UNIVERZITET U BIHAĆU

TEHNIČKI FAKULTET
BIHAĆ

MASTER STUDIJ
MAŠINSKI ODSJEK
1.GODINA

SEMINARSKI RAD

PLANIRANJE EKSPERIMENTA

PREDMET: Planiranje eksperimenta

NASTAVNIK: van.prof.dr Damir Hodžić

STUDENT: BA Naila Odobašić

Bihać, novembar 2023.godine

Potrebno je odrediti linearni model izlazne veličine Y za plan eksperimenta sa tri ulazna
faktora A, B, i C koji se mijenjaju na dva nivoa prema tabeli 1. Eksperiment se radi u 8
ponavljanja ( plan eksperimenta 23 ) sa po dva mjerenja svako ponavljanje. Za nivo
signifikantnosti koeficijenta uzeti da je α = 0.05.

Tabela 1. Ulazni faktori i rezultati mjerenja

Prema dobivenim podacima urađena su po dva mjerenja za svaku kombinaciju faktora i prema
tome se formira sljedeća tabela:

Tabela 1.2 Rezultati mjerenja

Zadane i izmjerene veličine možemo složiti u tabelu faktorijalnog plana 23 sa prikazanim

glavnim efektima faktora i interakcijskim efektima. Predznaci interakcijskih efekata dobiju se
na način da se množe predznaci odgovarajućih efekata faktora.

1
Tabela 1.3 Ortogonalno kodiranje u faktorijelnom planu 23

Nadalje je potrebno uvrstiti u tabelu sumu mjerenja za glavne i interakcijske efekte faktora.

Tabela 1.4 Suma mjerenja

Sad se mogu odrediti glavni efekti faktora A,B i C kao i interacijski efekti AB, AC, BC i ABC.
Fakori se odrede na način što svaku sumu podijelimo sa 4∙n. Broj mjerenja n=2. Odnosno
prema sljedećim formulama:

1
A = 4� � + �� + �� + ��� − 1 − � − � − �� (1.1)

1
B= 4� � + �� + �� + ��� − 1 − � − � − �� (1.2)

1
C= 4� � + �� + �� + ��� − 1 − � − � − �� (1.3)

Odnosno za interakcijske faktore:

1
AB = 4� 1 + �� + ��� + � − � − � − �� − �� (1.4)

1
AC = 4� 1 + �� + ��� + � − � − � − �� − �� (1.5)

2
 1
BC = 4� 1 + �� + ��� + � − � − � − �� − �� (1.6)

1
ABC = 4� � + � + � + ��� − �� − �� − �� − (1) (1.7)

Kad se uvrste izračunate sume dobiju se sljedeći podaci:

−253.74
A= 4 ∙2
= -31.72

68.8
B= 4 ∙2
= 8.60

100.82
C= 4 ∙2
= 12.6

−7.1
AB = 4 ∙2
= -0.89

−73.7
AC = 4 ∙2
= -9.22

−27.2
BC = 4 ∙2
= -3.40

65.2
ABC = 4 ∙2
= 8.15

Nakon što se izračunaju glavni i interakcijski efekti mogu se izračunati i sume kvadrata za
svaki efekat, a to su zapravo kvadrati prethodno dobivenih suma, te se podijele sa 8n.

−(253.74)2
��� = =4024.00
8∙2

68.82
��� = =295.84
8∙2

100.822
��� = 8∙2
=635.29
−(7.1)2
���� = =3.15
8∙2

−(73.7)2
���� = 8∙2
= 339.48

−(27.2)2
���� = = 46.24
8∙2

65.22
����� = 8∙2
= 265.69

3
Tabela 1.5 Sume kvadrata za svaki efekat

Ukupna vrijednost sume kvadrata dobije se izrazom:

2 2 2
�2 (1.8)
��� �2��� −
�
�=1 �=1 �=1

Tabela 1.6 Suma mjerenja

586.12
��� = 27150.58 −
16
= 5681.00

Kako je ukupna vrijednost sume kvadrata jednaka zbiru sume kvadrata glavnih i
interakcijskih faktora i sume kvadrata greške, može se izračunati preostala suma kvadrata
greške prema jednačini:

���� = ��� − ��� −��� − ��� − ���� − ���� − ���� − ����� = 71.31

Da bi upotpunili tabelu analize varijanse neophodne za određivanje signifikantnosti efekata,

potrebno je odrediti još i stepen slobode. Za svaki od faktora kao i interakciju između njih,
broj stepeni slobode je jednak broju nivoa umanjen za jedan pa će biti:

��� = � − 1 = 1

��� = � − 1 = 1
��� = � − 1 = 1

���� = �� − 1 = 1

4
 ���� = �� − 1 = 1

���� = �� − 1 = 1
����� = ��� − 1 = 1

Ukupni stepen slobode jednak je ukupnom broju mjerenja umanjen za jedan.

��� = � − 1 = 16 − 1 = 15

Stepen slobode greške se kada se od ukupnog stepena slobode oduzmemo stepen slobode
glavnih i interacijskih faktora.

���� = ��� − ��� = 15 − 7 = 8

Nakon toga tabela varijanse je sljedeća:

Tabela 1.7 Tabela varijanse

Tablična vrijednost F za nivo signifikantnosti α=0,05 je 5,3177. Upoređivanjem računskih

vrijednosti F sa tabličnom može se zaključiti da su računske vrijednosti F kod faktora A, B, C,
AC, BC i ABC veće od tabličnog pa su navedeni faktori signifikantni za ovaj primjer.

Uticaj glavnih i interakcijskih faktora može se prikazati procentualno na osnovu veličine

sume kvadrata.

5
Tabela 1.8 Uticaj glavnih i interakcijskih faktora

Kada smo odredili signifikantne veličine može se napisati jednačina regresijskog modela u
obliku:
−31.72 8.6 12.6 −9.22 −3.4 −8.15
y = 36.634 + ( 2
)�1 + 2
�2 + 2
�3 + ( 2
)�4 + ( 2
)�5 +( 2
)�6

Vrijednost 36.634 u prethodnom izrazu je srednja vrijednost svih šesnaest mjerenja, a

vrijednosti u razlomcima su veličine signifikantnih faktora A, B,C, AC, BC i ABC. Kodirane
varijable signifikantnih faktora u prethodnom izrazu označene sa x1, x2, x3, x4, x5 i x6.

Varijable x1,x2 i x3 odrede se prema izrazima:

(�������+������) (9 + 5)
�− �−
2
x1 = (�������−������) = 2
(9−5) = 0.5A - 3.5
2 2

(�������+������) (40+20)
�− �−
2
x2= (�������−������) = 2
(40 − 20) = 0.1B – 3
2 2

(�������+������) (350 + 250)

�− �−
2
x3 = (�������−������) = 2
(350 − 250) = 0.02 C – 6
2 2

Varijable x4, x5 i x6 dobiju se prema izrazima:

x4 = x1 ˑ x3 = (0.5A – 3.5) (0.02 C – 6) = 0.01 AC – 0.07 C -3 A + 21

6
 x5 = x2 ˑ x3 = (0.1B – 3) (0.02 C – 6) =

= 0.002 BC – 0.06 C – 0.6 B +18

x6 = x1 ˑ x2 ˑ x3 = x1 ˑ x5 = (0.5A-3.5) (0.002 BC – 0.06 C – 0.6 B +18)

= 0.001 ABC – 0.003 AC – 0.3 AB + 9 A – 0.007 BC + 0.21 C + 2.1 B – 63

Uvrštavanjem dobijenih vrijednosti varijabli u jednačinu y dobije se:

y = -346,58+43,1 A+10,3 B+1,35 C-1,24 AB-0,17 AC-0,022 BC+0,003 ABC

Zatim je formirana tablica analize varijanse (ANOVA) u softveru R.

> # Seminarski rad Naila> # Faktorijalni plan 2^3> # Ulazni podaci> podaci<-+ matrix(c(2
8.6,33.53,19.27,15.93,50.07,54.13,18.73,22.40,63.27,65.6,17.07,15.40,66.27,58.47,29.33,28.0
7),byrow=T,ncol=2)> A <- rep(c(-1,1),4)> B <- rep(c(-1,-1,1,1),2)> C <- c(rep(-1,4),rep(1,
4))> Total <- apply(podaci,1,sum)> cbind(A,B,C,podaci, Total)
A B C Total
[1,] -1 -1 -1 28.60 33.53 62.13
[2,] 1 -1 -1 19.27 15.93 35.20
[3,] -1 1 -1 50.07 54.13 104.20
[4,] 1 1 -1 18.73 22.40 41.13
[5,] -1 -1 1 63.27 65.60 128.87
[6,] 1 -1 1 17.07 15.40 32.47
[7,] -1 1 1 66.27 58.47 124.74
[8,] 1 1 1 29.33 28.07 57.40
> # Broj ponavljanja mjerenja = 2> n <- 2> # Određivanje efekata faktora> Aeff <- (Total %
*% A)/(4*n)> Beff <- (Total %*% B)/(4*n)> Ceff <- (Total %*% C)/(4*n)> # Interakcijski ef
ekti> AB <- A*B> AC <- A*C> BC <- B*C> ABC <- A*B*C> cbind(A,B,C,AB,AC,BC,AB
C,Total)
A B C AB AC BC ABC Total
[1,] -1 -1 -1 1 1 1 -1 62.13
[2,] 1 -1 -1 -1 -1 1 1 35.20
[3,] -1 1 -1 -1 1 -1 1 104.20
[4,] 1 1 -1 1 -1 -1 -1 41.13
[5,] -1 -1 1 1 -1 -1 1 128.87
[6,] 1 -1 1 -1 1 -1 -1 32.47
[7,] -1 1 1 -1 -1 1 -1 124.74
[8,] 1 1 1 1 1 1 1 57.40
> ABeff <- (Total %*% AB)/(4*n)> ACeff <- (Total %*% AC)/(4*n)> BCeff <- (Total %*%
BC)/(4*n)> ABCeff <- (Total %*% ABC)/(4*n)> # Tabelarni prikaz efekata> Effects <- t(Tot
al) %*% cbind(A,B,C,AB,AC,BC,ABC)/(4*n)> Summary <- rbind( cbind(A,B,C,AB,AC,BC,
ABC),Effects )> Summary
A B C AB AC BC ABC
[1,] -1.0000 -1.0 -1.0000 1.000 1.0000 1.0 -1.00
[2,] 1.0000 -1.0 -1.0000 -1.000 -1.0000 1.0 1.00
[3,] -1.0000 1.0 -1.0000 -1.000 1.0000 -1.0 1.00
[4,] 1.0000 1.0 -1.0000 1.000 -1.0000 -1.0 -1.00
[5,] -1.0000 -1.0 1.0000 1.000 -1.0000 -1.0 1.00
[6,] 1.0000 -1.0 1.0000 -1.000 1.0000 -1.0 -1.00
[7,] -1.0000 1.0 1.0000 -1.000 -1.0000 1.0 -1.00
7
 [8,] 1.0000 1.0 1.0000 1.000 1.0000 1.0 1.00
[9,] -31.7175 8.6 12.6025 -0.885 -9.2175 -3.4 8.15
> # Definisanje ANOVA tablice> podaci.vec <- c(t(podaci))> Af <- rep(as.factor(A),rep(2,
8))> Bf <- rep(as.factor(B),rep(2,8))> Cf <- rep(as.factor(C),rep(2,8))> options(contrasts=c("c
ontr.sum","contr.poly"))> podaci.lm <- lm(podaci.vec ~ Af*Bf*Cf)> options(contrasts=c("co
ntr.sum","contr.poly"))> podaci.lm <- lm(podaci.vec ~ Af*Bf*Cf)> summary(podaci.lm)
Call:
lm(formula = podaci.vec ~ Af * Bf * Cf)

Residuals:
Min 1Q Median 3Q Max
-3.900 -1.711 0.000 1.711 3.900

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 36.6338 0.7290 50.250 2.72e-11 ***
Af1 15.8588 0.7290 21.753 2.10e-08 ***
Bf1 -4.3000 0.7290 -5.898 0.000362 ***
Cf1 -6.3012 0.7290 -8.643 2.49e-05 ***
Af1:Bf1 -0.4425 0.7290 -0.607 0.560695
Af1:Cf1 -4.6087 0.7290 -6.322 0.000227 ***
Bf1:Cf1 -1.7000 0.7290 -2.332 0.048021 *
Af1:Bf1:Cf1 -4.0750 0.7290 -5.590 0.000516 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.916 on 8 degrees of freedom

Multiple R-squared: 0.988, Adjusted R-squared: 0.9775
F-statistic: 94.25 on 7 and 8 DF, p-value: 4.719e-07
> anova(podaci.lm)Analysis of Variance Table

Response: podaci.vec
Df Sum Sq Mean Sq F value Pr(>F)
Af 1 4024.0 4024.0 473.2085 2.103e-08 ***
Bf 1 295.8 295.8 34.7898 0.0003624 ***
Cf 1 635.3 635.3 74.7082 2.492e-05 ***
Af:Bf 1 3.1 3.1 0.3684 0.5606951
Af:Cf 1 339.8 339.8 39.9651 0.0002274 ***
Bf:Cf 1 46.2 46.2 5.4377 0.0480205 *
Af:Bf:Cf 1 265.7 265.7 31.2442 0.0005164 ***
Residuals 8 68.0 8.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1>

Upoređivanjem sa tabelom varijanse urađene klasičnim računanjem primjetno je da su

odstupanja eksperimentalnih vrijednosti i onih dobijenih modelom minimalna.

8
 Nadalje su rezultati modela provjereni kroz program Design expert te se dobije sljedeće:

Slika 1.1 Rezultati modela u Design Expertu

Prema tome slijedi da su vrijednosti efekata iste.