METODE EKSPERIMENTALNEGA DELA

Eksperimentalni narti zapiski

Ale Hribernik

3. Nartovanje eksperimentov
3.1 Uvod
Eksperimentalne raziskave izvajamo z namenom, da ugotovimo znailnosti izbranega procesa ali sistema. V ta namen se uporablja eksperimentalni nart za identifikacijo faktorjev (spremenljivk), ki lahko vplivajo na rezultat eksperimenta, minimizacijo nekontroliranih faktorjev in za uporabo statistinih analiz za loevanje uinkov razlinih faktorjev. Uporablja se tudi za optimizacijo rezultatov ali postopkov. 3.1.1 Objekt raziskovanja v Na objekt raziskave vpliva niz znanih nadzorovanih vplivnih v faktorjev x , prav tako pa tudi cela vrsta nenadzorovanih faktorjev (sluajni vplivi) p , kar povzroa spremembo v v karakteristik procesa y in vrednosti spremljanih meritev M . Shematski prikaz raziskave prikazuje slika 3.1.

v p
Objekt raziskave Model v vvv y = f (x, p ) v p

Spremljane meritve

v M v y

Znani nadzorovani vplivni faktorji

v x

Nenadzorovani vplivni faktorji (sluajni vplivi)

Slika 3.1: Shematski prikaz raziskave Cilj oz. eleni odgovor raziskave je: prouiti pomembnost vplivnih faktorjev, pomembnost interakcij vplivnih parametrov, v v vv najti matematini regresijski model procesa (y = f (x, p)) , ki velja le v obmoju raziskovanja ter na osnovi pridobljenega znanja optimirati potek procesa. 3.1.2 Poti reevanja Razvitih je e mnogo zanesljivih metod nartovanja in izvedbe eksperimentov ter analize eksperimentalnih rezultatov, ki pomagajo do elenih odgovorov. Znana sta dva razlina koncepta; t.i.: klasini eksperiment in sodobne statistine metode. Pri prouevanju nekega procesa po metodi klasinega eksperimenta se vedno spreminja le po en vplivni faktor (A, B ali C), medtem ko mora biti vrednost vseh ostalih faktorjev konstantna, tj. na izbranem nespremenjenem nivoju (slika 3.2):

OSNOVNI NIVO
C B

...

Variacija A
C B C B C B

Variacija B
C A B

Variacija C
A B

.. A
Spodnji nivo

. .. A
Zgornji nivo

..

. ..

...

C A B

.C A ..
Zgornji nivo

Spodnji nivo

Zgornji nivo

Spodnji nivo

Slika 3.2: Variacija spremenljivk pri klasinem eksperimentu Tako nartovano izvajanje eksperimentov je drago (veliko tevilo meritev), dolgotrajno in teko izvedljivo (dranje ne-obravnavanih faktorjev na osnovnem nivoju), hkrati pa ne daje nobenih monosti za ugotavljanje stopnje medsebojnega vpliva (interakcije) faktorjev. Iz teh razlogov prehaja sodobno nartovanje raziskav na statistini eksperiment. Ta ima naslednje znailnosti: ne predpostavlja, da je mogoe vpliv ne-analiziranih faktorjev izloiti, zato ne zahteva fiksiranja ne-analiziranih faktorjev na osnovnem nivoju, ampak hkratno variranje vseh faktorjev, daje podatke o vplivu interakcije faktorjev na proces, omogoa izraun tonosti in sluajnih pogrekov, omogoa aproksimacijo eksperimentalnih rezultatov z matematinim modelom, ki omogoa optimiranje sistema. Sodobne eksperimentalne narte delimo: po tevilu vplivnih faktorjev (eno-, dvo-, tro-, . . . ve-faktorske); po redu narta (stopnji matematinega modela) na: nart prvega, nart drugega, nart vijega reda; po cilju ki ga doseemo z izbranim nartom: - nart za selekcijo in rangiranje vplivnih faktorjev (doloanje pomembnosti in nepomembnosti faktorjev), - narti za iskanje in preuevanje zakonitosti (mehanizmov) delovanja sistema (doloitev matematinega modela) in - narti za optimiranje in optimalno vodenje procesov. Pri tem so se za posamezne primere razvili naslednji osnovni statistini narti raziskav: enostavni primerjalni eksperiment, latinski kvadrat, latinsko-grki kvadrat, latinski kub, vefaktorski nart prvega reda, vefaktorski nart vijega reda.

3.2 Enofaktorski eksperiment in analiza variance

Predstavitev statistinega eksperimenta bomo prieli s preprostim enofaktorskim eksperimentom. Predpostavimo, da imamo a eksperimentalnih tok, oziroma a razlinih nivojev samo enega vplivnega faktorja, ki jih elimo med seboj primerjati. Opazovani uinek posamezne eksperimentalne toke je sluajna spremenljivka. V preglednici 3.1 predstavlja yi,j rezultat j-te meritve na i-tem nivoju. Pri tem na vsakem nivoju meritev n-krat ponovimo. Pomembno je dodati, da je v eksperiment izveden s povsem nakljunim zaporedjem eksperimentalnih tok in ponovitev,tako da ima sluajni pogreek normalno porazdelitev s srednjo vrednostjo 0 in varianco 2. Preglednica 3.1: Sploni zapis rezultatov eno-faktorskega eksperimenta nivo eksp. toka 1 2 . . . a y11 y21 . . . ya1 rezultati meritev y12 y22 . . . ya2 . . . . . . . . . . . . . . . y1n y2n . . . yan vsota niza y1. y2. . . . ya. y.. povprena vrednost y1.
y 2. . . . y a.

. . .

y ..

3.2.1 Model odzivov Rezultate posameznih meritev lahko prikaemo z naslednjim modelom,

i = 1,2,..., a y ij = i + ij j = 1,2,..., n
kjer je: yij - ij-ti rezultat, i - povpreje i-te eksperimentalne toke, ij - sluajni pogreek, ki vkljuuje vse sluajne vplive. Model (3.1) imenujemo model povpreij. Kadar vpeljemo
i = + i ,

(3.1)

i = 1, 2, , a,

ga lahko prevedemo v t.i. model uinkov

i = 1,2,..., a y ij = + i + ij j = 1,2,..., n
kjer je: - skupno povpreje, i - uinek i-te eksperimentalne toke.

(3.2)

Oba modela sta linearna statistina modela, saj je odziv yi,j linearna funkcija parametrov modela. V praksi je bolj uporaben model uinkov , ker se intuitivno sklicuje na to, da je konstanta in i odklon od nje.

V nadaljevanju si oglejmo analizo variance enega samega vplivnega faktorja s pomojo modela uinkov. Pri tem izhajamo iz predpostavke, da so pogreki meritev sluajne spremenljivke porazdeljene po normalni porazdelitvi okoli srednje vrednosti 0 z varianco 2. To pomeni, da imajo tudi odzivi yi,j normalno porazdelitev s srednjo vrednostjo +i in varianco 2 (yi,j ~ N(+i, 2)). V skladu z oznakami v preglednici 3.1 naj velja, da je yi. vsota niza rezultatov meritev v iti eksperimentalni toki, y i. pa njihovo povpreje. Nadalje je vsota vseh eksperimentalnih rezultatov y .. , njihovo povpreje pa y .. . Zapisano z izrazi torej velja
y i. = y ij ,
j =1 n

y i. = y i. /n ,

i = 1, 2,, a (3.3)

y .. = y ij ,
i =1 j =1

y .. = y .. /N

kjer je: N = a.n - skupno tevilo poskusov (meritev). Velja torej, kadar indeks parametra nadomestimo s piko, predstavlja parameter setevek vzdol indeksa, ki smo ga nadomestili. Z analizo variance elimo ugotoviti, ali opazovani faktor pomembno vpliva na odziv sistema ali ne. To lahko naredimo s testiranjem hipotez:

H0 : 1 = 2 = ... = a H1 : i j za vsaj en par (i,j)

V primeru, da hipoteze H0 ne moremo ovrei, pomeni, da so razlike srednjih vrednosti odzivov pri razlinih nivojih faktorja nepomembne, zato je tudi vpliv faktorja zanemarljiv, kadar pa potrdimo alternativno hipotezo H1, pa je vpliv faktorja pomemben. Z modelom uinkov nadomestimo srednjo vrednost i-te eksperimentalne toke i z i = + i . Pri tem je , skupno povpreje in velja:

i =1

=,

zato je vsota odklonov i od skupnega povpreja enaka 0, torej je vsota uinkov

i =1

=0

Ker torej uinki predstavljajo odklon od skupnega povpreja, lahko gornji hipotezi zapiemo tudi kot H0 : 1 = 2 = ... a = 0 H1 : i 0 za vsaj en i

Torej lahko potrdimo hipotezo o enakosti povprenih vrednosti eksperimentalnih tok na podlagi ugotovitve, da so uinki i vseh eksperimentalnih tok enaki 0. 3.2.2 Skupna vsota kvadratov Naziv analiza variance izvira iz delitve skupne variabilnosti na njene posamezne dele. Skupna korigirana vsota kvadratov

SS T = (y ij y .. )
a n i =1 j =1

se uporablja kot merilo za skupno variabilnost podatkov. e SST delimo s primernim tevilom prostostnih stopenj (v tem primeru, an 1 = N 1), dobimo varianco vzorca za odziv y. Varianca vzorca je standardno merilo variabilnosti. Skupno korigirano vsoto SST lahko zapiemo tudi kot

(y
a n i =1 j =1 a

ij

y .. ) = (y i. y .. ) + (y ij y i. )
2

(3.4)

i =1 j =1 a n

ali

(y
a n i =1 j =1

ij y .. ) = n (y i. y .. ) + (y ij y i. ) + 2 (y i. y .. )(y ij y i. )
2 2 2

(3.5)

i =1

i =1 j =1

i =1 j =1

Pri tem je zadnji len enabe (3.5) s krinimi produkti enak 0, saj velja

(y
n j =1

ij

y i. ) = y i. ny i. = y i. n(y i. /n) = 0

Tako dobimo sledeo enabo

(y
a n i =1 j =1

ij y .. ) = n (y i. y .. ) + (y ij y i. )
2

(3.6)

i =1

i =1 j =1

Enaba (3.6) pove, da se lahko skupna variabilnost podatkov merjena s skupno korigirano vsoto kvadratov, deli v vsoto kvadratov razlik med povprejem eksperimentalnih tok in skupnim povprejem, in vsoto kvadratov razlik med rezultati znotraj nizov posameznih eksperimentalnih tok in njihovega povpreja. Razlika med povprejem v opazovani eksperimentalni toki in skupnim povprejem je merilo razlike med srednjimi vrednostmi eksperimentalnih tok, medtem ko so lahko razlike opazovanj znotraj nizov meritev posameznih eksperimentalnih tok samo posledica sluajnega pogreka. Tako lahko enabo (3.6) simbolino zapiemo kot
SS T = SS TR + SS E

kjer je: SSTR - vsota kvadratov zaradi razlik med eksperimentalnimi tokami, SSE - vsota kvadratov znotraj nizov eksperimentalnih tok (zaradi pogreka). tevilo vseh opazovanj je enako an = N, zato je tevilo prostostnih stopenj za SST enako mT = N 1. Opazujemo a nivojev vplivnega faktorja, zato je tevilo prostostnih stopenj za SSTR enako mTR = a 1. V vsaki eksperimentalni toki izvedemo n ponovitev, ki poveajo 6

prostostno stopnjo pogreka za n 1. Tako je prostostna stopnja pogreka mE = a(n 1) = an a = N a. Ugotovimo lahko, da tudi v primeru prostostnih stopenj velja
m T = m TR + m E

e podelimo posamezno vsoto kvadratov s pripadajoo prostostno stopnjo, dobimo srednjo kvadratno vrednost
MS TR = SS TR a 1

in

MSE =

SSE Na

Priakovani vrednosti teh srednjih kvadratnih vrednosti dobimo z iskanjem matematinega upanja. Pri tem ugotovimo, da je matematino upanje srednje kvadratne vrednosti pogreka enako varianci E(MSE ) = 2 in da je

E(MS TR ) = 2 +

n i2
i =1

a 1

Opazimo lahko, da nam da analiza variance dve cenilki variance (eno kot posledico variabilnosti znotraj eksperimentalnih tok in drugo kot posledico variabilnosti med eksperimentalnimi tokami). e ni vejih razlik med povpreji eksperimentalnih tok, sta ti dve cenilki priblino enaki. e cenilki nista enaki, pa lahko predpostavljamo, da je vzrok za to razlika med povpreji eksperimentalnih tok. Pomeni torej, da lahko testiramo hipotezo o enakosti srednjih vrednosti eksperimentalnih tok na podlagi primerjave MSTR in MSE. 3.2.3 Statistina analiza Pri statistini analizi raziskujemo monosti, kako se lahko izvede formalni test hipoteze enakosti srednjih vrednosti eksperimentalnih tok ( H0 : 1 = 2 = ...a = 0 oz. H0 : 1 = 2 = ... a = 0 ). Ker smo predpostavili, da so pogreki ij normalno porazdeljeni s povprejem 0 in varianco 2 , so opazovanja yij normalno porazdeljena s povprejem + i in varianco 2 . Zato je SST vsota kvadratov normalno porazdeljenih nakljunih spremenljivk, kar pomeni, da ima statistika SST/ 2 2 (hi-kvadrat) porazdelitev z N 1 prostostnimi stopnjami. Kadar je izpolnjena nielna hipoteza H0 : i = 0 , sta tudi statistiki SSE/ 2 in

SSTR/ 2 porazdeljeni po 2 porazdelitvi, prva s prostostno stopnjo N a in druga s prostostno stopnjo a 1. Nadalje velja, e je nielna hipoteza o enakosti srednjih vrednosti eksperimentalnih tok pravilna, ima statistika SS / (a 1) MS TR F0 = TR = (3.7) SS E / (N a ) MS E

F-porazdelitev s prostostnima stopnjama a 1 in N a. Enaba (3.7) je testna statistika za hipotezo o enakosti povprenih vrednosti eksperimentalnih tok. Splono je MSE nepristranska cenilka za 2 . Pri izpolnjeni nielni hipotezi je tudi MSTR nepristranska cenilka za 2 . e pa nielna hipoteza ni pravilna, je priakovana vrednost MSTR veja od 2 . V tem primeru je v enabi (3.7) vrednost tevca veja od priakovane vrednosti imenovalca in hipotezo H0 zavrnemo pri vrednostih statistike, ki so prevelike. Iz tega zakljuimo, da z verjetnostjo (1-) obstajajo statistino pomembne razlike med povprenimi vrednostmi eksperimentalnih tok, e velja

F0 > F,a 1,Na

kjer je: F0 - izraunana testna statistika (enaba (3.7)), F,a-1,N-a -odstotna toka F porazdelitve s prostostnima stopnjama a-1 in N-a. Opisani postopek imenujemo F-test in je povzet v preglednici 3.2, ki se imenuje preglednica analize variance. Preglednica 3.2: Analiza variance po F-testu vir variacije med eksperimentalnimi tokami pogreek znotraj eksperimentalnih tok Skupno vsota kvadratov prostostna povpreje stopnja kvadratov F0
MS TR MS E

SS TR = n (y i. y .. )
i =1

a-1

MSTR MSE

F0 =

SS E = SS T SS TR SS T = (y ij y .. )
a n i =1 j =1

N-a

N-1

Prav tako lahko pri nainu odloanja uporabimo vrednost P, opisano v poglavju 2.8.4.4. Pokazati je mogoe, da lahko izraun vsot kvadratov izvedemo tudi s pomojo preprostejih izrazov. Tako je 2 a n y .. 2 SS T = y ij (3.8) N i =1 j =1 in 2 1 a 2 y .. SS TR = y i. (3.9) n i=1 N Vsoto kvadratov pogreka pa dobimo z odtevanjem, kot
SS E = SS T SS TR

(3.10)

Poglejmo si primer raziskave natezne trdnosti tekstilnih vlaken, ki so meanica sintetinih in bombanih vlaken. Z raziskavo smo eleli ugotoviti ali je odstotek bombanih vlaken pomembno vpliva na natezno trdnost. Rezultati meritev so prikazani v preglednici 3.3. 8

Izbranih je bilo 5 nivojev vplivnega faktorja (delea bombanih vlaken) in na vsakem nivoju eksperimentalni toki je bilo izvedenih 5 ponovitev. Preglednica 3.3: Rezultati meritev natezne trdnosti tekstilnih vlaken Rezultati meritev natezna trdnost N/cm2 Skupna % ponovitev vsota bombaa yi. 1 2 3 4 5 15 20 25 30 35 7 12 14 19 7 7 17 18 25 10 15 12 18 22 11 11 18 19 19 15 9 18 19 23 11 49 77 88 108 54 y..= 376 Povprena vrednost y i. 9,8 15,4 17,6 21,6 10,8 y.. =15,04

Testiramo hipotezi

H 0 : 1 = 2 = ... = 5 H1 : i j za vsaj en par (i,j)

Izraunamo vsote kvadratov
2 SS T = y ij i =1 j =1 a n 2 y .. 376 2 = 7 2 + 7 2 + 15 2 + + 15 2 + 112 = 636,96 N 55

SS TR =

2 1 a 2 y .. 376 2 1 2 2 2 2 2 y = + + + + = 475,76 49 77 88 108 54 i. N 5 n i=1 55

SS E = SS T SS TR = 636,96 - 475,76 = 161,20

Analiza variance je prikazana v preglednici 3.4. Vrednost testne statistike F0 = 14,76 primerjamo s 5% toko F porazdelitve s prostostnima stopnjama 4 in 20. Iz preglednice v prilogi 5 najdemo vrednost F0,05, 4, 20 = 2,87. Ker velja F0 = 14,76 > 2,87, hipotezo H0 zavrnemo in sprejmemo alternativno hipotezo, da vsebnost bombanih vlaken pomembno vpliva na natezno trdnost tekstilnih vlaken. Preglednica 3.4: Analiza variance za raziskavo natezne trdnosti vlaken Prostostna Povpreje Vir variacije % bombaa pogreek Skupno Vsota kvadratov 475,76 161,20 636,96 stopnja 4 20 24 kvadratov 118,94 8,06 F0 14,76

3.2.4 Ocena parametrov modela Poglejmo si postopek ocene parametrov modela enofaktorskega eksperimenta, ki smo ga zapisali i = 1,2,..., a (3.2) y ij = + i + ij j = 1,2,..., n Pokazati je mogoe, da skupno srednjo vrednost in posamezne uinke i, dobro ocenimo z = y.. i = y i. y.. i = 1,2,..., a Srednjo vrednost odziva na posameznem nivoju (3.11)

i = + i
lahko ocenimo s tokovno oceno i = + i = y i.

Interval zaupanja i doloimo ob predpostavki, da imajo pogreki normalno porazdelitev z varianco 2, tako da ima normalno porazdelitev tudi vsak y i. . Ker y i. ocenjuje srednjo vrednost, je varianca njegove porazdelitve 2/n. e za oceno variance 2, uporabimo MSE, lahko interval zaupanja ocenimo s pomojo t-porazdelitve (poglavje 2.7.4). Pomeni torej, da je 100(1-) odstotni dvostranski interval zaupanja srednje vrednosti odziva na i-tem nivoju (i) enak
y i . t 2, N a MS E MS E i y i . + t 2, N a n n

(3.12)

Pri tem je N-a prostostna stopnja MSE. Podobno lahko doloimo tudi interval zaupanja razlike odzivov poljubnih dveh nivojev
y i . y j . t 2, N a 2 MS E 2 MS E i y i . y j . + t 2, N a n n

(3.13)

2 MSE smo uporabili v skladu z izrekom o reproduktivnosti normalne porazdelitve iz poglavja 2.5.5, po katerem se variance linearne kombinacije spremenljivk z normalno porazdelitvijo setevajo. Za primer raziskave natezne trdnosti tekstilnih vlaken (preglednica 3.3) je tokovna = y.. =15,04. Tokovna ocena uinka etrtega nivoja (30 % ocena skupne srednje vrednosti bombaa) pa je enaka 4 = y 4. y.. = 21,60 15,04 = 6,56. Za primer ocenimo e interval zaupanja srednje vrednosti na etrtem nivoju. Pri 95 % zaupanju je enak
21,60 2,086 8,06 8,06 4 21,60 + 2,086 5 5
18,95 4 24,25

oziroma

10

3.2.5 Preverjanje adekvatnosti modela Postopek analize variance s katerim smo skupno variabilnost podatkov razdelili na variabilnost, ki izhaja iz variranja nivojev vplivnega faktorja in pogreka merjenja, izhaja iz istih algebrajskih odnosov. Njegova primernost pa je odvisna od tega ali uporabljeni model

i = 1,2,..., a y ij = + i + ij j = 1,2,..., n

(3.2)

pravilno adekvatno popie odzive sistema in izpolnjuje predpostavke o normalni porazdelitvi pogrekov s konstantno varianco 2. Le kadar so ti pogoji izpolnjeni, je test analize variance ustrezen. V praksi izpolnjevanje teh pogojev preverjamo z analizo ostankov. Ostanek je definiran kot ij (3.14) eij = y ij y

ij ocena posamezne meritve yij in jo doloimo kot Pri tem je y

ij = + i y

= y.. + ( y i. y..) = y i.

(3.15)

torej preprosto enaka srednji vrednosti odziva na opazovanem nivoju i. Analiza ostankov obiajno uporablja grafini pristop, s katerim elimo preveriti ali so ostanki povsem nakljuni, da torej med njimi ni zaznati nikakrnega vzorca glede na velikost odziva ali as oz. zaporedno tevilko meritve. 3.2.5.1 Test normalne porazdelitve ostankov Test normalne porazdelitve ostankov lahko izvedemo tako, da nariemo histogram ostankov. V primeru normalne porazdelitve ostankov N(0, 2), bomo s histogramom to zlahka potrdili ali ovrgli. Seveda pa moramo imeti za to dovolj veliko tevilo rezultatov, kar pa obiajno ni izpolnjeno. Zato se je uveljavil drug grafien postopek imenovan diagram normalne verjetnosti ostankov. V splonem diagram normalne verjetnosti izdelamo tako, da vrednosti (naj bodo to x1 do xn), ki jih analiziramo, razvrstimo po velikosti od najmanje proti najveji. Tako dobimo zaporedje naraajoih vrednosti xj, ki ga oznaimo z x1* do xn*. Tem vrednostim pripiemo kumulativno verjetnost P(xj)=(j-0,5)/n. e sedaj nariemo vsako teh tok v diagramu, ki prikazuje odvisnost P(xj) in skalo ordinatne osi izberemo tako, da naraa v skladu z normalno kumulativno porazdelitvijo, bodo toke leale na premici, kadar bo tudi porazdelitev vrednosti xj normalna. Sicer pa bodo toke od premice bolj ali manj odstopale. Postopek je torej preprost, potrebujemo pa ustrezne grafine predloge, na katerih ima ordinatna os delitev, ki ustreza kumulativni normalni porazdelitvi. Diagram normalne verjetnosti pa lahko nariemo tudi z linearno naraajoo skalo ordinatne osi. V tem primeru pa vsaki vrednosti xj priredimo spremenljivko zj standardne normalne porazdelitve, ki jo doloimo iz pogoja j 0,5 P( z z j ) = ( z j ) = n

Za primer, ko je na primer P(xj)=(j-0,5)/n = 0,05 mora veljati tudi (zj)=0,05, torej je zj=1,64 (preveri s pomojo preglednice v prilogi 1). e sedaj poiemo vsaki vrednosti xj
11

spremenljivko zj in nariemo diagram odvisnosti zj(xj), bodo toke leale na premici, kadar bo tudi porazdelitev vrednosti xj normalna. Postopek zahteva od nas nekaj ve dela, ne zahteva pa uporabe ustreznih grafinih predlog. Uporabimo ga za primer testiranja natezne trdnosti sukancev iz preglednice 3.3. Najprej poiemo ostanke (preglednica 3.5) in jih razvrstimo po velikosti (preglednica 3.6) ter vsakemu priredimo spremenljivko zj standardne normalne porazdelitve.
Preglednica 3.5: Ostanki za meritev natezne trdnosti tekstilnih vlaken Ostanek eij N/cm2 Povprena % ponovitev vrednost bombaa 1 2 3 4 5 y i. 15 -2,8 -2,8 5,2 1,2 -0,8 9,8 20 -3,4 1,6 -3,4 2,6 2,6 15,4 25 -3,6 0,4 0,4 1,4 1,4 17,6 30 -2,6 3,4 0,4 -2,6 1,4 21,6 35 -3,8 -0,8 0,2 4,2 0,2 10,8 y.. =15,04 Preglednica 3.6: Ostanki, kumulativna verjetnost in prirejena spremenljivka normalne porazdelitve j ej P=(j-0,5)/n zj j ej P=(j-0,5)/n 1 -3,8 0,02 -2,054 14 0,4 0,54 2 -3,6 0,06 -1,555 15 0,4 0,58 3 -3,4 0,1 -1,282 16 1,2 0,62 4 -3,4 0,14 -1,080 17 1,4 0,66 5 -2,8 0,18 -0,915 18 1,4 0,7 6 -2,8 0,22 -0,772 19 1,4 0,74 7 -2,6 0,26 -0,643 20 1,6 0,78 8 -2,6 0,3 -0,524 21 2,6 0,82 9 -0,8 0,34 -0,412 22 2,6 0,86 10 -0,8 0,38 -0,305 23 3,4 0,9 11 0,2 0,42 -0,202 24 4,2 0,94 12 0,2 0,46 -0,100 25 5,2 0,98 13 0,4 0,5 0,000

Varianca si2 11,2 9,8 4,3 6,8 8,2 y.. =15,04 zj standardne zj 0,100 0,202 0,305 0,412 0,524 0,643 0,772 0,915 1,080 1,282 1,555 2,054

Diagram normalne verjetnosti prikazuje slika 3.3. Pokae, da je porazdelitev verjetnosti ostankov rahlo asimetrina, z desnim repom nekoliko daljim od levega in da desni rep nekoliko odstopa od normalne porazdelitve. V splonem pa odstopanja od normalne porazdelitve niso velika.

12

zj

-4 -6 0 ostanek e j 6

Slika 3.3 Diagram normalne verjetnosti ostankov

3.2.5.2 Test vpliva zaporedja meritev in velikosti odziva na ostanke V tem primeru preverjamo nakljunost ostankov z ugotavljanjem ali je med njimi zaznati kakren koli vzorec, glede na velikost nivoja vplivnega faktorja ali as oz. zaporedno tevilko meritve. Test je ponovno zasnovan na grafinem prikazu. V prvem primeru izdelamo diagram odvisnosti ostankov od zaporedja izvajanja meritev in iemo mone vzorce, ki kaejo na naraanje ali padanje ostankov, ki so lahko posledica merilne opreme ali nenadzorovanih pogojev (na primer poveevanje temperature okolice). Enako postopamo tudi pri ugotavljanju morebitnega vpliva velikosti odziva, ki je lahko prav tako posledica merilne opreme, predvsem nelinearne karakteristike le-te ali stopnjujoega sistematinega pogreka intrumentov. Tak diagram, torej odvisnost ostankov od velikosti odziva za primer meritev natezne trdnosti tekstilnih vlaken, prikazuje slika 3.4. Kot vidimo, ni opaziti nobenih nenavadnih vzorcev, tako da lahko tudi s stalia vpliva velikosti odziva na ostanke trdimo, da je ta povsem sluajen.
6

ostanek e ij

-6 0 5 10 15 20 25

yi. yij

Slika 3.4 Odvisnost ostankov od velikosti odziva

3.2.5.3 Statistini test enakosti varianc Ob grafino podprtih testih pa lahko uporabimo tudi statistine teste, kadar elimo preveriti neenakost varianc. To lahko izvedemo s testiranjem hipotez

13

2 2 H 0 : 12 = 2 = = a

H 1 : i2 2 j

za vsaj en par i, j

Gornje testiranje lahko poenostavimo v primerjavo najveje in najmanje variance

2 2 H 0 : min = max 2 2 H 1 : min max

2 2 2 2 = max , to velja tudi za H 0 : 12 = 2 = = a . in sklepom, da kadar ovremo H 0 : min Postopek testiranja enakosti varianc smo predstavili e v poglavju 2.8.10. Uporabimo ga e za primer testiranja natezne trdnosti vlaken. Variance po posameznih nivojih (% bombaa) prikazuje preglednica 3.5. Ugotovimo lahko, da je varianca na prvem nivoju najveja, torej s2max=11,2, najnija pa je varianca na tretjem nivoju s2min=4,3. Obe imata prostostno stopnjo nmin = nmax = 5-1 = 4. Statistina cenilka testa je 2 s max 11,2 = 2,605 F0 = 2 = 4,3 s min

Uporabimo nivo pomembnosti testa = 0,05. Iz preglednice v prilogi 5 sledi F0,025, 4, 4 = 9,6 in s pomojo izraza (2.148) e F0,975, 4, 4 = 0,10. Zato hipoteze H0: 2min = 2max ne moremo zavrniti in zakljuimo lahko, da ni dovolj trdnega dokaza, da obstaja razlika med variancami na posameznih nivojih.
3.2.6 Regresijska analiza Regresijska analiza je postopek iskanja aproksimacijske funkcije za popis eksperimentalnih rezultatov, t.j. odvisnost odziva sistema od vplivnih faktorjev. Mogoa je kadar imajo vplivni faktorji kvantitativen karakter in lahko njihovo spreminjanje zapiemo s tevilskimi vrednostmi (v primeru testiranja natezne trdnosti sukanca, ki smo ga obravnavali je to % bombaa). Pri kvalitativnem karakterju vplivnih faktorjev tevilski prikaz ni mogo. V primeru testiranja natezne trdnosti sukanca, bi lahko kot vplivni faktor vpeljali razline proizvajalce. Ti bi imeli povsem kvalitativen karakter in zanimalo nas bi le ali obstajajo pomembne razlike v natezni trdnosti sukancev razlinih proizvajalcev, regresijsko analizo pa bi izpustili. V tem poglavju se ne bomo podrobneje posveali regresijski analizi. Povejmo le, da najpogosteje temelji na uporabi metode najmanjih kvadratov, s pomojo katere lahko poiemo koeficiente interpolacijskega polinoma izbrane stopnje. Kadar pa namesto dejanskih vrednosti odzivov ali vplivnih faktorjev uporabimo njihove reciprone, logaritemske ali druge vrednosti pa je mogoe zapisati tudi nekatere druge oblike aproksimacijskih funkcij, kot so eksponentna, logaritemska in podobno. Na sliki 3.5 je prikazan primer rezultatov testiranja natezne trdnosti sukanca. Pri tem predstavljajo beli kvadratki srednjo vrednost odziva na posameznem nivoju. Rezultate smo najprej popisali s polinom druge stopnje, ki smo ga izraunali v programskem okolju Excel z ukazom dodaj trendno rto. Ugotovimo lahko, da polinom druge stopnje ni najbolja izbira. Pri 30 % bombaa napove precej nijo natezno trdnost, medtem ko je pri 25 % bombaa napovedana natezna trdnost previsoka. Nekoliko bolje rezultate da polinom tretje stopnje, kar pria tudi vija vrednost koeficieta R2. Imenujemo ga tudi koeficient doloitve. Doloimo ga z izrazom

14

R2 = 1

SS ER SS T

(3.16)

Pri tem SST izraunamo z izrazom (3.6), medtem ko je vsota SSER, t.i. napaka regresije in je enaka
( xij ) ) SS ER = ( y ij y
a n i =1 j =1
2

(3.17)

Podrobneje bomo o adekvatnosti regresijskih modelov spregovorili v poglavju 3.5.1.2, medtem ko tukaj navajamo le standardne izraze.
30 natezna trdnost (N/mm2) 25 20 15 10 5 0 0 5 10 15 20 25 30 35 40 dele bombaa (%) y = -0,0886x 2 + 4,5926x - 39,989 R2 = 0,5916 y = -0,0076x 3 + 0,4814x 2 - 9,0114x + 62,611 R2 = 0,6936

Slika 3.5 Primer polinoma druge in tretje stopnje za popis odvisnosti natezne trdnosti sukanca od delea bombaa 3.2.7 Kontrasti Kontrasti omogoajo vejo fleksibilnost v postopku testiranja hipotez. Tako lahko preprosto primerjamo med seboj posamezne eksperimentalne toke ali skupine eksperimentalnih tok in dobimo na primer odgovor ali je vpliv faktorja na izbranih nivojih pomembno razlien ali ne. V splonem je kontrast linearna kombinacija parametrov, ki jo lahko zapiemo kot

kontrast = ci i
i=1

Pri tem so ci konstante kontrasta, katerih vsota je enaka 0

c
i =1

=0

Nielno in alternativno hipotezo lahko z uporabo kontrastov zapiemo kot

15

H 0 : ci i = 0
i =1 a

H 1 : ci i 0
i =1

pri tem pa z izbiro konstant kontrasta preverjamo razline trditve. Tako bomo za testiranje hipoteze H0: 1 = a postavili c1=1, ca=-1 in ci=0 (i1 in ia) in testirali hipotezo H0: 1 - a =0 Tudi hipoteze, ki jih tvorimo s pomojo kontrastov testiramo z F testom. Testno statistiko izraunamo z enabo
a ci y i . k2 = F0 = ai=1 a n ci2 MS E n ci2 MS E
i=1 i=1 2

(3.18)

Ima F porazdelitev s prostostnima stopnjama 1 in N-a. Pogosto (3.18) zapiemo po zgledu enabe (3.7) kot SS k MS k 1 F0 = = MS E MS E Pri tem je SSk vsota kvadratov kontrasta
a ci y i . k2 SS k = i=1 a = a n ci2 n ci2
i=1 i=1 2

(3.19)

in ima prostostno stopnjo mk = 1. 3.2.7.1 Ortogonalni kontrasti V splonem sta poljubna kontrasta s konstantami {ci} in {di} ortogonalna, e velja:

c d = 0
i =1 i i

Pri tem je pomembno dejstvo, da sta hipotezi H0, ki ju ortogonalna kontrasta predstavljata med seboj neodvisni. Pri tevilu nivojev vplivnega faktorja enakem a lahko tvorimo (a-1) ortogonalnih kontrastov, torej prav toliko neodvisnih hipotez H0, ki jih elimo testirati. Oglejmo si primer testiranja naslednjih tirih ortogonalnih hipotez, ki jih lahko postavimo v primeru testiranja natezne trdnosti tekstilnih vlaken (rezultati iz preglednice 3.3):

16

1.) H0: 4 = 5 2.) H0: 1 + 3 = 4 + 5 3.) H0: 1 = 3 4.) H0: 42 = 1 + 3 + 4 + 5 Hipoteze preoblikujemo in poiemo ustrezne kontraste Hipoteze 1.) H0: 4 - 5 = 0 2.) H0: 1 + 3 - 4 - 5 = 0 3.) H0: 1 - 3 = 0 4.) H0: -1 + 42 - 3 - 4 - 5 = 0 Preverimo ortogonalnost k1 0 0 0 +1 -1 k2 +1 0 +1 -1 -1 k3 +1 0 -1 0 0 k4 -1 +4 -1 -1 -1 Izraunamo kontraste k1 = 108 - 54 = 54 k2 = 49 + 88 - 108 - 54 = -25 k3 = 49 - 88 = -39 k4 = -49 + 4x77 - 88 - 108 - 54 = 9 in pripadajoe vsote kvadratov SS k1 = SS k 2 SS k3 SS k 4 54 2 = 291,60 52 (25) 2 = = 31,25 54 (39) 2 = = 152,10 52 92 = = 0,81 5 20 k1 k2 0 0 0 -1 +1 0 k1 k3 0 0 0 0 0 0 k1 k4 0 0 0 -1 +1 0 k2 k3 +1 0 -1 0 0 0 k2 k4 -1 0 -1 +1 +1 0 k3 k4 -1 0 +1 0 0 0 Kontrasti k1 = + y4. - y5. k2 = y1. + y3. - y4. - y5. k3 = y1. - y3. k4 = -y1. + 4y2. - y3. - y4. - y5.

Analizo variance prikazuje preglednica 3.7. Vrednosti testnih statistik F0 primerjamo s 5% toko F porazdelitve s prostostnima stopnjama 1 in 20. Iz preglednice v prilogi 5 najdemo vrednost F0,05, 1, 20 = 4,35. V primeru 1 zato zavrnemo hipotezo o enakosti natezne trdnosti na nivojih 4 in 5 (25 in 30 % bombanih vlaken), enako storimo tudi v primeru 3. Hipoteze o enakosti povpreja nivojev 1 in 3 ter nivojev 4 in 5 (primer 2) pa ne moremo zavrniti. Podobno tudi v primeru 4 ne moremo zavrniti enakosti natezne trdnosti na nivoju 2 s povprejem nateznih trdnosti na nivojih 1, 3, 4 in 5.

17

Preglednica 3.7: Analiza variance Vir Vsota variacije kvadratov 291,60 k1 31,25 k2 152,10 k3 0,81 k4 Pogreek 161,20 Skupno 636,96

Prostostna stopnja 1 1 1 1 20 24

Povpreje kvadratov 291,60 31,25 152,10 0,81 8,06 636,96

F0 36,18 3,88 18,87 0,10

3.3 Nart eksperimenta z nakljunimi bloki

Eksperimenti so vedno podvreni taknim in druganim motnjam, ki vplivajo na izid meritev. Vasih izvor motenj ni znan in motenj ne moremo nadzorovati. Pomeni, da sploh ne vemo, da motei faktor obstaja in da se ta lahko poljubno in nenadzorovano spreminja, ko meritve izvajamo. Nakljuno izvajanje eksperimentalnih tok (podobno kot nakljuni vzorec poglavje 2.6.1) je nain, s katerim se vsaj deloma obvarujemo pred temi nakljunimi in nenadzorovanimi vplivi. Kadar pa je vzrok motenj znan in ga lahko nadzorujemo, pa uporabimo, t.i. grupiranje faktorjev oz. nart eksperimenta z nakljunimi bloki. Nazoren primer grupiranja faktorjev predstavlja analiza intrumenta za preskuanje trdote materiala. Intrument je opremljen s konico, ki jo vtiskamo v merjenec in na podlagi globine vtiska ugotavljamo trdoto merjenca. Predpostavimo, da elimo ugotoviti ali so tiri konice enakovredne ali pa se pomembno razlikujejo. V primeru, da smo se odloili uporabiti enofaktorski eksperiment in analizirati samo vpliv konic, bi pri tirih ponovitvah eksperimenta morali izvesti 4x4 = 16 meritev, za kar bi potrebovali 16 nakljunih merjencev. Pri tem pa lahko razlike v materialu nakljuno izbranih merjencev povzroe nenadzorovane motnje in rezultati eksperimenta bodo odraali ne le razlike, ki so posledica razlinih konic, ampak tudi razlike, ki so posledica razlinih merjencev in bodo z drugimi sluajnimi pogreki vplivali na velikost skupnega pogreka merjenja. Da bi le tega im bolj zmanjali uporabimo, t.i. grupiranje faktorjev oz. nart eksperimenta z nakljunimi polnimi bloki, ki je prikazan v preglednici 3.8. Grupiranje merjencev, to je uporaba 4 merjencev (v splonem blokov) nam zagotavlja bolj homogeno eksperimentalno okolje v katerem bomo primerjali konice. Povea tonost primerjave konic, s tem da preprei vpliv razlik med merjenci. Nakljunost je sedaj ohranjena znotraj posameznih blokov. Torej zaporedje konic za posamezen merjenec je nakljuno izbrano. Omeniti velja, da je ta nart posploen postopek t-testa za podatke v parih iz poglavja 2.8.8.
Preglednica 3.8: Rezultati meritev trdote po Rocwellu izvedeni po nartu eksperimenta z nakljunimi polnimi bloki merjenec konica 1 2 3 4 1 9,3 9,4 9,6 10,0 2 9,4 9,3 9,8 9,9 3 9,2 9,4 9,5 9,7 4 9,7 9,6 10,0 10,2

Postopek grupiranja faktorjev z uporabo eksperimenta z nakljunimi bloki je zelo pogost. Uporabljamo ga lahko, da prepreimo vpliv razlinih ar materiala, ljudi, proizvajalcev, asa in podobno.

18

3.3.1 Statistina analiza Predpostavimo, da imamo a nivojev, ki jih elimo primerjati in b blokov. Sploen zapis rezultatov je predstavljen v preglednici 3.9. V vsakem bloku imamo po en odziv za izbrani nivo in kot smo dejali je izvajanje meritev znotraj blokov nakljuno. Preglednica 3.9: Sploni zapis rezultatov eksperimenta z nakljunimi bloki

blok 1 y11 y21 . . . ya1

blok 2 y12 y22 . . . ya2 . . . . . . . . . . . . . . .

blok b y1b y2b . . . yab

. . .

Po vzgledu enofaktorskega eksperimenta iz poglavja 3.2 zapiimo statistini model eksperimenta z nakljunimi bloki z modelom uinkov i = 1,2,..., a y ij = + i + j + ij j = 1,2,..., b (3.20)

kjer je: - skupno povpreje, i - uinek i-tega nivoja, j - uinek j-tega bloka, ij - sluajni pogreek, ki vkljuuje vse sluajne vplive in ima normalno porazdelitev (0, 2). Kot v primeru enofaktorskega eksperimenta tudi sedaj velja, da so uinki merilo odstopanja od celokupne srednje vrednosti, torej velja tudi

i = 0
i =1

in

j =1

=0

Z analizo variance elimo ugotoviti, ali obstaja pomembna razlika med odzivi sistema na razlinih nivojih ali ne. Zato postavimo hipotezi: H0 : 1 = 2 = ... = a za vsaj en par (i,j) H1 : i j kjer so i srednje vrednosti odzivov na posameznem nivoju in jih lahko zapiemo kot

i =

1 b ( + i + j ) = + i b j=1

Zato lahko gornji hipotezi zapiemo tudi kot H0 : 1 = 2 = ... a = 0 H1 : i 0 za vsaj en i 19

Torej lahko potrdimo hipotezo o enakosti povprenih vrednosti odzivov na posameznih nivojih na podlagi ugotovitve, da so uinki i na vseh nivojih enaki 0. Naj velja, da je yi. vsota niza rezultatov meritev na i-tem nivoju, y.j vsota niza rezultatov meritev j-tega bloka ter y.. vsota vseh eksperimentalnih rezultatov. Zapisano z izrazi torej velja
y i. = y ij ,
j =1 a b

i = 1, 2,, a j = 1, 2,, b
a b a b

(3.21) (3.22) (3.23)

y .j = y ij ,
i =1

y .. = y ij = y i. = y .j
i =1 j =1 i =1 j =1

Nadalje naj bodo y i. ,

y. j ,

y.. srednje vrednosti niza rezultatov meritev na i-tem nivoju,

niza rezultatov meritev j-tega bloka ter vseh eksperimentalnih rezultatov. Zapisano z izrazi torej y. j y y.. y i. = i. , y . j = , y.. = (3.24) b a N kjer je: N = a.b - skupno tevilo poskusov (meritev). Tako kot v primeru enofaktorskega eksperimenta definirajmo skupno korigirano vsoto kvadratov
SS T = (y ij y .. ) = (y i. y .. ) + (y .j y .. ) + (y ij y i. y .j + y .. )
a b 2 a b i =1 j =1 i =1 j =1

(3.25)

ki se uporablja kot merilo za skupno variabilnost podatkov. Skupno korigirano vsoto SST lahko zapiemo tudi kot

(y
a b i =1 j =1

ij

y .. ) = b (y i. y .. ) + a (y .j y .. ) +
2 a 2 b 2 i =1 j =1

+ (y ij y i. - y .j + y .. ) + 2 (y i. y .. )(y .j y .. ) +
a b 2 a b i =1 j =1 a i =1 j =1

+ 2 (y i. y .. )(y ij y i. - y .j + y .. ) +
b i =1 j =1 a b

(3.26)

+ 2 (y .j y .. )(y ij y i. - y .j + y .. )
i =1 j =1

Dokazati je mogoe, da so v enabi (3.26) vsi trije leni s krinimi produkti enak 0, zato velja

(y
a b i =1 j =1

ij

y .. ) = b (y i. y .. ) + a (y .j y .. ) + (y ij y i. - y .j + y .. )
2 a 2 b 2 a b i =1 j =1 i =1 j =1

(3.27)

SS T

SS TR

SS BL

SS E

20

Za posamezne vsote kvadratov uporabimo simbole in dobimo

SS T = SS TR + SS BL + SS E

kjer je: SSTR - vsota kvadratov razlik zaradi razlik med nivoji, SSBL - vsota kvadratov razlik zaradi razlik med bloki, SSE - vsota kvadratov razlik znotraj nizov eksperimentalnih tok (zaradi pogreka). tevilo vseh opazovanj je enako an = N, zato je tevilo prostostnih stopenj za SST enako mT = N 1. Opazujemo a nivojev vplivnega faktorja, zato je tevilo prostostnih stopenj za SSTR enako mTR = a 1. Imamo b blokov, zato je tevilo prostostnih stopenj za SSBL enako mBL = b 1. Ker mora veljati
m T = m TR + mBL + mE

sledi, da je prostostna stopnja pogreka enaka mE = ab 1 (a 1) (b 1) = (a 1)(b 1). e podelimo posamezno vsoto kvadratov s pripadajoo prostostno stopnjo, dobimo srednjo kvadratno vrednost
SS TR a 1 SS BL MS BL = b 1 SS E MS E = (a - 1)(b 1) MS TR =

Priakovane vrednosti teh srednjih kvadratnih vrednosti dobimo z iskanjem matematinega upanja. Pri tem ugotovimo, da je matematino upanje srednje kvadratne vrednosti pogreka enako varianci E(MSE ) = 2 in da sta E(MS TR ) = 2 + b i2
i =1 a

a 1
a j2
j =1 b

E(MS BL ) = 2 +

b 1

Tako smo dobili tri razline cenilke variance. Hipotezo o enakosti srednjih vrednosti odzivov na razlinih nivojih lahko testiramo na podlagi primerjave MSTR in MSE, za kar podobno kot v primeru enofaktorskega eksperimenta uporabimo F-test. Cenilka testa je statistika F0 = SS TR / (a 1) MS TR = SS E / (a - 1)(b - 1) MS E (3.28)

ki ima F-porazdelitev s prostostnima stopnjama a 1 in (a 1)(b 1), kadar je izpolnjena hipoteza H0. Splono je MSE nepristranska cenilka za 2 . Pri izpolnjeni nielni hipotezi 21

( H0 : 1 = 2 = ... a = 0 ) je tudi MSTR nepristranska cenilka za 2 . e pa nielna hipoteza ni pravilna, je priakovana vrednost MSTR veja od 2 . V tem primeru je v enabi (3.28) vrednost tevca veja od priakovane vrednosti imenovalca in hipotezo H0 zavrnemo pri vrednostih statistike, ki so prevelike. Iz tega zakljuimo, da z verjetnostjo (1-) obstajajo statistino pomembne razlike med povprenimi odzivi razlinih nivojev, e velja F0 > F,a 1,(a-1)(b-1) kjer je: F0 - izraunana testna statistika (enaba (3.28)), F,a-1,(a-1)(b-1) -odstotna toka F porazdelitve s prostostnima stopnjama a-1 in (a-1)(b-1). Opisani postopek je povzet v preglednici 3.10.
Preglednica 3.10: Analiza variance po F-testu za nart eksperimenta z nakljunimi bloki

prostostna povpreje vir variacije nivoji bloki pogreek Skupno vsota kvadratov SSTR SSBL SSE SST stopnja a-1 b-1 (a-1)(b-1) N-1 kvadratov MSTR MSTR MSE
F0 =

F0
MS TR MS E

Prav tako lahko pri nainu odloanja uporabimo vrednost P, opisano v poglavju 2.8.4.4. Tako kot smo izpeljali F-test za analizo razlik med posameznimi nivoji, bi ga lahko s testiranjem hipoteze H0: j=0, tudi za analizo razlik med posameznimi bloki. Kar pa ne dri povsem, saj so bloki predpisani in naelo nakljunosti ni uporabljeno. Kot smo e dejali, je to naelo izpolnjeno le znotraj blokov in ne med njimi. Prav zaradi tega smo iz preglednice 3.10 F-test za bloke izpustili. V praksi pa ga pogosto izvedemo, eprav je njegova zanesljivost vpraljiva. Odgovori nam na vpraanje ali je uvajanje blokov, torej grupiranje, bilo smiselno ali ne in ga lahko v naslednjih podobnih raziskavah izpustimo. Pokazati je mogoe, da lahko izraun vsot kvadratov izvedemo tudi s pomojo preprostejih izrazov. Tako je 2 a b y .. 2 SS T = y ij (3.29) N i =1 j =1
SS TR
2 1 a 2 y .. = y i. b i=1 N 2 b y .. 1 2 = y .j a j=1 N

(3.30) (3.31)

SS BL Vsoto kvadratov pogreka pa dobimo z

22

SS E = SS T SS TR SS BL

(3.32)

Poglejmo si primer raziskave enakovrednosti konic, ki smo jo omenili e v uvodu poglavja 3.3 in predstavili rezultate meritev v preglednici 3.8. Da ponovimo, analiziramo 4 konice za vtiskovanje pri merjenju trdote merjenca. Da bi se izognili vplivu merjencev na izzid eksperimenta, smo z vsako konico napravili poizkus na vsakem od tirih merjencev, rezultate pa zbrali tako, da smo jih grupirali formirali bloke za vsak merjenec. S tem smo izgubili nakljunost meritev za posamezno konico (torej na posameznem nivoju) obdrali smo jo le znotraj vsakega bloka, saj je bilo zaporedje konic za posamezen merjenec nakljuno izbrano.
Preglednica 3.9: Rezultati meritev trdote po Rockwellu z delnimi in skupno vsoto merjenec konica 1 2 3 4 y i. 1 9,3 9,4 9,6 10,0 38,3 2 9,4 9,3 9,8 9,9 38,4 3 9,2 9,4 9,5 9,7 37,8 4 9,7 9,6 10,0 10,2 39,5

y.j

37,6

37,7

38,9

39,8

y..=154

Da bi izvedli test analize variance, smo izraunali delne vsote po nivojih in blokih in skupno vsoto (preglednica 3.9) in nato doloili vsote kvadratov po enabah (3.29) do (3.32)
2 y .. 154 2 SS T = y = 1483,54 = 1,29 16 N i =1 j =1 a b 2 ij

SS TR

SS BL

2 1 154 2 1 a 2 y .. 2 2 2 2 = y i. = 38,3 + 38,4 + 37,8 + 39,5 = 0,385 16 b i=1 N 4 2 1 1 b 2 y .. 154 2 = y .j = 37,6 2 + 37,7 2 + 38,9 2 + 39,8 2 = 0,825 a j=1 16 N 4

SS E = SS T SS TR SS BL = 1,29 0,385 0,825 = 0,08

F-test smo izvedli z = 0,05odstotno toko. Rezultati so prikazani v preglednici 3.10. Ker cenilka testa F0 vija od odstotne toke FTAB=F0,05;3;9, lahko z veliko gotovostjo ovremo hipotezo H0 o enakovrednosti posameznih konic in ugotovimo, da je razlika med njimi pomembna. To nam potrjuje tudi vrednost P, v skladu s katero je zanesljivost te ugotovitve ve kot 99,9 %. Tudi vpliv blokov merjencev se kae kot velik, saj je cenilka F0 tudi za bloke zelo visoka.
Preglednica 3.10: Analiza variance po F-testu za nart eksperimenta z nakljunimi bloki vir variacije vsota prostostna povpreje F0 PFTAB kvadratov stopnja kvadratov vrednost nivoji - konice 0,385 4-1=3 0,1283 14,44 3,86 0,0009 bloki - merjenci 0,825 4-1=3 0,2750 (30,94) pogreek 0,080 3x3=9 0,0089 skupno 1,290 16-1=15

23

Poglejmo si kaken bi bil izid testa, e grupiranja rezultatov ne bi izvedli, ampak bi tudi za material obdrali nakljuni karakter, torej bi z rezultati eksperimenta postopali kot v primeru enofaktorskega eksperimenta, in bi bloki predstavljali ponavljanje na posameznem nivoju v eksperimentalni toki. Rezultati tega testa so prikazani v preglednici 3.11. F-test smo ponovno izvedli z = 0,05odstotno toko. Ker cenilka testa F0 nija od odstotne toke FTAB=F0,05;3;12, hipoteze H0 o enakovrednosti posameznih konic ne moremo ovrei. Zakljuimo lahko, da smo z grupiranjem rezultatov v bloke, ki odgovarjajo posameznim merjencem, uspeli do te mere zniati variabilnost rezultatov zaradi sluajnih vplivov, da nam je uspelo prepoznati pomembne razlike med posameznimi konicami.
Preglednica 3.11: Analiza variance po F-testu za nart eksperimenta z nakljunimi bloki vir variacije vsota prostostna povpreje F0 PFTAB kvadratov stopnja kvadratov vrednost nivoji - konice 0,385 4-1=3 0,1283 1,70 3,49 0,22 pogreek 0,905 4x3=12 0,0754 skupno 1,290 16-1=15 3.3.2 Preverjanje adekvatnosti modela Podobno kot v primeru enofaktorskega eksperimenta elimo preveriti ali uporabljeni model

i = 1,2,..., a y ij = + i + j + ij j = 1,2,..., b

(3.20)

pravilno adekvatno popie odzive sistema in izpolnjuje predpostavke o normalni porazdelitvi pogrekov s konstantno varianco 2. V praksi izpolnjevanje teh pogojev preverjamo z analizo ostankov. Ostanek smo definirali z ij eij = y ij y ij ocena posamezne meritve yij in jo doloimo kot Pri tem je y
ij = + i + y j

(3.14)

= y.. + ( y i. y..) + ( y. j y..) = y i. + y. j y..

(3.33)

Ostanek lahko torej zapiemo eij = yi , j y i. y. j + y.. (3.34)

Analizo ostankov smo prikazali e v poglavju 3.2.5.1, zato tukaj podrobneji prikaz izpuamo. Pokazali bomo le nekaj rezultatov te analize, ki smo jo naredili za obravnavani premer testiranja konic. Ostanki so prikazani v preglednici 3.12.

24

Preglednica 3.12: Ostanki za primer meritev trdote ostanek eij konica merjenec 1 2 3 1 -0,05 0,025 -0,075 2 0,025 -0,1 0,1 3 -0,025 0,15 -0,05 4 0,05 -0,075 0,025

4 0,1 -0,025 -0,075 0,000

Diagram normalne verjetnosti prikazuje slika 3.6. Pokae, da odstopanja ostankov od normalne porazdelitve niso velika.
3

zj

-3 -0,2

0 ostanek e j

0,2

Slika 3.6 Diagram normalne verjetnosti ostankov za primer meritev trdote

Diagram odvisnost ostankov od izbrane konice za primer meritev trdote prikazuje slika 3.7a. Kot vidimo ni opaziti nobenih znailnih vzorcev, tako da lahko tudi s stalia vpliva testirane konice na ostanke trdimo, da je ta povsem sluajen. Povsem enako ugotovitev lahko zapiemo tudi v zvezi z izbranim merjencem, kar potrjuje slika 3.7b.
0,2 0,2

0,1
ij

0,1 ostanek e
ij

ostanek e

0 0 -0,1 1 -0,2 2 konica 3 4 1 2 3 4

0 0 -0,1 1 -0,2 2 merjenec 3 4 1 2 3 4

a)

b)

Slika 3.7 Odvisnost ostankov od testirane konice (a) in merjenca (b)

25

3.3.3 Drugi narti z uporabo grupiranja faktorjev Marsikdaj se zgodi, da obstaja ve moteih faktorjev, ki jih poznamo in jih lahko nadzorujemo. Takrat nart eksperimenta z nakljunimi bloki ne zadoa, saj je potrebno izvesti grupiranje za ve kot en mote faktor in uporabiti moramo drug ustrezneji nart. V primeru dveh moteih faktorjev je to, t.i. Latinski kvadrat. Preglednica 3.13: Rezultati meritev hitrosti zgorevanja meanic goriva

proizvajalec surovin 1 2 3 4 5

laborant 1 A=24 B=17 C=18 D=26 E=22 2 B=20 C=24 D=38 E=31 A=30 3 C=19 D=30 E=26 A=26 B=20 4 D=24 E=27 A=27 B=23 C=29 5 E=24 A=36 B=21 C=22 D=31

Poglejmo si primer uporabe Latinskega kvadrata. elimo analizirati 5 receptur za pripravo meanic goriva. Pri tem merimo hitrost zgorevanja posamezne meanice. Iz izkuenj vemo, da na lastnosti meanice vpliva tudi poreklo proizvajalec komponent, ki so v meanici uporabljene in laborant, ki meanico pripravi. Torej sta proizvajalec in laborant motea faktorja, ki ju elimo obvladati, to je zmanjati njun vpliv na variabilnost rezultatov eksperimenta. Zato uporabimo nart eksperimentiranja po Latinskem kvadratu. Prikazuje ga preglednica 3.13. Vsaka od receptur je oznaena z Latinsko rko, od tod tudi ime Latinski kvadrat, motea faktorja pa sta v kolonah oz. stolpcih. Pomeni, da eksperiment izvedemo tako, da uporabimo sestavine petih proizvajalcev, ki jih za pripravo goriva uporabi 5 laborantov. V splonem bo torej za analizo variance p nivojev (v naem primeru 5 receptur) nart po Latinskem kvadratu imel p vrstic in p kolon, to je p2 celic, v vsaki bo ena od p rk, ki odgovarjajo nivojem in vsaka od rk bo v posamezni vrstici ali koloni nastopila le enkrat. Nekaj primerov Latinskih kvadratov bi torej bilo A B C D 4x4 B C C D D A A B D A B C A B C D E B C D E A 5x5 C D E A B D E A B C E A B C D A B C D E F B C D E F A 6x6 C D D E E F F A A B B C E F A B C D F A B C D E

Pri tem je uporabljena za vsak primer le ena od monih variacij nivojev A, B, C, Statistini model narta po Latinskem kvadratu je
i = 1,2,..., p y ijk = + i + j + k + ijk j = 1,2,..., p k = 1,2,..., p

(3.35)

26

Pri tem je yijk odziv za i-to vrstico, k-ti stolpec in j-ti nivo, je skupna srednja vrednost, i je uinek i-te vrstice, j je uinek j-tega nivoja, k je uinek k-tega stolpca in ijk je sluajni pogreek. Ker je v vsaki celici narta izveden le en poizkus, potrebujemo le dva od treh indeksov i, j in k, da oznaimo izbran odziv sistema. Tako na primer za i=2 in k=3 najdemo iz preglednice 3.13 nivo - recepturo D, torej j = 4. Analiza variance temelji na razdelitvi skupne vsote kvadratov vseh N = p2 odzivov na komponente, ki pripadajo vrsticam SSV, stolpcem SSS, nivojem SSTR in pogreku SSE SS T = SS V + SS TR + SS S + SS E in podobno razdelitvijo prostostnih stopenj p 2 1 = p 1 + p 1 + p 1 + ( p 2)( p 1) (3.37) (3.36)

Hipotezo o enakosti odzivov na razlinih nivojih testiramo s pomojo F-testa. Cenilka testa je statistika SS TR / (p 1) MS TR F0 = = (3.38) SS E / (p 2)(p 1) MS E ki ima F-porazdelitev s prostostnima stopnjama p 1 in (p 2)(p 1), kadar je izpolnjena hipoteza H0 ( H 0 : 1 = 2 = ... p = 0 ). Hipotezo H0 zavrnemo, e velja F0 > F,p 1,(p- 2)(p-1) kjer je: F,p-1,(p-2)(p-1) -odstotna toka F porazdelitve s prostostnima stopnjama p-1 in (p-2)(p-1). Opisani postopek je povzet v preglednici 3.14.
Preglednica 3.14: Analiza variance po F-testu za nart eksperimenta po Latinskem kvadratu

prostostna vir variacije nivoji vrstice stopci pogreek skupno vsota kvadratov SS TR =
SS V = SS S =
2 1 p 2 y ... y .j. N p j=1 2 1 p 2 y ... y i.. N p i=1 2 1 p 2 y ... y ..k N p k =1

povpreje kvadratov MS TR = MS V = MS S = MS E = SS TR p -1 SS V p -1 SS S p -1
F0 =

stopnja p-1 p-1 p-1 (p-2)(p-1) p2 - 1

F0
MS TR MS E

SS E = SS T SS TR SS V SS S
2 SS T = y ijk i =1 j =1 k =1 p p p 2 y ... N

SS E (p - 2)(p - 1)

27

Preglednica 3.15: Rezultati meritev hitrosti zgorevanja meanic goriva z delnim vsotami vrstic in stolpcev in skupno vsoto

proizvajalec surovin 1 2 3 4 5 y..k

laborant 1 A=24 B=17 C=18 D=26 E=22 107 2 B=20 C=24 D=38 E=31 A=30 143 3 C=19 D=30 E=26 A=26 B=20 121 4 D=24 E=27 A=27 B=23 C=29 130 5 E=24 A=36 B=21 C=22 D=31 134 yi.. 111 134 130 128 132 y = 635 Latinska rka A B C D E y.j. 143 101 112 149 130

Oglejmo si sedaj primer razlinih receptur za pripravo meanic goriva. Da bi izvedli test analize variance, smo izraunali delne vsote po vrsticah in stolpcih ter skupno vsoto (preglednica 3.15). Prav tako smo doloili delne vsote po nivojih, tako da smo seteli vrednosti ob enakih rkah (preglednica 3.15). Nato doloili vsote kvadratov po enabah iz preglednice 3.14
2 SS T = y ijk i =1 j =1 p k p p p 2 y ... 635 2 = 16.805 = 676 25 N

SS V =

2 y ... 1 1 635 2 2 2 2 2 2 2 y = 111 + 134 + 130 + 128 + 132 = 68 i.. N 5 25 p i=1 2 1 p 2 y ... 1 635 2 SS S = y ..k = 107 2 + 143 2 + 1212 + 130 2 + 134 2 = 150 25 p k =1 N 5 2 1 1 p 2 y ... 635 2 SS TR = y .j. = 1432 + 1012 + 112 2 + 149 2 + 130 2 = 330 p j=1 25 N 5

SS E = SS T SS TR SS V SS S = 676 68 150 330 = 128

Preglednica 3.16: Analiza variance po F-testu za nart eksperimenta z nakljunimi bloki vir variacije vsota prostostna povpreje F0 PFTAB kvadratov stopnja kvadratov vrednost nivoji - receptura 330 5-1=4 82,5 7,3 3,26 0,0025 vrstice - proizvajalec 68 5-1=4 17,0 stolpec - laborant 150 5-1=4 37,5 pogreek 128 3x4=12 10,7 skupno 676 25-1=24

F-test smo izvedli z = 0,05 odstotno toko. Rezultati so prikazani v preglednici 3.16. Ker je cenilka testa F0 vija od odstotne toke FTAB=F0,05;4;12, lahko z veliko gotovostjo 28

ovremo hipotezo H0 o enakovrednosti posameznih receptur za pripravo meanic goriva in ugotovimo, da je razlika med njimi pomembna. To nam potrjuje tudi vrednost P. Tudi v primeru uporabe narta po Latinskem kvadratu je potrebno testirati adekvatnost modela, kar naredimo z analizo ostankov. Za Latinski kvadrat je ostanek enak ijk = y ijk y i.. y. j . y..k + 2 y... eijk = y ijk y (3.39)

Primer izpuamo, saj je podoben primeroma iz predhodnjih poglavij. Latinski kvadrat v katerem sta prva vrstica in stolpec zapisana po abecednem redu imenujemo standardni Latinski kvadrat. Taknega smo tudi uporabili za primer analize receptur meanic goriv. Seveda pa lahko rke premeemo tako, da se vsaka pojavi v posameznem stolpcu in vrstici le enkrat, na ve nainov. Tako obstaja za 3x3 Latinski kvadrat kar 12 razlinih oblik, za 4x4 e 576 in za 5x5 kar 161.280. Tudi Latinski kvadrat je potrebno izvesti z upotevanjem nakljunega karakterja meritev. To pa storimo tako, da z uporabo nakljunih tevil iz nabora vseh Latinskih kvadratov doloene dimenzije izberemo nakljuni Latinski kvadrat. Pomanjkljivost Latinskih kvadratov majhnih dimenzij je majhna prostostna stopnja, ki pripada pogreku. V skladu z izrazom podanim v preglednici 3.14 je prostostna stopnja pogreka za Latinski kvadrat 3x3 le (3-2)(3-1)=2, za Latinski kvadrat 4x4 pa (4-2)(4-1)=6. Pogosto, zato da bi poveali prostostno stopnjo pogreka, izvedemo Latinski kvadrat s ponavljanjem. Ponavljanje lahko izvedemo z nespremenjenim vrstnim redom vrstic in stolpcev (proizvajalcev in laborantov iz obravnavanega primera), mone pa so tudi ponovitve, ko vrstni red zamenjamo. Za primer nespremenjenega vrstnega reda, kar je obiajna praksa, prikazujemo postopek analize variance v preglednici 3.17.
Preglednica 3.17: Analiza variance po F-testu za nart eksperimenta po Latinskem kvadratu s ponavljanjem (n) ob nespremenjenem vrstnem redu vrstic in stolpcev

prostostna
vir variacije

povpreje kvadratov MS TR = MS V = MS S =
MS S =
MS E =

vsota kvadratov SS TR =
SS V = SS S =
2 1 p 2 y .... y .j.. N n p j=1 2 1 p 2 y .... y i... N n p i=1 2 1 p 2 y .... y ..k. N n p k =1 2 y .... y N l =1 n 2 ...l

stopnja p-1 p-1 p-1 n-1

(p-1)(n(p+1)-3)

F0
F0 = MS TR MS E

nivoji

SS TR p -1 SS V p -1 SS S p -1
SS P n-1

vrstice

stopci

ponovitve

1 SS P = 2 p

pogreek skupno

SSE = SST SSTR SSV SSS SSP

2 y ... SS T = y N i =1 j =1 k =1 p p p 2 ijk

SS E (p - 1)[n(p + 1) 3]

n.p2 - 1

29

Obstajajo tudi narti eksperimentov, ki omogoajo grupiranje treh motilnih faktorjev. Imenujemo jih Grko-latinski kvadrati in so nadgradnja Latinskega kvadrata. Sestavljeni so pravzaprav iz dveh razlinih Latinskih kvadratov, pri tem pa latinske rke v drugem kvadratu zamenjamo z grkimi. Tako dobimo ob vrsticah, stolpcih in latinskih rkah, ki predstavljajo tri faktorje, e etrti faktor, ki ga predstavljajo grke rke. Grko-latinski kvadrati so dimenzij pxp pri emer je p3 in p6. Primer Grko-latinskega kvadrata dimenzij 4x4 prikazuje preglednica 3.18
Preglednica 3.18: Primer Grko-latinskega kvadrata 4x4

stolpci vrstice 1 2 3 4 1 A B C D 2 B A D C 3 C D A B 4 D C B A

Statistini model narta po Grko-latinskem kvadratu je i = 1,2,..., p j = 1,2,..., p (3.40) y ijkl = + i + j + k + l + ijkl k = 1,2,..., p l = 1,2,..., p Pri tem je yijkl odziv za i-to vrstico, l-ti stolpec, j-to latinsko rko in k-to grko rko, je skupna srednja vrednost, i je uinek i-te vrstice, j je uinek j-te latinske rke, k je uinek kte grke rke, l je uinek l-tega stolpca in ijkl je sluajni pogreek. Ker je v vsaki celici narta izveden le en poizkus, potrebujemo le dva od tirih indeksov i, j, k in l, da oznaimo izbran odziv sistema. Analiza variance je podobna kot v primeru Latinskega kvadrata. Prikazana je v preglednici 3.19. Hipotezo o enakosti odzivov na razlinih nivojih testiramo s pomojo Ftesta. Cenilka testa je statistika MS L F0 = (3.41) MS E ki ima F-porazdelitev s prostostnima stopnjama p 1 in (p 3)(p 1), kadar je izpolnjena hipoteza H0 ( H 0 : 1 = 2 = ... p = 0 ). Hipotezo H0 zavrnemo, e velja F0 > F,p 1,(p- 3)(p-1) kjer je: F,p-1,(p-3)(p-1) -odstotna toka F porazdelitve s prostostnima stopnjama p-1 in (p-3)(p-1).

30

Preglednica 3.19: Analiza variance po F-testu za nart eksperimenta po Grko-latinskem kvadratu s ponavljanjem (n) ob nespremenjenem vrstnem redu vrstic in stolpcev

prostostna vir variacije latinske rke grke rke vrstice stopci vsota kvadratov
2 1 p 2 y .... SS L = y .j.. p j=1 N

povpreje kvadratov MS L = MS G = MS V = MS S =
MS E =

stopnja p-1 p-1 p-1 p-1 (p-3)(p-1) p2 - 1

F0
F0 = MS L MS E

SS L p -1 SS G p -1 SS V p -1 SS S p -1

SS G = SS V = SS S =

2 1 p 2 y .... y ..k. N p k =1 2 1 p 2 y .... y i... N p i=1 2 1 p 2 y .... y ...l N p l=1

pogreek SSE = SST SSL SSV SSS SSG skupno

2 SS T = y ijkl i =1 j =1 k =1 l =1 p p p p 2 y .... N

SS E (p - 3)(p - 1)

3.4 Faktorjelni nart

Kadar analiziramo vpliv dveh ali ve vplivnih faktorjev, so t.i. faktorjelni narti najuinkoviteji. Faktorjelni nart pomeni, da vsak ponovljen niz eksperimentov izvedemo pri vseh kombinacijah vplivnih faktorjev. V primeru, da ima faktor A a nivojev, in faktor B b nivojev, izvedemo v vsakem ponovljenem nizu vseh ab eksperimentalnih tok in torej ne opazujemo vplivov faktorjev A in B loeno, tako da bi pri spreminjanju enega faktorja vzdrevali drugi faktor konstanten. Tako uspemo analizirati ne le vsak faktor posebej, ampak tudi njun medsebojni vpliv (interakcijo), o emer smo govorili e v uvodu poglavja 3. Pojem interakcije je predstavljen s sliko 3.8. Predpostavimo, da opazujemo vpliv faktorjev A in B ter, da zasede vsak le dva nivoja, t.j. spodnjega in zgornjega. V skladu s faktorjelnim nartom smo izvedli poskuse v naslednjih tirih eksperimentalnih tokah (Asp, Bsp), (Azg, Bsp), (Asp, Bzg) in (Azg, Bzg). Kadar interakcija med faktorjema A in B ne obstaja, potem bo odziv sistema na spreminjanje faktorja A neodvisen od nivoja faktorja B, kar lahko prikaemo v diagramu odziva faktorja A z dvema vzporednima daljicama (slika 3.8.a). Ko pa interakcija obstaja, pa se daljici sekata (slika 3.8b) ali vsaj nista vzporedni. Interakcijo lahko prikaemo tudi z regresijskim modelom, ki ga je mo doloiti na podlagi eksperimentalnih tok (Asp, Bsp), (Azg, Bsp), (Asp, Bzg) in (Azg, Bzg) ter glasi y = 0 + 1 x1 + 2 x 2 + 12 x1 x 2 + Pri tem so i koeficienti polinoma x1 in x2 pa kodirani spremenljivki spremenljivk A in B, ter sluajni pogreek. Produkt x1x2 predstavlja interakcijo, njeno velikost (jakost) pa podaja koeficient polinoma 12.

31

Bzg

Bsp Bzg

Bzg

Bsp

Bsp

Bsp

Bzg

Asp

Azg

Asp

Azg

a) ni interakcije med A in B

b) interakcija med A in B obstaja

Slika 3.8 Odziv sistema na spreminjanje faktorja A 3.4.1 Faktorjelni nart za dva faktorja Opazujemo vpliv dveh faktorjev A in B, pri emer spreminjamo prvega na a drugega pa na b nivojih. Obstaja torej ab eksperimentalnih tok, v katerih meritev n krat ponovimo. Nart eksperimenta je predstavljen v preglednici 3.20. Pri tem je yijk odziv sistema, ko je faktor A na nivoju i (i=1, 2, , a), faktor B na nivoju j (j=1, 2, , b), in pri k-ti ponovitvi (k=1, 2, , n). Zaporedje izvajanja eksperimentov je pri tem izbrano povsem nakljuno (z uporabo tabele nakljunih tevil), tako da imajo rezultati eksperimentiranja povsem nakljuen karakter. Preglednica 3.20 Faktorjelni nart eksperimenta za dva faktorja A in B

faktor B i 1 faktor A 2 . . . a j 1 y111, y112, , y11n y211, y112, , y11n 2 y121, y122, , y12n y221, y222, , y22n b y1b1, y1b2, , y1bn y2b1, y2b2, , y2bn

ya11, ya12, , ya1n

ya21, ya22, , ya2n

yab1, yab2, , yabn

Model faktorskega eksperimenta lahko zapiemo z modelom uinkov

i = 1,2,..., a y ijk = + i + j + ( )ij + ijk j = 1,2,..., b k = 1,2,..., n

(3.42)

32

Pri tem je skupna srednja vrednost, i je uinek i-tega nivoja faktorja A, j je uinek j-tega nivoja faktorja B, ()ij je uinek interakcije med i in j in ijk je sluajni pogreek. Tako kot v primeru enofaktorskega eksperimenta (poglavje 3.2) predstavljajo uinki odklone od skupnega povpreja, zato velja

i = 0,
i =1

j = 0,
j =1

( )ij = ( )ij = 0
i =1 j =1

Vpliv obeh faktorjev in njune interakcije lahko zato preverimo z uporabo naslednjih hipotez: Vpliv faktorja A H0 : 1 = 2 = ... a = 0 H1 : i 0 za vsaj en i Vpliv faktorja B H 0 : 1 = 2 = ... b = 0 H1 : j 0 za vsaj en j

Vpliv interakcije faktorjev A in B H 0 : ( )ij = 0 za vse pare i, j H1 : ( )ij 0 za vsaj en par i, j

Testiranje hipotez izvedemo z analizo variance. 3.4.1.1 Statistina analiza Naj velja, da je yi.. vsota niza rezultatov meritev na i-tem nivoju faktorja A, y.j. vsota niza rezultatov meritev na j-tem nivoju faktorja B, yij.. vsota rezultatov v posamezni eksperimentalni toki (pri Ai in Bj) ter y vsota vseh eksperimentalnih rezultatov. Podoben zapis naj velja e za srednje vrednosti, tako da bo
y i.. = y ijk
j =1 k =1 a n b n

yi.. = y. j . = y ij . =

y .j. = y ijk
i =1 k =1 n

yi.. bn y. j . an y ij .

i = 1, 2,, a j = 1, 2,, b k = 1, 2,, n

(3.43) (3.44) (3.45) (3.46)

y ij. = y ijk
y ... = y ijk
i =1 j =1 k =1 k =1 a b n

n y... y... = a bn

Tako kot v primeru enofaktorskega eksperimenta definirajmo skupno korigirano vsoto kvadratov
SS T = (y ijk y ... )
a b

i =1 j =1 k =1

ki jo lahko preoblikujemo v 33

 (y
a b n i =1 j =1 k =1

ijk

y ... ) = b n (y i.. y ... ) + a n (y .j. y ... ) +

2 a 2 b 2 i =1 j =1

+ n (y ij. y i.. y .j. + y ... ) +

a b 2 i =1 j =1 b

(3.47)

+ (y ijk y ij. )
a n i =1 j =1 k =1

kar lahko simbolino zapiemo

SS T = SS A + SS B + SS AB + SS E

kjer je: SSA - vsota kvadratov razlik zaradi razlik med nivoji faktorja A, SSB - vsota kvadratov razlik zaradi razlik med nivoji faktorja B, SSAB - vsota kvadratov razlik zaradi interakcije faktorjev A in B, SSE - vsota kvadratov razlik znotraj nizov eksperimentalnih tok (zaradi pogreka). tevilo vseh poskusov je enako abn, zato je tevilo prostostnih stopenj za SST enako mT = abn 1. Opazujemo a nivojev vplivnega faktorja A in b nivojev vplivnega faktorja B, zato je tevilo prostostnih stopenj za SSA, oz. SSB enako mA = a 1 oz. mB = b 1. Prostostna stopnja interakcije je enaka prostosti stopnji eksperimentalnih tok (ab 1) zmanjani za mA in mB in je enaka mAB = (ab 1) (a 1) (b 1) = (a 1)(b 1). Prostostna stopnja pogreka je enaka mE = ab(n 1), saj nastopi zaradi n ponovitev v vsaki eksperimentalni toki (teh je ab). e podelimo posamezno vsoto kvadratov s pripadajoo prostostno stopnjo, dobimo srednjo kvadratno vrednost
SS A a 1 SS B MS B = b 1 SS AB MS AB = (a 1)(b 1) SS E MS E = a b (n 1) MS A =

Priakovane vrednosti teh srednjih kvadratnih vrednosti dobimo z iskanjem matematinega upanja. Pri tem ugotovimo, da je matematino upanje srednje kvadratne vrednosti pogreka enako varianci E(MSE ) = 2 in da so
E(MS A ) = 2 + bn i2
i =1 a

a 1

34

E(MS B ) = 2 +

an j2
j =1

b 1
a b 2 i =1 j =1

E(MS AB ) = 2 +

n ( )ij

(a 1)(b 1)

Kadar veljajo nielne hipoteze o pomembnosti faktorjev A in B ter njune interakcije, takrat so drugi leni v gornjih enabah za matematino upanje enaki 0 in imamo tiri razline cenilke variance. Vse tri hipoteze lahko zato testiramo na podlagi primerjave posamezne srednje vsote kvadratov (MSA, MSB, MSAB) in MSE, za kar lahko podobno kot v primeru enofaktorskega eksperimenta uporabimo F-test, saj imajo ob pogoju, da je statistini pogreek ijk porazdeljen normalno z varianco 2, razmerja MSA/MSE, MSB/MSE in MSAB/MSE F-porazdelitev. Postopek F-testa je povzet v preglednici 3.21. Pri tem smo za vsote kvadratov uporabili enostavneje izraze, ki jih je mogoe dobiti s preoblikovanjem enabe (3.47). Prav tako smo vpeljali SSABT, ki meri variacijo kot celotno posledico variranja faktorjev A in B, torej vsakega posebej in e njunega vzajemnega vpliva.
Preglednica 3.21: Analiza variance dveh faktorjev po F-testu

vir variacije A B ABT AB E

vsota kvadratov
SS A =
2 1 a 2 y ... y i.. abn bn i=1 2 1 b 2 y ... y .j. abn an j=1 2 1 a b 2 y ... y ij. abn n i=1 j =1

prostostna stopnja a-1 b-1 (ab-1) (a-1)(b-1) ab(n-1)

2 y ... abn

povpreje kvadratov
MS A = MS B = SS A a -1 SS B b -1 F0 = F0 =

F0
MS A MS E MS B MS E

SS B = SS ABT =

SSAB = SSABT SSA SSB SSE = SST SSABT

2 SS T = y ijk i =1 j =1 k =1 a b
n

MS AB =

SS AB (a - 1)(b - 1)
SS E ab(n - 1)

F0 =

MS AB MS E

MS E =

abn - 1

Poglejmo si v nadaljevanju primer uporabe dvo-faktorskega faktorjelnega eksperimenta. Naj velja, da analiziramo vpliv materiala in delovne temperature na ivljenjsko dobo tesnil. Vzemimo, da smo analizirali tri razline materiale pri treh temperaturah. Rezultati meritev s tirimi poskusi v vsaki eksperimentalni toki so zbrani v preglednici 3.22. Dodane so tudi vsote yij., yi.., y.j. in y.

35

Preglednica 3.22 Rezultati analize tesnil temperatura (0C) material

1 2 3 y.j.

130 74 150 159 138 168

15 155 180 188 126 110 160

yi1. 539 623 576 1738 34 80 136 106 174 150

70 40 75 122 115 120 139

yi2. 229 479 583 1291 20 82 25 58 96 82

125 70 58 70 45 104 60

yi3. 230 198 342 770

yi.. 997 1300 1501 y = 3799

V skladu z izrazi iz preglednice 3.22 izraunamo vsote kvadratov

2 SS T = y ijk i =1 j =1 k =1 a b
n

2 y ... 3799 2 = 130 2 + 155 2 + ... + 60 2 = 77.646,97 33 4 abn

2 1 a 2 y ... 1 3799 2 2 2 2 y = 998 + 1300 + 1501 = 10.683,72 i.. abn 3 4 33 4 bn i=1 2 1 3799 2 1 b 2 y ... = 1738 2 + 12912 + 770 2 = 39.118,72 SS B = y .j. 33 4 an j=1 abn 3 4

SS A =

SS ABT =

2 1 3799 2 1 a b 2 y ... 2 2 2 = 539 + 229 + ... + 342 = 59.416,22 y ij. abn 4 33 4 n i=1 j =1

SSAB = SSABT SSA SSB = 59.416 ,2210.683 ,72 39.118 ,72= 9.613 ,78 SSE = SST SSABT = 77.646,97 59.416,22 = 18.230,75

Analiza variance je prikazana v preglednici 3.23. F-test smo izvedli s stopnjo pomembnosti = 0,05. Ker je cenilka testa F0 v vseh treh primerih vija od odstotne toke FTAB=F0,05;2;27,oz. FTAB=F0,05;4;27, lahko z veliko gotovostjo ovremo hipoteze H0 in potrdimo pomemben vpliv materiala, temperature in njunega vzajemnega vpliva na ivljenjsko dobo tesnil. To nam potrjujejo tudi vrednosti P.
Preglednica 3.23: Analiza variance po F-testu za primer testiranja tesnil vir variacije vsota prostostna povpreje F0 FTAB kvadratov stopnja kvadratov material - A 10.683,72 3-1=2 5.341,86 7,91 > 3,35 temperatura - B 39.118,72 3-1=2 19.559,36 28,97 > 3,35 interakcija - AB 9.613,78 2x2=4 2.403,44 3,56 > 2,73 pogreek 18.230,75 3x3x(4-1)=27 675,21 skupno 77.646,79 3x3x4-1=35

Pvrednost 0,002 2.10-7 0,019

Tudi v primeru faktorjelnega narta je potrebno opraviti test adekvatnosti modela. Postopek in prijemi so enaki kot v primeru enofaktorskega eksperimenta (poglavje 3.2.5), zato jih tukaj izpuamo.

36

3.4.2 Faktorjelni nart za tri in ve faktorjev Faktorjelni nart za dva faktorja lahko razirimo na tri ali ve faktorjev, tako da v splonem opazujemo vpliv faktorja A na a nivojih, faktorja B na b nivojih, faktorja C na c nivojih, pa vse do faktorja W na w nivojih ter njihove vzajemne vplive dveh faktorjev (AB, AC, , AW, BC, BD, , BW, ), treh faktorjev (ABC, ABD, ) in tako naprej. Pri tem se tevilo eksperimentalnih tok z veanjem tevila faktorjev in njihovih nivojev naglo poveuje, tako da je v splonem enako a.b.c. .w. Skupno tevilo eksperimentov pa je zaradi potrebnega ponavljanja vsaj dvakrat oziroma v splonem n krat veje. Postopek analize variance ponovno izpeljemo s pomojo modela uinkov, ki jih ocenimo tako, da skupno variabilnost modela razbijemo na posamezne vplivne faktorje in njihove vzajemne vplive ter na prispevek statistinega pogreka. To naredimo z izraunom vsot kvadratov. Te podelimo z ustreznimi prostostnimi stopnjami, da izraunamo nepristranske ocene variabilnosti t.i. srednje vsote, ki jih nato s pomojo F-testa primerjamo s srednjo vsoto pogreka. Kadar ugotovimo, da razlika ni pomembna, sklenemo z ugotovitvijo, da vpliv faktorja (ali interakcij ve faktorjev) tudi ni pomemben, saj je variabilnost, ki jo povzroa v modelu enakega velikostnega razreda kot variabilnost, ki jo v modelu povzroa pogreek. Prostostne stopnje osnovnih vplivnih faktorjev so enake tevilu njihovih nivojem zmanjanem za 1. Prostostne stopnje vzajemnih vplivov dveh ali ve osnovnih faktorjev pa dobimo z mnoenjem prostostnih stopenj vpletenih faktorjev. Pokazali smo e, da se tevilo eksperimentalnih tok z dodajanjem vplivnih faktorjev vse bolj poveuje, zato bi bil prikaz splonega modela in postopka variance za faktorjelni nart nepregleden in ga izpuamo. V nadaljevanju pa bomo prikazali le osnovne znailnosti faktorjelnega narta s tremi faktorji. Model tri-faktorskega eksperimenta lahko zapiemo z modelom uinkov

y ijkl = + i + j + k + ( )ij + ( )ik + ( ) jk

i = 1,2,..., a j = 1,2,..., b + ( )ijk + ijkl k = 1,2,..., c l = 1,2,..., n

(3.48)

Ugotovimo, da sedaj nastopajo trije vzajemni vplivi dveh faktorjev in en vzajemen vpliv treh faktorjev. Kot smo e uvodoma dejali, pomembnost njihovega vpliva ugotavljamo s pomojo F-testa. Postopek je prikazan v preglednici 3.24. Posamezne vsote kvadratov pa izraunamo z naslednjimi enabami
2 SS T = y ijkl i =1 j =1 k =1 l=1 a b
c

2 y .... abcn

SS A =

2 y .... 1 a 2 y i... abcn bcn i=1 2 y .... 1 b 2 y .j.. abcn acn j=1 2 y .... 1 c 2 y ..k. abcn abn k =1

SS B =

SS C =

37

SS AB =

2 y .... 1 a b 2 y ij.. abcn SS A SS B = SS ABT SS A SS B cn i=1 j =1 2 y .... 1 a c 2 y i.k. abcn SS A SS C = SS ACT SS A SS C bn i=1 k =1 2 y .... 1 b c 2 y .jk. abcn SS B SS C = SS BCT SS B SS C an j=1 k =1 2 y .... 1 a b c 2 y ijk. abcn SS A SS B SS C SS AB SS AC SS BC = n i=1 j =1 k =1

SS AC =

SS BC =

SS ABC =

= SS ABCT SS A SS B SS C SS AB SS AC SS BC

SSE = SST SSABCT

Preglednica 3.24: Postopek analize variance za faktorjelni nart treh faktorjev

vir variacije A B C AB AC BC ABC E T

vsota kvadratov SSA SSB SSC SSAB SSAC SSBC SSABC SSE SST

prostostna stopnja a-1 b-1 c-1 (a-1)(b-1) (a-1)(c-1) (b-1)(c-1) (a-1)(b-1)(c-1) abc(n-1) abcn - 1

povpreje kvadratov
MS A = MS B = MS C = SS A a -1 SS B b -1 SS C c -1 F0 = F0 = F0 = F0 = F0 = F0 = F0 =

F0
MS A MS E MS B MS E MS C MS E MS AB MS E MS AC MS E MS BC MS E MS ABC MS E

MS AB = MS AC = MS AB = MS ABC =

SS AB (a - 1)(b - 1) SS AC (a - 1)(c - 1) SS BC (b - 1)(c - 1)

SS ABC (a - 1)(b - 1)(c - 1)

SS E abc(n - 1)

MS E =

38

3.5 Faktorjelni nart 2k

V prejnjem poglavju smo pokazali, da so faktorjelni narti iroko uporabni za eksperimente, ki vkljuujejo ve vplivnih faktorjev. Ugotovili pa smo, da z dodajanjem novih faktorjev zelo hitro naraa tevilo eksperimentalnih tok. Zato so se razvili posebni primeri faktorjelnega narta, ki omogoajo zmanjanje tevila eksperimentalnih tok. Najpomembneji je nart s k-faktorji (spremenljivkami), vsakim samo na dveh nivojih. Ti nivoji so lahko kvantitativni ali kvalitativni. Celotna ponovitev taknega narta zahteva 2 x 2 x x 2 = 2k poskusov. Takno obliko imenujemo faktorjelni nart prvega reda, oz. faktorjelni nart 2k. Pri tem predpostavljamo, da so faktorji fiksni, nart popolnoma nakljuen in normalne predpostavke zadoene. Nart je uporaben v zaetku eksperimentalnega dela, kadar se preiskuje ve faktorjev. Zagotavlja najmanje tevilo poskusov s katerimi se lahko k-faktorjev analizira v popolnem faktorjelnem nartu. Ker ima pri tem nartu vsak faktor samo dva nivoja, predpostavljamo, da je odziv sistema linearen v obmoju izbranega faktorskega nivoja.
3.5.1 Dvo-faktorski nart prvega reda 22 Prvi nart v seriji 2k , sestavljata samo dva faktorja, faktor A in faktor B. Vsak nastopa na samo dveh nivojih, tj. na spodnjem (-) in zgornjem (+), kot je to prikazano v preglednici 3.25. tevilo eksperimentalnih tok je 22 = 4. Ker pa v vsaki eksperimentalni toki poizkus ponovimo n-krat, je skupno tevilo poskusov N = 22.n. Pri tem dobimo 22 nizov eksperimentalnih rezultatov, pri emer je vsak niz izveden pri izbrani kombinaciji faktorjev A in B in obsega n ponovitev. Preglednica 3.25: Kombinacije eksperimentov narta 22 faktor kombinacije ponovitve meritev A B poskusov 1 2 ... n y1,1,1 y1,1,2 y1,1,n Asp, Bsp + y2,1,1 y2,1,2 y2,1,n Azg, Bsp + Asp, Bzg y1,2,1 y1,2,2 y1,2,n + + Azg, Bzg y2,2,1 y2,2,2 y2,2,n

vsota niza (1) a b ab y

povprena vrednost y 11. y 21. y 12. y 22. y ...

Takno kombinacijo tirih eksperimentov lahko prikaemo tudi grafino (slika 3.9), kjer majhni rki a in b predstavljata zgornji nivo faktorjev A in B, kombinacija ab pa njuno interakcijo. Spodnji nivo obeh faktorjev oznauje oznaka (1). S simboli (1), a, b in ab bomo oznaili tudi skupno vsoto n ponovitev v posamezni eksperimentalni toki. Povpreni uinek posameznega faktorja je definiran kot povprena sprememba odziva sistema, zaradi spremembe nivoja opazovanega faktorja. Uinek faktorja A pri spodnjem nivoju faktorja B, t.j. Bsp je enak [a (1)]/n, pri zgornjem nivoju Bzg pa [ab - b]/n. Povpreje teh dveh dobljenih vrednosti predstavlja glavni uinek faktorja A 1 1 u A = {[ab b] + [a (1)]} = [ab + a b (1)] (3.49) 2n 2n

39

Zgornji nivo
Faktor B

ab

Spodnji nivo

(1) Spodnji nivo

a + Zgornji nivo Faktor A

Slika 3.9: Kombinacije poskusov z nartom 22

Po enakem principu lahko izraunamo tudi glavni uinek faktorja B, pri emer je uinek B pri Asp enak [b (1)]/n, pri Azg pa je uinek enak [ab a]/n, torej

uB =

1 {[ab a] + [b (1)]} = 1 [ab + b a (1)] 2n 2n

(3.50)

Vzajemni uinek AB definiramo kot povpreje razlike med uinkom A pri Bzg in uinkom A pri Bsp, torej 1 1 u AB = {[ab b] [a (1)]} = [ab + (1) a b] (3.51) 2n 2n Prav tako lahko uinek AB definiramo kot povpreje razlike med uinkom B pri Azg in uinkom B pri Asp, kar tudi pripelje do enabe (3.51). Enabe za izraun uinkov A, B in AB pa lahko izpeljemo tudi nekoliko drugae s pomojo slike 3.9. Pri tem je uinek A enak razliki med povprenim odzivom dveh eksperimentalnih kombinacij na desni strani kvadrata ( y A + , povpreen odziv eksperimentalnih kombinacij, kjer A zavzema zgornji nivo) in povprenim odzivom dveh eksperimentalnih kombinacij na levi strani ( y A , povpreen odziv eksperimentalnih kombinacij, kjer A zavzema spodnji nivo):

u A = y A+ y A =

ab + a b + (1) 1 = [ab + a b (1)] 2n 2n 2n

Uinek B je po tej metodi enak razliki med povprenim odzivom dveh eksperimentalnih kombinacij na vrhu kvadrata ( y B + ) in povprenim odzivom dveh eksperimentalnih kombinacij na dnu ( y B ):

u B = y B+ y B =

ab + b a + (1) 1 = [ab + b a (1)] 2n 2n 2n

Nadalje je vzajemni uinek AB enak razliki med povprejem odzivov vzdol diagonale od desne proti levi strani kvadrata [ab in (1)] in povprejem odzivov vzdol diagonale od leve proti desni strani (a in b): 40

u AB =

ab + (1) a + b 1 = [ab + (1) a b] 2n 2n 2n

Uinke faktorjev lahko s pridom uporabimo za analizo pomembnosti posameznih faktorjev. Pri tem izhajamo iz analize variance, ki jo prikazujemo v nadaljevanju. 3.5.1.1 Test pomembnosti faktorjev v vefaktorskem nartu 22 Uinki faktorjev so tesno povezani z njihovimi kontrasti (glej poglavje 3.2.7). V poglavju 3.5.1 smo pokazali, da je mogoe uinek faktorja A zapisati kot

uA =

1 [ab + a b (1)] 2n

(3.49)

Pri tem je izraz v oglatem oklepaju linearna kombinacija setevkov nizov eksperimentalnih tok, torej je enak kontrastu faktorja A
k A = ab + a b (1)

(3.52)

Uinek faktorja A lahko s pomojo kontrasta zapiemo kot

uA = kA 2n

(3.53)

Enaka ugotovitev velja tudi za uinek faktorja B in uinek interakcije AB. Vsi trije kontrasti so tudi ortogonalni, njihove konstante so zbrane v preglednici 3.26.
Preglednica 3.26: Standardni Yates-ov vrstni red in koeficienti kontrastov ci uinek uinek A B AB (1) -1 -1 +1 a +1 -1 -1 b -1 +1 -1 c +1 +1 +1

Kombinacije posameznih eksperimentov pogosto zapisujemo po vrstnem redu (1), a, b, ab. Imenujemo ga standardni vrstni red (Yates-ov vrstni red, po Dr. Frank Yates-u) in je prikazan v preglednici 3.26. V poglavju 3.2.7 smo pokazali, da je mogoe s pomojo kontrastov testirati hipoteze o pomembnosti faktorjev. Pokazali smo (enaba (3.19)), da vsoto kvadratov kontrasta SSk izraunamo tako, da kvadrat kontrasta k2 podelimo z vsoto kvadratov konstant kontrasta ci2 in tevilom ponavljanj poizkusov n. Tako dobimo za A, B in AB, sledee enabe:

SS A

2 ab + a b (1)] [ =

22 n

(3.54)

SS B

2 [ ab + b a (1)] =

22 n

(3.55)

41

SS AB =
Skupna vsota kvadratov

[ab + (1) a b]2

22 n
2 2 n 2 y ... 22 n

(3.56)

2 SS T = y ijk i =1 j =1 k =1

(3.57)

ima splono 22n 1 prostostnih stopenj. Vsoto kvadratov pogreka izraunamo z operacijo odtevanja kot: SSE = SS T SS A SSB SS AB (3.58) in ima prostostno stopnjo 22(n 1). Postopek testiranja pomembnosti faktorjev je povzet v preglednici 3.27. Pri tem izraunano testno statistiko F0 primerjamo z F,1,N-22 -odstotno toko F porazdelitve s prostostnima stopnjama 1 in N-22. Kadar velja
F0 > F,1,N22

z verjetnostjo (1-) potrdimo pomembnost faktorja, katerega vpliv na odziv sistema testiramo.
Preglednica 3.27: Analiza variance po F-testu za testiranje pomembnosti faktorjev pri vefaktroskem nartu 22 prostostna povpreje

vir variacije A B AB Pogreek Skupno

vsota kvadratov SSA SSB SSAB SSE SST

stopnja 1 1 1 N - 22 N-1

kvadratov SS A MS A = 2-1 SS MS B = B 2-1 SS AB MS AB = (2 - 1)(2 - 1)

MS E = SS E N - 22

F0 MS A F0 = MS E MS B F0 = MS E MS AB F0 = MS E

3.5.1.2 Regresijski model Regresijski model se uporablja za prikazovanje rezultatov eksperimentov. Za vefaktorski nart 22 ga zapiemo v sploni obliki

y = 0 + 1x1 + 2 x 2 + 12 x1x 2 +
kjer je: y - odziv, i - koeficienti regresijskega modela, x1 - kodirana spremenljivka, ki predstavlja faktor A,

(3.59)

42

x2 - kodirana spremenljivka, ki predstavlja faktor B, - matrika sluajnih pogreekov. Spremenljivki x1 in x2 sta kodirani - doloeni na kodirani skali od -1 do +1, tako da sta pri njuni vrednosti -1 dejanski spremenljivki A in B na spodnjem nivoju, pri njuni vrednosti +1 pa na zgornjem nivoju. Sploen zapis kodirane spremenljivke x1 je torej
x1 = A A0 , A

kjer je: A dejanska spremenljivka, ( ) A0 srednja vrednost: A0 = 1 2 Azg + Asp , A odklon: A =

1 2

(A

zg

Asp ).

Analogno zapiemo tudi kodirano spremenljivko x2 z vrednostmi B, Bsp in Bzg. Koeficiente regresijskega modela lahko ocenimo po metodi najmanjih kvadratov. Takrat preide zapis v obliko regresijskega polinoma, ki podaja oceno odziva + x + x + xx = y 0 1 1 2 2 12 1 2 (3.60)

enak ocene koeficientov regresijskega modela. Za vefaktorski nart 22 je pri emer so i 0 skupni srednji vrednosti
2 2 n 1 =y = 1 y = 2 [(1) + a + b + ab ] ... 0 2 i , j , k 2 n i j k 2 n

ocene ostalih koeficientov regresijskega modela pa so neposredno povezane z uinki faktorjev in so enake njihovim polovinim vrednostim
= uA , = uB , = u AB 1 2 12 2 2 2

saj uinek posameznega faktorja napove srednjo spremembo odziva pri spremembi faktorja od spodnjega (-1) na zgornji nivo (+1), t.j. za dve enoti njegove kodirane spremenljivke xi. Namesto uinkov lahko uporabimo kar kontraste, takrat velja:
= kA , = kB , = k AB 1 2 12 2 2 2 n 2 n 22 n

Kadar s testom pomembnosti ugotovimo, da posamezni faktorji in njihovi vzajemni vplivi niso pomembni, takrat so njihovi uinki enaki 0 in prav tako so enaki 0 tudi ustrezni koeficienti regresijskega polinoma. Da bi preverili, ali tako okrajan regresijski polinom e vedno dovolj dobro napove odzive sistema, izvedemo test adekvatnosti. Test adekvatnosti Ponovno uporabimo analizo variance. Razliko med posameznim izmerjenim in napovedanim odzivom zapiemo

43

 ij = ( y ijk y ij . ) ( y ij . y ij ) y ijk y Kvadriranje obeh strani enabe in setevanje po i, j in k nam da

(y
2 i 2 j n k

ijk

ij ) = ( y ijk y ij . ) + n ( y ij . y ij ) y
2 2 i 2 j n k 2 2 i 2 j

(3.61)

saj je vsota navzkrinih produktov na desni strani enabe enaka 0. Vsota na levi strani enabe (3.61) meri odstopanje regresijskega polinoma od rezultatov meritev. Razstavimo jo lahko na dve vsoti. Prva meri vpliv pogreka merjenja, druga pa nepopolnost regresije. Izraz (3.61) lahko torej simbolino zapiemo SS ER = SS E + SS NPR tevilo prostostnih stopenj za SSER je enako tevilu meritev N=22n zmanjanem za tevilo koeficientov regresijskega polinoma p (p je tudi tevilo enab, ki je potrebno za doloitev koeficientov regresijskega polinoma in v katerih uporabimo N rezultatov merjenja), torej mER=22n-p. tevilo prostostnih stopenj SSE je, kot smo e ugotovil, enako mE=22(n-1), zato je zaradi zveze m ER = mE + m NPR tevilo prostostnih stopenj vsote kvadratov nepopolnosti regresije mNPR=22-p. Srednje kvadratne vrednosti ponovno doloimo tako, da vsote kvadratov podelimo z odgovarjajoo prostostno stopnjo. Tako je za nepopolnost regresije
MS NPR = SS NPR 22 p

in za isti pogreek
MS E = SS E 2 (n 1)
2

Priakovani vrednosti teh srednjih kvadratnih vrednosti dobimo z iskanjem matematinega upanja. Pri tem ugotovimo, da je matematino upanje srednje kvadratne vrednosti pogreka enako varianci E(MSE ) = 2 in da enako velja tudi za srednjo kvadratno vrednost nepopolnosti regresije, vendar le pod pogojem, da je polinom adekvaten

E(MS NPR ) = 2 :
Takrat ima testna statistika
F0 =

polinom adekvaten

MS NPR MS E

(3.62)

F-porazdelitev s prostostnima stopnjama mNPR=22-p in mE=22(n-1). Enaba (3.62) je testna statistika za hipotezo o adekvatnosti polinoma. Primerjamo jo z F,22-p, 22(n-1) -odstotno toko F porazdelitve. Kadar velja 44

F0 < F,22 -p,22 (n 1)

z verjetnostjo (1-) hipoteze o adekvatnost polinoma ne moremo ovrei, saj je razlika med obema cenilkama variance, istim pogrekom in nepopolnostjo polinoma, nepomembna. Takrat lahko zakljuimo, da je regresijski polinom adekvaten tudi brez upotevanja uinkov (koeficienti polinoma so enaki 0), za katere smo na podlagi testa variance dokazali, da niso pomembni.
3.5.2 Tri-faktorski nart prvega reda 23 Nart 23 omogoa analizo treh faktorjev, faktorja A, faktorja B in faktorja C ter njihovih interakcij. Ponovno vsak faktor nastopa na samo dveh nivojih, tj. na spodnjem (-) in zgornjem (+), kar lahko grafino ponazorimo s kocko (slika 3.10). Kot vidimo smo posamezne eksperimentalne toke ponovno oznaili z malimi tiskanimi rkami ali njihovimi kombinacijami ((1), a, b, ab, c, ac, bc, abc). Enake oznake smo uporabili tudi v preglednici 3.28, ki prikazuje kombinacijo eksperimentov narta 23. Pri tem pa oznake (1), a, b, ab, c, ac, bc, abc predstavljajo tudi skupno vsoto odzivov (n ponovitev) v posamezni eksperimentalni toki nizov eksperimenta. tevilo eksperimentalnih tok je 23 = 8. Ker pa v vsaki eksperimentalni toki poizkus ponovimo n-krat, je skupno tevilo poskusov N = 23n. bc c ac abc

zgornji nivo
faktor C

ab

+ zgornji nivo faktor B

spodnji nivo

(1) spodnji nivo faktor A

a + zgornji nivo

spodnji nivo

Slika 3.10: Kombinacije poskusov z nartom 23

Poizkusimo poiskati povprene uinke posameznih faktorjev. Uinek faktorja A, ko sta faktorja B in C na spodnjem nivoju je enak [a (1)]/n. Ko je B na zgornjem nivoju in C na spodnjem nivoju je uinek faktorja A enak [ab - b]/n, v nasprotnem primeru, ko je B na spodnjem in C na zgornjem nivoju pa je uinek faktorja A enak [ac - c]/n, medtem ko je v primeru, da sta oba B in C na zgornjem nivoju uinek faktorja A enak [abc - bc]/n. Povpreni (glavni) uinek faktorja A je zato
uA = 1 {[a (1)] + [ab b] + [ac c ] + [abc bc ]} = 1 [ (1) + a b + ab c + ac bc + abc] (3.63) 4n 4n

45

Povsem enako postopamo tudi pri doloanju glavnih uinkov faktorjev B in C. Tako velja

uB =
in

1 [ (1) a + b + ab c ac + bc + abc ] 4n 1 [ (1) a b ab + c + ac + bc + abc ] 4n

(3.64)

uC =

(3.65)

Doloimo e uinke interakcije dveh faktorjev. Merilo uinka interakcije AB je razlika med srednjim uinkom faktorja A, ko je B na zgornjem nivoju in srednjim uinkom A, ko je B na spodnjem nivoju. Uinek interakcije AB pa je enak polovini vrednosti te razlike
1 1 1 1 u AB = {[ab b] + [abc bc]} {[a (1)] + [ac c]} = [(1) a b + ab + c ac bc + abc] (3.66) 2 2n 2n 4n

Povsem enako doloimo e

u AC = 1 [(1) a + b ab c + ac bc + abc] 4n 1 [(1) + a b ab c ac + bc + abc] 4n

(3.67)

in
u BC =

(3.68)

Vzajemni uinek vseh treh faktorjev ABC izraunamo tako, da poiemo srednjo razliko uinka interakcije AB, ko je C na zgornjem in spodnjem nivoju
1 1 1 1 u ABC = {[abc bc] [ac c]} {[ab b] [a (1)]} = [ (1) + a + b ab + c ac bc + abc] (3.69) 2 2n 2n 4n

Preglednica 3.28: Kombinacije eksperimentov narta 23 faktor kombinacije ponovitve meritev A B C poskusov 1 2 ... n ... y(1),1 y(1),2 y(1),n Asp, Bsp, Csp + ... Azg, Bsp, Csp ya,1 ya,2 ya,n ... + yb,1 yb,2 yb,n Asp, Bzg, Csp ... + + yab,1 yab,2 yab,n Azg, Bzg, Csp + ... Asp, Bsp, Czg yc,1 yc,2 yc,n ... + + yac,1 yac,2 yac,n Azg, Bsp, Czg ... + + ybc,1 ybc,2 ybc,n Asp, Bzg, Czg + + + yabc,1 yabc,2 . . . yabc,n Azg, Bzg, Czg

vsota niza (1) a b ab c ac bc abc

e v poglavju 3.5.1.1 smo pokazali, da je mogoe uinke faktorjev zapisati z njihovimi kontrasti. To lahko storimo tudi sedaj, saj so v oglatih oklepajih enab za izraun uinkov (enabe (3.63) do (3.69)) linearne kombinacije setevkov nizov eksperimentalnih tok, to je (1), a, b, ab, c, ac, bc, abc. Za izbiro pravilnega nabora predznakov oz. konstant kontrastov, si pomagamo tako, da sestavimo Yates-ovo tabelo, ki jo prikazuje preglednica 3.29. Pri tem iustrezajo konstante (predznaki) osnovnih faktorjev vrednostim njihove kodirane 46

spremenljivke v posamezni eksperimentalni toki, konstante (predznake) vzajemnih vplivov pa dobimo tako, da preprosto zmnoimo stolpce konstant ustreznih osnovnih faktorjev, kar je povsem enako vektorskemu produktu dveh vektorjev. Vrednost posameznih kontrastov pa nato dobimo kot skalarni produkt ustreznega vektorja konstant in vektorja vsot nizov odzivov v eksperimentalnih tokah. Tako bo skalarni produkt predzadnjega in zadnjega stolpca v preglednici 3.29 dal kontrast kABC, iz katerega izraunamo uinek uABC tako, da ga podelimo s 4n, kar ni teko preveriti. Skalarni produkt drugega (I) in zadnjega stolpca nam ne da kontrasta ampak skupno vsoto vseh eksperimentov

k 0 = [(1) + a + b + ab + c + ac + bc + abc ] = y....

(3.70)

ki jo uporabljamo za izraun skupne srednje vrednosti in v izrazu za skupno vsoto kvadratov SST (izraz (3.72)), zato stolpec I pogosto dodamo v Yates-ovo tabelo.
Preglednica 3.29: Koeficienti kontrastov narta 23

eksperimentalna toka (1) a b ab c ac bc abc

I +1 +1 +1 +1 +1 +1 +1 +1

A -1 +1 -1 +1 -1 +1 -1 +1

B -1 -1 +1 +1 -1 -1 +1 +1

uinki AB C +1 -1 -1 -1 -1 -1 +1 -1 +1 +1 -1 +1 -1 +1 +1 +1

AC +1 -1 +1 -1 -1 +1 -1 +1

BC +1 +1 -1 -1 -1 -1 +1 +1

ABC -1 +1 +1 -1 +1 -1 -1 +1

vsota niza (1) a b ab c ac bc abc

3.5.2.1 Test pomembnosti faktorjev v vefaktorskem nartu 23 Postopek analize vplivnosti faktorjev poteka povsem enako kot v primeru eksperimentalnega narta 22, zato ga tukaj izpuamo. Pri tem pa je potrebno poudariti, da je sedaj vsota kvadratov posameznega faktorja enaka

SS F =
medtem ko je skupna vsota kvadratov
2 SS T = y ijkl i =1 j =1 k =1 l =1 2 2 2 n

2 kF 23 n

(3.71)

2 2 2 2 n k2 y .... 2 0 y = ijkl 3 3 2 n i=1 j=1 k =1 l =1 2 n

(3.72)

in ima splono 23n 1 prostostnih stopenj. Vsoto kvadratov pogreka ponovno izraunamo z operacijo odtevanja kot:

SS E = SS T SS A SS B SS AB SS C SS AC SS BC SS ABC
in ima prostostno stopnjo 23(n 1).

(3.73)

47

3.5.2.2 Regresijski model Regresijski model za vefaktorski nart 23 zapiemo v sploni obliki

y = 0 + 1 x 1 + 2 x 2 + 12 x 1 x 2 + 3 x 3 + 13 x 1 x 3 + 23 x 2 x 3 + 123 x 1 x 2 x 3 +
kjer je: y - odziv, i - koeficienti regresijskega modela, x1 - kodirana spremenljivka, ki predstavlja faktor A, x2 - kodirana spremenljivka, ki predstavlja faktor B, x3 - kodirana spremenljivka, ki predstavlja faktor C, - matrika sluajnih pogreekov.

(3.74)

Koeficiente regresijskega modela lahko ocenimo po metodi najmanjih kvadratov. Takrat preide zapis v obliko regresijskega polinoma, ki podaja oceno odziva + x + x + x + x x + x x + x x + xx x = y 0 1 1 2 2 3 3 12 1 2 13 1 3 23 2 2 123 1 2 3
ocene koeficientov regresijskega modela. je skupna sredna vrednost pri emer so i 0 = k0 0 23 n

(3.75)

(3.76)

ostale koeficiente pa lahko podobno kot v primeru eksperimentalnega narta 22 zapiemo pomojo kontrastov = kF (3.77) F 23 n Seveda uporabimo le tiste koeficiente regresijskega modela, ki ustrezajo pomembnim uinkom, vse ostale pa izpustimo in preverimo adekvatnost okrajanega regresijskega modela. Postopek je povsem enak kot v primeru narta 22, zato ga tukaj izpuamo.
3.5.3 Splona oblika vefaktorskega narta prvega reda 2k V splonem je lahko tevilo vplivnih faktorjev v nartu 2k poljubno veliko. Omejitev predstavlja le potenno naraanje tevila eksperimentalnih tok. V splonem obsega model 2k - k osnovnih uinkov, k - 2 uinkov interakcij dveh faktorjev,

k 3 uinkov interakcij treh faktorjev, - itd., kar skupno znese 2k-1 uinkov. Eksperimentalni nart zgradimo s pomojo sheme, ki jo prikazuje slika 3.11. Pri tem stolpci prikazujejo variacijo nivojev vplivnih faktorjev in predstavljajo hkrati konstante kontrastov za izraun osnovnih uinkov. Konstante kontrastov za izraun interakcij faktorjev pa dobimo z medsebojnim mnoenjem stolpcev posameznih faktorjev. Potek reevanja je naslednji:

48

a) izraun kontrastov osnovnih faktorjev (kA, kB, kC, ) in vseh medsebojnih vplivov (kAB, kAC, ); b) izraun uinkov faktorjev uF (F = A, B, C, , AB, AC,, ABC, ABD, k uF = k F (3.78) 2 1n c) statistina analiza pomembnosti posameznih faktorjev in njihovih vzajemnih vplivov

SS F =

2 kF 2k n

(3.79)

d) prilagoditev modela odziva rezultatom analize pomembnosti; e) izraun koeficientov F = kF F 2k n in zapis regresijskega polinoma + x + x + + x x + x x + + x x x = y 0 1 1 2 2 12 1 2 13 1 3 123 1 2 3 f) testiranje adekvatnosti regresijskega polinoma; g) interpretacija rezultatov;
Nart raziskave

(3.80)

(3.81)

Eksperimentalna toka (l)

(1) a b ab c ac bc abc d ad0 bd abd cd acd abd abcd

A x1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1

Vplivni faktorji B C D x2 x3 x4

22

23

24

-1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1

-1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 +1 +1 +1 +1

-1 -1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1 +1 +1 +1 +1

Slika 3.11: Nart variacije vplivnih faktorjev za vefaktorski eksperiment 22 do 24

49

3.5.4 Nart eksperimenta 2k brez ponavljanja Ugotovili smo e, da tevilo eksperimentalnih tok s poveevanjem tevila vplivnih faktorjev naglo naraa. e temu dodamo e ponavljanje eksperimentov v posamezni eksperimentalni toki, se tevilo vseh eksperimentov vsaj podvoji, kadar je tevilo ponovitev 2. V splonem pa se pri n ponovitvah n-krat povea. Ne brez razloga, so zato zanimivi eksperimentalni narti, ki ponavljana ne zahtevajo. Seveda pa je nevarnost, da s takimi narti ne modeliramo le vpliva izbranih vplivnih faktorjev, ampak modeliramo tudi vpliv sluajnega pogreka, kar lahko privede do napanih zakljukov. Primer prikazuje slika 3.12. Na grafu je sploen vpliv faktorja x na odziv y prikazan s pasom irine 2E. Pri emer meri E vpliv sluajnega pogreka. Rezultat eksperimenta na spodnjem in zgornjem nivoju faktorja pa je prikazan s krogcem, ki sicer lei znotraj priakovanega pasu, vendar zaradi vpliva sluajnega pogreka ne ravno na njegovi srednici. e torej sklepamo o vplivu faktorja x na odziv y le na podlagi teh dveh rezultatov, obstaja velika verjetnost, da bo na zakljuek napaen, kot je to primer tudi na sliki 3.12. ele vekratna ponovitev eksperimenta nam bo zagotovila, da bomo dobili oceno vpliva sluajnega pogreka E in bomo pravilno napovedali iskano odvisnost.

y dejanska odvisnost ocenjena odvisnost

xsp

xzg

Slika 3.12 Vpliv pogreka na oceno uinka v eksperimentalnem nartu brez ponavljanja

Nart eksperimenta 2k brez ponavljanja je zgrajen ob zavedanju zgoraj omenjenega dejstva in ne zanika vpliva sluajnega pogreka. Izhaja pa iz predpostavke, da je vpliv interakcij vijega reda (interakcij treh ali ve faktorjev) zanemarljiv, zato lahko uporabimo oceno uinkov interakcij vijega reda (njihove srednje vsote), za oceno sluajnega pogreka. Seveda pa ta predpostavka vedno ne dri in je ocena vpliva sluajnega pogreka na podlagi uinkov interakcij vijega reda napana. Zato jo je potrebno preveriti. e leta 1959 je Daniel predlagal uporabo diagrama normalne verjetnosti ocen uinkov. Postopek je tak, da poiemo ocene vseh uinkov tako osnovnih, kot tudi uinkov interakcije faktorjev najvijega reda in jih vnesemo v diagram normalne verjetnosti. Kadar so uinki nepomembni, bodo imeli tako kot sluajni pogreek normalno porazdelitev s srednjo vrednostjo 0 in varianco 2 in se bomo zato porazdelili vzdol ravne linije, medtem ko bodo pomembni uinki od te linije pomembno odstopali. Na ta nain zlahka preverimo, ali so uinki interakcij faktorjev pomembni ali ne in ali jih lahko uporabimo za oceno vpliva, ki ga ima na rezultate eksperimentiranja sluajni pogreek. Uporabo narta 2k brez ponavljanja je najlae razloiti na primeru. Obravnavajmo rezultate pridobljene na pilotni napravi za filtriranje snovi. Pri tem merimo pretok snovi skozi filtrirno napravo v odvisnosti od temperature (A), tlaka (B), koncentracije formaldehida (C) in vrtilne frekvence meala (D). Vsak od vplivnih faktorjev lahko zasede le dve vrednosti, t.i.

50

spodnji in zgornji nivo. Tako velja za temperaturo Asp = 50 0C in Azg = 80 0C, za tlak psp = 1 bar in pzg = 1,3 bar, za koncentracijo formaldehida Csp = 5 vol% in Czg = 10 vol% in za vrtilno frekvenco meala Dsp = 400 1/min in Czg = 600 1/min.
Preglednica 3.30: Nart eksperimenta 24 z rezultati za primer analize pilotne filtrirne naprave

eksp. toka (1) a b ab c ac bc abc d ad bd abd cd acd bcd abcd

faktor

A -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1

B -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1

C -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 +1 +1 +1 +1

D -1 -1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1 +1 +1 +1 +1

pretok l/h 45 71 48 65 68 60 80 65 43 100 45 104 75 86 70 96

Ker obravnavamo 4 vplivne faktorje, je bil uporabljen nart 24. Rezultati meritev na pilotni napravi so urejeni v skladu s sliko 3.11 in zbrani v preglednici 3.30. Najprej izraunamo kontraste, tako da mnoimo (skalarno) ustrezen stolpec koeficientov kontrasta (preglednica 3.31) s stolpcem rezultatov v eksperimentalnih tokah (preglednica 3.30 zadnji stolpec = pretok).
Preglednica 3.31: Koeficienti kontrastov narta 24
eksp. toka (1) a b ab c ac bc abc d ad bd abd cd acd bcd abcd uinki I +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 A -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 B -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 AB +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 C -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 +1 +1 +1 +1 AC +1 -1 +1 -1 -1 +1 -1 +1 +1 -1 +1 -1 -1 +1 -1 +1 BC +1 +1 -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 +1 +1 ABC -1 +1 +1 -1 +1 -1 -1 +1 -1 +1 +1 -1 +1 -1 -1 +1 D -1 -1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1 +1 +1 +1 +1 AD +1 -1 +1 -1 +1 -1 +1 -1 -1 +1 -1 +1 -1 +1 -1 +1 BD +1 +1 -1 -1 +1 +1 -1 -1 -1 -1 +1 +1 -1 -1 +1 +1 ABD -1 +1 +1 -1 -1 +1 +1 -1 -1 -1 -1 +1 +1 -1 -1 +1 CD +1 +1 +1 +1 -1 -1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1 ACD -1 +1 -1 +1 +1 -1 +1 -1 +1 -1 +1 -1 -1 +1 -1 +1 BCD -1 -1 +1 +1 +1 +1 -1 -1 +1 +1 -1 -1 -1 -1 +1 +1 ABCD +1 -1 -1 +1 -1 +1 +1 -1 -1 +1 +1 -1 +1 -1 -1 +1

51

Preglednica 3.32: Uinki, vsote kvadratov in prispevek k skupni variaciji

Vir variacije A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD

uinek 21,6 3,1 9,9 14,6 0,1 -18,1 16,6 2,4 -0,4 -1,1 1,9 4,1 -1,6 -2,6 1,4

Vsota kvadratov SS 1870,56 39,06 390,06 855,56 0,06 1314,06 1105,56 22,56 0,56 5,06 14,06 68,06 10,56 27,56 7,56

Prispevek k skupni variaciji (%) 32,64 0,68 6,81 14,93 0,01 22,9 19,29 0,39 0,01 0,09 0,24 1,18 0,18 0,48 0,13

S pomojo kontrastov nato po izrazih (3.78) in (3.79) izraunamo uinke in njim pripadajoe vsote kvadratov. Podani so v preglednici 3.32. Uinke smo nato vnesli v diagram normalne verjetnosti, pri emer smo uporabili enak postopek, ko smo ga e opisali v poglavju 3.2.5.1. Diagram je prikazan na sliki 3.13. Diagram normalne verjetnosti potrjuje naa predvidevanja, da so uinki vijih interakcij nepomembni, e ve, kot nepomemben se izkae tudi faktor B, t.j. tlak. K tej ugotovitvi navaja tudi zadnji stolpec v preglednici 3.32, ki podaja dele, ki ga k skupni variaciji prispeva posamezen uinek. Tako kot na diagramu normalne porazdelitve, tudi tukaj izstopajo uinki A, C, D in interakciji AC in AD.
2 1,5
AD A

1
C

0,5 0 -0,5 -1 -1,5 -2 -30,0 -20,0 -10,0 0,0 uinek 10,0 20,0 30,0
AC

Slika 3.13 Diagram normalne verjetnosti za uinke v 24 modelu

Zj

52

Ugotovili smo, da faktor B, torej tlak ne vpliva na pretok snovi skozi pilotno filtrirno napravo, zato lahko njegov vpliv zanemarimo, faktor B pa izpustimo iz eksperimentalnega narta. Tako zniamo tevilo vplivnih faktorjev iz 4 na 3 in namesto narta 24 uporabimo nart 23. Rezultate, ki smo jih pridobili za nart 24 pa razdelimo na dva niza. V prvem nizu so rezultati eksperimentalnih tok, pri katerih je faktor B na spodnjem nivoju, v drugem nizu pa tisti rezultati, pri katerih je faktor B na zgornjem nivoju. Ker faktor B ne vpliva na izid eksperimenta, lahko drugi niz uporabimo kot rezultate ponovitve meritev v prvem nizu. Tako imamo brez izvajanja dodatnih eksperimentov vse potrebne rezultate za nart 23 z dvakratnim ponavljanjem (n=2). Opisana transformacija je prikazana v preglednici
Preglednica 3.33: Pretvorba narta 24 brez ponavljanja v nart 23 s ponavljanjem

eksp. toka (1) a b ab c ac bc abc d ad bd abd cd acd bcd abcd

nart 24 brez ponavljanja faktor A B C D -1 -1 -1 -1 +1 -1 -1 -1 -1 +1 -1 -1 +1 +1 -1 -1 -1 -1 +1 -1 +1 -1 +1 -1 -1 +1 +1 -1 +1 +1 +1 -1 -1 -1 -1 +1 +1 -1 -1 +1 -1 +1 -1 +1 +1 +1 -1 +1 -1 -1 +1 +1 +1 -1 +1 +1 -1 +1 +1 +1 +1 +1 +1 +1

rezultat
(1) a b ab c ac bc abc d ad bd abd cd acd bcd abcd

eksp. toka (1)* a* c* ac* d* ad* cd* acd*

nart 23 s ponavljanjem faktor rezultat A C D R1 R2 -1 -1 -1 (1) b +1 -1 -1 a ab -1 +1 -1 c bc +1 +1 -1 ac abc -1 -1 +1 d bd +1 -1 +1 ad abd -1 +1 +1 cd bcd +1 +1 +1 acd abcd

V nadaljevanju bomo prikazali reitev eksperimentalnega narta 23, ki smo ga dobili s transformacijo. Ker elimo, da slui kot zgled, smo faktorje A, C, D preimenovali v A, B, C, kot je navada v nartu 23. Tako sedaj velja, da ustreza faktor A temperaturi, faktor B koncentraciji formaldehida in faktor C vrtilni frekvenci meala. Eksperimentalni nart z rezultati meritev je podan v preglednici 3.34. Ponovno najprej izraunamo kontraste. Skalarno mnoimo) ustrezen stolpec koeficientov kontrasta, ki ga za nart 23 podaja (preglednica 3.29) s stolpcem vsote nizov v eksperimentalnih tokah (preglednica 3.35). Tako je na primer kontrast faktorja AC enak
k AC = {+ 1,1,+1,1,1,+1,1,+1} {93, 136, 148, 125, 88, 204, 145, 182} = 133
T

Ostali kontrasti so zbrani v preglednici 3.35.

53

Preglednica 3.35: Eksperimentalni nart 23 za primer pilotne naprave za filtriranje

eksp. toka (1) a b ab c ac bc abc

A -1 +1 -1 +1 -1 +1 -1 +1

faktor B -1 -1 +1 +1 -1 -1 +1 +1

C -1 -1 -1 -1 +1 +1 +1 +1

pretok (l/h) meritev 1 meritev 2 45 48 71 65 68 80 60 65 43 45 100 104 75 70 86 96

vsota niza (l/h) 93 136 148 125 88 204 145 182

Ko poznamo kontraste, lahko po izrazu (3.71) izraunamo vsote kvadratov vseh vplivnih faktorjev SSA do SSABC; po enabi (3.72) skupno vsoto kvadratov SST in konno s pomojo izraza (3.73) e vsoto kvadratov sluajnega pogreka SSE ter opravimo analizo variance, katere rezultate prikazuje preglednica 3.35.
Preglednica 3.36: Analiza variance pri nartu 23 za primer pilotne naprave za filtriranje
vir variacije A B C AB AC BC ABC E T kontrast vsota kvadratov SSF 1870,56 390,06 855,56 1314,06 1105,56 5,06 10,56 179,52 5730,94 prostostna stopnja mF 1 1 1 1 1 1 1 23.(2-1)=8 23.2-1=15 povpreje kvadratov F0=MSF/MSE MSF=SSF/mF 1870,56 83,36 > 390,06 17,38 > 855,56 38,13 > 1314,06 58,56 > 1105,56 49,27 > 5,06 0,23 < 10,56 0,47 < 22,44 FTAB =0,05 5,32 5,32 5,32 5,32 5,32 5,32 5,32 Pvrednost <0,001 0,003 <0,001 <0,001 <0,001 0,647 0,512

173 79 117 -145 133 -9 -13

Analiza variance potrdi pomembnost vpliva temperature (A), koncentracije formaldehida (B) in vrtilne frekvence meala (C), ter interakcij AB in AC na pretok snovi skozi filter, ovre pa in to z veliko verjetnostjo (P>0,5), vzajemna vpliva BC in ABC. S tega stalia so rezultati povsem enaki rezultatom, ki jih je dal diagram verjetnosti uinkov upotevaje preimenovanje faktorjev C in D v B oz. C (slika 3.13). Zapiimo sedaj e regresijski polinom. Pri tem pa nepomembne uinke (BC in ABC) izpustimo in zapiimo okrajani polinom. Koeficiente polinoma izraunamo z enabo (3.77). Tako bo koeficient ob vzajemnem vplivu AC enak
= k13 = k AC = 133 = 8,31 13 23 n 23 n 8 2

Okrajani polinom pa bo imel obliko = 70,06 + 10,81 x 1 + 4,94 x 2 + 7,31 x 3 9,06 x 1 x 2 + 8,31 x 1 x 3 y

54

Preglednica 3.37: Rezultati regresijskega polinoma in ostanki

eksp. toka (1) a b ab c ac bc abc

faktor A x1 -1 +1 -1 +1 -1 +1 -1 +1 B x2 -1 -1 +1 +1 -1 -1 +1 +1 C x3 -1 -1 -1 -1 +1 +1 +1 +1

pretok (l/h) M1 45 71 68 60 43 100 75 86 M2 48 65 80 65 45 104 70 96

polinom ijk (l/h) y 46,25 69,375 74,25 61,125 44,25 100,625 72,25 92,375

ostanek (l/h) ijk M1 - y -1,25 1,625 -6,25 -1,125 -1,25 -0,625 2,75 -6,375 ijk M2 - y 1,75 -4,375 5,75 3,875 0,75 3,375 -2,25 3,625

Postopek testiranja adekvantnosti okrajanega polinoma smo razloili v poglavju 3.5.1.2. Najprej izraunamo ostanke, t.j. razlike med izmerjenimi pretoki in pretoki ki jih napove polinom. Prikazani so v preglednici 3.37. S temi ostanki doloimo vsoto kvadratov napake regresije SSER
ijk )2 =(45 46,22 )2 + (71 69,39 )2 + + (96 92,40 )2 = 195,125 SS ER = ( y ijkl y
2
i

2
j

n l

od katere odtejemo vsoto kvadratov sluajnega pogreka SSE in dobimo vsoto kvadratov nepopolnosti regresije SSNPR = 15,625 tevilo prostostnih stopenj za SSER je enako tevilu meritev N=23n zmanjanem za tevilo koeficientov regresijskega polinoma p, torej mER = 23 n - p = 23 2 - 6 = 10 tevilo prostostnih stopenj nepopolnosti regresije pa je razlika prostostnih stopenj pogreka regresije mER in slujnega pogreka mE mNPR= 10 -8 =2 Srednja kvadratna vrednost nepopolnosti regresije je zato
MS NPR = SS NPR 15,625 = = 7,812 2 m NPR

Testna statistika pa
F0 = MS NPR 7,812 = = 0,348 22,438 MS E

55

in je nija od ustrezne tabelarine vrednosti pri stopnji zaupanja 0,05

F0 < F0,05, 2, 8 = 4,46

To pomeni, da hipoteze o adekvatnosti okrajanega regresijskega polinoma ne moremo ovrei. Ne pomeni pa, da polinom zagotovo pravilno napove pretok. Upotevati je namre potrebno, da je eksperimentalni nart 2k linearen, zato kvadratnih in vije-rednih odvisnosti ne more napovedati. Vsekakor pa je dober pribliek, e posebej, kadar je obmoje raziskave ozko in je ukrivljenost odziva mogoe zanemariti, kot to prikazuje slika 3.14. y

majhna odstopanja ustrezen model oz. obmoje obravnave velika odstopanja neustrezen model oz. obmoje obravnave

xsp2 xsp1

xzg1

xzg2

Slika 3.14: Ustreznost in neustreznost linearnega modela

Poglejmo si uporabo regresijskega polinoma. Najprej ga dekodirajmo, tako da bomo lahko uporabljali dejanske spremenljivke A, B in C in ne le njihovih kodiranih spremenljivk. Polinom dekodiramo tako, da kodirane spremenljivke zapiemo z izrazi, ki smo jih zanje razvili (glej poglavje 3.5.1.2) in polinom uredimo. Tako bo v primeru postopka filtriranja za kodirano spremenljivko x1 veljalo 1 (50 + 80) = 65 0 C 2 ( ) 1 (80 30) = 15 0 C A = 1 2 Azg Asp = 2 in A A0 A 65 = x1 = A 15 A0 =
1 2
zg

(A

+ Asp ) =

Podobno bomo e dobili

x2 = B 7,5 2,5

in

x3 =

C 500 250

Polinom bo tako
= 70,06 + 10,81 y A 65 B 7,5 C 500 A 65 B 7,5 A 65 C 500 + 4,94 + 7,31 9,06 + 8,31 15 2,5 250 15 2,5 15 250

56

in po ureditvi

= 34 ,1250 0 , 2375 A + 17 ,6833 B 0 , 2871 C 0 , 2417 AB + 0 , 0055 AC y

pretok snovi (l/h)

110 100 90 80 70 60 50 40 30 5 6,5 8

78 64 9,5 50

temp. (0C)

konc. formaldehida (vol%)

Slika 3.15: Odzivna povrina za pretok skozi filter v odvisnosti od temperature in koncentracije formaldehida pri vrtilni frekvenci meala 600 1/min

Odvisnost lahko prikaemo tudi v diagramu. Pri tem je v danem primeru potrebno za enega od vplivnih faktorjev postaviti konstantno vrednost in opazovati odziv sistema v odvisnosti od drugih dveh faktorjev. Na sliki 3.15 je prikazana tako imenovana odzivna povrina za konstantno vrtilno frekvenco meala (n = 600 1/min). Odzivna povrina je ravnina, saj je uporabljen linearen model. To pa ne pomeni, da so daljice tudi vse konturne linije odzivne povrine, kar izhaja e iz oblike posameznih podroij na odzivni povrini, e posebej pa iz diagrama (slika 3.16) ki jih prikazuje. Diagram na sliki 3.16 jasno pokae, da temperatura mono vpliva na pretok skozi filter, medtem ko vpliva koncentracije formaldehida, predvsem v podroju vijih temperatur skoraj ni zaznati.
10 koncentracija formaldehida (vol%)

9 80 70 pretok 60 6 50 5 50 60
0

90

70

80

temperatura ( C)

Slika 3.16: Konturne linije odzivne povrine za pretok skozi filter pri vrtilni frekvenci meala enaki 600 1/min

57

3.5.5 Eksperimentalni nart 2k z dodano centralno toko Kot smo e dejali, izhaja nart 2k iz linearnega modela
y = 0 + j x j + ij x i x j +
j =1 i< j k

(3.82)

to pomeni iz predpostavke o linearnosti uinkov. Pri tem pa je zaradi uporabe uinkov interakcij nart precej robusten, saj uinki interakcij ijxixj zagotavljajo doloeno ukrivljenje odzivne povrine. Pa vendar so primeri, ko to ne zadoa in logina posledica je vpeljava modela
y = 0 + j x j + ij x i x j + + jj x 2 jj +
j =1 i< j j =1 k k

(3.83)

Pri tem predstavljajo koeficienti ii uinke drugega reda oz. kvadratne uinke. Enabo (3.83) pa imenujemo model odzivne povrine drugega reda. Kadar uporabimo eksperimentalni nart z dvema nivojema vplivnih faktorjev priakujemo, da ustreza model prvega reda (enaba (3.82)), zavedati pa se moramo, da je lahko model drugega reda (enaba (3.83)) veliko primerneji. Obstaja metoda, ki nam omogoa preveriti primernost modela prvega reda, kar storimo tako, da v eksperimentalni nart 2k dodamo centralno toko, v kateri pri vrednostih kodiranih spremenljivk (x1 = x2 = = xj = 0) izvedemo nc meritev. Razlog, da smo dodali prav centralno toko je ta, da le-ta ne vpliva na postopek ocenjevanja uinkov, ki zato ostaja enak kot v nartu 2k. Seveda je pogoj za dodajanje centralne toke, da so vsi vplivni faktorji kvantitativni.
y

-1 0 +1
x1

-1 0 +1
x2

Slika 3.17: Nart 22 s centralno toko

Postopek bomo razloili za primer narta 22. Naj velja, da v vsaki eksperimentalni toki tega narta izvedemo le po eno meritev in da v dodani centralni toki izvedemo nc

58

ponovljenih poskusov. Razporeditev eksperimentalnih tok in odzive v njih za opisan primer prikazuje slika 3.17. Naj velja, da je y F srednja vrednost odziva v eksperimentalnih tokah narta 22, in da je y C srednja vrednost odziva v centralni toki. e je razlika y F y C majhna, takrat ravnina, ki jo napeljemo skozi odzive eksperimentalnih tok narta 22, lei v neposredni bliini povprenega odziva v centralni toki in popis ukrivljenosti s leni drugega reda (kvadratnimi leni) ni potreben. Kadar pa to ne dri in je razlika y F y C velika, pa obstaja t.i. kvadratna ukrivljenost odzivne povrine. Vsoto kvadratov, ki ustreza variabilnosti, ki jo v model vnaajo isti kvadratni leni, lahko zapiemo
SS KV n n ( y F yC ) = F C n F + nC
2

(3.84)

pri tem je nF tevilo eksperimentalnih tok narta 2k. Vsota kvadratov SSKV ima prostostno stopnjo 1. Primerjamo jo z vsoto kvadratov pogreka z uporabo F-testa. Pri tem pravzaprav testiramo hipotezi
H0 : H1 :

jj = 0
j =1 k

jj 0
j =1

Dodajanje centralne toke z nC ponovljenimi eksperimenti, pa omogoa tudi oceno vpliva sluajnega pogreka s prostostno stopnjo nC 1, tako da ponavljanje v eksperimentalnih tokah narta 2k ni potrebno. Poglejmo si preprost primer. Opazujemo izplen fermentacijskega procesa v tlani posodi. Merimo koncentracijo uinkovine, ki jo pridelamo v odvisnosti od dveh faktorjev, temperature in trajanja procesa. Rezultati poskusa po eksperimentalnem nartu 22 s centralno toko so zbrani v preglednici 3.38. Potrebno je ugotoviti ali temperatura in as pomembno vplivata na izplen in ali je linearni model ustrezen.
Preglednica 3.38: Rezultati merjenja izplena uinkovine po nartu 22 s centralno toko

eksp. toka (1) a b ab CT CT CT CT CT

temperatura (K) 20 40 20 40 30 30 30 30 30

as (h) 8 8 12 12 10 10 10 10 10

x1

x2

-1 +1 -1 +1 0 0 0 0 0

-1 -1 +1 +1 0 0 0 0 0 y. =

izplen y (g/l) 39,3 40,0 40,9 41,5 40,3 40,5 40,7 40,2 40,6 364,0

y F = 40,425

y C = 40,460

Nalogo bomo reili s postopkom analize variance. Najprej izraunamo vse tri kontraste

59

k A = 39,3 + 40 40,9 + 41,5 = 1,3 k B = 39,3 40 + 40,9 41,5 = 3,1 k AB = +39,3 40 40,9 + 41,5 = 0,1 in nato e vsote kvadratov uinkov po enabi (3.79). Zbrane so v preglednici 3.39. Vsoto kvadratov pogreka izraunamo na podlagi meritev v centralni toki
SSE = ( yCi yC ) = (40 ,3 40 ,46) + (40 ,5 40 ,46) + (40 ,7 40 ,46) + (40 ,2 40 ,46) + (40 ,7 40 ,46) = 0,172
2 2 2 2 2 2 i=1 nC

Doloimo e vsoto kvadratov istih kvadratnih lenov 2 2 n n ( y F yC ) 4 5 (40,425 40,46) = = 0,0027 SS KV = F C 4+5 n F + nC in skupno vsoto kvadratov n F + nC y.2 364 2 2 2 2 2 = 39,3 + 40,0 + + 40,6 = 3,0022 SS T = y l 4+5 n F + nC l =1 Sedaj lahko izvedemo analizo variance. Prikazana je v preglednici 3.39. Ugotovimo, da oba faktorja temperatura in as reakcije pomembno vplivata na izplen uinkovine, da pa hipoteze H0: 11 + 22 = 0 ne moremo ovrei, torej ni znakov o kvadratni ukrivljenosti odzivne povrine. e enkrat poudarimo, da smo lahko testirali pomembnost uinkov povsem enako kot v klasinem 2k nartu, in da je s centralno toko v model dodana variabilnost zaradi istih kvadratnih vplivov, saj velja

SS T = SS A + SS B + SS AB + SS KV + SS E kar ugotovimo tudi na podlagi podatkov iz preglednice 3.39.

Preglednica 3.39: Analiza variance za test izplena uinkovine po nartu 22 s centralno toko

vir variacije A B AB KV E T

SS 0,4225 2,4025 0,0025 0,0027 0,1720 3,0022

m 1 1 1 1 4 8

ME 0,4225 2,4025 0,0025 0,0027 0,0430

F0 9,830 55,870 0,058 0,063

FTAB =0,05 7,71 7,71 7,71 7,71

P-vrednost 0,0350 0,0017 0,8213 0,8137

V gornjem primeru smo sicer ugotovili, da isti kvadratni leni niso pomembni, v splonem pa je lahko ugotovitev tudi nasprotna. Takrat je potrebno linearni model (enaba (3.82)) zamenjati in uporabiti model drugega reda (enaba (3.83). Vendar pa vseh parametrov modela drugega reda () ne moremo oceniti zgolj na podlagi narta 2k s centralno toko, ker je tevilo eksperimentalnih tok (neodvisnih enab) premalo. V primeru nartu 22 s centralno toko imamo tako le 5 eksperimentalnih tok, za popis vseh parametrov modela drugega reda (0, 1, 2, 12, 11 in 22), pa bi jih potrebovali vsaj 6. Preprosta reitev je, da dodamo nartu e dodatne zunanje eksperimentalne toke. Primer dodajanja zunanjih tok v nartih 22 in 23 prikazuje slika 3.18. Narte, ki smo jih izpeljali iz narta 2k s centralno toko, tako da smo jim

60

dodali 2k zunanjih to imenujemo centralno kompozitne narte in jih oznaujemo 2k+2k+nC. Ti narti so zelo primerni za kadar je potrebno popisati odzivno ravnino drugega reda. Podrobneja predstavitev in razlaga teh nartov presega namen tega dela, zato zainteresiranemu bralcu svetujemo, da ustrezne vsebine poie v delih, ki jih navajamo v literaturi na koncu teksta.
x3

x2

x1

x1

x2

Slika 3.18: Centralno kompozitna narta za dva in tri faktorje

61

LITERATURA
Doebelin, E. O., Engineering experimentation, McGraw-Hill, 1995 Montgomery, D. C., Design and analysis of experiments, 5th edition John Wiley & Sons, 2001 Hines, W.W., Montgomery, D.C. Probability and statistics in Engineering and Management Science, 3rd edition, John Wiley & Sons, 1990 Sluban, B., Uporaba statistinih metod v tekstilstvu, UM FS, 2004 Myers, R.H., Montgomery, D.C., Response surface methodology, 2nd edition, John Wiley & Sons, 2002 Stani, J., Metod inenjerskog merenja, Mainski fakultet, Beograd, 1981 Panteli, i., Uvod u teoriju inenjerskog eksperimenta, Fakulteta tehnikih nauka Novi Sad, 1976 Anders, G.J., Koncepti verjetnosti v elektroenergetskih sistemih, UM FERI, 2008

62