Uvod u planiranje i analizu pokusa
|
|
- Felicia Simpson
- 6 years ago
- Views:
Transcription
1 Uvod u planranje analzu pokusa Uvod u planranje analzu pokusa
2 1. Uvod u statstčku analzu Statstka - znanost koja daje potporu pr donošenju odluka zaključaka u slučaju kada je prsutna varjablnost. Inženjersk znanstven prstup jest skup metoda kojma se formulra rješava zadan problem Područje statstke se bav prkupljanjem, prezentacjom, analzom upotrebom dobvenh rezultata u procesu donošenja odluka, rješavanja problema te oblkovanja prozvoda procesa Statstčke metode - opsvanje razumjevanje varjablnost Uvod u planranje analzu pokusa
3 Potrebno je uključt čnjencu varjablnost u proces donošenja odluka statstčk prncp Statstka daje okvr za stražvanje varjablnost te dentfkacju potencjalnh zvora (faktora) Uobčajen načn razmšljanja - prmjena općenth (fzkalnh) zakona u oblkovanju prozvoda l procesa Istražvačk prstup upotrebom statstčkog zaključvanja (eng. Statstcal nference) jest da na temelju specfčnh podataka dobvenh z uzorka se zaključuje o populacj Uvod u planranje analzu pokusa
4 . Osnove teorje uzoraka UZORAK: slučajn, reprezentatvn do osnovnog skupa populacje Uzorc: 1.uzorak: nx,, 1 1.uzorak: nx,,.uzorak: n, x, Osnove Uvod u teorje planranje uzoraka analzu pokusa
5 Razdoba artmetčke sredne uzorka f ( x ) f ( x) razdoba artmetčke sredne uzorka osnovn skup osnovn skup: N Ex ( ) ; 0 x x 1 x, x artm. sredna uzorka: N Ex ( ) ; x x 3 x 4 x 6 x 5 Raspon osnovnog skupa Osnove Uvod u teorje planranje uzoraka analzu pokusa
6 Centraln grančn teorem - Razdobe artmetčkh sredna uzoraka vrlo brzo se prblžavaju normalnoj raspodjel neovsno o vrst raspodjele u osnovnom skupu ako velčna uzorka tež u beskonačnost Osnove Uvod u teorje planranje uzoraka analzu pokusa
7 Neprstrane procjene parametara osnovnog skupa Pojam neprstrane procjene: neka varjabla neprstrano procjenjuje parametar osnovnog skupa Θ ako vrjed: E( ) Ex ( ) Ex ( ) E( ) Es ( ) 0 0 Osnove Uvod u teorje planranje uzoraka analzu pokusa x dakle: uzorka neprstrano procjenjuje očekvanja osn. skupa dakle: varjanca uzorka nje neprstrana procjena varjance osnovnog skupa n n 1 dakle: varjabla s neprstrano procjenjuje varjancu osnovnog skupa
8 Standardna pogreška artmetčke sredne uzorka Pomoću varjable s određuje se s x 0 0 x x x n s n s x n s n standardna pogreška ar. sredne VAŽNO: s n 1 ( x x) n 1 k = (n 1)... broj stupnjeva slobode uzorka od n podataka Osnove Uvod u teorje planranje uzoraka analzu pokusa
9 Intervalna procjena očekvanja osnovnog skupa f ( x) nterval povjerenja (vjerodostojnost) f(z) 1 x x z x x z x z z x (1 ) x 1 f( z) e x z x 1 z varjabla standardzrane normalne razdobe x Osnove Uvod u teorje planranje uzoraka analzu pokusa
10 Važno: Velk uzorc: n > 30 elemenata, podataka vrjednost varjable z z standardzrane normalne razdobe Mal uzorc: n 30 elemenata, podataka korstt Studentovu t-razdobu f(t) N0,1 Studentova t-razdoba sa k = n 1 stupanj slobode Studentova t-razdoba smetrčna za velke uzorke se ne razlkuje od normalne razdobe t Osnove Uvod u teorje planranje uzoraka analzu pokusa
11 Konačno: Za velke uzorke Korstt standardzranu (jednčnu) normalnu razdobu Za male uzorke Korstt Studentovu t-razdobu s parametrom k = n 1 s x z x z n s ( ) (1 ) x t ( k ; x t ) ( k ;1 ) n s n s n z... varjabla N 0,1 t... varjabla Studentove t-razdobe Osnove Uvod u teorje planranje uzoraka analzu pokusa
12 Prmjer: Podac utvrđen u nekom procesu: 5.1, 49.0, 51.4, 50.0, 50.3, 49.6, 50.6, 50.8, 51.0, 51.7 Intervalno procjent očekvanje osnovnog skupa z kojeg potječe uzorak, uz nterval vjerodostojnost 1 = 0,95 (95%) Rezultat dobven računanjem, z uzorka: n = 10; x = 50,65; s = 0.96 s s x t( ) x t(1 ) n n uz P 0,95 (95%) Osnove Uvod u teorje planranje uzoraka analzu pokusa
13 Opaska U slučaju kada je poznata standardna devjacja osnovnog skupa, nje nužno korštenje Studentove t-razdobe kao n neprstrane procjene standardne pogreške U tom je slučaju: x z( ) x z(1 ) n Za prethodn prmjer: ako prhvatmo da je standardna devjacja osnovnog skupa, sljed: uz P 0,95 (95%) n 1 Osnove Uvod u teorje planranje uzoraka analzu pokusa
14 Intervalna procjena proporcja Uzorkovanje nekog dvoslojnog osnovnog skupa (populacje) u kojem nek događaj ma proporcju P rezultralo b slučajnom varjablom p, tj. proporcjom stog događaja al u uzorku: f ( p) N E( p) P; p Vrjed: pz s P pz s ( ) p (1 ) uz povjerenje (vjerodostojnost) procjene (1 ) p 1 P p p1 p Osnove Uvod u teorje planranje uzoraka analzu pokusa
15 Važne pretpostavke: proporcja uzorka p N E( p) P; p s p... neprstrana procjena standardne pogreške proporcje uzorka: pq s p, q 1 p n n... velčna uzorka VRIJEDI SAMO ZA VELIKE UZORKE (n 100) ( ) Osnove Uvod u teorje planranje uzoraka analzu pokusa
16 Intervalna procjena varjance Varjance (osobto malh) uzoraka ne raspaju se normalno oko varjance osnovnog skupa Vrjed (K. Pearson, ) f ( ) n n ( x x) n varjabla raspa se prema razdob s k = n 1 stupanj slobode n k = 1 k = 5 k = 10 k = 15 E ( ) k k = n 1 ( ) (1 ) 0 uz vjerojatnost (1 ) 1 0 ( ) (1 ) Osnove Uvod u teorje planranje uzoraka analzu pokusa
17 Konačno: n n, uz raznu povjerenja (1 ) 0 (1 ) ( ) Osnove Uvod u teorje planranje uzoraka analzu pokusa
18 3. Testranje statstčkh hpoteza T.S.H. predstavlja postupak donošenja odluke na baz uzorka uzorak, n podataka: x 1, x,..., x n rezultat se uzorka mogu shvatt kao točka u n - dmenzonalnom prostoru prostor se može podjelt na dva međusobno dsjunktna djela (koj se sključuju), do A do B do B (odbacvanje H 0 ) U praks: umjesto n - dmenzonalnog modela služmo se jednodmenzonalnm varjablama (uglavnom). do A (prhvaćanje H 0 ) Osnove Uvod u teorje planranje uzoraka analzu pokusa
19 Postavmo dvje hpoteze: H 0 : nulta hpoteza H 1 : alternatvna hpoteza Ako se točka T kao realzacja uzorka nađe u djelu A, smatramo hpotezu H 0 spravnom prhvaćamo je Ako se točka T kao realzacja uzorka nađe u djelu B, smatramo hpotezu H 0 nespravnom odbacujemo je do B (odbacvanje H 0 ) do A (prhvaćanje H 0 ) Osnove Uvod u teorje planranje uzoraka analzu pokusa
20 Pogreške pr testranju hpoteza Očto: pr uporab opsanog modela moguće su pogreške Uzrok pogrešaka: slučajnost odabra elemenata uzorka! Vrste pogrešaka: Pogreška 1. vrste nastaje odbacvanjem nulte hpoteze H 0 ( prhvaćanjem alternatvne hpoteze H 1 ) ako je hpoteza H 0 spravna: Vjerojatnost pogreške 1. vrste: PTBH 0 POGREŠNO ODBACIVANJE HIPOTEZE Ho Pogreška. vrste nastaje prhvaćanjem hpoteze H 0 u uvjetma spravnost alternatvne hpoteze H 1 Vjerojatnost pogreške. vrste: PTAH 1 POGREŠNO PRIHVAĆANJE HIPOTEZE Ho Jakost (moć) testa predstavlja vjerojatnost odbacvanja nulte hpoteze kada je ustnu nespravna: +p = 1 p = 1 ISPRAVNO ODBACIVANJE H o p PTBH 1 Osnove Uvod u teorje planranje uzoraka analzu pokusa
21 Stanje Hpoteza Ho ISTINITA NEISTINITA O D L U Odbact Pogreška 1. vrste ISPRAVNO K A Prhvatt ISPRAVNO Pogreška. vrste Osnove Uvod u teorje planranje uzoraka analzu pokusa
22 Testranje hpoteza za očekvanje Uzorak osnovn skup, hpoteze Razdoba artmetčke sredne uzorka Studentova razdoba s k = n 1 st. slob. f ( x) Hpoteze: H H H H : x : x dvostran test : x jednostran : x testov f () t 1 x x 1 x Pogodna jednodmenzonalna varjabla: t x s x... varjabla Studentove t-razdobe, k = n 1 stup. slobode k = n 1 ss 1 t t Ako je rač. 0 odbact Ho, uz vjerojatnost pogreške 1. vrste t 0 0 t 0 t Osnove Uvod u teorje planranje uzoraka analzu pokusa
23 Prmjer: Podac z prmjera za ntervalnu procjenu očekvanja n = 10; = 50.65; s = 0.96; Provjert hpotezu da je rječ o podacma skupa čje je očekvanje 51.5 jednca, naprama alternatvnoj hpotez 51.5 Vjerojatnost pogreške 1. vrste neka znos 0.05 ( = 0.05) f () t H : x 51.5 H : x 51.5 ( 51.5) 0 1 x 0.05 t rač Zaključak: t rač t t t t ODBACITI H rač. 0 0 Osnove Uvod u teorje planranje uzoraka analzu pokusa
24 Provjera hpoteza uzorak uzorak (test očekvanja) 1. skup: očekvanje 1, varjanca uzorak: n 1 podataka,. skup: očekvanje, varjanca 0. uzorak: n podataka, x, s, sx x, s, sx Hpoteze: H H H H : 0 1 : 1 1 : 1 1 : 1 1 f ( x1 ) f( x ) 1 x1, x Osnove Uvod u teorje planranje uzoraka analzu pokusa
25 artmetčka sredna svakog od uzoraka raspat će se oko očekvanja skupa z kojeg uzorak potječe njhova razlka d x1 xraspat će se oko velčne D 1 pretpostavmo l da je hpoteza Ho stnta, 1 varjabla d će se raspat oko 0. f ( d) 0 d Osnove Uvod u teorje planranje uzoraka analzu pokusa
26 pr tome je standardna pogreška varjable d: s d s n s n za uzorke s n 1 + n > 30 ( n11) s1 ( n 1) s n1n... za uzorke s n sd 1 + n < 30, n1n n1n ako se n 1 n znatno razlkuju varjabla pogodna za testranje nulte hpoteze: f () t k = n 1 + n t rač. x x 1 s d... varjabla Studentove t-razdobe s k = n 1 + n s. s. Ako trač. t0 odbact Ho, uz vjerojatnost pogreške 1. vrste. t 0 0 t 0 t Osnove Uvod u teorje planranje uzoraka analzu pokusa
27 Testranje hpoteza za proporcje (atrbutvne podatke) slučaj: uzorak osn. skup osnovn dvoslojn skup s proporcjom P elementa sa svojstvom A. uzorak n elemenata s proporcjom p važno: E(p) = P raspanje proporcje p oko proporcje P ma standardnu pogrešku: s p pq n slučaj: uzorak uzorak osnovn skupov 1. skup, proporcje P 1. skup, proporcje P uzorc n 1 pod., proporcja p 1 n pod., proporcja p nulta hpoteza: H0 : P1 P alternatvna hp.: H1: P1 P H1: P1 P H : P P 1 Osnove Uvod u teorje planranje uzoraka analzu pokusa
28 varjabla za testranje hpoteze Ho : P z p P s p var. razdobe N Vrjed samo za VELIKE uzorke tj. n 100 0,1 razlka d = p 1 p raspa se oko E(d)=0, ako pretpostavmo stntost nulte hpoteze varjabla pogodna za testranje nulte hpoteze: z p 1 s d p n n sd p(1 p) n n p np n np n Zaključak: Ako zrač. z( ) ODBACITI Ho Osnove Uvod u teorje planranje uzoraka analzu pokusa
29 Usporedba (testranje) varjanc 1. Osnovn skup: očekvanje 1, varjanca 01 neprstrana procjena varjance. Osnovn skup: očekvanje, varjanca 0 s neprstrana procjena varjance Nulta hpoteza: naprama alternatvnoj Varjabla H H F : : 01 0 s s 1 varjabla F-razdobe s k b = n 1 1s.s. k n = n 1s.s. s 1 Osnove Uvod u teorje planranje uzoraka analzu pokusa
30 f( F) k b ; k n Ako: F rač. > F 0 odbact Ho Konvencja: s s 1 1 Tpčno: = 0.05; 0.01 F 0 F F-razdoba: utemeljo G. Snedecor ( ) Nazv F-razdoba u čast R. Fshera ( ) VAŽNO: Svakom testu artmetčkh sredna mora prethodt provjera značajnost razlka među varjancama Osnove Uvod u teorje planranje uzoraka analzu pokusa
31 Usporedba frekvencja (c test) neparametarsk test test usporedbe frekvencja značajnost razlka među frekvencjama f(x) f t (x) Odnos stvarnh teorjskh frekvencja preko varjable n 1 f ( x) ft ( x) ft ( x) varjabla sa k=n-1 stupnjeva slobode, kod prlagodbe razdoba k=n-1-r, gdje je r broj parametara prlagođene razdobe r(bnomna)=r(possonova)=1; r(normalna)= postavljanje hpoteza: H 0 razlke f(x)-f t (x) slučajne H 1 razlke f(x)-f t (x) značajne ako je r 0 tada treba odbact hpotezu H 0 NAPOMENA: upotreba samo za frekvencje f t >5! u slučaju prlagodbe kombnrat sa susjednom frekvencjom (razredom) razdoba Osnove Uvod u teorje planranje uzoraka analzu pokusa
32 4. Analza varjance Postupak usporedbe vše uzoraka pr čemu svak uzorak predstavlja osnovn skup (populacju) U tehnčkm prozvodnm uvjetma analza varjance predstavlja postupak provjere djelovanja promjene stanja nekog faktora na mjerenu vrjednost rezultat Postupak analz značajnost utjecaja faktora u nekom procesu nepoznat proces (znanstven prstup) Analzom varjance provjeravaju se promjene artmetčkh sredna uzoraka Uvod u planranje analzu pokusa
33 Model analze varjance u slučaju jednog utjecajnog faktora Redn broj mjerenja 1 x uzorc 1 3 j k x x 3 n j n j n j n j x j x1 x x j x 1 x x j x k1 n j n j x j xk 1 1 x j x k Model: x x x j j j j x j vrjednost -tog mjerenja u j-tom stupcu artmetčka sredna svh podataka doprnos ar. sredne j-tog uzorka slučajno odstupanje unutar uzorka j Pretpostavka: N j E ( ) 0; j ( ) j Uvod u planranje analzu pokusa
34 Model se može shvatt kao: Hpoteza: 1,,, nj xj xj j j 1,,, k H0 : x. 1 x. x. k 0 H : bar jedan x 0 1. j Za provjeru gornje hpoteze H 0 nužno je odredt dvje nezavsne varjance kako b se formrao F test: f ( F) F s s 1 varjabla F-razdobe s k b = n 1 1s.s. k n = n 1s.s. k b ; k n ( s s ) 1 1 F 0 F Odluka: ako F rač. > F 0, odbact H 0, uz pogrešku prve vrste čja je vjerojatnost Uvod u planranje analzu pokusa
35 Postupak: N n1n nj nk ukupn broj podataka s 0 k n j j1 1 ( x ) j N 1 ( N 1) s ( x ) ( x x x ) k n j j1 1, j j j j j, j, j ( xj xj ) ( xj ) ( xj xj ) ( xj ), j, j, j = 0 Uvod u planranje analzu pokusa
36 Konačno: F s s ( x ) ( x x ) ( x ) j j j j, j, j, j SKO SKO SKO UKUPNO unutar zmeđu uzoraka uzoraka s s s UKUPNO unutar zmeđu uzoraka uzoraka zmeđu uzoraka unutar uzoraka varjabla F-razdobe s k b = k 1 s.s. k n = N k s.s. Uvod u planranje analzu pokusa
37 Prmjer: Čvrstoća papra (ps) u ovsnost o udjelu tvrdog drva u smjes, u % mjerenja udo tvrdog drva, % Suma po uzorcma Ar. sredna uzorka ukupna suma: 383 ukupna ar. sredna: f ( F) k b = 3; k n = 0 Tablca analze varjance zvor varjacje faktor: udo tvrdog drva slučajno odst. u uzorcma (ostatak) suma kvadrata odstupanja stupnjev slobode srednj kvadrat odstupanja F rač. F 0(=0.01) UKUPNO: F 0 = F rač. > F 0 odbact H 0 uz vj. pogreške 1. vrste = 0.01 F Uvod u planranje analzu pokusa
38 PRIMJER (1 prom. faktor): Četr poduzeća prozvode stovrsn prozvod. Prlkom kontrole mjerena je karakterstčna dmenzja za serje prozvoda koje se zrađuju na jednom tpu automata. Potrebno je provjert da l se kvalteta prozvoda (u pogledu karakterstčne dmenzje) značajno razlkuje od serje do serje (među poduzećma). Red.br. UZORCI (poduzeće) Effect Total Poduzece Poduzece Poduzece Poduzece Effect Poduzece Error Total Descrptve Statstcs (Spreadsheet1) Level of N Var Var Var Var Var Factor Mean Std.Dev. Std.Err -95,00% +95,00% 6 164,1154 8, , , , ,0000 6,90411, , , ,000 6,49615, , , ,65011,0316 3, ,40317, ,5000 7, , , ,5403 Unvarate Results for Each DV (Spreadsheet1) Sgma-restrcted parameterzaton Effectve hypothess decomposton Degr. of Var Var Var Var Freedom SS MS F p 3 318,5 106, 1,460 0, , 7, ,7 Uvod u planranje analzu pokusa Dr. Zagreb, sc. Hrvoje rujan Cajner 009.
39 Model analze varjance s dva promjenjva faktora x x x Model: j j j xj Vrjednost u -tom retku j-tom stupcu artmetčka sredna svh podataka x doprnos ar. sredne j-tog j stupca doprnos ar. sredne -tog x retka slučajno odstupanje (ostatak) j Pretpostavka: N j E ( ) 0; j ( ) j Formraju se dva F-testa: F-test (po redovma) H0 : x. 1 x. x. l 0 H : bar jedan x 0 F-test (po stupcma) H : x x x 0 H j 1. : bar jedan x 0. j. k Uvod u planranje analzu pokusa Dr. Zagreb, sc. Hrvoje rujan Cajner 009.
40 dekompozcja sume kvadrata odstupanja: ( x ) ( x ) ( x ) SKO j j ostatka, j, j, j SKO SKO SKO SKO s UKUPNO s stupc redov ostatka UKUPNO stupc redov ostatka s s buduć da su poznata dva zvora varjacje (gruprano u redove stupce) potrebno je provest dva odvojena F-testa preko formrane ANOVA tablce svak zvor varjacje zražen preko procjenjene varjance (srednj kvadrat odstupanja) se stavlja u odnos s procjenjenom varjancom ostatka (preduvjet da je ostatak normalno dstrburan slučajna varjacja) Uvod u planranje analzu pokusa Dr. Zagreb, sc. Hrvoje rujan Cajner 009.
41 ANOVA tablca zvor varjacje suma kvadrata odstupanja stupnjev slobode srednj kvadrat odstupanja F rač. Faktor1 (redov) SKO redov l 1 s redov s redov/ s ostatak Faktor (stupc) SKO stupc k 1 s stupc s stupc/ s ostatak Ostatak SKO ostatak (k 1)(l 1) s ostatak UKUPNO: SKO ukupno N 1 Uvod u planranje analzu pokusa Dr. Zagreb, sc. Hrvoje rujan Cajner 009.
42 PRIMJER ( prom. faktora): Četr radnka zavarla su svak po jedan uzorak lma na svakom od tr postojeća uređaja za točkasto zavarvanje. Rezultat sptvanja prjelomne sle th zavarenh spojeva zapsan su u tablc. Da l je svejedno u pogledu zavarenog spoja koj radnk zavaruje na kojem uređaju? [N] Radnk Uređaj R1 R R3 R4 S Effect Radnk Uređaj Error Total Unvarate Results for Each DV (Spreadsheet1) Sgma-restrcted param eterzaton Effectve hypothess decomposton Degr. of Freedom Prjelomna sla SS Prjelomna sla MS Prjelomna sla F Prjelomna sla p 3 8 7,1 0, ,4 0, S S Descrptve Statstcs (Spreadsheet1) Level of N Prjelomna sla Prjelomna sla Prjelomna sla Prjelomna sla Prjelomna sla Effect Factor Mean Std.Dev. Std.Err -95,00% +95,00% Total 1 968,6667 4, , , ,514 Radnk R ,6667 4,16333, , ,0090 Radnk R 3 971,3333 5,0333, , ,8366 Radnk R ,3333, , , ,5849 Radnk R ,3333 4,50950, , ,5349 Uređaj S ,500 4,03119, , ,6644 Uređaj S 4 965,7500 4,9449, , ,5859 Uređaj S ,0000 3, , , ,663 Uvod u planranje analzu pokusa Dr. Zagreb, sc. Hrvoje rujan Cajner 009.
43 Pojednostavljen zraz za računanje analze varjance 1 promjenjv faktor promjenjva faktora SKO SKO SKO ukupno, x zmeđu _ uzoraka j SKO j j ostatak ukupno zmeđu _ uzoraka x N j x j j j n j SKO ndeks u tablc podataka x N SKO SKO SKO SKO ukupno, x j j j 1 j zmeđu _ stupaca x j n j j N j 1 j zmeđu _ redova x j n j N SKO ostatak ukupno zmeđu_ uzoraka x N j SKO x x j Uvod u planranje analzu pokusa Dr. Zagreb, sc. Hrvoje rujan Cajner 009.
44 5. Korelacja regresja - korelacja mjera povezanost dvje l vše varjabl Karl Pearson - regresja defnra oblk povezanost dvaju l vše varjabl Francs Galton Uvod u planranje analzu pokusa Zagreb, rujan 009.
45 Osnovn prstup stražvanju pojava u procesu Dva osnovna prstupa: 1. Regresjsk prstup upotreba emprjskh (hstorjskh) podataka gdje ne postoj mogućnost kontrole faktora u procesu. jedna l vše regresorskh varjabl (faktora) koja utječe na odzvnu varjablu y f( x, x, x...) 1 3,. Planranje pokusa mogućnost kontrole faktora u procesu te oblkovanje modela po stohastčkom prncpu rad elmnacje utjecaja nekontrolranh faktora. Uvod u planranje analzu pokusa Opć model procesa Zagreb, rujan 009.
46 Korelacja Mjera povezanost dvje l vše varjabl metoda kojom se utvrđuje da l među varjablama postoj funkconalna ovsnost Pearson-ov koefcjent korelacje r može poprmt vrjednost od do r<0 defnra negatvnu korelacju r>0 defnra poztvnu korelacju SMJER POVEZANOSTI Metoda korelacje prat odstupanja uspoređuje varjacje dvaju l vše varjabl te mjer odnose među varjacjama. jakost veze Metoda najmanjh kvadrata odstupanja korst se za određvanje koefcjenta korelacje odnosno koefcjenta determnacje Uvod u planranje analzu pokusa Zagreb, rujan 009.
47 Metoda najmanjh kvadrata odstupanja u određvanju koefcjenta korelacje: r SS xx xy SS SS yy n n 1 1 x x; y y n 1 n 1 n SS ( x x)( y y) xy 1 n SS ( y y) yy n SS ( x x) xx - r Pearsonov koef. korelacje -x, y orgnalne vrjednost - n broj parova podataka r x x nx y nxy y ny Uvod u planranje analzu pokusa Zagreb, rujan 009.
48 Prmjer kretanja koefcjenta korelacje za razlčte grupe podataka: Uvod u planranje analzu pokusa Zagreb, rujan 009.
49 Izvod koefcjenta determnacje: y y y y y ( yˆ yˆ y yˆ y) ( y yˆ ) / n 1 ( y SKO y) ukupno n 1 SKO ( yˆ y) protumačroo n 1 SKO ( yˆ ostatka y)( y yˆ) n 1 ( y yˆ) r SKO SKO protumačroo ukupno - koefcjent korelacje se računa kao drug korjen koefcjenta determnacje - r koefcjent determnacje utvrđuje kolko je promjene zavsne varjable objašnjeno promjenom nezavsne varjable Prmjer. Ako je koefcjent korelacje 0.9, tada je koefcjent determnacje Što znač da je 81% promjene zavsne varjable objašnjeno promjenom nezavsne varjable - kada se govor o jačn veze ne smje se govort na nvou r,već treba uzet u obzr koefcjent determnacje!!! Uvod u planranje analzu pokusa Zagreb, rujan 009.
50 Testranje koefcjenta korelacje (T-test): Upotreba metode uzoraka u teorj korelacje Koefcjent korelacje podlježe testranju t-testom samo ako su promatrane varjable normalno dstrburane Testra se hpoteza o koefcjentu korelacje osnovnog skupa z kojeg je uzet uzorak sa n parova podataka t H H 0 1 r n 1 r ; t tab k n koefcjent korelacje osnovnog skupa koefcjent korelacje osnovnog skupa 0 0 Uvod u planranje analzu pokusa Zagreb, rujan 009.
51 Regresjska analza Određuje oblk krvulje koja najbolje opsuje zadane podatke Oblk povezanost varjabl: Lnearna povezanost: y=ax+b Krvolnjska:»y=ae bx» y=a+blnx»y=ab x Kod regresjske analze se zna što je uzrok a što posljedca (zavsna, nezavsna varjabla) Osnovn problem ove metode je odredt koefcjente regresje Regresjska analza: jednostavna lnearna regresja; nelnearna regresja (lnearzacja); všestruka regresja Uvod u planranje analzu pokusa Zagreb, rujan 009.
52 Jednostavna lnearna regresja Bt metode je odredt koefcjente regresjskog pravca β 0 β 1 Oblk regresjskog pravca: ŷ= β 0 + β 1 x Pravac koj najbolje aproksmra orgnalne vrjednost mora bt tako položen da SUMA KVADRATA ODSTUPANJA (SKO) procjenjenh orgnalnh vrjednost bude mnmalna! Uvod u planranje analzu pokusa Zagreb, rujan 009.
53 Zagreb, rujan 009. Uvod u planranje analzu pokusa b x y b nx x nxy y x b n n ; Izvod koefcjenata regresjskog pravca n n n n n n n n n y x x b x b y x b nb y b x b x b S y b x b b S y b x b b b S y y b b S ) ( 0 ) ( mn ) ( ), ( mn ) ˆ ( ), ( Konačn zraz za koefcjente regresjskog pravca oblka ŷ=β 0 +β 1 x
54 Zagreb, rujan 009. Uvod u planranje analzu pokusa Isptvanje adekvatnost modela (F-test) R P s s F ˆ ( ) ; 1 ˆ ( ) P R y y s y y s n je neadekvatan (nje dobro odabran) F 0 model F
55 Testranje ostataka preko papra vjerojatnost još jedna od grafčkh metoda analze podataka (z uzorka) kontnuranog oblježja utvrđuje se da l se podac ponašaju po jednoj od promatranh raspodjela kolko koj element odstupaju za svaku raspodjelu posebno konstrura se papr vjerojatnost: papr vjerojatnost normalne raspodjele (najčešće) papr vjerojatnost Webull-ove raspodjele papr vjerojatnost lognormalne raspodjele... uzma se funkcja dstrbucje određene raspodjele promjenom mjerla dobva se funkcja dstrbucje u oblku pravca (Henry-jev pravac) Uvod u planranje analzu pokusa Zagreb, rujan 009.
56 konstruranje papra vjerojatnost normalne raspodjele 100 Funkcja dstrbucje Normal 99 Papr vjerojatnost Normal ~84% % % x x Henry-jev pravac se ucrtava tako da se odrede dvje čvrste točke: 1. točka : (x=, y=50%). točka : (x=y=84%) 15 0 Uvod u planranje analzu pokusa Zagreb, rujan 009.
57 prmjena papra vjerojatnost Prmjer: Provjert da l se podac z uzorka raspaju po normalnoj raspodjel. - promatranjem podataka može se utvrdt da l se podac raspaju po normalnoj raspodjel. x ( x) 0 - uzeta je raspodjela sa parametrma Uvod u planranje analzu pokusa Zagreb, rujan 009.
58 Metoda lnearzacje: - transformacja u lnearn sustav -tpčne transformacje: 1. y a x b ln y Y * ln a b ln x a * b X * 5. y 1 e -bx ln( y 1) - ln( y 1) bx bx. 3. y y a e b 0 bx b 1 x ln Y y y * y ln a bx b a 0 b * 0 bx 1 b1 x b X 1 * ln( y 1) 1 ln( ) y 1 * Y bx 1 bx bx 4. y b 0 b x y b b X * Uvod u planranje analzu pokusa Zagreb, rujan 009.
59 PRIMJER: U nekom stražvanju mehančkh svojstava nekog alatnog čelka utvrđen su podac o mkrostrukturnom sastavu (volumnom udjelu jedne od faza) tvrdoć, prema tablc. Utvrdt ma l ovsnost zmeđu ove dvje varjable kakvog je ona oblka. Volumn udo faze x [%] tvrdoća, y [HRC] Regresson Analyss: Tvrdoca versus Udo faze_ The regresson equaton s Tvrdoca = 68, -,09 Udo faze_ Predctor Coef SE Coef T P Constant 68,1995 0, ,5 0,000 Udo faze_ -,0895 0, ,81 0,000 S = 0,43753 R-Sq = 98,1% R-Sq(adj) = 97,8% Uvod u planranje analzu pokusa Zagreb, rujan 009.
60 Analyss of Varance Source DF SS MS F P Regresson 1 60,76 60,76 317,3 0,000 Resdual Error 6 1,149 0,191 Total 7 61,875 Udo Obs faze_ Tvrdoca Ft SE Ft Resdual St Resd 1 1,0 66,000 65,69 0,4 0,308 0,84 1,40 65,000 65,74 0,5-0,74-0,73 3 1,80 64,000 64,438 0,193-0,438-1,1 4,10 64,000 63,81 0,174 0,188 0,47 5,90 6,000 6,140 0,155-0,140-0,34 6 3,60 61,000 60,677 0,18 0,33 0,81 7 4,0 60,000 59,44 0,7 0,576 1,54 8 5,10 57,000 57,543 0,31-0,543-1,77 Uvod u planranje analzu pokusa Zagreb, rujan 009.
61 6. Planranje analza pokusa vsok zahtjev koje suvremeno tržšte postavlja na sve aspekte kvaltete prozvodnh tehnološkh procesa zahtjevaju uporabu razlčth metoda kontrole upravljanja kvaltetom kako u procesma prozvodnje tako u njhovu projektranju (pr. 6sgma) uz već uobčajene metode tehnke upravljanja kvaltetom, sve se vše korst metodologja planranja analze pokusa (Desgn of Experments), koja se pokazala vrlo učnkovtom, posebce žele l se postć optmalna rješenja kako u funkconalnm značajkama prozvoda tako u pogledu parametara odvjanja tehnološkog prozvodnog procesa također, u znanstveno stražvačke svrhe spomenuta metodologja vrlo često nema alternatvu Uvod u planranje analzu pokusa
62 Povjest osnovn pojmov Francs Bacon ( ), flozof, znanstvenk, povjesnčar, korsto jednofaktorske pokuse ZNANJE JE MOĆ Sr Ronald Aylmer Fsher ( ), utemeljtelj pojma DOE Desgn of Experments stražvač na Rothamsted Laboratory (London) stražvao utjecaj razlčth faktora na rast prnose u poljoprvrednoj prozvodnj uveo u stražvačk rad faktorske pokuse, tj. stražvanje stovremenom promjenom vše utjecajnh faktora nterakcje defnrao osnovne pojmove vezane uz pokuse: ponavljanje (repetton; replcates), slučajnost pr zvođenju pokusa (randomzaton), blokov, alas objavo knjge: Statstcal methods for research workers (195) Desgn of experments (1935) - od tada je zraz Desgn of Experments u službenoj upotreb početkom 0-og stoljeća pokus sa smjesama se pojavljuju u poljoprvrednoj ndustrj, ndustrj guma te ndustrj sapuna Uvod u planranje analzu pokusa
63 Vrste pokusa Faktorsk planov pokusa Korst se za sptvanje veza zmeđu vše faktora na vše razna odjednom Metode odzvnh površna Korst se za stražvanje veza zmeđu vše zavsnh nezavsnh varjabl Glavna deja metode je korštenje sekvenc u planranju pokusa kako b se postgao optmaln odzv Ovaj model je samo aproksmacja, al se često korst jer je takav model lako procjent upotrjebt, čak kada je malo toga poznato o procesu Pokus sa smjesama (mješavnama) Uvod u planranje analzu pokusa
64 Prncp uporabe planova pokusa: Uvod u planranje analzu pokusa
65 Model pokusa kontrolran faktor w 1 w... w p Faze pr zvođenju pokusa 1. Defnrat problem clj stražvanja.... Odabrat utjecajne faktore njhove razne x 1 x : x m ulaz (faktor, varjable)... Proces, problem... z 1 z... z p nekontrolran faktor (poremećaj)... y 1 y : y m zlaz (mjerne vrjednost, rezultat) 3. Odabrat mjerene vrjednost (zlazne varjable) 4. Odabrat model pokusa 5. Izvest pokus (predpokus, glavn pokus) 6. Analzrat rezultate 7. Formulrat zaključke prjedloge Uvod u planranje analzu pokusa
66 Metode znanstveno-stražvačkog rada 7. Faktorsk planov pokusa pogodn za stražvanje utjecaja, 3, 4,... faktora odabrane faktore moguće je sptvat na l vše razna stovremeno ovsno o broju razna faktora regresjsk model će bt sastavljen od članova prvoga odnosno všeg reda te nterakcja (prvog, drugog všeg reda) pokusa po faktor po faktor: Prosječn efekt: Faktora A razlka u rezultatu A 1 B 1 A B 1 Faktora B razlka A 1 B 1 A 1 B U slučaju dodavanja točke A B prosječan efekt : Faktora A prosjek razlka u rezultatu A 1 B 1 -A B 1 A 1 B -A B Faktora B prosjek razlka A 1 B 1 -A 1 B A B 1 -A B Problem neuključvanja nterakcja!!! Planranje analza pokusa
67 Metode znanstveno-stražvačkog rada označavanje: k r broj razna broj faktora broj zvođenja pokusa za svaku kombnacju razna faktora najjednostavnj slučaj; k = faktora svak na razne lnearn model: y jk = + + j + j + e jk -očekvanje (opća artm. sredna) - efekt faktora 1 j - efekt faktora j - efekt nterakcje e jk ostala varjacja Planranje analza pokusa
68 Metode znanstveno-stražvačkog rada Prmjer: faktor B B b ab A1, A, B1, B razne faktora (1), a, b, ab stanja pokusa Prkaz promjene rezultata: B 1 (1) a A 1 A faktor A rezultat y j B 1 B (1) b A a ab A Planranje analza pokusa
69 Metode znanstveno-stražvačkog rada Rezultat djelovanja promjene faktora glavn efekt: nterakcja ab a b (1) A 0 abab(1) B 10 ab a b (1) AB 0 VAŽNO: ISTOVREMENA PROMJENA FAKTORA A B NE UTJEČE NA REZULTAT NEMA INTERAKCIJE Planranje analza pokusa
70 Metode znanstveno-stražvačkog rada Prmjer: faktor B B B 1 b ab (1) a A 1 A glavn efekt: ab a b (1) A 0 ab a b (1) B 10 nterakcja ab a b (1) AB 0 faktor A Rezultat INTERAKCIJA AB = 0 rezultat y j B 1 B A A 30 0 Planranje analza pokusa (1) b a ab 30 0 B B A 1 A faktor A
71 Metode znanstveno-stražvačkog rada Analza značajnost utjecaja faktora nterakcja Izvor varjacja Suma kvadrata odstupanja Stupnjev slobode Srednj kvadrat odstupanja F rač. F 0 * Faktor A SS A a 1 Faktor B SS B b 1 MS MS A B SS MS A Frač.( A) a 1 MS SS MS B Frač.( B) b 1 MS A OST. B OST. SS a b AB nterakcja AB SS AB (a 1) (b 1) MSAB ( 1)( 1) F rač.( AB) MS MS AB OST. OST ostatak SS OST. ab(r 1) MSOST abr ( 1) Ukupno SS UKUPNO abr 1 SS a broj razna faktora A b broj razna faktora B r broj ponavljanja pokusa * opaska: p greška odbacvanja spravne hpoteze Ho Planranje analza pokusa
72 Metode znanstveno-stražvačkog rada Kontrast Lnearna kombnacja (funkcja) nad podacma pokusa, al uz uvjet sume koefcjenata jednake 0 y 1, y,,y n - podac nekog pokusa (rezultat) l 1, l,..., l n - koefcjent M y y... y y M 1 1 n n 1 n je kontrast ako vrjed: 0 1 n Planranje analza pokusa
73 Metode znanstveno-stražvačkog rada Prmjer kontrasta: a) Kontrast koj može odgovort na ptanje postoj l lnearn trend (porast) rezultata zmeđu točke (stanja) pokusa 1 3. M y y y 1 y y b) Kontrast koj odgovara postoj l nelnearnost pojave u srednjoj razn. L y y y 1 y y 3-1/ 1-1/ Planranje analza pokusa
74 Metode znanstveno-stražvačkog rada Ortogonaln kontrast: Dva su kontrasta međusobno ortogonalna ako je suma umnožaka odgovarajućh parova koefcjenata jednaka 0 Prmjer ortogonalnost kontrasta: Kontrast y y 1 y y 3 n 1 M L -1/ +1-1/ K P M L ortogonaln kontrast M K nsu ortogonaln kontrast K P ortogonaln kontrast Ortogonaln kontrast odgovaraju na nezavsna ptanja Ako ortogonalnost nje prsutna tada su nek efekt faktora združen ( confoundng ) 0 Planranje analza pokusa
75 Metode znanstveno-stražvačkog rada 8. Djelomčn (frakconran) faktorsk planov pokusa upotreba djelomčnh pokusa kod problema sa velkm brojem faktora fokus stražvanja je na faktorma s velkm efektma značajnm faktorma pretpostavlja se da glavn efekt domnraju nad nterakcjama označavanje: k-p r prmjer: 3 faktora s jednm ponavljanjem na razne 1/ frakcje = 3-1 Prmjer 3-1 Planranje analza pokusa
76 Metode znanstveno-stražvačkog rada za glavnu frakcju I=+ABC kontrast za procjenu efekta je st kao za procjenu nterakcje BC tu pojavu nerazlučenh efekata zovemo alas alas za konkretn problem: A = BC, B = AC, C = AB mogu se defnrat kao: notacja alasa: AI = A(ABC) = A BC = BC BI =B(ABC) = AC CI = C(ABC) = AB A BC, B AC, C AB A B C Planranje analza pokusa
77 Metode znanstveno-stražvačkog rada Prmjer (djelomčn 4-1 ) Planranje analza pokusa
78 Metode znanstveno-stražvačkog rada rezultat: značajn efekt= A, C, D, AC AD Planranje analza pokusa
79 Metode znanstveno-stražvačkog rada 8. Metodologja odzvne površne Centralno kompoztn plan pokusa prpada u skupnu planova pokusa všeg reda, tzv. metoda odzvne površne (e. response surface methodology) Metoda odzvne površne obuhvaća skup statstčkh matematčkh metoda koje se prmjenjuju za razvoj, poboljšanje optmranje procesa Mjerljva velčna kvaltete prozvoda l procesa nazva se odzv Svrha plana pokusa je generranje matematčkog modela, odnosno jednadžbe (polnoma II. stupnja) koja opsuje proces Ako su proučavan faktor u pokusu dosta on koj utječu na proces, a podac dobven pokusom prhvatljve točnost precznost, tada je moguće razvt model koj vjerodostojno opsuje proces Planranje analza pokusa pokusa Zagreb, svbnja 010.
80 Metode znanstveno-stražvačkog rada Centralno kompoztn plan pokusa je model I. reda (k) prošren dodatnm točkama (stanjma pokusa) u centru točkama u osma da b se omogućla procjena parametara modela II. Reda Centralno kompoztn plan pokusa sastoj se od k stanja u vrhovma (faktorska stanja), k stanja u osma stanja u sredštu (k broj faktora) Centralno kompoztn plan pokusa je alternatva 3k modelu pr sastavljanju modela pokusa II. reda jer je broj zvođenja smanjen u usporedb s potpunm faktorskm modelom pokusa Za k = 3 (faktor su x1, x x3) na slc 1 prkazan je model centralno kompoztnog pokusa za koj je potrebno 15 stanja pokusa( ) U slučaju potpunoga faktorskog pokusa blo b potrebno 7 stanja pokusa Planranje analza pokusa pokusa Zagreb, svbnja 010.
81 Metode znanstveno-stražvačkog rada kreranje prelmnarnh pokusa u svrhu pronalaženja optmalnog područja stražvanja s obzrom na oblk stražvanja (pronalaženje optmuma, pronalaženje odzvne karakterstke u ogrančenom području...) standardna metoda pronalaženja ekstrema Metoda strmog uspona Pronalaženje optmalnog prostora ekspermenta Planranje analza pokusa pokusa Zagreb, svbnja 010.
82 Metode znanstveno-stražvačkog rada Poželjna karakterstka svakoga pokusa je međusobna nezavsnost procjena glavnh efekata njhovh nterakcja, što se postže ortogonalnošću rotatablnošću pokusa Pokus je ortogonalan ako je zbroj produkata kodranh stanja blo kojh dvju kolona u matrc pokusa jednak nul Rotatablnost centralno kompoztnog plana pokusa postže se dodavanjem stanja pokusa tako da su sva stanja jednako udaljena od sredšta pokusa, odnosno rotatablnost ovs o tzv. osnoj udaljenost α (udaljenost stanja u osma od centra) Pokus je rotatablan ako je: 4 F gdje je F broj faktorskh stanja (F = k u slučaju potpunoga faktorskog pokusa) Planranje analza pokusa pokusa Zagreb, svbnja 010.
83 Metode znanstveno-stražvačkog rada Prema (1), u slučaju dva faktora α = /4 = 1,414, a u slučaju tr faktora α = 3/4 = 1,68 Dodatna stanja u sredštu pokusa služe da b se mogle usporedt vrjednost mjerenja zavsne varjable u sredštu pokusa s artmetčkom srednom za ostatak pokusa Ako je artmetčka sredna sredšta pokusa sgnfkantno razlčta od ukupne artmetčke sredne svh ostalh stanja pokusa, tada se može zaključt da veza zmeđu faktora pokusa zavsne varjable nje lnearna Ako se pokus barem djelomčno ponavlja, tada se može procjent pogreška pokusa z varjablnost ponovljenh stanja Buduć da se ta stanja zvode pod dentčnm uvjetma, odnosno dentčnm raznama faktora, procjena pogreške pokusa z th podataka neovsna je o tome je l model pokusa lnearan l nelnearan te sadržava l nterakcje všeg reda Planranje analza pokusa pokusa Zagreb, svbnja 010.
84 Metode znanstveno-stražvačkog rada Tako je procjenjena pogreška pokusa čsta pogreška (e. pure error), odnosno ona je posljedca samo prrodne varjacje zavsne varjable Jednadžba (polnom II. stupnja) kojom se opsuje proces (odzvna funkcja) za općent slučaj glas (k faktora pokusa): pr čemu se koefcjent b 0... b k određuju prmjenom metode mnmalne sume kvadratnh odstupanja računskh od stvarnh vrjednost Planranje analza pokusa pokusa Zagreb, svbnja 010.
85 Metode znanstveno-stražvačkog rada Metoda strmog uspona (prmjer) Planranje analza pokusa pokusa Zagreb, svbnja 010.
86 Metode znanstveno-stražvačkog rada Oblkovanje plana pokusa za prlagodbu modela drugog reda Kodranje faktora rad računanja efekata (ortogonalnost) Stvarn faktor se prebacuju u kodrane vrjednost: x 1 1 [max( 1) mn( 1)]/ [max( ) mn( )]/ 1 1 x kodrana vrjednost varjable1 - stvarna vrjednost varjable1 max( ) - maksmalna vrjednost varjable 1 mn( ) - mnmalna vrjednost varjable 1 U slučaju modela drugoga reda dodatne (ekstrapolrane) točke pokusa se računaju uzmajuć u obzr koefcjent Planranje analza pokusa pokusa Zagreb, svbnja 010.
87 Metode znanstveno-stražvačkog rada Centralno kompoztn planov pokusa za prlagođavanje odzvne površne (funkcje drugog reda) za 3 faktora Planranje analza pokusa pokusa Zagreb, svbnja 010.
88 Metode znanstveno-stražvačkog rada Prmjer forme unosa podataka centralno kompoztn model s faktora 5 ponavljanja u centru Planranje analza pokusa pokusa Zagreb, svbnja 010.
89 Metode znanstveno-stražvačkog rada Rezultat je moguće skazat kroz konturn djagram graf odzvne površne Planranje analza pokusa pokusa Zagreb, svbnja 010.
90 Metode znanstveno-stražvačkog rada Prmjer : Prozvodnja kemkalja. (kemkalje.dx7) Dva najvažnja odzva koja se prate su: Y1 Pretvaranje (% reaktanata koj su se pretvorl u produkt) Y Aktvnost Isptvač je odabrao 3 faktora procesa za proučavanje. Njhov nazv nvo su prkazan u tablc Pretpostavmo da će se sptvanja provodt u toku dana zvođenja: 8 točaka u vrhovma 4 točke u sredštu. 8 zvođenja: 6 točaka u osma točke u sredštu Faktor Mjerna jednca Low level (-1) Hgh level (+1) A Vrjeme Mnute B Temperatura C C - Katalzator % 4 Planranje analza pokusa pokusa Zagreb, svbnja 010.
91 Metode znanstveno-stražvačkog rada Odabran model :Centralno kompoztn plan pokusa za 3 faktora Planranje analza pokusa pokusa 91 Zagreb, svbnja 010.
92 Metode znanstveno-stražvačkog rada Prmjer: Na slc je prkazan faktorsk plan pokusa. Rezultat pokusa su dan u tablc. Potrebno je analzrat značajnost faktora te glavne efekte nterakcje. faktor B B b ab rezultat y j B 1 B A B 1 (1) a A 1 A faktor A A 30 0 Analyss of Varance for Y (coded unts) Source DF Seq SS Adj SS Adj MS F P Man Effects 100,0 100,0 50,00 * * -Way Interactons 1 400,0 400,0 400,00 * * Resdual Error 0 * * * Total 3 500,0 Estmated Coeffcents for Y usng data n uncoded unts Term Coef Constant 15,0000 faktor A 0 faktor B -5,00000 faktor A*faktor B -10,0000 Planranje analza pokusa pokusa Zagreb, svbnja 010.
93 Metode znanstveno-stražvačkog rada Prmjer: Potrebno je analzrat pokus 3 x 3. Rezultat su dan u tablc. Estmated Effects and Coeffcents for Tvrdoca (coded unts) Term Effect Coef SE Coef T P Constant 586,417 0, ,7 0,000 A 5,500 1,750 0, ,84 0,000 B -14,000-7,000 0,8047-8,70 0,000 C -4,333 -,167 0,8047 -,69 0,016 A*B 8,667 4,333 0,8047 5,38 0,000 A*C 0,333 0,167 0,8047 0,1 0,839 B*C 6,500 3,50 0,8047 4,04 0,001 A*B*C 3,167 1,583 0,8047 1,97 0,067 S = 3,949 PRESS = 559,5 R-Sq = 95,99% R-Sq(pred) = 90,98% R-Sq(adj) = 94,4% Analyss of Varance for Tvrdoca (coded unts) Source DF Seq SS Adj SS Adj MS F P Man Effects , , ,06 111,3 0,000 -Way Interactons 3 704,83 704,83 34,94 15,1 0,000 3-Way Interactons 1 60,17 60,17 60,17 3,87 0,067 Resdual Error 16 48,67 48,67 15,54 Pure Error 16 48,67 48,67 15,54 Total 3 603,83 Planranje analza pokusa pokusa Zagreb, svbnja 010.
94 Metode znanstveno-stražvačkog rada Prmjer: Ops problema Clj je zrezat trake tako da lagano padaju na pod Ako su optmalno dmenzonran konfet se rotraju kreću pod nasumčnm kutovma što odaje vrlo efektan dojam U tablc su prkazano faktor nvo koje je potrebno testrat Napomena Dodane su sredšnje točke (kodrane s 0) kako b se smanjo razmak zmeđu nžeg všeg nvoa Faktor Nazv Mjerne jednc e Nž nvo (-) Centar (0) Vš nvo (+) A Šrna cm 1 3 B Vsna cm Planranje analza pokusa pokusa Zagreb, svbnja 010.
95 Planranje pokusa Model pokusa zmjeren podac No. Šrna (cm) Vsna (cm) Vrjeme (sec) 1 1 3, , , ,8 6 4,7 7 4,6 8 4,7 Sredšnja točka je replcrana 4 puta kako b se determnrala čsta pogreška pokusa Metoda odzvne površne
96 Planranje pokusa Efekt: Metoda odzvne površne
97 Planranje pokusa ANOVA tablca: Source Sum of Squares df Mean Square F Value p-value Prob > F Model 0,49 1 0, A-Šrna 0,49 1 0, Curvature 0,3 1 0,3, Resdual 0,07 5 0,014 Lack of Ft 0,05 0,05 3, Pure Error 0,0 3 0,00667 Cor Total 0,88 7 Std. Dev. 0,1 R-Squared 0,8750 Mean,50 Adj R-Squared 0,8500 C.V. % 4,73 Pred R-Squared 0,5794 PRESS 0,4 Adeq Precson 10,3510 Metoda odzvne površne
98 Planranje pokusa Rezultat Metoda odzvne površne
99 Metode znanstveno-stražvačkog rada Prošrenje na centralno kompoztn model (CCD) Centralno kompoztn model za tr faktora Centralno kompoztn model za dva faktora Napomena Kako b se postgla maksmalna učnkovtost ovog modela točke stanja na osma moraju bt udaljene od dometa faktora za specfčnu udaljenost koja znos: Drug korjen z broja faktora Planranje analza pokusa pokusa Zagreb, svbnja 010.
100 Metode znanstveno-stražvačkog rada U tablc je prkazan nov prošren model Nove točke su označene kao Block Prmjette dodatne sredšnje točke one omogućuju vezu daju veću snagu za procjenu efekata drugog reda CCD model sadrž 5 nvoa za svak faktor: Nž osn Nž faktorsk Sredšnj Vš faktorsk Vš osn Tolko nvoa omogućuje generranje dovoljno nformacja da se odred jednadžba polnoma drugog reda Planranje analza pokusa pokusa Zagreb, svbnja 010.
101 Metode znanstveno-stražvačkog rada Centralno kompoztn model Konfet No. Blok Tp Šrna (cm) Duljna (cm) Vrjeme (sec) 1 Block 1 Fact 1 3,50 Block 1 Fact 3 3 1,90 3 Block 1 Fact 1 5,80 4 Block 1 Fact 3 5,00 5 Block 1 Center 4,80 6 Block 1 Center 4,70 7 Block 1 Center 4,60 8 Block 1 Center 4,70 9 Block Axal 0,59 4,50 10 Block Axal 3,41 4 1,80 11 Block Axal,59,60 1 Block Axal 5,41 3,00 13 Block Center 4,50 14 Block Center 4,60 15 Block Center 4,60 16 Block Center 4,90 Planranje analza pokusa pokusa Zagreb, svbnja 010.
102 Metode znanstveno-stražvačkog rada ANOVA tablca Planranje analza pokusa pokusa Zagreb, svbnja 010.
103 Metode znanstveno-stražvačkog rada Rezultat odzvna površna 3D prkaz odzvne površne Konturn prkaz odzva Planranje analza pokusa pokusa Zagreb, svbnja 010.
Upravljački prometni sustavi
Upravljačk prometn sustav Predvđanje prometnh parametara Izv. prof. dr. sc. Nko Jelušć Doc. dr. sc. Edouard Ivanjko Upravljačk prometn sustav :: Predvđanje prometnh parametara 2017 Ivanjko, Jelušć Sadržaj
More informationEkonometrija 6. Ekonometrija, Osnovne studije. Predavač: Aleksandra Nojković
Ekonometrja 6 Ekonometrja, Osnovne studje Predavač: Aleksandra Nojkovć Struktura predavanja Klasčn všestruk lnearn regreson model-posebne teme: Multkolnearnost - pojam posledce - metod otkrvanja otklanjanja
More informationRješavanje simultanih jednadžbi kao ekonometrijskog modela pomoću programskog paketa EViews
Rješavanje smultanh jednadžb kao ekonometrjskog modela pomoću programskog paketa EVews Sažetak - U ovom radu se analzra rješavanje sustava smultanh jednadžb kao ekonometrjskog modela. Između razlčh mogućnost
More information1. Kolokvij - DODATAK
. Kolokvj - DODATAK FAKULTET ZA MENADŽMENT U TURIZMU I UGOSTITELJSTVU U OPATIJI EKONOMETRIJA 6. TEMATSKA JEDINICA Opaja, 3. ŠESTA TEMATSKA JEDINICA VIŠESTRUKI LINEARNI REGRESIJSKI MODEL: OCJENJIVANJE PARAMETARA
More informationEKSPERIMENTALNA EVALUACIJA UTJECAJA ODABIRA ZNAČAJKI NA REZULTATE RASPOZNAVANJA PROMETNIH ZNAKOVA
VEUČILIŠE U ZAGREBU FAKULE ELEKROEHIKE I RAČUARVA DIPLOMKI RAD br. 35 EKPERIMEALA EVALUACIJA UJECAJA ODABIRA ZAČAJKI A REZULAE RAPOZAVAJA PROMEIH ZAKOVA Ivana učć Zagreb, lpanj 0. Zahvala Zahvaljuje se
More informationMetode praćenja planova
Metode praćenja planova Klasična metoda praćenja Suvremene metode praćenja gantogram mrežni dijagram Metoda vrednovanja funkcionalnosti sustava Gantogram VREMENSKO TRAJANJE AKTIVNOSTI A K T I V N O S T
More informationMetode izračunavanja determinanti matrica n-tog reda
Osječki matematički list 10(2010), 31 42 31 STUDENTSKA RUBRIKA Metode izračunavanja determinanti matrica n-tog reda Damira Keček Sažetak U članku su opisane metode izračunavanja determinanti matrica n-tog
More informationTEORIJA SKUPOVA Zadaci
TEORIJA SKUPOVA Zadai LOGIKA 1 I. godina 1. Zapišite simbolima: ( x nije element skupa S (b) d je član skupa S () F je podskup slupa S (d) Skup S sadrži skup R 2. Neka je S { x;2x 6} = = i neka je b =
More informationHeuristika i generalizacija Heronove formule u dva smjera
MAT-KOL (Banja Luka) XXIII ()(07), 49-60 http://www.mvbl.org/dmbl/dmbl.htm DOI: 0.75/МК70049S ISSN 0354-6969 (o) ISSN 986-588 (o) Heurstka generalzacja Heronove formule u dva smjera Petar Svrčevć Zagreb,
More information2008/2009. Fakultet prometnih znanosti Sveučilište u Zagrebu ELEKTROTEHNIKA
008/009 Fakultet proetnh znanost Sveučlšte u Zagrebu ZMJENČNE SJE EEKOEHNKA ZMJENČNE SJE zjenčne struje su vreensk projenljve struje koja se pored jakost jenja sjer strujanja naboja. renutna vrjednost
More informationProjektovanje paralelnih algoritama II
Projektovanje paralelnih algoritama II Primeri paralelnih algoritama, I deo Paralelni algoritmi za množenje matrica 1 Algoritmi za množenje matrica Ovde su data tri paralelna algoritma: Direktan algoritam
More informationFIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA
FIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA KOZMIČKI SAT ranog svemira Ekstra zračenje u mjerenju CMB Usporedba s rezultatima LEP-a Usporedba CMB i neutrina Vj.: Pozadinsko zračenje neutrina
More informationAddition of Center Points to a 2 k Designs Section 6-6 page 271
to a 2 k Designs Section 6-6 page 271 Based on the idea of replicating some of the runs in a factorial design 2 level designs assume linearity. If interaction terms are added to model some curvature results
More informationAlgoritam za množenje ulančanih matrica. Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek
Algoritam za množenje ulančanih matrica Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek O problemu (1) Neka je A 1, A 2,, A n niz ulančanih matrica duljine n N, gdje su dimenzije matrice
More informationDecepcijski i teški optimizacijski problemi za genetske algoritme
Decepcjsk tešk optmzacjsk problem za genetske algortme Stjepan Pcek Rng Datacom d.o.o. Trg J. J. Strossmayera 5, Zagreb 10000 stjepan@rng.hr Sažetak Genetsk algortm (GA) predstavljaju robusnu adaptvnu
More informationTEORIJE IZBORA U UVJETIMA NEIZVJESNOSTI
Perca Vojnć, mag. Asstentca Odjel za ekonomju poslovnu ekonomju Sveučlšte u Dubrovnku E-mal: perca.vojnc@undu.hr TEORIJE IZBORA U UVJETIMA NEIZVJESNOSTI UDK / UDC: 330.131.7 JEL klasfkacja / JEL classfcaton:
More informationKLASIFIKACIJA NAIVNI BAJES. NIKOLA MILIKIĆ URL:
KLASIFIKACIJA NAIVNI BAJES NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info ŠTA JE KLASIFIKACIJA? Zadatak određivanja klase kojoj neka instanca pripada instanca je opisana
More informationDEVELOPMENT OF MATHEMATICAL MODELS TO PREDICT THE EFFECT OF INPUT PARAMETERS ON FEED RATE OF A RECIPROCATORY TUBE FUNNEL FEEDER
http://doi.org/10.24867/jpe-2018-01-067 JPE (2018) Vol.21 (1) Jain, A., Bansal, P., Khanna, P. Preliminary Note DEVELOPMENT OF MATHEMATICAL MODELS TO PREDICT THE EFFECT OF INPUT PARAMETERS ON FEED RATE
More informationRed veze za benzen. Slika 1.
Red veze za benzen Benzen C 6 H 6 je aromatično ciklično jedinjenje. Njegove dve rezonantne forme (ili Kekuléove structure), prema teoriji valentne veze (VB) prikazuju se uobičajeno kao na slici 1 a),
More informationO homomorfizam-homogenim geometrijama ranga 2
UNIVERZITET U NOVOM SADU PRIRODN0-MATEMATIČKI FAKULTET DEPARTMAN ZA MATEMATIKU I INFORMATIKU Eva Jungael O homomorfzam-homogenm geometrjama ranga 2 -završn rad- Nov Sad, oktoar 2009 Predgovor Za strukturu
More informationY = β 0 + β 1 X 1 + β 2 X β k X k + ε
Chapter 3 Secton 3.1 Model Assumptons: Multple Regresson Model Predcton Equaton Std. Devaton of Error Correlaton Matrx Smple Lnear Regresson: 1.) Lnearty.) Constant Varance 3.) Independent Errors 4.) Normalty
More informationZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA. Šefket Arslanagić, Sarajevo, BiH
MAT-KOL (Banja Luka) XXIII ()(7), -7 http://wwwimviblorg/dmbl/dmblhtm DOI: 75/МК7A ISSN 5-6969 (o) ISSN 986-588 (o) ZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA Šefket Arslanagić,
More informationShear Modulus and Shear Strength Evaluation of Solid Wood by a Modified ISO Square-Plate Twist Method
Hiroshi Yoshihara 1 Shear Modulus and Shear Strength Evaluation of Solid Wood by a Modified ISO 1531 Square-late Twist Method rocjena smicajnog modula i smicajne čvrstoće cjelovitog drva modificiranom
More informationLecture 6: Introduction to Linear Regression
Lecture 6: Introducton to Lnear Regresson An Manchakul amancha@jhsph.edu 24 Aprl 27 Lnear regresson: man dea Lnear regresson can be used to study an outcome as a lnear functon of a predctor Example: 6
More informationMathcad sa algoritmima
P R I M J E R I P R I M J E R I Mathcad sa algoritmima NAREDBE - elementarne obrade - sekvence Primjer 1 Napraviti algoritam za sabiranje dva broja. NAREDBE - elementarne obrade - sekvence Primjer 1 POČETAK
More informationLecture 9: Linear regression: centering, hypothesis testing, multiple covariates, and confounding
Lecture 9: Lnear regresson: centerng, hypothess testng, multple covarates, and confoundng Sandy Eckel seckel@jhsph.edu 6 May 008 Recall: man dea of lnear regresson Lnear regresson can be used to study
More information17 - LINEAR REGRESSION II
Topc 7 Lnear Regresson II 7- Topc 7 - LINEAR REGRESSION II Testng and Estmaton Inferences about β Recall that we estmate Yˆ ˆ β + ˆ βx. 0 μ Y X x β0 + βx usng To estmate σ σ squared error Y X x ε s ε we
More informationStrojno učenje 7 Linearne metode & SVM. Tomislav Šmuc
Srojno učenje 7 Lnearne meode & Tomslav Šmuc Leraura Lnearne meode The Elemens of Sascal Learnng Hase, Tbshran, Fredman s ed - ch. 4 The Elemens of Sascal Learnng Hase, Tbshran, Fredman s ed - ch. A Tuoral
More informationVIŠESTRUKO USPOREĐIVANJE
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO-MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Almeida Hasić VIŠESTRUKO USPOREĐIVANJE Diplomski rad Zagreb, 2014. SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO-MATEMATIČKI FAKULTET MATEMATIČKI
More informationLecture 9: Linear regression: centering, hypothesis testing, multiple covariates, and confounding
Recall: man dea of lnear regresson Lecture 9: Lnear regresson: centerng, hypothess testng, multple covarates, and confoundng Sandy Eckel seckel@jhsph.edu 6 May 8 Lnear regresson can be used to study an
More informationMjerenje snage. Na kraju sata student treba biti u stanju: Spojevi za jednofazno izmjenično mjerenje snage. Ak. god. 2008/2009
Mjerenje snae Ak. od. 008/009 1 Na kraju sata student treba biti u stanju: Opisati i analizirati metode mjerenja snae na niskim i visokim frekvencijama Odabrati optimalnu metodu mjerenja snae Analizirati
More informationUmjetne neuronske mreže
. Motvacja Umjetne neuronske mreže Automatzranu obradu odataka danas uglavnom rade dgtalna računala. Iak, još je uvjek daleko vše odataka čja obrada nje automatzrana. Te odatke obrađuju žvčan sustav žvh
More informationUtjecaj trajanja i temperature skladištenja na udio ialctoze u jogurtu - falctorslci plan 3^
A^. Vahčić i sur.: Utjecaj trajanja... Mljekarstvo 44 (3) 167-178, 1994. Utjecaj trajanja i temperature skladištenja na udio ialctoze u jogurtu - falctorslci plan 3^ Nada Vahčić, Mirjana Hruškar, IVIilana
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Vuko Vukčevć, Mhael Lobrovć Teorjsko numerčk prstup problemu lamnarnog grančnog sloja oko ravne ploče Zagreb, 2011. Ovaj rad zrađen je na Katedr
More information[The following data appear in Wooldridge Q2.3.] The table below contains the ACT score and college GPA for eight college students.
PPOL 59-3 Problem Set Exercses n Smple Regresson Due n class /8/7 In ths problem set, you are asked to compute varous statstcs by hand to gve you a better sense of the mechancs of the Pearson correlaton
More informationECON 351* -- Note 23: Tests for Coefficient Differences: Examples Introduction. Sample data: A random sample of 534 paid employees.
Model and Data ECON 35* -- NOTE 3 Tests for Coeffcent Dfferences: Examples. Introducton Sample data: A random sample of 534 pad employees. Varable defntons: W hourly wage rate of employee ; lnw the natural
More informationGeometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice
Osječki matematički list 6(2006), 79 84 79 Geometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice Zlatko Udovičić Sažetak. Geometrijski smisao rješenja sustava od dvije linearne
More informationSPH SIMULACIJA POISEULLEOVOG STRUJANJA PRI NISKIM REYNOLDSOVIM BROJEVIMA
Vuko, VUKČEVIĆ, Sveučlšte u Zagrebu, Fakultet strojarstva brodogradnje, Zagreb Andreja, WERER, Sveučlšte u Zagrebu, Fakultet strojarstva brodogradnje, Zagreb asta, DEGIULI, Sveučlšte u Zagrebu, Fakultet
More informationAleksandra Nojković SAOPŠTENJA / COMMUNICATIONS. Klasifikacija prema JEL: C4, C5, D0
SAOPŠTENJA / COMMUNICATIONS Aleksandra Nojkovć DOI:10.2298/EKA0772055N Model dskretne zavsne promenljve: pregled metodologje prmenjenh stražvanja QUALITATIVE RESPONSE MODELS: A SURVEY OF METHODOLOGY AND
More informationHibridni inteligentni sustav
Sveučlšte u Zagrebu Fakultet prometnh znanost Dplomsk studj Umjetna ntelgencja - Hbrdn ntelgentn sustav 47895/4786 UMINTELI HG/008-009 Hbrdn ntelgentn sustav Sustav sastavljen od vše ntelgentnh tehnologja
More informationStatistics MINITAB - Lab 2
Statstcs 20080 MINITAB - Lab 2 1. Smple Lnear Regresson In smple lnear regresson we attempt to model a lnear relatonshp between two varables wth a straght lne and make statstcal nferences concernng that
More informationBiostatistics 360 F&t Tests and Intervals in Regression 1
Bostatstcs 360 F&t Tests and Intervals n Regresson ORIGIN Model: Y = X + Corrected Sums of Squares: X X bar where: s the y ntercept of the regresson lne (translaton) s the slope of the regresson lne (scalng
More informationGeneral Linear Model (Chapter 4)
General Linear Model (Chapter 4) Outcome variable is considered continuous Simple linear regression Scatterplots OLS is BLUE under basic assumptions MSE estimates residual variance testing regression coefficients
More informationPRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU
MAT KOL Banja Luka) ISSN 0354 6969 p) ISSN 1986 58 o) Vol. XXI )015) 105 115 http://www.imvibl.org/dmbl/dmbl.htm PRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU Bernadin Ibrahimpašić 1 Senka Ibrahimpašić
More informationDETEKCIJA I RASPOZNAVANJE PROMETNIH ZNAKOVA U VIDEO SNIMCI
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA Igor Bonač Ivan Kovaček Ivan Kusalć DETEKCIJA I RASPOZNAVANJE PROMETNIH ZNAKOVA U VIDEO SNIMCI Zagreb, 2010 Ovaj rad zrađen je u Zavodu za elektronku,
More informationDepartment of Statistics University of Toronto STA305H1S / 1004 HS Design and Analysis of Experiments Term Test - Winter Solution
Department of Statstcs Unversty of Toronto STA35HS / HS Desgn and Analyss of Experments Term Test - Wnter - Soluton February, Last Name: Frst Name: Student Number: Instructons: Tme: hours. Ads: a non-programmable
More informationAutomatizacija ispitivanja preciznosti teodolita prema normi HRN ISO :2004
Zrnjk, M. dr.: Automatzacja ptvanja precznot teodolta, Geod. lt 011,, 13 144 13 UDK 681.5:58.51-187.4:681.783.3:58.088:006.44ISO(497.5) Izvorn znantven èlanak Automatzacja ptvanja precznot teodolta prema
More informationMr. sc. Nedjeljka Grulović Plavljanić, v. pred.
Posljedplomsk doktorsk studj Elektrotehnke nformacjske tehnologje Kvalfkacjsk doktorsk spt Mr. sc. Nedjeljka Grulovć Plavljanć, v. pred. ANALIZA KUTNE STABILNOSTI GENERATORA PRIKLJUČENOG NA ELEKTROENERGETSKI
More informationChapter 11: Simple Linear Regression and Correlation
Chapter 11: Smple Lnear Regresson and Correlaton 11-1 Emprcal Models 11-2 Smple Lnear Regresson 11-3 Propertes of the Least Squares Estmators 11-4 Hypothess Test n Smple Lnear Regresson 11-4.1 Use of t-tests
More informationPouzdanost čeličnih konstrukcija u požaru
UDK 624.94001.4:699.81 Prmljeno 22. 10. 2009. Pouzdanost čelčnh konstrukcja u požaru Ivca Boko, Bernardn Peroš, Neno Torć Ključne rječ čelčna konstrukcja, požar, pouzdanost konstrukcja, dvorana Spaladum,
More informationDesign of Engineering Experiments Chapter 5 Introduction to Factorials
Design of Engineering Experiments Chapter 5 Introduction to Factorials Text reference, Chapter 5 page 170 General principles of factorial experiments The two-factor factorial with fixed effects The ANOVA
More informationRegression Analysis. Regression Analysis
Regresson Analyss Smple Regresson Multvarate Regresson Stepwse Regresson Replcaton and Predcton Error 1 Regresson Analyss In general, we "ft" a model by mnmzng a metrc that represents the error. n mn (y
More informationPOLYNOMIAL BASED RESPONSE SURFACE APPROACH FOR PROBABILISTIC MODELLING OF THE ULTIMATE STRENGTH OF STIFFENED PANELS
Mng Ca Xu, A. P. Texera and C. Guedes Soares. Centre of Marne Technology and Engneerng (CENTEC), Insttuto Superor Técnco, Techncal Unversty of Lsbon, Portugal. POLYNOMIAL BASED RESPONSE SURFACE APPROACH
More informationLINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE
LINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE Linearni model Promatramo jednodimenzionalni linearni model. Y = β 0 + p β k x k + ε k=1 x 1, x 2,..., x p - varijable poticaja (kontrolirane) ε - sl.
More informationInterval Estimation in the Classical Normal Linear Regression Model. 1. Introduction
ECONOMICS 35* -- NOTE 7 ECON 35* -- NOTE 7 Interval Estmaton n the Classcal Normal Lnear Regresson Model Ths note outlnes the basc elements of nterval estmaton n the Classcal Normal Lnear Regresson Model
More informationProfessor Chris Murray. Midterm Exam
Econ 7 Econometrcs Sprng 4 Professor Chrs Murray McElhnney D cjmurray@uh.edu Mdterm Exam Wrte your answers on one sde of the blank whte paper that I have gven you.. Do not wrte your answers on ths exam.
More informationRESISTANCE PREDICTION OF SEMIPLANING TRANSOM STERN HULLS
Nenad, VARDA, University of Zagreb, Faculty of Mechanical Engineering and Naval Architecture, I. Lučića 5, 10000 Zagreb Nastia, DEGIULI, University of Zagreb, Faculty of Mechanical Engineering and Naval
More informationChapter 15 - Multiple Regression
Chapter - Multple Regresson Chapter - Multple Regresson Multple Regresson Model The equaton that descrbes how the dependent varable y s related to the ndependent varables x, x,... x p and an error term
More informationNANYANG TECHNOLOGICAL UNIVERSITY SEMESTER I EXAMINATION MTH352/MH3510 Regression Analysis
NANYANG TECHNOLOGICAL UNIVERSITY SEMESTER I EXAMINATION 014-015 MTH35/MH3510 Regresson Analyss December 014 TIME ALLOWED: HOURS INSTRUCTIONS TO CANDIDATES 1. Ths examnaton paper contans FOUR (4) questons
More informationNAPREDNI FIZIČKI PRAKTIKUM II studij Geofizika POLARIZACIJA SVJETLOSTI
NAPREDNI FIZIČKI PRAKTIKUM II studij Geofizika POLARIZACIJA SVJETLOSTI studij Geofizika NFP II 1 ZADACI 1. Izmjerite ovisnost intenziteta linearno polarizirane svjetlosti o kutu jednog analizatora. Na
More informationIntroduction to Regression
Introducton to Regresson Dr Tom Ilvento Department of Food and Resource Economcs Overvew The last part of the course wll focus on Regresson Analyss Ths s one of the more powerful statstcal technques Provdes
More informationNelinearni stati ki seizmi ki prora uni konstrukcija
UDK 64.44.1.8:69.8.18 Prmljeno 8. 1. 9. Nelnearn statk sezmk proraun konstrukcja Saša Mtrov, Mehmed aušev Kljune rje konstrukcja, nelnearn sezmk proraun, statka metoda N, nelnearna statka metoda koefcjenata
More informationF statistic = s2 1 s 2 ( F for Fisher )
Stat 4 ANOVA Analyss of Varance /6/04 Comparng Two varances: F dstrbuton Typcal Data Sets One way analyss of varance : example Notaton for one way ANOVA Comparng Two varances: F dstrbuton We saw that the
More informationANALIZA VARIJANCE PONOVLJENIH MJERENJA
SVEUČILIŠTE U ZAGREBU PRIRODOSLOVNO MATEMATIČKI FAKULTET MATEMATIČKI ODSJEK Ivan Pažin ANALIZA VARIJANCE PONOVLJENIH MJERENJA Diplomski rad Zagreb, srpanj, 2014 Voditelj rada: prof. dr. sc. Anamarija Jazbec
More informationDeni Vlašić Numerički alat za preliminarni projekt brodskog vijka
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Den Vlašć Numerčk alat za prelmnarn projekt brodskog vjka Zagreb, 2017. Ovaj rad zrađen je na Zavodu za brodogradnju pomorsku tehnku na Fakultetu
More informationReminder: Nested models. Lecture 9: Interactions, Quadratic terms and Splines. Effect Modification. Model 1
Lecture 9: Interactons, Quadratc terms and Splnes An Manchakul amancha@jhsph.edu 3 Aprl 7 Remnder: Nested models Parent model contans one set of varables Extended model adds one or more new varables to
More informationChap 10: Diagnostics, p384
Chap 10: Dagnostcs, p384 Multcollnearty 10.5 p406 Defnton Multcollnearty exsts when two or more ndependent varables used n regresson are moderately or hghly correlated. - when multcollnearty exsts, regresson
More informationTina Drašinac. Cramerovo pravilo. Završni rad
Sveučilište JJStrossmayera u Osijeku Odjel za matematiku Preddiplomski studij matematike Tina Drašinac Cramerovo pravilo Završni rad U Osijeku, 19 listopada 2010 Sveučilište JJStrossmayera u Osijeku Odjel
More informationβ0 + β1xi. You are interested in estimating the unknown parameters β
Ordnary Least Squares (OLS): Smple Lnear Regresson (SLR) Analytcs The SLR Setup Sample Statstcs Ordnary Least Squares (OLS): FOCs and SOCs Back to OLS and Sample Statstcs Predctons (and Resduals) wth OLS
More informationFRAKTALNA KARAKTERIZACIJA 3D VIDEO FORMATA
XXXIV Smozjum o novm tehnologjama u oštanskom telekomunkaconom saobraćaju PosTel 06, Beograd, 9. 30. novembar 06. FRAKTALNA KARAKTERIZACIJA 3D VIDEO FORMATA Amela Zekovć,, Irn Reljn Unverztet u Beogradu
More informationTwo-factor model. Statistical Models. Least Squares estimation in LM two-factor model. Rats
tatstcal Models Lecture nalyss of Varance wo-factor model Overall mean Man effect of factor at level Man effect of factor at level Y µ + α + β + γ + ε Eε f (, ( l, Cov( ε, ε ) lmr f (, nteracton effect
More informationLINEAR REGRESSION ANALYSIS. MODULE XVI Lecture Exercises
LINEAR REGRESSION ANALYSIS MODULE XVI Lecture - 44 Exercises Dr. Shalabh Department of Mathematics and Statistics Indian Institute of Technology Kanpur Exercise 1 The following data has been obtained on
More information17 Nested and Higher Order Designs
54 17 Nested and Hgher Order Desgns 17.1 Two-Way Analyss of Varance Consder an experment n whch the treatments are combnatons of two or more nfluences on the response. The ndvdual nfluences wll be called
More informationLearning Objectives for Chapter 11
Chapter : Lnear Regresson and Correlaton Methods Hldebrand, Ott and Gray Basc Statstcal Ideas for Managers Second Edton Learnng Objectves for Chapter Usng the scatterplot n regresson analyss Usng the method
More informationSTA 302 H1F / 1001 HF Fall 2007 Test 1 October 24, 2007
STA 302 H1F / 1001 HF Fall 2007 Test 1 October 24, 2007 LAST NAME: SOLUTIONS FIRST NAME: STUDENT NUMBER: ENROLLED IN: (circle one) STA 302 STA 1001 INSTRUCTIONS: Time: 90 minutes Aids allowed: calculator.
More information3.4. A computer ANOVA output is shown below. Fill in the blanks. You may give bounds on the P-value.
3.4. A computer ANOVA output is shown below. Fill in the blanks. You may give bounds on the P-value. One-way ANOVA Source DF SS MS F P Factor 3 36.15??? Error??? Total 19 196.04 Completed table is: One-way
More informationSTATISTICS QUESTIONS. Step by Step Solutions.
STATISTICS QUESTIONS Step by Step Solutons www.mathcracker.com 9//016 Problem 1: A researcher s nterested n the effects of famly sze on delnquency for a group of offenders and examnes famles wth one to
More informationOracle Spatial Koordinatni sustavi, projekcije i transformacije. Dalibor Kušić, mag. ing. listopad 2010.
Oracle Spatial Koordinatni sustavi, projekcije i transformacije Dalibor Kušić, mag. ing. listopad 2010. Pregled Uvod Koordinatni sustavi Transformacije Projekcije Modeliranje 00:25 Oracle Spatial 2 Uvod
More informationFACTS KOMPENZACIJA JALOVE SNAGE VJETROELEKTRANE
Dr. sc. Njaz Dzdarevć, dpl. ng. Dr. sc. Matslav Majstrovć, dpl. ng. Dr. sc. Srđan Žutobradć, dpl. ng. Energetsk nsttut ''Hrvoje Požar'' Zagreb, Hrvatska FACTS KOMPENZACIJA JALOVE SNAE VJETROELEKTRANE SAŽETAK
More informationDr. Shalabh Department of Mathematics and Statistics Indian Institute of Technology Kanpur
Analyss of Varance and Desgn of Experment-I MODULE VIII LECTURE - 34 ANALYSIS OF VARIANCE IN RANDOM-EFFECTS MODEL AND MIXED-EFFECTS EFFECTS MODEL Dr Shalabh Department of Mathematcs and Statstcs Indan
More informationwhere I = (n x n) diagonal identity matrix with diagonal elements = 1 and off-diagonal elements = 0; and σ 2 e = variance of (Y X).
11.4.1 Estmaton of Multple Regresson Coeffcents In multple lnear regresson, we essentally solve n equatons for the p unnown parameters. hus n must e equal to or greater than p and n practce n should e
More informationKorelacija in regresija
Korelacja n regresja REGRESIJA ops odnosov, napovedovanje KORELACIJA ops velkost povezanost stres osamlj 0 3 5 4 4 6 8 3 5 4 4 9 5 0 6 0 0 8 3 4 6 5 7 3 5 4 3 3 3 5 6 6 3 3 4 3 4 7 5 8 6 4 6 9 3 4 stres
More informationSOUND SOURCE INFLUENCE TO THE ROOM ACOUSTICS QUALITY MEASUREMENT
ISSN 1330-3651 (Print), ISSN 1848-6339 (Online) DOI: 10.17559/TV-20150324110051 SOUND SOURCE INFLUENCE TO THE ROOM ACOUSTICS QUALITY MEASUREMENT Siniša Fajt, Miljenko Krhen, Marin Milković Original scientific
More informationHornerov algoritam i primjene
Osječki matematički list 7(2007), 99 106 99 STUDENTSKA RUBRIKA Hornerov algoritam i primjene Zoran Tomljanović Sažetak. U ovom članku obrad uje se Hornerov algoritam za efikasno računanje vrijednosti polinoma
More informationStatistics for Business and Economics
Statstcs for Busness and Economcs Chapter 11 Smple Regresson Copyrght 010 Pearson Educaton, Inc. Publshng as Prentce Hall Ch. 11-1 11.1 Overvew of Lnear Models n An equaton can be ft to show the best lnear
More informationGENERALIZIRANI LINEARNI MODELI. PROPENSITY SCORE MATCHING.
GENERALIZIRANI LINEARNI MODELI. PROPENSITY SCORE MATCHING. STATISTIƒKI PRAKTIKUM 2 11. VJEšBE GLM ine ²iroku klasu linearnih modela koja obuhva a modele s specijalnim strukturama gre²aka kategorijskim
More information18. SIMPLE LINEAR REGRESSION III
8. SIMPLE LINEAR REGRESSION III US Domestc Beers: Calores vs. % Alcohol Ftted Values and Resduals To each observed x, there corresponds a y-value on the ftted lne, y ˆ ˆ = α + x. The are called ftted values.
More informationŠime Šuljić. Funkcije. Zadavanje funkcije i područje definicije. š2004š 1
Šime Šuljić Funkcije Zadavanje funkcije i područje definicije š2004š 1 Iz povijesti Dvojica Francuza, Pierre de Fermat i Rene Descartes, posebno su zadužila matematiku unijevši ideju koordinatne metode
More information5 SEKTORSKO OZVUČAVANJE
VIŠER - Beograd Audo vdeo tehnologje Ozvučavanje 5 SEKTORSKO OZVUČAVANJE Sektorsko ozvučavanje prostorja prmenjuje se kad prostorja ma velko vreme reverberacje, kada je vsok nvo buke u prostorj, kada nema
More informationDepartment of Quantitative Methods & Information Systems. Time Series and Their Components QMIS 320. Chapter 6
Department of Quanttatve Methods & Informaton Systems Tme Seres and Ther Components QMIS 30 Chapter 6 Fall 00 Dr. Mohammad Zanal These sldes were modfed from ther orgnal source for educatonal purpose only.
More informationTHE ROLE OF SINGULAR VALUES OF MEASURED FREQUENCY RESPONSE FUNCTION MATRIX IN MODAL DAMPING ESTIMATION (PART II: INVESTIGATIONS)
Uloga singularnih vrijednosti izmjerene matrice funkcije frekventnog odziva u procjeni modalnog prigušenja (Dio II: Istraživanja) ISSN 33-365 (Print), ISSN 848-6339 (Online) DOI:.7559/TV-2492894527 THE
More informationPRILOG O PROŠIRIVANJU I UOPŠTAVANJU ZADATAKA IZ GEOMETRIJE TROUGLA
MAT-KOL (Banja Luka) XX(3)(2014) 145--151 http://wwwmvblorg/dmbl/dmblhtm ISSN 0354-6969 (o) ISSN 1986-5828 (o) PRILOG O PROŠIRIVANJU I UOPŠTAVANJU ZADATAKA IZ GEOMETRIJE TROUGLA (Some attachment on the
More informationANALYSIS OF THE RELIABILITY OF THE "ALTERNATOR- ALTERNATOR BELT" SYSTEM
I. Mavrin, D. Kovacevic, B. Makovic: Analysis of the Reliability of the "Alternator- Alternator Belt" System IVAN MAVRIN, D.Sc. DRAZEN KOVACEVIC, B.Eng. BRANKO MAKOVIC, B.Eng. Fakultet prometnih znanosti,
More informationTopic 7: Analysis of Variance
Topc 7: Analyss of Varance Outlne Parttonng sums of squares Breakdown the degrees of freedom Expected mean squares (EMS) F test ANOVA table General lnear test Pearson Correlaton / R 2 Analyss of Varance
More informationSTAT 3340 Assignment 1 solutions. 1. Find the equation of the line which passes through the points (1,1) and (4,5).
(out of 15 ponts) STAT 3340 Assgnment 1 solutons (10) (10) 1. Fnd the equaton of the lne whch passes through the ponts (1,1) and (4,5). β 1 = (5 1)/(4 1) = 4/3 equaton for the lne s y y 0 = β 1 (x x 0
More informationInstitutionen för matematik och matematisk statistik Umeå universitet November 7, Inlämningsuppgift 3. Mariam Shirdel
Institutionen för matematik och matematisk statistik Umeå universitet November 7, 2011 Inlämningsuppgift 3 Mariam Shirdel (mash0007@student.umu.se) Kvalitetsteknik och försöksplanering, 7.5 hp 1 Uppgift
More informationsociology 362 regression
sociology 36 regression Regression is a means of studying how the conditional distribution of a response variable (say, Y) varies for different values of one or more independent explanatory variables (say,
More informationFormule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti math.e Vol 28.
1 math.e Hrvatski matematički elektronički časopis Formule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti Banachovi prostori Funkcija udaljenosti obrada podataka optimizacija Aleksandra
More informationALGORITAM FAKTORIZACIJE GNFS
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ALGORITAM FAKTORIZACIJE GNFS Ivan Fratrić Seminar iz predmeta Sigurnost računalnih sustava ZAGREB, Sažetak Faktorizacija brojeva jedan je od
More informationis the calculated value of the dependent variable at point i. The best parameters have values that minimize the squares of the errors
Multple Lnear and Polynomal Regresson wth Statstcal Analyss Gven a set of data of measured (or observed) values of a dependent varable: y versus n ndependent varables x 1, x, x n, multple lnear regresson
More information