CURS 3

MASURAREA
PARAMETRILOR
-continuare-
B. Erori grosolane

De regulă, înaintea executării măsurărilor, aparatura se verifică, astfel ca aceasta să

corespundă din punctul de vedere al reglării, cât şi al preciziei. Deşi rebuturile de măsurare pot
apărea datorită multor cauze se apreciază că două dintre ele sunt mai importante, şi anume:
      şirul de măsurări efectuate asupra uneia sau mai multor mărimi fizice, formează numai o
parte din colectivitatea generală;
      în procesul de măsurare interacţiunea aparat – operator – metodă iese din făgaşul logic, ca
urmare a unor factori perturbatori.
Eliminarea sau menţinerea unui rezultat suspect de a fi greşit trebuie să aibă la bază
un criteriu ştiinţific, deoarece operaţiile arbitrare pot afecta întregul proces de măsurare.
Se consideră erori grosolane, acele erori care depăşesc considerabil erorile probabile,
specifice unui proces de măsurare. Cât de mică se consideră probabilitatea respectivă depinde de
condiţiile problemei: dacă se fixează un nivel mult prea mic al probabilităţii, atunci pot scăpa
erori grosolane, iar dacă acest nivel este prea mare, atunci se exclud rezultate cu erori aleatoare,
necesare pentru prelucrarea corectă a rezultatelor măsurărilor.

Eliminarea erorilor grosolane dintr-un set de măsurări repetate se poate face cu

diferite criterii: Grubbs - Smirnov, Charlier, Dixon, Chauvenet etc.
 Criteriul Grubbs - Smirnov presupune calcularea unui parametru de calitate

xk  x
v

în care xk este valoarea măsurării suspecte de a fi afectată de o eroare grosolană. Valoarea
parametrului de calitate calculat se compară cu valoarea v 0 (n, ) standard care depinde de
numărul n de determinări şi de coeficientul de risc .
 (  0,005; 0,01; 0,05; 0,1)
Coeficientul de risc   1  P (numit şi prag de semnificaţie) reprezintă probabilitatea apariţiei
unui rezultat în exteriorul intervalului corespunzător nivelului de încredere P.
Dacă v  v 0 (n, ) măsurarea este afectată de o eroare grosolană şi se înlătură din
sistemul de măsurări. Dacă v  v 0 (n, ) ipoteza unei erori grosolane nu se confirmă şi valoarea
xk
se reţine în şirul de rezultate.
x După eliminarea valorilor constatate ca erori grosolane se recalculează valoarea
medie , eroarea medie pătratică  şi se pot detecta din nou erori grosolane.
 C. Erori sistematice (incertitudini sistematice)

Incertitudinile sistematice nu se pot estima în procesul de măsurare prin experienţa sau

măsurarea în cauză. Ele se determină prin alte metode sau măsurări (eventual cu aparate de măsurare
mai precise) sau pe baza informaţiilor din alte surse. Cauzele incertitudinilor sistematice se găsesc în
măsurand, în aparatul de măsurare, în interacţiunea celor două, în cauzele exterioare etc.
Caracterizarea cantitativă a incertitudinilor sistematice este mai dificilă. Dintre cauzele enumerate
eroarea sistematică se poate aprecia numai în cazul celei produse de aparatul de măsurare, prin clasa
de precizie a acestuia (pentru un aparat de clasă de precizie a eroarea relativă poate fi ).
În absenţa unor indicaţii privind legea distribuţiei acestor erori se acceptă o distribuţie
 a la densitatea de probabilitate, denumită şi distribuţie rectangulară).
echiprobabilă (referitor

Eroarea medie pătratică pentru o distribuţie rectangulară este

a
s 
3
1.3.4. Combinarea şi compunerea incertitudinilor parţiale. În procesul de măsurare se disting
măsurări directe şi indirecte. La măsurările directe valoarea măsurandului se obţine direct în
procesul de măsurare. La măsurările indirecte valoarea măsurandului se obţine din valorile altor
mărimi, măsurate direct, care se leagă printr-o relaţie funcţională de mărimea de măsurat.
Combinarea incertitudinilor parţiale se referă la modul de reuniune a incertitudinilor
aleatoare şi sistematice ale măsurandului.
Compunerea incertitudinilor parţiale se referă la măsurări indirecte. Reprezintă
modul în care se însumează incertitudinile mărimilor măsurate direct în determinarea mărimii
indirect măsurate.
În cazul măsurărilor directe erorile absolute sau incertitudinile absolute totale se
exprimă prin relaţia liniară

el  a  t 

şi în combinare pătratică prin expresia

e p   2s  (t ) 2
Se consideră că varianta liniară oferă o incertitudine mai pesimistă (mai mare) şi
varianta pătratică este mai aproape de realitate.
 Pentru măsurări indirecte, la care mărimea de măsurat x este funcţie de mărimile
măsurate direct x1, x2,..., xn (x = f (x1, . . ., xn)) incertitudinile se calculează în compunerea
pătratică. Dacă măsurările x1, x2,..., xn sunt necorelate se obţine
n
s    2si
i 1

a
în care s-a notat  s   s sau  s  x
, iar  si sunt incertitudinile sistematice relative, adică
x
 si ai
 si  
xi xi
 1.4. PRELUCRAREA ŞI PREZENTAREA REZULTATELOR MĂSURĂRILOR

1.4.1. Etapele prelucrării rezultatelor.

În cazul măsurărilor curente, cu erori sistematice, pentru obţinerea unor rezultate
normale ale măsurărilor, trebuie să se respecte cerinţele:
-      se execută 2-3 măsurări repetate (pentru excluderea erorilor grosolane). Se alege una
din măsurări;
-      se evaluează incertitudinile sistematice (cel mai des se cunoaşte numai eroarea tolerată
a aparatului de măsurare, deşi nu i se specifică şi nivelul de încredere);
-      se precizează rezultatele sub forma

sau x  x mas   s
x  x mas  a
În cazul prelucrării rezultatelor măsurărilor mărimilor cu erori aleatoare se ţine seama de
următoarele cerinţe:
-      se execută 5 - 10 măsurări repetate (se recomandă un număr cât mai mare);
-      se calculează valoarea medie x ;
-      se determină eroarea medie pătratică a mediei ;
-      se alege nivelul de încredere P (în absenţa altor indicaţii se recomandă P = 0,95);
-   se determină din tabele (de exemplu din tabelul 1.2) parametrul de distribuţie al unei distribuţii
Student t = t(P, n);
-      se prezintă rezultatul sub forma

x  x t s
În cazul prelucrării rezultatelor unor măsurări cu precizie mare se urmăresc cerinţele:
•-        se execută n măsurări repetate (se recomandă 10, ..., 20);
•-        se calculează valoarea medie x ;
•-        se calculează eroarea pătratică a unei măsurări s sau a mediei s ;
•-        se alege nivelul de incertitudine P ;
•-        se alege parametrul distribuţiei Student t = t(P, n);
•-        se evaluează incertitudinile sistematice;
•-        se combină liniar sau pătratic incertitudinile parţiale (el sau ep) sub forma
 1.4.2. Prelucrarea rezultatelor.
În procesul de măsurare cu dependenţă funcţională este necesară interpolarea şi/sau
regresia rezultatelor experimentale pentru a fi descrise de un model matematic adecvat.
Interpolarea rezultatelor experimentale este un procedeu matematic prin care se
determină expresia unei funcţii (curbe) care trece prin puncte date.
Interpolarea liniară prin două puncte, presupune determinarea parametrilor funcţiei
y  Ax  B

în care A  ( y1  y 2 ) /( x1  x 2 ) şi B  y1  Ax1

Interpolarea pătratică prin trei puncte, presupune determinarea coeficienţilor funcţiei

y  Ax 2  Bx  C
 
din sistemul de ecuaţii
y1  Ax12  Bx1  C
y 2  A x 22  Bx 2  C

y 3  A x32  Bx3  C
 Interpolarea Lagrange presupune determinarea funcţiei

n
y   Li ( x) f ( xi )
i 1

dacă se cunosc n puncte ale ei prin xi; f(xi) pentru i= 1, 2,..., n.

Expresiile Lagrange pentru polinomul de gradul (n-i) se obţine din relaţia
n x  xi
Li ( x)   , i  1, 2, ..., n
x
j 1 i  x j
j i

Interpolarea pătratică spline realizează aproximarea funcţiei cu o curbă de gradul al

doilea care trece prin două puncte şi are tangenta cunoscută în unul din puncte. Astfel funcţia
y  ax 2  bx  c

permite determinarea coeficienţilor a, b şi c prin soluţionarea sistemului de ecuaţii

y1  ax12  bx1  c
y 2  ax 22  bx 2  c
dy
 2a x1  b
dx x  x1
 Interpolarea cubică spline realizează aproximarea funcţiei cu o curbă de gradul al
treilea ce trece prin cele două puncte şi la care se cunoaşte panta curbei în cele două puncte. Astfel
funcţia

y  ax3  bx 2  cx  d

permite determinarea coeficienţilor a, b, c şi d prin soluţionarea sistemului de ecuaţii

y1  a x13  b x12  c x1  d

y 2  a x 23  b x 22  c x 2  d
dy
 3a x12  2b x1  c
dx x  x1

dy
 3a x 22  2b x 2  c
dx x  x2
Regresia rezultatelor este un procedeu matematic de aproximare a unei funcţii (curbe) care trece
prin punctele date. Dependenţele funcţionale prin regresie sunt netezite utilizând metoda celor mai
mici pătrate.
α) Regresia liniară presupune determinarea celei mai bune aproximaţii a funcţiei

y  ax  b
pe baza măsurărilor a n puncte de coordonate xi, yi, i=1, 2, ..., n.
Coeficienţii dreptei se calculează cu relaţiile
n1 n n n n n n
 yi  xi2   xi yi  xi n  xi y i   xi  y i
i 1 i 1 i 1 i 1 i 1 i 1 i 1
a b 2
2 n
n
n   n 
n xi2    xi  n  xi2    xi 
i 1  i 1  i 1  i 1 

iar coeficientul de corelaţie, care caracterizează dependenţa liniară este

2
 n n
 n 
n a  y i  b  x i y i     y i 
r  i 1 i 1   i 1 
n 2
n 
n yi2    yi 
i 1  i 1 
Regresia liniară permite determinarea celei mai bune aproximări a unei funcţii y  a  b ln x
bx
a unei funcţii exponenţiale y  ae şi a unei funcţii putere y  a x b .
) Regresia polinomială presupune determinarea coeficienţilor aproximaţiei polinomiale

y  p 2  a 0  a1 x  a 2 x 2  ....  a d 1 x d 1  a d x d

Se foloseşte acelaşi procedeu ca în cazurile precedente, adică se construieşte funcţia celor

mai mici pătrate şi se pune condiţia minimizării ei în raport cu coeficienţii aproximaţiei.
Aceasta conduce la rezolvarea sistemului.

a 0 n  a1  xi  a 2  xi2  ...  a d 1  xid 1  a d  xid   y i

a 0  xi  a1  x12  a 2  xi3  ...  a d 1  xid  a d  xid 1   xi y i

a 0  x id  a1  xid 1  a 2  xid  2  ...  a d 1  xi2 d 1  a d  xi2 d   xid y i

Sistemul este liniar faţă de necunoscutele a0, a1, ..., ad şi se soluţionează în funcţie de cele n
cupluri de valori(xi, yi). Coeficientul de corelaţie este
2

n a 0  y i  a1  xi y i  a 2  xi2 y i  ...  a d  x id y i  n 
   y i 
r2   i 1 
n y i2   xi y i
) Regresia polinomială multiplă se referă la dependenţe exprimate prin funcţii de mai multe
variabile. Pentru funcţii de forma

z  a  bx  cy
determinarea coeficienţilor a, b şi c se face prin rezolvarea sistemului

an  b xi  c  y i   z i
 2
a  x i  b  x i  c  x i y i   x i z i
a  y  b  x y  c  y 2   y z
 i i i i i i

iar coeficientul de corelaţie are expresia

na  z i  b  x i z i  c  y i z i    z i 
2
2
r 
n  z i2   z i2
1.4.3. Alegerea formulelor empirice şi netezirea lor. Anterior s-au arătat metodele de aflare a
parametrilor în situaţiile în care forma relaţiilor este cunoscută apriori (de exemplu din analiza
fizică a problemelor). Uneori se întâlnesc probleme pentru care analiza fizică nu conduce la
forma relaţiilor. În general, în afară de aceasta, pentru simplificarea calculelor se preferă să se
aleagă tipul de dependenţă sub forma unui polinom, fără a se cunoaşte gradul acestuia.
Alegerea gradului polinomului. Dacă se folosesc polinoame ca formule empirice
apare problema alegerii gradului optim al polinomului. Un polinom cu un grad prea mic va da o
descriere prea grosolană a materialului empiric, iar un polinom cu un grad prea mare (apropiat n-
i; unde n este numărul determinărilor) nu va atenua zgomotul experimentului - se vor manifesta
erorile. În particular dacă gradul polinomului este n-i, atunci polinomul descrie exact toate
punctele date şi deci va păstra tot zgomotul.
În prezent se găsesc programe care prelucrează şiruri de date şi care permit
determinarea celei mai exacte dependenţe funcţionale între aceste şiruri.