1

1.0 UVODNA RAZMATRANJA

1.1 EKSPERIMENT KAO OBJEKAT NAUNOG ISTRAIVANJA

Matematika teorija eksperimenta predstavlja jednu od novijih naunih disciplina iji je
objekat naunog istraivanjaeksperiment. Re eksperiment potie od latinske rei
eksperimentum koja znai opit ili ogled.

U prouavanjima zakonitosti pojava i procesa u prirodi i tehnikim sistemima eksperiment
se ve vie vekova koristi kao jedan od osnovnih, poznatih metoda. Jo je Galilej smatrao da i
teorijsko postavljanje zakonitosti u fizici poiva na eksperimentu koji nije materijalno izveden,
ve se sprovodi u mislima sa ciljem da se prui odgovor na pitanje i razotkrije priroda. Prvi
moderni filozof nauke Fransis Bekon (1561-1626) je u svome delu Unapreenje nauke ukazao
da injenice mogu da se prikupljaju prema nekom unapred utvrenom planu i da onda prolaze
kroz jedan logian proces, iz kojeg bi trebalo da proizae ispravan zakljuak. Mnogi naunici su
u prolosti izvodili sami svoje eksperimente (Njutn, Devi, Maksvel, Tesla i drugi.).

U raznim naunim oblastima eksperimenti mogu imati razne uloge i znaaj. U
fundamentalnim naukama, recimo u fizici, eksperiment moe predstavljati kontrolu teorijski
postavljene hipoteze potvrujui je ili odbacujui. Kelvin je recimo teoriju poredio sa mlinom, a
eksperiment sa zrncima ita. Za dobru pogau je potrebno obadvoje, ali e osobine pogae
zavisiti od zrna. Jo vei znaaj eksperiment ima u primenjenim naukama, jer ako neka postavka
nauke treba da bude primenjena na stvarnost, neophodan je eksperimentalni dokaz, a esto i neka
dodatna informacija koja se moe dobiti jedino eksperimentom. U primenjenim naukama
eksperiment je ponekad jedini izvor saznanja, poto se njime esto dolazi do nedovoljno poznatih
ili suvie sloenih pojava. To je jedan od razloga to se eksperimentu pridaje znaajno mesto u
nauci. Neke procene ukazuju da se ak 8090 % istraivaa u oblasti tehnolokih sistema bavi
eksperimentalnim istraivanjima.

Do dvadesetih godina ovog veka metodologija procesa eksperimentalnog istraivanja
oslanjala se preteno na intuiciju, iskustvo i vlastito znanje istraivaa. Pojava sloenih objekata
istraivanja, brzi razvoj eksperimentalne tehnike, ekonomski i tehniki zahtevi za smanjenje broja
i trajanja nekada veoma skupih eksperimenata i potreba za pouzdanijim rezultatima ispitivanja,
uslovili su nastanak matematike teorije eksperimenta. Novije etape razvoja matematike teorije
eksperimenta poinju 1951. godine i odnose se na podruje planiranja eksperimenata, jedne od
najznaajnijih celina ove teorije. Te godine je Box prvi primenio statistiki viefaktorni metod
planiranja eksperimenta pri prouavanju optimizacije procesa hemijske tehnologije, a znaajan
doprinos su dali i Wilson i Nalimov. U oblasti proizvodnog mainstva metoda planiranja
eksperimenta prvi put se primenila 1964. godine prilikom ispitivanja postojanosti alata.






2

1.2. KLASINI I SAVREMENI PLANOVI EKSPERIMENTA
ZASNOVANI NA STATISTIKOJ MATEMATICI

Neka pojava, proces ili stanje tehnikog sistema mogu se prouiti primenom analitikog ili
eksperimentalnog metoda, tj. korienjem odreenih procedura razvijenih u okviru ovih dveju
metoda saznanja. Najee se, meutim, u spoznaji objekata istraivanja koriste procedure i jedne
i druge metode i to tako to se primena ovih procedura odvija uzastopno, jedna za drugom sve
dotle dok se ne postigne cilj istraivanja.

Polaznu osnovu eksperimentalne metode-metode eksperimentalnih istraivanja,
predstavlja metod planiranja eksperimenta, odnosno izbor tipa i njegove strukture.

Istorijski gledano u okviru metode eksperimentalnih istraivanja postoje dva bitna,
meusobno razliita koncepta planiranja eksperimenta. To su klasina i savremena teorija
planiranja i izvoenja eksperimenata i analize eksperimentalnih rezultata.

Klasina teorija eksperimentalnih ispitivanja se temelji na eksperimentalnim planovima
jednofaktorne analize. Koncept ove teorije pri ispitivanju neke pojave svodi se na merenje samo
jednog faktora, dok se vrednosti ostalih faktora zadravaju na odreenim konstantnom nivou.
Ova eksperimentalna procedura se ponavlja na svim obuhvaenim faktorima. Bitna mana
ovakvog naina izvoenja eksperimenata je veliki broj skupih i dugotrajnih eksperimenata i
nemo da se utvrdi stepen interakcije datih faktora. Ako se eksperimenti ne ponavljaju, za -k
obuhvaenih faktora i -n nivoa variranja svakog faktora, ukupan broj eksperimenata e biti:

( ) 1 1 n k N + = (1.1)

U osnovi savremene teorije eksperimentalnih ispitivanja sadrani su planovi statistike
viefaktorske analize. Pomou ovih viefaktornih planova moe se izvriti:

matematiko modeliranje pojava, procesa i sistema u prostoru i vremenu,
prouavanje prirode unutranjih mehanizama pojava i procesa i
optimiranje i optimalno upravljanje procesima u tehnikim sistemima.

Viefaktorne eksperimentalne planove, u odnosu na planove jednofaktorne analize,
karakteriu dva osnovna obeleja:

minimalni broj eksperimantalnih taaka rasporeenih u eksperimentalnom hiperprostoru, to
ima za posledicu viestruko nie trokove i krae vreme trajanja eksperimentalnih
ispitivanja procesa i sistema i
maksimum informacija o efektima matematikog modela procesa.

Savremeni metod eksperimentalnih ispitivanja oslanja se na kibernetiki princip crne
kutije. Sistem crne kutije predstavlja jednostavan model realnog sloenog difuznog sistema,
iji su unutranja struktura, mehanizam interakcije i zakonitost tog procesa nepoznati ili
delimino poznati. (slika1.1).





3
Jedino su poznati ulazi:

x
r
- vektor kontrolisanih ili upravljakih faktora i
z
r
- vektor nekontrolisanih faktora koji obuhvata i poremeajne faktore.

i izlazi:

y
r
- vektor karakteristika procesa.












Slika 1.1: Kibernetiki princip modeliranja objekta istraivanja


Upravo optimalni viefaktorni optimalni planovi omoguavaju da se istrai crna kutija,
odnosno, da se identifikuju pojave i mehanizmi procesa, postavi matematiki model procesa
iznalaenjem matematike zavisnosti izmeu ulaza ( x
r
, z
r
) i izlaza ( y
r
) procesa i optimizira tok
procesa na osnovu odgovarajuih funkcija cilja. Pri tome su razvijeni pouzdani kriterijumi i
matematiko-statistiki algoritmi za ocenu adekvatnosti modelskog opisivanja preko konkretne
funkcije ili funkcije stanja ) b , z , x f( y
mi
r
r r
= realnog objekta ispitivanja predstavljenog crnom
kutijom.














Slika 1.2: Koncepcija savremenog metoda eksperimentalnih ispitivanja.

Opta metodoloka koncepcija savramene metode eksperimentalnih ispitivanja prikazana
je na slici 1.2. Metodologija se sastoji od lanca sukcesivnih ciklusa grupisanih oko cilja
OBJEKAT
ISTRAIVANJA
y
r
x
r
z
r
OBJEKAT
ISTRAIVANJA
MODEL
( ) b , y , x f y
i Mi
r
r r
=
M
y
r
y
r
x
r
z
r
z
r
OPERATIVNI
PROGRAM
EKSPERIMENTA
PLAN
EKSPERIMENTA
(ORTOGONALNI PLAN)
ANALIZA REZULTATA,
KOREKCIJA MODELA I
PLANA EKSPERIMENTA

MODELI

CILJ
ISTRAIVANJA


4
istraivanja. Svaki ciklus se sastoji od etiri uzastopne etape iji su osnovni sadraji model, plan
eksperimenta, program eksperimenta i matematika analiza eksperimenta. U odnosu na cilj
ispitivanja i postavljeni polazni model, u poetku ciklusa se planira i izvodi odreeni broj
eksperimenata. Na osnovu analize rezultata ispitivanja, utvruje se novi plan i program
eksperimenta narednog ciklusa. Proces se nastavlja sve do postizanja eljenog cilja, dok se ne
proui konkretna pojava, proces ili sistem.

Osnovna obeleja svakog ciklusa su:

poinju sa odreenim modelom,
svi kontrolisani faktori se variraju istovremeno,
u prethodnom ciklusu se dobijaju dovoljno precizne informacije za planiranje i realizaciju
sledeeg ciklusa,
eksperimentalni rezultati i ostala informativna graa prethodnog ciklusa koriste se u
narednom ciklusu.


1.3 PODELA EKSPERIMENTALNIH PLANOVA

Opta podela planova polazi od kriterijuma njihovog istorijskog nastanka, pa se prema
ovom kriterijumu eksperimentalni planovi mogu podeliti u dve grupe. Prvu grupu ine klasini
eksperimentalni planovi ili planovi jednofaktorne analize. Druga grupa obuhvata moderne,
viefaktorne planove, koji se mogu podeliti na osnovu nekoliko kriterijuma, kao to su broj
faktora u planu, red plana, cilj plana itd. Tako se moderni eksperimentalni planovi dele:

1. prema broju faktora na :
jednofaktorne planove,
dvofaktorne planove,
trofaktorne planove i
viefaktorne planove.

2. prema redu plana (stepenu modela) na :
planove prvog reda,
planove drugog reda i
planove vieg reda.

3. prema cilju koji se postie eksperimentalnim ispitivanjem na:
planove za selekciju i rangiranje skupa ulaznih faktora (planovi za analizu
signifikantnosti ili sekcioni planovi),
planove za otkrivanje i prouavanje zakonitosti datih pojava i procesa,
planovi za optimizaciju i optimalno (adaptivno) upravljanje datim pojavama,
procesima ili sistemima (optimizacioni planovi).

Sem ovih, koriste se i drugi kriterijumi podele:

4. prema vrsti statistike metode ispitivanja:
disperzioni planovi i
regresioni planovi.



5
5. prema karakteru ponavljanja eksperimenata:
planovi bez ponavljanja,
planovi sa ponavljanjem u jednoj ili vie taaka u planu,
na planu ili izvan plana sa istim ili razliitim brojem ponavljanja u pojedinim
eksperimentalnim takama.

6. prema potpunosti i parcijalnosti plana.

7. prema tipu i kriterijumu optimalnosti plana:
D - optimalni planovi,
A - optimalni planovi,
G - optimalni planovi.

8. prema centrinosti plana:
centralni planovi,
centralni kompozicioni planovi.



1.4 OSNOVNE METODE U TEORIJI EKSPERIMENTA

Kao to je ve reeno moderna teorija eksperimentalnih ispitivanja obuhvata planiranje
eksperimenta sa projektovanjem i analizom eksperimentalnih planova, operativnu realizaciju
projektovanih eksperimenata i matematiku obradu rezultata eksperimenata. Pri ovome se koriste
dve osnovne statistike metodologije, poznate pod imenom disperziona i regresiona analiza.

Osnovni zadatak disperzione analize je odreivanje signifikantnosti (znaajnosti) i stepena
interaktivnosti datog skupa faktora ( )
k 2 1
x ,..., x , x na karakteristike stanja objekta ispitivanja
( )
k 2 1
y ,..., y , y . Disperzionom analizom se dati skup faktora prvo deli na dve grupe, jednu koja
bitno utie na izlazne karakteristike i drugu iji uticaj nije bitan na njih. Zatim se prva grupa
faktora rangira po vrednosti stepena uticaja na izlazne karakteristike. Ovaj postupak selekcije i
rangiranja je od izuzetnog znaaja u teoriji eksperimenata. Poznato je, naime, da se pri
prouavanju objekta ispitivanja u proces ispitivanja moraju ukljuiti svi faktori ija je
signifikantnost uticaja na izlazne karakteristike procesa nesumnjiva ili se smatra da bi to mogla
biti. Izostavljanjem samo jednog znaajnog faktora znatno se poveava veliina greke
eksperimenta to moe da ima za posledicu greke u interpretaciji stanja i ponaanja objekta
ispitivanja. Sa druge strane, istraiva je esto suoen pri prouavanju sloenih pojava pored
velikog broja faktora i sa problemom nepoznavanja stepena uticaja obuhvaenih faktora na
objekat ispitivanja. Naravno da svi obuhvaeni faktori nisu znaajni, ali poto ne postoje
prethodne informacije o njihovoj nesignifikantnosti ne sme se ni jedan faktor iskljuiti iz procesa
ispitivanja. Meutim, uvoenje svih faktora (meu njima i nesignifikantnih) u proces
eksperimentalnog ispitivanja ima za posledicu vrlo dugotrajna i skupa istraivanja. Stoga
rangiranje skupa ulaznih faktora prema njihovom uticaju na izlazne karakteristike objekta
ispitivanja, to je krajnji cilj disperzione analize, ima izuzetan znaaj u teoriji eksperimentalnih
istraivanja.



6
Regresiona analiza se bavi postavljanjem stohastikog modela objekta istraivanja kojim
se na dovoljno pouzdan nain objanjava stanje i ponaanje datog objekta unutar obuhvaenog
eksperimentalnog prostora. Osnovni ciljevi regresione analize u teoriji eksperimenata su:
identifikacija adekvatnog matematikog modela kojim se opisuje dati objekat ispitivanja,
prouavanje mehanizma nastanka pojava i dejstva u objektu ispitivanja,
analiza karaktera i stepena uticaja pojedinih faktora iz ulaznog skupa na matematiki model
objekta,
definisanje optimalnih vrednosti faktora ulaznog skupa u cilju dobijanja najpovoljnijih
vrednosti izlaznih karakteristika.









































7



2.0. PLANIRANJE EKSPERIMENTA


2.1. IZBOR FAKTORA, NIVOA I PARAMETARA OPTIMIZACIJE


Izbor faktora koji ulaze u eksperiment vri se na osnovu prethodnog znanja kojim
raspolae istraiva o ispitivanoj oblasti, na osnovu literaturnih informacija i iskustva kojim
raspolae osoblje koje e vriti eksperiment. Tako se najpre nabroje svi uticajni faktori za koje se
pretpostavlja da imaju najvei uticaj na posmatranu pojavu ili sistem, koje se nazivaju nezavisno
promenljive ( )
k 2 1
x ,..., x , x . Zatim se sagledavaju sve zavisnosti, odnosno funkcije koje se iz
takvih ispitivanja mogu dobiti- ( )
k 2 1
y ,..., y , y , pri emu se moraju definisati i spoljnji uslovi koje
je neophodno drati na konstantnom nivou i koje smatramo ogranienjima u posmatranom
procesu. Na slici 2.1. ilustrovani su sluajevi ispitivanja obrade buenjem i livenjem.


POMAK
BRZINA REZANJA
PRENIK BURGIJE
MATERIJAL OBRATKA
MAINA
SREDSTVO ZA HLAENJE
SILA REZANJA (Fz)
MOMENT (M)
HABANJE BURGIJE
DIFUZNI
SISTEM
OBRADE
BUENJEM
X
1
X
2
X
3
X
4
X
5
X
K
Y
1
Y
2
Y
3




OSOBINE LIVA
(HEMIJSKI SASTAV,
TEMPERATURA LIVENJA,
BRZINA ULIVANJA)
OSOBINE KALUPA
(MATERIJAL KALUPA,
FIZIKE OSOBINE KALUPA,
VRSTA I DEBLJINA PREMAZA)
STRUKTURA
ODLIVKA
MEHANIKE OSOBINE
ODLIVAKA
EKSPLOATACIONE
OSOBINE ODLIVAKA
DIFUZNI
SISTEM
OBRADE
LIVENJEM
Y
1
Y
2
Y
3
X
1
X
2



Slika 2.1: Primer izbora uticajnih faktora pri ispitivanjima i funkcija koje iz takvih ispitivanja
mogu proizai



8
Recimo pri ispitivanju veliine momenta kod obrade buenjem za jednu odreenu vrstu
materijala, odabraemo faktore za koje smatramo (iz literature i na osnovu linog iskustva) da
imaju najvei uticaj. To su faktori:

1
x - pomak (s), i

2
x prenik burgije (D).

Izlazna funkcija je:
Y moment buenja (M)

Ostale uticaje, kao to je materijal, maina, sredstvo za hlaenje, radioniki uslovi
smatramo spoljanjim faktorima. Matematiki model, na osnovu ranijih saznanja dat je izrazom:

y1 x1
M
D s C M = (2.1)

gde su
1 1 M
y , x , C koeficijenti zavisni od vrste materijala koji se dobijaju eksperimentalnim putem.

Spoljni faktori se mogu :
eliminisati,
drati na konstantnom nivou,
menjati po zakonu sluajnosti.

Spoljni faktori se u nekim sluajevima mogu eliminisati, a u nekim ne mogu, ili se ak
zahteva njihovo prisustvo.

Prost fiziki zakon brzine slobodnog pada koji glasi: t g v = , pokazuje da brzina padanja
zavisi samo od trajanja pada poto je g konstantno ubrzanje zemljine tee. Galilej je, meutim
imao muke dok nije dokazao ovu zakonitost, obzirom da su se njegovi oponenti oslanjali na
laiko iskustvo koje je pokazivalo da neka tela padaju bre, a neka sporije. Stoga su Galilejevi
protivnici tvrdili da brzina slobodnog pada zavisi i od mase tela. Da bi dokazao da je on u pravu,
Galilej je pristipio eksperimentalnom dokazu. Sa poznatog tornja u Pizi pustio je da padnu dve
lopte jednake veliine ali napravljene od materijala razliite teine. Lopte su pale istovremeno na
zemlju. U ovom prostom eksperimentu nezavisno promenljiva je bila vreme. Nezavisna
promenljiva se u teoriji eksperimenta naziva faktor, a zavisno promenljiva rezultat
eksperimenta. U Galilejevom eksperimentu zavisno promenljiva je bila brzina. Galilej je znao da
brzina slobodnog pada zavisi i od otpora vazduha ili bilo koje druge spoljne sredine u kojoj se
slobodni pad obavlja. Takvi faktori koji utiu na rezultate, a ne uzimaju se u razmatranje, obino
su posledica spoljne sredine, i u teoriji eksperimenta se nazivaju spoljnim faktorima. Kada se
proveravaju opti zakoni fizike dejstvo ovih faktora se mora eliminisati ili drati na konstantnom
nivou. Galilej je izgradivi lopte od materijala razliite teine, ali sa istim otporom vazduha,
zadrao spoljne faktore na konstantnom nivou. Danas se taj dokaz izvodi putanjem tela razliitih
masa i oblika da slobodno padaju u vakumskoj cevi. Ovakve pojave bez uticaja spoljnjeg faktora
nazivaju se determinisane pojave. Drugo obeleje determinisanih pojava je njihov prost
mehanizam koji se uvek moe opisati zakonom. Re zakon ukazuje na opte vaenje
matematikog zakona za sve odgovarajue pojave. U eksperimentima koji istrauju determinisane
pojave faktori i rezultati su tane veliine bez ikakvog rasipanja. Ako postoji rasipanje rezultata
ono se moe pripisati netanosti merenja faktora ili rezultata.



9
U izvesnim sluajevima, reavanje problema zahteva sprovoenje eksperimenata uz efekte
spoljnjih faktora, jer nas interesuju rezultati u realnim uslovima, a ne u idealizovanim. To je
najee sluaj u ininjerskim, primenjenim istraivanjima. Necelishodnost eleminisanja dejstva
spoljnih faktora u ininjerskim eksperimentima moe se prikazati na primeru habanja. Poznata je
injenica da je habanje znatno manje ako se dodir tela ostvaruje u vakumu. Eliminisanje vazduha
u laboratoriskim uslovima je lako ostvarljivo. Za primenu rezultata takvog ispitivanja nema
uslova u stvarnim konstrukcijama jer se takvo stanje u njima ne moe ostvariti. Ispitivanje
habanja u vakumu moe biti predmet fundamentalne nauke koja ne oekuje neposrednu
primenljivost rezultata. Naprotiv, izriit je zahtev da se ispitivanje izvede u realnim uslovima
kakvi se oekuju u stvarnom pogonu, pa se oni ponekad i simuliraju u laboratoriji. Pojave koje se
istrauju eksperimentalno uz uticaj spoljnih faktora nazivaju se randomiziranim pojavama.
Uticaj spoljnih faktora je takav da izaziva rasipanje rezultata, odnosno poveava greku
eksperimenta. Ovo ne odgovara eksperimentatorima, pa je traen nain da se razdvoje uticaji
spoljnih i osnovnih faktora. Ovo se postie, uz proizvoljno izabranu verovatnou, predhodnim
planiranjem eksperimenta. Dejstvo spoljnih faktora se moe potpuno sagledati ako se uini da
njihov uticaj bude sluajan i sa normalnom raspodelom, o emu e kasnije biti rei.

Treba napomenuti da pri iznoenju rezultata eksperimenata treba uvek navesti spoljne
uslove pri kojima je isti izvren, odnosno, koji nisu obuhvaeni matematikim modelom, kako bi
se eksperimentalni rezultati vreni u raznim vremenskim periodima ili regijama mogli
uporeivati.

Razliiti istraivai ne moraju uvek uzeti u obzir iste faktore koje e razmatrati i koji e
figurirati u matematikom modelu. Koji e faktori biti uzeti u razmatranje najvie zavisi od
iskustva istraivaa i od nivoa znanja u toj oblasti do momenta kada se eksperiment izvodi. Broj
faktora pak zavisi od toga koliko sveobuhvatno elimo da matematiki opiemo proces.

Viefaktorni planovi eksperimenta, kojima emo se dalje najvie baviti, omoguuju
uzimanje u obzir velikog broja faktora pri istraivanju, za koje nema predhodnog iskustva. Posle
izvoenja deliminih eksperimenata mogue je eliminisati iz daljeg razmatranja one faktore koji
uz sebe nemaju znaajne (signifikantne) koeficijente.


2.2 IZBOR MATEMATIKOG MODELA

Prilikom planiranja eksperimenta postoje dva sluaja:
matematiki model ispitivanja pojave ili sistema je poznat na osnovu ranijih saznanja o
ogranienom eksperimentalnom podruju kojim se bavimo (tzv. odzivna povrina ili
povrina reagovanja).
matematiki model je nepoznat.

Stvarni analitiki oblik odzivne funkcije je u stvari nepoznat, a matematiki oblik je samo
vie ili manje tana njena aproksimacija. U optem sluaju funkcija odziva (funkcija reagovanja)
moe se predstaviti u obliku:

( )
k 2 1 k 2 1
,... , , ,...x x , x y = (2.2)
gde su:
k 2 1
,...x x , x - faktori ( ) k 0,1,..., i = ,
k 2 1
,... , - teorijski koeficijenti regresije.


10
Povrina reagovanja ili odzivna povrina je geometriski reprezent funkcije cilja i moe se
predstaviti konturnim dijagramom (sluaj dvofaktornog procesa) koji ini skup konturnih ili
nivojskih linija y=const.

1max
x
1min
x
max 2
x
min 2
x
1
y
2
y
3
y
4
y
0
M
1
M
1
x
2
x
O
3
x
2
x
1
x
1
y
2
y
3
y
4
y
1
M
0
M


Slika 2.2: Konturni dijagram povrine reagovanja sa optimalnim podrujem


Ako je mehanizam procesa nepoznat, odzivna funkcija se obino predstavlja u obliku
polinoma:
... x x x x y
k
1 i
2
i ii j
k
j i
i ij
k
0 i
i i
+ + + =

= < =
(2.3)
gde su:
k 1 0
,... , - teorijski koeficijenti regresije istog dejstva,
ij
- teorijski koeficijenti regresije uzajamnog dejstva koji se mogu samo proceniti na
osnovu izraunatih koeficijenata b
0
, b
i
, b
ij
koji se dobijaju na osnovu rezultata
eksperimenta.

Tada se linearni efekti b
i
mogu proceniti:
i i
b
ij ij
b (2.4)

+ + + ... b
iii ii 0 0


Na taj nain stvarna jednaina regresije, dobijena na osnovu eksperimentalnih podataka,
postaje:

= < =
+ + =
k
1 i
2
i ii j
k
j i
i ij
k
0 i
i i
x b x x b x b y (2.5)
gde su:
b
i
- koeficijenti regresije istog dejstva,
b
ij
- koeficijenti regresije uzajamnog dejstva, dvofaktorno meudejstvo (interakcija),
b
ii
kvadratni efekat,
y - ocena matematikog oekivanja y.


11
Odreivanjem koeficijenata regresije jednaine (2.5) dobie se predstava o uticaju
razmatranih faktora na proces, o njihovom uzajamnom dejstvu i o pravcu kretanja ka optimalnoj
oblasti. Pri ovom razmatranju predpostavlja se da je funkcija reagovanja neprekidna, da ima jedan
maksimum i da nema vie od jednog ekstrema. Pri ovim uslovima je mogue traiti optimum
koristei se metodom korak po korak (step by step).

Prvi korak bi bio postavljanje kratkotrajnog eksperimenta, pa ako se pomou modela
polinoma prvog reda naemo blizu oblasti optimuma, moemo smatrati da smo doli do reenja.
Ukoliko to nije sluaj, u sledeim koracima je potrebno prei na polinome vieg reda, kako bi se
dosegnuo optimum.

Na osnovu matematikog modela, za sluaj da je broj faktora 3 k prouavana funkcija
reagovanja se moe predstaviti grafiki (slika 2.3):
za k=2 kvadratom ili jednakostraninim trouglom,
za k=3 latinskim kubom.

U sluaju da je k>3 take opita se nalaze u takama k hiperkuba.

k=2
k=3
1
x
1
x
1
x
2
x
2
x
2
x
3
x
O
O
O


Slika 2.3: Geometrijska interpretacija funkcije reagovanja


Za k=2 najprostiji model je oblika:

2 2 1 1 0 0
x b x b x b y + + = (2.6)

Funkcija koja uzima u obzir meudejstvo faktora ima oblik:

2 1 12 2 2 1 1 0 0
x x b x b x b x b y + + + = (2.7)

Izlazna funkcija predstavljena polinomom drugog reda glasi:

2
2 22
2
1 11 2 1 12 2 2 1 1 0 0
x b x b x x b x b x b x b y + + + + + = (2.8)

a polinom treeg reda ima oblik:

3
2 222
3
1 111
2
2 1 122 2
2
1 112
2
2 22
2
1 11 2 1 12 2 2 1 1 0 0
x b x b x x b x x b
x b x b x x b x b x b x b y
+ + + +
+ + + + + + =
(2.9)

Treba napomenuti da se polinomi treeg, a pogotovo etvrtog, petog i viih redova
izuzetno retko koriste.


12



3.0 JEDNOFAKTORNI PLANOVI ZA ANALIZU
SIGNIFIKANTNOSTI FAKTORA


Kada na objekat istraivanja, odnosno na njegovu izlaznu karakteristiku y, deluje samo
jedan faktor, koristi se jednofaktorni eksperiment.

Jednofaktorni planovi se formiraju na sledei nain. Posmatrani faktor A uzima k razliitih
diskretnih vrednosti (nivoa) u nekom intervalu. Uzima, dakle, vrednosti
k 2 1
a ,..., a , a . Pri tome se
na i-tom nivou (a
i
) faktora A eksperiment ponavlja ukupno n
i
puta, to omoguuje da se odredi
greka merenja. S obzirom na ovo, rezultati merenja
ij
y mogu se izraziti skupom.

k i 2 1
kn in 2n 1n
kj ij 2j 1j
k2 i2 22 12
k1 i1 21 11
y y y y
y y y y
y y y y
y y y y
K
M M M M
K
M M M M
K K
K K
(3.1)

Posle realizacije jednofaktornog eksperimenta dobija se dakle, niz od k srednjih vrednosti
rezultata merenja koje su nastale pod dejstvom vrednosti
k 2 1
a ,..., a , a faktora A. Da bi se
uporedilo k efekata (
k 2 1
,..., , ), koji odgovaraju nivoima
k 2 1
a ,..., a , a faktora A, odnosno, da bi
se utvrdilo da li ili ne dati faktor znaajno (signifikantno) utie na karakteristiku y (rezultat
merenja), polazi se od modela eksperimenta:

ij i ij
y + + = (3.2)

Ovim modelom se inae iskazuju rezultati merenja
ij
y u zavisnosti od vrednosti (nivoa)
posmatranog faktora A pri emu je:
- ukupni efekat svih eksperimenata,
i
- efekat faktora A na i-tom nivou,
ij
- sluajna greka na i-tom nivou i u j-tom ponovljenom eksperimentu.

Pri praktinoj realizaciji jednofaktornog plana (3.1) treba imati dve pretpostavke u vidu:
pojedini eksperimenti kojih ima ukupno:

N=n
1
+n
2
++n
k
(3.3)

izvode se sluajnim poretkom, tj. svaki eksperiment iz skupa N ima jednaku verovatnou
da bude prvi (ili bilo koji sledei) po redu, pa se po tom sluajnom poretku, nezavisno od
nivoa i grupisanja unutar nivoa, operativno i izvode, i


13
rezultati merenja na bilo kom fiksnom nivou a
i
faktora A rasporeuju se oko centra
grupisanja:
i i
+ = (3.4)

po zakonu normalnog rasporeda ija je disperzija
2
.



3.1 DISPERZIONA ANALIZA JEDNOFAKTORNIH PLANOVA


Praktina procedura matematike obrade rezultata merenja za isti broj ponovljenih
eksperimenata na svakom nivou faktora A izvodi se u obliku odreenog broja sukcesivnih
koraka. Dakle, prvo se izvodi eksperiment i njegovi rezultati upiu u tablicu (tabela 3.1).

Nivo faktora
Ponavljanje
a
1
a
2
a
i
a
k
n
j
2
1
M
M

n 1
j 1
12
11
y
y
y
y
M
M

n 2
j 2
22
21
y
y
y
y
M
M

K
K
K
K
K
K

in
ij
2 i
1 i
y
y
y
y
M
M

K
K
K
K
K
K

kn
kj
2 k
1 k
y
y
y
y
M
M

Sume A
1
A
2

K
A
i

K
A
k

Srednja vrednost
1
y
2
y K
i
y K
k
y

Tabela 3.1

Zatim se izvodi disperziona analiza u sledeim koracima:

1. Suma rezultata merenja u pojedinim kolonama

=
=
n
1 j
ij i
y A ( ) k 1,2,..., i = (3.5)

2. Suma kvadrata svih rezultata merenja u planu eksperimenta

= =
=
k
1 i
n
1 j
2
ij 1
y s (3.6)

3. Suma kvadrata veliina A
i
(zbirova kolona) podeljena brojem eksperimenata (u koloni)

=
=
k
1 i
2
i 2
A
n
1
s (3.7)

4. Kvadrat suma veliina A
i
podeljen brojem svih eksperimenata
2
k
1 i
i 3
A
N
1
s
|

\
|
=

=
(3.8)


14
5. Suma kvadrata faktora (vezana za rasturanje izmeu nivoa faktora A)
3 2 A
s s s = (3.9)

6. Suma kvadrata greke (Koristi se za ocenu greke eksperimenta)
2 1 E
s s s = (3.10)

7. Opta suma kvadrata
3 1 E A O
s s s s s = + = (3.11)

8. Disperzija
1 k
s
s
A 2
A

= (3.12)

9. Disperzija greke eksperimenta
( ) 1 n k
s
s
E 2
E

= (3.13)

10. Disperzioni odnosi
2
E
2
A
r
s
s
F = (3.14)

Ako je ( )
2 1 t r
f , f F F > za odreeni nivo znaajnosti , tada je uticaj faktora A signifikantan
(znaajan) na funkciju y (izlaz) ispitivanog objekta, pa se odbija nulta hipoteza o
nesignifikantnosti ovog faktora. Ovde su:

1 k f
1
=
( ) k N 1 n k f
2
= = (3.15)

Prikazana procedura vai za:
jednofaktorni plan sa fiksnim nivoima faktora A,
isti broj ponavljanja eksperimenata na svim nivoima faktora.

Ako se, meutim, brojevi ponavljanja eksperimenata razlikuju od nivoa do nivoa,
navedena procedura ostaje ista uz izmene u prva tri koraka:

=
=
k
1 i
n N (3.16)

=
=
i
n
1 j
ij i
y A ( ) k 1,2,..., i = (3.17)

= =
=
k
1 i
n
1 j
2
ij 1
i
y s (3.18)

=
=
k
1 i
i
2
i
2
n
A
s (3.19)




15
Ovom algoritmu disperzione analize treba dodati i jedinine procedure parametara u
matematikom modelu (3.2):

= =
= =
k
1 i
n
1 j
ij
i
y
N
1
y (3.20)

=
= =
i
n
1 j
ij
i
i i
y y
n
1
y y ( ) k 1,2,..., i = (3.21)



Primer

Jedan katalizator za hemijske reakcije dobija se na etiri razliita naina. Ovi naini
odgovaraju k=4 nivoima katalizatora (faktora A). Na svakom nivou su ponovljeni eksperimenti
po n=5 puta. U eksperimentima je kao izlaz (funkcija y) merena aktivnost katalizatora. Redosled
izvoenja eksperimenta je potpuno sluajan (randomiziran). Potrebno je proveriti nezavisnost
kvaliteta katalizatora (njegovu aktivnost y) od naina njegovog dobijanja. Drugim reima
potrebno je proveriti jednakost vrednosti aritmetikih sredina aktivnosti katalizatora. Rezultati
merenja aktivnosti katalizatora za svaki od etiri naina njegovog dobijanja dati su u tabeli 3.2.

Nivo faktora
Ponavljanje
1 2 3 4
1 56 64 45 42
2 55 61 46 39
3 62 50 45 45
4 59 55 39 43
5 60 56 43 41
Sume 292 286 218 210
Srednja vrednost y 58,4 57,2 43,6 42

Tabela 3.2


Disperziona analiza:

1. Suma rezultata merenja u pojedinim kolonama
1006 210 218 286 292 y A
n
1 j
ij i
= + + + = =

=


2. Suma kvadrata svih rezultata merenja u planu eksperimenta
51940 41 43 ... 62 55 56 y s
2 2 2 2 2
k
1 i
n
1 j
2
ij 1
= + + + + + = =

= =


3. Suma kvadrata veliina A
i
(zbirova kolona) podeljena brojem eksperimenata (u koloni)
( ) 8 , 51736 210 28 286 292
5
1
A
n
1
s
2 2 2 2
k
1 i
2
i 2
= + + + = =

=




16
4. Kvadrat suma veliina A
i
podeljen brojem svih eksperimenata
( ) 8 , 50601 1006
20
1
A
N
1
s
2
2
k
1 i
i 3
= =
|

\
|
=

=


5. Suma kvadrata faktora (vezana za rasuranje izmeu nivoa faktora A)
1135 8 , 50601 8 , 51736 s s s
3 2 A
= = =

6. Suma kvadrata greke (Koristi se za ocenu greke eksperimenta)
2 , 203 8 , 51736 51940 s s s
2 1 E
= = =

7. Opta suma kvadrata
2 , 1605 8 , 50601 51940 s s s s s
3 1 E A O
= = = + =

8. Disperzija
33 , 378
1 4
1135
1 k
s
s
A 2
A
=

=

9. Disperzija greke eksperimenta
( ) ( )
7 , 12
1 - 5 4
203,2
1 n k
s
s
E 2
E
=

=

10. Disperzioni odnosi
789 , 29
7 , 12
33 , 378
s
s
F
2
E
2
A
r
= = =

3 1 - 4 1 k f
1
= = =
( ) ( ) 16 1 5 4 1 n k f
2
= = =

Iz tablica za Fisher-ovu raspodelu za nivo znaajnosti 0,01 = oitavamo 5,29 F
t
= . Nulta
hipoteza H
o
: 0
4 3 2 1
= = = = proverava se na osnovu uporeenja raunske i tabline
vrednosti disperzionih odnosa:
t r
F F >
5,29 8 , 29 >

Znai da nain dobijanja katalizatora bitno utie na njegov kvalitet (aktivnost katalizatora),
te se odbacuje postavljena nulta hipoteza o jednakosti vrednosti aritmetikih sredina. Vrednosti
procene parametara u modelu (3.2) iznose:

( ) 3 , 50 41 43 ... 62 55 56
20
1
y
N
1
y
k
1 i
n
1 j
ij
i
= + + + + + = = =

= =

=
= =
i
n
1 j
ij
i
i i
y y
n
1
y y
8,1 50,3 58,4
1
= =
6,9 50,3 57,2
2
= =


17
-6,7 50,3 43,6
3
= =
8,3 50,3 42,0
4
= =

1

ij
y
50,3 =
a 1 2
3 4




































18



4.0 FAKTORNI ORTOGONALNI PLANOVI
EKSPERIMENATA PRVOG REDA


4.1 REGRESIONA ANALIZA K FAKTORNOG
PLANA EKSPERIMENTA


Regresiona jednaina k faktornog plana eksperimenta ima oblik:

k 2 1

k

1
f ... f f C R = (4.1)
gde su:
k 2 1
f ,..., f , f - faktori,
k 2 1
,..., , - nepoznati koeficijenti.

Logoritmovanjem gornje jednaine dobijamo:

k k 2 2 1 1
lnf ... lnf lnf lnC lnR + + + + = (4.2)

Uvoenjem smena:

y lnR =
1 1
x lnf =
2 2
x lnf =
k k
x lnf =
o
lnC = 1 x
o
= (4.3)

dobijamo jednainu (4.2) u sledeem obliku:

k k 2 2 1 1 0 0
x ... x x x y + + + + = (4.4)

Nakon sprovedenog eksperimenta i obrade njegovih rezultata mogue je odrediti
koeficijente regresije
k 2 1 0
b ,..., b , b , b koji predstavljaju procenu teorijskih vrednosti koeficijenata
k 2 1 0
,..., , , , pa se dobija jednaina modela u kodiranom obiku:

k k 2 2 1 1 0 0
x b ... x b x b x b y + + + + = (4.5)

odnosno za u-ti opit, gde je N 1 < < :

ku k 2u 2 1u 1 0u 0 u
x b ... x b x b x b y + + + + = (4.6)

Da bi se metodom najmanjih kvadrata odredili parametri
k 2 1 0
b ,..., b , b , b , potrebno je
odrediti sumu kvadrata odstupanja stvarnih vrednosti
u
y od teorijskih
u
y i pronai minimum
zbira kvadrata ostataka. Princip metode najmanjih kvadrata sastoji se u traenju takvih vrednosti
parametara za koje je zbir kvadrata greaka najmanji, odnosno:

( ) ( ) [ ]
( ) min b ,..., b , b , b f
x b ... x b x b x b y y y
k 2 1 0
2
N
1 u
ku k 2u 2 1u 1 0u 0 u
2
N
1 u
u u
N
1 u
2
u
= =
= + + + + = =

= = =
(4.7)


19
Ova vrednost je minimalna kada je:
( ) [ ] ( ) 0 x x b ... x b x b x b y 2
b
f
0u
N
1 u
ku k 2u 2 1u 1 0u 0 u
0
= + + + + =

=

( ) [ ] ( ) 0 x x b ... x b x b x b y 2
b
f
1u
N
1 u
ku k 2u 2 1u 1 0u 0 u
1
= + + + + =

=
(4.8)
M
( ) [ ] ( ) 0 x x b ... x b x b x b y 2
b
f
ku
N
1 u
ku k 2u 2 1u 1 0u 0 u
k
= + + + + =

=


Posle sreivanja dobija se sistem jednaina:

= = = =
= + + +
N
1 u
u 0u
N
1 u
ku 0u k
N
1 u
1u 0u 1
N
1 u
2
0u 0
y x x x b ... x x b x b

= = = =
= + + +
N
1 u
u 1u
N
1 u
ku 1u k
N
1 u
2
1u 1
N
1 u
1u 0u 0
y x x x b ... x b x x b (4.9)
M

= = = =
= + + +
N
1 u
u ku
N
1 u
2
ku k
N
1 u
ku 1u 1
N
1 u
ku 0u 0
y x x b ... x x b x x b

uvodei smenu za lanove pod znakom sume:
( )

=
=
N
1 u
2
iu
ii x ( ) ij y x
N
1 u
ju iu
=

=
( ) iy y x
N
1 u
u iu
=

=
k 0,1,2,..., j i, = (4.10)

dobijamo sistem linearnih jednaina:

( ) ( ) ( ) ( ) 0y 0k b ... 01 b 00 b
k 1 0
= + + +
( ) ( ) ( ) ( ) 1y 1k b ... 11 b 10 b
k 1 0
= + + + (4.11)
M
( ) ( ) ( ) ( ) ky kk b ... k1 b k0 b
k 1 0
= + + +

Ovaj sistem linearnih jednaina moe se napisati u matematikom obliku:
B X Y

= (4.12)
gde su:
Y

- matrica kriterijuma optimizacije

B matrica regresionih koeficijenata
X matrica vrednosti faktora

Rezidualni vektor (vektor ostataka) je:
B X Y Y

Y R
0
= = (4.13)

Minimiziranjem gornjeg izraza dobija se:
( ) ( ) 0 B X Y B X Y =

(4.14)

to daje sistem normalnih jednaina:
0 Y X B X X = (4.15)



20
odakle sledi:
( ) Y X X X B
1
=

(4.16)

Ulazne (X) i izlazne (Y) informacije iz posmatranog difuzionog sistema u matrinom
obliku glase:
(
(
(
(

=
kN 1N 0N
k2 12 02
k1 11 01
x x x
x x x
x x x
X
K
M M M
K
K

(
(
(
(

=
N
2
1
y
y
y
Y
M
(4.17)

transponovana matrica matrice X glasi:
(
(
(
(

=
kN k2 k1
1N 12 11
0N 02 01
x x x
x x x
x x x
X
K
M M M
K
K
(4.18)

Informaciona matrica se dobija kao proizvod matrice X i njene transponovane matrice X :

(
(
(
(

(
(
(
(

=
kN 1N 0N
k2 12 02
k1 11 01
kN k2 k1
1N 12 11
0N 02 01
x x x
x x x
x x x
x x x
x x x
x x x
X X
K
M M M
K
K
K
M M M
K
K
(4.19)

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(

+ + + + + +
+ + + + + +
+ + + + + +
=
kN kN k2 k2 k1 k1 1N kN 12 k2 11 k1 0N kN 02 k2 01 k1
kN 1N k2 12 k1 11 1N 1N 12 12 11 11 0N 1N 02 12 01 11
01 01 01 01 01 01 1N 0N 12 02 11 01 0N 0N 02 02 01 01
x x x x x x x x x x x x x x x x x x
x x x x x x x x x x x x x x x x x x
x x x x x x x x x x x x x x x x x x
X X
K
M M M
K
K


(
(
(
(
(
(
(

=



= = =
= = =
= = =
N
1 u
2
ku
N
1 u
1u ku
N
1 u
0u ku
N
1 u
ku 1u
N
1 u
2
1u
N
1 u
0u 1u
N
1 u
ku 0u
N
1 u
1u 0u
N
1 u
2
0u
x x x x x
x x x x x
x x x x x
X X
K
M M M
K
K
(4.20)

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(

=
kk k1 k0
1k 11 10
0k 01 00
X X
K
M M M
K
K
(4.21)




21
Uvodei oznake:
( )

=
= =
N
1 u
2
iu
ii
x
1
ii
1
C
( )

= =
N
1 u
ju iu
ij
x x
1
ij
1
C

dobijamo inverznu matricu informacione matrice X X u obliku:
( )
(
(
(
(

=
kk k1 k0
1k 11 10
0k 01 00
C C C
C C C
C C C
X X
K
M M
K
K
(4.22)

Matrica Y X je:
(
(
(
(

+ + +
+ + +
+ + +
=
(
(
(
(

(
(
(
(

=
N kN 2 k2 1 k1
N 1N 2 12 1 11
N 0N 2 02 1 01
N
2
1
kN k2 k1
1N 12 11
0N 02 01
y x ... y x y x
y x ... y x y x
y x ... y x y x
y
y
y
x x x
x x x
x x x
Y X
M M
K
M M M
K
K


( )
( )
( )
(
(
(
(

=
(
(
(
(
(
(
(

=
=
=
ky
1y
0y
y x
y x
y x
Y X
N
1 u
u ku
N
1 u
u 1u
N
1 u
u 0u
M
M
(4.23)

Matrica koeficijenata B je:

(
(
(
(

=
k
1
0
b
b
b
B
M
(4.24)

Jednaina (4.16) postaje:
( )
( )
( )
(
(
(
(

(
(
(
(

=
(
(
(
(

ky
1y
0y
C C C
C C C
C C C
b
b
b
kk k1 k0
1k 11 10
0k 01 00
k
1
0
M
K
M M
K
K
M
(4.25)

( ) ( ) ( ) ky c ... 1y c 0y c b
0k 01 00 0
+ + + =
( ) ( ) ( ) ky c ... 1y c 0y c b
1k 11 10 1
+ + + = (4.26)
M
( ) ( ) ( ) ky c ... 1y c 0y c b
kk k1 k0 k
+ + + =



22
odnosno:
( )

= =
=
k
0 i
k
0 j
ij i
iy c b

= = =
=
N
1 n
k
0 i
k
0 j
n in ij i
y x c b (4.27)

Odreivanjem koeficijenata regresije
i
b , dobijamo predstavu o uticaju pojedinih faktora
na izlaznu funkciju. Tako se faktori uz koje stoje nesignifikantni koeficijenti ne uzimaju u obzir u
daljim razmatranjima. Znak koeficijenata daje uvid o tipu uticaja faktora na proces. Tako, znak +
oznaava direktno proporcionalan, a znak obrnuto proporcionalan uticaj. Koeficijenti
ij
b , ako
su ukljueni u matematiki model, daju uvid o meusobnom uticaju faktora na odzivnu funkciju
(funkciju reagovanja), a svi dobijeni parametri omoguuju da se dobije predstava o pravcu
kretanja po optimalnoj oblasti. Posle odreivanja numerikih vrednosti koeficijenta u
matematikom modelu, vri se disperziona analiza.



4.2. IZBOR INTERVALA VARIRANJA FAKTORA

Posebnim izborom parametara
kn k1 1N 11 0N 01
x ,..., x ; x ,..., x ; x ,..., x pojednostavljuje se
reavanje sistema jednaina (4.16) jer se matrica koeficijenata svodi na jedininu matricu.

Kodiranje izabranih parametara eksperimenta vri se pomou jednaina transformacije, pri
emu se uzima da je veliina intervala jednaka jedinici nove razmene faktora. Radi uproenja pri
upisivanju i obradi eksperimentalnih podataka, razmere za ose se biraju tako da gornji
(maksimalni) nivo bude jednak +1, donji (minimalni) 1, a osnovni (nulti) nivo jednak nuli.

Poetak koordinatnog sistema se iz take O
1
premestio u taku O koja oznaava nulti nivo
faktora (slika 4.1), dok se vrednosti faktora sada mere u novoj razmeri. Za novu osu x
1
je:

( )
1
0
1 1
1
W
X X
x

= (4.28)

odnosno:
( )
i
0
i i
i
W
X X
x

= (4.29)

pri tome je:
i i
lnf X =
( )
i imax
0
i
W lnf X = (4.30)

Ovde je Wi interval varijacije faktora jednak jednoj polovini razmaka donjeg i gornjeg
nivoa:
( )
imin imax i
lnf lnf
2
1
W = (4.31)


23

min 2
x
max 2
x
1min
x
1max
x
2
x
1
x
O
1
O
1
X
2
X
( ) 0
2
X
( ) 0
1
X
2
W
2
W
1
W
1
W


Slika 4.1: Izbor intervala variranja faktora za k=2


Zamenom jednaina (4.30) i (4.31) u (4.29) dobija se izraz preko kojeg se vri kodiranje
nivoa i-tog faktora.
( )
imin imax
imax i
i
imax i
i
i imax i
i
lnf lnf
lnf lnf
2 1
W
lnf lnf
1
W
W lnf lnf
x

+ =

+ =

=
1
lnf lnf
lnf lnf
2 1 x
imin imax
imax imax
i
=

+ = (4.32)

Zamenom f
i
=f
imax
dobijamo:
1
lnf lnf
lnf lnf
2 1 x
imin imax
imax imax
i
=

+ =

Zamenom f
i
=f
min
dobijamo:
1
lnf lnf
lnf lnf
2 1
lnf lnf
lnf lnf
2 1 x
imin imax
imin imax
imin imax
imax imin
i
=

+ =

Za
isr i
f f = , gde je
imin imax
2
isr
f f f = dobijamo:
( )
imin imax
imax imin imax
i
lnf lnf
lnf lnf lnf ln
2
1
2 1 x

+ =
imin imax
imax imin imax
i
lnf lnf
lnf lnf
2
1
lnf
2
1
2 1 x

+
+ =


24
( )
imin imax
imin imax
i
lnf lnf
lnf lnf -
2
1
2 1 x

+
+ =
( )
0
lnf lnf
lnf lnf
- 1 x
imin imax
imin imax
i
=

+
=

Dekodiranje se vri po sledeim formulama:
imin
imax
i
i
f
f
ln
2b
= ( ) 2 , 1 i =

= =
=
2
1 i
imax i
2
0 i
i 0
lnf b b ( ) 2 , 1 , 0 i = (4.33)
( )
0
exp C =

odnosno za k faktora:
imin
imax
i
i
f
f
ln
2b
=
max i
k
1 i
i
k
0 i
i 0
f ln b b =

= =
(4.34)

Do sada su razmatrani tzv. linijski efekti pojedinih faktora. Meutim, kod potpunog
faktornog eksperimenta postoji isprepletano delovanje efekata pojedinih faktora i njihovo
meusobno delovanje (interakcije). Interakcije vieg reda se najee zanemaruju, ali dvofaktorne
interakcije mogu biti znaajne.

Kao primer posmatramo potpuni dvofaktorni eksperiment:

2 1 12 2 2 1 1 0 0
x x x x x y + + + = (4.35)

Uvoenjem smena:
|
|

\
|
=
imin
imax
i
f
f
ln
2
A i
imax i i
lnf A 1 a =

Koeficijenti regresije nakon dekodiranja dobijaju oblik:

2 1 12 2 2 1 1 0 0
a a b a b a b b + + + =
( )
2 12 1 1 1
a b b A + =
( )
1 12 2 2 2
a b b A + = (4.36)
2 1 12 12
A A b =
( )
0

0
e exp C = =
Nakon antilogaritmovanja, dobija se izraz:

( )
2 1 12

1
lnf lnf exp f f C R
2 1
= (4.37)



25
Za trofaktorni potpuni eksperiment sa meusobnim uticajem dobija se oblik funkcije
odziva:

3 2 1 123 3 2 23 3 1 13 2 1 12 3 3 2 2 1 1 0 0
x x x x x x x x x x x x x y + + + + + + + = (4.38)

A koeficijenti regresije imaju vrednosti:

3 2 1 123 3 2 23 3 1 13 2 1 12 3 3 2 2 1 1 0 0
a a a b a a b a a b a a b a b a b a b b + + + + + + + =
( )
3 2 123 3 13 2 12 1 1 1
a a b a b a b b A + + + =
( )
3 1 123 3 23 1 12 2 2 2
a a b a b a b b A + + + =
( )
2 1 123 2 23 1 13 3 3 3
a a b a b a b b A + + + = (4.39)
( )
3 123 12 2 1 12
a b b A A + =
( )
2 123 13 3 1 13
a b b A A + =
( )
1 123 23 3 2 23
a b b A A + =
123 3 2 1 123
b A A A =
( )
0
exp C =

Nakon antilogaritmovanja dobija se izraz:

( )
3 2 1 123 3 2 23 3 1 13 2 1 12

1
lnf lnf lnf lnf lnf lnf lnf lnf lnf exp f f f C R
3 2 1
+ + + = (4.40)

U sluaju da ne postoje interakcije faktora, koeficijenti
123 23 13 12
i , , , su jednaki nuli
pa jednaina (4.39) prelazi u :

3 2 1

3

1
f f f C R = (4.41)

Odnosno, u optem obliku:

k 2 1

k

1
f ... f f C R = (4.42)

Broj nivoa je razliit, ali se najee primenjuje planiranje na dva nezavisna nivoa. Ovaj
nain omoguuje opisivanje procesa polinomom prvog reda sa i bez meusobnih uticaja faktora i
obeleavaju se sa 2
k
, gde je k- broj ulaznih faktore. Ukoliko se polinomijalni linijski model
pokae neadekvatnim, prelazi se na polinom vieg reda, te se zbog toga mora poveati i broj
nivoa ulaznih faktora. U optem sluaju, minimalni broj nivoa faktora mora biti za jedan vei od
reda polinoma kojim se opisuje posmatrani proces (n
min
=r
n+1
).



4.3 STRUKTURA I OSOBINE ORTOGONALNIH PLANOVA
PRVOG REDA


Ideja viefaktornih ortogonalnih planova (Box-Wilsonovi planovi) predstavljaju nov
kvalitet u teoriji viefaktorne statistike analize, a polazi od posebno ureenih rasporeda skupa
eksperimentalnih taaka u hiperprostoru. Ovakva kompozicija eksperimentalnih taaka u
hiperprostoru izraava se kroz odgovarajuu plan matricu specifine strukture, oblika i obima.


26
Ako se eksperimentalne take rasporede u hiperprostoru tako da u korespodentnoj plan matrici
zadovoljavaju uslove:

1.simetrinosti

=
=
N
1 u
iu
0 x k 1,2,..., i = (4.43)

2.ortogonalnosti
0 x x
N
1 u
ju iu
=

=
k 1,2,..., , 0 j i, = (4.44)

3.normativnosti

=
=
N
1 u
2
iu
N x k 1,2,..., , 0 i = (4.45)

tada se takvi planovi nazivaju faktornim ortogonalnim planovima.

U odnosu na druge planove, za ortogonalne planove je karakteristino:
raspored eksperimentalnih taaka u eksperimentalnom prostoru je optimalan.
broj eksperimentalnih taaka je minimalan, to ima za posledicu nie trokove i krae vreme
ispitivanja difuznog sistema.
obim dobijenih informacija je maksimalan: svi faktori se menjaju istovremeno, pa se svaki
efekat faktora odreuje na osnovu svih N eksperimentalnih rezultata, pa je otuda disperzija
bilo kog regresionog koeficijenta b
i
manja za N puta od greke eksperimenta.
svi efekti b
i
faktora izraunavaju se nezavisno jedan od drugog i nezavisno od vrednosti
faktora u obuhvaenom viefaktornom eksperimentalnom prostoru.
matematika obrada eksperimentalnih rezultata je vrlo jednostavna i kratkotrajna.

1
x
2
x
3
x
O
i
N
i

r


Slika 4.2: Poloaj eksperimentalne take N
i
u trofaktornom prostoru na temenu kuba oko koga je
opisana sfera

Viefaktorni optimalni plan se stvara tako da skup graninih taaka intervala varijacije
ulaznih faktora lei uvek na hipersferi obrazujui pri tome hiperkub (za sluaj k=3) oko koga je
opisana hipersfera (slika 4.2).



27
4.4 ANALIZA EKSPERIMENTALNIH PODATAKA

Nakon postavljanja plana eksperimenta, njegovog izvoenja i odreivanja koeficijenata
regresije, pristupa se analizi dobijenih vrednosti. Uoava se da se ne dobijaju identini rezultati
prilikom ponavljanja nekog opita. Razlog tome su greke eksperimenta, koje se dele u dve glavne
grupe:
greke eksperimenta u pojedinim takama plana, i
greke celokupnog eksperimenta.

Za analizu rezultata eksperimenta neophodno je poznavanje vrste ponavljanja opita. Tako
se razlikuju tri sistema ponavljanja:
sistem ponavljanja u takama nultog nivoa (centralna taka plana) vri se ponavljanje
n
0
puta,
sistem ponavljanja u svakoj taki plana (hiperkuba) vri se ponavljanje,
o u svim takama plana isti broj ponavljanja (n) puta,
o u svakoj taki plana razliit broj ponavljanja ( )
N 2 1
n ... n n ,
o opiti se ponavljaju samo u jednoj taki plana (n
1
) puta,
o opiti se ponavljaju samo u jednoj taki izvan plana (p) puta.
sistem ponavljanja ponavljanje opita se ne vri.


4.4.1 PRVI I DRUGI SISTEM PONAVLJANJA

Nakon izraunavanja koeficijenata regresije
k 2 1 0
b ,..., b , b , b regresionom analizom, vri se
izraunavanje greke. Pri izraunavanju greke eksperimenta u pojedinim takama plana uzima se
u obzir broj ponavljanja u tim takama i ocenjuje disperzija, dok se kod ocene celog eksperimenta
rauna sa brojem svih opita i procenjuje se odgovarajua sveukupna disperzija. U tabeli 4.1 dat je
prikaz izvoenja eksperimenta sa ponavljanjem u centralnoj taki plana, a u tabeli 4.2 pri
ponavljanju opita u takama plana eksperimenta, pri emu se eksperiment sastoji iz N opita, a
pojedini opiti se ponavljaju isti broj puta ( )
N 2 1
n ... n n = = = ili razliit broj puta
( )
N 2 1
n ... n n .

FAKTORI
OPIT
1
x
2
x
K
k
x
EKSPERIMENTALNI
REZULTATI
1
11
x
21
x
K
k1
x
1
y
2
12
x
22
x
K
k2
x
2
y
M M M M M
N
1N
x
2N
x
K
kN
x
N
y
N+1 0 0 K 0
1 N
y
+

N+2 0 0 K 0
2 N
y
+

M M M M M
N+n
0
0 0 K 0
0
n N
y
+


Tabela 4.1


28

FAKTORI KRITERIJUMI OPTIMIZACIJE
OPIT
1
x
2
x
K
k
x
1
y
2
y

k
y y
1. ponavljanje
(n
1
)
11
x
21
x
K
k1
x
11
y
12
y
K
1
1n
y

=
=
1
n
1 j
1j
1
1
y
n
1
y
2. ponavljanje
(n
2
)
12
x
22
x
K
k2
x
21
y
22
y
K
2
2n
y

=
=
2
n
1 j
2j
2
2
y
n
1
y
3. ponavljanje
(n
3
)
1N
x
2N
x
K
kN
x
N1
y
N2
y
K
N
Nn
y

=
=
N
n
1 j
Nj
N
N
y
n
1
y

Tabela 4.2


Ukupan broj opita pri ponavljanju u centralnoj taki plana je:

0 E
n N N + = (4.46)

gde je N=2
k
broj opita kod linearnih matematikih modela kod kojih se najee ulazni faktori
variraju na dva nivoa (gornji i donji).

Ukupan broj opita pri istom broju ponavljanja u svim takama plana eksperimenta iznosi:

N n N
E
= (4.47)

Posle izvedenih eksperimenata pri unapred predvienom ortogonalnom planiranju vri se
analiza rezultata metodom korak po korak. Na slici 4.3 prikazana je metodologija redosleda
rada.





















29


IZBOR
MATEMATIKOG
MODELA
PLANIRANJE
EKSPERIMENTA
IZVRENJE
EKSPERIMENTA
REGRESIONA
ANALIZA
DISPERZIONA
ANALIZA
ADEKVATNOST
MODELA
SIGNIFIKANTNOST
KOEFICIJENATA
IZBOR FAKTORA
IZBOR PARAMETARA
OPTIMIZACIJE
PLAN 2
K
B=(X X) X Y
-1
PROGRAM I
PROGRAM II
SISTEM
PONAVLJANJA
F-TEST
Fa<Ft
F-TEST
Fbi>Ft
NE
NE
DA
DA
STOP
ODBACITI
NESIGNIFIKANTAN
KOEFICIJENT
X
1
X
2
X
K
Y
1
Y
2
Y
K
, ,



Slika 4.3: Blok ema metodologije eksperimenta



1. Korak

Najprostiji sluaj kod ortogonalnih planova je sluaj ponavljanja opita u nultoj taki plana,
pri emu su koeficijenti regresije izraunavaju na osnovu izraza (4.27) ili

=
=

=
N
1 u
2
iu
N
1 u
u iu
i
x
y x
b (4.48)


30
U sluaju ponavljanja opita u takama plana sa istim brojem ponavljanja
n n ... n n
n 2 1
= = = = , koeficijenti regresije se izraunavaju iz izraza:

=
=
N
1 u
u iu i
y x
N
1
b

=
=
N
1 u
u ju iu ij
y x x
N
1
b (4.49)

=
=
N
1 u
u nu ju iu ijn
y x x x
N
1
b
gde je:

=
=
n
1 j
uj u
y
n
1
y - aritmetika sredina rezultata merenja u pojedinim takama plana,
n - broj ponavljanja opita,
N - broj taaka plana,
uj
y - vrednost kriterijuma optimizacije za pojedina merenja.

Pri ponavljanju opita u takama plana razliit broj puta n n ... n n
n 2 1
ne moe se
dati univerzalan izraz za izraunavanje koeficijenata regresije, ve se za svaki sluaj posebno vri
proraun koristei se metodom najmanjih kvadrata.


2. Korak

Posle izraunavanja koeficijenata regresije
i
b pristupa se analizi rezultata, odnosno:
oceni signifikantnosti koeficijenata regresije, i
oceni adekvatnosti matematikog modela.

Signifikantnost koeficijenata se odreuje na osnovu vrednosti disperzije (
2
y
s ) koja daje
greku celokupnog eksperimenta, pa se oznaava sa
2
E
s .

Za sistem ponavljanja u centralnoj taki plana, disperzija je:
( )
1 n
y y
f
s
s
0
n
1 u
2
0 0u
E
E 2
E
0

= =

=
(4.50)
gde su:
E
s - suma kvadrata odstupanja za ceo eksperiment,
E
f - broj stepeni slobode eksperimenta,
0u
y - rezultati merenja,
0
y - aritmetika sredina rezultata merenja u centralnoj taki plana,
0
n - broj ponavljanja u centralnoj taki.

Za sluaj ponavljanja u takama plana n puta, disperzija je:
( )
( ) 1 - n N
y y
f
s
s
N
1 u
n
1 j
2
u uj
E
E 2
E

= =

= =
(4.51)


31
Za nejednak broj ponavljanja opita, disperzija je:

=
=

=
+ + +
+ + +
=
N
1 u
u
N
1 u
u
2
u
N 2 1
N
2
N 2
2
2 1
2
1 2
E
f
f s
f ... f f
f s ... f s f s
s (4.52)
gde je:
2
N
2
2
2
1
,...s s , s - disperzija greke za pojedine opite,
1 - n f 1,..., - n f 1, - n f
N N 2 2 1 1
= = = - broj stepeni slobode za pojedine opite,
N 2 1
n ,..., n , n - broj ponavljanja u pojedinim opitima.

Za proveru signifikantnosti koriste se Fisher-ov i F-test ili Studentov t-test.

Raunska vrednost F-testa dobija se iz odnosa disperzija pojedinih faktora od 1,,k i
greke celokupnog eksperimenta:
2
E
2
i
r
s
s
F
i
= (4.53)

Raunske vrednosti
i
r
F za pojedine faktore uporeuju se sa tablinom vrednou (F
t
), F-
funkcije za pragove znaajnosti =10%, =5% ili =1%. Ako je ispunjen uslov:

t r
F F
i
> (4.54)

moe se zakljuiti sa rizikom od 10%, 5% ili 1% da posmatrani faktori znaajno utiu na odzivnu
funkciju sistema. Ako je meutim, raunska vrednost
i
r
F manja od tabline vrednosti F
t
za
usvojeni prag znaajnosti, posmatrani faktor ne utie bitno na odziv sistema.

Adekvatnost matematikog modela se proverava Fisher-ovim kriterijumom:

2
E
2
a
r
s
s
F
a
= (4.55)
a
E R
a
a 2
a
f
s s
f
s
s

= =
( )

=
=
N
1 u
2
u u R
y y s
E R a
f f f =
1 - k - N f
R
=
gde je
2
a
s - disperzija adekvatnosti modela,
R
s - rezidualna suma,
a
f - broj stepeni slobode koji se odnosi na disperzionu adekvatnost,
R
f - broj stepeni slobode koji se odnosi na rezidualnu sumu.

Za sluaj ponavljanja u centralnoj taki plana, izraz se svodi na:


= =
=
k
0 i
2
i
N
1 u
2
u R
b N y s


32
Raunska vrednost
a
r
F u sluaju adekvatnog matematikog modela treba da je manja od
tabline vrednosti F
t
, odnosno:
t r
F F
a
< (4.56)

U sluaju neadekvatnog matematikog modela potrebno je poboljati model, to se postie
uzimanjem u obzir meusobnog uticaja faktora (interakcije), ime se poveava broj izraunavanja
koeficijenata regresije ili u nekim sluajevima prei sa polinoma prvog reda na polinom vieg
reda, ime se poveava broj opita.


3. Korak

Poslednja etapa pri obradi eksperimentalnih podataka je odreivanje granice pouzdanosti
za:
koeficijente regresije,
matematiki model.

Kod odreivanja granica pouzdanosti za koeficijente regresije izraunava se verovatnoa,
za izabrani nivo znaajnosti , da e se koeficijenti
i
nalaziti u intervalu poverenja:

{ } 1 b b b b P
i i i i
= + (4.57)

Odgovarajua greka koeficijenata regresije b
i
jednaka je:
n N
s t
b
y
i

= (4.58)
gde je:
t - tablina vrednost t-kriterijuma za usvojen nivo znaajnosti i broj stepeni slobode f
koji se koristi pri oceni
2
E
s ,
y
s - procena vrednosti greke eksperimenta,
N - broj taaka plana,
n - broj ponavljanja u takama plana.

Kod linearnog matematikog modela, vrednost
i
b
s se moe dati izrazom:
n N
s
n N
s
s
2
E
2
y 2
bi

= (4.59)
pa je tada:
bj i
s t b = (4.60)

Izraz (4.57) prelazi tada u oblik:

{ } 1 s t b s t b P
bj i i bj i
= + (4.61)

Ocenjivanje tanosti matematikog modela vri se preko izraza:
( ) ( )

=
=
k
0 i
2
i i
y f; t x b (4.62)
gde je ( ) y
2
-disperzija rezultata eksperimenta


33
4.4.2 TREI SISTEM PONAVLJANJA


Kod planova eksperimenta bez ponavljanja potrebno je nai nain za odreivanje
rezidualne varijanse, za ta se koriste dve metode:
1. iz prethodnih istraivanja na bazi saznanja o procesu koji se ispituje eksperimentalna
greka se procenjuje na bazi iskustva,
2. rezidualna varijansa se izjednauje sa varijansama uzajamnih dejstava faktora vieg reda,
prema Bartlett-ovom kriterijumu.

Bartlett-ov kriterijum se sastoji u sledeem:
Pretpostavlja se da postoji n-procena varijansi V
1
, V
2
,,V
k
sa f
1
,f
2
,f
k
broja stepeni
slobode, gde je:

=
=
k
1 i
i
f f (4.63)
ukupan zbir broja stepeni slobode. Tada je prosena vrednost varijanse:
f
V f
V
n
1 i
i i
=

= (4.64)

M-kriterijum je dat izrazom:

=
=
n
1 i
i i
lnV f lnV f M (4.65)

Ukoliko je izraunata vrednost manja od tabline vrednosti M
t
vai pretpostavka da su
procene varijansi homogene. Ovo vai za broj stepeni slobode f
i
=1. Ako to nije ispunjeno, Fisher
je predloio sledei F-test:
( ) M b f
M f
F
1
2
r

= (4.66)

Ako je ovako izraunata vrednost F
r
manja od tabline vrednosti F
t
prihvata se hipoteza o
homogenosti varijansi. Pri tome je:

1 k f
1
=
2
2
f
2
A 1
f
b
+
=
A
1 k
f
2
+
= (4.67)
( )
|
|

\
|


=
f
1
f
1
1 k 3
1
A
i


Radi preglednosti u tabeli 4.3. je dat pregled redosleda izraunavanja pojedinih vrednosti
za razliite sisteme ponavljanja opita.





34
Izbor
varijac
ije
Nain
ponavljanja
eksperimenta
broj stepeni slobode Suma kvadrata (s) Disperzija (s
2
)
Dispezioni
odnosi (F
r
)
Napomena
0
b
1
b
M
k
b
1 f
0
=
1 f
1
=
M
1 f
k
=
2
0 b
b N s
0
=
2
1
1
b
b N s =
M
2
k
k
b
b N s =
0
0
b 2
0
b
f
s
s =
1
1
b 2
1
b
f
s
s =
M
k
k
b 2
k
b
f
s
s =
2
E
2
0
b
0
r
s
s
F =
2
E
2
1
b
1
r
s
s
F =
M
2
E
2
k
b
k
r
s
s
F =
K
o
e
f
i
c
i
j
e
n
t
i

s
u

s
i
g
n
i
f
i
k
a
n
t
n
i

z
a

F
r
i
>
F
t

;
g
d
e

j
e

F
t
(
f
E
,

f
a
,

)

R
e
z
i
d
u
a
l
n
a

s
u
m
a

1 k N f
R
=
( )

=
=
N
1 u
2
u u R
y y s

= =
=
k
0 i
2
i
N
1 u
2
u R
b N y s

U
k
u
p
n
a

s
u
m
a

1 f
u
=

=
=
N
1 u
2
u u
y s

P
o
n
a
v
l
j
a
n
j
e

u

c
e
n
t
r
a
l
n
o
j

t
a

k
i

p
l
a
n
a

1 n f
0 E
=
( )

=
=
0
n
1 u
2
0 0u E
y y s
2
0
n
1 u
0u
0
0
n
1 u
2
0u E
y
n
1
y s
|
|

\
|
=

= =

E
E 2
E
f
s
s =

Ponavljanje
u takama
plana isti
broj puta
( ) 1 - n N f
E
= ( )

= =
=
N
1 u
n
1 j
2
u uj E
y y s
E
E 2
E
f
s
s =

Ponavljanje
u takama
plana razliit
broj puta
( )

=
=
N
1 u
u E
1 n f

( )

= =
=
N
1 u
u
n
1 j
2
u uj E
y y s

=
=

=
N
1 u
u
N
1 u
u u
2
E
f
f s
s

Ponavljanje
u jednoj taki
n
1
puta
1 n f
1 E
=
( )

=
=
1
n
1 j
2
1 1j E
y y s
E
E 2
E
f
s
s =

G
r
e

k
a

e
k
s
p
e
r
i
m
e
n
t
a

Ponavljanje
u takama
van plana p
puta
1 p f
E
=
( )

=
=
p
1 j
2
j E
y y s
E
E 2
E
f
s
s =


Ponavljanje
u centralnoj
taki plana
0 E R a
n k N f - f f = =

( ) ( )

= =
=
0
n
0 u
2
0 u0
N
1 u
2
u u a
y y y y s

Ponavljanje
u takama
plana isti
broj puta
( ) ( ) 1 n N 1 k N f
a
+ =

( )

=
=
N
1 u
2
u u a
y y n s
Ponavljanje
u takama
plana razliit
broj puta
( ) ( )

=
+ =
N
1 u
u E
1 n 1 k N f

( )

=
=
N
1 u
2
u u u a
y y n s
Ponavljanje
u jednoj taki
n
1
puta
( ) ( ) 1 n 1 k N f
1 E
+ =

( ) ( )

=
+ =
N
1 u
2
u u u 1 1 1 a
y y n y y n s

A
d
e
k
v
a
t
n
o
s
t

m
a
t
e
m
a
t
i

k
o
g

m
o
d
e
l
a

Ponavljanje
u takama
van plana p
puta
( ) ( ) 1 p 1 k N f
E
+ =

( )

=
=
N
1 u
2
u u a
y y s
a
a 2
a
f
s
s =
2
E
2
a
a
s
s
F =
M
a
t
e
m
a
t
i

k
i

m
o
d
e
l

j
e

a
d
e
k
v
a
t
a
n

z
a

F
a
<
F
t

g
d
e

j
e

F
t
(
f
E
,

f
a
,

)


Tabela 4.3


35

4.5 YATES-ov POSTUPAK

Kada su svi faktori u eksperimentu na dva nezavisna nivoa, za izraunavanje koeficijenata
regresije b
i
i b
ij
primenjuje se specifian metod koji pojednostavljuje izraunavanje, to je vrlo
pogodno kada imamo vei broj faktora. Ovaj postupak je poznat kao Yates-ov postupak.

Faktori se umesto x
1
,x
2
,,x
k
oznaavaju slovnim oznakama A,B,C,,Q. Pri tome je
usvojeno sledee:
nivo faktora A,B,C,,Q obeleava se:
o A sa a
o B sa b
o C sa c itd.
sa znaenjem da se svaka vrsta plan matrice oznaena slovima nalazi na gornjem
nivou, odnosno na vrednosti +1.
opiti kod kojih su svi faktori na minimalnom nivou, oznaavaju se sa (1)
kombinacije ab, bc i ac oznaavaju da se na gornjem nivou istovremeno nalaze dva faktora
kombinacija abc oznaava da se na gornjem nivou nalaze tri faktora itd.

Izraz:
( ) { } abc bc, ac, c, ab, b, a, , 1 PM (4.68)

predstavlja plan matricu trofaktornog eksperimenta na dva nivoa, pri emu se redosled
eksperimenata odreuje randomizacijom.

U tabeli 4.4 je prikazana plan matrica eksperimenta tipa 2
3
.

Nivo faktora Eksperimentalne
take
A B C
Kod
vrste
Vektor
izlaza
1 + + + abc y
1

2 - + + bc y
2

3 + - + ac y
3

4 - - + c y
4

5 + + - ab y
5

6 - + - b y
6

7 + - - a y
7

8 - - - (1) y
8

Koeficijenti
regresije
b
1
b
2
b
3


Tabela 4.4


Efekat faktora A predstavljen razlikom prosenih rezultata na gornjem i donjem nivou:
( ) ( ) ( ) bc c b 1
4
1
abc ac ab a
4
1
A + + + + + + =


36
( ) ( ) ( ) ( ) [ ] bc abc c ac b ab 1 a
4
1
A + + + =
( ) ( ) ( ) ( ) [ ] 1 a bc 1 a c 1 a b 1 a
4
1
A + + + =
( ) ( ) bc c b 1 1 a
4
1
A + + + =
( ) ( ) [ ] b 1 c b 1 1 a
4
1
A + + + =
( ) ( ) ( ) 1 c 1 b 1 a
4
1
A + + =

Na isti nain se dobijaju:
( ) ( ) ( ) 1 c 1 b 1 a
4
1
B + + =
( ) ( ) ( ) 1 c 1 b 1 a
4
1
C + + =

Opti izraz za k- faktora A,B,...,Q i nivoe a,b,...,q je:

( ) ( ) ( ) ( ) 1 q ... 1 c 1 b 1 a
2
1
A
1 k
+ + +
|

\
|
=

(4.69)

Interakcija dva ili vie faktora odreuje se iz izraza koji je jednak polovini razlike efekta
A kada je B na gornjem nivou (oznaava se sa A
1
) i efekta A kada je B na donjem nivou
(oznaava se sa A
0
).
( )
0 1
A A
2
1
AB =
gde je:
( ) ( ) ( ) ( ) [ ] 1 c 1 c a b
2
1
b bc ab abc
2
1
b bc
2
1
ab abc
2
1
A
1
+ = + = + + =
( ) ( ) 1 c 1 a b
2
1
A
1
+ =
( ) ( ) ( ) ( ) ( ) 1 c - a ac
2
1
1 c
2
1
a ac
2
1
A
0
+ + = + + =
( ) ( ) 1 c 1 a
2
1
A
0
+ =
odnosno:
( ) ( ) ( ) ( ) [ ] 1 c 1 a 1 c 1 a b
4
1
AB + + =
( ) ( ) ( ) 1 c 1 b 1 a
4
1
AB + =

Opti izraz za k- faktora je:
( ) ( ) ( ) ( ) 1 q ... 1 c 1 b 1 a
2
1
AB
1 k
+ +
|

\
|
=

(4.70)


37
Analogno ovome, ostale interakcije su:
( ) ( ) ( ) ( ) 1 q ... 1 c 1 b 1 a
2
1
AC
1 k
+ +
|

\
|
=

( ) ( ) ( ) ( ) 1 q ... 1 c 1 b 1 a
2
1
BC
1 k
+ +
|

\
|
=

(4.71)
M
( ) ( ) ( ) ( ) 1 q ... 1 c 1 b 1 a
2
1
AQ
1 k
+ +
|

\
|
=

Meusobni uticaj tri faktora ABC dobija se kao polovina razlike interakcije AB kada je
faktor C na gornjem nivou (obeleava se sa AB
1
) i interakcije AB kada je faktor C na donjem
nivou (obeleava se sa AB
0
):
( )
0 1
AB AB
2
1
ABC =
( ) c ac - bc abc
2
1
AB
1
+ =
( ) ( ) [ ] 1 a 1 a b c
2
1
AB
1
=
( ) ( ) 1 b 1 a c
2
1
AB
1
=
( ) 1 a - b ab
2
1
AB
0
+ =
( ) ( ) [ ] 1 a 1 a b
2
1
AB
0
=
( ) ( ) 1 b 1 a
2
1
AB
0
=
odnosno:
( ) ( ) ( ) ( ) [ ] 1 b 1 a 1 b 1 a c
4
1
ABC =
( ) ( ) ( ) 1 c 1 b 1 a
2
1
ABC =

Meusobni uticaj k faktora je:
( ) ( ) ( ) ( ) 1 q ... 1 c 1 b 1 a
2
1
ABC...Q = (4.72)











38



5.0 TRAENJE OPTIMUMA EKSPERIMENTALNIM PUTEM


Optimizacija sloenih tehnikih i proizvodnih sistema moe imati deterministiki i
stohastiki prilaz.

Deterministiki prilaz podrazumeva ispitivanje sutine procesa, odnosno mehanizma
pojava koje se mogu opisati matematikim jezikom (npr. sistemi diferencijalnih jednaina) i koje
se mogu poznatim matematikim aparatom reavati.

Meutim, u sloenim procesima koji se ne mogu opisati i reavati na ovaj nain, jedan od
najeih postupaka je optimizacija pomou eksperimentalnih statistikih metoda. Ima vie
metoda koje omoguuju traenje ekstrema (maksimuma ili minimuma) koje se zasnivaju na
metodi strmog penjanja uz razliite metode uzastopnog pribliavanja optimumu.

Klasine eksperimentalne metode pri traenju optimuma su se pokazale neracionalnim.
Tako se, recimo, kod dvofaktornog eksperimenta kretanje ka optimumu vri u dva pravca (slika
5.1).
1
x
2
x
1
l
2
l
0
1
2
3 4 5
6
1
y
2
y
0
M
. const y
0
=
O


Slika 5.1: Kretanje prema optimumu kod dvofaktornog klasinog eksperimenta


Polazi se iz take (0) i kree po pravcu l
1
drei vektor x
1
na konstantnom nivou. Da bi se
odredio smer kretanja ka optimumu vre se ogledi u takama (1) i (2). Poto u smeru (2) izlazna
funkcija opada, novi opiti se izvode u takama (3) i (4). Izlazna funkcija y
4
ponovo opada ako je
optimum maksimum, ili raste ako je optimum minimum pa se zakljuuje da treba zadrati
faktor x
1
na nivou koji je odreen takom 3 (x
1
(3)
). Sada se ista procedura traenja smera, a time i
optimuma obavlja u pravcu l
2
. Pri ovome je veoma vano pravilno izabrati korak, jer suvie mali
korak iziskuje veliki broj opita, a suvie veliki korak ima za posledicu prolaz kroz optimalnu
oblast. Iz izloenog se vidi da je ovaj postupak neracionalan, pa se uglavnom koriste metode
planiranja eksperimenta kombinovane sa raznim numerikim tehnikama. Operativni postupak


39
ovih metoda zasniva se na kretanju po gradijentnoj liniji do optimuma procesa u odreenom broju
sukcesivnih ciklusa (slika 5.2)

1
x
2
x
0
M
O


Slkika 5.2: Kretanje prema optimumu kod gradijentnih metoda traenja optimuma


Razvijen je veliki broj metoda za dostizanje optimuma eksperimentalnim putem, a koja e
se od njih primeniti zavisi od prirode problema koji se ispituje. Na slici 5.3 su sistematizovane
uobiajene metode traenja optimuma.


OPTIMUM
FUNKCIJE VIE
PROMENLJIVIH
SEKVENCIJALNI
PLAN
PARCIJALNI
PLANOVI
METODE
DIREKTNOG
TRAENJA
UBRZANO
DIREKTNO
TRAENJE
METODA
KONJUGOVANIH
PRAVACA
SIMPLEX
METODA
METODA
STRMOG
USPONA
NUMERIKE
METODE
TRAENJA
KANONIKA
ANALIZA
JEDNAINE
2. REDA
GRADIJENTNE
METODE
CENTRALNI
KOMPOZICIONI
PLANOVI
ROTATABILNI
PLANOVI
D-OPTIMIZACIONI
PLANOVI
TRAENJE OPTIMUMA



Slika 5.3: Metode trenja optimuma




40

5.1 OPTIMUM FUNKCIJE VIE PROMENLJIVIH.
SEKVENCIJALNI PLAN


Kod sekvencijalne analize broj opita se ne zna unapred. Odluka koliko opita treba da bude
zavisi od informacija dobijenih na svakoj etapi istraivanja. Sam naziv (sequel niz) govori da se
radi o metodi gde se opiti vre u nizu etapama. Metoda ima tri osnovna pravila, koja daju
smernice za dalji rad i odluivanje, a to su:
rezultati ispitivanja se prihvataju i ispitivanje se zavrava,
test se odbacuje,
test se produava, a informacije iz predhodne etape se koriste u sledeoj.

Ovakva interaktivna metoda omoguuje dostizanje optimuma uz manji broj opita nego to
je to sluaj kod uobiajenih planova eksperimenta. Traenje optimuma kod ove metode obuhvata
sukcesivno izraunavanje nove vrednosti funkcije odziva (y) i poreenje njene vrednosti sa do
tada najboljom vrednou. Kretanje se pri tome vri iz poetne take (x
(0)
) po odreenom pravcu
(l), sa odreenim korakom (s). Koordinate novog vektora u taki (j) e biti:

( ) ( )
l s x x
j 1 j
+ =
+
(5.1)

Redosled rada korak po korak obuhvata:
1. izbor startne take bira se gruba vrednost nezavisno promenljive,
2. vri se opit (razvija se funkcija u startnoj taki),
3. izabranom metodom se utvruje nova taka,
4. vri se opit u novoj taki,
5. porede se rezultati (2) i (4),
6. ako je druga taka bolja bira se nova taka, a ako nije bira se nov pravac ili prekida
ispitivanje.


5.2 POTPUNI I DELIMINI (PARCIJALNI) FAKTORNI EKSPERIMENT

Potpuni faktorni eksperiment (PFE) je onaj koji ukljuuje sve kombinacije izmeu faktora
koji se ponavljaju. Tako pored istih efekata b
i
, koji pokazuju uticaj pojedinih faktora x
i
na
funkciju reagovanja y, jednaina sadri i koeficijente meufaktorskog dejstva (interakcije) b
ij
.
Matematiki model funkcije reagovanja bie predstavljen izrazom:
... x x x y
k
1 i
k
j i
j i ij i i 0
+ + + =

= <

a sama funkcija:
... x x b x b b y
k
1 i
k
j i
j i ij i i 0
+ + + =

= <


Za sluaj dvofaktornog i trofaktornog eksperimenta funkcija odziva dobija oblik:

2 1 12 2 2 1 1 0
x x b x b x b b y + + + =

odnosno:
3 2 1 123 3 2 23 3 1 13 2 1 12 2 2 1 1 0
x x x b x x b x x b x x b x b x b b y + + + + + + =


41
Posmatrajui plan matricu potpunog trofaktornog eksperimenta (tabela 5.1) vidi se da
kolona koja oznaava meudejstvo x
1
x
2
poklapa u nekim opitima sa kolonom koja oznaava
faktor x
3
, a negde je suprotnog znaka. Tako imamo za opite 1, 4, 6, 7 da je x
3
=x
1
x
2
, a za opite 2,
3, 5, 8 da je x
3
=-x
1
x
2
.

N
0
x
0
x
1
x
2
x
3
x
1
x
2
x
1
x
3
x
2
x
3
x
1
x
2
x
3

1 1 1 1 1 1 1 1 1
2 1 -1 1 1 -1 1 1 -1
3 1 1 -1 1 1 -1 -1 -1
4 1 -1 -1 1 -1 -1 -1 1
5 1 1 1 -1 1 1 -1 -1
6 1 -1 1 -1 -1 -1 -1 1
7 1 1 -1 -1 1 -1 1 1
8 1 -1 -1 -1 -1 1 1 -1

Tabela 5.1


Moe se zakljuiti da se iz deliminog (parcijalnog) faktornog eksperimenta (DFE) mogu
dobiti, premda ne kompletne, informacije o uticaju faktora i njihovih meudejstava na izlaznu
funkciju.

Iz jednog PFE mogu se dobiti razliiti planovi DFE zavisno od sistema zamene
meudejstava novim faktorom. Za izbor DFE koristi se specijalni kriterijum ocene sposobnost
replike, pod kojim se podrazumeva broj istih, linearnih efekata koji nisu pomeani sa
meuefektima.

Zamenom meufaktorskih efekata linearnim efektima oteava se analiza eksperimentalnih
podataka, jer se dobijaju zbirni koeficijenti, pomou kojih se ocenjuju dejstva istovremeno i
faktora i interakcija. Meutim, ovakav postupak daje manji broj opita, pa je i jeftiniji, te se koristi
naroito kada imamo veliki broj faktora.

Posmatrajui dvonivojske planove tipa 2
k
, videe se da je broj opita N=2
k
vei nego to je
broj ocenjenih liniskih efekata k. Razlika koja predstavlja viak opita jednaka je:

k 2 k N
k
= = (5.2)

S obzirom da delimini eksperiment ima manji broj opita i ovaj viak e biti manji. Ako
se u DFE p meudejstava faktora iz PFE zamene novim faktorima, broj opita je tada:

p - k
2 N = (5.3)

Minimalan broj koji predstavlja viak opita neophodan da se pored k koeficijenata tipa
b
i
odredi i koeficijent b
0
je:

1 k 2 k N
p - k
= = = (5.4)

Plan sa graninim brojem faktora koji je dobijen zamenom svih meufaktorskih efekata
linijskim efektima novih faktora naziva se zasienim. Zasien plan sadri minimalan broj opita,


42
to je povoljno sa ekonomskog stanovita, ali krije u sebi opasnost da se iz analize
eksperimentalnih rezultata izvedu pogreni zakljuci.

Ako posmatramo plan tipa 2
3
(tabela 5.1) i u njemu kolone koje oznaavaju interakciju
zamenimo novim faktorima, imaemo sledee sluajeve:

a) ako se kolone x
1
x
2
x
3
zameni faktorom x
4
, dobija se DFE kao deo PFE sa N=2
k
=2
4

3 2 1 4
x x x x =
8 2 2 2 N
3 1 - 4 p - k
= = = =
4 4 2 k N
3
= = =
2
1
2
1
p
=
|

\
|


b) ako se kolone x
1
x
2
x
3
zameni faktorom x
4
, a kolone x
1
x
2
faktorom x
5

3 2 1 4
x x x x =
2 1 5
x x x =
8 2 2 2 N
3 2 5- p - k
= = = =
3 5 2 k N
3
= = =
4
1
2
1
p
=
|

\
|


c) ako se kolone x
1
x
2
x
3
zameni faktorom x
4
, kolone x
1
x
2
faktorom x
5
a kolone x
1
x
3
faktorom
x
6

3 2 1 4
x x x x =
2 1 5
x x x =
3 1 6
x x x =
8 2 2 2 N
3 3 - 6 p - k
= = = =
2 6 2 k N
3
= = =
8
1
2
1
p
=
|

\
|


d) ako se kolone x
1
x
2
x
3
zameni faktorom x
4
, kolone x
1
x
2
faktorom x
5
,kolone x
1
x
3
faktorom
x
6
a kolone x
2
x
3
faktorom x
7

3 2 1 4
x x x x =
2 1 5
x x x =
3 1 6
x x x =
3 2 6
x x x =
8 2 2 2 N
3 4 - 7 p - k
= = = =
1 7 2 k N
3
= = =
16
1
2
1
p
=
|

\
|


Odluka, koje e se interakcije zameniti novim faktorom, i kojim, zavisi od predhodnih
saznanja o ispitivanoj oblasti i od iskustva istraivaa.


43
Iz izloenog se vidi da postoje razne kombinacije formiranja parcijalnih planova, zavisno
od toga koliko kompletno elimo da dobijemo informacije o procesu, sa kakvim sredstvima
raspolaemo, sa koliko raspoloivog vremena i slino. U tabeli 5.2 su prikazane razne
mogunosti formiranja replike PFE. Tako iz plana sa k=8 faktora moemo formirati DFE sa p=1
kao polurepliku sa N=128 opita, zatim etvrtrepliku sa N=64 opita, 1/8 replike sa N=32 opita,
1/16 replike sa N=16 opita i 1/32 repliku sa N=8 opita. To je ujedno i minimalna replika posle
koje plan postaje zasien, tako da iz tabele dobijamo odmah i maksimalni broj faktora koji se
mogu u PFE uvesti umesto interakcija.

PFE DFE
p
replika

k
p=0
p=1
|

\
|
2
1

p=2
|

\
|
4
1

p=3
|

\
|
8
1

p=4
|

\
|
16
1

p=5
|

\
|
32
1

p=6
|

\
|
64
1

p=7
|

\
|
128
1

p=8
|

\
|
256
1

p=9
|

\
|
512
1

3 8 4 - - - - - - - -
4 16 8 - - - - - - - -
5 32 16 8 - - - - - - -
6 64 32 16 8 - - - - - -
7 128 64 32 16 8 - - - - -
8 256 128 64 32 16 8 - - - -
9 512 256 128 64 32 16 8 - - -
10 1024 512 256 128 64 32 16 8 - -
11 2048 1024 512 256 128 64 32 16 8 -
12 4096 2048 1024 512 256 128 64 32 16 8

Tabela 5.2



5.2.1 DELIMINI FAKTORNI EKSPERIMENT KAO DEO POTPUNOG
FAKTORNOG EKSPERIMENTA-TIPA 2
3


Iz PFE tipa 2
3
mogu se dobiti dve polureplike (slika 5.4).
1
x
1
x
2
x
2
x
3
x
3
x
8
7 5
6
4
3
2
1


I polureplika II polureplika
take: 1, 4, 6, 7 take: 2, 3, 5, 8
4 2 2 2 N
2 1 - 3 p - k
= = = = 4 2 2 2 N
2 1 - 3 p - k
= = = =

Slika 5.4: Polureplike PFE tipa 2
3



44
Replike PFE se ocenjuju posredno, preko generatora (generirajua meuzavisnost) koji
pokazuju zavisnost izmeu interakcije i faktora, kojim je zamenjena. Tako za trofaktorni plan
eksperimenta imamo dva generatora:
2 1 3
x x x = i
2 1 3
x x x =

Kontrast J se dobija mnoenjem generatora odgovarajuim faktorom. Tako da je za
trofaktorni eksperiment:
3 2 1
x x x J = i
3 2 1
x x x J = (5.5)

Kontrast omoguuje odreivanje naina menjanja efekata. Potrebno je pomnoiti obe
strane odgovarajuim faktorima, pa poto je 1 x
i
= bie 1 x
2
i
= , odnosno za prvu repliku:
1 x x x J
3 2 1
= =
dobijamo:
3 2 3 2
2
1 1
x x x x x x = =
3 1 3
2
2 1 2
x x x x x x = = (5.6)
2 1
2
3 2 1 3
x x x x x x = =

Za drugu polurepliku:
3 2 1
x x x =
3 1 2
x x x = (5.7)
2 1 3
x x x =

Sistem reenja je pogodno pisati pomou koeficijenata regresije, pa je za prvu polurepliku:
23 1 1
b +
13 2 2
b + (5.8)
12 3 3
b +

Za drugu polurepliku se dobija:
23 1 1
b
13 2 2
b (5.9)
12 3 3
b

Sjedinjavanjem obe polureplike dobija se PFE. Koeficijenti regresije su tada:
2
b b
b
0 0
0

=
2
b b
b
3 3
12

=
2
b b
b
1 1
1

=
2
b b
b
2 2
13

= (5.10)
2
b b
b
2 2
2

=
2
b b
b
1 1
23

=
2
b b
b
3 3
3

=



45
Oznaavanje koeficijenata regresije polureplika sa
i
b odnosno
i
b vri se onda ako se rade
dve replike. Ako se radi samo jedna replika, koeficijenti se oznaavaju sa b
i
.

Plan matrica za prvu polurepliku, dobija se iz PFE ija je matrica plana prikazana u tabeli
5.3.

Opit
0
x
3 2 1
x x x =
3 1 2
x x x =
2 1 3
x x x =
u
y
1 1 1 1 1
1
y
4 1 -1 -1 1
4
y
6 1 -1 1 -1
6
y
7 1 1 -1 -1
7
y
9 1 0 0 0
9
y
10 1 0 0 0
10
y

Tabela 5.3


a) Ponavljanje opita u nultoj taki n
0
=4 (take 9, 10, 11, 12 - za celokupni eksperiment)
interakcija
3 2 1
x x x se zanemaruje.

Matrica ulaznih vrednosti X je :

(
(
(
(
(
(
(

=
0 0 0 1
0 0 0 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
X (5.11)

Njena transponovana matrica je:

(
(
(
(

=
0 0 1 1 1 1
0 0 1 1 1 1
0 0 1 1 1 1
1 1 1 1 1 1
X (5.12)

Njihov proizvod je:
(
(
(
(

=
(
(
(
(
(
(
(

(
(
(
(

=
4 0 0 0
0 4 0 0
0 0 4 0
0 0 0 6
0 0 0 1
0 0 0 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
0 0 1 1 1 1
0 0 1 1 1 1
0 0 1 1 1 1
1 1 1 1 1 1
X X (5.13)


46
A inverzna matrica je:
( )
(
(
(
(
(
(
(
(

=
4
1
0 0 0
0
4
1
0 0
0 0
4
1
0
0 0 0
6
1
X X
1 -
(5.14)

Tada je:
(
(
(
(
(
(
(
(

(
(
(
(

(
(
(
(
(
(
(
(

=
(
(
(
(

10
9
7
6
4
1
4
3
2
1
y
y
y
y
y
y
0 0 1 1 1 1
0 0 1 1 1 1
0 0 1 1 1 1
1 1 1 1 1 1
4
1
0 0 0
0
4
1
0 0
0 0
4
1
0
0 0 0
6
1
b
b
b
b
(5.15)

U razvijenom obliku dobie se tada da je:
( )
10 9 7 6 4 1 0
y y y y y y
6
1
b + + + + + =
( )
7 6 4 1 1
y y y y
4
1
b + =
( )
7 6 4 1 2
y y y y
4
1
b + = (5.16)
( )
7 6 4 1 3
y y y y
4
1
b + =

b) Ponavljanje u takama plana n=3

Srednje aritmetike sredine mernih vrednosti pojedinih opita su
7 6 4 1
y , y , y , y , a vrednosti
koeficijenata regresije su:
( )
7 6 4 1 0
y y y y
4
1
b + + + =
( )
7 6 4 1 1
y y y - y
4
1
b + =
( )
7 6 4 1 2
y y y y
4
1
b + = (5.17)
( )
7 6 4 1 3
y y y y
4
1
b + =

Pri emu je opti izraz za srednju aritmetiku sredinu pojedinih opita:
n
y
y
n
1 j
j
i

=
=


47

5.2.2 DELIMINI FAKTORNI EKSPERIMENT TIPA 2
5-2
(ETVRTREPLIKA)


Dobijanje etvrtreplike vri se zamenom dvaju meudejstava faktora novim faktorom. Ako
meudejstvo dva faktora zamenimo sa x
4
, a tri faktora sa x
5
imaemo 12 moguih kombinacija za
dobijanje etvrtreplike iz PFE tipa 2
5
:

2 1 4
x x x =
3 2 1 5
x x x x =
2 1 4
x x x =
3 2 1 5
x x x x =
2 1 4
x x x =
3 2 1 5
x x x x =
2 1 4
x x x =
3 2 1 5
x x x x =
3 1 4
x x x =
3 2 1 5
x x x x =
3 1 4
x x x =
3 2 1 5
x x x x = (5.18)
3 1 4
x x x =
3 2 1 5
x x x x =
3 1 4
x x x =
3 2 1 5
x x x x =
3 2 4
x x x =
3 2 1 5
x x x x =
3 2 4
x x x =
3 2 1 5
x x x x =
3 2 4
x x x =
3 2 1 5
x x x x =
3 2 4
x x x =
3 2 1 5
x x x x =

Razmotrimo sluaj (1) prva etvrtreplika:

2 1 4
x x x =
4 2 1
x x x J =
3 2 1 5
x x x x =
5 3 2 1
x x x x J = (5.19)

Mnoenjem dva kontrasta dobijamo treu zavisnost
5 4 3
x x x J = , pa je:

5 4 3 5 3 2 1 4 2 1
x x x x x x x x x x J = = = (5.20)

Iz ovog zbirnog kontrasta dobijamo sledee odnose zdruenih efekata, ako sve pomnoimo
odgovarajuim faktorima:

5 4 3 1 5 3 2 4 2 1
x x x x x x x x x x = = =
1345 235 24 1 1
b + + +
5 4 3 2 5 3 1 4 1 2
x x x x x x x x x x = = =
2345 135 14 2 2
b + + +
5 4 5 2 1 4 3 2 1 3
x x x x x x x x x x = = =
45 125 1234 3 3
b + + +
5 3 5 4 3 2 1 2 1 4
x x x x x x x x x x = = =
35 12345 12 4 4
b + + + (5.21)
4 3 3 2 1 5 4 2 1 5
x x x x x x x x x x = = =
34 123 1245 5 5
b + + +
5 4 1 5 2 4 3 2 3 1
x x x x x x x x x x = = =
145 25 234 13 13
b + + +
4 3 1 3 2 5 4 2 5 1
x x x x x x x x x x = = =
134 23 245 15 15
b + + +

Iz ovih jednaina se vidi da su mnogi liniski efekti pomeani sa dvojnim, trojnim i
etvornim meudejstvima faktora, to u mnogome oteava analizu uticaja pojedinih faktora, kao i
njihovih meudejstava na proces. Zato je potrebno, ako postoje neke apriori informacije da su
meudejstva faktora znaajna, izvriti jo jedan niz opita, koji predstavljaju dopunsku


48
etvrtrepliku. Vri se prema plan matrici koja odgovara prvoj etvrtreplici, ali sa promenjenim
znakom:
2 1 4
x x x =
3 2 1 5
x x x x = (5.22)

pa je zbirni kontrast ravan:

5 4 3 5 3 2 1 4 2 1
x x x x x x x x x x J = = = (5.23)

Trei kontrast se dobija mnoenjem predhodna dva. Iz kontrasta dobijamo:

5 4 3 1 5 3 2 4 2 1
x x x x x x x x x x = = =
1345 235 24 1 1
b +
5 4 3 2 5 3 1 4 1 2
x x x x x x x x x x = = =
2345 135 14 2 2
b +
5 4 5 2 1 4 3 2 1 3
x x x x x x x x x x = = =
45 125 1234 3 3
b +
5 3 5 4 3 2 1 2 1 4
x x x x x x x x x x = = =
35 12345 12 4 4
b + (5.24)
4 3 3 2 1 5 4 2 1 5
x x x x x x x x x x = = =
34 123 1245 5 5
b +
5 4 1 5 2 4 3 2 3 1
x x x x x x x x x x = = =
145 25 234 13 13
b +
4 3 1 3 2 5 4 2 5 1
x x x x x x x x x x = = =
134 23 245 15 15
b +

Sabiranjem koeficijenata obe etvrtreplike dobijamo nove vrednosti:
235 1 1
b +
123 5 5
b +
135 2 2
b +
25 13 13
b + (5.25)
125 3 3
b +
23 15 15
b +
12345 4 4
b +