Plánování experimentu

Podobné dokumenty
SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík

Plánování experimentu

Lineární regrese. Komentované řešení pomocí MS Excel

Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015

Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie

ANOVA. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie

Kalibrace a limity její přesnosti

Popisná statistika. Komentované řešení pomocí MS Excel

KALIBRACE A LIMITY JEJÍ PŘESNOSTI. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství

Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti

Kalibrace a limity její přesnosti

Univerzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba lineárních regresních modelů. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.

INDUKTIVNÍ STATISTIKA

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Korelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza

Korelace. Komentované řešení pomocí MS Excel

MÍRY ZÁVISLOSTI (KORELACE A REGRESE)

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice

Regresní analýza 1. Regresní analýza

UNIVERZITA PARDUBICE FAKULTA CHEMICKO-TECHNOLOGICKÁ

TVORBA LINEÁRNÍCH REGRESNÍCH MODELŮ PŘI ANALÝZE DAT. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie

Regrese. používáme tehdy, jestliže je vysvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie

Analýza rozptylu ANOVA

Sever Jih Západ Plechovka Točené Sever Jih Západ Součty Plechovka Točené Součty

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice

LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica

S E M E S T R Á L N Í

Semestrální práce. 3.3 Tvorba nelineárních regresních modelů v analýze dat

KALIBRACE A LIMITY JEJÍ PŘESNOSTI 2015

Parametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =

PRAVDĚPODOBNOST A STATISTIKA

Semestrální práce. 2. semestr

Tvorba nelineárních regresních modelů v analýze dat

Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie

Kalibrace a limity její přesnosti

PRAVDĚPODOBNOST A STATISTIKA

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM

POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica

KORELACE. Komentované řešení pomocí programu Statistica

Cvičící Kuba Kubina Kubinčák Body u závěrečného testu

6. Lineární regresní modely

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

UNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE

vzorek vzorek

Design of Experiment (DOE) Petr Misák. Brno 2017

Neuronové časové řady (ANN-TS)

6. Lineární regresní modely

Cvičení 12: Binární logistická regrese

Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Kalibrace a limity její přesnosti

Měření součinitele smykového tření dynamickou metodou

Statistická analýza jednorozměrných dat

UNIVERZITA PARDUBICE

DVOUVÝBĚROVÉ A PÁROVÉ TESTY Komentované řešení pomocí programu Statistica

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

4EK211 Základy ekonometrie

PYTHAGORAS Statistické zpracování experimentálních dat

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Neparametrické metody

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina

Tabulka 1. Výběr z datové tabulky

Příloha č. 1 Grafy a protokoly výstupy z adstatu

Dvouvýběrové a párové testy. Komentované řešení pomocí MS Excel

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

, Brno Hanuš Vavrčík Základy statistiky ve vědě

Měření zrychlení volného pádu

RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.

Tvorba modelu sorpce a desorpce 85 Sr na krystalických horninách za dynamických podmínek metodou nelineární regrese

Jarqueův a Beryho test normality (Jarque-Bera Test, JB test)

Zhodnocení dopadů inovace na studijní výsledky

Inovace bakalářského studijního oboru Aplikovaná chemie

STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá

Regrese. 28. listopadu Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly:

Tvorba nelineárních regresních

3.5 Ověření frekvenční závislosti kapacitance a induktance

Kalibrace a limity její přesnosti

Návrh a vyhodnocení experimentu

ÚLOHA 1. EXPONENCIÁLNÍ MODEL...2 ÚLOHA 2. MOCNINNÝ MODEL...7

Vzorová prezentace do předmětu Statistika

Téma 9: Vícenásobná regrese

Protokol č. 1. Tloušťková struktura. Zadání:

Univerzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba nelineárních regresních modelů v analýze dat. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.

Způsobilost systému měření podle normy ČSN ISO doc. Ing. Eva Jarošová, CSc.

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1

Univerzita Pardubice

Cvičení 9 dekompozice časových řad a ARMA procesy

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE

Plánované experimenty - Návrh

Navrhování experimentů a jejich analýza. Eva Jarošová

Ilustrační příklad odhadu LRM v SW Gretl

Úvod do analýzy rozptylu

SOFTWARE STAT1 A R. Literatura 4. kontrolní skupině (viz obr. 4). Proto budeme testovat shodu středních hodnot µ 1 = µ 2 proti alternativní

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI

Transkript:

SEMESTRÁLNÍ PRÁCE Plánování experimentu 05/06 Ing. Petr Eliáš

1. NÁVRH NOVÉHO VALIVÉHO LOŽISKA 1.1 Zadání Při návrhu nového valivého ložiska se v prvotní fázi uvažovalo pouze o změně designu věnečku (parametr x 3 ). Jako pomocné faktory ovlivňující životnost ložiska (hodnota y) byla zvolena konstrukce vnějšího prstence (parametr x ) a tepelné zpracování vnitřního prstence (parametr x 1 ). Při zkouškách bylo použito techniky plánovaného experimentu, pro každou sérii proměnných bylo provedeno 1 měření. Každý z faktorů byl použit při úrovních, pro jednoduchost označených kódem -1 (starý) a 1 (nový). Předložená data vyhodnoťte s použitím libovolného softwaru. 1. Data Tepelné zpracování Konstrukce vnitřního prstence vnějšího prstence Design věnečku Životnost x 1 x x 3 y 1 1 1 18 1 1-1 85 1-1 1 16 1-1 -1 6-1 1 1 1-1 1-1 5-1 -1 1 19-1 -1-1 17 Soubor s daty: Planovani_experimentu_vypocty.xls Použitý software: MS Excel 03 1

1.3 Řešení 1.3.1 Manuální výpočet Prve je potřeba do tabulky faktorů doplnit sloupce popisující jejich jednotlivé interakce. Pokud jednotlivé faktory nabývají hodnot stejného znaménka, interakce bude +1, pokud je u jednoho z faktorů znaménko záporné, interakce bude -1. Vše je patrno z tab. I. Tab I Struktura faktorů a jejich interakcí x 1 x x 3 x 1.x x 1.x 3 x.x 3 y 1 1 1 1 1 1 18 1 1-1 1-1 -1 85 1-1 1-1 1-1 16 1-1 -1-1 -1 1 6-1 1 1-1 -1 1 1-1 1-1 -1 1-1 5-1 -1 1 1-1 -1 19-1 -1-1 1 1 1 17 Následně se spočtou efekty jednotlivých faktorů a interakce. Níže jsou uvedeny vzorové výpočty pro efekty faktoru x 1 a x, analogicky jsou vypočítány i efekty ostatních faktorů a interakce. Výsledky jsou shrnuty v tabulce. efekt x 1 efekt x 1 18 + 1 85 + 1 16 + 1 6 1 1 1 5 1 19 1 17 = 8 1 18 + 1 85 1 16 1 6 + 1 1 + 1 5 1 19 1 17 = 8 Tab. II Efekty faktorů a interakce Efekty Interakce x 1 x x 3 x 1.x x 1.x 3 x.x 3 1,65,65 3,875,15 4,375 5,875 Efekty hlavních faktorů vyneseme do grafu (obr. 1). Je patrné, že efekt faktoru x 3 závisí na úrovních faktorů x 1 a x. Z důvodu přehlednosti je záměrně proveden posun graf. vyjádření efektů x a x 3 ve směru kladné poloosy x.

140 1 první druhý třetí 100 80 60 40 0 - -1 0 1 3 4 5 Obr. 1 Hlavní efekty Obdobně lze graficky vyjádřit i interakce (obr., 3, 4, 5). U grafu párových interakcí je stejně jako u grafu hlavních efektů proveden z důvodu přehlednosti posun jednotlivých řad ve směru kladné poloosy x. 30 dolní horní 5 15 10 5 0-1,0-0,5 0,0 0,5 1,0 Obr. Graf interakce 1-3

18 16 dolní horní 14 1 10 8 6 4-1,0-0,5 0,0 0,5 1,0 Obr. 3 Graf interakce 1-3 18 dolní horní 16 14 1 10 8 6 4-1,0-0,5 0,0 0,5 1,0 Obr. 4 Graf interakce -3 4

65 60 55 první/druhý první/třetí druhý/třetí 50 45 40 35 30 5-1 0 1 3 4 5 Obr. 5 Párové interakce Za předpokladu aditivity jednotlivých efektů a interakcí představují jejich spočtené hodnoty koeficienty regresního modelu. Absolutní člen je průměrem ze všech pozorování. Model má tedy tvar: y = 4,15 + 1,65.x + + + + + 1,65.x 3,875.x 3,15.x 1.x 4,375.x1.x 3 5,875.x. x 3 Na základě těchto informací lze spočíst predikované hodnoty životnosti ložiska a srovnat je s experimentálně naměřenými. Tab. III Experimentální a vypočtená životnost ložiska (všechny parametry) y naměřené 18,000 85,000 16,000 6,000 1,000 5,000 19,000 17,000 y predikované 1,65 9,375 3,375 18,65 8,375 17,65 11,65 4,375 Z obr. 6 je patrná relativně dobrá shoda experimentálních a vypočtených hodnot životnosti ložiska. Model jako celek se jeví významný. K ověření významnosti jednotlivých členů použijeme polonormální graf (obr. 7). Absolutní hodnoty spočtených efektů a interakcí seřadíme vzestupně, spočteme podle rovnice 0,5 i P i = 0,5 +, N + 1 kde P i je kvantil polonormálního rozdělení i je pořadí členu podle absolutní hodnoty N je počet členů v modelu kvantily polonormálního rozdělení a vše (viz tab. IV) vyneseme do grafu. 5

140 1 y = 0,9639x + 1,5198 R = 0,9639 100 Predikce 80 60 40 0 0 40 60 80 100 1 140 Experiment Obr. 6 Experiment. životnosti vs. predikované hodnoty (všechny parametry) Tab. IV Data pro polonormální graf Pořadí Proměnná Hodnota Kvantil polonorm. rozdělení 1 C 3,875 0,563 AC 4,375 0,65 3 BC 5,875 0,688 4 AB,15 0,750 5 A 1,65 0,813 6 B,65 0,875 7 Abs. člen 4,15 0,938 Z polonormálního grafu (obr. 7) je patrné, že v modelu má význam absolutní člen, parametry x 1, x a rovněž jejich interakce x 1.x. V tab. V a obr. 8 jsou shrnuty výsledky výpočtu životnosti ložiska pomocí modelu obsahujícího jen významné členy (analogie tab. III a obr. 6), který má tvar: y = 4,15 + 1,65.x + 1 +,65.x,15.x 1. x 6

50 45 Abs. člen 40 Abs. hodnota parametru 35 30 5 15 x 1.x x 1 x 10 5 x 3 x 1.x 3 x.x 3 0 0,500 0,65 0,750 0,875 1,000 Kvantil polonormálního rozdělení Obr. 7 Polonormální graf Tab. V Experimentální a vypočtená životnost ložiska (významné parametry) y naměřené 18,000 85,000 16,000 6,000 1,000 5,000 19,000 17,000 y predikované 106,500 106,500 1,000 1,000 3,000 3,000 18,000 18,000 140 1 y = 0,9184x + 3,4386 R = 0,9184 100 Predikcee 80 60 40 0 0 40 60 80 100 1 140 Experiment Obr. 8 Experiment. životnosti vs. predikované hodnoty (významné parametry) 7

Srovnáním obrázků 6 a 8 docházíme k závěru, že predikční schopnost modelu zůstává i po odstranění nevýznamných členů dobrá, čímž se potvrzují informace plynoucí z polonormálního grafu. 1.3. Automatický výpočet Pro srovnání byl proveden výpočet s pomocí MS Excel (doplněk Analýza dat), a to jak pro model se všemi parametry, tak i pro model po odstranění parametrů indikovaných polonormálním grafem jako nevýznamné (redukovaný model). 1.3..1 Automatický výpočet pro model se všemi parametry Výpočet byl proveden na hladině významnosti 0,05. Tab. VI Automatický výpočet MS Excel pro model se všemi parametry Regresní statistika Násobné R 0,98 Hodnota spolehlivosti R 0,964 Nastavená hodnota spolehlivosti R 0,747 Chyba stř. hodnoty,860 Pozorování 8 ANOVA Rozdíl SS MS F Význam. F Regrese 6 1165,750 1937,65 4,453 0,348 Rezidua 1 435,15 435,15 Celkem 7 160,875 Parametry regrese Parametr Koeficienty Chyba stř. h. t stat Hodnota P Hranice 4,15 7,375 5,71 0,110 x 1 1,65 7,375,93 0,9 x,65 7,375 3,068 0,1 x 3 3,875 7,375 0,55 0,69 x 1.x,15 7,375,79 0,4 x 1.x 3 4,375 7,375 0,593 0,659 x.x 3 5,875 7,375 0,797 0,57 Hodnoty parametrů regrese spočtené pomocí zvoleného softwaru i ty získané manuálním výpočtem se shodují. V automatickém výstupu je možno si povšimnout, že na základě výsledků statistického testování se model jako celek jeví statisticky nevýznamný (viz hodnota významnost F ), rovněž žádný z parametrů regrese není statisticky významný (viz hodnoty P > 0,05). 8

1.3.. Automatický výpočet pro redukovaný model Výpočet byl proveden na hladině významnosti 0,05. Tab. VII Automatický výpočet MS Excel pro redukovaný model Regresní statistika Násobné R 0,958 Hodnota spolehlivosti R 0,918 Nastavená hodnota spolehlivosti R 0,857 Chyba stř. hodnoty 15,688 Pozorování 8 ANOVA Rozdíl SS MS F Význam. F Regrese 3 11076,375 369,15 15,001 0,01 Rezidua 4 984,500 46,15 Celkem 7 160,875 Parametry regrese Parametr Koeficienty Chyba stř. h. t stat Hodnota P Hranice 4,15 5,547 7,595 0,00 x 1 1,65 5,547 3,899 0,018 x,65 5,547 4,079 0,015 x 1.x,15 5,547 3,68 0,0 Redukovaný model se na základě výsledků statistického testování jeví jako celek statisticky významný (viz významnost F ), stejně jako všechny jeho parametry (hodnoty P < 0,05). 1.4 Závěr Analýzou předložených dat bylo zjištěno, že na životnost valivého ložiska mají největší vliv parametry x 1 (tepelné zpracování vnitřního prstence) a x (konstrukce vnějšího prstence). Pro posuzovaný projekt to znamená změnu všech parametrů stávajícího ložiska. 9