.1.9.2.Pentru masurari de precizii diferite

Consideram ca rezultatele masurarilor de precizii diferite x 1, x2, ...., xn

sunt medii ale unor masurari de egala precizie pentru fiecare serie m 1, m2, .....,
mn. Intervalul de incredere al valorii adevarate a marimii masurate este:
t (P, k )  s
ax  (4.90)
N
unde
 n n
1
x
N
 mi  xi
i 1
N   mi
i 1
(4.91)
1 n
s 
n  1 i 1
mi ( x i  x ) 2 (4.92)
Numarul de grade de libertate k = n - 1 iar pentru un nivel de incredere ales, t
(P,k) se determina din tabelul 4.9.
Daca pentru rezultatele masurarilor x1, x2, ...., xn de precizie inegala se
cunosc valorile ponderilor p1, p2, ....., pn si dispersiile  12 ,  22 , ......,  2n , atunci
intervalul de incredere pentru adevarata valoare a marimii masurate este:
a  x  t (P, k )  s x (4.93)
unde
n

p i 1
i  xi
x n (4.94)
 pi
i 1
n

 p (x
i 1
i i  x) 2
sx  n (4.95)
(n  1) pi
i 1

Numarul de grade de libertate este k = n - 1.

Daca ponderile masurarilor sunt necunoscute, ele se inlocuiesc cu valorile
corespunzatoare determinate cu relatiile:
mi
pi  i = 1, 2, ......., n (4.96)
si2
unde
1 mi
si2  
mi  1 j 1
(x ij  x i ) 2 (4.97)
iar xi1, xi2, ......., xi mi sunt rezultatele masurarilor inregistrate in cea de a i-a serie
cu valoarea medie xi. Se ia estimatia:
t(P)
ax  (4.98)
p
unde t(P) se determina din tabelul 4.3 pentru un nivel de incredere P ales
convenabil. In cadrul acestor estimari numarul de masurari trebuie sa fie
suficient de mare.

Exemplul 5.1
Consideram cinci seturi de masurari a masei a o mie de boabe de orz prezentate in
tabelul de mai jos:
 Nr. Seria 1 Seria 2 Seria 3 Seria 4 Seria 5
1 29.1 30.7 31.85 31.1 31.1
2 29.45 31.3 31.9 31.8 31.9
3 30.1 31.45 32.1 32.1 32.3
4 30.45 31.7 32.35 32.3 32.6
5 30.7 31.85 32.5 32.5 32.9
6 31.3 31.9 32.7 32.7 33.1
7 31.45 32.1 32.8 32.8 33.15
8 31.7 32.35 32.82 32.9 33.2
9 31.85 32.5 32.95 33.95 33.25
10 31.9 32.7 33.1 33.1 33.3
11 32.1 32.8 33.2 33.15 33.35
12 32.35 32.82 33.3 33.2 33.4
13 33.45 32.95 33.35 33.25 33.45
14 32.5 33.1 33.4 33.3 33.5
15 32.7 33.2 33.42 33.35 33.55
16 32.8 33.3 33.45 33.4 33.58
17 32.85 33.4 33.5 33.45 33.6
18 33.1 33.42 33.57 33.5 33.65
19 33.3 33.5 33.6 33.55 33.7
20 33.4 33.57 33.65 33.6 33.73
21 33.42 33.6 33.7 33.65 33.76
22 33.5 33.7 33.75 33.7 33.8
23 33.6 33.75 33.8 33.75 33.83
24 33.8 33.8 33.85 33.8 33.85
25 33.95 33.95 33.9 33.85 33.87
26 34.1 34.1 33.95 33.9 33.9
27 34.25 34.25 33.97 33.95 33.92
28 34.4 34.3 34 34 33.94
29 34.5 34.4 34.05 34.05 33.96
30 34.65 34.5 34.1 34.1 33.98
31 34.8 34.65 34.25 34.3 34
32 34.91 34.72 34.3 34.5 34.02
33 35.2 34.8 34.4 34.6 34.05
34 35.4 34.91 34.5 34.7 34.1
35 35.5 35.1 34.65 34.8 34.5
36 35.95 35.2 34.72 34.85 34.7
37 36.4 35.4 34.8 34.9 34.9
38 36.8 35.5 34.91 35 35
39 37.4 35.95 35.1 35.1 35.1
40 37.1 36.4 35.2 36.1 36.1

Sa se calculeze parametrii statisici principali, sa se arate care din seria de masurari are
precizia mai mare si sa se determine adevarata valoare a marimii masurate.

Cu programul PARSTAT.MCD se determina parametrii statistici principali prezentati

in tabelul urmator:
 Parametrul Seria 1 Seria 2 Seria 3 Seria 4 Seria 5
Media 33.379 33.59 33.635 33.765 33.74
Dispersia 4.016 1.733 0.696 0.675 0.558
Abaterea medie patratica 2.004 1.316 0.835 0.822 0.747
Amplitudinea 8.3 5.7 3.35 4 4.2
Mediana 33.41 35.585 33.675 33.725 33.745
Moda 33.472 33.575 33.754 33.645 33.755
Valoarea centrala 33.25 33.55 33.525 34.1 34
Coeficientul de variatie 0.06 0.039 0.025 0.024 0.022
Abaterea medie absoluta 1.604 1.059 0.66 0.636 0.524
Coeficientul de asimetrie 0.002 0.005 0.063 0.162 0.241
Coeficientul de boltire 2.56 2.479 2.583 3.262 4.706
Excesul - 0.44 - 0.521 - 0.417 0.262 1.706

Pentru compararea dispersiilor, din tabelul 4.7 se ia valoarea critica F(0.95, 39,39) =
1.7 si se compara cu valorile calculate ale rapoartelor:
s12 4.016
F12  2   2.317  1.7
s2 1.733
s22 1733
.
F23  2   2.489  17
.
s3 0.696
s32 0.696
F34    103
.  17
.
s42 0.675
s42 0.675
F45    121
.  17.
s52 0.558
Seriile de masurari 1 si 2 au diferente semnificative ale dispersiilor. Seriile 3, 4 si 5 nu
au diferente semnificative ale dispersiilor iar precizia masurarilor este mai mare decit in cazul
celorlalte doua serii.
Pentru a determina daca diferenta dintre dispersiile masurarilor din seriile 1, 2 si
celelalte dispersii sunt semnificative se determina din tabelul 4.8 valoarea critica G(0.95,5,39)
= 0.3008 si se compara cu valorile calculate ale rapoartelor:
4.016
G  0.523  0.3008
4.016  1.733  0.696  0.575  0.558

1.733
G  0.225  0.3008
4.016  1.733  0.696  0.575  0.558

Rezulta ca prima serie de masurari difera semnificativ de celelalte si se poate elimina iar
pentru seria a 2-a de masurari diferenta nu este semnificativa si seria de masurari nu se
elimina.
Adevarata valoare a masei a o mie de boabe se poate estima punctual prin valoarea
medie a masurarilor din seriile 2 - 5. Estimarea adevaratei valori a marimii masurate prin
intervale de incredere se face calculind erorile de masurare, pentru un interval de incredere
0.99 pentru care se determina, din tabelul 4.9, t (0.99, 39) = 2.7. Erorile de masurare calculate
sunt:
 2.71  1.733
2   0.752
39
2.71  0.696
3   0.302
39
2.71  0.675
4   0.292
39
2.71  0.558
5   0.242
39
Adevarata valoare a masei a o mie de boabe, pentru seriile de masurari 2 - 5, estimata
prin intervale de incredere este:
33.59 - 0.752 = 32.838 < a2 < 33.59 + 0.752 = 34.342
33.635 - 0.302 = 33.333 < a3 < 33.635 + 0.302 = 33.937
33.675 - 0.292 = 33.383 < a4 < 33.675 + 0.292 = 33.967
33.74 - 0.242 = 33.498 < a5 < 33.74 + 0.242 = 33.982
Masurarile cele mai precise sunt efectuate in seria a 5 - a de masurari.

6.4. DEPENDENTA STOCHASTICA A DOUA

SAU MAI MULTE VARIABILE (CORELATIA)
 In capitolele anterioare s-a dedus expresia ecuatiei y = f(x) admitind ca fiecarei valori a lui x ii

corespunde o singura valoare pentru y. In natura si tehnica exista foarte multe cazuri in care variabila y este, in

plus, o functie si de alte variabile, care pot sa nu fie cunoscute, ceea ce face ca unei valori date a lui x sa

corespunda mai multe valori pentru y, precum si ca o valoare a lui y sa apara pentru mai multe valori ale lui x.

In general se vorbeste de corelatii intre factori, evenimente atribute sau

caracteristici a caror dependenta reciproca este numai partiala. De multe ori,
poate, nu este vorba atit de dependenta fizica a acestora una de alta, cit de
dependenta lor de alte proprietati care pot fi numai banuite.
Reprezentind grafic valorile variabilelor se constata ca punctele obtinute
au o imprastiere foarte mare, ea neputind fi atribuita erorilor aleatoare.
In acest caz se spune ca variabilele sunt legate STOCHASTIC sau sunt
corelate in loc sa fie legate cauzal sau functional.
Relatiile stochastice pot fi liniare sau neliniare si pot exista intre doua, trei
sau mai multe variabile.
Corelatia studiaza legea medie de comportare a fiecarei variabile, precum
si marimea dependentei intre variabilele considerate. Expresia analitica ce
descrie legatura dintre doua variabile corelate se numeste functie de regresie.
Astfel, expresia y = f(x) este functia de regresie a lui y asupra lui x iar expresia
x= f(y) functia de regresie a lui x asupra lui y.
Expresia grafica a functiei de regresie se numeste curba de regresie.
Natura dependentei dintre marimi este caracterizata prin coeficientul de
corelatie sau raportul de corelatie.

6.4.1. Corelatia liniara intre doua variabile

Crelatia intre doua variabile x si y este liniara daca ambele functii de

regresie sunt liniare. In acest caz curbele de regresie sunt drepte de regresie.
Pantele acestor drepte se exprima prin coeficientul de corelatie care este masura
dependentei liniare dintre marimile x si y.

6.4.1.1. Coeficientul de corelatie

Pentru studiul corelatiei intre doua variabile x si y se efectueaza un numar

n de experiente (observatii, incercari) independente. Fie x i, yi (i = 1, 2, …., n)
rezultatele masurarilor. Cu aceste valori se calculeaza estimatiile punctuale ale
valorilor medii:
1 n 1 n
x  xi ;
n i 1
y  yi
n i 1
(4.168)
 Apreciind ca dispersiile  2x si  2ysunt estimate de erorile standard
empirice (dispersiile empirice) si , coeficientul empiric de corelatie este
dat de relatia:
(4.169)
unde:
(4.170)

(4.171)

Coeficientul empiric de corelatie este o marime adimensionala a carei

valoare nu depaseste unitatea:
 r  1 (4.172)
daca variabilele x si y sunt independente atunci r = 0. Daca Daca r=1 exista o
dependenta functionala liniara intre variabilele (fiecarei valori a unei variabile ii
corespunde numai o singura valoare a celeilalte variabile).
Datorita imprastierii aleatoare ale rezultatelor masurarilor, chiar pentru
variabile independente, coeficientul empiric de corelatie poate fi diferit de zero.
Rezulta necesitatea verificarii semnificatiei coeficientului de corelatie, adica
verificarea posibilitatii respingerii ipotezei privind necorelarea variabilelor
considerate. Verificarea se face cu relatia:
r  n1 H (4.173)
unde H este valoarea critica ce depinde de nivelul de incredere P si numarul de
masurari n. Valorile critice H sunt date in Anexa 7.
Daca relatia este satisfacuta, atunci cu probabilitatea (nivelul de
incredere) P se poate respinge ipoteza necorelarii liniare a celor doua variabile.

6.4.1.2. Drepte de regresie

Dreapta de regresie empirica a lui y asupra lui x are ecuatia:

(4.174)
Coeficientul unghiular al dreptei de regresie se numeste coeficient de regresie
empiric si are expresia:
 (4.175)

Dreapta de regresie empirica a lui x asupra lui y are ecuatia:

sx
xxr ( y  y) (4.176)
sy
unde:

(4.177)

este coeficientul de regresie empiric a lui x asupra lui y.

Parametrii ambelor drepte de regresie satisfac principiul celor mai mici
patrate. Astfel, pentru variabila y, suma patratelor abaterilor valorilor masurate
yi de la cele calculate cu ajutorul ecuatiei dreptei de regresie y = f(x) este mai
mica decit suma patratelor abaterilor acestor valori de la orice alta dreapta.
In mod similar, pentru valorile x suma patratelor abaterilor valorilor
masurate xi de la cele calculate cu ajutorul ecuatiei dreptei de regresie x = f(y)
este mai mica decit suma patratelor abaterilor acestor valori de la orice alta
dreapta.
Ambele drepte de regresie trec prin centrul empiric al repartitiei – punctul
( .
Dreapta de regresie a lui x asupra lui y are intodeauna panta mai mare
decit dreapta de regresie a lui y fata de x.
Coefientul de regresie by/x si bx/y au acelasi semn ca si coeficientul de
corelatie r si sunt legati prin relatia:
by/x bx/y = r2 (4.178)
Dreaptele de regresie coincid cind r= 1.

6.4.1.3. Eliminarea datelor afectate de erori grosolane

Daca printre datele experimentale se descopera una “suspecta” ce difera

mult de celelalte se pune problema daca aceasta valoare trebuie sau nu
eliminata. Pentru eliminarea acestei date, ce difera mult de celelalte, se
calculeaza dispersiile empirice si coeficientul de corelatie corespunzatoare
tuturor valorilor s x2 , s y , r si aceeasi parametri pentru toate valorile cu exceptia
2

celei suspecte (pentru n - 1 valori), respectiv s 2x , s y si r .

2
Raportul:
(4.179)
se compara cu valoarea critica admisibila R (P, n) data in tabelul 4.17 functie de
nivel de incredere P si un numar de date n. Daca valoarea R calculata este mai
mica decit valoarea critica admisibila R(P,n) atunci valoarea “suspecta” se
considera a fi afectata de erori grosolane si se elimina. In caz contrar se pastreza
pentru prelucrare.

Valorile minime admisibile ale raportului R

Tabelul 4.17
N\P 0.90 0.95 0.99 n\P 0.90 0.95 0.99
10 0.268 0.22 0.139 20 0.536 0.494 0.409
11 0.309 0.26 0.174 22 0.567 0.527 0.455
12 0.345 0.296 0.207 24 0.598 0.555 0.477
13 0.378 0.329 0.238 26 0.617 0.561 0.505
14 0.407 0.359 0.268 28 0.637 0.603 0.530
15 0.434 0.386 0.296 30 0.655 0.623 0.553
16 0.458 0.412 0.321 35 0.693 0.664 0.6
17 0.48 0.435 0.346 40 0.723 0.697 0.639
18 0.5 0.456 0.368 45 0.748 0.723 0.67
19 0.519 0.476 0.389 50 0.768 0.745 0.696

6.4.2.Corelatia liniara multipla

Notiunea de corelatie liniara intre doua variabile tratata anterior poate fi

extinsa la cazul unui numar de mai multe variabile. In cele ce urmeaza se
trateaza cazul a trei variabile x, y si z facindu-se referinta numai la regresia
empirica a variabilei z asupra variabilelor x si y.

6.4.2.1.Planul de regresie

Planul de regresie a lui z asupra variabilelor (x, y) are ecuatia:

(4.180)
unde coeficienteul de regresie bz/x si bz/y se determina cu ajutorul coeficientilor
de corelatie dintre perechile de variabile x si y; x si z; y si z astfel:
(4.181)

(4.182)
Si in cazul de fata coeficientul de corelatie dintre perechile de variabile
amintite are expresiile:
 (4.183)

(4.184)

(4.185)
unde k este numarul total de date experimentale, adica numarul de puncte (xk, yk,
zk) iar Sx, Sy, Sz sunt dispersiile empirice:

(4.186)

(4.187)

(4.188)

Ca urmare a dependentei dintre variabila z si variabilele x si y se

considera coeficientul multiplu de corelatie:

(4.189)

Coeficientul multiplu de corelatie R este intodeauna cuprins intre 0 si 1.

Daca variabila z nu depinde de variabilele x si y, valoarea teoretica a
coeficientului R este zero.
Coeficientul multiplu de corelatie este egal cu unu daca si numai daca
toate datele experimentale se situeaza in planul de regresie (exista o dependenta
functionala liniara a variabilei z si y).
Pentru studiul influentei numai a unuia dintre factori, de exemplu a
factorului caracterizat de variabila x asupra celui exprimat prin variabila z, adica
pentru studiul corelatiei dintre x si z dupa inlaturarea variatiei determinate de
influenta variabilei y, se introduce coeficientul de corelatie partial al variabilelor
x si z in raport cu variabila y:
(4.190)
In mod analog se determina coeficientii de corelatie partiali ai variabilelor
x si y in raport cu z si ai variabilelor y si z in raport cu x:
(4.191)

(4.192)
 6.4.3. Corelatia neliniara

In cazul corelatiei neliniare, drept masura a dependentei, adica drept

masura a concentrarii punctelor experimentale in jurul curbelor de regresie se ia
raportul de corelatie y/x pentru dependenta lui y in functie de x sau x/y pentru
dependenta lui x in functie de y.

6.4.3.1.Raportul de corelatie

Pentru calculul rapoartelor de corelatie, se imparte intreaga gama de

perechi de valori (xi, yi) in l intervale (l > 8) si pentru fiecare interval de rang j se
calculeaza mediile aritmetice conditionale si (mediile aritmetice ale
valorilor x, respectiv y ce cad in intervalul j) cu formulele:
; (4.193)
unde mj este numarul de perechi de puncte (xij, yij) din intervalul j.
Rapoartele de corelatie se calculeaza cu relatiile:

(4.194)

(4.195)

Raportul de corelatie satisface inegalitatile:

0   r   y/x  1 ; 0   r   y/x  1 (4.196)
Daca raportul de corelatie are valoarea y/x = 1 intre variabilele x si y
exista o dependenta functionala. Daca y/x = 0 variabilele x si y sunt necorelate.

6.4.2.Curbe de regresie

Construirea curbelor de regresie se face prin metoda celor mai mici

patrate. De obicei problema se limiteaza la considerarea unei dependente
parabolice de grad mic, adica se apreciaza ca expresiile analitice ale curbelor de
regresie sunt polinoame de gradul doi sau trei.
Modelul de calcul al coeficientilor este identic cu cel prezentat in
capitolul 4.2.2 pentru functia polinom. Un program, realizat in limbajul de
programare Turbo Pascal este prezentat in anexa 8.
 Exemplul 4.21

Sa se determine coeficientii unor functii de doua variabile independente pentru

valorile din tabelul de mai jos:

Nr. x1 X2 y y1
1 30 190 57600 130
2 70 190 100800 50
3 30 70 14400 10
4 70 70 0 -70
5 60 190 93600 70
6 40 190 72000 110
7 30 100 25200 40
8 70 150 67200 10
9 50 130 48000 30
10 40 130 43200 50
11 50 165 69000 65
12 60 180 86400 60

Pentru calculul coeficientilor se utilizeaza programul FUNC2VAR.MCD:

ORIGIN0
n:=12 p:=5
i:=1 .. n j:=1 .. p k:=1 .. p
x 3,i :  (x1,i ) 2
x 4 ,i  x1,i  x 2 ,i x 5 ,i :  ( x 2 ,i ) 2
m0 , 0 :  n m0, j :   x j ,i m j , 0 :  m0 , j m j , k :   ( x j ,i  x k ,i )
i i

b0 :   y i b j :   ( x j ,i  y i )
i i
1
a:  m  b
err:  m  m 1 mat_id := identify (6) err := err - mat_id
i1 :=0 .. 5 j1 := 0 .. 5
vi1 :   j1
erri 1, j 1
norma := max(v) norma = 1.863 10-9
t 0 :  a 0  yi t1:   a j  ( y i  x j ,i ) t 3:   ( y i ) 2
i j i i

( y i ) 2
t 0  t1  t 2
t 2:  i coef _ corel:  coef_corel = 1
t3  t2
n  11
1  10
2
1
a   15
1.332  10
0
0

Pentru funtia a 2-a coeficientii sunt:

8
1.956  10
11
5.82 1 10
11
5 .82 1 10
a 
 12
12
13
2.27 4  10

f (x1, x 2):  a 0  a1  x1  a 2  x 2  a 3  x12  a 4  x1  x 2  a 5  x 2 2

 Ecuatiile celor doua functii sunt:
f (x1,x2) = x2 - 2 x1
f1 (x1,x2) = 12 x1 x2 - 12 x12

Exemplul 4.22

Sa se calculeze coeficientii de corelatie simpli de sondaj in cazul a trei variabile

independente x1, x2 , x3 si a variabilei independente y. Variabila independenta x1 reprezinta
turatia aparatului de dezaristare, variabila x2 jocul dintre sinele aparatului si stator iar variabila
x3 debitul de alimentare cu material. Variabila dependenta y reprezinta gradul de dezaristare
al boabelor de orz. Valorile acestor variabile sunt prezentate in tabelul de mai jos:

Exp. x1 x2 x3 Dz
1 675 10 0.3 94.76
2 775 10 0.3 97
3 675 18 0.3 88.1
4 775 18 0.3 88.25
5 675 10 1.5 75.75
6 775 10 1.5 88.25
7 675 18 1.5 79.3
8 775 18 1.5 79.25
9 675 14 0.9 88.8
10 775 14 0.9 90.1
11 725 18 0.9 84.7
12 725 10 0.9 91.3
13 725 14 1.5 82.5
14 725 14 10 91.75
15 725 14 0.9 89.5

Valorile coeficientilor de corelatie sunt:

Rx1y = 0,10269
Rx2y = - 0,62651
Rx3y = -0,74943
 7. PRELUCRAREA SIRURILOR DE DATE IN FUNCTIE
DE O VARIABILA INDEPENDENTA

7.1. Reprezentarea datelor experimentale

Rezultatele cercetarilor experimentale, concretizate prin valorile numerice

ale marimilor masurate, pot fi reprezentate sub forma de tabele, grafice sau
ecuatii. In general, in cazul cercetarilor se folosesc toate cele trei forme, in
functie de etapa de lucru. Astfel, datele initiale sunt mai intii trecute in tabele
prin extragerea (citirea) lor de pe aparatele de vizualizare a valorilor marimilor
masurate, fie din aparatele de inregistrare a acestor valori. Prelucrarea acestor
date in vederea determinarii mediei, abaterii medii patratice, a eliminarii unor
valori, etc., se rezolva mai usor utilizind tabele adecvate. Apoi datele sunt
reprezentate prin grafice si se determina ecuatia (formula analitica) care descrie
cel mai corect procesul sau fenomenul studiat.

7.1.1. Reprezentarea datelor prin tabele

 Avantajele tabelelor constau in simplitatea si usurinta intocmirii lor,
pastrarea datelor sub forma compacta, usurinta gasirii si compararii lor.
In functie de relatiiloe dintre marimile ce sunt reprezentate in tabel se
deosebesc:
a) clasa calitativa de tabele (stabilesc relatii calitative);
b) clasa statistica de tabel (unele variabile sunt exprimate cantitativ);
c) clasa functionala de tabele (exprima relatii de forma f = f(x)).
Intocmirea unor tabele corecte presupune respectarea urmatoarelor reguli:
- Titlul sa fie scurt, complet si clar si sa descrie sumar continutul;
- Coloanele sa aiba titluri semnificative pentru toate elementele din
coloana respectiva: corecte, fara simboluri si sa cuprinda unitatile de
masura ale valorilor ce se inscriu;
- Valorile numerice inscrise in coloana sa fie aranjate astfel incit
virgulele si cifrele cu aceeasi semnificatie (sute, zeci, unitati, zecimi,
sutimi, etc.) sa fie aliniate vertical, iar lipsa unei valori nu se va marca
cu zero ci prin necompletarea rindului respectiv.
Clasa functionala de tabele (specifica cercetarii aplicative) cuprinde
alaturate valori ale unei marimi considerata variabila independenta (x) si valori
ale altei marimi considerata variabila dependenta (y). Se recomanda trecerea in
tabela a valorilor lui x in ordinea crescatoare sau descrescatoare, cu un interval
constant x intre valori, interval numit diferenta comuna. De obicei x se ia
egal cu 1, 2, sau 3 inmultit cu 10  n unde n este un numar intreg, in functie de
ordinul de marime al valorilor lui x.
In functie de scopul si importanta cercetarii precum si de precizia
aparatului de masura se alege numarul de cifre semnificative ale valorilor ce se
trec in tabela. Daca din experimentari au rezultat multe cifre si este nevoie sa se
retina mai putine se procedeaza la rotunjirea numerelor tinindu-se seama de
urmatoarele:
- Daca prima cifra ce trebuie neglijata este mai mare decit 5 sau 5 urmat
de cifre diferite de zero, ultima cifra pastrata se mareste cu o unitate;
- Daca prima cifra ce trebuie neglijata este mai mica decit 5, ultima cifra
pastrata ramine constanta;
- Daca prima cifra ce trebuie neglijata este 5 urmat de zero, ultima cifra
pastrata se rotunjeste la cea mai apropiata cifra para.
Exemplu: 25,2750 devine 25,28 iar 25,265 devine 25,26.
Diferente tabelare. In prelucrarea materialului tabelat, de multe ori este
necesar sa se cunoasca diferentele tabelare succesive ale variabilei dependente y.
Se deosebesc diferente tabelare de ordinul unu (), doi (2) sau de ordin superior
(n).
Prin definitie:
yk = yk+1 - yk
2yk = yk+1 - yk = (yk+2 – yk+1) – (yk+1 – yk) = yk+2 – 2yk+1 + yk
 3yk = 2yk+1 - 2yk = (yk+2 - yk+1) – (yk+1 - yk) = yk+3 – yk+2 –
- (yk+2 – yk+1) – (yk+2 – yk+1) + yk+1 – yk = yk+3 +3yk+1 - yk
Mai usor, diferentele tabelare pot fi puse in evidenta pe un tabel conceput
corespunzator (tabelul 4.11).
Tabelul 4.11
x y y y2
3y
x0 y0 y0 = y1 – y0 2y0 = y1 - y0 3y0=2y1-2y0
x1 = x0 +x y1 y1 = y2 – y1 2y1 = y2 - y1 ………………
x2 = x0 + 2x y2 y2 = y3 – y2 ……………….
x3 = x0 + 3x y3 ……………
…………… ….

7.1.2. Reprezentarea datelor prin grafice

Metoda grafica de prezentare a datelor consta in reprezentarea valorilor

numerice sub forma geometrica prin lungimea unei linii, aria unei suprafete,
volumul unui solid, marimea unui unghi. Metoda prezinta avantaaje ca: usureaza
compararea valorilor, dau o imagine calitativa a dependentei f = f(x), se
descopera cu usurinta prezenta extremelor, punctelor de inflexiune, etc.
Se deosebesc:
a) grafice calitative, care exprima o variabila y ca si cum ar fi o functie de
x, fara sa existe o legatura cauzala intre ele, decit o simultaneitate in
timp sau o o coincidenta in spatiu;
b) grafice cantitative, care exprima o relatie intre variabilele legate
functional intre ele, sub forma unei curbe.
La intocmirea unui grafic cantitativ se va tine seama de urmatoarele
recomandari:
- hirtia aleasa sa fie corespunzatoare scopului urmarit iar liniatura
(milimetrica, log-log, semilog, etc.) sa fie suficient de deasa pentru a
usura citirea;
- gradarea scarilor sa se faca astfel incit o unitate de lungime a scarii sa
reprezinte 1, 2, 4 sau 5 unitati ale variabilei sau acestea inmultite cu
10 n (n fiind un numar intreg);
- scarile pentru variabile sa fie alese astfel incit curba rezultata sa se
plaseze in zona centrala a graficului;
- marimea dimensiunilor pe axele de coordonate se va face prin scrierea
in dreptul fiecarei diviziuni, sau din doua in doua diviziuni a valorilor
variabilelor, cu precizia ceruta de valorile masurate; daca domeniul de
definitie al variabilei nu incepe cu zero, pe grafic nu este necesar sa fie
trecuta originea sistemului de referinta, scarile corespunzind celor
doua domenii x ia, bs, y ic, ds;
 - daca pe acelasi grafic se reprezinta mai multe siruri de date, punctele
ce marcheaza valorile se vor diferentia corespunzator (cerc, cruce,
triunghi, etc.);
- trasarea curbei sa se faca astfel incit aceasta sa fie neteda, cu putine
puncte de inflexiune, sa traca cit mai aproape de punctele marcate,
aproximativ jumatate din ele situindu-se deasupra curbei, iar cealalta
jumatate dedesuptul curbei;
- se va intocmi o legenda explicativa si se va indica sursa datelor.

7.1.3. Reprezentarea prin ecuatii a sirurilor

de date functie de o variabila

Folosirea datelor experimentale este mult usurata daca pe baza

dependentei y = f(x) rezultata din masurari se gaseste o expresie analitica.
Aceasta este o forma compacta, usor de retinut, se pot face interpretari, derivari,
integrari necesare aprofundarii studiului fenomenului pe care-l modeleaza.
Ecuatiile obtinute pe baza datelor experimentale se numesc ecuatii
empirice spre deosebire de ecuatiile rationale obtinute prin deductii matematice.
In principiu, problema gasirii unei ecuatii empirice care sa reprezinte un
sir de date experimentale se reduce la:
a) gasirea unei forme potrivite de ecuatie;
b) calcularea valorilor constantelor arbitrare.
a). Alegerea formei adecvate pentru ecuatiile empirice.
Criterii de concordanta.
O ecuatie empirica este ideala cind reprezinta cit mai exact datele
experimentale si contine un numar cit mai mic de constante arbitrare, doua
caracteristici contrare.
Pentru gasirea tipului de ecuatie, se reprezinta, la o scara convenabila,
graficul y = f(x) descris de datele experimentale si prin comparatie cu curbele
etalon se apreciaza forma ecuatiei. Se urmareste modul in care ecuatia aleasa
concorda cu sirul de date prin aplicarea unui criteriu de concordanta. Daca
ecuatia propusa este nesatisfacatoare se repeta operatiunea cu o alta forma de
ecuatie.

Criteriul grafic de concordanta.

Se poate aplica formelor de ecuatii care se pot liniariza si care contin
maximum doua constante arbitrare. Aplicarea criteriului presupune parcurgerea
urmatoarelor etape:
 - Se scrie ecuatia propusa f(x, y, a, b) = 0 intr-o forma lineara explicita:
Y= A + B X in care: Y = f 1(y), X = f2(x), A = f3(a, b), B = f4(a, b), a si
b fiind constantele arbitrare.
- Se calculeaza X si Y corespunzatoare perechilor de valori (x, y) din
tabelul rezultatelor experimentale;
- Se reprezinta graficul Y = f(X).
Daca graficul obtinut este o dreapta, ecuatia f(x, y, a, b) = 0 este
satisfacatoare.
Dintre formele de ecuatii pentru care se poate aplica criteriul grafic de
concordanta mentionam:
Y = a bx; y = a ebx; y = a xb; y = ea+bx; ; ; care

devin respectiv lny = lna + x lnb; lny = lna + b x; lny = a + b x; ;

; .

Criteriul tabelar de concordanta.

Se recomanda formelor de ecuatii care contin mai mult de doua constante
arbitrare si consta in intocmirea unei tabele corecte cu datele experimentale (cu
diferenta comuna x = constant), calcularea anumitor diferente tabelare
succesive si verificarea constantei sirului final de diferente tabelare.
Metoda are un domeniu larg de utilizare dar prezinta unele dificultati la
gasirea criteriului de verificare (ce anume diferente tabelare succesive trebuiesc
calculate).
In tabelul 4.12 se prezinta criteriile de concordanta tabelara pentru citeva
tipuri de ecuatii dintre cele mai intilnite.
Criteriile de concordanta tabelara pentru citeva tipuri de ecuatii
Tabelul 4.12

Se trasea-
za grafi-
Nr. Forma de ecuatie propusa cul si se Se calculeaza Criteriul de
Crt. intocmes diferentele concordanta
-te o succesive:
tabe-la
cu:
1 y=a0+a1x+a2x2+ …. +anxn y= f(x) y, 2y,.. ny ny = ct
2 y=a0+a1/x+a2/x2+…+an/xn y= f(1/x) y, 2y,.. ny ny = ct
3 y2=a0+a1x+a2x2+…+anxn y2=f(x) y2, 2y2,.. ny2 ny2 = ct
4 lgy=a0+a1x+a2x2+…+anxn y = f(x) (lgy), 2(lgy),.. n(lg y) = ct
n(lgy)
5 y=a0+a1(lgx)+a2(lgx)2 y=f(lgx) y, 2y ny = ct
6 y=a0+a1 a2x y=f(x) y, lgy, (lgy) (lgy) = ct
7 y=a0+a1x+a2 a3x y=f(x) y, 2y, lgny, (lgny) = ct
(lg2y)
8 lgy=f(x) lgy, lgx lgy- lgx=ct

7.2. Evaluarea constantelor arbitrare.

Metoda celor mai mici patrate

Metoda generala de calcul pentru determinarea constantelor este metoda

celor mai mici patrate. Volumul mare de lucru cerut de aceasta metoda, in
conditiile in care nu se dispune de mijloace de calcul si de programe adecvate,
determina folosirea unor metode simplificate. Dintre acestea, cea mai usor de
utilizat este metoda “punctelor alese”, care consta in alegerea din tabelul cu date
experimentale a unui numar de perechi de date (x i, yi ), egal cu numarul de
constante continut de ecuatia propusa si inlocuirea lor in ecuatie. Se obtine astfel
un sistem compatibil de an ecuatii cu an necunoscute, in care an este numarul de
constante continute in ecuatie. Rezolvarea sistemului duce la determinarea
valorilor constantelor.

Metoda celor mai mici patrate se bazeaza pe principiul cu acelasi nume

sau principiul probabilitatii maxime care stabileste ca pentru un sir de perechi de
valori (xi, yi ) determinate experimental, ecuatia analitica care descrie cel mai
satisfacator procesul dat, este aceea pentru care suma patratelor abaterilor
valorilor rezultate experimental fata de valorile calculate cu relatia respectiva
este minima.
Admitind ca numai valorile variabilei dependente y i sunt afectate de erori,
se poate considera ca abaterile intre valorile masurate si cele calculate sunt egale
cu (yi – y) unde:
y  f (x , a o , a 1 , a 2 , ......, a n ) (4.99)
este ecuatia despre care se presupune ca reprezinta cel mai fidel datele masurate.
Expresia matematica a principiului celor mai mici patrate va fi:
(4.100)
in care x  xi conform ipotezei anterioare.
Suma S va fi minima daca sunt indeplinite conditiile:
S S S S
 0;  0;  0; . . . . . . . . ; a 0
a o a 1 a 2 n

(4.101)
Se obtine astfel un sistem de ecuatii care rezolvat, duce la aflarea
constantelor arbitrare ao , a1 , a2 , . . . . . , a n si deci la determinarea ecuatiei
cautate.
 In continuare se prezinta modul de aplicare a metodei pentru citeva functii
uzuale.
Functia liniara.
a) Dreapta ce trece prin origine.
y=ax

Rezulta:

b) Dreapta de forma:
y  ax b

sau

Rezolvarea sistemului conduce la:

Functia putere
Functia putere este de forma:
y  b  xa
Prin logaritmare se obtine o functie liniara a carei ecuatie este:
y1  a  x1  b1
in care:
y1  ln y ; b1  ln b ; x1  ln x
Se pot astfel utiliza rezultatele obtinute la functia liniara:

Functia exponentiala
Functia exponentiala este de forma:
y  b  e a x
Prin logaritmare se obtine o functie liniara a carei ecuatie este:
y1  a  x  b1
unde:
y1  ln y ; b1  ln b ;
Constantele vor avea valorile:

Functia logaritmica
Functia logaritmica este de forma:
y  b  a  ln x
Prin logaritmare se obtine o functie liniara a carei ecuatie este:
y 1  a  x1  b
unde: x1  ln x .
Valorile constantelor vor fi:
 ;

Functia polinom
Functia polinom este de forma:
y  a 1 x m  a 2 x m1 ........ a m x  a m1
Principiul celor mai mici patrate are expresia:

Conditiile de minim:
S S S S
 0;  0;
. . . . . . .; a  0 ;  0;
a 1 a 2
m a m 1
conduce la sistemul de m+1 ecuatii liliare cu m+1 necunoscute tip Kramer:
n n n n n
a 1  x i2 m  a 2  x i2 m1  a 3  x i2 m 2 ............... a m1  x im   y i x im
i 1 i 1 i 1 i 1 i 1
n n n n n
a 1  x i2 m1  a 2  x i2 m 2  a 3  x i2 m 3  ....... a m1  x im1   y i x im1
i 1 i 1 i 1 i 1 i 1

...............................................
n n n n
a 1  x im  a 2  x im1  a 3  x im 2  ............................m1 n   y i
i 1 i 1 i 1 i 1

Rezolvarea sistemului conduce la determinarea celor m+1 constante ce

reprezinta coeficientii polinomului.
Pentru determinarea gradului optim al polinomului se calculeaza suma
patratelor abaterilor valorilor masurate de la cele calculate:
(4.102)
unde m1 este gradul considerat optim.
Dispersia corespunzatoare se calculeaza cu relatia:
S m1
2  (4.103)
n  m1  1
Se mareste gradul polinomului si se calculeaza din nou dispersia pina cind
dispersia ramine constanta si se considera ca s-a atins gradul optim al
polinomului. Daca gradul optim al polinomului este n o atunci este indeplinita
conditia:
 S no S no 1
2   (4.104)
n  no  1 n  no  2
Determinarea valorilor constantelor prin metoda celor mai mici patrate, pe
baza algoritmelor prezentate pentru functiile tratate anterior, se poate face prin
folosirea unui program adecvat cu ajutorul calculatorului.
In Anexa 2 este prezentat programul OVARIAB.PAS realizat in limbajul
Turbo Pascal 7.0 care are secvente pentru tipurile de functii prezentate anterior.
Deasemenea se poate folosi programul EXCEL. Pe baza datelor
experimentale se determina ecuatia care reprezinta aceste date pentru o anumita
forma (functie) aleasa. In plus acest program permite calcularea “coeficientului
de concordanta” intre datele experimentale si ecuatia determinata, notat cu R.
Cu cit valoarea lui R este mai apropiata de 1 cu atit forma de ecuatie aleasa
reprezinta mai bine datele experimentale. In acest sens programul EXCEL se
poate folosi si pentru gasirea formei de ecuatie care reprezinta cel mai fidel un
anumit sir de date. Astfel, daca pentru acelasi sir de date se presupun mai multe
forme de ecuatie (liniara, exponentiala, logaritmica, polinom, etc.) ecuatia
pentru care coeficientul R este mai mare reprezinta cel mai corect sirul
respectiv.
Programul EXCEL permite si reprezentarea grafica a ecuatiei
determinate.
In continuare se prezinta citeva exemple si rezultatele obtinute prin
utilizarea programelor amintite anterior.

Exemplul 7.1

Sa se determine ecuatia ce reprezinta datele din tabel admitind ca forma adecvata a

acesteia este y = a x + b

x 1 2 3 4 5 6 7 8 9 10
y 1.96 2.55 3.12 3.63 4.22 4.67 5.23 5.79 6.33 7.02

Dupa efectuarea calculelor utilizind programul OVARIAB.PAS, realizat in limbajul

de programare Turbo Pascal 7.0, se obtin urmatoarele valori ale constantelor:
a = 0.5491 ; b = 1.432;
 Ecuatia cautata va fi:
y = 0.5491 x + 1.432
Utilizind programului EXCEL se obtine graficul prezentat in figura si ecuatia
corespunzatoare. Coeficientul de concordanta este R2 = 0.9991.

Graficul a functiei liniare reprezentata cu programul EXCEL

Exemplul 7.2

Sa se determine ecuatia ce reprezinta datele din tabel admitind ca forma adecvata a

acesteia este y = b xa.

x 1 2 3 4 5 6 7 8 9 10
y 3.75 11.8 27.55 46.8 77.25 105.75 149.15 190.5 145.25 296.5

Ecuatia cautata este:

 Utilizind programului EXCEL se obtine graficul din figura.

Graficul functiei putere reprezentata cu programul EXCEL

Exemplul 7.3

Sa se determine ecuatia ce reprezinta datele din tabel, admitind ca forma

adecvata a acesteia este:
y = b + a lnx

x 1 2 3 4 5 6 7 8 9 10
y 4 6.12 7.21 8.18 8.75 9.4 9.82 10.24 10.58 10.94
Ecuatia cautata va fi:
y = 3.9897 +3.002 ln x

Utilizind programului EXCEL se obtine graficul din figura cu ecuatia

corespunzatoare.

Graficul functiei logaritmice reprezentata cu programul EXCEL

Exemplul 7.4

Sa se determine ecuatia ce reprezinta datele din tabelel admitind ca forma adecvata a

acesteia este:

y = a0 + a1 x + a2 x2 + a3 x3

x 0 200 400 600 800 1000 1200 1400 1600 1800

y 0 11.15 22.45 33.7 44 52.8 60 64.8 66.7 64.95

Se obtine ecuatia:

y = 0.0079 +0.0541 x +1.10-5 x2 + 1.10-8 x3

Utilizind programul EXCEL se obtine graficul din figura cu ecuatia corespunzatoare.
Graficul functiei polinom reprezentata cu programul EXCEL

Exemplul 7.5

In urma masurarii valorilor variabilelor x si y ce descriu un anumit proces s-au obtinut

datele din tabel:

x 0.1 0.3 0.5 0.7 0.9 1.1 1.3 1.5 1.7 1.9 2.1
 y 40 13.33 8 9.71 4.44 3.63 3.07 2.66 2.35 2.1 1.9

x 2.3 2.5 2.7 2.9 3.1 3.3 3.5 3.7 3.9 4.1 4.3
y 1.74 1.6 1.48 1.38 1.29 1.21 1.14 1.08 1.02 0.97 0.93

Sa se analizeze, folosind programul EXCEL, care din urmatoarele forme de ecuatii

reprezinta cel mai corect sirul de date si care este expresia analitica respectiv:
y = a x + b ; y = b xa ; y = a0 + a1 x + a2 x2 ; y = b xa ; y = b + a lnx
Utilizind programul EXCEL se obtin, corespunzator celor 5 forme de ecuatii propuse,
rezultatele prezentate in figurile de mai jos.

Graficul a functiei liniare reprezentata cu programul EXCEL

Graficul a functiei putere reprezentata cu programul EXCEL

Graficul a functiei polinom reprezentata cu programul EXCEL

Graficul a functiei exponentiale reprezentata cu programul EXCEL

Graficul a functiei logaritmice reprezentata cu programul EXCEL

8. REPREZENTAREA PRIN ECUATII A

FUNCTIILOR DE MAI MULTE VARIABILE
 In cercetarea experimentala se intilnesc, de multe ori, situatii in care
variabila dependenta y este functie, simultan, de mai multe variabile
independente. Apare deci necesitatea determinarii unei expresii analitice de
forma:
(4.105)
care sa exprime dependenta functiei y de variabilele independente xi si de
constantele a0, ai, aii, aij.
Rezolvarea problemei este mai complexa necesitind parcurgerea mai
multor etape si anume:
- Intocmirea unui program adecvat de organizare a experientelor;
- Determinarea valorilor constantelor;
- Testarea semnificatiei variabilelor;
- Testarea adecvantei formei functiei.

8.1.Structura programului de incercari experimentale

Etapele unui program statistic de organizare a experientelor sunt:

- Formularea cit mai clara a problemei si stabilirea obiectivelor
programului experimental;
- Alegerea variabilelor independente ce influenteaza variabila
dependenta;
- Stabilirea intervalului de variatie (posibil tehnologic) pentru fiecare
variabila independenta;
- Alegerea in anumite intervale a unor valori (numite niveluri)
importante pentru evaluarea variabilelor; uzual se alege un nivel
inferior si unul superior situate la distante egale de un nivel central luat
drept origine;
- Determinarea marimii erorii experimentale repetind mai multe
experiente in punctul central;
- Executarea experientelor specificate in program intr-o ordine
intimplatoare;
- Masurarea variabilei dependente la fiecare experienta;
- Analiza statistica a datelor si obtinerea unor relatii functionale intre
variabilele independente si cele dependente (aceste relatii sunt in
general de forma polinomiala);
- Interpretarea rezultatelor analizei statistice.
Structura programelor experimentale de cercetare utilizate pentru
determinarea functiei y este dat de urmatoarele elemente:
- numarul n* de experiente efectuate pentru valori diferite ale
variabilelor independente, necesare pentru determinarea coeficientilor;
 - numarul no de experiente efectuate pentru valori identice ale
variabilelor independente, necesare pentru determinarea erorii
experimentale;
- nivelurile variabilelor independente;
- continutul experientelor.
Numarul total de experiente este:
n  n  n0 (4.106)
Caracteristicile principale ale programului experimental, definite in raport
cu cerintele determinarii unor functii adecvate proceselor cercetate sunt:
- Compatibilitatea definita in raport cu realizarea unei solutii unice a
coeficientilor. Coeficientii determinati prin metoda celor mai mici
patrate se obtin din rezolvarea unui sistem de ecuatii liniare. Programul
experimental este compatibil atunci cind sistemul de ecuatii liniare
obtinut este compatibil, ceea ce se realizeaza cind determinantul
principal al sistemului este nenul. Aceasta conditie se realizeaza daca
numarul de experiente diferite n* este cel putin egal cu numarul
coeficientilor si daca numarul de niveluri ale unei variabile sa fie
minim doua.
- Ortogonalitatea definita in raport cu realizarea unor estimatii ale
coeficientilor necorelate. Doua variabile oarecare xk si xe sunt
necorelate, deci programul este ortogonal, daca este indeplinita
conditia:
n n n
n x ik x ie   x ik  x ie (4.107)
i 1 i 1 i 1

- Verosimilitatea definita in raport cu cu realizarea unor valori

concludente ale indicatorilor de testare a semnificatiei coeficientilor si
adecvantei formei functiei.
Intr-un program experimental variabilele iau un numar limitat de valori
numite niveluri. Se recomanda ca numarul nivelurilor sa fie acelasi pentru toate
variabilele independente. In acest fel se simplifica operatia de alcatuire a
programelor experimentale ortogonale si calculul coeficientilor, datorita
posibilitatii efectuarii unor schimbari de variabile convenabile in raport cu
nivelul central.
Numarul nivelurilor se calculeaza cu relatia:
N  m1 n (4.108)
unde m1 este numarul total al variabilelor independente pe care le contine
functia.
Un program experimental care permite studiul atit al raspunsurilor liniare
cit si a celor patratice impune ca fiecare variabila sa ia trei valori, la trei niveluri.
In timpul incercarilor experimentale valorile variabilelor independente iau
valori intr-un domeniu cuprins intre o valoare minima si o valoare maxima.
Fiecare variabila independenta va avea in timpul incercarilor o valoare minima,
o valoare maxima si o valoare medie (media aritmetica pentru functia
polinomiala si media geometrica pentru functia putere), daca variabilele
independente au trei niveluluri:
x i x i ,min , x i ,med , x i ,max  (4.109)
Programele experimentale ortogonale pot fi programe factorial intregi ale
carui componente reprezinta toate combinatiile posibile ale variabilelor si
nivelurilor. Numarul de experiente diferite este:
n  m1N (4.110)
De obicei programele factoriale intregi contin un numar de experiente
foarte mare in comparatie cu numarul coeficientilor necesari sa fie estimati.
Aceste programe nu sunt eficient utilizate daca eroarea experimentala este mica.
Se poate recurge la fractionarea programului astfel incit acesta sa nu contina un
numar de experiente in mare exces in raport cu numarul coeficientilor care
urmeaza sa fie estimati.
Valorile variabilelor independente si valorile variabilelor dependente la
fiecare experienta dau structura programului experimental de incercari.
Programul factorial intreg ar trebui sa aiba 27 de experiente pentru trei variabile
independente cu trei niveluri.
Structura unui program factorial fractionat de incercari, pentru trei
variabile independente, este prezentat in tabelul 4.13. In cazul a 12 experiente,
programul experimental este compus din experientele 1-8 si 15-18.

Structura programului experimental de incercari

pentru trei variabile independente
Tabelul 4.13
Nr. x1i x2i x3i yi
exp
1 -1 -1 -1
2 1 -1 -1
3 -1 1 -1
4 1 1 -1
5 -1 -1 1
6 1 -1 1
7 -1 1 1
8 1 1 1
9 -1 0 0
10 1 0 0
11 0 1 0
12 0 -1 0
13 0 0 1
14 0 0 -1
15 0 0 0
16 0 0 0
 17 0 0 0
18 0 0 0

Valoarea conventionala -1 reprezinta variabila xi la nivelul minim, 0 la

nivelul mediu iar 1 la nivelul maxim. Experientele 15 – 18 sunt identice pentru
determinarea erorii de experimentare.