Лабораторная работа: принципы и методы отбора образцов, проб и выборок при исследовании свойств текстильных материалов

Лабораторная работа №1

 

Отбор образцов, проб и выборок для исследования свойств текстильных материалов, методы оценки неровности текстильных материалов

Цель работы

1.Изучить принципы и методы отбора образцов, проб и выборок при исследовании свойств текстильных материалов.

2.Изучить способы вычисления основных статистических характеристик.

Содержание работы

1.Изучить принципы отбора образцов, проб и выборок. Основные понятия и определения.

2.Результаты исследования свойств текстильных материалов.

3.Расчет статистических характеристик результатов измерений классическим способом.

4.Расчет статистических характеристик упрощенными способами.

5.Анализ результатов работы, формулировка выводов.

Пособия и инструменты: образцы текстильных материалов, микрокалькулятор.

Общие сведения

Контроль качества продукции осуществляют сплошным и выборочным способами. В легкой промышленности и бытовом обслуживании наиболее часто применяется выборочный контроль качества продукции. При этом партию продукции рассматривают как генеральную совокупность единиц любой продукции, а ее исследуемую часть называют одинаково – выборкой.

Чтобы выборка отражала свойства партии продукции и позволяла прогнозировать их, выборку необходимо отбирать по определенным правилам.

Объем выборки определяется неравномерностью продукции и величиной доверительных границ или интервала, в пределах которых должно находиться искомое значение показателя свойств всей партии продукции. Чем больше неравномерность материала (неоднородность) и чем больше задаваемая величина доверительного интервала, тем большим должен быть объем выборки. По возможности объем выборки принимают минимальным для ускорения испытаний. Выборочные значения характеристик распределения вероятностей в генеральной совокупности называют оценками или статистиками. К основным статистикам относятся среднее, дисперсия, среднеквадратическое отклонение, коэффициент вариации.

Выборочной совокупностью или просто выборкой называют совокупность случайно отобранных объектов.

Генеральной совокупностью называют совокупность объектов, из которых производится выборка.

Образец – часть объекта испытания, который непосредственно подвергается испытанию.

Методы отбора проб:

На практике применяются различные методы отбора проб. Принципиально их можно подразделить на два вида:

1. Отбор, не требующий расчленения генеральной совокупности на части:

а) простой случайный бесповторный отбор;

б) простой случайный повторный отбор.

2. Отбор, при котором генеральная совокупность разбивается на части:

а) типический отбор;

б) механический отбор;

в) серийный отбор.

Простым случайным называют такой отбор, при котором объекты извлекают по одному из всей генеральной совокупности.

Типическим называют отбор, при котором объекты отбираются не из всей генеральной совокупности, а из каждой ее «типической» части.

Механическим называют отбор, при котором генеральную совокупность «механически» делят на столько групп, сколько объектов должно войти в выборку, а из каждой группы отбирают один объект.

Серийным называют отбор, при котором объекты отбирают из генеральной совокупности не по одному, а «сериями», которые подвергаются сплошному обследованию.

Подчеркнем, что на практике часто применяется комбинированный отбор, при котором сочетаются указанные выше способы.

Выполнение работы

1. Результаты измерений испытания данной выборки и результаты расчета статистик, заносятся в табл. 1.

Таблица 1

п.п.

Первичные результаты измерений Xi, г/м² Отклонение первичного результата от среднего (Xi- X)

Квадратическое отклонение (Хi – Х)2

1 552,8 6,7 44,89
2 548,7 2,6 6,76
3 537,3 -8,8 77,44
4 545,0 -1,1 1,21
5 542,4 -3,7 13,69
6 550,2 4,1 16,81

∑Xi

(Xi-X)

∑(Xi-X)2

3276,4 -0,2 160,8

2. Обрабатывает полученные результаты классическим способом.

2.1. Средний результат наблюдаемого признака определяют по формуле:

2.2. Отклонение каждого наблюдения в опыте от среднего:

2.3. Определяут дисперсию теоретического распределения:

  

2.4. Выборочное среднеквадратическое отклонение определяют по формуле:

 

3.5. Выборочное значение коэффициента вариации СВ (%), являющейся мерой относительной изменчивости наблюдаемой случайной величины, вычисляют по формуле:

При большом числе испытаний используют упрощенные способы вычислений статистик (произведений, сумм).


3. Вычисление статистических характеристик способом произведений.

Результаты измерений толщины кожи в мм:

1.23 1.23 1.28 1.26
1.22 1.25 1.24 1.24
1.26 1.24 1.21 1.22
1.20 1.25 1.23 1.25
1.21 1.27 1.25 1.21
1.25 1.24 1.24 1.27
1.28 1.22 1.20 1.24
1.24 1.23 1.24 1.26
1.26 1.24 1.27 1.24
1.24 1.26 1.25 1.24

При числе испытаний n=40 применяем упрощённый способ подсчёта среднего арифметического, среднего арифметического отклонения и коэффициента вариации, результаты первичных наблюдений разбиваем на разряды с определённым интервалом и определяем частоту встречаемости результатов наблюдений в каждом разделе.

По таблице 2 определяем кол-во классов, т.к. n=40, то выбираем 10 классов.

Таблица 2

Число испытаний 25 50 100 200 500 более 500
Количество классов 7…11 8…13 9…14 10…16 12…18 14…20

Определяем размах результатов испытаний R. Для этого из всей совокупности результатов выбирает наибольшую Хmax и наименьшую Хmin величины и определяем разницу между ними:

Далее определяем интервал класса (разряда):

После определения интервала класса первичные результаты группируют по разрядам и определяют частоту ni (табл.3).

Таблица 3

Номер разрядов Границы разрядов Частота Условное отклонение

Сумма S1

Сумма S2

1 1.20…1.208 2 -5 -10 50
2 1.208…1.216 3 -4 -12 48
3 1.216…1.224 3 -3 -9 27
4 1.224…1.232 4 -2 -8 16
5 1.232…1.240 4 -1 -4 4
6 1.240…1.248 8 0 0 0
7 1.248…1.256 6 +1 6 6
8 1.256…1.264 5 +2 10 20
9 1.264…1.272 3 +3 9 27
10 1.272…1.280 2 +4 8 32
10 40 10 230

 Определяем условное среднее значение x0 как полусумму значений нижней границы класса:

Среднее арифметическое результатов испытаний:

Определяем сумму квадратов отклонений:

Вычисляем среднеквадратическое отклонение:

Далее определяем коэффициент вариации:

Выводы: в процессе выполнения лабораторной работы были изучены принципы и методы отбора образцов, проб и выборок при исследовании свойств текстильных материалов, способы вычисления основных статистических характеристик.

Были определены структурные характеристики, поверхностная плотность и толщина кожи классическим и упрощённым методом. При оценке толщины кожи упрощённым методом получили высокий показатель коэффициента вариации СВ. Это можно объяснить тем, что при измерении толщины был большой размах результатов испытаний R. При этом в процессе статистической обработки были удалены случайные и грубые ошибки, которые могли появиться в результате невнимательного снятия и записи показаний толщиномера, наличия погрешности в измерении прибора, неровноты толщины кожи.


Лабораторная работа №2.

 

Тема: Однофакторный эксперимент. Определение линейного уравнения регрессии первого порядка

Цель работы

Освоение методов математической обработки результатов исследования свойств текстильных материалов; определение уравнения регрессии по данным однофакторного эксперимента.

Пособия и инструменты: таблицы значений критериев Кочрена, Стьюдента, Фишера; микрокалькулятор.

Содержание работы

1. Статистическая обработка первичных результатов эксперимента.

2. Расчет критерия Кочрена и проверка однородности дисперсии в опытах матрицы.

3. Определение средней дисперсии выходного параметра в опытах матрицы.

4. Определение коэффициентов регрессии и составление уравнения регрессии.

5. Определение адекватности уравнения регрессии. Расчет критерия Фишера.

6. Оценка значимости коэффициентов регрессии.

7. Определение доверительных интервалов средних и индивидуальных значений выходного параметра.

8. Построение графика полученного уравнения регрессии.

9. Анализ результатов работы. Формулировка выводов.

Общие сведения

В настоящее время при исследовании свойств текстильных материалов и других видов продукции широкое применение получили математико-статистические методы планирования экспериментов.

В задачу планирования эксперимента входят: выбор необходимых для эксперимента опытов, т.е. построение матрицы планирования, выбор методов математической обработки результатов эксперимента.

Существует два вида планирования активного эксперимента: традиционное (классическое) однофакторное и многофакторное (факторное).

В традиционном однофакторном планировании изучается влияние на выходной параметр одного входного параметра (фактора).

В результате обработки экспериментальных данных определяют взаимосвязь между выходным параметром (Y) и варьируемым на нескольких уровнях фактором (X). Математическая модель в общем виде описывается функцией отклика:

y = f(x) (1)

При существовании линейной связи между входными и выходными параметрами уравнение регрессии имеет следующий вид:

y = do+d1(x-x̃), (2)

где d0,d1 – коэффициенты уравнения регрессии.

Адекватность уравнения регрессии проверяется по критерию Фишера [1,4]. Если расчетное значение критерия Фишера (Fp) меньше табличного (Fm), то гипотеза об адекватности линейной модели не отвергается.

Выполнение работы

1. Статистическая обработка первичных результатов эксперимента

 Полученные значения статистических характеристик заносим в соответствующие графы табл. 1.


Таблица 1

Расчёты статистических характеристик

№ опыта Фактор Х Значение параметра,Y

S2

S

Св

1 2
1.          1 4 9.93 9.47 9.70 0.106 0.325 3.353
2.          2 12 9.81 9.32 9.56 0.120 0.346 3.622
3.          3 20 9.76 9.21 9.48 0.151 0.389 4.1
4.          4 27 9.74 9.16 9.45 0.168 0.41 4.34
5.            35 9.73 9.12 9.42 0.186 0.431 4.577
6.            43 9.68 9.10 9.39 0.168 0.41 4.368
7.            50 9.67 9.07 9.37 0.180 0.424 4.528
8.            58 9.64 9.04 9.34 0.180 0.424 4.542
9.            66 9.63 9.01 9.32 0.192 0.438 4.704
10.         73 9.62 9.00 9.32 0.192 0.438 4.709
11.         81 9.61 8.99 9.30 0.192 0.438 4.714
12.         88 9.62 8.97 9.29 0.212 0.46 4.945
13.         96 9.60 8.95 9.27 0.212 0.46 4.955
14.         104 9.58 8.94 9.26 0.205 0.453 4.887
15.         111 9.57 8.92 9.24 0.212 0.46 4.972
16.         119 9.54 8.92 9.23 0.192 0.438 4.75
17.         126 9.55 8.93 9.22 0.192 0.438 4.745
18.         134 9.53 8.90 9.21 0.198 0.445 4.834
19.         141 9.53 8.89 9.21 0.205 0.453 4.914
20.         149 9.52 8.88 9.20 0.205 0.453 4.919
21.         156 9.51 8.86 9.18 0.212 0.46 5.004
22.         164 9.49 8.88 9.18 0.186 0.431 4.696
23.         171 9.49 8.85 9.17 0.205 0.453 4.935
24.         179 9.49 8.82 9.15 0.225 0.474 5.175
25.         186 9.47 8.82 9.14 0.212 0.46 5.026
26.         194 9.46 8.82 9.14 0.205 0.453 4.951
27.         201 9.45 8.82 9.13 0.225 0.474 5.175
28.         209 9.47 8.80 9.13 0.212 0.46 5.026
29.         216 9.46 8.80 9.13 0.218 0.467 5.112
30.         224 9.45 8.79 9.12 0.218 0.467 5.117

2. Расчёт критерия Кочрена и проверка однородности дисперсии в опытах матрицы

Для проверки однородности дисперсии и воспроизводимости эксперимента при одинаковой повторности (m) всех опытов рассчитываем значение критерия Кочрена Gp по формуле

 (3)

где  - максимальная дисперсия из всех опытов;

 - сумма всех дисперсий эксперимента.

Далее расчётное значение Gp сравниваем с табличным значением GT. Дисперсии однородны и число повторных опытов одинаково, т.к. Gp< GT (0.039<0.3632).

3. Определение средней дисперсии выходного параметра в опытах матрицы

Т.к. в опытах матрицы дисперсии однородны и число повторных опытов одинаково, то среднюю дисперсию определяют по формуле

 (4)

После этого определяем число степеней свободы средней дисперсии;

F(S2(1){y})=N(m-1)=30 (5)

Средняя дисперсия характеризует средний разброс значений выходного параметра относительно его средних значений, т.е. ошибку опытов в эксперименте.

4. Определение коэффициентов регрессии и составление уравнения регрессии

Дисперсии выходного параметра для каждого уровня фактора однородны, следлвательно, применяем метод наименьших квадратов.

Коэффициенты уравнения регрессии определяем по формулам:

 (6)

 (7)

где  - среднее значение результата эксперимента;

xu - значение фактора на определенном u-уровне;

 - среднее значение фактора.

Для удобства все промежуточные расчеты сводят в табл. 2.

Таблица 2

Расчет коэффициентов уравнения регрессии

№ опыта u

Фактор xu

xu- x̃

(xu- x̃)2

u

(xu- x̃) Ỹu

1.            4 -110.567 12225.06 9.70 -1072.49
2.            12 -102.567 10519.99 9.56 -980.54
3.            20 -94.567 8942.91 9.48 -896.49
4.            27 -87.567 7667.98 9.45 -827.51
5.            35 -79.567 6331.38 9.42 -749.52
6.            43 -71.567 5121.84 9.39 -672.01
7.            50 -64.567 4168.89 9.37 -604.99
8.            58 -56.567 3199.83 9.34 -528.34
9.            66 -48.567 2358.75 9.32 -452.64
10.         73 -41.567 1727.82 9.32 -387.40
11.         81 -33.567 1126.74 9.30 -312.17
12.         88 -26.567 705.81 9.29 -246.81
13.         96 -18.567 344.73 9.27 -172.12
14.         104 -10.567 111.66 9.26 -97.85
15.         111 -3.567 12.72 9.24 -32.96
16.         119 4.433 19.65 9.23 40.92
17.         126 11.433 130.71 9.22 105.41
18.         134 19.433 377.64 9.21 178.98
19.         141 26.433 698.70 9.21 243.45
20.         149 34.433 1185.63 9.20 316.78
21.         156 41.433 1716.69 9.18 380.35
22.         164 49.433 2443.62 9.18 453.79
23.         171 56.433 3184.68 9.17 517.49
24.         179 64.433 4151.61 9.15 589.56
25.         186 71.433 5102.67 9.14 652.89
26.         194 79.433 6309.60 9.14 726.60
27.         201 86.433 7470.66 9.13 489.13
28.         209 94.433 8917.59 9.13 862.17
29.         216 101.433 10288.65 9.13 926.08
30.         224 109.433 11975.58 9.12 998.02

После определения коэффициентов составляют искомое уравнение регрессии:

yR = do+d1(x-x̃). (8)

5. Определение адекватности уравнения регрессии. Расчеты критерия Фишера. Для определения адекватности полученного уравнения (8) используют критерий Фишера, расчетное значение которого определяем по формуле

 (9)

где S2(1) – средняя дисперсия или дисперсия воспроизводимости, определяемая но формуле (4);

S2(2) – дисперсия, характеризующая рассеивание средних экспериментальных значений уu относительно прямой линии, определяемой по формуле (8) (дисперсия адекватности).

Дисперсия S2(2) характеризует точность аппроксимации зависимости ỹ=f(X) прямой линией, ее определяют по формуле

 (10)

где  и  экспериментальное и расчетное значения выходного параметра.

После этого определяют число степеней свободы дисперсии адекватности

F{S2(2)}=N-2=28 (11)

Далее подставляем в формулу (9) значения дисперсии S2(1){y} и S2(2){y} рассчитывают критерий Фишера. Fp сравниваем с табличным значением критерия Фишера FT, которое определяют из [1.4] при доверительной вероятности α=0,95 и число степеней свободы f {S2(2)} и f { S2(1)}

FT =2.38, а Fр = 0.029

Fр < FT

Т.к. Fр < FT, то линейное уравнение адекватно.

Расчет суммы в формуле (10) сводим в табл. 3. Расчетные значения выходного параметра  определяем из уравнения (8), подставляя значения Хu.

Таблица 3

Расчёт дисперсии адекватности

u

xu

d1xu

YRu

u

u- YRu

(ỹu- YRu)2

1.            4

-7.864×10-3

9.492 9.70 0.208 0.043
2.            12 -0.024 9.477 9.56 0.083

6.950×10-3

3.            20 -0.039 9.461 9.48 0.019

3.645×10-4

4.            27 -0.053 9.447 9.45

2.853× 10-3

8.140×10-6

5.            35 -0.069 9.431 9.42 -0.011

1.304×10-4

6.            43 -0.085 9.416 9.39 -0.026

6.601×10-4

7.            50 -0.098 9.402 9.37 -0.032

1.020×10-3

8.            58 -0.114 9.386 9.34 -0.046

2.135×10-3

9.            66 -0.130 9.370 9.32 -0.050

2.548×10-3

10.         73 -0.144 9.357 9.32 -0.037

1.348×10-3

11.         81 -0.159 9.341 9.30 -0.041

1.680×10-3

12.         88 -0.173 9.327 9.29 -0.037

1.386×10-3

13.         96 -0.189 9.312 9.27 -0.042

1.722×10-3

14.         104 -0.204 9.296 9.26 -0.036

1.280×10-3

15.         111 -0.218 9.282 9.24 -0.042

1.765×10-3

16.         119 -0.234 9.266 9.23 -0.036

1.317×10-3

17.         126 -0.248 9.253 9.22 -0.033

1.058×10-3

18.         134 -0.263 9.237 9.21 -0.027

7.180×10-4

19.         141 -0.277 9.223 9.21 -0.013

1.699×10-4

20.         149 -0.293 9.207 9.20

-7.308×10-3

5.340×10-5

21.         156 -0.307 9.194 9.18 -0.014

1.835×10-4

22.         164 -0.322 9.178 9.18

2.181×10-3

4.756×10-6

23.         171 -0.336 9.164 9.17

5.942×10-3

3.531×10-5

24.         179 -0.352 9.148 9.15

1.669×10-3

2.786×10-6

25.         186 -0.366 9.135 9.14

5.430×10-3

2.949×10-5

26.         194 -0.381 9.119 9.14 0.021

4.476×10-4

27.         201 -0.395 9.105 9.13 0.025

6.210×10-4

28.         209 -0.411 9.089 9.13 0.041

1.652×10-3

29.         216 -0.425 9.076 9.13 0.054

2.960×10-3

30.         224 -0.440 9.060 9.12 0.060

3.616×10-3

6. Оценка значимости коэффициентов регрессии

Для определения значимости полученных коэффициентов d0 и d1 уравнения (8) используется критерий Стьюдента [1], расчетное значение которого определяем по формуле

tp=|di|/S{di}=3,114 (12)

где S {di} - оценка среднеквадратического отклонения коэффициента регрессии di.

Дисперсию коэффициентов регрессии S2{do} и S2{d1} рассчитываем по формулам:

(13)

 (14)

В формулы (13) и (14) входит дисперсия S2{y}, которая является сводной оценкой дисперсии случайной величины Yu выходного параметра при условии линейной связи. Эту дисперсию определяем по формуле

 (15)


далее определяют число степеней свободы этой дисперсии:

f{S2}=mN-2=58(16)

Сравниваем табличное и расчётное значения критерия Стьюдента. Если tp>tт, то коэффициенты уравнения регрессии значимы и, следовательно, связь между Y и Х значима.

В нашем случае tр=3,114, а tt=2,0. Следовательно, связь между Y и Х значима.

После этого определяем абсолютные ошибки коэффициентов регрессии ε{di}:

ε {di}=S{di}·tT[α,f{S2}]. (17)

ε {d0}=2,314

ε {d1}=0,035

Тогда для истинных значений коэффициентов регрессии δ0 и δ1 в линейном уравнении (8) доверительные интервалы определяются неравенством

di-ε{di}≤ δi≤ds+ ε{di}. (18)

6,961≤ δ0≤5,289

-0,036967≤ δ1≤-0,033

7. Определение доверительных интервалов средних и индивидуальных значений выходного параметра

Чтобы определить степень отклонения расчетных значений выходного параметра YRu от истинного его значения при каждом уровне фактора Xu, определяем доверительные ошибки ε{YRu} расчетного значения выходного параметра и доверительные интервалы средних и индивидуальных значений выходного параметра.

Доверительные ошибки расчетных значений выходного параметра для каждого уровня фактора рассчитывают по формуле

εm{YRu}=Sm{yRu}·tT[α,f{S2}] (19)

где Sm{yRu} – оценка среднеквадратического отклонения расчетного значения выходного параметраYRu для каждого значения xu.

Оценку среднеквадратического отклонения рассчитывают по формуле

 (20)

Расчеты εm{YRu} и Sm{YRu} заносим в табл.4.

Далее в таблицу заносят расчетные значения yRu, полученные по уравнению регрессии (8).

Зная ошибки расчетной величины, определяем доверительные интервалы для испытанных средних значений выходного параметра.

Нижний доверительный интервал определяют:

Ym(н)=yRu- εm,(21)

верхний доверительный интервал :

Ym(в)=yRu+ εm, (22)

Значения верхних и нижних значений доверительных интервалов для каждого опыта заносим в табл. 4.

Таблица 4

Доверительные интервалы средних значений

u

xu

(xu- x̃)2

Sm2

Sm

εm

YRu

Ym(н)

Ym(в)

1.        4 12225.06 4.871e 0.070 8.096 9.492 1.397 17.588
2.        12 10519.99 4.192e 0.065 7.510 9.477 1.967 16.987
3.        20 8942.91 3.563e 0.060 6.924 9.461 2.537 16.385
4.        27 7667.98 3.055e 0.055 6.412 9.447 3.035 15.859
5.        35 6331.38 2.523e 0.050 5.826 9.431 3.605 15.258
6.        43 5121.84 2.041e 0.045 5.241 9.416 4.175 14.656
7.        50 4168.89 1.661e 0.041 4.728 9.402 4.674 14.130
8.        58 3199.83 1.275e 0.036 4.142 9.386 5.244 13.529
9.        66 2358.75 9.401e 0.031 3.557 9.370 5.814 12.927
10.      73 1727.82 6.888e 0.026 3.044 9.357 6.312 12.401
11.      81 1126.74 4.493e 0.021 2.459 9.341 6.882 11.800
12.      88 705.81 2.816e 0.017 1.947 9.327 7.381 11.274
13.      96 344.73 1.377e 0.012 1.361 9.312 7.950 10.673
14.      104 111.66 4.488e 0.0067 0.777 9.296 8.519 10.073
15.      111 12.72 5.467e 0.002338 0.271 9.282 9.011 9.553
16.      119 19.65 8.228e 0.002868 0.333 9.266 8.934 9.599
17.      126 130.71 5.247e 0.007244 0.840 9.253 8.412 10.093
18.      134 377.64 1.509e 0.012 1.425 9.237 7.812 10.662
19.      141 698.70 2.788e 0.017 1.937 9.223 7.286 11.160
20.      149 1185.63 4.728e 0.022 2.522 9.207 6.685 11.729
21.      156 1716.69 6.843e 0.026 3.035 9.194 6.159 12.228
22.      164 2443.62 9.739e 0.031 3.620 9.178 5.558 12.798
23.      171 3184.68 1.269e 0.036 4.133 9.164 5.031 13.297
24.      179 4151.61 1.654e 0.041 4.718 9.148 4.430 13.867
25.      186 5102.67 2.033e 0.045 5.231 9.135 3.904 14.365
26.      194 6309.60 2.514e 0.050 5.816 9.119 3.302 14.935
27.      201 7470.66 2.977e 0.055 6.329 9.105 2.776 15.434
28.      209 8917.59 3.553e 0.060 6.915 9.089 2.175 16.004
29.      216 10288.65 4.099e 0.064 7.427 9.076 1.648 16.503
30.      224 11975.58 4.771e 0.069 8.013 9.060 1.047 17.073

Далее определяем границы доверительного интервала для индивидуальных значений выходного параметра Y при каждом уровне фактора.

Верхняя граница интервала:

yl(в)=yRu+Sl·tт[α,f{S2}]. (23)

Нижняя граница интервала:

yl(в)=yRu-Sl·tт[α,f{S2}]. (23)

Предварительно определяем ошибку:

 (25)

Используя значения Sm из табл. 4 и ранее определенные по уравнению (15) значения S2{у} и критерий Стьюдента, определяем верхние и нижние границы искомой зоны по формулам (23) и (24), сводя все расчеты в табл. 5,

Таблица 5

u

xu

Sm2

Sl2

Sl

YRu

tт· Sl

Yl(н)

Yl(в)

1.           4 4.871e 0.107 0.328 9.492 0.656 8.837 10.148
2.           12 4.192e 0.107 0.327 9.477 0.653 8.823 10.130
3.           20 3.563e 0.106 0.326 9.461 0.652 8.809 10.112
4.           27 3.055e 0.106 0.325 9.447 0.650 8.797 10.097
5.           35 2.523e 0.105 0.324 9.431 0.648 8.783 10.080
6.           43 2.041e 0.105 0.323 9.416 0.647 8.769 10.063
7.           50 1.661e 0.104 0.323 9.402 0.646 8.756 10.048
8.           58 1.275e 0.104 0.322 9.386 0.644 8.742 10.031
9.           66 9.401e 0.103 0.322 9.370 0.643 8.727 10.014
10.        73 6.888e 0.103 0.321 9.357 0.643 8.714 9.999
11.        81 4.493e 0.103 0.321 9.341 0.642 8.699 9.983
12.        88 2.816e 0.103 0.321 9.327 0.641 8.686 9.969
13.        96 1.377e 0.103 0.320 9.312 0.641 8.671 9.952
14.        104 4.488e 0.103 0.320 9.296 0.641 8.655 9.936
15.        111 5.467e 0.103 0.320 9.282 0.640 8.642 9.923
16.        119 8.228e 0.103 0.320 9.266 0.640 8.626 9.907
17.        126 5.247e 0.103 0.320 9.253 0.641 8.612 9.893
18.        134 1.509e 0.103 0.320 9.237 0.641 8.596 9.878
19.        141 2.788e 0.103 0.321 9.223 0.641 8.582 9.864
20.        149 4.728e 0.103 0.321 9.207 0.642 8.565 9.849
21.        156 6.843e 0.103 0.321 9.194 0.643 8.551 9.836
22.        164 9.739e 0.104 0.322 9.178 0.644 8.534 9.821
23.        171 1.269e 0.104 0.322 9.164 0.644 8.520 9.808
24.        179 1.654e 0.104 0.323 9.148 0.646 8.503 9.794
25.        186 2.033e 0.105 0.323 9.135 0.647 8.488 9.781
26.        194 2.514e 0.105 0.324 9.119 0.648 8.471 9.767
27.        201 2.977e 0.106 0.325 9.105 0.650 8.455 9.755
28.        209 3.553e 0.106 0.326 9.089 0.651 8.438 9.741
29.        216 4.099e 0.107 0.327 9.076 0.653 8.422 9.729
30.        224 4.771e 0.107 0.328 9.060 0.655 8.405 9.715

Выводы: в процессе выполнения лабораторной работы были изучены методы математической обработки результатов исследования свойств текстильных материалов, приведён расчёт критерия Кочрена и проверка однородности дисперсии в опытах матрицы, определена средняя дисперсия выходного параметра в опытах матрицы, коэффициенты регрессии, адекватность уравнения регрессии, расчёт критерия Фишера, определены уравнения регрессии по данным однофакторного эксперимента, доверительные интервалы средних и индивидуальных значений выходного параметра, построен график полученного уравнения регрессии.


Лабораторная работа №3 часть 1

Постановка полного факторного эксперимента при исследовании качества швейных изделий. Определение многофакторных регрессионных моделей I и II порядков при исследовании качества швейных изделий

Цель работы:

Освоить математические методы планирования полного факторного эксперимента (ПФЭ); научиться определять математические модели I и II порядков при исследовании качества швейных изделий

 

Содержание работы

1 .Планирование полного факторного эксперимента и обработка результатов.

2. Определение линейной модели ПФЭ.

3. Проверка адекватности уравнения I порядка.

4. Планирование многофакторного эксперимента II порядка.

5. Определение уравнения регрессии II порядка.

6. Проверка адекватности уравнения II порядка.

7. Анализ результатов работы. Формулировка выводов.

 

Пособия и инструменты: таблицы значений критериев Стьюдента, Фишера; микрокалькулятор.

Вариант №4

Определяли воздухопроницаемость тканей с различными значениями плотности нитей по основе (Х1)(П0=180), и коэффициентом уплотненности (Х2)(С0=0,7) с интервалами изменения соответственно 50 и 0,2. Определить уровни варьирования факторов, построить рабочую матрицу планирования. Провести обработку ПФЭ, найти уравнение регрессии, проверить его адекватность, результаты расчёта представить графически.

 

Матрица эксперимента

№ опыта Х0 Х1 Х2 Х1Х2 Y дм/м ·с

1

2

3

4

+

+

+

+

+

-

+

-

-

-

+

+

-

+

+

-

200

380

150

300

Общие сведения

Качество швейных изделий зависит от целого ряда факторов (свойства используемых материалов, швейных ниток, качество соединений и др.). Поэтому при исследовании качества швейных изделий решают многофакторную задачу, в которой изучаемое свойство объекта (Y) зависит от нескольких факторов (Х1 , Х2, Х3, Х4 и т.д.).

С той целью проводится полный факторный эксперимент (ПФЭ), в котором реализуются все возможные комбинации рассматриваемых уравнений факторов, а результаты оцениваются с помощью статистического анализа.

Планирование ПФЭ связано с построением линейных моделей вида

где - значение критерия;

 bi - линейные коэффициенты;

 bij— коэффициенты двойного взаимодействия факторов.

Многофакторный эксперимент представляет собой сложную задачу, поэтому очень часто линейная математическая модель является неадекватной реальному процессу.

В данном случае переходят к планированию второго и более высоких порядков. Уравнение регрессии при этом представляет полином второй или более высокой степени. Так, при планировании второго порядка изучаемый процесс описывается уравнением второго порядка, общий вид которого представлен ниже

Порядок статистической обработки результатов эксперимента при многофакторном планировании соответствует последовательности обработки при однофакторном планировании.

Выполнение работы

1.1. Определение коэффициентов уравнения регрессии.

1.1.1. Свободный член уравнения регрессии определяем по формуле:

 

 где n - число опытов;

 - средний результат в каждом опыте.

1.1.2. Линейные коэффициенты определяют по формуле:

где хiu - кодированное значение i-го фактора в каждом отдельном опыте.

1.1.3. Коэффициенты парного взаимодействия.

1.2. Оценка значимости коэффициентов уравнения регрессии.

1.2.1 Определение дисперсии результатов эксперимента:

 где  – сумма среднеквадратических отклонений результатов эксперимента от среднего значения в каждом определенном опыте;

N - повторность опытов.

1.2.2 Определение дисперсии (ошибки) коэффициентов уравнения регрессии по формуле

1.2.3. Определение доверительного интервала для коэффициентов уравнения.

где tT = 3,18-табличное значение критерия Стьюдента для n=4.

После определения доверительного интервала сравниваем его величину с коэффициентами регрессии. Величина доверительного интервала меньше (по модулю) величины коэффициента, следовательно, данный коэффициент уравнения значим и не исключается из уравнения регрессии.

1.3. Составление уравнения регрессии

После оценки значимости коэффициентов студенты составляют уравнение регрессии в виде.

где -

1.4. Проверка адекватности уравнения регрессии

Адекватность полученного уравнения регрессии определяем с помощью критерия Фишера. Для этого рассчитывают значения критерия по уравнению регрессии, подставляя вместо хu кодированное значение каждого фактора в данном опыте. После этого определяют квадраты отклонений между расчетными и экспериментальными значениями .

Результаты заносим в таблицу 1.


Таблица 1.

№ опыта

Результат эксперимента

Расчётное значение

1

2

3

4

200

380

150

300

142.5

307.5

142.5

307.5

-7.5

7.5

7.5

-7.5

56.25

56.25

56.25

56.25

После этого определяем дисперсию адекватности по формуле:

где n– повторность опыта;

k - количество факторов.

Тогда расчётное значение критерия Фишера:

Fт = 19,45

Fp > Fт

Определив расчётное значение критерия Фишера и сравнивая его с табличным, определяют адекватность уравнения регрессии изучаемому процессу. Если Fp>FT, то гипотеза об адекватности отвергается, и уравнение регрессии не соответствует реальному процессу, т.е. связь между критерием и факторами нелинейная.


Вывод: В данной лабораторной работе освоили математические методы планирования полного факторного эксперимента (ПФЭ), научились определять математические модели I порядка, при исследовании качества изделий.

Изучив алгоритм выполнения работы и выполнив ее, определили, что адекватность отвергается (Fp>FT) и уравнение регрессии не соответствует реальному процессу, т.е. связь между критериями и факторами нелинейная. Следовательно, уравнение будет иметь степенную зависимость. Переходим к планированию эксперимента высшего порядка.


Лабораторная работа №3 часть 2

 

Вариант №4

Определяли воздухопроницаемость тканей с различными значениями плотности нитей по основе (Х1)(П0=180), и коэффициентом уплотненности (Х2)(С0=0,7) с интервалами изменения соответственно 50 и 0,2. Определить уровни варьирования факторов, построить рабочую матрицу планирования. Провести обработку ПФЭ, найти уравнение регрессии, проверить его адекватность, результаты расчёта представить графически.

№ опыта Х0 Х1 Х2 Х1Х2 X²11 X²22 Y дм/м ·с

ядро

1

2

3

4

+

+

+

+

+

-

+

-

-

-

+

+

-

+

+

-

+

+

+

+

+

+

+

+

200

380

150

300

звёздные

5

6

7

8

+

+

+

+

-1,414

1,414

0

0

0

0

-1,414

1,414

0

0

0

0

2,0

2,0

0

0

0

0

2,0

2,0

270

340

180

330

центральные

9

10

11

12

13

+

+

+

+

+

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

190

200

230

180

220

2.1. Определение коэффициентов уравнения регрессии

2.1.1 Свободный член уравнения определяем по формуле:

 где yu - среднее экспериментальное значение в каждом u-том опыте;

x - кодированное значение уровня k-го фактора в u-том опыте;

k - количество факторов;

а1, а2 - числовые константы, берутся из таблицы.

Число факторов (k) Число опытов Коэффициенты

а1

а2

а3

а4

а5

а6

а7

2 13 0,200 0,100 0,125 0,250 0,125 0,0187 0,100
3 20 0,1663 0,0568 0,0732 0,1250 0,0625 0,0069 0,0568
4 31 0,1428 0,0357 0,0417 0,0625 0,0312 0,0037 0,0357
5 32 0,1591 0,0341 0,0417 0,0625 0,0312 0,0028 0,0341

2.1.2 Линейные коэффициенты определяем по формуле:

2.1.3. Коэффициенты парного взаимодействия:

где xiu, xju-кодированные значения уровней i-го и j-го факторов соответственно и в u-том опыте.

2.1.4 Коэффициенты при квадратичных членах уравнения регрессии определяют:

После вычисления коэффициентов уравнения регрессии переходят к оценке их значимости.

2.2. Оценка значимости коэффициентов уравнения регрессии.

2.2.1 Определяем дисперсию воспроизводимости S2{y} по формуле (дублирование опытов проводится только в нулевой точке).

где n0 = 5 – число опытов в нулевой точке;

= 252 – средний результат в нулевой точке;

y0j - каждый отдельный результат в нулевой точке.

2.2.2 Дисперсию (среднеквадратическую ошибку) в определении коэффициентов определяют для свободного члена:

для линейных коэффициентов:

для коэффициентов парного взаимодействия:

для квадратичных коэффициентов:

Формулы для подсчёта постоянных С, А, λ приведены ниже:

где N – общее число опытов;

k – число факторов в эксперименте.

2.2.2 Определение доверительных интервалов для оценки значимости коэффициентов уравнения.

Доверительные интервалы для b0, bi, bji и bii соответственно определяют по формулам:

Проверяем значимость коэффициентов уравнения, сравниваем соответствующий доверительный интервал с величиной коэффициента. |bi|<|∆bi|. Итак, коэффициенты парного взаимодействия незначимы, т.к. их числовые значения меньше по модулю их доверительного интервала, следовательно, эти коэффициенты исключаются из уравнения регрессии. А все остальные коэффициенты значимы, т.к. их числовые значения больше по модулю их доверительного интервала.

2.3. Составление уравнения регрессии.

Адекватность уравнения проверяем по критерию Фишера:

где дисперсию адекватности определяем по формуле:

где - среднее экспериментальное значение критерия в каждом опыте;

 - расчётное значение критерия;

y0j - значение критерия в каждой нулевой точке;

- среднее значение критерия в нулевой точке.

№ опыта

Результат эксперимента

Расчётное значение

1

2

3

4

5

6

7

8

9

10

11

12

13

200

380

150

300

270

340

180

330

240

255

260

245

260

204.497

311.743

225.021

332.267

217.547

369.192

228.874

257.895

252.062

252.062

252.062

252.062

252.062

-4.497

68.257

-75.021

-32.267

52.453

-29.192

-48.874

72.105

-12.062

2.938

7.938

-7.062

7.938

144

9

64

49

64

Fp<FT

Определив расчётное значение критерия Фишера и сравнив его с табличным, определили адекватность уравнения регрессии изучаемому процессу. Расчётное значение критерия Фишера меньше табличного Fp<FT, следовательно, гипотеза об адекватности не отвергается, и уравнение регрессии соответствует реальному процессу, т.е. связь между критерием (y) и факторами (x) линейная.


Вывод: В данной работе по результатам экспериментальных данных, содержащихся в 1 части задания, мы достроили рабочую матрицу эксперимента, и перешли к планированию многофакторного эксперимента второго порядка. Уравнение регрессии при этом представляет полином второй степени. Получили следующее уравнение регрессии:

 

Серьёзные лекции по высшей экономической математике
Комбинаторные задачи. 1.Сколькими способами колода в 52 карты может быть роздана 13-ти игрокам так, чтобы каждый игрок получил по одной карте каждой ...
Доверительный интервал для математического ожидания нормального распределения при известной дисперсии.
Гипотезы о дисперсии играют очень важную роль в экономико-математическом моделировании, так как величина рассеяния экспериментальных выборочных данных относительно рассчитанных ...
Раздел: Рефераты по математике
Тип: реферат
Основные понятия статистики
ТЕМА 1.4. Законы распределения случайных величин, наиболее часто используемые в экономических приложениях, и их числовые характеристики 1. Основные ...
В качестве критерия F (критерий Фишера) для проверки гипотезы о равенстве дисперсий в двух генеральных совокупностях по независимым выборкам из них строится случайная величина ...
Чтобы проверить гипотезу о равенстве дисперсий, надо построить критическую область для критерия F. В качестве критической области принимаются два интервала: интервал больших ...
Раздел: Рефераты по экономике
Тип: учебное пособие
Статистика
Предмет и метод статистической науки. 1. Предмет статистики. Актуальность и место этой науки в современных условиях. 2. Основные категории статистики ...
s2- генеральная дисперсия;
Вероятный интервал изменения генеральной средней или доли в статистике принято называть доверительным интервалом.
Раздел: Рефераты по статистике
Тип: реферат
Статистический анализ числовых величин (непараметрическая статистика)
РЕФЕРАТ Статистический анализ числовых величин (непараметрическая статистика) В учебных курсах по теории вероятностей и математической статистике ...
Затем разберем непараметрические методы доверительного оценивания основных характеристик числовых случайных величин - математического ожидания, медианы, дисперсии, среднего ...
Целесообразно ли проверять равенство дисперсий статистическими методами, например, как это иногда предлагают, с помощью F-критерия Фишера?
Раздел: Рефераты по экономике
Тип: реферат
Теория экономического анализа
Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования "Красноярский государственный ...
3. Адекватность (надежность) уравнения регрессии оценивается с помощью F-критерия Фишера, алгоритм расчета которого выглядит следующим образом:
, где m - число параметров уравнения регрессии; ѭ2y - дисперсия по линии регрессии; ѭ2ост - остаточная дисперсия.
Раздел: Рефераты по экономике
Тип: учебное пособие