Nedeljko Stefanic - 2014 - PLANOVI POKUSA OBJEDINJENO

Uvod u planiranje i analizu pokusa
Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

1. Uvod u statističku analizu
• Statistika - znanost koja daje potporu pri donošenju odluka i zaključaka u
slučaju kada je prisutna varijabilnost.
• Inženjerski i znanstveni pristup jest skup metoda kojima se formulira i rješava
zadani problem
• Područje statistike se bavi prikupljanjem, prezentacijom, analizom i upotrebom

dobivenih rezultata u procesu donošenja odluka, rješavanja problema te oblikovanja
proizvoda i procesa
• Statističke metode - opisivanje i razumijevanje varijabilnosti

• Potrebno je uključiti činjenicu varijabilnosti u proces donošenja odluka –
statistički princip
• Statistika – daje okvir za istraživanje varijabilnosti te identifikaciju
potencijalnih izvora (faktora)
• Uobičajen način razmišljanja - primjena općenitih (fizikalnih) zakona u
oblikovanju proizvoda ili procesa
• Istraživački pristup upotrebom statističkog zaključivanja (eng. Statistical

inference) – jest da na temelju specifičnih podataka dobivenih iz uzorka se
zaključuje o populaciji

2. Osnove teorije uzoraka
UZORAK: slučajni, reprezentativni dio osnovnog skupa – populacije
Uzorci:
1.uzorak: n, x1 ,  12
2.uzorak: n, x2 ,  22
   
i.uzorak: n, xi ,  i2
   
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• Razdioba aritmetičke sredine uzorka
f ( x)
f ( x)
razdioba
aritmetičke
sredine uzorka
osnovni skup:
osnovni
skup N E ( x)   ; 02 
aritm. sredina uzorka:

 x, x
x1 N E ( x )   ; x2 
x2
x3
x4
x5
x6
Raspon osnovnog skupa
Uvod uteorije
• Centralni granični teorem
- Razdiobe aritmetičkih sredina uzoraka vrlo brzo se približavaju
normalnoj raspodjeli neovisno o vrsti raspodjele u osnovnom skupu
ako veličina uzorka teži u beskonačnost
Uvod uteorije
• Nepristrane procjene parametara osnovnog skupa
Pojam nepristrane procjene:
neka varijabla  nepristrano procjenjuje parametar osnovnog skupa Θ
ako vrijedi:
E ( )  
E ( x )  E ( x)   dakle: x uzorka nepristrano procjenjuje očekivanja osn.

skupa
E ( 2 )   02 dakle: varijanca uzorka nije nepristrana procjena

varijance osnovnog skupa
n
E (s )  
2 2
0
dakle: varijabla s 
2
n 1
  2 nepristrano procjenjuje
varijancu osnovnog skupa

Uvod uteorije
• Standardna pogreška aritmetičke sredine uzorka
Pomoću varijable s2 određuje se  x

2
 02 0
  2
x x 
n n
s2 s standardna pogreška
s 
2
x sx 
n n ar. sredine
n
• VAŽNO:  (x  x )
i
2
s2  i 1
n 1
k = (n – 1)... broj stupnjeva slobode uzorka od n podataka
Uvod uteorije
• Intervalna procjena očekivanja osnovnog skupa
f (x )
interval povjerenja
(vjerodostojnosti)
1
 
2 2
x  z 2   x    x  z(1 2)  x
 x
x 2 x1 2 x 
z
x
f(z) 1
1  z2
f ( z)  e 2
2
x varijabla
z standardizirane
 normalne razdiobe
–3 –2 –1 0 1 2 3 z
Uvod uteorije
Važno:
• Veliki uzorci: n > 30 elemenata, podataka
– vrijednost varijable z → iz standardizirane normalne razdiobe
• Mali uzorci: n ≤ 30 elemenata, podataka
– koristiti Studentovu t-razdiobu
Studentova t-razdioba
f(t) N 0,1 • simetrična
• za velike uzorke se ne
Studentova t-razdioba sa razlikuje od normalne razdiobe
k = n – 1 stupanj slobode
Uvod uteorije
Konačno:
• Za velike uzorke • Za male uzorke
Koristiti standardiziranu Koristiti Studentovu t-razdiobu s
(jediničnu) normalnu razdiobu parametrom k = n – 1
s s s s
x  z( 2)     x  z(1 2)  x  t( k ; 2)     x  t( k ;1 2) 
n n n n
z ... varijabla N0,1 t ... varijabla Studentove

t-razdiobe
Uvod uteorije
Primjer:
• Podaci utvrđeni u nekom procesu:
52.1, 49.0, 51.4, 50.0, 50.3, 49.6, 50.6, 50.8, 51.0, 51.7
Intervalno procijeniti očekivanje osnovnog skupa iz kojeg potječe uzorak, uz
interval vjerodostojnosti 1 –  = 0,95 (95%)
• Rezultati dobiveni računanjem, iz uzorka:
n = 10; x = 50,65; s = 0.96
s s
x  t( 2)     x  t(1 2) 
n n
0.96 0.96
50.65  2.262     50.65  2.262 
10 10
49.96    51.34 uz P  0,95 (95%)
Uvod uteorije
Opaska
• U slučaju kada je poznata standardna devijacija osnovnog skupa, nije nužno
korištenje Studentove t-razdiobe kao ni nepristrane procjene standardne
pogreške
• U tom je slučaju:
 
x  z( 2)     x  z(1 2) 
n n
• Za prethodni primjer:
ako prihvatimo da je standardna devijacija osnovnog skupa   1, slijedi:
1 1
50.65  1.96     50.65  1.96 
10 10
50.03    51.27 uz P  0,95 (95%)
Uvod uteorije
• Intervalna procjena proporcija
Uzorkovanje nekog dvoslojnog osnovnog skupa (populacije) u kojem neki
događaj ima proporciju P rezultiralo bi slučajnom varijablom p, tj. proporcijom
istog događaja ali u uzorku:
Vrijedi:
f ( p) p  z( 2)  s p  P  p  z(1 2)  s p
N  E ( p )  P; p  uz povjerenje (vjerodostojnost)
procjene (1 – )
1
 
2 2
P p
p1 p2
Uvod uteorije
• Važne pretpostavke:
– proporcija uzorka p  N  E ( p )  P;  ( p ) 
– sp ... nepristrana procjena standardne pogreške proporcije
uzorka: pq
sp , q  1 p
n
– n ... veličina uzorka
– VRIJEDI SAMO ZA VELIKE UZORKE (n → 100)
Uvod uteorije
• Intervalna procjena varijance
• Varijance (osobito malih) uzoraka ne rasipaju se normalno oko varijance

osnovnog skupa
• Vrijedi (K. Pearson, 1857.–1936.)
n
( xi  x ) 2 n
n  2
– varijabla     rasipa se prema 2 razdiobi s
2
i 1  2
0 i 1  2
0
k = n – 1 stupanj slobode
n  2
 2
( 2)    (12  2)
 02
f ( 2 ) k = 1 E( 2 )  k
k=5 k = 10 uz vjerojatnost (1 – )
k = 15
k=n–1
1
0 2  (2 2)  (12  2) 2
Uvod uteorije
Konačno:
n  2 n  2
  02  , uz razinu povjerenja (1 – )
 2
(1 2)  2
( 2)
Uvod uteorije
3. Testiranje statističkih hipoteza
• T.S.H. predstavlja postupak donošenja odluke na bazi uzorka
• uzorak, n podataka: x1, x2, ... , xn
• rezultati se uzorka mogu shvatiti kao točka u
n - dimenzionalnom prostoru
• prostor se može podijeliti na dva međusobno disjunktna dijela (koji se
isključuju), dio A i dio B
dio B U praksi: umjesto n - dimenzionalnog modela

(odbacivanje H0) služimo se jednodimenzionalnim varijablama
(uglavnom).
dio A
(prihvaćanje H0)
Uvod uteorije
Postavimo dvije hipoteze:
H0: nulta hipoteza

H1: alternativna hipoteza
– Ako se točka T kao realizacija uzorka nađe u dijelu A, smatramo

hipotezu H0 ispravnom i prihvaćamo je
– Ako se točka T kao realizacija uzorka nađe u dijelu B, smatramo
hipotezu H0 neispravnom i odbacujemo je
dio B
(odbacivanje H0)
dio A
(prihvaćanje H0)
Uvod uteorije
• Pogreške pri testiranju hipoteza
• Očito: pri uporabi opisanog modela moguće su pogreške

• Uzrok pogrešaka: slučajnost odabira elemenata uzorka!
• Vrste pogrešaka:
– Pogreška 1. vrste nastaje odbacivanjem nulte hipoteze H0 (i prihvaćanjem
alternativne hipoteze H1) iako je hipoteza H0 ispravna:
• Vjerojatnost pogreške 1. vrste:
  PT  B H0 POGREŠNO ODBACIVANJE HIPOTEZE Ho
– Pogreška 2. vrste nastaje prihvaćanjem hipoteze H0 u uvjetima ispravnosti
alternativne hipoteze H1
• Vjerojatnost pogreške 2. vrste:
  P T  A H1  POGREŠNO PRIHVAĆANJE HIPOTEZE Ho
• Jakost (moć) testa predstavlja vjerojatnost odbacivanja nulte hipoteze kada je uistinu
neispravna:
 + p = 1  p = 1 –   ISPRAVNO ODBACIVANJE Ho
p  PT  B H1
Uvod uteorije
Stanje
Hipoteza Ho
ISTINITA NEISTINITA
O Pogreška
D Odbaciti 1. vrste ISPRAVNO
L 
U
K Pogreška
A Prihvatiti ISPRAVNO 2. vrste

Uvod uteorije
• Testiranje hipoteza za očekivanje
• Uzorak – osnovni skup, hipoteze Hipoteze:
• Razdioba aritmetičke sredine uzorka H0 : x  
– Studentova razdioba s k = n – 1 st. slob. H1 : x   – dvostrani test
H1 : x   – jednostrani
f (x )
H1 : x   testovi
1 Pogodna jednodimenzionalna varijabla:

 
2 2
... varijabla Studentove
x 
x 2

x1 2
x t  t-razdiobe, k = n – 1
f (t )
sx stup. slobode
k = n – 1 ss

1

Ako je trač .  t0 odbaciti Ho, uz
2 2
vjerojatnost pogreške 1. vrste 
t0 0 t
 t0
Uvod uteorije
Primjer:
• Podaci iz primjera za intervalnu procjenu očekivanja n = 10; x = 50.65; s = 0.96;
• Provjeriti hipotezu da je riječ o podacima skupa čije je očekivanje 51.5 jedinica,
naprama alternativnoj hipotezi   51.5
• Vjerojatnost pogreške 1. vrste  neka iznosi 0.05 ( = 0.05)
H 0 : x    51.5 H1 : x  51.5 (   51.5)

f (t )
50.65  51.50 0.85

trač .    2.7997
0.96 0.3036
  0.05
10
Zaključak:
t0  1.833 0 t
trač .  t0  ODBACITI H 0
trač .  2.7997
Uvod uteorije
• Provjera hipoteza uzorak – uzorak (test očekivanja)
• 1. skup: očekivanje 1, varijanca 201  x1 , s12 , sx21

1. uzorak: n1 podataka,
• 2. skup: očekivanje 2, varijanca 202  x2 , s22 , sx22
2. uzorak: n2 podataka,
Hipoteze: H 0 : 1   2 f ( x1 )
f ( x2 )
H1 : 1  2
H1 : 1   2
H1 : 1   2
1 2 x1 , x2
Uvod uteorije
• aritmetička sredina svakog od uzoraka rasipat će se oko očekivanja skupa
iz kojeg uzorak potječe
• njihova razlika d  x1  x2 rasipat će se oko veličine D  1  2
• pretpostavimo li da je hipoteza Ho istinita, 1   2
varijabla d će se rasipati oko 0.
f (d )
 
2 2
0 d
Uvod uteorije
• pri tome je standardna pogreška varijable d:
s12 s22
sd   ... za uzorke s n1 + n2 – 2 > 30
n1 n2
(n1  1) s12  (n2  1) s22 n n ... za uzorke s n1 + n2 – 2 < 30,
sd   1 2
n1  n2  2 n1  n2 i ako se n1 i n2 znatno razlikuju
• varijabla pogodna za testiranje nulte hipoteze:
f (t ) x1  x2 ... varijabla Studentove t-razdiobe

trač .  s k = n1 + n2 – 2 s. s.
sd
k = n1 + n2 – 2
Ako trač .  t0  odbaciti Ho, uz vjerojatnost


2
 pogreške 1. vrste .
2
t0 0 t
t 0
Uvod uteorije
• Testiranje hipoteza za proporcije (atributivne podatke)
• slučaj: uzorak – osn. skup • slučaj: uzorak – uzorak

– osnovni dvoslojni skup s – osnovni skupovi
proporcijom P elementa sa
svojstvom A. 1. skup, proporcije P1 2. skup, proporcije P2
– uzorak n elemenata s – uzorci n1 pod., proporcija p1
proporcijom p n2 pod., proporcija p2
– važno: E(p) = P
– nulta hipoteza: H 0 : P1  P2
– rasipanje proporcije p oko
proporcije P ima standardnu – alternativna hip.: H1 : P1  P2
pogrešku: H1 : P1  P2
pq H 2 : P1  P2
sp 
n
Uvod uteorije
– varijabla za testiranje hipoteze Ho : – razlika d = p1 – p2 rasipa se oko
P E(d)=0, ako pretpostavimo istinitost
nulte hipoteze
pP – varijabla pogodna za testiranje nulte
z   var. razdiobe N0,1
sp hipoteze:
p1  p2
Vrijedi samo za VELIKE uzorke z 
tj. n  100 sd
n1  n2
sd  p  (1  p ) 
n1  n2
n1 p1  n2 p2
p
n1  n2
Zaključak:
Ako zrač .  z( )  ODBACITI Ho
Uvod uteorije
• Usporedba (testiranje) varijanci
2
• 1. Osnovni skup: očekivanje 1, varijanca 201  s1
nepristrana procjena varijance
• 2. Osnovni skup: očekivanje 2, varijanca 202  s 2
2
nepristrana procjena varijance
• Nulta hipoteza: H 0 :  01
2
  022 naprama alternativnoj
H1 :  012   022
• Varijabla s12
F 2
s2
…varijabla F-razdiobe s kb = n1 – 1 s.s. i kn = n2 – 1 s.s.
Uvod uteorije
f (F )
Ako: Frač. > F0  odbaciti Ho

kb; kn
Konvencija: s1  s2
2 2
1  Tipično:  = 0.05; 0.01
F0 F
• F-razdioba: utemeljio G. Snedecor (1881.–1934.)

• Naziv F-razdioba u čast R. Fishera (1890.–1962.)
VAŽNO: Svakom testu aritmetičkih sredina mora prethoditi provjera značajnosti

razlika među varijancama
Uvod uteorije
• Usporedba frekvencija (c2 –test)
• neparametarski test
• test usporedbe frekvencija – značajnost razlika među frekvencijama
f(x) – ft(x)
• Odnos stvarnih i teorijskih frekvencija preko varijable 
 fi ( x)  fti ( x) 
n 2
2  
i 1 fti ( x)
• varijabla sa k=n-1 stupnjeva slobode, kod prilagodbe razdioba k=n-1-r, gdje je r broj
parametara prilagođene razdiobe
r(Binomna)=r(Poissonova)=1; r(Normalna)=2
• postavljanje hipoteza: H0…razlike f(x)-ft(x) slučajne
H1…razlike f(x)-ft(x) značajne
• ako je  r   0 tada treba odbaciti hipotezu H0

2 2
• NAPOMENA: upotreba samo za frekvencije ft>5! – u slučaju prilagodbe razdioba

kombinirati sa susjednom frekvencijom (razredom)
Uvod uteorije
4. Analiza varijance
• Postupak usporedbe više uzoraka pri čemu svaki uzorak predstavlja
osnovni skup (populaciju)
• U tehničkim i proizvodnim uvjetima analiza varijance predstavlja
postupak provjere djelovanja promjene stanja nekog faktora na
mjerenu vrijednost – rezultat
• Postupak analizi značajnosti utjecaja faktora u nekom procesu –
nepoznati proces (znanstveni pristup)
• Analizom varijance provjeravaju se promjene aritmetičkih sredina
uzoraka

• Model analize varijance u slučaju jednog utjecajnog faktora
Model:
Redni
broj
1 2 3
uzorci
 j  k
xij    x j   ij
mjerenja
1 x11 x21  xk1 xij  vrijednost i-tog mjerenja u
2 x11   j-tom stupcu
3









  aritmetička sredina svih
    xij podataka

i

x j  doprinos ar. sredine j-tog
nj uzorka
nj
x
nj
x
nj
x
  nj
x
nj
x
 ij  slučajno odstupanje unutar
i 1
j
i 1
1
i 1
2
i 1
j
i 1
k
uzorka
xj x1 x2   xj xk
Pretpostavka:
 

 ij  N E ( ij )  0; (2 ij )

 i  1, 2, , n j 
• Model se može shvatiti i kao: xij  x j   ij  
 j  1, 2, , k 
• Hipoteza: H 0 : x.1  x.2    x.k  0
H1 : bar jedan x. j  0
• Za provjeru gornje hipoteze H0 nužno je odrediti dvije nezavisne varijance

kako bi se formirao F test:
s12
F 2  varijabla F-razdiobe s
f (F ) s2 kb = n1 – 1 s.s. i kn = n2 – 1 s.s.
kb; kn ( s12  s22 )
1  Odluka:
ako Frač. > F0 , odbaciti H0, uz pogrešku
F0 F prve vrste čija je vjerojatnost 

• Postupak:
N  n1  n2    n j    nk  ukupni broj podataka

k nj
  (x
j 1 i 1
ij   ) 2 k
  
nj
 s 
2
0
2 j 1 i 1 i, j
N 1
( N  1)  s 2   ( xij   ) 2  ( xij  x j  x j   ) 2 
i, j i, j
  ( xij  x j ) 2   ( x j   ) 2  2  ( xij  x j )  ( x j   )
i, j i, j i, j
=0

Konačno:
 ij
( x 
i, j
 ) 2
  ij j  j
( x  x )
i, j
2
 ( x   ) 2
i, j
SKOUKUPNO  SKOunutar  SKOizmeđu

uzoraka uzoraka
2 2 2
sUKUPNO sunutar sizmeđu
uzoraka uzoraka
2
sizmeđu
uzoraka
F 2
 varijabla F-razdiobe s kb = k – 1 s.s. i kn = N – k s.s.
sunutar
uzoraka

Primjer:
• Čvrstoća papira (psi) u ovisnosti o udjelu tvrdog drva u smjesi, u %

udio tvrdog drva, %
mjerenja
5 10 15 20
1 7 12 14 19 ukupna suma: 383
2 8 17 18 25 ukupna ar. sredina: 15.96
3 15 13 19 22
4 11 18 17 23
5 9 19 16 18
6 10 15 18 20
f (F )
Suma po uzorcima 60 94 102 127
Ar. sredina uzorka 10 15.67 17.00 21.7
kb = 3; kn = 20
• Tablica analize varijance

1
suma srednji   0.01
kvadrata stupnjevi kvadrat
izvor varijacije odstupanja slobode odstupanja Frač. F0(=0.01)
F0 = 4.94 F
faktor:
382.79 3 127.60 19.61 4.94
udio tvrdog drva
Frač. > F0  odbaciti H0
slučajno odst. u
uzorcima (ostatak)
130.17 20 6.51 – – uz vj. pogreške 1. vrste
 = 0.01
UKUPNO: 512.96 23 – – –


PRIMJER (1 prom. faktor):
Četiri poduzeća proizvode istovrsni proizvod. Prilikom kontrole mjerena je karakteristična
dimenzija za serije proizvoda koje se izrađuju na jednom tipu automata. Potrebno je
provjeriti da li se kvaliteta proizvoda (u pogledu karakteristične dimenzije) značajno
razlikuje od serije do serije (među poduzećima). Descriptive Statistics (Spreadsheet1)
Level of N Var2 Var2 Var2 Var2 Var2
Effect Factor Mean Std.Dev. Std.E rr -95,00% +95,00%
Red.br. UZORCI (poduzeće) Total
Poduzece 1 7
26 164,1154 8,76049 1,718073 160,5769 167,6538
168,0000 6,90411 2,609506 161,6148 174,3852
Poduzece 2 5 166,2000 6,49615 2,905168 158,1340 174,2660
1 2 3 4 Poduzece 3 8 163,6250 11,0316 3,900263 154,4023 172,8477
Poduzece 4 6 158,5000 7,66159 3,127832 150,4597 166,5403
1. 160 158 146 151 Univariate Results for Each DV (Spreadsheet1)

Sigma-restricted parameterization
Effective hypothesis decomposition
2. 161 164 155 152 Degr. of Var2 Var2 Var2 Var2
Effect Freedom SS MS F p
Poduzece 3 318,5 106,2 1,460 0,252855
3. 165 164 160 153 Error 22 1600,2 72,7
Total 25 1918,7
4. 168 170 162 167

5. 170 175 164 160
6. 172 166 168
7. 180 174
8. 182
Uvod u planiranje i analizu pokusa Dr.Zagreb, rujanCajner

sc. Hrvoje 2009.
• Model analize varijance s dva promjenjiva faktora
• Model: xij    x j  xi   ij • Formiraju se dva F-testa:
xij  Vrijednost u i-tom retku i
F-test (po redovima)
j-tom stupcu
  aritmetička sredina svih H 0 : x.1  x.i    x.l  0
podataka H1 : bar jedan x.i  0
x j  doprinos ar. sredine j-tog
stupca F-test (po stupcima)
xi  doprinos ar. sredine i-tog
retka H 0 : x.1  x. j    x.k  0
 slučajno odstupanje (ostatak)
ij H1 : bar jedan x. j  0
Pretpostavka:

 ij  N E ( ij )  0; (2 ij )

sc. Hrvoje 2009.
• dekompozicija sume kvadrata odstupanja:
 ij
( x
i, j
  ) 2
  j
( x   ) 2
i, j
  i
( x   ) 2

i, j
SKOostatka
SKOUKUPNO  SKOstupci  SKOredovi  SKOostatka

2 2 2 2
sUKUPNO sstupci sredovi sostatka
• budući da su poznata dva izvora varijacije (grupirano u redove i stupce)

potrebno je provesti dva odvojena F-testa preko formirane ANOVA tablice
• svaki izvor varijacije izražen preko procijenjene varijance (srednji kvadrat
odstupanja) se stavlja u odnos s procijenjenom varijancom ostatka (preduvjet da
je ostatak normalno distribuiran – slučajna varijacija)

sc. Hrvoje 2009.
ANOVA tablica
suma srednji
kvadrata stupnjevi kvadrat
izvor varijacije odstupanja slobode odstupanja Frač.
Faktor1 (redovi) SKOredovi l‐1 s2redovi s2redovi/ s2ostatak
Faktor2 (stupci) SKOstupci k‐1 s2stupci s2stupci/ s2ostatak
Ostatak SKOostatak (k‐1)(l‐1) s2ostatak –
UKUPNO: SKOukupno N‐1 – –

sc. Hrvoje 2009.
PRIMJER (2 prom. faktora):
Četiri radnika zavarila su svaki po jedan uzorak lima na svakom od tri postojeća uređaja
za točkasto zavarivanje. Rezultati ispitivanja prijelomne sile tih zavarenih spojeva
zapisani su u tablici. Da li je svejedno u pogledu zavarenog spoja koji radnik zavaruje i na
kojem uređaju? Univariate Results for E ach DV (Spreadsheet1)
Sigma-restricted param eterization
[N] Radnik Effective hypothesis decomposition
Degr. of Prijelomna sila Prijelomna sila Prijelomna sila Prijelomna sila
Effect Freedom SS MS F p
Uređaj R1 R2 R3 R4 Radnik 3 82 27 2,1 0,199535
Uređaj 2 61 31 2,4 0,174578
Error 6 78 13
S1 973 976 967 969 Total 11 221
Descriptive Statistics (Spreadsheet1)

S2 965 966 972 960 Level of N Prijelomna sila Prijelomna sila Prijelomna sila Prijelomna sila Prijelomna sila
Effect Factor Mean Std.Dev. Std.Err -95,00% +95,00%
Total 12 968,6667 4,478907 1,292949 965,8209 971,5124
S3 971 972 969 964 Radnik R1 3 969,6667 4,163332 2,40370 959,3244 980,0090
Radnik R2 3 971,3333 5,033223 2,905933 958,830 983,8366
Radnik R3 3 969,3333 2,51661 1,452966 963,0817 975,5849
Radnik R4 3 964,3333 4,509250 2,603417 953,1317 975,5349
Uređaj S1 4 971,2500 4,031129 2,015564 964,8356 977,6644
Uređaj S2 4 965,7500 4,924429 2,462214 957,914 973,5859
Uređaj S3 4 969,0000 3,559026 1,779513 963,3368 974,6632

sc. Hrvoje 2009.
• Pojednostavljeni izrazi za računanje analize varijance
• 1 promjenjivi faktor • 2 promjenjiva faktora
2 2
   
  ij 
x   xij 
 xi2j    SKOukupno  xij2   
ij ij
SKOukupno N
i ,i N i ,i
2
2  
  x    xij 
2

  ij    ij 
2
x 1  
SKOizmeđu _ stupaca    xij    
ij
SKOizmeđu _ uzoraka   i    ij  nj j  i  N
j nj N 2
 
SKOostatak  SKOukupno  SKOizmeđu _ uzoraka 2   xij 
1  
SKOizmeđu _ redova    xij    
ij
ni i  j  N
SKOostatak  SKOukupno  SKOizmeđu _ uzoraka
• indeksi u tablici podataka
j
i

sc. Hrvoje 2009.
5. Korelacija i regresija
- korelacija – mjera povezanosti dvije ili više varijabli

Karl Pearson
- regresija – definira oblik povezanosti dvaju ili više varijabli

Francis Galton

sc. Hrvoje 2009.
Osnovni pristupi istraživanju pojava u procesu
• Dva osnovna pristupa:
1. Regresijski pristup – upotreba empirijskih (historijskih) podataka gdje ne
postoji mogućnost kontrole faktora u procesu.
• jedna ili više regresorskih varijabli (faktora) koja utječe na odzivnu
varijablu
y  f ( x1 , x2 , x3, ...)
2. Planiranje pokusa – mogućnost kontrole faktora u procesu te oblikovanje
modela po stohastičkom principu radi eliminacije utjecaja nekontroliranih
faktora.
Opći model procesa

sc. Hrvoje 2009.
• Korelacija
• Mjera povezanosti dvije ili više varijabli – metoda kojom se utvrđuje da li među
varijablama postoji funkcionalna ovisnost
• Pearson-ov koeficijent korelacije r može poprimiti vrijednost od -1.00 do +1.00
• r<0 definira negativnu korelaciju
• r>0 definira pozitivnu korelaciju
SMJER POVEZANOSTI
• Metoda korelacije prati odstupanja i uspoređuje varijacije dvaju ili više varijabli
te mjeri odnose među varijacijama. – jakost veze
• Metoda najmanjih kvadrata odstupanja – koristi se za određivanje koeficijenta
korelacije odnosno koeficijenta determinacije

sc. Hrvoje 2009.
Metoda najmanjih kvadrata odstupanja u određivanju koeficijenta korelacije:
SS xy 1 n 1 n
x   xi ; y   yi
r n i 1 n i 1
SS xx SS yy
n
SS xy   ( xi  x )( yi  y )
i 1
n
SS yy   ( yi  y ) 2
i i - r – Pearsonov koef. korelacije
n - xi, yi –originalne vrijednosti
SS xx   ( xi  x ) 2 - n –broj parova podataka
i i
x y i i  nx y
r i
 i  i
2 2
x  nx 2
 y  ny 2
i i

sc. Hrvoje 2009.
Primjeri kretanja koeficijenta korelacije za različite grupe podataka:

sc. Hrvoje 2009.
Izvod koeficijenta determinacije:
yi  y  yi  yˆ  y  yˆ
yi  y  ( yˆ  y )  ( yi  yˆ ) / 2
n n n n
(y
i 1
i  y )   ( yˆ  y )  2 ( yˆ  y )( yi  yˆ )   ( yi  yˆ ) 2
2
i 1
2
i 1 i 1
SKOukupno  SKO protumačroo  SKOostatka
SKO protumačroo
r 
2
SKOukupno
- koeficijent korelacije se računa kao drugi korijen koeficijenta determinacije
- r2 koeficijent determinacije – utvrđuje koliko je promjene zavisne varijable
objašnjeno promjenom nezavisne varijable
Primjer. Ako je koeficijent korelacije 0.9, tada je koeficijent determinacije 0.81
- Što znači da je 81% promjene zavisne varijable objašnjeno promjenom
nezavisne varijable
- kada se govori o jačini veze ne smije se govoriti na nivou r , već treba uzeti u
obzir i koeficijent determinacije!!!
sc. Hrvoje 2009.
Testiranje koeficijenta korelacije (T-test):
• Upotreba metode uzoraka u teoriji korelacije

• Koeficijent korelacije podliježe testiranju t-testom samo ako su promatrane
varijable normalno distribuirane
• Testira se hipoteza o koeficijentu korelacije osnovnog skupa iz kojeg je uzet
uzorak sa n parova podataka
r  n2 k  n - 2
t  ; t tab  
1 r   0.05
2
 koeficijent korelacije osnovnog skupa   0

H0 
 koeficijent korelacije osnovnog skupa   0
H1 

sc. Hrvoje 2009.
• Regresijska analiza
• Određuje oblik krivulje koja najbolje opisuje zadane podatke
• Oblik povezanosti varijabli:
• Linearna povezanost: y=ax+b
• Krivolinijska:
» y=aebx
» y=a+blnx
» y=abx …
• Kod regresijske analize se zna što je uzrok a što posljedica (zavisna,
nezavisna varijabla)
• Osnovni problem ove metode je odrediti koeficijente regresije
• Regresijska analiza: jednostavna linearna regresija; nelinearna regresija
(linearizacija); višestruka regresija

sc. Hrvoje 2009.
Jednostavna linearna regresija
• Bit metode je odrediti koeficijente regresijskog pravca β0 i β1
• Oblik regresijskog pravca:
ŷ= β0 + β1x
• Pravac koji najbolje aproksimira originalne vrijednosti mora biti tako položen da
SUMA KVADRATA ODSTUPANJA (SKO) procijenjenih i originalnih vrijednosti bude
minimalna!

sc. Hrvoje 2009.
• Izvod koeficijenata regresijskog pravca
n
S (b0 , b1 )   ( yˆ  yi ) 2 
 min
i 1
n
S (b0 , b1 )   (b0  b1 xi  yi ) 2 
 min
i 1
S n
 2   (b0  b1 xi  yi )  0
b0 i 1
S n
 2   xi (b0  b1 xi  yi )  0
b1 i 1
n n
nb0  b1  xi   yi
i 1 i 1
n n n
b0  xi  b1  xi  xi yi
2
i 1 i 1 i 1
• Konačni izrazi za koeficijente regresijskog pravca oblika ŷ=β0+β1x

n
x y i i  nx y
b1  i 1
n
; b0  y  b1 x
x
2
i  nx 2
i 1

sc. Hrvoje 2009.
Ispitivanje adekvatnosti modela (F-test)
s2P
F 2
s R
 ( yˆ
i  y )2
s2P  i
;
1
(y i  yˆi ) 2
s2R  i
n2
F  F0  model je neadekvatan (nije dobro odabran)

sc. Hrvoje 2009.
Testiranje ostataka preko papira vjerojatnosti
• još jedna od grafičkih metoda analize podataka (iz uzorka) kontinuiranog

obilježja
• utvrđuje se da li se podaci ponašaju po jednoj od promatranih raspodjela i koliko
koji elementi odstupaju
• za svaku raspodjelu posebno konstruira se papir vjerojatnosti:
– papir vjerojatnosti normalne raspodjele (najčešće)
– papir vjerojatnosti Weibull-ove raspodjele
– papir vjerojatnosti lognormalne raspodjele
– ...
• uzima se funkcija distribucije određene raspodjele i promjenom mjerila dobiva
se funkcija distribucije u obliku pravca (Henry-jev pravac)

sc. Hrvoje 2009.
• konstruiranje papira vjerojatnosti normalne raspodjele
Papir vjerojatnosti
Funkcija distribucije Normal
Normal
99
100
95
80 ~84%90
80
70
60 60
%
50
%
40
40 30
20
20 10
5
0
1
0 5 10 15 20 0 5 10 15 20
x  x  
• Henry-jev pravac se ucrtava tako da se odrede dvije čvrste točke:
– 1. točka : (x=, y=50%)
– 2. točka : (x=y=84%)

sc. Hrvoje 2009.
• primjena papira vjerojatnosti
Primjer: Provjeriti da li se podaci iz uzorka rasipaju po normalnoj raspodjeli.
- promatranjem podataka može se utvrditi da li se podaci rasipaju

po normalnoj raspodjeli.
  x i    ( x)
2
- uzeta je raspodjela sa parametrima 0

sc. Hrvoje 2009.
Metoda linearizacije:
- transformacija u linearni sustav
- tipične transformacije:
1. y  a  x b  ln y  ln a  b ln x 5. y  1  e -bx  ln( y  1)  bx

Y*  a*  b  X * - ln( y  1)  bx
ln( y  1) 1  bx
2. y  a  e bx  ln y  ln a  bx
1
Y *  a *  bx ln( )  bx
y 1
b1 1 Y *  bx
3. y  b 0   y  b 0  b1 
x x
y  b 0  b1 X *
4. y  b 0  b1 x  y  b 0  b1  X *

sc. Hrvoje 2009.
PRIMJER:
U nekom istraživanju mehaničkih svojstava nekog alatnog čelika utvrđeni su
podaci o mikrostrukturnom sastavu (volumnom udjelu jedne od faza) i tvrdoći,
prema tablici. Utvrditi ima li ovisnosti između ove dvije varijable i kakvog je ona
oblika.
Volumni udio faze x [%] 1.2 1.4 1.8 2.1 2.9 3.6 4.2 5.1
tvrdoća, y [HRC] 66 65 64 64 62 61 60 57
Regression Analysis: Tvrdoca versus Udio faze_
The regression equation is

Tvrdoca = 68,2 - 2,09 Udio faze_
Predictor Coef SE Coef T P

Constant 68,1995 0,3618 188,52 0,000
Udio faze_ -2,0895 0,1173 -17,81 0,000
S = 0,437523 R-Sq = 98,1% R-Sq(adj) = 97,8%

sc. Hrvoje 2009.
Analysis of Variance
Source DF SS MS F P
Regression 1 60,726 60,726 317,23 0,000
Residual Error 6 1,149 0,191
Total 7 61,875
Udio
Obs faze_ Tvrdoca Fit SE Fit Residual St Resid
1 1,20 66,000 65,692 0,242 0,308 0,84
2 1,40 65,000 65,274 0,225 -0,274 -0,73
3 1,80 64,000 64,438 0,193 -0,438 -1,12
4 2,10 64,000 63,812 0,174 0,188 0,47
5 2,90 62,000 62,140 0,155 -0,140 -0,34
6 3,60 61,000 60,677 0,182 0,323 0,81
7 4,20 60,000 59,424 0,227 0,576 1,54
8 5,10 57,000 57,543 0,312 -0,543 -1,77

sc. Hrvoje 2009.
6. Planiranje i analiza pokusa
• visoki zahtjevi koje suvremeno tržište postavlja na sve aspekte kvalitete

proizvodnih i tehnoloških procesa zahtijevaju uporabu različitih metoda
kontrole i upravljanja kvalitetom kako u procesima proizvodnje tako i u
njihovu projektiranju (pr. 6sigma)
• uz već uobičajene metode i tehnike upravljanja kvalitetom, sve se više
koristi i metodologija planiranja i analize pokusa (Design of Experiments),
koja se pokazala vrlo učinkovitom, posebice žele li se postići optimalna
rješenja kako u funkcionalnim značajkama proizvoda tako i u pogledu
parametara odvijanja tehnološkog i proizvodnog procesa
• također, u znanstveno istraživačke svrhe spomenuta metodologija vrlo
često nema alternativu

Povijest i osnovni pojmovi
– Francis Bacon (1561.–1626.), filozof, znanstvenik, povjesničar, koristio
jednofaktorske pokuse
ZNANJE JE MOĆ
– Sir Ronald Aylmer Fisher (1890.–1962.), utemeljitelj pojma DOE – Design of
Experiments
• istraživač na Rothamsted Laboratory (London)
• istraživao utjecaj različitih faktora na rast i prinose u poljoprivrednoj
proizvodnji
• uveo u istraživački rad “faktorske pokuse”, tj. istraživanje istovremenom
promjenom više utjecajnih faktora  interakcije
• definirao osnovne pojmove vezane uz pokuse:
– ponavljanje (repetiton; replicates), slučajnost pri izvođenju pokusa
(randomization), blokovi, aliasi
objavio knjige:
– Statistical methods for research workers (1925)
– Design of experiments (1935) - od tada je izraz Design of Experiments
u službenoj upotrebi
• početkom 20-og stoljeća pokusi sa smjesama se pojavljuju u poljoprivrednoj
industriji, industriji guma te industriji sapuna
Vrste pokusa
• Faktorski planovi pokusa
• Koristi se za ispitivanje veza između više faktora na više razina
odjednom
• Metode odzivnih površina
• Koristi se za istraživanje veza između više zavisnih i nezavisnih
varijabli
• Glavna ideja metode je korištenje sekvenci u planiranju pokusa
kako bi se postigao optimalni odziv
• Ovaj model je samo aproksimacija, ali se često koristi jer je takav
model lako procijeniti i upotrijebiti, čak i kada je malo toga poznato o
procesu
• Pokusi sa smjesama (mješavinama)

Princip uporabe planova pokusa:

Model pokusa
kontrolirani faktori Faze pri izvođenju pokusa

w1 w2 ... wp 1. Definirati problem i cilj istraživanja
... 2. Odabrati utjecajne faktore i
njihove razine
x1 y1 3. Odabrati mjerene vrijednosti
y2
x2 (izlazne varijable)
Proces, problem
...
...
: :
xm ym 4. Odabrati model pokusa
ulazi izlazi 5. Izvesti pokus (predpokus, glavni
(faktori,
...
(mjerne pokus)
varijable) vrijednosti,
rezultati) 6. Analizirati rezultate
z1 z2 ... zp
7. Formulirati zaključke i prijedloge
nekontrolirani faktori
(poremećaji)

Metode znanstveno-istraživačkog rada
7. Faktorski planovi pokusa

• pogodni za istraživanje utjecaja 2, 3, 4, ... faktora
• odabrane faktore moguće je ispitivati na 2 ili više razina istovremeno
• ovisno o broju razina faktora regresijski model će biti sastavljen od članova
prvoga odnosno višeg reda te interakcija (prvog, drugog i višeg reda)
• pokusa po faktor po faktor:
• Prosječni efekt:
Faktora A – razlika u rezultatu A1B1 i A2B1
Faktora B – razlika A1B1 i A1B2
• U slučaju dodavanja točke A2B2 prosječan
efekt :
Faktora A – prosjek razlika u rezultatu A1B1-A2B1 i
A1B2 - A2B2
Faktora B – prosjek razlika A1B1-A1B2 i A2B1-A2B2
• Problem neuključivanja interakcija!!!
Planiranje i analiza pokusa Dr. sc. Hrvoje Cajner

• označavanje: 2k · r
broj razina
broj faktora
broj izvođenja pokusa za
svaku kombinaciju razina faktora
• najjednostavniji slučaj; k = 2 faktora svaki na 2 razine
 - očekivanje (opća aritm. sredina)
linearni model:
i - efekt faktora 1
yijk =  + i + j + ij + eijk j - efekt faktora 2
ij - efekt interakcije
eijk – ostala varijacija

Primjer:
faktor B A1, A2, B1, B2  razine faktora
B2
b ab (1), a, b, ab  stanja pokusa
Prikaz promjene rezultata:
B1
(1) a
A1 A2 faktor A
rezultat
yij B1 B2
(1) b
A1 10 20
a ab
A2 30 40

Rezultati djelovanja promjene faktora
• glavni efekti: ab  a  b  (1) 40  30  20  10

A   20
2 2
ab  a  b  (1) 40  30  20  10
B   10
2 2
• interakcija
ab  a  b  (1) 40  30  20  10
AB   0
2 2
VAŽNO: ISTOVREMENA PROMJENA FAKTORA A i B NE UTJEČE NA
REZULTAT NEMA INTERAKCIJE

Primjer:
• glavni efekti: ab  a  b  (1) 0  30  20  10
faktor B A  0
b ab
2 2
B2
ab  a  b  (1) 0  30  20  10
B   10
2 2
• interakcija ab  a  b  (1) 0  30  20  10
AB    20
2 2
B1
(1) a
INTERAKCIJA AB = – 20
A1 A2 faktor A
Rezultati
30
rezultat B2
yij B1 B2
20
(1) b
A1 10 20 B1
10
a ab
A2 30 0
0 A1 A2 faktor A
Analiza značajnosti utjecaja faktora i interakcija

Suma
Izvor kvadrata Stupnjevi Srednji kvadrat
varijacija odstupanja slobode odstupanja Frač. F0*
SS A
Frač .( A) 
MS A
Faktor A SSA a – 1 MS A 
a 1 MSOST .
SS B
Frač .( B ) 
MS B
Faktor B SSB b–1 MS B 
b 1 MSOST .
SS AB MS AB
interakcija AB SSAB (a – 1) (b – 1) MS AB  Frač .( AB ) 
(a  1)(b  1) MSOST .
SSOST
ostatak SSOST. ab(r – 1) MSOST 
a  b(r  1)

Ukupno SSUKUPNO abr – 1
a  broj razina faktora A * opaska: p – greška odbacivanja

b  broj razina faktora B ispravne hipoteze Ho
r  broj ponavljanja pokusa

Kontrasti
• Linearna kombinacija (funkcija) nad podacima pokusa, ali uz uvjet sume
koeficijenata jednake 0
y1, y2,…,yn - podaci nekog pokusa (rezultati)
l1, l2, ..., ln - koeficijenti
n
M  1  y1   2  y 2  ...   n  y n   i  y i
i 1
n
M je kontrast ako vrijedi:  i  0
i 1

• Primjeri kontrasta:
a) Kontrast koji može odgovoriti na pitanje postoji li linearni trend (porast)
rezultata između točke (stanja) pokusa 1 i 3.
M   i  yi
yi y1 y2 y3
i -1 0 +1
b) Kontrast koji odgovara postoji li nelinearnost pojave u srednjoj razini.
L    i  yi
yi y1 y2 y3
i -1/2 1 -1/2

Ortogonalni kontrasti:
• Dva su kontrasta međusobno ortogonalna ako je suma umnožaka
odgovarajućih parova koeficijenata jednaka 0 n
  i  i  0
i 1
• Primjeri ortogonalnosti kontrasta:
Kontrast yi y1 y2 y3
M i -1 0 +1
L i -1/2 +1 -1/2
K i -2 +1 +1
P i 0 -1 +1
M i L – ortogonalni kontrasti M i K – nisu ortogonalni kontrasti
K i P – ortogonalni kontrasti
• Ortogonalni kontrasti odgovaraju na nezavisna pitanja
• Ako ortogonalnost nije prisutna tada su neki efekti faktora združeni
(‘confounding’)

8. Djelomični (frakcionirani) faktorski planovi pokusa

• upotreba djelomičnih pokusa kod problema sa velikim brojem faktora
• fokus istraživanja je na faktorima s velikim efektima – značajnim faktorima
• pretpostavlja se da glavni efekti dominiraju nad interakcijama
• označavanje: 2k-p · r
• primjer: 3 faktora s jednim ponavljanjem na 2 razine – 1/2 ‘frakcije’ = 23-1
Primjer 23-1

• za glavnu ‘frakciju’ I=+ABC kontrast za procjenu efekta je isti kao i za

procjenu interakcije BC
• tu pojavu ‘nerazlučenih’ efekata zovemo aliasi
• aliasi za konkretni problem:
A = BC, B = AC, C = AB
mogu se definirati kao:
AI = A(ABC) = A2BC = BC
BI =B(ABC) = AC
CI = C(ABC) = AB
notacija aliasa:
 A  A  BC ,  B  B  AC ,  C  C  AB

Primjer (djelomični 24-1)

• rezultat:
• značajni efekti= A, C, D, AC i AD

8. Metodologija odzivne površine

• Centralno kompozitni plan pokusa pripada u skupinu planova pokusa
višeg reda, tzv. metoda odzivne površine (e. response surface
methodology)
• Metoda odzivne površine obuhvaća skup statističkih i matematičkih
metoda koje se primjenjuju za razvoj, poboljšanje i optimiranje
procesa
• Mjerljiva veličina kvalitete proizvoda ili procesa naziva se odziv
• Svrha plana pokusa je generiranje matematičkog modela, odnosno
jednadžbe (polinoma II. stupnja) koja opisuje proces
• Ako su proučavani faktori u pokusu doista oni koji utječu na proces,
a podaci dobiveni pokusom prihvatljive točnosti i preciznosti, tada je
moguće razviti model koji vjerodostojno opisuje proces
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Centralno kompozitni plan pokusa je model I. reda (2k) proširen

dodatnim točkama (stanjima pokusa) u centru i točkama u osima da
bi se omogućila procjena parametara modela II. Reda
• Centralno kompozitni plan pokusa sastoji se od 2k stanja u vrhovima
(faktorska stanja), 2k stanja u osima i stanja u središtu (k – broj
faktora)
• Centralno kompozitni plan pokusa je alternativa 3k modelu pri
sastavljanju modela pokusa II. reda jer je broj izvođenja smanjen u
usporedbi s potpunim faktorskim modelom pokusa
• Za k = 3 (faktori su x1, x2 i x3) na slici 1 prikazan je model centralno
kompozitnog pokusa za koji je potrebno 15 stanja pokusa(23+2·3+1)
• U slučaju potpunoga faktorskog pokusa bilo bi potrebno 27 stanja
pokusa
Dr.svibnja 2010.
sc. Hrvoje Cajner
• kreiranje preliminarnih pokusa u svrhu pronalaženja optimalnog područja

istraživanja s obzirom na oblik istraživanja (pronalaženje optimuma,
pronalaženje odzivne karakteristike u ograničenom području...)
• standardna metoda pronalaženja ekstrema ‘Metoda strmog uspona’
Pronalaženje optimalnog prostora eksperimenta

Dr.svibnja 2010.
sc. Hrvoje Cajner
• Poželjna karakteristika svakoga pokusa je međusobna nezavisnost

procjena glavnih efekata i njihovih interakcija, što se postiže
ortogonalnošću i rotatabilnošću pokusa
• Pokus je ortogonalan ako je zbroj produkata kodiranih stanja bilo
kojih dviju kolona u matrici pokusa jednak nuli
• Rotatabilnost centralno kompozitnog plana pokusa postiže se
dodavanjem stanja pokusa tako da su sva stanja jednako udaljena
od središta pokusa, odnosno rotatabilnost ovisi o tzv. osnoj
udaljenosti α (udaljenosti stanja u osima od centra)
• Pokus je rotatabilan ako je:
  4
F
gdje je F broj faktorskih stanja (F = 2k u slučaju potpunoga faktorskog
pokusa)
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Prema (1), u slučaju dva faktora α = 22/4 = 1,414, a u slučaju tri

faktora α = 23/4 = 1,682
• Dodatna stanja u središtu pokusa služe da bi se mogle usporediti
vrijednosti mjerenja zavisne varijable u središtu pokusa s
aritmetičkom sredinom za ostatak pokusa
• Ako je aritmetička sredina središta pokusa signifikantno različita od
ukupne aritmetičke sredine svih ostalih stanja pokusa, tada se može
zaključiti da veza između faktora pokusa i zavisne varijable nije
linearna
• Ako se pokus barem djelomično ponavlja, tada se može procijeniti
pogreška pokusa iz varijabilnosti ponovljenih stanja
• Budući da se ta stanja izvode pod identičnim uvjetima, odnosno
identičnim razinama faktora, procjena pogreške pokusa iz tih
podataka neovisna je o tome je li model pokusa linearan ili
nelinearan te sadržava li interakcije višeg reda
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Tako je procijenjena pogreška pokusa čista pogreška (e. pure error),

odnosno ona je posljedica samo prirodne varijacije zavisne varijable
• Jednadžba (polinom II. stupnja) kojom se opisuje proces (odzivna
funkcija) za općeniti slučaj glasi (k faktora pokusa):
• pri čemu se koeficijenti b0... bk određuju primjenom metode

minimalne sume kvadratnih odstupanja računskih od stvarnih
vrijednosti
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Metoda strmog uspona (primjer)
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Oblikovanje plana pokusa za prilagodbu modela drugog reda

• Kodiranje faktora radi računanja efekata (ortogonalnost)
• Stvarni faktori se prebacuju u kodirane vrijednosti:
 i1  [max( i1 )  min( i1 )] / 2
xi1 
[max( i1 )  min( i1 )] / 2
xi1 - kodirana vrijednost varijable 1

 i1 - stvarna vrijednost varijable 1
max( i1 ) - maksimalna vrijednost varijable
min( i1 ) - minimalna vrijednost varijable
• U slučaju modela drugoga reda dodatne (ekstrapolirane) točke

pokusa se računaju uzimajući u obzir koeficijent 
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Centralno kompozitni planovi pokusa za prilagođavanje odzivne

površine (funkcije drugog reda) za 2 i 3 faktora
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Primjer forme unosa podataka – centralno kompozitni model s 2 faktora i 5

ponavljanja u centru
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Rezultat je moguće iskazati kroz konturni dijagram i graf odzivne površine
Dr.svibnja 2010.
sc. Hrvoje Cajner
Primjer :
Proizvodnja kemikalija. (kemikalije.dx7)
Dva najvažnija odziva koja se prate su:
• Y1 – Pretvaranje (% reaktanata koji su se pretvorili u produkt)
• Y2 – Aktivnost
Ispitivač je odabrao 3 faktora procesa za proučavanje. Njihovi nazivi
i nivoi su prikazani u tablici
Pretpostavimo da će se ispitivanja provoditi u toku 2 dana.

1. 12 izvođenja: 8 točaka u vrhovima i 4 točke u središtu
2. 8 izvođenja: 6 točaka u osima i 2 točke u središtu
Mjerna Low level High level

Faktor
jedinica (-1) (+1)
A – Vrijeme Minute 40 50
B – Temperatura ˚C 80 90
C - Katalizator % 2 4
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Odabrani model :Centralno kompozitni plan pokusa za 3 faktora
91
Dr.svibnja 2010.
sc. Hrvoje Cajner
Primjer: Na slici je prikazan faktorski plan pokusa 22. Rezultati pokusa su dani u
tablici. Potrebno je analizirati značajnost faktora te glavne efekte i interakcije.
faktor B
rezultat
B2
b ab
yij B1 B2
A1 10 20
B1
(1) a
A2 30 0
A1 A2 faktor A
Analysis of Variance for Y (coded units)
Source DF Seq SS Adj SS Adj MS F P

Main Effects 2 100,0 100,0 50,00 * *
2-Way Interactions 1 400,0 400,0 400,00 * *
Residual Error 0 * * *
Total 3 500,0
Estimated Coefficients for Y using data in uncoded units
Term Coef
Constant 15,0000
faktor A 0
faktor B -5,00000
faktor A*faktor B -10,0000
Dr.svibnja 2010.
sc. Hrvoje Cajner
Primjer: Potrebno je analizirati pokus 23 x 3. Rezultati su dani u tablici.

Estimated Effects and Coefficients for Tvrdoca (coded units)
Term Effect Coef SE Coef T P

Constant 586,417 0,8047 728,72 0,000
A 25,500 12,750 0,8047 15,84 0,000
B -14,000 -7,000 0,8047 -8,70 0,000
C -4,333 -2,167 0,8047 -2,69 0,016
A*B 8,667 4,333 0,8047 5,38 0,000
A*C 0,333 0,167 0,8047 0,21 0,839
B*C 6,500 3,250 0,8047 4,04 0,001
A*B*C 3,167 1,583 0,8047 1,97 0,067
S = 3,94229 PRESS = 559,5

R-Sq = 95,99% R-Sq(pred) = 90,98% R-Sq(adj) = 94,24%
Analysis of Variance for Tvrdoca (coded units)
Source DF Seq SS Adj SS Adj MS F P

Main Effects 3 5190,17 5190,17 1730,06 111,32 0,000
2-Way Interactions 3 704,83 704,83 234,94 15,12 0,000
3-Way Interactions 1 60,17 60,17 60,17 3,87 0,067
Residual Error 16 248,67 248,67 15,54
Pure Error 16 248,67 248,67 15,54
Total 23 6203,83
Dr.svibnja 2010.
sc. Hrvoje Cajner
Primjer: Opis problema

• Cilj je izrezati trake tako da lagano padaju na pod
– Ako su optimalno dimenzionirani konfeti se rotiraju i kreću pod
nasumičnim kutovima što odaje vrlo efektan dojam
• U tablici su prikazano faktori i nivoi koje je potrebno testirati
• Napomena
– Dodane su središnje točke (kodirane s 0) kako bi se smanjio razmak
između nižeg i višeg nivoa
Faktor Naziv Mjerne Niži Centar Viši

jedinic nivo (-) (0) nivo (+)
e
A Širina cm 1 2 3
B Visina cm 3 4 5
Dr.svibnja 2010.
sc. Hrvoje Cajner
Planiranje pokusa
• Model pokusa i izmjereni podaci
Vrijeme
No. Širina (cm) Visina (cm)
(sec)
1 1 3 2,5
2 3 3 1,9
3 1 5 2,8
4 3 5 2
5 2 4 2,8
6 2 4 2,7
7 2 4 2,6
8 2 4 2,7
– Središnja točka je replicirana 4 puta kako bi se determinirala čista

pogreška pokusa
Metoda odzivne površine

Planiranje pokusa
Efekti:

Planiranje pokusa
ANOVA tablica:
p-value
Source Sum of Squares df Mean Square F Value
Prob > F
Model 0,49 1 0,49 35 0.0020
A-Širina 0,49 1 0,49 35 0.0020
Curvature 0,32 1 0,32 22,86 0.0050
Residual 0,07 5 0,014
Lack of Fit 0,05 2 0,025 3,75 0.1527
Pure Error 0,02 3 0,00667
Cor Total 0,88 7
Std. Dev. 0,12 R-Squared 0,8750
Mean 2,50 Adj R-Squared 0,8500
C.V. % 4,73 Pred R-Squared 0,5794
PRESS 0,24 Adeq Precision 10,3510

Planiranje pokusa
Rezultati

Proširenje na centralno kompozitni model (CCD)
Centralno kompozitni model za tri faktora
Centralno kompozitni model za dva faktora
• Napomena
Kako bi se postigla maksimalna
učinkovitost ovog modela točke
stanja na osima moraju biti
udaljene od dometa faktora za
specifičnu udaljenost koja iznosi:
Drugi korijen iz broja faktora
Dr.svibnja 2010.
sc. Hrvoje Cajner
• U tablici je prikazan novi prošireni model

– Nove točke su označene kao Block 2
– Primijetite dodatne središnje točke  one omogućuju vezu i daju veću
snagu za procjenu efekata drugog reda
– CCD model sadrži 5 nivoa za svaki faktor:
• Niži osni
• Niži faktorski
• Središnji
• Viši faktorski
• Viši osni
– Toliko nivoa omogućuje generiranje dovoljno informacija da se
odredi jednadžba polinoma drugog reda
Dr.svibnja 2010.
sc. Hrvoje Cajner
• Centralno kompozitni model  Konfeti

Širina Duljina Vrijeme
No. Blok Tip
(cm) (cm) (sec)
1 Block 1 Fact 1 3 2,50

2 Block 1 Fact 3 3 1,90
3 Block 1 Fact 1 5 2,80
4 Block 1 Fact 3 5 2,00
5 Block 1 Center 2 4 2,80
9 Block 2 Axial 0,59 4 2,50
10 Block 2 Axial 3,41 4 1,80
11 Block 2 Axial 2 2,59 2,60
12 Block 2 Axial 2 5,41 3,00
Dr.svibnja 2010.
sc. Hrvoje Cajner
ANOVA tablica
Dr.svibnja 2010.
sc. Hrvoje Cajner
Rezultati – odzivna površina

3D prikaz odzivne površine
Konturni prikaz odziva
Dr.svibnja 2010.
sc. Hrvoje Cajner

Nedeljko Stefanic - 2014 - PLANOVI POKUSA OBJEDINJENO

Uploaded by

Copyright:

Available Formats

You might also like

Nedeljko Stefanic - 2014 - PLANOVI POKUSA OBJEDINJENO

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Nedeljko Stefanic - 2014 - PLANOVI POKUSA OBJEDINJENO

Uploaded by

Copyright:

Available Formats

Uvod u planiranje i analizu pokusa

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

• Područje statistike se bavi prikupljanjem, prezentacijom, analizom i upotrebom

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

• Istraživački pristup upotrebom statističkog zaključivanja (eng. Statistical

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

aritm. sredina uzorka:

E ( x )  E ( x)   dakle: x uzorka nepristrano procjenjuje očekivanja osn.

E ( 2 )   02 dakle: varijanca uzorka nije nepristrana procjena

varijancu osnovnog skupa

Pomoću varijable s2 određuje se  x

z ... varijabla N0,1 t ... varijabla Studentove

– VRIJEDI SAMO ZA VELIKE UZORKE (n → 100)

• Varijance (osobito malih) uzoraka ne rasipaju se normalno oko varijance

dio B U praksi: umjesto n - dimenzionalnog modela

H0: nulta hipoteza

– Ako se točka T kao realizacija uzorka nađe u dijelu A, smatramo

• Očito: pri uporabi opisanog modela moguće su pogreške

1 Pogodna jednodimenzionalna varijabla:

H 0 : x    51.5 H1 : x  51.5 (   51.5)

50.65  51.50 0.85

• 1. skup: očekivanje 1, varijanca 201  x1 , s12 , sx21

f (t ) x1  x2 ... varijabla Studentove t-razdiobe

Ako trač .  t0  odbaciti Ho, uz vjerojatnost

• slučaj: uzorak – osn. skup • slučaj: uzorak – uzorak

Ako: Frač. > F0  odbaciti Ho

1  Tipično:  = 0.05; 0.01

• F-razdioba: utemeljio G. Snedecor (1881.–1934.)

VAŽNO: Svakom testu aritmetičkih sredina mora prethoditi provjera značajnosti

• ako je  r   0 tada treba odbaciti hipotezu H0

• NAPOMENA: upotreba samo za frekvencije ft>5! – u slučaju prilagodbe razdioba

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

• Za provjeru gornje hipoteze H0 nužno je odrediti dvije nezavisne varijance

kb; kn ( s12  s22 )

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

N  n1  n2    n j    nk  ukupni broj podataka

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

SKOUKUPNO  SKOunutar  SKOizmeđu

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

• Čvrstoća papira (psi) u ovisnosti o udjelu tvrdog drva u smjesi, u %

• Tablica analize varijance

Uvod u planiranje i analizu pokusa Dr. sc. Hrvoje Cajner

1. 160 158 146 151 Univariate Results for Each DV (Spreadsheet1)

4. 168 170 162 167

Uvod u planiranje i analizu pokusa Dr.Zagreb, rujanCajner

SKOUKUPNO  SKOstupci  SKOredovi  SKOostatka

• budući da su poznata dva izvora varijacije (grupirano u redove i stupce)

Uvod u planiranje i analizu pokusa Dr.Zagreb, rujanCajner

Faktor1 (redovi) SKOredovi l‐1 s2redovi s2redovi/ s2ostatak

Faktor2 (stupci) SKOstupci k‐1 s2stupci s2stupci/ s2ostatak

Ostatak SKOostatak (k‐1)(l‐1) s2ostatak –

UKUPNO: SKOukupno N‐1 – –

Uvod u planiranje i analizu pokusa Dr.Zagreb, rujanCajner

Descriptive Statistics (Spreadsheet1)

Uvod u planiranje i analizu pokusa Dr.Zagreb, rujanCajner

Uvod u planiranje i analizu pokusa Dr.Zagreb, rujanCajner

- korelacija – mjera povezanosti dvije ili više varijabli