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

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

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/мІ	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	Ỹ	S2	S	Св
		1	2
1	4	9.93	9.47	9.70	0.106	0.325	3.353
2	12	9.81	9.32	9.56	0.120	0.346	3.622
3	20	9.76	9.21	9.48	0.151	0.389	4.1
4	27	9.74	9.16	9.45	0.168	0.41	4.34
	35	9.73	9.12	9.42	0.186	0.431	4.577
	43	9.68	9.10	9.39	0.168	0.41	4.368
	50	9.67	9.07	9.37	0.180	0.424	4.528
	58	9.64	9.04	9.34	0.180	0.424	4.542
	66	9.63	9.01	9.32	0.192	0.438	4.704
	73	9.62	9.00	9.32	0.192	0.438	4.709
	81	9.61	8.99	9.30	0.192	0.438	4.714
	88	9.62	8.97	9.29	0.212	0.46	4.945
	96	9.60	8.95	9.27	0.212	0.46	4.955
	104	9.58	8.94	9.26	0.205	0.453	4.887
	111	9.57	8.92	9.24	0.212	0.46	4.972
	119	9.54	8.92	9.23	0.192	0.438	4.75
	126	9.55	8.93	9.22	0.192	0.438	4.745
	134	9.53	8.90	9.21	0.198	0.445	4.834
	141	9.53	8.89	9.21	0.205	0.453	4.914
	149	9.52	8.88	9.20	0.205	0.453	4.919
	156	9.51	8.86	9.18	0.212	0.46	5.004
	164	9.49	8.88	9.18	0.186	0.431	4.696
	171	9.49	8.85	9.17	0.205	0.453	4.935
	179	9.49	8.82	9.15	0.225	0.474	5.175
	186	9.47	8.82	9.14	0.212	0.46	5.026
	194	9.46	8.82	9.14	0.205	0.453	4.951
	201	9.45	8.82	9.13	0.225	0.474	5.175
	209	9.47	8.80	9.13	0.212	0.46	5.026
	216	9.46	8.80	9.13	0.218	0.467	5.112
	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	Ỹu	(xu- x̃) Ỹu
	4	-110.567	12225.06	9.70	-1072.49
	12	-102.567	10519.99	9.56	-980.54
	20	-94.567	8942.91	9.48	-896.49
	27	-87.567	7667.98	9.45	-827.51
	35	-79.567	6331.38	9.42	-749.52
	43	-71.567	5121.84	9.39	-672.01
	50	-64.567	4168.89	9.37	-604.99
	58	-56.567	3199.83	9.34	-528.34
	66	-48.567	2358.75	9.32	-452.64
	73	-41.567	1727.82	9.32	-387.40
	81	-33.567	1126.74	9.30	-312.17
	88	-26.567	705.81	9.29	-246.81
	96	-18.567	344.73	9.27	-172.12
	104	-10.567	111.66	9.26	-97.85
	111	-3.567	12.72	9.24	-32.96
	119	4.433	19.65	9.23	40.92
	126	11.433	130.71	9.22	105.41
	134	19.433	377.64	9.21	178.98
	141	26.433	698.70	9.21	243.45
	149	34.433	1185.63	9.20	316.78
	156	41.433	1716.69	9.18	380.35
	164	49.433	2443.62	9.18	453.79
	171	56.433	3184.68	9.17	517.49
	179	64.433	4151.61	9.15	589.56
	186	71.433	5102.67	9.14	652.89
	194	79.433	6309.60	9.14	726.60
	201	86.433	7470.66	9.13	489.13
	209	94.433	8917.59	9.13	862.17
	216	101.433	10288.65	9.13	926.08
	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	ỹu	ỹu- YRu	(ỹu- YRu)2
	4	-7.864Ч10-3	9.492	9.70	0.208	0.043
	12	-0.024	9.477	9.56	0.083	6.950Ч10-3
	20	-0.039	9.461	9.48	0.019	3.645Ч10-4
	27	-0.053	9.447	9.45	2.853Ч 10-3	8.140Ч10-6
	35	-0.069	9.431	9.42	-0.011	1.304Ч10-4
	43	-0.085	9.416	9.39	-0.026	6.601Ч10-4
	50	-0.098	9.402	9.37	-0.032	1.020Ч10-3
	58	-0.114	9.386	9.34	-0.046	2.135Ч10-3
	66	-0.130	9.370	9.32	-0.050	2.548Ч10-3
	73	-0.144	9.357	9.32	-0.037	1.348Ч10-3
	81	-0.159	9.341	9.30	-0.041	1.680Ч10-3
	88	-0.173	9.327	9.29	-0.037	1.386Ч10-3
	96	-0.189	9.312	9.27	-0.042	1.722Ч10-3
	104	-0.204	9.296	9.26	-0.036	1.280Ч10-3
	111	-0.218	9.282	9.24	-0.042	1.765Ч10-3
	119	-0.234	9.266	9.23	-0.036	1.317Ч10-3
	126	-0.248	9.253	9.22	-0.033	1.058Ч10-3
	134	-0.263	9.237	9.21	-0.027	7.180Ч10-4
	141	-0.277	9.223	9.21	-0.013	1.699Ч10-4
	149	-0.293	9.207	9.20	-7.308Ч10-3	5.340Ч10-5
	156	-0.307	9.194	9.18	-0.014	1.835Ч10-4
	164	-0.322	9.178	9.18	2.181Ч10-3	4.756Ч10-6
	171	-0.336	9.164	9.17	5.942Ч10-3	3.531Ч10-5
	179	-0.352	9.148	9.15	1.669Ч10-3	2.786Ч10-6
	186	-0.366	9.135	9.14	5.430Ч10-3	2.949Ч10-5
	194	-0.381	9.119	9.14	0.021	4.476Ч10-4
	201	-0.395	9.105	9.13	0.025	6.210Ч10-4
	209	-0.411	9.089	9.13	0.041	1.652Ч10-3
	216	-0.425	9.076	9.13	0.054	2.960Ч10-3
	224	-0.440	9.060	9.12	0.060	3.616Ч10-3

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)
	4	12225.06	4.871e	0.070	8.096	9.492	1.397	17.588
	12	10519.99	4.192e	0.065	7.510	9.477	1.967	16.987
	20	8942.91	3.563e	0.060	6.924	9.461	2.537	16.385
	27	7667.98	3.055e	0.055	6.412	9.447	3.035	15.859
	35	6331.38	2.523e	0.050	5.826	9.431	3.605	15.258
	43	5121.84	2.041e	0.045	5.241	9.416	4.175	14.656
	50	4168.89	1.661e	0.041	4.728	9.402	4.674	14.130
	58	3199.83	1.275e	0.036	4.142	9.386	5.244	13.529
	66	2358.75	9.401e	0.031	3.557	9.370	5.814	12.927
	73	1727.82	6.888e	0.026	3.044	9.357	6.312	12.401
	81	1126.74	4.493e	0.021	2.459	9.341	6.882	11.800
	88	705.81	2.816e	0.017	1.947	9.327	7.381	11.274
	96	344.73	1.377e	0.012	1.361	9.312	7.950	10.673
	104	111.66	4.488e	0.0067	0.777	9.296	8.519	10.073
	111	12.72	5.467e	0.002338	0.271	9.282	9.011	9.553
	119	19.65	8.228e	0.002868	0.333	9.266	8.934	9.599
	126	130.71	5.247e	0.007244	0.840	9.253	8.412	10.093
	134	377.64	1.509e	0.012	1.425	9.237	7.812	10.662
	141	698.70	2.788e	0.017	1.937	9.223	7.286	11.160
	149	1185.63	4.728e	0.022	2.522	9.207	6.685	11.729
	156	1716.69	6.843e	0.026	3.035	9.194	6.159	12.228
	164	2443.62	9.739e	0.031	3.620	9.178	5.558	12.798
	171	3184.68	1.269e	0.036	4.133	9.164	5.031	13.297
	179	4151.61	1.654e	0.041	4.718	9.148	4.430	13.867
	186	5102.67	2.033e	0.045	5.231	9.135	3.904	14.365
	194	6309.60	2.514e	0.050	5.816	9.119	3.302	14.935
	201	7470.66	2.977e	0.055	6.329	9.105	2.776	15.434
	209	8917.59	3.553e	0.060	6.915	9.089	2.175	16.004
	216	10288.65	4.099e	0.064	7.427	9.076	1.648	16.503
	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)
	4	4.871e	0.107	0.328	9.492	0.656	8.837	10.148
	12	4.192e	0.107	0.327	9.477	0.653	8.823	10.130
	20	3.563e	0.106	0.326	9.461	0.652	8.809	10.112
	27	3.055e	0.106	0.325	9.447	0.650	8.797	10.097
	35	2.523e	0.105	0.324	9.431	0.648	8.783	10.080
	43	2.041e	0.105	0.323	9.416	0.647	8.769	10.063
	50	1.661e	0.104	0.323	9.402	0.646	8.756	10.048
	58	1.275e	0.104	0.322	9.386	0.644	8.742	10.031
	66	9.401e	0.103	0.322	9.370	0.643	8.727	10.014
	73	6.888e	0.103	0.321	9.357	0.643	8.714	9.999
	81	4.493e	0.103	0.321	9.341	0.642	8.699	9.983
	88	2.816e	0.103	0.321	9.327	0.641	8.686	9.969
	96	1.377e	0.103	0.320	9.312	0.641	8.671	9.952
	104	4.488e	0.103	0.320	9.296	0.641	8.655	9.936
	111	5.467e	0.103	0.320	9.282	0.640	8.642	9.923
	119	8.228e	0.103	0.320	9.266	0.640	8.626	9.907
	126	5.247e	0.103	0.320	9.253	0.641	8.612	9.893
	134	1.509e	0.103	0.320	9.237	0.641	8.596	9.878
	141	2.788e	0.103	0.321	9.223	0.641	8.582	9.864
	149	4.728e	0.103	0.321	9.207	0.642	8.565	9.849
	156	6.843e	0.103	0.321	9.194	0.643	8.551	9.836
	164	9.739e	0.104	0.322	9.178	0.644	8.534	9.821
	171	1.269e	0.104	0.322	9.164	0.644	8.520	9.808
	179	1.654e	0.104	0.323	9.148	0.646	8.503	9.794
	186	2.033e	0.105	0.323	9.135	0.647	8.488	9.781
	194	2.514e	0.105	0.324	9.119	0.648	8.471	9.767
	201	2.977e	0.106	0.325	9.105	0.650	8.455	9.755
	209	3.553e	0.106	0.326	9.089	0.651	8.438	9.741
	216	4.099e	0.107	0.327	9.076	0.653	8.422	9.729
	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

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.

Свободный член уравнения регрессии определяем по формуле: