Professional Documents
Culture Documents
Nedeljko Stefanic - 2014 - PLANOVI POKUSA OBJEDINJENO
Nedeljko Stefanic - 2014 - PLANOVI POKUSA OBJEDINJENO
Nedeljko Stefanic - 2014 - PLANOVI POKUSA OBJEDINJENO
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
x1 N E ( x ) ; x2
x2
x3
x4
x5
x6
Raspon osnovnog skupa
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• 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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• Nepristrane procjene parametara osnovnog skupa
Pojam nepristrane procjene:
neka varijabla nepristrano procjenjuje parametar osnovnog skupa Θ
ako vrijedi:
E ( )
n 1
2 nepristrano procjenjuje
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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• 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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
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
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• 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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• Važne pretpostavke:
– proporcija uzorka p N E ( p ) P; ( p )
– sp ... nepristrana procjena standardne pogreške proporcije
uzorka: pq
sp , q 1 p
n
– n ... veličina uzorka
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• Intervalna procjena varijance
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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
Konačno:
n 2 n 2
02 , uz razinu povjerenja (1 – )
2
(1 2) 2
( 2)
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
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 A
(prihvaćanje H0)
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
Postavimo dvije hipoteze:
dio B
(odbacivanje H0)
dio A
(prihvaćanje H0)
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• Pogreške pri testiranju hipoteza
O Pogreška
D Odbaciti 1. vrste ISPRAVNO
L
U
K Pogreška
A Prihvatiti ISPRAVNO 2. vrste
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• 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
k = n – 1 ss
1
Ako je trač . t0 odbaciti Ho, uz
2 2
vjerojatnost pogreške 1. vrste
t0 0 t
t0
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
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)
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• Provjera hipoteza uzorak – uzorak (test očekivanja)
Hipoteze: H 0 : 1 2 f ( x1 )
f ( x2 )
H1 : 1 2
H1 : 1 2
H1 : 1 2
1 2 x1 , x2
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• 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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• 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:
t0 0 t
t 0
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• Testiranje hipoteza za proporcije (atributivne podatke)
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
– varijabla za testiranje hipoteze Ho : – razlika d = p1 – p2 rasipa se oko
P E(d)=0, ako pretpostavimo istinitost
nulte hipoteze
pP – varijabla pogodna za testiranje nulte
z var. razdiobe N0,1
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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• 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
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
f (F )
F0 F
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
• 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
Uvod uteorije
Osnove planiranje i analizu pokusa
uzoraka Dr. sc. Hrvoje Cajner
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:
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 )
s12
F 2 varijabla F-razdiobe s
f (F ) s2 kb = n1 – 1 s.s. i kn = n2 – 1 s.s.
1 Odluka:
ako Frač. > F0 , odbaciti H0, uz pogrešku
F0 F prve vrste čija je vjerojatnost
(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
i, j
ij N E ( ij ) 0; (2 ij )
Uvod u planiranje i analizu pokusa Dr.Zagreb, rujanCajner
sc. Hrvoje 2009.
• dekompozicija sume kvadrata odstupanja:
ij
( x
i, j
) 2
j
( x ) 2
i, j
i
( x ) 2
i, j
SKOostatka
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
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
(y
i 1
i y ) ( yˆ y ) 2 ( yˆ y )( yi yˆ ) ( yi yˆ ) 2
2
i 1
2
i 1 i 1
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!!!
Uvod u planiranje i analizu pokusa Dr.Zagreb, rujanCajner
sc. Hrvoje 2009.
Testiranje koeficijenta korelacije (T-test):
r n2 k n - 2
t ; t tab
1 r 0.05
2
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
x y i i nx y
b1 i 1
n
; b0 y b1 x
x
2
i nx 2
i 1
s2P
F 2
s R
( yˆ
i y )2
s2P i
;
1
(y i yˆi ) 2
s2R i
n2
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%)
4. y b 0 b1 x y b 0 b1 X *
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
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
...
: :
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)
• 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
B1
(1) a
A1 A2 faktor A
rezultat
yij B1 B2
(1) b
A1 10 20
a ab
A2 30 40
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
Planiranje i analiza pokusa Dr. sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
SSOST
ostatak SSOST. ab(r – 1) MSOST
a b(r 1)
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’)
Primjer 23-1
A A BC , B B AC , C C AB
• rezultat:
• značajni efekti= A, C, D, AC i AD
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
4
F
gdje je F broj faktorskih stanja (F = 2k u slučaju potpunoga faktorskog
pokusa)
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
i1 [max( i1 ) min( i1 )] / 2
xi1
[max( i1 ) min( i1 )] / 2
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
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
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
91
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
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
Term Coef
Constant 15,0000
faktor A 0
faktor B -5,00000
faktor A*faktor B -10,0000
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Planiranje pokusa
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
Efekti:
ANOVA tablica:
p-value
Source Sum of Squares df Mean Square F Value
Prob > F
Model 0,49 1 0,49 35 0.0020
Rezultati
• 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
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
ANOVA tablica
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner
Metode znanstveno-istraživačkog rada
Planiranje i analiza
Planiranje i analiza pokusa
pokusa Zagreb, 18. i 19.
Dr.svibnja 2010.
sc. Hrvoje Cajner