UNIVERZITET U TUZLI

MAŠINSKI FAKULTET

PROIZVODNO MAŠINSTVO

SEMESTRALNI RAD
Tema: MATEMATSKO MODELIRANJE STOPE GRAVIRANJA ZA RAZLIČITE
MATERIJALE

Predmet: DIZAJN I ANALIZA INDUSTRIJSKIH EKSPERIMENATA

Studenti: Ahmed Halilović, II-1/16,

Nedim Bošnjić, II-4/16, Profesor: Dr.sci. Emir Šarić, vanr.prof.

Maid Ganjgo, II-16/16. Asistent: MA Denis Bećirović, ass.

Postavka semestralnog rada

1
SADRŽAJ

1. REAKTIVNO IONSKO NAGRIZANJE ................................................................................................... 4

1.1. UVOD ....................................................................................................................................... 4
1.2. OPREMA ZA RIE ....................................................................................................................... 4
1.2.1. Način rada RIE.................................................................................................................. 4
1.3. ICP – RIE PROCESI .................................................................................................................... 6
1.3.1. Oprema za ICP – RIE ........................................................................................................ 7
1.3.2. Način rada ICP – RIE......................................................................................................... 7
2. REGRESIONA ANALIZA – MATRIČNI PRISTUP – MS EXCEL .............................................................. 8
2.1. POSTAVKA PROBLEMA ............................................................................................................ 9
2.2. REZULTATI EKSPERIMENTA (prvi dio) .................................................................................... 10
2.3. ANALIZA I ZAKLJUČAK ZA PRVI DIO ....................................................................................... 18
2.4. REZULTATI EKSPERIMENTA (drugi dio) .................................................................................. 20
2.5. ANALIZA I ZAKLJUČAK ZA DRUGI DIO .................................................................................... 26
2.6. REZULTATI EKSPERIMENTA (treći dio) ................................................................................... 28
2.7. ANALIZA I ZAKLJUČAK ZA TREĆI DIO ...................................................................................... 35
3. LITERATURA ................................................................................................................................... 37

Popis slika

Slika 1. Reaktivno ionsko nagrizanje u usporedbi sa fotohemijskim nagrizanjem (u sredini)................. 5

Slika 2. Dijagram uobičajne postavke RIE ................................................................................................ 6
Slika 3. ICP - RIE sistem ............................................................................................................................ 7
Slika 4. RIE sistem i područje crnog plašta sa plazmom .......................................................................... 9
Slika 5. Izgled X matrice u Excel – u (za prvi dio) ................................................................................... 10
Slika 6. Matrica kovarijanse (za prvi dio) ............................................................................................... 11
Slika 7. Kontrasti (za prvi dio) ................................................................................................................ 11
Slika 8. Matrica kolona procjenjenih koeficijenata b1, b2, b3, b4 ........................................................ 12
Slika 9. Dobijene vrijednosti OER – modela .......................................................................................... 12
Slika 10. Reziduali i pojedinačne kvadratne greške (za prvi dio) ........................................................... 13
Slika 11. SSE, MSE i standardna devijacija (za prvi dio) ......................................................................... 13
Slika 12. Koeficijenti koleracije (za prvi dio) .......................................................................................... 14
Slika 13. T-test značajnosti (za prvi dio) ................................................................................................ 14
Slika 14. Fišerov test adekvatnosti (za prvi dio) .................................................................................... 16
Slika 15. Rezultati eksperimenta sa kodiranim vrijednostima (za prvi dio)........................................... 18
Slika 16. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli ....................... 19
Slika 17. Izgled X matrice u Excel – u (za drugi dio) ............................................................................... 20

2
Slika 18. Matrica kovarijanse (za drugi dio)........................................................................................... 20
Slika 19. Kontrasti (za drugi dio) ............................................................................................................ 21
Slika 20. Matrica kolona procjenjenih koeficijenata b1, b2, b3, b4 ...................................................... 21
Slika 21. Dobijene vrijednosti OER – modela ........................................................................................ 22
Slika 22. Reziduali i pojedinačne kvadratne greške (za drugi dio) ......................................................... 22
Slika 23. SSE, MSE i standardna devijacija (za drugi dio) ....................................................................... 23
Slika 24. Koeficijenti koleracije (za drugi dio) ........................................................................................ 23
Slika 25. T-test značajnosti (za drugi dio) .............................................................................................. 23
Slika 26. Fišerov test adekvatnosti (za drugi dio) .................................................................................. 24
Slika 27. Rezultati eksperimenta sa kodiranim vrijednostima (za drugi dio) ........................................ 26
Slika 28. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli ....................... 28
Slika 29. Izgled X matrice u Excel – u (za treći dio) ................................................................................ 28
Slika 30. Matrica kovarijanse (za treći dio) ............................................................................................ 29
Slika 31. Kontrasti (za treći dio) ............................................................................................................. 29
Slika 32. Matrica kolona procjenjenih koeficijenata b1, b2, b3, b4 ...................................................... 30
Slika 33. Dobijene vrijednosti OER – modela ........................................................................................ 30
Slika 34. Reziduali i pojedinačne kvadratne greške (za treći dio) .......................................................... 31
Slika 35. SSE, MSE i standardna devijacija (za trećii dio) ....................................................................... 31
Slika 36. Koeficijenti koleracije (za treći dio) ......................................................................................... 31
Slika 37. T-test značajnosti (za treći dio) ............................................................................................... 32
Slika 38. Fišerov test adekvatnosti (za treći dio) ................................................................................... 33
Slika 39. Rezultati eksperimenta sa kodiranim vrijednostima (za treći dio) ......................................... 34
Slika 40. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli ....................... 36

Popis tabela

Tabela 1. Dijapazon variranja ulaznih varijabla ....................................................................................... 9

Tabela 2. Fizikalne i kodirane vrijednosti .............................................................................................. 17
Tabela 3. Fizikalne i kodirane vrijednosti .............................................................................................. 26
Tabela 4. Fizikalne i kodirane veličine ................................................................................................... 34

Popis dijagrama

Dijagram 1. Plot reziduala (za prvi dio) ................................................................................................. 17

Dijagram 2. Rezultati regresije matematskog modela (za prvi dio) ...................................................... 19
Dijagram 3. Plot reziduala (za drugi dio) ............................................................................................... 25
Dijagram 4. Rezultati regresije matematskog modela (za drugi dio) .................................................... 27
Dijagram 5. Plot reziduala (za treći dio) ................................................................................................ 33
Dijagram 6. Rezultati regresije matematskog modela (za treći dio) ..................................................... 35

3
 1. REAKTIVNO IONSKO NAGRIZANJE

1.1. UVOD

Reaktivno ionsko nagrizanje je tehnologija koja se koristi u mikrofabrikaciji. RIE je vrsta suhog
nagrizanja koja ima drugačije karakteristike od mokrog nagrizanja. RIE koristi hemijski reaktivnu
plazmu za uklanjanje materijala. Plazma nastaje pod niskim pritiskom elektromagnetskog polja.
Razlikujemo dva načina nagrizanja, i to:

 Reaktivno ionsko nagrizanje (RIE) i

 Induktivno spojena plazma – reaktivno ionsko nagrizanje (ICP – RIE)

1.2. OPREMA ZA RIE

Tipičan RIE sistem se sastoji od vakuumske komore, u kojoj je smješten sistem elektronike (u
donjem dijelu). Gas ulazi kroz male dovode na vrhu komore, a kroz dno izlazi u sistem vakuumskih
pumpi. Vrste i količina korištenog gasa variraju ovisno o procesu nagrizanja: na primjer, sumporni
heksafluorid obično se koristi za nagrizanje silikona. Pritisak gasa se obično održava u rasponu između
nekoliko militora i nekoliko stotina militora (Torr = 101 325 Pa) podešavanjem otvora za ispušne
gasove.

1.2.1. Način rada RIE

Plazma se pokreće u sistemu primjenom snažnog radiofrekvencijskog elektromagnetskog polja.

Polje se obično postavlja na frekvenciju 13.56 MHz, koja je primjenjiva na nekoliko stotina Wata.
Oscilirajuće električno polje ionizira molekule gasa uklanjajući im elektrone te stvarajući plazmu.

U svakom ciklusu polja, elektroni se u komori električno ubrzavaju gore – dole, ponekad
udarajući i u gornji zid komore. Kad se elektroni apsorbiraju u stijenke komore, oni se jednostavno
dovode i ne mijenjaju elektronsko stanje sistema. Međutim, elektroni koji se nalaze na pločici uzrokuju
da ploča nakuplja naboj zbog izolacije istosmjerne struje. Nagomilavanje naboja razvija veliki negativni
napon na ploči, obično oko nekoliko stotina volti. Sama plazma razvija blago pozitivan naboj zbog veće
koncentracije pozitivnih jona u odnosu na slobodne elektrone.

Zbog velike razlike napona, pozitivni ioni imaju tendenciju da se kreću prema ploči, gdje se
sudaraju s uzorcima koji će se nagrizati. Joni hemijski reagiraju s materijalima na površini uzoraka, ali
također mogu rasprštiti neki materijal prenoseći dio svoje kinetičke energije. Zbog vertikalne isporuke
reaktivnih iona, reaktivno ionsko nagrizanje može stvoriti vrlo anizotropne profile nagrizanja, koji su u
suprotnosti s tipično izotropnim profilima mokrog hemijskog nagrizanja.

4
Slika 1. Reaktivno ionsko nagrizanje u usporedbi sa fotohemijskim nagrizanjem (u sredini)

5
 RIE se sastoji od dvije elektrode (1 i 4) koje stvaraju električno polje (3) za ubrzanje iona (2) prema
površini uzoraka (5).

Slika 2. Dijagram uobičajne postavke RIE

Uslovi u RIE sistemu zavise o mnogim procesnim parametrima, poput pritiska, protoka gasa i
snage radiofrekvencijskog elektromagnetnog polja, omjer gasova za proces (CF4 : CHF3).

1.3. ICP – RIE PROCESI

ICP – RIE može se koristiti za brzo nagrizanje širokog spektra materijala, uključujući poluvodiče,
dielektrike, metale i polimere. Uslovi procesa mogu se prilagoditi i optimizirati podešavanjem postavki
mnogih parametara procesa, kao što su RF snaga, pritisak i protok plina. Upravo ti uslovi korištenja koji
zavise od pritiska, koji treba da bude niži u odnosu na pritisak primjenjen kod RIE.

6
 1.3.1. Oprema za ICP – RIE

ICP – RIE alati koriste induktivno spojen izvor plazme, što znači da se plazma generiše magnetnim
poljem koje napaja RF. Dodavanjem induktivno spojenog izvora plazme standardni RI sistem može
postići vrlo veliku gustinu plazme.

Postoje dva pristupa u dizajnu ICP sistema:

 Ravni ICP izvor i

 Cilindrični ICP izvor.

ICP – RIE sistemi obično rade sa malim pritiskom i koriste dva nezavisna izvora RF. RF generator
od 2 MHz primjenjuje snagu na ICP zavojnicu koja kontroliše ionske tokove, dok se preostala snaga
usmjerava na donju elektrodu koristeći RF generator 13.56 MHz za izdvajanje i ubrzanje iona i radikala
iz plazme prema površini materijala. Ovakva konfiguracija rezultira nezavisnom kontrolom gustoće
iona i ionskom energijom za veće brzine nagrizanja, veću fleksibilnost procesa i smanjenje oštećenja
uzoraka.

1.3.2. Način rada ICP – RIE

ICP – RIE nagrizanje zasniva se na korištenju induktivno povezanog izvora plazme. ICP izvor stvara
plazmu visoke gustoće zbog induktivnog spajanja RF antene i plazme. Antena, smještena u području
stvaranja plazme, stvara izmjenično radiofrekvencijskog magnetno polje i inducira radiofrekvenciju
električnog polja, koja energiziraju elektrone koji sudjeluju u ionizaciji molekula gasa i atoma pod
niskim pritiskom. Zbog nepostojanja električnog polja u blizini zidova reaktora praktički nema ionskog
bombardiranja.

Ključna razlika između ICP – RIE i RIE je odvojeni ICP izvor napajanja povezan s katodom koji
generiše jednosmjernu pristranost i prvlači jone u rez. Dakle, pomoću ICP – RIE tehnologije moguće je
odvojiti ionsku struju i ionsku energiju.

Slika 3. ICP - RIE sistem

7
 2. REGRESIONA ANALIZA – MATRIČNI PRISTUP – MS EXCEL

U statistici pronalaženjem statističkih veza između pojava bavi se regresiona analiza odnosno
regresija. Regresija je jedan od načina da se sastavi model za predviđanje i ocjenjivanje jedne ili više
zavisnih promijenljivih na osnovu jedne ili više nezavisnih promijenljivih. U regresiji postoji izlaz, za
razliku od drugih statističkih tehnika koje se bave problemima u kojima ne postoji zavisna promijenljiva.

Problem opisivanja ovakvih veza svodi se na pronalaženje modela koji povezuje jednu ili više
zavisnih promijenljivh 𝑦1 , 𝑦2 , 𝑦3 , … 𝑦𝑛 sa jednom ili više nezavisnih promijenljivih 𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛
pomoću neke funkcionalne zavisnosti. Ukoliko se problem koji posmatramo može tretirati kao problem
jedne zavisne i više nezavisnih promenljivih, radi se o pogodnoj situaciji za analizu podataka metodom
višestruke regresije. Ako je veza između njih linearna, slučaj se svodi na višestruki linearni model.

Neka su:
 y - zavisna promenljiva varijabla,
 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 – nezavisne promenljive varijable,
 𝑏𝑜 , 𝑏1 , 𝑏2 , 𝑏3 , 𝑏4 - nepoznati (regresioni) koeficijenti,
 𝜀 – greška.

Tada je linearni (regresioni) model:

𝒚 = 𝒃𝒐 + 𝒃𝟏 ∙ 𝒙𝟏 + 𝒃𝟐 ∙ 𝒙𝟐 + 𝒃𝟑 ∙ 𝒙𝟑 + ⋯ + 𝒃𝒏 𝒏 + 𝛆

Mogući izvori greške su slučajna greška ili greška mjerenja i greška usljed nemogučnosti fitovanja
izabranim regresionim modelom. Osnovni cilj regresione analize je minimizirati grešku fitovanja.
Promijenljivu y zovemo i promijenljiva odgovora, tj. output promenljiva, dok su x -promijenljive
zvane input, tj. objašnjavajuće promijenljive.

Ukoliko imamo n eksperimenata model možemo zapisati matrično (matrični pristup) na sledeći
način:

𝑦1 1 𝑥11 𝑥12 … 𝑥1𝑛 𝑏0 𝜀1

1 𝑥 𝑥 …𝑥
[ … ] = [ 21 22 ⋮ 2𝑛 ] ∗ [ … ] + [ … ]
𝑦𝑛 ⋮ ⋮ ⋮ … ⋮ 𝑏𝑛 𝜀𝑛
1 𝑥𝑛1 𝑥𝑛2 𝑥𝑛𝑛
Kraći zapis je:

𝒚 = 𝑿𝒃 + 𝜺
Gdje je:
 𝑋𝑏 – sistemska komponenta modela,
 𝜀 – slučajna komponenta modela.

Na osnovu prethodno rečenog, možemo doći do zaključaka da su ciljevi regresione analize:

 Ispitivanje da li nezavisna promijenljiva (nezavisne promijenljive) objašnjavaju značajni dio
varijabiliteta zavisne promijenljive, tj. da li postoji veza;
 Odrediti koji dio varijabiliteta zavisne promijenljive može biti objašnjen nezavisnim
promijenljivim, tj. jačina veze;
 Odrediti strukturu veze;
 Predvidjeti vrijednosti zavisne promijenljive.

8
 2.1. POSTAVKA PROBLEMA

Potrebno je ispitati karakter i nivo uticaja nezavisno promjenljivih (ulaznih):

a) Snaga [W] radiofrekvencijskog elektromagnetnog polja,

b) Pritisak gasa [mT],
c) Omjer gasova (CF4 : CHF3)

na zavisnu promjenljivu (izlaznu varijablu) koja je u ovom slučaju stopa graviranja (dubina gravure po
jedinici vremena) u zavisnosti od materijala koji se primjenjuje u Ionsko reaktivnom nagrizanju
(graviranju). Materijali odnosno slojevi koji su se primjenivali u ovom eksperimentu su:

 Oxide [A/min],
 Polysilicon [A/min],
 PhotoResist [A/min].

Mjerna jedinica za stopu graviranja odnosno ostvarenu dubinu graviranja u ovom slučaju je
Angstrem po minuti (jedinici vremena). Angstrem (A) je jedinica dužine i iznosi 1 ∙ 10−10 𝑚 (𝑚𝑒𝑡𝑎𝑟𝑎)
odnosno 0,1 nm (nanometar).

Ulazne varijable su varirane na tri nivoa shodno tabeli ispod:

Tabela 1. Dijapazon variranja ulaznih varijabla

Nizak nivo Standardni nivo Visoki nivo

Snaga 600 750 900

Pritisak 300 385 470

CF4 : CHF3 1.8 2.2 2.6

Slika 4. RIE sistem i područje crnog plašta sa plazmom

9
 2.2. REZULTATI EKSPERIMENTA (prvi dio)

Plan matrica X

U MS Excel – u na bazi plan matrice izvođenja eksperimenta i odgovarajućih izmjerenih

vrijednosti zavisno promjenljive formira se matrica X. Matrica X pored vrijednosti nezavisnih varijabla
i zavisne varijable sadrži i kolonu jedinica.

Slika 5. Izgled X matrice u Excel – u (za prvi dio)

Matrica kovarijanse

Matrica kovarijanse je inverzna matrica proizvoda transponovane X matrice i dizajn matrice X.

𝑪𝟎𝟎 … 𝑪𝒐𝒎
𝑻 −𝟏
C=(𝑿 𝑿) =[ ⋮ ⋱ ⋮ ]
𝑪𝒎𝟎 … 𝑪𝒎𝒎

a da bi se dobila njena vrijednost, koristimo Excel funkciju: =minverse(mmult(transpose(“selektujemo

prethodno formiranu matricu X“); “selektujemo matricu X“))“ i onda istovremeno pritisnemo tipke
Ctrl, Shift + Enter.

Izračunata inverzna matrica se zove „Matrica kovarijanse“, gdje članovi po dijagonali

predstavljaju kovarijanse individualnih regresionih koeficijenata. Kovarijansa u teoriji vjerovatnoće i
statistici, predstavlja mjeru jačine veze između promjene dvije promijenljive. Varijansa je poseban
slučaj kovarijansa kada su dvije promijenljive iste.

10
 (𝑿𝑻 𝑿)−𝟏

Slika 6. Matrica kovarijanse (za prvi dio)

Kontrasti

Matrica kolona proizvoda transponovane dizajn matrice X i kolone rezultata naziva daje
vrijednosti tzv. Kontrasta. Za određivanje koristi se Excel funkcija:
„=mmult(transpose(“selektuj matricu X“); (“selektuj Y“))“ onda istovremeno pritisnemo tipke Ctrl,
Shift + Enter.
Za rezultat treba selektovati kolonu sa brojem redova koji odgovara broju koeficijenata
(uključujući bo), u ovom slučaju 4 reda.

Kontrasti = XT y

Slika 7. Kontrasti (za prvi dio)

11
 Matrica kolona procijenjenih koeficijenata dobija se iz proizvoda prethodno određenih matrica,
pomoću komande „= mmult((𝑋 𝑇 𝑋)−1 matrica; 𝑋 𝑇 𝑦 matrica)“ i onda istovremeno pritisnemo tipke
Ctrl, Shift i Enter.

𝒃 = (𝑿𝑻 𝑿)−𝟏 𝑿𝑻 𝒚

Slika 8. Matrica kolona procjenjenih koeficijenata b1, b2, b3, b4

Matematski model

Matematski model koji predviđa izlaznu vrijednost je:

𝑦 = 𝑏𝑜 + 𝑏1 ∙ 𝑃 + 𝑏2 ∙ 𝑝 + 𝑏3 ∙ 𝐺𝑟 = −1433,84 + 3,05 ∙ 𝑃 + 11,49 ∙ 𝑝 + 210,63 ∙ 𝐺𝑟

Gdje su:

 𝑏𝑜 , 𝑏1 , 𝑏2 , 𝑏3 - odgovarajući regresioni koeficijenti,

 P – snaga elektromagnetnog polja,
 𝑝 – pritisak gasa,
 𝐺𝑟 – omjer gasova.

Kao rezultat se dobije:

Slika 9. Dobijene vrijednosti OER – modela

12
Procjena varijanse greške 𝝈𝟐 (MSE)

Regresioni koeficijenti b0,b1,b2,b3, izračunati korištenjem prethodnog postupka, predstavljaju

procjene sa najmanjom varijansom greške. Varijansa greške zavisi od sume kvadratne greške SSE i
broja stepeni slobode regresionog modela i rezidualne greške. Srednja kvadratna greška MSE
predstavlja SSE podijeljenu sa stepenom slobode greške:

𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑛−𝑝
𝑛

𝑆𝑆𝐸 = ∑(𝑦𝑘 − 𝑏0 − 𝑏1 𝑥1𝑘 − 𝑏2 𝑥2𝑘 − ⋯ − 𝑏𝑖 𝑥𝑖𝑘 )2

𝑘=1

Gdje je : n- broj eksperimenata, a p - broj članova regresionog modela uključujući i slobodan član.

Na bazi matematskog modela određuju se srednje vrijednosti predviđanja (modelske vrijednosti

OER - modela). Razlika eksperimentalnih i modelskih vrijednosti naziva se greška ili rezidual, pa se
formira kolona reziduala. Reziduali predstavljaju onaj dio varijabilnosti koji nije moguće objasniti
modelom. Suma kvadrata greške (reziduala) SSE dobija se smuniranjem kvadrata greške za svaku
kombinaciju u plan matrici eksperimenata.

Kvadratne
greške

Slika 10. Reziduali i pojedinačne kvadratne greške (za prvi dio)

Kvadratni korijen od MSE koristi se za procjenu „standardne devijacije“ i zove se „standardna

greška“ regresionog modela.

Sume
kvadratne
Srednja
greške
kvadratna
greška
Standardna
devijacija (greška)

Slika 11. SSE, MSE i standardna devijacija (za prvi dio)

13
Koeficijent koleracije

Korelacija je međusobni odnos između različitih pojava koje su predstavljene vrijednostima u

dvije ili više slučajnih varijabli. Pri tome, povezanost znači da je na osnovu poznavanja vrijednosti jedne
varijable, uz određenu vjerovatnoću, moguće prognozirati vrijednost druge varijable, pošto se ove
vrijednosti pojavljuju u određenom odnosu. Stepen u kojem su dvije vrijednosti podudarne može se
predstaviti grafički na dijagramu rasturanja, ili putem koeficijenta korelacije.

Koeficijenti korelacije izražavaju mjeru povezanosti između dvije varijable u jedinicama

neovisnima o konkretnim jedinicama mjere u kojima su iskazane vrijednosti varijabli. Postoji više
koeficijenata korelacije koji se koriste u različitim slučajevima. U praksi se prilikom rada s linearnim
modelima najčešće koristi Pearsonov koeficijent korelacije (produkt moment koeficijent korelacije). U
ovom slučaju koeficijent korelacije se računao preko Excel funckije „=PEARSON(selektovanje kolone
ulanih parametara i kolonu rezultata)“.

Slika 12. Koeficijenti koleracije (za prvi dio)

Test značajnosti individualnih regresionih koeficijenata (t-test)

Model sa puno koeficijenata nije neophodno najbolji, dok se sa druge strane, model sa malo
koeficijenata može značajno poboljšati dodavajući koeficijente. Mi ne znamo koji koeficijent igra
značajnu ulogu u modelu, te je neophodno izvesti provjeru značajnosti koeficijenata modela.

Test značajnosti individualnih koeficijenata tzv. T-Test poredi izračunatu vrijednost t0:

𝒃𝒋
𝒕𝒐 =
√𝑴𝑺𝑬 ∙ 𝑪𝒋𝒋

sa kritičnom vrijednošću za dati nivo pouzdanosti α i stepen slobode greške n-1-i. Ukoliko je vrijednost
t0 manja ili bliska kritičnoj, koeficijent se može odbaciti kao neznačajan za dati za dati nivo pouzdanosti.
U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i broj stepeni slobode računa tabličnu
vrijednost t-raspodjele i to : „=TINV(0,05;n-1-i)“ . Za konkretno podatke u ovoj postavci t-kritično
iznosi tkritično= 2,4469118.

Slika 13. T-test značajnosti (za prvi dio)

14
Izuzimajući neznačajan (nesignifikantan) parametar regresije dobiva se jednačina matematskog
modela, koja predviđa izlaznu vrijednost, u slijedećem obliku:

𝑦 = 𝑏𝑜 + 𝑏1 ∙ 𝑃 + 𝑏2 ∙ 𝑝 = −970,47 + 3,05 ∙ 𝑃 + 11,49 ∙ 𝑝

Gdje su:

 𝑏𝑜 , 𝑏1 , 𝑏2 - odgovarajući regresioni koeficijenti,

 P – snaga elektromagnetnog polja,
 𝑝 – pritisak gasa,

Kao rezultat se dobije:

Testiranje adekvatnosti regresionog modela (Fišerov test)

Testiranje adekvatnosti regresionog modela testira hipotezu za početni regresioni model i

obuhvata komparaciju varijabiliteta usljed regresionog modela i ukupnog varijabiliteta. Pomenuta
komparacija je bazirana na izračunatim vrijednostima: regresione sume kvadrata (SSR) i sume kvadrata
greške (SSE). Ukoliko izračunata vrijednost F0 veća odgovarajuće kritične vrijednosti Fkrit iz F raspodjele
za dati nivo značajnosti sa i (n-1-i) stepeni slobode, hipoteza koja tvrdi da „regresioni model nije
značajan“ se može odbaciti.

𝑆𝑆𝑅
𝑖 𝑀𝑆𝑅
𝐹0 = =
𝑆𝑆𝐸 𝑀𝑆𝐸
𝑛−1−𝑖
𝑛

𝑆𝑆𝑅 = ∑(𝑦𝑘𝑒𝑠𝑡 − 𝑦̅)2

𝑘=1

gdje je: SSR – regresiona suma kvadrata koja daje varijabilitet odziva y objašnjenog modelskom
jednačinom i definiše se sumom kvadrata razlika između vrijednosti yest dobijenih modelom i srednje
vrijednosti svih odziva dobijenih eksperimentalno.

U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i odgovarajuće brojeve stepeni
slobode regresije i reziduala, računa kritičnu vrijednost F-raspodjele i to : „=FINV(0,05;n-1-i)“ . Za
konkretno podatke u ovoj postavci F-kritično iznosi Fkrit= 4,757063.

15
 Kvadrati razlike
modelske
vrijednosti i srednje
vrijednosti
dobijene
ekspremintalno

𝑆𝑆𝑅
𝑖

Slika 14. Fišerov test adekvatnosti (za prvi dio)

Koeficijent determinacije

Koeficijent determinacije 𝑅 2 je definisan odnosnom regresione SSE i ukupne sume kvadrata SYY.

𝑺𝑺𝑬
𝑹𝟐 = 𝟏 −
𝑺𝒀𝒀

Koeficijent determinacije predstavlja udio ukupnog varijabiliteta objašnjenog regresioim

modelom, dok R2 pomožen sa 100% predstvalja udio ukupnog varijabiliteta izlazne varijable objašnjene
regresionim modelom. Koeficijent determinacije nam zapravo daje informaciju o tome koliko rasipanja
izlaznih podataka potječe od funkcijske ovisnosti 𝑥 −> 𝑏𝑜 + 𝑏𝑥, a koliko otpada na tzv. rezidualno ili
neobjašnjeno rasipanje (tu informaciju očitavamo iz 1 − 𝑅 2). Drugim riječima daje informaciju o tome
koliko je jaka funkcijska veza izmedu X i Y . Što je vrijednost koeficijenta 𝑅 2 bliža 1, zavisnost je jača.

Za primjer koji se analizirao u ovom prvom dijelu semestralnog rada, vrijednost koeficijenta
determinacije iznosi R2 = 0,9567 odnosno 95,67 %

Analiza reziduala

Nakon izračunavanja modela poptpuna analiza reziduala je vrlo značajno za procjenu

adekvatnosti regresije. Najčešće korištene metode analize su :

 Normal Probability Plot Rezidual

 Plot Residuala naspram rezultata predviđanja
 Analysis korištenjem odbacivanja vrijednosti.

16
 Linearna regresija je bazirana na pretpostavci da su greške ili rezidualni normalno raspoređeni
(slučajna greška). Ovo može biti provjereno plotanjem reziduala u tzv. Normlan Probability Plot.

Rasturanje reziduala
200
150
100
50
0
0 2 4 6 8 10 12
-50
-100
-150
-200
-250
-300

Dijagram 1. Plot reziduala (za prvi dio)

Kodiranje ulaznih (značajnih) varijabli

Da bi izradili plan matrice eksperimenta potrebno je izvršiti kodiranje osnovnih faktora, tj.
prevesti ih u prostor kodiranih koordinata. Nezavisno promjenjive varijable (x1, x2) kod modeliranja
obično se prevode u kodirani oblik (X1, X2), pri čemu vrijedi:

−1 ≤ 𝑋𝑖 ≤ 1 𝑧𝑎 𝑖 = 1, 2, 3, … 𝑛

Gdje je:

𝑋𝑖𝑚𝑖𝑛 = −1 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑚𝑎𝑥

𝑋𝑖𝑠𝑟 = 0 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑠𝑟

𝑋𝑖𝑚𝑎𝑥 = 1 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑚𝑎𝑥

Vrijednost fizikalnih i kodiranih veličina nalaze se u tabeli 2.

Tabela 2. Fizikalne i kodirane vrijednosti

Uticajne veličine Kodirane i fizikalne veličine

X1 = P 600 750 900

FIZIKALNE
VELIČINE X2 = p 300 385 470
- - - -
KODIRANE
Xi -1 0 +1
VELIČINE

17
Rezultati eksperimenta sa kodiranim vrijednostima (za prvi dio)

Na narednoj slici mogu se vidjeti vrijednosti regresionih koeficijenata matematskog modela,

također i same izlazne vrijednsoti stope odnosno dubine graviranja za dati oblik matematskog modela,
vrijednosti reziduala kao i standardna devijacija.

Slika 15. Rezultati eksperimenta sa kodiranim vrijednostima (za prvi dio)

2.3. ANALIZA I ZAKLJUČAK ZA PRVI DIO

Najznačajniji kriteriji za izobr matematskog modela je svakako koeficijent determinacije. Kada

dva ili više modela dobro procjenjuju proces, odluka o najboljem modelu se donosi na osnovu
koeficijenta determinacije. Vrijednost koeficijenta determinacije se nalazi u granicama 0 ≤ 𝑅 ≤ 1.
Kada je vrijednost koeficijenta 𝑅 = 1, model potpuno opisuje rezultate eksperimenta, odnosno
procesa obrade. Vrijednost 𝑅 = 0 pokazuje da između ulaznih i izlaznih varijabli ne postoji nikakva
međusobna zavisnost.

S obizorm da je u ovom slučaju, za primjenjen materijal (OER) pri parametrima (Snaga, Pritisak,
Omjer gasa), koeficijent determinacije iznosi 95,67[%], to znači da je matematski model adekvatan,
odnosno da se preko 95 [%] varijabiliteta pripisuje djelovanju ulaznih varijabli.

18
 Linearna regresija (za prvi dio)
8000

7000

6000

5000
R² = 0,9567
4000

3000

2000

1000

0
0 1 2 3 4 5 6 7 8 9 10

Dijagram 2. Rezultati regresije matematskog modela (za prvi dio)

Posmatrajući matematski odnosno regresioni model, dobijen na osnovu prethodno određenih

parametara, može se zaključiti da linearni matematski model dovoljno dobro opisuje ovu zavisnost,
kako za podatke za prvi dio ovog semestralnog rada.

Da bi se javilo povećanje ukupnog varijabiliteta matematskog modela, tj. R2 potrebno je proširiti

matematski model, tj. uvesti interakcije pojedinih parametara ili kvadrate tih istih parametara. Tokom
izrade ovog prvog dijela rada uvidili smo da uvođenjem interakcije između ulaznih varijabli ne doprinosi
znatnom povećanju koeficijenta determinacije R2, tek u iznosu od:

 Za prvi dio – 0,9567 → 0,9584 ;

Također, na osnovu izvršenog kodiranja možemo uvidjeti koji su faktori značajni a koji neznačajni
i u kojoj mjeri je uticaj tih faktora. Nakon izvršenog eksperimenta možemo rangirati nezavisno
promjenljive prema uticaju na stopu odnosno dubinu graviranja na sljedeći način:

1. Pritisak [mT];
2. Sanga [W].

Sve ovo dokazuju i dijagrami, sa kojih možemo vidjeti da su najuticajniji faktori oni koji imaju
najstrmiji izgled, sto se poklapa sa eksperimentalno dobijenim rezultatima, a sve to opravdava i
koeficijent višestruke regresije koji je za ovaj slučaj iznosi preko 95%.

Slika 16. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli

19
 2.4. REZULTATI EKSPERIMENTA (drugi dio)

Plan matrica X

U MS Excel – u na bazi plan matrice izvođenja eksperimenta i odgovarajućih izmjerenih

vrijednosti zavisno promjenljive formira se matrica X. Matrica X pored vrijednosti nezavisnih varijabla
i zavisne varijable sadrži i kolonu jedinica.

Slika 17. Izgled X matrice u Excel – u (za drugi dio)

Matrica kovarijanse

Matrica kovarijanse je inverzna matrica proizvoda transponovane X matrice i dizajn matrice X.

𝑪𝟎𝟎 … 𝑪𝒐𝒎
𝑻 −𝟏
C=(𝑿 𝑿) =[ ⋮ ⋱ ⋮ ]
𝑪𝒎𝟎 … 𝑪𝒎𝒎

(𝑿𝑻 𝑿)−𝟏

Slika 18. Matrica kovarijanse (za drugi dio)

20
Kontrasti

Kontrasti = XT y

Slika 19. Kontrasti (za drugi dio)

Matrica kolona

𝒃 = (𝑿𝑻 𝑿)−𝟏 𝑿𝑻 𝒚

Slika 20. Matrica kolona procjenjenih koeficijenata b1, b2, b3, b4

21
Matematski model

Matematski model koji predviđa izlaznu vrijednost je:

𝑦 = 𝑏𝑜 + 𝑏1 ∙ 𝑃 + 𝑏2 ∙ 𝑝 + 𝑏3 ∙ 𝐺𝑟 = −36,7765 + 0,495 ∙ 𝑃 + 0,8706 ∙ 𝑝 + 36,25 ∙ 𝐺𝑟

Gdje su:

 𝑏𝑜 , 𝑏1 , 𝑏2 , 𝑏3 - odgovarajući regresioni koeficijenti,

 P – snaga elektromagnetnog polja,
 𝑝 – pritisak gasa,
 𝐺𝑟 – omjer gasova.

Kao rezultat se dobije:

Slika 21. Dobijene vrijednosti OER – modela

Procjena varijanse greške 𝝈𝟐 (MSE)

𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑛−𝑝
𝑛

𝑆𝑆𝐸 = ∑(𝑦𝑘 − 𝑏0 − 𝑏1 𝑥1𝑘 − 𝑏2 𝑥2𝑘 − ⋯ − 𝑏𝑖 𝑥𝑖𝑘 )2

𝑘=1

Kvadratne
greške

Slika 22. Reziduali i pojedinačne kvadratne greške (za drugi dio)

22
 Kvadratni korijen od MSE koristi se za procjenu „standardne devijacije“ i zove se „standardna
greška“ regresionog modela.

Sume
kvadratne
Srednja
greške
kvadratna
greška
Standardna
devijacija (greška)

Slika 23. SSE, MSE i standardna devijacija (za drugi dio)

Koeficijent koleracije

Koeficijenti korelacije izražavaju mjeru povezanosti između dvije varijable u jedinicama

neovisnima o konkretnim jedinicama mjere u kojima su iskazane vrijednosti varijabli.

Slika 24. Koeficijenti koleracije (za drugi dio)

Test značajnosti individualnih regresionih koeficijenata (t-test)

𝒃𝒋
𝒕𝒐 =
√𝑴𝑺𝑬 ∙ 𝑪𝒋𝒋

U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i broj stepeni slobode računa tabličnu
vrijednost t-raspodjele i to : „=TINV(0,05;n-1-i)“ . Za konkretno podatke u ovoj postavci t-kritično
iznosi tkritično= 2,4469118.

Slika 25. T-test značajnosti (za drugi dio)

23
Testiranje adekvatnosti regresionog modela (Fišerov test)

𝑆𝑆𝑅
𝑖 𝑀𝑆𝑅
𝐹0 = =
𝑆𝑆𝐸 𝑀𝑆𝐸
𝑛−1−𝑖
𝑛

𝑆𝑆𝑅 = ∑(𝑦𝑘𝑒𝑠𝑡 − 𝑦̅)2

𝑘=1

U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i odgovarajuće brojeve stepeni
slobode regresije i reziduala, računa kritičnu vrijednost F-raspodjele i to : „=FINV(0,05;n-1-i)“ . Za
konkretno podatke u ovoj postavci F-kritično iznosi Fkrit= 4,757063.

Kvadrati razlike
modelske
vrijednosti i srednje
vrijednosti
dobijene
ekspremintalno

𝑆𝑆𝑅
𝑖

Slika 26. Fišerov test adekvatnosti (za drugi dio)

Koeficijent determinacije

Koeficijent determinacije 𝑅 2 je definisan odnosnom regresione SSE i ukupne sume kvadrata SYY.

𝑺𝑺𝑬
𝑹𝟐 = 𝟏 −
𝑺𝒀𝒀

Za primjer koji se analizirao u ovom drugom dijelu semestralnog rada, vrijednost koeficijenta
determinacije iznosi R2 = 0,8574 odnosno 85,74 %

24
Analiza reziduala

Nakon izračunavanja modela poptpuna analiza reziduala je vrlo značajno za procjenu

adekvatnosti regresije. Linearna regresija je bazirana na pretpostavci da su greške ili rezidualni
normalno raspoređeni (slučajna greška). Ovo može biti provjereno plotanjem reziduala u tzv. Normlan
Probability Plot.

Rasturanje reziduala
10

0
0 1 2 3 4 5 6 7 8 9 10

-5

-10

-15

Dijagram 3. Plot reziduala (za drugi dio)

Kodiranje ulaznih varijabli

Da bi izradili plan matrice eksperimenta potrebno je izvršiti kodiranje osnovnih faktora, tj.
prevesti ih u prostor kodiranih koordinata. Nezavisno promjenjive varijable (x1, x2, x3) kod modeliranja
obično se prevode u kodirani oblik (X1, X2, X3), pri čemu vrijedi:

−1 ≤ 𝑋𝑖 ≤ 1 𝑧𝑎 𝑖 = 1, 2, 3, … 𝑛

Gdje je:

𝑋𝑖𝑚𝑖𝑛 = −1 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑚𝑎𝑥

𝑋𝑖𝑠𝑟 = 0 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑠𝑟

𝑋𝑖𝑚𝑎𝑥 = 1 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑚𝑎𝑥

Vrijednost fizikalnih i kodiranih veličina nalaze se u tabeli 3.

25
Tabela 3. Fizikalne i kodirane vrijednosti

Uticajne veličine Kodirane i fizikalne veličine

X1 = P 600 750 900

FIZIKALNE
X2 = p 300 385 470
VELIČINE
X3 = GR 1.8 2.2 2.6
KODIRANE
Xi -1 0 +1
VELIČINE

Rezultati eksperimenta sa kodiranim vrijednostima (za drugi dio)

Na narednoj slici mogu se vidjeti vrijednosti regresionih koeficijenata matematskog modela,

također i same izlazne vrijednsoti stope odnosno dubine graviranja za dati oblik matematskog modela,
vrijednosti reziduala kao i standardna devijacija.

Slika 27. Rezultati eksperimenta sa kodiranim vrijednostima (za drugi dio)

2.5. ANALIZA I ZAKLJUČAK ZA DRUGI DIO

Najznačajniji kriteriji za izobr matematskog modela je svakako koeficijent determinacije. Kada

dva ili više modela dobro procjenjuju proces, odluka o najboljem modelu se donosi na osnovu
koeficijenta determinacije. Vrijednost koeficijenta determinacije se nalazi u granicama 0 ≤ 𝑅 ≤ 1.
Kada je vrijednost koeficijenta 𝑅 = 1, model potpuno opisuje rezultate eksperimenta, odnosno
procesa obrade. Vrijednost 𝑅 = 0 pokazuje da između ulaznih i izlaznih varijabli ne postoji nikakva
međusobna zavisnost.

26
 S obizorm da je u ovom slučaju, za primjenjen materijal (PER) pri parametrima (Snaga, Pritisak,
Omjer gasa), koeficijent determinacije iznosi 85,74[%], to znači da je matematski model adekvatan,
odnosno da se preko 85 [%] varijabiliteta pripisuje djelovanju ulaznih varijabli.

Linearna regresija (za drugi dio)

1000
900
800
700
600
R² = 0,8574
500
400
300
200
100
0
0 2 4 6 8 10

Dijagram 4. Rezultati regresije matematskog modela (za drugi dio)

Posmatrajući matematski odnosno regresioni model, dobijen na osnovu prethodno određenih

parametara, može se zaključiti da linearni matematski model dovoljno dobro opisuje ovu zavisnost,
kako za podatke za drugi dio ovog semestralnog rada.

Da bi se javilo povećanje ukupnog varijabiliteta matematskog modela, tj. R2 potrebno je proširiti

matematski model, tj. uvesti interakcije pojedinih parametara ili kvadrate tih istih parametara. Tokom
izrade ovog prvog dijela rada uvidili smo da uvođenjem interakcije između ulaznih varijabli ne doprinosi
znatnom povećanju koeficijenta determinacije R2, tek u iznosu od:

 Za prvi dio – 0,8574 → 0,8622 ;

Također, na osnovu izvršenog kodiranja možemo uvidjeti koji su faktori značajni a koji neznačajni
i u kojoj mjeri je uticaj tih faktora. Nakon izvršenog eksperimenta možemo rangirati nezavisno
promjenljive prema uticaju na stopu odnosno dubinu graviranja na sljedeći način:

1. Snaga [W];
2. Pritisak [mT];
3. Odnos gasova.

Sve ovo dokazuju i dijagrami, sa kojih možemo vidjeti da su najuticajniji faktori oni koji imaju
najstrmiji izgled, sto se poklapa sa eksperimentalno dobijenim rezultatima, a sve to opravdava i
koeficijent višestruke regresije koji je za ovaj slučaj iznosi preko 85%.

27
 Slika 28. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli

2.6. REZULTATI EKSPERIMENTA (treći dio)

Plan matrica X

U MS Excel – u na bazi plan matrice izvođenja eksperimenta i odgovarajućih izmjerenih

vrijednosti zavisno promjenljive formira se matrica X. Matrica X pored vrijednosti nezavisnih varijabla
i zavisne varijable sadrži i kolonu jedinica.

Slika 29. Izgled X matrice u Excel – u (za treći dio)

Matrica kovarijanse

Matrica kovarijanse je inverzna matrica proizvoda transponovane X matrice i dizajn matrice X.

𝑪𝟎𝟎 … 𝑪𝒐𝒎
𝑻 −𝟏
C=(𝑿 𝑿) =[ ⋮ ⋱ ⋮ ]
𝑪𝒎𝟎 … 𝑪𝒎𝒎

28
 (𝑿𝑻 𝑿)−𝟏

Slika 30. Matrica kovarijanse (za treći dio)

Kontrasti

Kontrasti = XT y

Slika 31. Kontrasti (za treći dio)

29
Matrica kolona

𝒃 = (𝑿𝑻 𝑿)−𝟏 𝑿𝑻 𝒚

Slika 32. Matrica kolona procjenjenih koeficijenata b1, b2, b3, b4

Matematski model

Matematski model koji predviđa izlaznu vrijednost je:

𝑦 = 𝑏𝑜 + 𝑏1 ∙ 𝑃 + 𝑏2 ∙ 𝑝 + 𝑏3 ∙ 𝐺𝑟 = −692,48 + 1,3575 ∙ 𝑃 + 1,6515 ∙ 𝑝 + 219,06 ∙ 𝐺𝑟

Gdje su:

 𝑏𝑜 , 𝑏1 , 𝑏2 , 𝑏3 - odgovarajući regresioni koeficijenti,

 P – snaga elektromagnetnog polja,
 𝑝 – pritisak gasa,
 𝐺𝑟 – omjer gasova.

Kao rezultat se dobije:

Slika 33. Dobijene vrijednosti OER – modela

30
Procjena varijanse greške 𝝈𝟐 (MSE)

𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑛−𝑝
𝑛

𝑆𝑆𝐸 = ∑(𝑦𝑘 − 𝑏0 − 𝑏1 𝑥1𝑘 − 𝑏2 𝑥2𝑘 − ⋯ − 𝑏𝑖 𝑥𝑖𝑘 )2

𝑘=1

Kvadratne
greške

Slika 34. Reziduali i pojedinačne kvadratne greške (za treći dio)

Kvadratni korijen od MSE koristi se za procjenu „standardne devijacije“ i zove se „standardna

greška“ regresionog modela.

Sume
kvadratne
Srednja
greške
kvadratna
greška Standardna
devijacija (greška)

Slika 35. SSE, MSE i standardna devijacija (za trećii dio)

Koeficijent koleracije

Koeficijenti korelacije izražavaju mjeru povezanosti između dvije varijable u jedinicama

neovisnima o konkretnim jedinicama mjere u kojima su iskazane vrijednosti varijabli.

Slika 36. Koeficijenti koleracije (za treći dio)

31
Test značajnosti individualnih regresionih koeficijenata (t-test)

𝒃𝒋
𝒕𝒐 =
√𝑴𝑺𝑬 ∙ 𝑪𝒋𝒋

U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i broj stepeni slobode računa tabličnu
vrijednost t-raspodjele i to : „=TINV(0,05;n-1-i)“ . Za konkretno podatke u ovoj postavci t-kritično
iznosi tkritično= 2,4469118.

Slika 37. T-test značajnosti (za treći dio)

Testiranje adekvatnosti regresionog modela (Fišerov test)

𝑆𝑆𝑅
𝑖 𝑀𝑆𝑅
𝐹0 = =
𝑆𝑆𝐸 𝑀𝑆𝐸
𝑛−1−𝑖
𝑛

𝑆𝑆𝑅 = ∑(𝑦𝑘𝑒𝑠𝑡 − 𝑦̅)2

𝑘=1

U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i odgovarajuće brojeve stepeni
slobode regresije i reziduala, računa kritičnu vrijednost F-raspodjele i to : „=FINV(0,05;n-1-i)“ . Za
konkretno podatke u ovoj postavci F-kritično iznosi Fkrit= 4,757063.

Kvadrati razlike
modelske
vrijednosti i srednje
vrijednosti
dobijene
ekspremintalno

𝑆𝑆𝑅
𝑖

32
 Slika 38. Fišerov test adekvatnosti (za treći dio)

Koeficijent determinacije

Koeficijent determinacije 𝑅 2 je definisan odnosnom regresione SSE i ukupne sume kvadrata SYY.

𝑺𝑺𝑬
𝑹𝟐 = 𝟏 −
𝑺𝒀𝒀

Za primjer koji se analizirao u ovom trećem dijelu semestralnog rada, vrijednost koeficijenta
determinacije iznosi R2 = 0,9318 odnosno 93,18 %

Analiza reziduala

Nakon izračunavanja modela poptpuna analiza reziduala je vrlo značajno za procjenu

adekvatnosti regresije. Linearna regresija je bazirana na pretpostavci da su greške ili rezidualni
normalno raspoređeni (slučajna greška). Ovo može biti provjereno plotanjem reziduala u tzv. Normlan
Probability Plot.

Rasturanje reziduala
60

40

20

0
0 1 2 3 4 5 6 7 8 9 10
-20

-40

-60

-80

Dijagram 5. Plot reziduala (za treći dio)

33
Kodiranje ulaznih varijabli

Da bi izradili plan matrice eksperimenta potrebno je izvršiti kodiranje osnovnih faktora, tj.
prevesti ih u prostor kodiranih koordinata. Nezavisno promjenjive varijable (x1, x2, x3) kod modeliranja
obično se prevode u kodirani oblik (X1, X2, X3), pri čemu vrijedi:

−1 ≤ 𝑋𝑖 ≤ 1 𝑧𝑎 𝑖 = 1, 2, 3, … 𝑛

Gdje je:

𝑋𝑖𝑚𝑖𝑛 = −1 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑚𝑎𝑥

𝑋𝑖𝑠𝑟 = 0 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑠𝑟

𝑋𝑖𝑚𝑎𝑥 = 1 𝑧𝑎 𝑣𝑟𝑖𝑗𝑒𝑑𝑛𝑜𝑠𝑡 𝑓𝑖 = 𝑓𝑖𝑚𝑎𝑥

Vrijednost fizikalnih i kodiranih veličina nalaze se u tabeli 4.

Tabela 4. Fizikalne i kodirane veličine

Uticajne veličine Kodirane i fizikalne veličine

X1 = P 600 750 900

FIZIKALNE
X2 = p 300 385 470
VELIČINE
X3 = GR 1.8 2.2 2.6
KODIRANE
Xi -1 0 +1
VELIČINE

Rezultati eksperimenta sa kodiranim vrijednostima (za treći dio)

Na narednoj slici mogu se vidjeti vrijednosti regresionih koeficijenata matematskog modela,

također i same izlazne vrijednsoti stope odnosno dubine graviranja za dati oblik matematskog modela,
vrijednosti reziduala kao i standardna devijacija.

Slika 39. Rezultati eksperimenta sa kodiranim vrijednostima (za treći dio)

34
 2.7. ANALIZA I ZAKLJUČAK ZA TREĆI DIO

Najznačajniji kriteriji za izobr matematskog modela je svakako koeficijent determinacije. Kada

dva ili više modela dobro procjenjuju proces, odluka o najboljem modelu se donosi na osnovu
koeficijenta determinacije. Vrijednost koeficijenta determinacije se nalazi u granicama 0 ≤ 𝑅 ≤ 1.
Kada je vrijednost koeficijenta 𝑅 = 1, model potpuno opisuje rezultate eksperimenta, odnosno
procesa obrade. Vrijednost 𝑅 = 0 pokazuje da između ulaznih i izlaznih varijabli ne postoji nikakva
međusobna zavisnost.

S obizorm da je u ovom slučaju, za primjenjen materijal (PRER) pri parametrima (Snaga, Pritisak,
Omjer gasa), koeficijent determinacije iznosi 93,18[%], to znači da je matematski model adekvatan,
odnosno da se preko 93 [%] varijabiliteta pripisuje djelovanju ulaznih varijabli.

Linearna regresija (za treći dio)

2000
1800
1600
1400
1200
R² = 0,9318
1000
800
600
400
200
0
0 2 4 6 8 10

Dijagram 6. Rezultati regresije matematskog modela (za treći dio)

Posmatrajući matematski odnosno regresioni model, dobijen na osnovu prethodno određenih

parametara, može se zaključiti da linearni matematski model dovoljno dobro opisuje ovu zavisnost,
kako za podatke za treći dio ovog semestralnog rada.

Da bi se javilo povećanje ukupnog varijabiliteta matematskog modela, tj. R2 potrebno je proširiti

matematski model, tj. uvesti interakcije pojedinih parametara ili kvadrate tih istih parametara. Tokom
izrade ovog prvog dijela rada uvidili smo da uvođenjem interakcije između ulaznih varijabli ne doprinosi
znatnom povećanju koeficijenta determinacije R2, tek u iznosu od:

 Za prvi dio – 0,9318 → 0,9323 ;

Također, na osnovu izvršenog kodiranja možemo uvidjeti koji su faktori značajni a koji neznačajni
i u kojoj mjeri je uticaj tih faktora. Nakon izvršenog eksperimenta možemo rangirati nezavisno
promjenljive prema uticaju na stopu odnosno dubinu graviranja na sljedeći način:

1. Snaga [W];
2. Pritisak [mT];
3. Odnos gasova.

35
 Sve ovo dokazuju i dijagrami, sa kojih možemo vidjeti da su najuticajniji faktori oni koji imaju
najstrmiji izgled, sto se poklapa sa eksperimentalno dobijenim rezultatima, a sve to opravdava i
koeficijent višestruke regresije koji je za ovaj slučaj iznosi preko 93%.

Slika 40. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli

36
3. LITERATURA

[1] S. Ekinović: Metode statističke analize u MS Excel-u, Zenica, 1997. godine;

[2] Bilješke i skripte sa predavanja „Dizajn i analiza industrijskih eksperimenata“ Univerzitet u
Tuzli, 2019-2020. godine;
[3] http://www.matf.bg.ac.rs/p/files/1432029947-63-Visestruka_linearna_regresija.pdf
[Pristupljeno: 17.07.2020.];
[4] http://www.ef.uns.ac.rs/predmeti/mas/multivarijaciona-statisticka-analiza/Visestruka-
regresija-i-korelacija.pdf [Pristupljeno: 18.07.2020.];
[5] http://ww2.che.ufl.edu/unit-ops-lab/experiments/semiconductors/etching/Etching-
theory.pdf [Pristupljeno: 12.07.2020.];
[6] https://en.wikipedia.org/wiki/Reactive-ion_etching [Pristupljeno: 12.07.2020.];
[7] https://corial.plasmatherm.com/en/technologies/reactive-ion-etching-rie
[Pristupljeno: 13.07.2020.].

37