1. Kako koristiti teorijska znanja u praktine svrhe?

Matematiko modeliranje inenjerskih procesa i sistema ima veliko znaenje u irokom

podruju tehnikih znanosti i praksi, kao i u svim drugim oblicima kvantitativnih istraivanja.
Moderna se znastvena misao temelji na uvjerenju da teorijske podloge i koncepti imaju realnu
osnovu ako se izraavaju u obliku kvantitativnih pokazatelja.. Tada je mogue teorijska
znanja efikasno koristiti u praktine svrhe.

2. Kako implementirati znanje u konkretan proizvod, proces ili sistem?

Tei se definiranju procesa i sistema u obliku matematikog modela kako bi se ustanovio

kvantitativni odnos izmeu ulaznih i izlaznih varijabli obradnog procesa ili sistema. Ovo
otvara niz mogunosti da se efekti kao izlazi iz procesa ili sistema mogu predstaviti na osnovi
promjene ulaznih varijabli u process ili sistem.

3. to obuhvaa modeliranje i gdje se moe implementirati?

Modeliranje u irem smislu obuhvaa sva podruja ovjekova rada i stvaranja. Mogue
implementiranje je u optimizaciji obradnih procesa u podruju proizvodnog strojastva, a
mogua je implementacija i u drugim znastveno-strunim podrujima kao to su:
Procesna tehnika,
Energetika
Strojogradnja
Metalurgija
Elektrotehnika
Hidraulika
Termodinamika i dr.

4. ta se podrazumijeva pod modeliranjem i ta je rezultat modeliranja?

Pod modeliranjem se podrazumijeva definiranje matematikih modela i drugih prikaza koji su

neophodni za optimizaciju, simulaciju, revitalizaciju i upravljanje procesima i sistemima.
Modeliranje isto podrazumijeva poznavanje matematikog modela procesa, to je prvi uvjet i
plazite za inoviranje i revitalizaciju procesa ili sistema.
Rezultat modeliranja i optimizacije obradnih procesa i sistema je jeftinija, kvalitetnija i
profitabilnija proizvodnja.

5. Koji su ciljevi modeliranja?

Ciljevi modeliranja su:

Poveanje proizvodnosti,
Poveanje Ekonominosti,
Poveanje Ukupne kvalitete proizvoda ili pojedinih segmenata kvalitete
Te smanjenje utroka materijala, energije, vremena obrade I trokova obrade po
jedinici proizvoda.
6. Koje su tekoe u primjeni analitikih modela?

Kod analitikog modela definiranje dovoljno pouzdanih matematikih modela je vrlo sloeno
i zahtijeva puno aproksimacija, a tekoa lei u tome to na kraju utie na tanost dobivenog
rezultata.

7. Zato se izvodi modeliranje i ta je svrha?

Osnovna svrha modeliranja je definiranje matematikih modela koji e u odgovarajuem

stupnju tonosti adekvatno opisati proces ili sistem u cilju: simulacije varijantnih rjeenja,
analize i prognoziranja stanja procesa jo u fazi projektiranja definiranja matematikih modela
koji su neophodni za optimizaciju procesa i iznalaenje optimalnih rjeenja izgradnje modela
upravljanja za dati sistem, odnosno objekt optimizacije znanstvenih istraivanja ili praktine
primjene u realnim procesima. (Knjiga Matematiko modeliranje...,strana 6, 1.1 Svrha i cilj
modeliranja)

8. ta prethodi tehnolokoj i ekonomskoj optimizaciji procesa?

Tehnoloko oblikovanje i projektiranje modernih procesa obrade zahtjeva analizu svih

tehniko-tehnolokih parametara procesa i primjenu znanstvenih metoda u cilju modeliranja i
definiranja optimalnih uvjeta obradnih procesa i sistema, u cilju optimizacije, ekonominosti,
smanjenja utroka materijala itd. Da bi se navedeni ciljevi ostvarli potrebno je djelovati u
pravcu:
implementiranja novih i usavravanje postojeih metoda i postupka obrade
projektiranja i primjene visokoproizvodnih postupaka obrade i obradnih sistema
primjene znanja u procesu projektiranja i optimizacije postupka obrade, to zahtjeva
definiranje pouzdanih matematikih modela
razvoja i primjene eksperimentalnih metoda revitalizacije proizvodnih tehnologija i
proizvoda
stalnog inoviranja i revitalizacije proizvodnih tehnologija i proizvoda
definiranja empirisko-analitikih i drugih modela potrebnih za optimizaciju i
simulaciju procesa i sistema u fazi projektovanja
(Knjiga Matematiko modeliranje...,strana 5, 1 Uvod)

9. Zato su potrebni pouzdani matematiki modeli?

Zbog sve vee trine konkurencije svaki proizvod treba proizvesti kvalitetno, jeftino i na
vrjeme, to zahtjeva definiranje i realiziranje optimalnog procesa obrade, a ne bilo kakvog.
Zato primjeni optimalne tehnologije u datom procesu obrade uvjek treba predhoditi izgradnja
dovoljno tonoga i pouzdanoga matematikog modela, jer je to uvjet postojanja skupa
vievarijantnih rjeenja iz kojih je mogue definirati optimalno. (Knjiga Matematiko
modeliranje...,strana 7, 1.2 Znaenje izgradnje pouzdanih matematikih modela)
10. Koja je razlika izmeu klasinog i modernog procesa rada?

Razlika izmeu klasinog i modernog procesa obrade-rada prikazana je na slici, kod klasinog
procesa obrade izostavljena je optimizacija i modeliranje, a tehno-ekonomska karakteristika
ne mjenja se, dok kod modernog-savremenog procesa obrade dolazi do optimizacije i
modeliranja procesa obrade a tehno-ekonomska karekteristika tei jedinici.

Slika Procesi obrade, a. konvencionalni, b. suvremeni-optimizirani

11. Kako se mogu unaprijediti klasini-konvencionalni procesi rada i koje

su koristi od toga?

Tehnologije obrade koje se primjenjuju niz godina u odreenom konvencionalnom-

standardnom obliku mogu se primjenom odgovarajuih metoda modeliranja inovirati bez
znatnijih financiskih ulaganja, ali uz koritenje znanja i informatikih tehnologija. (Knjiga
Matematiko modeliranje...,strana 7, 1.2 Znaenje izgradnje pouzdanih matematikih modela)

12. Koje su osnovne metode modeliranja?

Osnovne metode modeliranja mogu biti deterministike i stohastike.

Kod deterministikog procesa obrade postoji jednoznana ovisnost izlaznih (upravljanih)
veliina od ulaznih veliina tako da deterministiki matematiki model ne sadri
poremeejne veliine (poremeajnu veliinu ) pa model procesa
ili sistema ima oblik:

Blok shema deterministikog modela

Deterministiki model esto predstavlja priblian i pojednostavljen matematiki opis realnog
procesa, meutim osnovna obiljeija svakog realnog objekta ili procesa obrade su skoro
redovito stohastika.
Stohastiki modeli dolaze u obzir kada u procesu obrade ili sistemu postoji znatan utjecaj
nekontroliranih- poremeajnih sluajnih faktora .

Blok shema stohastikog modela

U analizi istraivanja procesa i sistema mogu biti primjenjene neke od sljedeih metoda
modeliranja:
Analitiko
Stohastiko
Dimenzionalno
Numeriko
Raunalno-grafiko
Fizikalno
Analogno
Misaono
13. Koja je razlika izmeu deterministikog i stohastikog modela
(prikazati)?

Kod deterministikog procesa obrade postoji jednoznana ovisnost izlaznih veliina od

ulaznih veliina , tako da deterministiki model ne sadri poremeajne veliine .

Model procesa ili sistema ima oblik:

Blok shema deterministikog modela

(, )= 0, = 1,2,3, .
uz ogranienje:
(, ) 0, = 1,2,3, .

ili u eksplicitnom obliku uz isto ogranienje : = ().

Deterministiki model esto predstavlja priblian i pojednostavljen matematiki opis realnog

procesa. Meutim, osnovna obiljeja svakog realnog objekta ili procesa obrade su skoro
redovito stohastika. To znai, ako se eli dobiti i taan matematiki opis nekog realnog
procesa ili sistema, mora se opis definirati u obliku stohastikog modela.
Prema tome, deterministiki model moe se koristiti, samo, kada se stohastika obiljeja u
realnom procesu ili sistemu manjeg intenziteta ili kada se eli priblian ili pojednostavljen ali
dovoljno taan matematiki opis stohastikog procesa ili sistema.
Stohastiki modeli (empirijsko-statistiki) dolaze u obzir kada u procesu obrade ili sistemu
postoji znatan utjecaj nekontroliranih-poremeajnih sluajnih faktora .

Tako opi matematiki model stohastikog procesa glasi:

(, , )= 0, = 1,2,3, .
uz ogranienje:
(, , ) 0, = 1,2,3, .

ili u eksplicitnom obliku: = (, ).

 Blok shema stohastikoga modela

14. Kako se izraava deterministiki model?

Deterministiki model se izraava pomou razliitih matematikih struktura, kao to su:.

algebarske
obine diferencijalne,
parcijalne,
integralne i dr. jednaine.

15. O kakvom se matematikom modelu radi kad neobuhvaeni parametri

ne utjeu na izlazne parametre i kada svakom skupu ulaznih parametara
odgovara jednoznano skup izlaznih parametara?

Ako neobuhvaeni parametri ne utjeu na izlazne parametre procesa (varijanta kada se u

pravilu moe razmatrati kao isto hipotetiki skup) i ako svakom konkretnom skupu
obuhvaenih ulaznih parametara odgovara jednoznano odreeni skup izlaznih parametara,
tada se govori o deterministikom matematikom modelu procesa.
16. Koje sve postoje metode modeliranja procesa i sistema?

METODE
MODELIRANJA

Raunalno - Dimenzional
Analitike Numerike Stohastike Fizikalne Analogne Misaone
grafike ne

17. Koji je glavni znaaj stohastikog modeliranja?

Stohastiko modeliranje koristi eksperimentalne rezultate i metode matematike statistike.

Ovakvi su modeli veoma korisni u mnogim inenjerskim i znanstvenim istraivanjima
(procesi obrade, obradni sistemi, triboloki procesi, tanost i kvaliteta obrade, minimizacija
utroka energije, materijala i vremena obrade, procesno inenjerstvo, toplinski procesi itd).
Suvremeni pristup modeliranju temelji se na povezivanju teorije i eksperimenta. Osnovna
karakteristika stohastikog modela je visok stupanj pouzdanosti i tanosti uz znatne trokove
modeliranja, radi potrebne pripreme i realizacije eksperimenta.

18. Kako se dobiju matematiki modeli dimenzionalnim modeliranjem?

Dimenzionalno modeliranje se koristi u mnogim podrujima kao to su: hidrotehnika,

aerotehnika, hemijska i procesna tehnika, termodinamika, procesi obrade itd. Teorija
dimenzionalnosti, iako ima prostu proceduru primjene, jo uvijek je nedovoljno iskoritena u
modeliranju i analizi procesa, posebno kod proizvodni procesa i sistema. Dimenzionalnim
modeliranjem se dobiju matematiki modeli sastavljeni od bezdimenzionalnih veliina i
eksponenata koji se obrade koritenjem eksperimentalnih rezultata. Dakle i kod modeliranja
primjenom teorije dimenzionalnosti eksperimentalno je istraivanje osnova za definiranje
matematikih modela u obliku koji e biti pogodan za praktinu primjenu.
19. Gdje i zato se koristi numeriko modeliranje?

Numeriko modeliranje se koristi za:

- modeliranje naprezanja i deformacija u podruju elastinih, elasto-plastinih i
plastinih deformacija,
- proraun sila optereenja sistema i alata,
- simulaciju procesa i
- izbor optimalne konstrukcije ili varijante procesa obrade.

Uz pomo ove metode mogue je definirati matematike modele i izvesti simulacije rjeenja
bez provedbe eksperimentalnih istraivanja i izrade prototipnih sistema, to znatno skrauje
vrijeme prorauna, analize, projektiranja procesa i pojeftinjuje poslove koji prethode
aplikaciji.

20. ta je osnovni cilj modeliranja, ta se definira modeliranjem i kako se

prikazuju ovisnost parametara?

Osnovni cilj modeliranja je definiranje matematikih modela i drugih prikaza koji su

neophodni za optimizaciju, simulaciju, revitalizaciju i upravljanje procesima i sistemima.
Ili drugim rijeima, osnovni je cilj izgradnja matematikih modela koji e u odgovarajuem
stanju tanosti adekvatno opisati process ili sistem, u cilju:
- Simulacije varijantnih rjeenja, analize i prognoziranja stanja procesa jo u fazi
projektiranja,
- Definiranja matematikih modela koji su neophodni za optimizaciju procesa i
iznalaenje optimalnih rjeenja,
- Izgradnje modela upravljanja za dati sistem, tj. objekt optimizacije,
- Znanstvenih istraivanja i/ili praktine primjene u realnim procesima.
21. Koji su glavni koraci algoritma razvoja matematikog modela?

POETAK

Formalizirano opisivanje
procesa
Identifikacija mikro procesa

Analiza ulazno-izlaznih parametara

Utvrivanje skupa Xi Zi Yi
i=1,2,3,...
Definiranje granice parametara

Matematiko opisivanje
procesa
Formiranje matematikog modela
mikro procesa

Sinteza matematikih modela mikro

procesa

Analiza adekvatnosti i pouzdanosti

matematikog modela Raunalo

Definiranje algoritma

Ispitivanje toka funkcije

Raunalo
Rjeavanje sistema jednadbi

Opi algoritam razvoja matematikog modela

22. ta podrazumjeva matematiko opisivanje realnog procesa ili
sistema?

Matematiko opisivanje realnog procesa obrade podrazumijeva matematiko opisivanje svih

elementarnih procesa prikazanih u obliku funkcija i jednadbi (funkcija postojanosti alata,
funkcija istroenosti alata, funkcija otpora u procesu obrade, funkcija kvalitete obraene
povrine,), sintezu matematikih modela pojedinih elementarnih procesa u jedinstveni
matematiki model te njihovo povezivanje definiranjem dodatnih punkcija.

23. Kako se izvodi identifikacija parametara procesa?

Identifikacija parametara procesa i sistema izvodi se analizom procesa na temelju poznatih

teorijskih podataka o konkretnom procesu ili slinom procesu kada je konkretni proces
nedovoljno poznat.
Identifikacija parametara procesa moe se izvesti i eksperimentalnim putem kada se iz
ukupnog skupa identificiranih utjecajnih parametara izabere jedan broj parametara koji se
definiraju kao nezavisno promjenjive ulazne veliine (Xi), a ostali se parametri, iako mogu
biti nezavisno promjenjive veliine u postupku modeliranja, tretiraju kao konstante.

Dinamika procesa (ukupne i

specifine sile, momenti)
OBRADAK
(materijal, stanje Energetika procesa (utoak, stupanj
oblik) VRSTA PROCESA iskoristivosti)
OBRADE
(tokarenje, glodanje, buenje, Otpornost troenju (temperatura,
ALAT izvlaenje, istiskivanje,
(materijal, vrsta, trenje, trajnost)
zavarivanje, ...)
geometrija)
Geometrija obraene povrine i
tanost oblika
STROJ
(tanost, snaga, UVJETI PROCESA Kvaliteta obraene povrine,
pogon, upravljanje) OBRADE hrapavost
(brzina, posmak, dubina,
temperatura, deformacija, Otpadak materijala, oblik, stupanj
TRIBOLOGIJA postojanost, trenje,...)
iskoristivost, potekoe
(sredstvo za
hlaenje i
Vrijeme obrade, trokovi direktnog
podmazivanje)
i indirektnog ivog rada

ULAZNE KARAKTERISTIKE IZLAZNE

KARAKTERISTIKE PROCESA KARAKTERISTIKE

Sl. Analiza i identifikacija parametara procesa obrade

24. Prikai identifikaciju ulaznih i izlaznih parametara procesa
odreenom blok emom.

Identifikacija parametara procesa obrade skidanjem strugotine

A
O B, T
g

Zavisno promjenjive izlazne veliine

Nezavisno promjenjive ulazne veliine

v
Elementi
reima s Fi(i=1, 2, 3)
obrade
a
PROCES
A

Ra
G



r OS

S M SHP

Konstante

Blok shema ovisi o vrsti procesa obrade, broju utjecajnih parametara, cilju istraivanja i
sloenosti pretpostavljenog modela.

25. O emu ovisi blok ema procesa?

Blok shema procesa ovisi o vrsti procesa obrade, broju utjecajnih parametara, cilju
istraivanja i sloenosti pretpostavljenog modela. Izlaznih parametara procesa moe biti vie
ili samo jedan, to ovisi od postavljenog cilja modeliranja.

26. Kako se vri izbor tipa modela i koji su modeli najbolji?

Do modela se moe doi na razliite naine , meutim osnovno je pitanje u kojoj mjeri taj
odabrani model adekvatno opisuje stanje procesa obrade.
Osnovni tipovi matematikih modela su deterministiki i stohastiki.U smislu odabira
osnovnog tipa matemtikog modela izbor zavisi o omjeru utjecaja sluajnih varijabli.
Pri izboru modela za aproksimaciju eksperimentalnih rezultata trae se modeli koji najbolje
opisuju realni proces ili sistem. Funkcija modela moe biti, prava linija, parabola drugog ili
treeg reda, hiperbola, logaritamska funkcija

Za izbor tipa modela ne postoji opte pravilo ve da za svaki istraivaki proces ili sistem
treba izabrati model a zatim izvriti provjeru njegove tanosti i adekvatnosti u odnosu na
realni proces.

Sliku 2.7 primjeri izbora matematikog modela ovisno o grupiranju eksperimentalnih

rezultata.

27. ta je induktivni, a to deduktivni put u razradi matematikih modela?

Postoji vie naina da se izgradi model sistema, od kojih su najznaajniji sljedei pristupi:
1. Deduktivni pristup (polazi od opteg ka posebnom).
2. Induktivni pristup (za razliku od prethodnog, polazi od posebnog da bi se dolo do
opteg).

Deduktivni pristup: Ovaj pristup pretpostavlja primjenu optih iskustava koja su steena
prilikom modeliranja razliitih specifinih procesa. Uz to, pristup koristi i prethodno znanje o
razmatranom procesu, koje se zasniva na poznavanju fizikih zakona koji definiu
matematike relacije izmeu relevantnih varijabli u idealizovanom modelu procesa sa
idealizovanim fizikim komponentama. Na primer, u idealizovanim fizikim komponentama
tijelo odgovarajue mase se tretira kao takasto, uz zanemarivanje njegovih dimenzija, protoci
su laminarni, koncentracije su homogeno raspodeljene u rezervoaru, mjeavine su idealne i
sl. Fiziki zakoni se obino izraavaju u obliku algebarskih i/ili diferencijalnih jednaina.

Induktivni pristup: U optem sluaju se ne raspolae sa dovoljno apriornog znanja da bi se

parametri u usvojenoj strukturi modela procenili adekvatno. U takvim situacijama koriste se
tehnike parametarske identifikacije sistema, koje koriste mjerenja ulaza i izlaza sistema da bi
estimirale (procijenile) vrijednosti parametara u modelu. Postupak identifikacije zasniva se i
na nekim dodatnim pretpostavkama, kao to su, na primjer, klasa linearnih modela, selekcija
ulazno/izlaznih varijabli, red modela i sl. Sam postupak pribavljanja informacija o sistemu
naziva se indukcija. U navedenom sluaju postavlja se prirodno i pitanje izbora kriterijuma za
poreenje razliitih modela u uslovima kada su mjerenja na procesu prisutna.

Ponekad je mogue da se model sistema izvede samo na osnovu deduktivnog pristupa,

koristei odgovarajue fizike zakone i procenjene vrijednosti parametara, na bazi fizikih
gabarita. Takav model naziva se bijeli model ili white-box model.
U nekim sluajevima ne postoji adekvatno apriorno znanje o realnom procesu, te model
mora da se postavi na osnovu raspoloive mjerne informacije o ulazu i izlazu sistema, ne
posjedujui adekvatnu informaciju o internoj strukturi i internim relacijama u sistemu. Tako
izveden model naziva se crni model ili black-box model. Izmeu ova dva granina
sluaja nalazi se model u formi sive kutije ili gray-box model, koji je u sebe ukljuio svu
moguu raspoloivu apriornu informaciju o realnom procesu.

28. Pri definiranju analitikog matematikog modela ta je izvor

informacija i to prethodi opisivanju procesa?

Kod analitikog modeliranja i definiranja analitikih matematikih modela (AMM) polazni

objekt promatranja i izvor informacija nije uvijek realni proces, ve neka apstrakcija u vidu
integralnog ili asimptotskog matematikog modela. Tanost AMM se moe prihvatiti samo
poreenjem dobivenih analitikih i eksperimentalnih vrijednosti istraivanih parametara
procesa ili sistema. Matematikom opisivanju svakog procesa prethodi faza idealizacije tj.
uproivanja stvarnog procesa.

29. Koje su osnovne faze analitikog opisivanja procesa?

Analitiko modeliranje je postupak definiranja jednadbi stanja procesa ili sistema u obliku
matematikih formulacija s primjenom nunih aproksimacija I pojednostavljenja kako bi se
process modeliranja doveo do cilja I dobio prikladan model za inenjersko-tehniku praksu.
Osnovni koraci su:
- definiranje ulaznih tehnolokih parametara,
- podjela ulaznih tehnolokih parametara na obuhvaene i neobuhvaene
- podjela obuhvaenih tehnolokih parametara na promjenjive i konstante u okviru
promatranog modela,
- definiranje jednadbe veze ulazno-izlaznih parametara procesa,
- izbor i primjena konkretnih analitikih i fizikalnih zakona koji odreuju jednadbu
veze
- rjeenje sistema jednadbi veze
- ispitivanje i provejra tanosti i pouzdanosti modela.
30. ta sadri blok ema algoritma razrade analitikog modela?
Algoritam razrade analitikog modela sadri:

1. Poetak
2. Informacije o opim zakonima procesa obrade i informacije prethodnih istraivanja
i intuitivni zakljuci.
3. Skup utjecajnih ulaznih tehnolokih faktora
4. Blok formiranih varijabli i konstanti, odnosno izabrani faktori
5. Jednadbe veze ulaznih i izlaznih faktora, izbor odgovarajuih fizikalnih i
konkretnih zakona
6. Sumu ulaznih fizikalnih faktora
7. Znanstvena informacija o metodama realiziranja
8. Rjeenje sistema jednadbi
9. Empirike informacije i razvijanje modela (konkretni analitiki zakon)
10. Provjera tanosti (pouzdanosti) modela
11. Ispis modela
12. Kraj

31. Kako nastaje analitiki model?

Analitiko modeliranje je postupak definiranja jednadbi stanja procesa ili sistema u

obliku matematikih formulacija s primjenom nunih aproksimacija i pojednostavljenja
kako bibse proces modeliranja doveo do cilja i dobio prikladan model za ininjersko
tehmiku primjenu.

Kod analitikog modeliranja i definiranja analitikih matematikih modela (AMM)

polazni objekt promatranja i izvor informacija nije uvijek realni proces, ve neka
apstrakcija u vidu integralnog ili asimptotskog matematikog modela. Matematikom
opisivanju svakog procesa prethodi faza idealizacije, tj. uproivanja stvarnog procesa.
Ipak, kao i svaki model, i matematiki model treba to bolje odravati realni ili
pretpostavljeni proces, s tim da s matematikog stajalita bude upotrebljiv. Osnovni su
koraci matematikog opisivanja procesa obrade:

- Definiranje ulaznih tehnolokih parametara

- Podjela ulaznih tehnolokih parametara na obuhvaene i neobuhvaene
- Podjela obuhvaenih tehnolokih parametara na promjenljive i konstantne u okviru
promatranog modela
- Definiranje jednadbe veze ulazno izlaznih parametara procesa
- Izbor i primjena konkretnih analitikih i fizikalnih zakona koji odreuju jednadbu
veze
- Rjeenje sistema jednadbi veze
- Ispitivanje i provjera tanosti i pouzdanosti modela
32. ta se koristi za linearizaciju matematikog analitikog modela i kako se
to izvodi?

Za odreivanje lineariziranog matematikog modela koriste se prvi lanovi Taylorova ili

Mac-Laurinova reda. Pretpostavka je da su ispunjeni uvjeti za linearizaciju funkcije sile
rezanja F, tj. da je funkcija f(x) = f(F) neprekinuta i diferencijabilna u odgovarajuem
podruju.

Mac- Laurinov red:

2 3
() = (0) + (0) + (0) + (0) +
2! 3!

odnosno Taylorov red:

( 0 )2
() = (0 ) + ( 0 ) (0 ) + (0 ) +
2!

33. ta je empirijsko statistiko modeliranje?

Radi dobijanja pouzdanog matematikog modela vri se statistika obrada

eksperimentalnih podataka. Kada se u modelu koriste empirijski podaci kao rezultat se
dobiva eksperimentalni matematiki model, odnosno stohastiki model.

Procesi obrade su kao i drugi procesi u tehnici stohastikog karaktera pa se koristi

empirijsko statistiko modeliranje, koje daje tanije rezultate u odnosu na druge metode
modeliranja. Stohastiki ili empirijsko statistiki model polazi od ope funkcije izlazne
karakteristike procesa:

= (, ) = (1 , 2 , , , , , 1 , 2 , , ) = 1,2,3,

34. Kako izgleda funkcija signifikantnih i nesignifikantnih parametara i ta

su oni?

Prethodna funkcija se nakon selekcije poremeajnih (nesignifikantnih) dijelova moe

rastaviti na dvije funkcije:

= (1 , 2 , , , ) + (1 , 2 , , )
ili

= () + ()

() - funkcija kontroliranih (signifikantnih) parametara

 () - funkcija nekontroliranih (nesignifikantnih) parametara
Definira i sluajnu greku eksperimentalnog ispitivanja, odnosno sluajnu
greku mjerenja.

35. ta sadri ema razrade stohastikog modela?

ema razrade stohastikog modela sadri:

- Informacije o objektu istraivanja

- Eksperiment
- Matematiku teoriju plana eksperimenta
- Sluajne eksperimentalne podatke
- Matricu eksperimenta
- Realizaciju
- Analizu i obradu rezultata
- Definiranje modela
- Provjeru adekvatnosti
- Ispis modela

36. Postupak razrade stohastikog matematikog modela (od poetka do

ispisa modela).
(0)
- Identifikacija skupa svih parametara procesa ili sistema
(0)
- Iz izdvajaju se promjenljivi parametri , a oni se dijele na regulirani
parametri i na - neregulirani parametri
- Odreuju se granice variranja parametara u uvjetima realnog procesa ili sistema
- Nakon toga se odluuje o metodi izvoenja eksperimenta (pasivni ili aktivni)
- Ako se promjena izvodi po unaprijed utvrenom planu, onda je eksperiment aktivni
- Sluajne oscilacije na granicama ne utjeu na
- Ako nije mogua realizacija matrice eksperimenta, koriste se sluajni eksperimentalni
podaci, pri emu se nesistematski izvodi kombinacija promjenljive veliime i .
Tada je dobro smanjiti tehnoloke zahtjeve, te dopustiti oscilacije parametara u
irim granicama, nego je to sluaj u realnom procesu.
- Postupak se zavrava obradom prikupljenih eksperimentalnih podataka i provjerom
adekvatnosti dobivenog modela.

(ema je prikazana u knjizi prof. dr. Jurkovia, str. 45.)

37. ta su sluajne varijable, koje su njihove osobine i kako se ukljue u

model?

Sluajne varijable su nekontrolirani poremeajni faktori koji se javljaju u procesu ili

sistemu.
Stohastiki model dolazi u obzir kada u procesu obrade ili sistemu postoji znatan utjecaj
tih faktora.
Sluajne varijable se nazivaju jo i stohastike varijable.
38. Kakav moe biti eksperiment za formiranje stohastikog modela i koja
je razlika izmeu njih?

Razrada stohastikog modela temelji se na statistikoj obradi eksperimentalnih podataka.

Metode definiranja stohastikih modela mogu biti utemeljene na obradi sluajnih
eksperimentalnih podataka koada uvjeti eksperimenta nisu programirani (pasivni eksperiment)
i na obradi podataka kada su uvjeti eksperimenta programirani primjenom matematike teorije
planiranja eksperimenta (aktivni eksperiment).
Prednost prve metode je mogunost razrade matematikog modela procesa bez
promjene postojeeg reima rada sistema ili procesa. Pasivni eksperiment se obino
primjenjuje za determinirane pojave, gdje model vrlo esto predstavlja priblian opis realnog
procesa. Kvaliteta aproksimacije podataka pasivnog eksperimenta uglavnom ovisi od izbora
tipa jednadbe aproksimacije. Ovako dobivene aproksimativne jednadbe esto ne
zadovoljavaju usvojene kriterije tanosti modela. Zbog toga se znatno vie koriste aktivni
eksperimenti.
Drugom metodom se definira tani matematiki model s minimalnim brojem
eksperimentalnih podataka, to se postie programiranom promjenom ulaznih parametara s
unaprijed utvrenim granicom variranja u uvjetima realnog procesa.

39. Kako se izvodi identifikacija parametara za formiranje stohastikog

modela (prikazati korak po korak)?

Definiranje stohastikog modela poinje identifikacijom skupa svih parametara .

Iz tog skupa ( ) izdvajaju se promjenljivi parametri , a oni se dijele na regulirani
parametri i na - neregulirani parametri.
Zatim se odreuju se granice variranja parametara u uvjetima realnog procesa ili sistema
Nakon toga se odluuje o metodi izvoenja eksperimenta (pasivni ili aktivni)

40. Postupak obrade rezultata eksperimenta.

Obrada rezultata eksperimenta je zavrni dio eksperimentalnog istraivanja, a sastoji seiz

provjere podataka, odreivanja greke eksperimenta ili njenog mjerila, provjere hipoteze
isreivanje rezultata u obliku u kome e biti prikazani. Pri ovome se tei da se iz
rezultatadobije to vie informacija i da su one to vjerodostojnije.U inenjerskim
eksperimentima se najee zahtijeva kvantitativno prikazivanje rezultatau obliku funkcije ili
grakona, to omoguuje savremena raunarska tehnika.

41. Postupak obrade rezultata stohastikog eksperimenta.

Slika obrade rezultata stohastikog eksperimenta, dr. prof. M. Jurkovi, str. 46.

1. Poetak
2. Izbor oblika matematikih modela i proraun koeficijenata regresije
3. Proraun disperzije paralelnih eksperimenata
4. Provjera homogenosti disperzija po kriteriju Cochran-a:
Ukoliko uvjet homogenosti disperzija nije ispunjen, vraamo se na 2.
Ukoliko je uvjet homogenosti disperzija ispunjen, prelazimo na 5.
 5. Izraunavanje greke eksperimenta
6. Proraun disperzije koeficijenata regresije
7. Provjera znaajnosti b, po kriteriju tudenta:
Ukoliko uvjet po Studentu nije ispunjen, vraamo se na 2.
Ukoliko je uvjet po Studentu ispunjen, prelazimo na 8.
8. Provjera disperzije adekvatnosti i kriterija Fisher-a
9. Provjera adekvatnosti modela po kriteriju Fisher-a:
Ukoliko uvjet po Fisheru nije zadovoljen, vraamo se na 2.
Ukoliko je uvjet po Fisheru zadovoljen, prelazimo na 10.
10. Model je adekvatan
11. Kraj.

42. ta je homogenost disperzije eksperimenta, kako se ispituje i koji su

potrebni podaci?

Provjera homogenosti disperzije eksperimenta se izvodi nakon eksperimenta.

Ponavljanjem eksperimenta pri konstantnim vrijednostima ulaznih parametara moe se
utvrditi razlika u dobivenim numerikim izlaznim vrijednostima.
Promjenom vrijednosti ulaznih parametara i ponavljanjem eksperimenta dobije se matrica
rezultata izlaznih vrijednosti.
Provjera homogenosti disperzije za odreeni nivo pouzdanosti izvodi se po Cochranovu
kriteriju:

2
= 2 ( , )

=1

- tablina vrijednost po Cochranovu kriteriju za stupnjeve slobode .

- stupanj slobode = 1
broj ponavljanja u uzorku, N broj uzoraka
43. to je provjera homogenosti disperzije eksperimenta i kako se izvodi?

Provjera homogenosti disperzije eksperimenta izvodi se pomou Cochranova i Fisherova

kriterija.

Cochranov kriterij:
N
Kh = max Sj / j 1 sj Kt (fj,N) gdje je:

Kt tablina vrijednost po Cochranovu kriteriju za stupnjeve slobode fj i N

fi stupanj slobode (fj = nj 1)
nj broj ponavljanja u uzorku
N broj uzoraka

Fisherov kriterij:

F = S1 / S2 Ft (f1,f2) ili F = S2 / S1 Ft (f2,f1)

Ft tablina vrijednost po kriteriju Fishera za stupnjeve slobode f1 i f2 ili f2 i f1

f1 = (n1-1) stupanj slobode prvog uzorka
f2 = (n2-1) stupanj slobode drugog uzorka

44. Pomou ega se provjerava homogenost varijanci i kako?

Provjera homogenosti varijanci se izvodi pomou Fisherovog kriterija za distribucije koje su

priblino normalne. Po ovom kriteriju usporeuju se disperzije za dvije serije mjerenja i za
sluaj da su dobiveni rezultati sluajni, nezavisni i normalno rasporeene veliine. Ako je
disperzija prve serije 1, a druge serije 2, odnosno varijance S1 i S2 tada je za F-razdiobu
i stupnjeve slobode (n1-1) i (n2-1):

2
S1
1 2 S12
F= 2
= 2
S2 S2
22
45. Kako se odredi stupanj slobode eksperimenta ako je broj pokusa od
1...N i ako su po tri ponavljanja u svakome pokusu?

Ukupni stupanj slobode fE greke eksperimenta ovisi o nainu ponavljanja pokusa. Tako za
procjenu greke eksperimenta za broj pokusa od 1...N i ako su po tri ponavljanja u svakome
pokusu ide:

2. JEDNAKO PONAVLJANJE MJERENJA n1 = n2 = ... = nj = nN

N n
suma kvadrata: ( y ji y j ) 2
j 1 i 1

ukupan stupanj slobode fE = N(n-1)

Za na primjer bi bilo n=3 fE = N(n-1) = N(3-1) = 2N

46. Kako se izvodi ocjena greke eksperimenta?

Standardna devijacija ili kako se jo naziva standardna greka slui za raunsku ocjenu
tanosti obavljenih mjerenja:

1 n
=
n i 1
( yi y ) 2

47. Kakva sve mogu biti ponavljanja mjerenja i zato se izvode?

Pri izvoenju eksperimenta broj ponavljanja mjerenja i moe biti jednak ili razliit u svih j
uzoraka, to ovisi o planu eksperimenta. Tako imamo:

1. razliito ponavljanje mjerenja n1 n2 ... nj nN

2. jednako ponavljanje mjerenja n1 = n2 = ... = nj = nN
3. ponavljanje samo u jednoj taki eksperimenta j=1
4. ponavljanje u jednoj taki (i) puta

Izvodi se zbog odreivanja sume kvadrata i ukupnog stupnja slobode fE.

48. Kako se odredi varijanca greke (proraun greke) eksperimenta?

Varijanca greke mjerenja eksperimenta odreuje se izrazom:

N n
( y ji y j ) 2
j 1 i 1
S = 2n
fE
49. ta je podruje pouzdanosti i ta znae granice pouzdanosti (prikazati
emu)?

Podruje pouzdanosti je podruje izmeu granica pouzdanosti. Granice pouzdanosti

podrazumijevaju granicu, unutar koje se moe s odabranom statistikom vjerovatnou P i uz
pretpostavku normalne razdiobe greaka, oekivati stvarna vrijednost izmjerene veliine.
ematski se moe prikazati:

Granice
pouzdanosti

STATISTIKA
RAZDIOBA VJEROVATNOA
GREAKA Podruje P
pouzdanosti
(95%, 99%,
99,9%)

Grafiki se moe prikazati na sljedei nain:

f(x) f(x) f(x)

99,9%
95%
99%
1,96 1,96 2,58 2,58 3,29 3,29
y y y

50. Objasniti i prikazati metodu najmanjih kvadrata i njenu primjenu!

Metoda najmanjih kvadrata jedna je od metoda teorije greaka koja se koristi za

ocjenu nepoznatih veliina na temelju rezultata mjerenja. Moe se koristiti i za priblino
predstavljanje unaprijed zadane funkcije ili analizu eksperimentalnih podataka.
Regresijska analiza ima zadatak da pronae metodu za odreivanje vrijednosti
koeficijenata 0 i 1 regresijske funkcije (x) prave linije: yi = 0 + 1xi + i, za i = 1, 2, ... n, a
osigurava optimalnu aproksimaciju promjene veliine X pomou funkcije (x). Odnosno
trai se ona linija koja najbolje aproksimira eksperimantalne rezultate iz grupe moguih
regresijskih pravih linija.
To se moe prikazati:
 y
= yR = b0 + b1x1 + ei

M(xi, yi)
yi
ei

y i = 0 + 1x i + i
xi x

Graf predstavlja metodu najmanjih kvadrata, i ona se koristi za odreivanje b1 i b0.

Uvjet je dasuma kvadrata vertikalnih odstupanja empirijskih vrijednosti yi od regresijske
prave i bude minimalna. to znai da je:

= 0 0 , 1 1 ,
=1 =1

= ( 0 1 1 )2
=1 =1
Cilj je da se regresijska funkcija po pretpostavki (yi) i po realnom poklapaju, da bi
greke bile to manje. Sa ovom metodom se moe izraditi model, ali jednostavni.

51. Za poznatu funkciju y = b + ax prikazati numeriku obradu rezultata!

Ako je funkcija y = b + ax, a ako pretpostavimo da je apsolutna greka y = y yt,

metodom najmanjih kvadrata sljedi:
( )2
gdje su:
yN rezultati nezavisno promjenljivih veliina
xN nivo nezavisno promjenljivih faktora
yt - tana vrijednost zavisnoo promjenljive veliine za odreeni nivo x
y stvarno izmjenjena vrijednost koja sadri i sluajnu greku
52. Za nepoznatu funkciju prikazati numeriku obradu rezultata!

Na osnovu eksperimentalnih rezultata moe se na vie naina odrediti funkcija. Ako

se nacrta grafiko rjeenje tako da suma kvadrata odstojanja svih taaka od prve crte bude
minimalna. Tada se po Gaussovu principu ( metodi najmanjih kvadrata) uzima odstojanje b,
jer je lake za raunanje.

a
b
yj
p

bxj + k

x x

Pa je suma razlike kvadrata za jednadbu regresijske prave: y = k + bx. Treba da

bude minimalna to znai:

= ( 0 )2
=1
Zamjenom vrijednosti za k, ako je k =
, sljedi da je:
= ( )
I vidimo da pravac jednadbe prolazi kroz taku ( , ).

53. Koji se koristi kriterij za ocjenu linearnosti funkcije regresije?

Za ocjenu linearnosti funkcije, provjera se vri disperznom analizom. Provjerava se

vri na taj nain da se odredi ukupno rasipanje q koje se sastoji od rasipanja srednjih
vrijednosti i oko regresijske prave q1 i rasipanja vrijednosti unutar grupe q2, tako da je
q = q1 + q2 .
Kriterij koji se koristi za ocjenu linearnosti je fisherov kriterij:
1
2
= 2 < ( 2, )

Ako je FL < Ft tada je regresijska prava linearna.

Gdje su:
Ft- tablina vrijednost
n parovi vrijednosti r grupa s istom vrijednou x
r broj grupe sa istom vrijednosti za x
54. Kako se sa dovoljno tanosti moe prihvatiti polinom za aproksimaciju
neke funkcije?

Za svaku neprekidnu funkciju y=f(x) u zadanom intervalu x (x0, x1) moe se s

dovoljno tanosti aproksimirati polinom n-tog reda, za dovoljno veliko n i dovoljno tano
odreene koeficijente polinoma.
Kada se eksperimentalni podaci n parova (xi, yi), za i= 1, 2, ... n, predstave u ravnini,
odredi se krivulja koja najbolje aproksimira dati skup. Trai se krivulja koja je najblia svakoj
taki na dijagramu rasipanja. to je rasprenost podataka vea, ima i vie greaka.

55. ta je teorijska krivulja polinoma, a to empirijska i kakva je njihova

usaglaenost?

Teorijska krivulja polinoma je krivulja dobivena pomou teorijskog matematikog

modela koji najblie pokazuje prirodu procesa ili pojave dok je empirijska krivulja ona
nastala spajanjem dovoljnog broja vrijednosti dobivenih eksperimentom.
Ukoliko je dobra usaglaenost polinoma kao matematikog modela i vrijednosti dobivenih
eksperimentom postie se vei broj koeficienata koji polinom definiraju.
Ali treba pomenuti da usaglaenost teorijske krivulje sa empirijskom ne znai u isto
vrijeme i usalaenost sa funkcijom regresije. Dakle ima sluajeva kada poveanjem
stupnja polinoma postiemo suprotan efekat od traenog tj. udaljenje od linije regresije.

56. Kako se trai polinom (model) koji e najbolje aproksimirati dati proces
(navesti metode)?

Polinom (model) koji e najbolje aproksimirati dati proces trai se tako da se

eksperimentalni podaci n parova (xi ,yi ), i=1,2,3,...,n predstave u ravnini, te se onda prema
obliku krivulje koju formiraju te take odredi model koji najbolje odraava zakonitosti
statistike razdiobe dobivenih empirijskih rezultata.(slika 4.8)

Kako ne postoji jedinstvena metoda za izbor oblika analitike funkcije, preporuka je da se

u svakom konkretnom sluaju trai matematiki model (polinom) koji e na to manje
parametara bolje aproksimirati dati proces ili sistem.

Metode su:
- Experimentalna (empirijska) metoda: polazi od eksperimentalnih podataka gdje se
iz dovoljno velikog broja eksperimentalnih rezultata moe dovoljno tano uoiti tip
polinoma koji najbolje opisuje funkciju regresije.
- Teorijska metoda: polazi od toga da su eksperimentalni podaci matematike veliine
u kojima se izraavaju odreeni konkretni fizikalni procesi ili pojave, te se slui
podacima ranijih istraivanja slinih procesa ili pojava.
57. Koja su tri osnovna koraka u definiranju matematikog modela?

Tri su osnovna koraka u definiranju funkcije, odnosno matematikog modela:

-izbor regresijskog modela
- izraunavanje parametara j za izabrani model metodom najmanjih kvadrata
-provjera tanosti i adekvatnosti regresijskog modela.

58. Prikazati teorijske i grafiki realne koeficijente regresijskog modela?

Kada je mehanizam procesa nepoznat matematiki model prikazujemo u obliku

polinoma:

Y= = + < + = + <

U ovom matematikom modelu teorijski koeficienti regresijskog modela su:

koficienti linijskog utjecaja, koeficient kvadratnog utjecaja, dvofaktorne
interakcija, - viefaktorne interakcije funkcije regresije.

= = + < + = + <
U ovom matematikom modelu realni koeficienti regresijskog modela su:
, , ,

59. Ako polinom aproksimira odreeni proces na to se svodi rjeavanje

datog problema?

Npr ukoliko je polinom treeg reda:

y = b0 x0 + b1 x1 + b2 x2 + b12 x1 x2 + b11 x12 + b22 x22 + b112 x12 x2 + b122 x1 x22 + b111 x13
+ b222 x23
Ukoliko polinom aproksimira odreeni proces rjeavanje se svodi na izraunavanje
koeficienta bi.

60. Koji su kriteriji pri izboru nezavisnih promjenljivih varijabli u blok

emu?

Izbor utjecajnih faktora procesa ili sistema izvodi se na osnovu prethodnog poznavanja
istraivanog podruja, literaturnih podataka o datom procesu i iskustvo istraivaa, takoe
vrsta procesa cilju modeliranja, eksperimentu, intuiciji istraivaa, posjedovanju
odgovarajue opreme.
Kriteriji kod izbora nezavisnih promjenjivih variabli u blok emu su:
-najprije se nabroje svi utjecajni faktori koji imaju utjecaj na izlazne parametre procesa
-zatim se taj broj smanji (reducira, optimizira) na one koji imaju najvei utjecaj.
-njihov broj ovisi o vrsti obradnog procesa (buenje, bruenje, glodanje tokarenje itd)

Identifikacija parametara procesa i sistema se izvodi analizom procesa na temelju

poznatih teorijskih podataka o konkretnom procesu ili slinom kada je konkretni proces
nedovoljno poznat.
61. Koje postoje metode kodiranja fizikalnih varijabli?

Postoje dvije metode kodiranja fizikalnih varijabli:

a) aritmetiko i
b) logoritamsko kodiranje.

Aritmetiko kodiranje

Prilikom kodiranja uzimaju se varijable x koje sami izaberemo ili ih uzmemo po preporuci
nekog strunjaka koji je kompetentan iz tog podruja.
Kodirane vrijednosti varijabli, bez obzira na njihovu fizikalnu mjernu jedinicu (m/s, N/mm2,
m, i sl.) izraene su s dvjema vrijednostima +1 i -1. Maksimalnim vrijednostima dajemo
vrijednost +1 dok minimalnim dajemo -1. U situaciji kada imamo srednji nivo, kodirana
vrijednost je nula. Kodiranje se u ovom sluaju (aritmetiko) izvodi pomou izraza:

xi x oi x x oi
i
xi xi min xi
Xi = 2
gdje su:

Xi kodirana vrijednost nezavisno promjenljivih varijabli, gdje je i-broj nezavisno

promjenljivih
varijabli ( i = 1,2,3..),
xi fizikalna vrijednost nezavisno promjenljivih varijabli na gornjem ili donjem nivou,
x0 i fizikalna vrijednost nezavisno promjenljivih varijabli u centru plana, tj. nulta srednja
vrijednost,
xi interval granice fizikalnih vrijednosti varijabli od srednje take do maksimalne odnosno
minimalne vrijednosti varijable.

Srednji nivo fizikalne vrijednosti odredi se izrazom:

x xi min
xoi i max
2

Primjer kodiranja varijabli ( ovo pretpostavljam da nee trebati ali eto nek se nae)

x1=1= 500 N/mm2-maksimalna veliina i 300 N/mm2-minimalna veliina iz izraza

x xi min 500 300
xoi i max x sr 400
2 da je srednja vrijednost 2 N/mm2 pa da je

500 400 100

1
500 300 100
kodirana vrijednost X 1 = 2 za sluaj jednog pokusa u drugom sluaju
300 400 100
1
500 300 100
X1 = 2
ovo je bio sluaj gdje imamo dvije izmjerene vrijednosti od kojih smo jednu uzeli za
maksimalnu 500 N/mm2 a drugu za minimalnu. U ovom sluaju matrica plana eksperimenta
ima sljedei oblik:

Broj pokusa Fizikalne vrijednosti Kodirane vrijednosti

N=2n=4 x1= 1 x2= (deform.) X1 X2
1 500 1.0 +1 -1
2 300 1.0 -1 -1
3 500 2.5 +1 +1
4 300 2.5 -1 +1

Logoritamsko kodiranje

Ako imamo polinomski matematiki model poznat i iskazan opim modelom:

C f11 f 2 2
R= tada se logaritmiranjem dobije izraz

ln R ln C 1 ln f1 2 ln f 2

gdje su : f1, f2 nezavisno promjenljivi parametri

C , 1 , 2 nepoznati koeficijenti.

Ako se izrazu ln R ln C 1 ln f1 2 ln f 2 izvri zamjena

x ln f1 x2 ln f 2 o ln C
pa umjesto y ln R, 1 , i tada se dobiva polinom sljedeeg
y o xo 1 x1 2 x2
oblika;

Za i-ti nezavisni parametar

x i ln f i ili xoi xi ln f i max . odnosno xoi xi ln f i min ili
xi x oi x x oi
i
xi xi min xi
2 xi ln f i max f i min X
zamjenom u jednaini i = 2 dobiva se izraz za
ln f i ln f i max
1 2
kodiranje u sljedeem obliku
Xi = ln f i max ln f i min za vrijednost:
fi = fimax dobiva se Xi=+1, fi=fimin dobiva se Xi=-1 i fi=fisr dobiva se Xi=0

f isr2 f i min f i max

Srednji nivo fizikalne vrijednosti odredi se izrazom

Sve fizikalne vrijednosti varijabli procesa prevode se u kodirane vrijednosti bez obzira to
znaenja fizikalnih varijabli mogu biti razliita (N/mm2,mm,m/s itd.). Prema tome, podruje
variranja nezavisno promjenljivih veliina xi zavisi od vrste procesa, svrhe i cilja modeliranja
i zahtjeva koje je postavio istraiva.
62. Prikazati osnovnu matricu kodiranja i poloaj taaka pokusa matrice?

Kad se god pravi plan eksperimenta onda se pored matrice napravi i prikaz
eksperimentalne take matrice plana kao to je prikazano na sljedeoj slici:

Slika. Shema kodiranja i poloaj taaka matrice plana 2k s baznom takom (0,0)

Ovo je najjednostavniji plan gdje su varijable x1 i x2 i ispod imamo etiri take 1,2,3,4 i u
sredini taka nula. Sve ovo s koordinatnog sistema s gornje slike bilo bi prikazano i u matrici
koja bi izgledala ovako.

Osnovna matrica kodiranja

Nj-broj Kodirne vrijednosti Prirodne vrijednosti yj-izmjerene veliine
mjerenja
i pokusa x1 x2 v (m/s) s (m) v (m/s) s (m)
mi uzimamo mi uzimamo
taka 1 -1 -1 50 1000 y11 y12
taka 2 +1 -1 100 1000 Y21 Y22
taka 3 -1 +1 50 2000 Y31 Y32
taka 4 +1 +1 100 2000 Y41 Y42

y11 - prvi red prvo mjerenje, y12 - prvi red drugo mjerenje,

Ovdje postoje dvije mogunosti jedna da ponavljanje eksperimenta izvodimo u vrhovima

kvadrata i u tom sluaju matrica bi izgledala kao to je gore prikazano.
U sluaju da ponavljanje eksperimenta izvodimo u sredini plana tj. u nultoj taci mi bi u
matricu morali dopisati 5 i 6 pa bi ona izgledala ovako;

Nj-broj Kodirne vrijednosti Prirodne vrijednosti yj-izmjerene veliine

mjerenja
i pokusa x1 x2 v (m/s) s (m) v (m/s) s (m)
mi uzimamo mi uzimamo
taka 1 -1 -1 50 1000 y11 y12
taka 2 +1 -1 100 1000 y21 y22
taka 3 -1 +1 50 2000 y31 y32
taka 4 +1 +1 100 2000 y41 y42
5. pokus* 0 0 75 1500
6. pokus 0 0 75 1500

*- mjerenje izvodimo u nultoj taci plana tj. sredini plana

ta ovo u stvari znai, to znai da ako bi brzina bila npr. 50 m/s (x1) to je -1 a ako bi bila 100
m/s (drugi sluaj) to bi bilo +1 pa bi nula bila 75 m/s (srednja vrijednost) i ako stavimo da je
put 1000 m pa je u prvom sluaju (- i -) 1000 m a recimo u etvrtom mjerenju (+ i +) 2000 m
tada bi nula bila 1500 m.

U sluaju da ponavljanja izvodimo u vrhovima kvadrata imali bi vie ponavljanja u gornjem

dijelu matrice npr. y11 y12.......... i matrica bi izgledala kao u to je ve prikazana na prednjoj
strani odgovora a u sluaju da ponavljanje vrimo u nultoj taki onda bi u gornjem dijelu
imali samo jedno mjerenje jer nam je ponavljanje u sredini plana i matrica bi izgledala kao to
je gore prikazano.

63. Kako se iz analitikog izraza koji je praktino neupotrebljiv:

F C v b1 s b2 a b3 k b4 moe dobiti odgovarajui upotrebljivi

matematiki model ?

Odgovarajui upotrebljivi model moe se dobiti logoritmiranjem izraza, i nakon e biti;

F C v b1 s b2 a b3 k b4 nakon logoritmiranja dobija se sljedei izraz;

ln F ln C b1 ln v b2 ln s b3 ln a b4 ln k

gdje su : v,s,a i k nezavisno promjenljivi parametri

C , b1 , b2 , b3 , b4
nepoznati koeficijenti.

ln F ln C b1 ln v b2 ln s b3 ln a b4 ln k
Ako se na izrazu izvri zamjena
 x ln v x2 ln s x3 ln a x4 ln k bo ln C
pa umjesto y ln F , 1 , , , i tada se dobiva
polinom sljedeeg oblika;
y bo xo b1 x1 b2 x2 b3 x3 b4 x4

Za i-ti nezavisni parametar

x i ln xi ili xoi xi ln xi max . odnosno xoi xi ln xi min ili
xi x oi x x oi
i
xi xi min xi
2 xi ln xi max xi min zamjenom u jednaini X i = 2 dobiva se izraz za
ln xi ln xi max
1 2
kodiranje u sljedeem obliku i =
X ln xi max ln xi min za vrijednost:
xi =xfimax dobiva se Xi=+1, xi=ximin dobiva se Xi=-1 i xi=xisr dobiva se Xi=0

2
xisr xi min xi max
Srednji nivo fizikalne vrijednosti odredi se izrazom

64. ta su modeli prvog reda i kako se mogu prikazati?

Za definiranje linearnih modela primjenjuje se plan eksperimenta prvog reda. Najvie

koriten plan je potpuni faktorni plan eksperimenta (PFE) u kojem se svaki nivo jednog
faktora kombinira sa svim nivoima ostalih faktora (varijabli). Za dobijenje linearnog modela
minimalan broj nivoa variranja je r = 2. U tom sluaju matrica potpunog faktornog plana
k 2
eksperimenta ima oblik N = r = 2 = 4, gdje je k broj nezavisno promjenjivi faktora
(varijabli), a N broj redova matrice eksperimenta koji odgovara broju pokusa.
Dvofaktorni matematiki model (dvofaktorna matrica)
Za dvofaktorne matematike modele izvode se dvofaktorini eksperimenti s brojem pokusa N
= 22 = 4. U narednoj tablici prikazana je matrica dvofaktornog eksperimenta s djelovanjem
interakcija X1,X2. Matrica bez djelovanja interakcija spada u grupu jednostavnih
eksperimenata i modela.

Matrica plana eksperimenta 22

Kodirane vrijednosti faktora

Broj pokusa Nj X0 X1 X2 X1 X2 Vektor izlaza
yJ
1 +1 -1 -1 +1 Y1
2 +1 +1 -1 -1 Y2
3 +1 -1 +1 -1 Y3
4 +1 +1 +1 +1 Y4
xij xmj xij xmj

Koeficijenti

b0 b1 b2 b12
Matematiki y = b0+x0+b1+x1+b2x2
model y = b0+x0+b1+x1+b2x2+b12+x1x2
Poloaj taaka dvofaktornog plana eksperimenta 22 s baznom takom (0,0) prikazan je na
sljedeoj slici;

Slika. Shema kodiranja i poloaj taaka matrice plana 2k s baznom takom (0,0)

U opem sluaju je :

yj = b0x0j + b1x1j+b2x2j za j = 1,2,.....,N.

Za odreivanje koeficijenata b0, b1, b2 moe se koristiti metoda najmanji kvadrata, gdje je
potrebno

odrediti sumu kvadrata odstupanja teoretskih vrijednosti yj od stvarnih yj

Za ostatak formula iz knjige koje se veu na ovaj dio, profesor je na predavanju odranog
22.12. 2011. godine rekao da ne treba uiti napamet, i tom prilikom kao vano spomenuo
formulu 4.70 str. 86. u knjizi iz tog razloga to se ona direktno vee za model y =
b0+x0+b1+x1+b2x2 . Na osnovu te formule mi moemo odrediti koeficijente b0, bi, i b12 pa sam
je i ja stavio kao bitan element u odgovoru na ovo pitanje a ona glasi;

1 N 1 N
b0 0j j N
N j 1
X Y
j 1
Yj
jer je uvijek X0j = 1

1 N
bi X ij Y j ,
N j 1 za i = 1,2,

1 N
b12 X ijYmj Y j ,
N j 1 za 1 i < m k = 2

yj yj
gdje je aritmetika sredina eksperimentalnih rezultata mjerenja u pojedinim takama
y yj
plana kada postoji ponavljanje pokusa, odnosno kada ponavljanja pokusa nama i j .
65. Kako izgleda matrica eksperimenta sa tri varijable?

Kodirane vrijednosti faktora matrica plana

Broj Vektor
pokusa izlaza
Nj X0 X1 X2 X3 X1 X1 X3 X2 X3 X1 X2 X3 yj
X2

1 +1 -1 -1 -1 +1 +1 +1 -1 y1
2 +1 +1 -1 -1 -1 -1 +1 +1 y2
3 +1 -1 +1 -1 -1 +1 -1 +1 y3
4 +1 +1 +1 -1 +1 -1 -1 -1 y4
5 +1 -1 -1 +1 +1 -1 -1 +1 y5
6 +1 +1 -1 +1 -1 +1 -1 -1 y6
7 +1 -1 +1 +1 -1 -1 +1 -1 y7
8 +1 +1 +1 +1 +1 +1 +1 +1 y8

Koef. b1 b2 b3
viestruke b0 b12 b13 b3 b123
regresije

y = b0x0 + b1x1 +
Matematiki b2x2 + b3x3
model
y = b0x0 + b1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3 +
b123x1x2x3
66. Prikazati grafiki i matrino funkciju Yj = Yj(X1, X2, X3) ako se
ponavljanje za procjenu greke eksperimenta izvodi u baznoj taki (0,0)
eksperimenta?

Za trofaktorni matematiki model (k=3) ortogonalna plan matrica je sastavljena od

N=2k+n=23+4=8+4=12 pokusa.

Matrica plana eksperimenta

Kodirane vrijednosti faktora matrica plana

pokusa Nj

izlaza Yj
Vektor
X0 X1 X2 X3 X1X2 X1X3 X2X3 X1X2X3
Broj

1 +1 -1 -1 -1 +1 +1 +1 -1 y1
2 +1 +1 -1 -1 -1 -1 +1 +1 y2
3 +1 -1 +1 -1 -1 +1 -1 +1 y3
4 +1 +1 +1 -1 +1 -1 -1 -1 y4
5 +1 -1 -1 +1 +1 -1 -1 +1 y5
6 +1 +1 +1 +1 -1 +1 -1 -1 y6
7 +1 -1 -1 +1 -1 -1 +1 -1 y7
8 +1 +1 +1 +1 +1 +1 +1 +1 y8
9 +1 0 0 0 0 0 0 0 y9
10 +1 0 0 0 0 0 0 0 y10
11 +1 0 0 0 0 0 0 0 y11
12 +1 0 0 0 0 0 0 0 y12
Matematiki Koeficijenti
viestruke

b0 b1 b2 b3 b12 b13 b23 b123

refresije

y=
model

b0x0+b1x1+b2x2+b3x3
y= b0x0+b1x1+b2x2+b3x3+b12x1x2+b13x1x3+b23x2x3+b123x1x2x3
67. ta treba provjeriti da bi odreeni matematiki model bio prihvatljiv?

Da bi odreeni matematiki model bio prihvaen mora se provjeriti signifikantnost njegovih

koeficijenata i adekvatnost samog modela. Prilikom provjere signifikantnosti koeficijenata
polinoma, svi faktori Xi uz koje se nalaze nesignifikantni koeficijenti se iskljuuju iz modela.
Signifikantnost se provjerava na osnovu kriterija Studenta (t-test) ili Fishera (F-test).
Adekvatnost se provjerava testom Fishera.

68. Koje su osobine ortogonalnih planova?

Ortogonalni planovi moraju zadovoljiti sljedee uvjete:

- Uvjet simetrinosti prema kojem su sve nezavisno promjenjive veliine simetrino
rasporeene u odnosu na centar eksperimenta:

= , = , , ,
=
- Uvjet normativnosti prema kojem je suma kvadrata elemenata za sve stupce
matrice jednaka broju pokusa N.

= , = , , ,
=
- Uvjet ortogonalnosti

= , , = , , ,
=

69. Koja je karakteristika ortogonalnih u odnosu na druge planove?

Ortogonalni planovi u odnosu na druge planove imaju sljedea obiljeja:

- raspored eksperimentalnih taaka u eksperimentalnom prostoru je optimalan,
- broj eksperimentalnih taaka je minimalan, to daje manje trokove i krae vrijeme
ispitivanja,
- koliina dobivenih informacija je maksimalna,
- matematika obrada eksperimentalnih rezultata je jednostavna.

70. Kako se ispituje znaajnost koeficijenata modela?

a) Ponavljanje pokusa u centralnoj taki plana

Za ispitivanje znaajnosti koeficijenata modela se koriste kriteriji Studenta (t-test) i Fishera

(F-test).

F-kriterij je odreen uvjetom:

= ( , ) = (, ) = , , , ,

Procjena greke koeficijenata modela:
( )
= = , = , , , ,

Stepen slobode koeficijenata je 0 = 1 = = = = = 1, pa slijedi:

( )
= = , = , , ,

Procjena greke u centralnoj taki plana eksperimenta se dobije iz izraza:

2
=1
0
0 2
(0 )
0 =
0
gdje je:

- = stepen slobode u centralnoj taki plana,

=
-
= aritmetika sredina rezultata mjerenja eksperimentalnih vrijednosti 0

u nultoj taki plana.

Prema odreenim stepenima slobode, = 1 i 2 = 0 , kao i na osnovu odabranog praga

znaajnosti ( = 1 , gdje je P pouzdanost modela), odredi se veliina ( ,2 ) =
(1,0 ), te uporedi sa .

Drugi nain provjere signifikantnosti koeficijenata modela je Studentov t-kriterij.

Opi uvjet glasi:

| | = ( ,)

ili:

|0 | 0 = (0 ,) 0

0
| | = (0 ,) , = 1,2, ,
0

0
| | = (0 ,) , 1 <
0

gdje je:
- (0 ,) tablina vrijednost za stepen slobode 0 i odabrani prag znaajnosti
- podruje pouzdanosti koeficijenata modela ili greka u ocjeni koeficijenata
b) Ponavljanje jednog broja pokusa

Provjera signifikantnosti koeficijenata modela s ponavljanjem jednog broja pokusa se

odreuje prema t-kriteriju Studenta.
Provjerava se uvjet:
| | | |
= = ( ,) = 0,1,2, ,

ili

| | = ( ,) = ( ,) = 0,1,2, ,

Varijanca greke se dobija prema izrazu:

2
2

=1 =1(
)
=

2 2
= = 0,1,2, ,

gdje je:

= =1( 1) = ( 1) ukupni stupanj slobode

broj ponavljanja pokusa u j-tom redu matrice, kada je isti broj ponavljanja =

71. Kako se ispituje adekvatnost modela?

a) Ponavljanje pokusa u centralnoj taki plana

U opem sluaju, adekvatnost modela se provjerava usporedbom eksperimentalno dobivenih

vrijednosti i vrijednosti izraunatih iz modela . Uvjet adekvatnosti je odreen
Fkriterijem:
- ako je 2 > 0 2 :
2
= 2 (1 , 2 ) = ( , 0 )
0
2 2
- ako je 0 > :
0 2
= 2 (1 , 2 ) = (0 , )

Ako se dobije da je < , tada matematiki model adekvatno opisuje analizirani obradni
proces.

Disperzija adekvatnosti se odreuje iz izraza:

2 2
2 0
=1( ) =1(0
0 )
=
ili
2 2
=1 =1 0
2 =
gdje je:
- = 1 0 broj stepeni slobode koji se odnosi na disperziju adekvatnosti
- izraunata vrijednost iz formiranog matematikog modela,
- 2 = 0 2 + 1 2 + 2 2 + = 0 2 + ( 0 )(1 2 + 2 2 + ) suma
kvadrata koeficijenata
0
- 0 2 = =1 0 2 suma kvadrata, odnosno greka pokusa
(0 )
- (1 , 2 ) tablina vrijednost F-razdiobe za odreenu vrijednost greke = 1
o ako je 2 > 0 2 , tada je 1 = i 2 = 0
o ako je 0 2 > 2 , tada je 1 = 0 i 2 =

b) Ponavljanje jednog broja pokusa

Adekvatnost modela je odreena F-kriterijem:

- ako je 2 > 2 :

= ( , ) = ( , )

2 2
- ako je > :

= ( , ) = ( , )

Vrijednost disperzije adekvatnosti odreuje se prema izrazu:

2
2

=1 ( )
=

gdje je:
- = 1 stepen slobode koji se odnosi na disperziju adekvatnosti

=1 =1(
)

2
- 2 = varijanca greke pokusa,

- = =1( 1) = ( 1) ukupan stepen slobode

- broj ponavljanja pokusa u j-tom redu matrice, kada je isti broj ponavljanja =

72. Koji je najznaajniji kriterij za izbor matematikog modela i kako se

primjenjuje?

Najznaajniji kriterij za izbor matematikog modela je koeficijent viestruke regresije. Kada

dva ili vie modela dobro opisuju proces, odluka o najboljem modelu se donosi na osnovu
vrijednosti koeficijenta viestruke regresije. Ovaj koeficijent je dodatni pokazatelj za ocjenu
adekvatnosti modela. Ovo posebno vai kod pokusa kod kojih je rasipanje rezultata pokusa u
centralnoj taki plana razmjerno veliko ili razmjerno malo, pa se na temelju F-testa ne moe
donijeti valjana odluka o adekvatnosti modela.
a) Ponavljanje u centralnoj taki pokusa

Za ispitivanje veze izmeu zavisno promjenjivih veliina i nezavisno promjenjivih veliina

se koristi koeficijent viestruke regresije:
2

=1( )
= 1 2

)
=1(

gdje je:
- vrijednosti eksperimentalnih rezultata
- izraunate vrijednosti iz dobivenih modela

=1
- = aritmetika sredina svih eksperimentalnih rezultata

Vrijednost ovog koeficijenta se uvijek nalazi u granicama 0 1. Ako je R=1, onda

model u potpunosti opisuje rezultate eksperimenta, a ako je R=0, onda izmeu varijabli i
ne postoji nikakva meusobna povezanost. Kvadrirana vrijednost 2 odreuje kvalitetu i
pouzdanost modela. Ako je 2 = 0.965, to znai da se 96,5% varijabiliteta pripisuje
djelovanju varijable .

b) Ponavljanje jednakog broja pokusa

Koeficijent viestruke regresije se rauna prema izrazu:

2
)
=1(
= 1 2
)
=1(

gdje su:

=1
=1
- = = = aritmetika sredina vrijednosti eksperimentalnih

rezultata u j-toj taki plana pokusa, odnosno u j-tom redu matrice

=1
- = - aritmetika sredina svih eksperimentalnih rezultata pokusa

73. Kako se odreuje podruje pouzdanosti modela?

ZA PONAVLJANJE POKUSA U CENTRALNOJ TAKI PLANA:

Podruje pouzdanosti modela odredi se opim izrazom:

bi bi bi' bi bi
; i = 0,1,2,...,k ili
S0 S0
b0 t t bi' b0 t t
N N odnosno
S0 S0
bi t t bi' bi t t
N n0 N n0
; i = 0,1,2,...,k gdje su:
b0' , bi'
- nepoznati keoficijenti poetnog modela, koji aproksimira konani model, odnosno
b ' b0 b ' bi
koeficijenti aproksimiranog modela ( 0 , odnosno i kada greka mjerenja 0 )

ZA PONAVLJANJE JEDNAKOG BROJA POKUSA:

Izraunavanje podruja pouzdanosti modela:

bi bi bi' bi bi ; i = 0,1,2,...,k ili

Sy Sy
b0 t t bi' b0 t t
Nn Nn gdje je:

t t ( f y , )
- tablina vrijednost t-kriterija

74. ta je koeficijent determinacije i ta opisuje?

Koeficijent determinacije 2 odreuje kvalitetu i pouzdanost modela. Koeficijent

determinacije oznaava se sa R = r2, gdje je R pokazatelj zajednikih faktora - udjela kod dva
obiljeja X i Y koja su ukljuena u korelacijsku analizu. Npr. r = 0,32= 0,09 = R, ili npr.
r = 0,62= 0,36 = Rkoeficijent determinacije. to je korelacija manja npr. 0,3 koeficijent
determinacije je znaajno manji nego kad je korelacija vea npr. 0,6 ( R = 9%, odnosno
36% ). Ako je 2 = 0,965, to znai da se 96,5% varijabiliteta pripisuje djelovanju varijabli
Xi.

75. Koji su potrebni podaci za odreivanje adekvatnosti modela?

Podaci koji su potrebni za odreivanje adekvatnosti modela su izraunata vrijednost iz
formiranog matematikog modela, odnosno i vrijdnost koja je dobivena eksperimentalno,
odnosno . Dakle, u opem sluaju adekvatnost modela se provjerava usporedbom
eksperimentalno dobivenih vrijednosti i vrijednosti izraunatih iz modela .

76. Kakve su parcijalne ortogonalne matrice i to se s njima postie?

Primjenom nepotpunog ortogonalnog plana (NFE) mogue je smanjiti broj potrebnih pokusa
u potpunom planu prvog reda, a da se pri tome zadre svojstva ortogonalnosti i normalnosti
k
matrice plana. Rastavljanjem potpunog plana 2 na paran broj blokova pokusa n=2, n=4 ili
n=8 dobiju se parcijalni ortogonalni planovi prvog reda, tako da je broj eksperimenta taaka:

1 k
N 2
n

77. Kako se formira parcijalna matrica 2^(k-1) ?

Postupak formiranja parcijalne matrice 21 poinje s potpunim planom21, dakle, ako je
k=3, poinjemo s potpunim planom 22 . Poto je k=3, potrebna su nam 3 faktora, ali u planu
22 imamo samo 2. Stoga se uvodi smjena jedne od kolona plana 22 . Obino se odabire neki
od meusobnih interakcija glavnih faktora.

1 2 1 2
1 -1 -1 1 1
2 -1 1 -1 2
3 1 -1 -1 3
4 1 1 1 4

U ovom sluaju, smjena e biti 3 = 1 2 , mada je takoer mogla i biti 3 =-1 2 .

Novi plan koji je parcijalni faktorni plan glasi:

1 2 3
1 -1 -1 1
2 -1 1 -1
3 1 -1 -1
4 1 1 1

Odnos 3 = 1 2 predstavlja generator plana. Kontrast J=1 se dobije kada odnos pomnoimo
s 3 (jer je 3 3 = 1), gdje emo dobiti J=1=1 2 3 .

78. Koja je metodologija formiranja parcijalnog ortogonalnog plana?

Metodologija formiranja parcijalnog ortogonalnog plana sastoji se u definiranju generirajuih

odnosa, tako se za plan 23-1 mogu napisati dva mogua odnosa:
3 = 1 2 i 3 = 1 2 .
Mnoenjem sa 3 dobiva se:
3 2 = 1 2 3 .
2
Kako je 3 = 1, to je 3 = 1, te je 1 = 1 2 3 , odnosno 1 = 1 2 3 .

ova veliina se definira kao kontrast koji odreuje dvojnost efekta, odnosno njihovu
povezanost. Tako se mnoenjem prethodne jednaine s 1 dobiva:
1 = 1 2 2 3 = 2 3 ,
to znai da je utjecaj od 1 povezan s utjecajem 2 3 itd. Kontrast uvijek ima vrijednost J=1.
Takoer vai:
1 = 2 3 1 1 23
2 = 1 3 2 2 13
3 = 1 3 3 3 12.
79. Treba prikazati matricu parcijalnog plana za sluaj da je PFP: N = 2^6,
dok je NFP(parcijalni ili nepotpuni plan) N=2^(k-p), gdje je p = 3.

Poinjemo od potpunog plana eksperimenta za 3 varijable, s 23 eksperimenata:

0 1 2 3 1 2 1 3 2 3 1 2 3
1 1 -1 -1 -1 1 1 1 -1
2 1 1 -1 -1 -1 -1 1 1
3 1 -1 1 -1 -1 1 -1 1
4 1 1 1 -1 1 -1 -1 -1
5 1 -1 -1 1 1 -1 -1 1
6 1 1 -1 1 -1 1 -1 -1
7 1 -1 1 1 -1 -1 1 -1
8 1 1 1 1 1 1 1 1

U ovom sluaju imamo 3 varijable, a treba nam 6, te stoga moramo dodati 3 nove varijable.
Nove varijable postaju kolone u kojima su odnosi vie varijabli. U ovom sluaju,
stavit emo da je 4 = 1 2 , 5 = 1 3 i 6 = 2 3. Ovo su generatori plana. Pored ovih
generatora su se mogli iskoristiti i negirane vrijednosti, dakle, 4 = 1 2, 5 = 1 3 i
6 = 2 3.
Novi plan eksperimenta(samo glavne varijable) izgleda ovako:

0 1 2 3 4 5 6
1 1 -1 -1 -1 1 1 1
2 1 1 -1 -1 -1 -1 1
3 1 -1 1 -1 -1 1 -1
4 1 1 1 -1 1 -1 -1
5 1 -1 -1 1 1 -1 -1
6 1 1 -1 1 -1 1 -1
7 1 -1 1 1 -1 -1 1
8 1 1 1 1 1 1 1

Ne znam treba li ova daljnja analiza, al' neka ima ako zatreba.
Cijena voenja eksperimenta po parcijalnom planu je nemogunost razlikovanja efekata dvaju
ili vie varijabli. Naprimjer, efekat varijable 1 moe biti spojen s efektom 3 4. Stoga se
mora izvesti analiza tih veza.
Generatori gornje matrice su: 4 = 1 2 , 5 = 1 3 i 6 = 2 3. Iz njih se dobijaju
kontrasti J.
4 = 1 2 / 4
4 4 = 1 2 4

Kvadrat svake varijable je 1, dakle 4 4 = 4 2 = 1.

= 1 = 1 2 4
= 1 3 5
= 2 3 6
Poto imamo 3 generatora, moramo izvriti njihovu kombinaciju mnoenjem i tako dobiti
grupu konanih kontrasta:
= 1 2 4 = 1 3 5 = 2 3 6 = 2 3 4 5 = 1 3 4 6 = 1 2 5 6 = 4 5 6
Na osnovu kontrasta moemo odrediti koji efekti odreuju vrijednost pojedinanih
koefijenata.
Gornji plan eksperimenta s osnovnim/glavnim efektima i meusobnim vezama izgleda ovako:

0 1 2 3 4 5 6 1 2 1 3 1 4 1 5 1 6 2 3 2 4 2 5 2 6 3 4 3 5 3 6 4 5 4 6 5 6 1 2 3 1 2 4 1 2 5 1 2 6 ...
1 1 -1 -1 -1 1 1 1 1 1 -1 -1 -1 1 -1 -1 -1 -1 -1 -1 1 1 1 -1 1 1 1

kombinacije ovih 6
2 1 1 -1 -1 -1 -1 1 -1 -1 -1 -1 1 1 1 1 -1 1 1 -1 1 -1 -1 1 1 1 -1

Dalje eljene
3 1 -1 1 -1 -1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1 1

varijabli
4 1 1 1 -1 1 -1 -1 1 -1 1 -1 -1 -1 1 -1 -1 -1 1 1 -1 -1 1 -1 1 -1 -1
5 1 -1 -1 1 1 -1 -1 1 -1 -1 1 1 -1 -1 1 1 1 -1 -1 -1 -1 1 1 1 -1 -1
6 1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 -1 1 -1 -1 1 -1 1
7 1 -1 1 1 -1 -1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 -1 1 1 -1 -1 -1 1 1 -1
8 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Svaka od ovih kolona bi se trebala izraziti na osnovu kontrasta. Postupak se sastoji u mnoenju kontrasta s kolonom.
= 1 2 4 = 1 3 5 = 2 3 6 = 2 3 4 5 = 1 3 4 6 = 1 2 5 6 = 4 5 6

Npr. za 1, mnoimo konstraste = 1 = s 1 .

1 = 2 4 = 3 5 = 1 2 3 6 = 1 2 3 4 5 = 3 4 6 = 2 5 6 = 1 4 5 6

Prema ovome uz 1 bi trebao biti sljedei koeficijent:

1 1 + 24 + 35 + 1236 + 12345 + 346 + 256 + 1456

Vidimo da je on isprepleten s koeficijentima vieg reda. Tako bi se trebali prei sve kolone gornje tabele, s tim da se analizom jedne kolone,
automatski analiziraju i druge kolone. Npr., gornjom analizom za 1 smo pokrili i kolone 2 4 , 3 5 , 1 2 3 6 , 1 2 3 4 5 , 3 4 6 ,
2 5 6 , 1 4 5 6. Obino se koeficijenti koji idu uz faktore vieg reda (umnoak vie od 3 varijable) odbacuju kao vrlo mali.
80. Kada se sve uvode varijable vieg reda?

Model viega reda se koriste kada je poznato da istraivani problem nee moi biti
predstavljen linearnom funkcijom = () ili kada dobiveni linearni model ne zadovoljava
provjeru adekvatnosti, odnosno kada je potrebna vea tanost matematikog modela
istraivanog procesa. Tada se uvode varijable vieg reda suglasno stepenu zakrivljenosti
povrine funkcije reagiranja i razvija se optimalna struktura plana vieg reda.

81. ta je znaajno za faktorne planove drugog reda?

Izbor optimalnih planova pri definiranju modela drugog reda znatno je sloeniji nego kod
linearnih modela. Ovi planovi ne odgovaraju vanim kriterijima optimalnosti. Ako se ispuni
uvjet ortogonalnosti kod planova drugog reda se istovremeno naruavaju naela normalnosti i
rotatabilnosti. Za planove drugog reda kriterij rotatabilnosti je vie znaajan jer doputa
minimiziranje sistemske greke koja je vezana za neadekvatno predstavljanje rezultata
eksperimenta modelima drugog reda.
Ipak, u svakom konkretnom sluaju treba uzeti u obzir stvarne uvjete procesa i na osnovu njih
definirati kriterij optimalnosti i izabrati odgovarajui plan pokusa.

82. Kako izgleda matrica i model drugoga reda za k=2?

1 2 1 2 1 2 2 2
1 -1 -1 1 1 1 1
2 1 -1 -1 1 1 2
3 -1 1 -1 1 1 3
4 1 1 1 1 1 4
5 0 0 2 0 5
6 - 0 0 2 0 6
7 0 0 0 2 7
8 0 - 0 0 2 8
9 0 0 0 0 0 9
83. Kakva je povezanost izmeu planova i modela prvog i drugog reda?

Modeli drugog reda sadre bazni 2k dio eksperimetnta koji se koristi i kod linearnog modela,
ali s tim da se na osnovni dio plana dodaju nove take koje su simetrino postavljenje oko
centra eksperimenta.
Izmeu planova prvog i drugog reda postoji odreena veza, koja se moe iskazati injenicom
da se planovi drugog reda nadograuju na planove prvog reda, tako da se ve postojei skup
taaka iz plana prvog reda koristi u planu drugog reda. Dakle, ako matematiki model prvog
reda od 2k ne zadovoljava, koriste se dodatni pokusi na novim nivoima koji e se iskoristiti za
izraunavanje utjecaja drugog reda.

84. Obrazloiti ukupan broj pokusa N = ? za rotatabilni plan koji ma k = 3

varijable.

Rotatabilni plan sadri bazni dio plana 2 , simetrino postavljene take = 2 i take
ponavljanja u centru plana 0 . Vrijednost broja ponavljanja u centralnoj taki eksperimenta
0 se isitava iz tabele parametara za rotatabilne planove. Za k=3, 0 moe imati vrijednost
6 ili 9. Dakle, ukupan broj pokusa N za rotabilni plan s k=3 varijable iznosi:
= 2 + + 0 = 2 + 2 + 0 = 23 + 2 3 + 0

Za 0 = 6, = + + = , dok je za 0 = 9, broj taaka iznosi: = + + = .

85. Koja je osnovna osobina modeliranja pomou centralnog

kompozicijskog plana?

Osnovna osobina modeliranja pomou centralnog kompozicijskog plana je to faktori imaju

samo dva nivoa, tako da se lako nastavljaju na linearni model. Ukupan je broj potrebnih
pokusa = 2 + 2 + 0 . Dakle, za k=2 faktora plan ima = 2 + 2 + 0 pokusa i za
0 = 1 podudara se potpunim faktornim planom = 32 s jednom centralnom takom. Svi
ovi planovi imaju osnovu plana 2k, osim za k=5, gdje je osnova plana polublok 25, tj. plan se
dobiva iz 24 uz dodavanje stupaca 5 = 1 2 3 4 .
86. Prikazati geometrijsku interpretaciju centralnog kompozicijskog plana?

Ovo je geometrijski prikaz centralnog kompozicijskog plana drugog reda za k=2 faktora.

87. Prikazati matricu centralnog kompozicijskog plana drugog reda, ako je

Yj = Yj(X1,X2).

Ako je N= 2k+2k+n0; sljedi da je N=9, jer je k=2, a n0=1.

Nj X0 X1 X2 X1X2 X12 X22 yj

1 1 1 1 1 1 1 y1

2 1 -1 1 -1 1 1 y2

3 1 1 -1 -1 1 1 y3

4 1 -1 -1 1 1 1 y4

5 1 0 0 2 0 y5

6 1 - 0 0 2 0 y6

7 1 0 0 0 2 y7

8 1 0 - 0 0 2 y8

9 1 0 0 0 0 0 y9
88. Prikazati matricu centralnog kompozicijskog plana za k=3 i n0 = 1.

Budui da je N= 2k+2k+n0 , N=15

Nj X0 X1 X2 X3 X1X2 X1X3 X2X3 X12 X22 X32 yj

1 1 1 1 1 1 1 1 1 1 1 y1
2 1 -1 1 1 -1 -1 1 1 1 1 y2
3 1 1 -1 1 -1 1 -1 1 1 1 y3
4 1 -1 -1 1 1 -1 -1 1 1 1 y4
5 1 1 1 -1 1 -1 -1 1 1 1 y5
6 1 -1 1 -1 -1 1 -1 1 1 1 y6
7 1 1 -1 -1 -1 -1 1 1 1 1 y7
8 1 -1 -1 -1 1 1 1 1 1 1 y8
9 1 0 0 0 0 0 2
0 0 y9
10 1 - 0 0 0 0 0 2 0 0 Y10
11 1 0 0 0 0 0 0 2 0 Y11
12 1 0 - 0 0 0 0 0 2 0 Y12
13 1 0 0 0 0 0 0 0 2 Y13
14 1 0 0 - 0 0 0 0 0 2 Y14
15 1 0 0 0 0 0 0 0 0 0 Y15

Prikazana matrica plana nije ortogonalna, jer je:

N N

X0j Xij2 0 Xij2 Xmj

2
0 ( < , , = 1,2, , )
j=1 j=1

Str 123

89. ta znai veliina u centralnom kompozicijskom planu modeliranja?

Veliina , u centralnom kompozicijskom planu modeliranja, znai simetrine take. Kod tih
taaka su u tablicama nulte take, zbog matrice, kada se pomou i 2 matrica proiruje. Kod
interakcija nema (kod npr. X1X2 u tablici), ali se 2 javlja kod kvadrata (npr. X12).

90. ta je rotatabilni plan modeliranja i ta mu je bazni dio plana?

Rotatabilni plan je specijalni oblik centralnog kompozicijskog plana koji se vrlo esto
primjenjuje u modeliranju i adaptivnom upravljanju u procesima s vie varijabli.
Ovi planovi pored aplikativnih osobina imaju i svojstva optimalnosti, tako da su pogodni za
optimizaciju obradnih procesa, sistema, alata, itd.

Ovaj plan, kao i centralni kompozicijski plan, sadri bazni dio plana 2 , simetrino
postavljene take oko centra plana i take ponavljanja 0 u centru plana.
91. ime su odreeni rotatabilni planovi?

Rotatabilni planovi matematiki su odreeni sljedeim vrijednostima:

Uvjet rotatabilnosti:
4 = 33

odnosno:

2 2
3 = = 2
=1

4
4 = = 2 + 2 2
=1

2 + 2 2 = 3(2 ),

= ili =

Iz uvjeta rotatabilnosti dobijaju se koordinate toaka na centralnim osama.

92. ta je polazite (od ega se polazi) kod rotatabilnih planova za

odreivanje veliina: , p, N i n0?

Ukupan broj pokusa N i n0 ovisi o broju varijabli k, veliine i veliine p, (p=0,1,2).

Broj pokusa iznosi: = 2 + 2 + 0 = + + 0
Parametar p odreuje da li radimo s potpunim ili parcijalnim faktornim planom.
Parametar se odreuje iz jednakosti:
=
Za lake pronalaenje vrijednosti N, n0 i koristi se tabela u kojoj za odreenu vrijednost k i
p se moe nai pripadajua vrijednost N, n0 i , kao i parametara 4 i koji slue za izraun
koeficijanata modela regresije 0 , , , .
93. Prikazati grafik i matricu rotatabilnog plana za k=2 i n0 = 1.

Ne postoji rotatabilni plan za k = 2 i n0=1, stoga dajem grafik i matricu rotatabilnog plana za
k = 2 i n0=5. Ukupan broj pokusa: = 2 + 2 + 0 = + + 0 = 4 + 4 + 5 = 13

1 Matrica eksperimenta

1 1 -1 -1 1 1 1
2 1 1 -1 1 1 -1
3 1 -1 1 1 1 -1
4 1 1 1 1 1 1
5 1 0 0 0 0 0
6 1 0 0 0 0 0
7 1 0 0 0 0 0
8 1 0 0 0 0 0
9 1 0 0 0 0 0
10 1 1.414 0 2.0 0 0
11 1 -1.414 0 2.0 0 0
12 1 0 1.414 0 2.0 0
13 1 0 -1.414 0 2.0 0

1 Grafik plana
94. Koja je glavna razlika u odreivanju koeficijenata polinoma
rotatabilnog plana i ostalih planova modeliranja?

Odreivanjem koeficijenata modela dobiva se podatak o utjecaju parametara Xi na izlaznu

veinu Y razmatranog procesa.

Kod ortogonalnih viefaktornih planova dobije se dijagonalna matrica gdje su svi regresijski
koeficienti nezavisni jedan od drugoga.

Za odreivanje koeficienta modela regresije koristimo sljedee izraze:

b 0 = a 1 N k N 2
j=1 Yj + a 2 i=1 j=1 X ij Yj

b i = a 3 N
j=1 X ij Yj , i=1,2,3,...

bim = a4 N
j=1 X ij X mj Yj , 1 i < m k

bii = a5 N 2 k N 2 N
j=1 X ij Yj + a 6 i=1 j=1 X ij Yj + a 7 j=1 Yj i=1,2,3,...

Jedna od razlika je parametar ai koji ovisi o broju variabli k i broju ponavljanja pokusa n0

95. Grafiki prikazati rotatabilni plan za varijable X1 i X2.

96. Kako se provjerava signifikantnost koeficijenata bi bim bii

matematikog modela rotatabilnog plana?
Provjera signifikantnosti koeficijenata bi, bim, bii se vri prema t-kriteriju Studenta.
Izraunavaju se greke u ocjeni koeficjenata i, , te se provjerava da li koeficijenti
pripadaju podruju pouzdanosti:
+

Dakle, koeficijent je signifikantan ako je zadovoljen uvjet:

| | = (,)

odnosno:
|0 | 0 = (,) 11
| | = (,) 12 = 1,2,3, ,
| | = (,) 13 1 <
| | = (,) 14

gdje je:
= 0 priblina vrijednost greke pokusa,

, dijagonalni i nedijagonalni elementi korelacijske matrice ili matrice greaka

()1, koji se odrede iz tablice 4.18, tablice parametara za rotatabilne planove

tt - tablina vrijednost t-kriterija Studenta

97. Kako se provjerava adekvatnost matematikog modela rotatabilnog

plana?

Adekvatnost matematikog modela prema F- kriteriju Fishera odreena je uvjetom:

= (, ) = (, ).

Za ocjenu adekvatnosti uzima se prema prethodnom izrazu vea izraunata vrijednost Fa.

Vrijednost Ft(fa, fo) odredi se iz tablice F kriterija za stupnjeve sobode fa i fo ili fo i fa.

Disperzija 2 odredi se prema izrazu:

2

=1( ) =1(
)
2 =

Stupanj slobode se u ovom sluaju odredi prema:

fa= N 0,5 (k+2) (k+1) f0 (Fornula 4.155)

Vrijednost fa moe se odrediti i prema izrazu:

 fa = N - f0 - k, (Formula 4.156)

gdje je: k - broj signifikantnih koeficijenata dobivenog modela, odnosno broj

koeficijenata u modelu po kojem se izraunava vrijednost .

Dakako, obino su vrijednosti fa izraunate prema izrazima (4.155) i (4.156) razliite.

98. Kako se ispituje adekvatnost matematikog modela (prikazati mogua

rjeenja)?

Za ispitivanje adekvatnosti matematikog modela potrebno je izvesti disperzijsku analizu, to

zahtijeva ponavljanje pokusa mjerenja u pojedinim takama plana. Ponavljanje se pokusa
izvodi po odreenom sistemu, tako da moe biti:

Ponavljanje pokusa samo u centralnoj taki ortogonalnog plana (n0),

[Opirnije-Strana 93.u knjizi]
Ponavljanje jednakog broja pokusa u svakoj taki ortogonalnog plana
(n1 = n2 = n2 = ... = nN)
[Opirnije-Strana 97.u knjizi]
Ponavljanje razliitog broja pokusa (n1 n2 n3 ... nN) u takama ortogonalnog plana

99. Kada i gdje se koriste rotatabilni matematiki planovi drugog reda?

Rotatabilni plan je specijalni oblik centralnog kompozicijskog plana koji se vrlo esto
primjenjuje u modeliranju i adaptivnom upravljanju u procesima s vie varijabli. Ovi planovi
pored aplikativnih osobina imaju i svojstva optimalnosti, tako da su pogodni za optimizaciju
obradnih procesa, sistema, alata, itd.

100. Na emu se zasniva teorija dimenzionalnosti?

Teorija dimenzionalnosti se zasnima na Buckinghamovoj teoremi, gdje svaka jednaina koja

opisuje neko fizikalno stanje mora biti dimenzionalno homogena, tako da se on za jednu
pojavu moe napisati u obliku:

f (P, R, X, Y) = 0,

odnosno pomou model polinomskog tipa:

= 1 = 1 1 1 1 + C2 2 2 2 +

101. Koji je postupak odreivanja dimenzionalnih grupa?

Dimenzionalna homogenost za prvi lan ima oblik:

P = C .

Ako je broj jednadbi vei ili jednak broju nepoznatih eksponenata dobiju se rjeenja:
 a = , b = , g = ,

odnosno P = C .

Meutim, ako je broj nepoznatih eksponenata vei od broja jednadbi, tada se dvije nepoznate
izraze treom:

a = 1+1 g, b = 2+2 g,

te je P = C 1+1 2+2 .

102. Kako se odreuju bezdimenzionalne grupe kod modeliranja

primjenom teorije dimenzionalnosti (postupak procedura)?

1. Sastavi se pregled svih utjecajnih parametara (x1, x2, ..., xn) na proces ili sistem. Ako se
ukljue parametri koji nemaju utjecaj na proces dimenzionalna analiza e pokazati da oni ne
spadaju ni u jednu niti u vie dimenzionalnih grupa ili e eksperiment pokazati da su
parametri sluajni. Neka su parametri: F, v, , V, , tj. n=5.

2. Izabere se odnovni mjerni sistem fizikalnih veliina: M (masa), L (duina), i T (vrijeme).

Tako e biti:

za brzinu v== = 1 [ 1 ],

za silu F= = ML 2 [kgm 2 ],
2

za volumen V = LLL = 3 [3 ],

za gustou = 3 [3 ], itd.

3. Izvri se izbor dimenzija nezavisnih parametara, npr. sila F ( 2 ), brzina v ( 1 ),

naprezanje ( 1 2 ), volumen V ( 3 ), gustoa ( 3 ).

4. Izaberu se ponavljajui parametri m = 3, tako da ovaj broj mora biti jednak broju dimenzija
r, koji izmeu sebe ne mogu dati dimenzionalnu grupu, npr. F, , V.

5. Odredi se broj bezdimenzionalnih grupa n m = 2 i postavi se dimenzionalna jednaina

kombiniranjem parametara izabranih u etvrtom koraku.

6. Provjeri se je li svaka dobivena grupa bezdimenzionalna.

103. Koji su osnovni mjerni sistemi fizikalnih veliina koji se koriste u

dimenzionalnom modeliranju?

Osnovni mjerni sistemi fizikalnih veliina koji se koriste u dimenzionalnom modeliranju su :

M (masa), L (duina) i T (vrijeme) pa je :

 v
s
t

L
T

LT 1 ms 1
za brizinu ,

F
ML
T 2

MLT 2 kgms2 ,
za silu

za volumen
V LLL L3 ms 3 ,

za gustou ML1 ms 3 itd.

104. Prikazati strukturnu vezu ulaznih i izlaznih veliina kod

dimenzionalnog modeliranja.

Plastino teenje metala u procesu valjanja ovisi od niza utjecajnih faktora, to se pomou
pokazatelja irenja Kbfmoe predstaviti strukturnom vezom ulazno izlaznih veliina, pri
emu je:
Kbf =f ( P1, P2, P3, ..., Pn), odnosno
Kbf =f ( d, h1, l, D (R), h, , s, v1, T, , m, S, i j).
 d

Proces deformiranja
h1

l
D (R)

h

s Kb
v1

m
S
Ij

Povratna veza

Slika: Strukturna veza ulazno izlaznih veliina

Promjer obratka d, izlazna debljina valjanog komada h1, kontaktna duina l, promjer valjaka
D idreuju zonu deformacije. Mehanike karakteristike m i kemijski sastav S definiraju
osnovni materijal, dok apsolutna deformacija h, relativni stupanj deformacije , srednja
brzina deformacije s, brzina valjanja v1 i temperatura T odreuju termomehanike faktore
koji detaljnije opisuju tehnoloki proces plastine obrade. Parametri i i j odreuju stanje na
kontaktnoj povrini i napregnuto stanje u radnoj zoni obratka.

105. ta je rang matrice r =? kod dimenzionalnog modeliranja?

Rang matrice r je minimalni broj varijabli ijim se jedinicama mogu izraziti jedinice svih n
varijabli, odnosno r je najvei broj dimenzionalnih varijabli od n koje izmeu sebe ne mogu
dati dimenzionalne grupe.
Kod primjera matematikog modela procesa plastinog teenja, rang matrice je dimenzije
r=2, tako da je broj nezavisnih grupa m=n-r=9-2=7.

106. Prikazati primjer odreivanja bezdimenzionalnih grupa i kako se

odreuju eksponenti ovih grupa.

Faktorski pokazatelj plastinog teenja: = (, , , 1 , , 1 , 2, 3 , ).

1
= =

= .
Pokazatelj plastinog teenja:

= 1 1 2 3
1
Osnovne fizikalne veliine za masu M, duinu L i vrijeme T odreuju jedinicu brzine valjanja
v(LT1), brzinu deformacije ( 1 ) i komponenti glavnih naprezanja (1 2 ).
Imajui u vidu Buckinghamov teorem da se svaka dimenzionalna homogena funkcija od n-
dimenzionalnih varijabli moe iskazati preko (n-r) bezdimenzionalnih grupa mogue je
postaviti dimenzionalnu matricu homogenog sistema jednadbi:

ai ei gi fi ii mi pi si ui
d D v1 1 2 3
M 0 0 0 0 0 1 1 1 1
L 1 1 1 1 0 -1 -1 -1 -1
T 0 0 0 -1 -1 -2 -2 -2 -2

Rang matrice: r=2

Broj nezavisnih grupa: m=n-r=9-2=7.
Homogeni sistem linearnih jednadbi:
Za + + + = 0.
Za + + + = 0.
Za 2 2 2 2 = 0.
Za
= , slijedi = , odnosno =
te je
= = +
tako je:

= + 1 1 2 3
1

3
= ( ) ( ) ( ) ( ) ( )
1 2 1
1
Koeficijenti , , , , , odreuju se analitikim putem iz eksperimentalnih rezultata.