Статистические методы и модели - Костин В.Н., Тишина Н.А
..pdfSSε = 5622750 − 5557320 = 65430.
9 Рассчитывают оценку дисперсии S 2 x :
S 2 x = |
SSx |
|
; |
|
m −1 |
||||
|
|
S 2 x = 448204 −1 =14940 . 10 Рассчитывают оценку дисперсии S 2ε :
|
|
S |
2 |
ε = |
SSε |
|
|
|
|
|
; |
||
|
|
|
m(n −1) |
|||
|
2 |
|
|
65430 |
|
|
S |
ε |
= |
4(5 −1) = 4089 . |
11 Вычисляем расчетное значение F - критерия:
Fрасч |
= |
S 2 x |
; |
|
|||
|
|
S 2ε |
=14940 =
Fрасч 4089 3,6537 .
12 Определяем критическое табличное значение F - критерия (приложение Б):
Fтабл. (α = 0,05; f1 = m −1 = 3; f2 = m(n −1)=16)= 3.2389.
13 Сравним Fрасч и Fтабл:
Fрасч = 3,6537 > Fтабл = 3,2389 .
Таким образом, влияние поточных линий на величину начальной скорости полета снаряда V0 следует признать значимым.
14 Определяем величину влияния номера поточной линии:
σ x2 = |
Sx2 − Sε2 |
= |
14940 − 4089 |
= 2170 . |
||
n |
|
5 |
||||
|
|
|
101
15 Производим сравнение влияния номеров поточных линий по критерию Дункана. С этой целью:
- вычисляем нормированную ошибку среднего:
S |
|
= |
Sε2 |
= |
4089 |
= 28.60 ; |
|
n |
5 |
||||
|
y |
|
|
|||
|
|
|
|
|
- располагаем значения средних по столбцам (смотреть таблицу 2.3) в порядке возрастания их величин:
y1 |
|
|
y4 |
|
|
y2 |
|
|
y3 |
; |
492 |
492 |
510 |
606 |
- выписываем из таблицы Дункана (приложение В)
nD = fSε2 = m(n −1)=16; |
α = 0.05; |
|
|
||
p = 2.3..., m все |
(m − |
1) |
значения значимых рангов |
||
р |
2 |
3 |
4 |
; |
|
ранги |
3,00 |
3,15 |
3,23 |
- вычисляем (m-1) наименьшие значимые ранги (НЗР), умножая ранги на нормированную ошибку среднего:
р |
2 |
3 |
4 |
; |
||
НЗР S |
|
|
85.80 |
90.09 |
92.38 |
|
|
|
|||||
y |
- проверяем значимость различия между средними по столбцам для всех m(m-1)/2 парами:
|
3 |
− |
|
|
1 =606 −492 =114 >92,38 |
различия значимо; |
|||
y |
|
y |
|||||||
|
3 |
− |
|
|
4 |
=606 |
−492 =114 >92,09 |
различия значимо; |
|
y |
|
y |
|||||||
|
3 |
− |
|
|
2 |
=606 |
−510 =96 >85.80 |
различия значимо; |
|
y |
|
y |
|||||||
|
2 |
− |
|
1 |
=510 −492 =18 <85.80 |
различия незначимо; |
|||
y |
y |
||||||||
|
2 |
− |
|
4 =510 −492 =18 <85.80 |
различия незначимо; |
||||
y |
y |
||||||||
|
4 |
− |
|
1 |
= 492 −492 =0 <85.80 различия незначимо. |
||||
y |
y |
Таким образом, для выпуска однородной продукции усовершенствование целесообразно начать с третьей поточной линии.
102
4.4 Двухфакторный дисперсионный анализ
Дисперсионный анализ особенно эффективен при одновременном изучении нескольких факторов. В этом случае при постановке активного эксперимента одновременно варьируют все факторы, и каждое наблюдение выходного параметра Y используют для их одновременной оценки. При этом немаловажен и тот факт, что в ряде случаев можно не делать параллельных наблюдений, ограничиваясь лишь одним наблюдением для каждого сочетания уровней изучаемых факторов.
Пусть требуется изучить одновременное влияние на процесс двух качественных факторов ХА и ХВ. Фактор ХА исследуется на уровнях ХА1, ХА2, …, ХАi,
…, ХАК, фактор ХВ – на уровнях ХВ1, ХВ2, …, ХВj, …, ХВm. Допустим, что при каждом сочетании уровней исследуемых факторов было проведено по n парал-
лельных наблюдений (равное количество взято для упрощения вкладок). Матрицу наблюдений в рассматриваемом случае можно представить в виде табли-
це 4.4.
Общее число наблюдений равно
N = n k m .
Таблица 4.4 – Исходные данные для двухфакторного ДА с равным числом повторений опытов
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
XA |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
ХВ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y j |
|||||||||||||
|
|
|
xA1 |
|
|
xA2 |
… |
|
|
|
xAi |
… |
|
|
|
xAK |
|
|
|||||||||||||||||||||
|
|
|
y111, y112, |
y211, y212, |
… |
|
yi11, yi12, |
… |
yK11, yK12, |
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
…, y11n |
…, y21n |
|
…, yi1n |
…, yK1n |
|
|
|
|
|
|
||||||||||||||||||||||||||
|
xB1 |
|
|
|
y 1 |
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
21 |
… |
|
|
|
|
|
|
|
|
i1 |
… |
|
|
|
|
|
|
|
|
K1 |
|
|
|
|
|
|
|
|
|
|
|
y |
11 |
|
|
y |
|
y |
y |
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
y121, y122, |
y221, y222, |
… |
|
yi21, yi22, |
… |
yK21, yK22, |
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
…, y12n |
…, y22n |
|
…, yi2n |
…, yK2n |
|
|
|
|
|
|
||||||||||||||||||||||||||
|
xB2 |
|
|
|
y 2 |
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
… |
|
|
|
|
|
i2 |
… |
|
|
|
|
|
K 2 |
|
|
||||||||||||||||
|
|
|
|
|
y |
12 |
|
|
y |
22 |
|
|
|
y |
|
|
|
|
y |
|
|
|
|
|
|
|
|||||||||||||
|
… |
|
|
… |
|
|
… |
… |
|
|
|
… |
… |
|
|
|
|
|
… |
|
|
… |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
y1j1, y1j2, |
y2j1, y2j2, |
… |
|
yij1, yij2, |
… |
yKj1, yKj2, |
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
…, y1jn |
…, y2jn |
|
…, yijn |
…, yKjn |
|
|
|
|
|
|
||||||||||||||||||||||||||
|
xBj |
|
|
|
y j |
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
y |
1 j |
|
|
y |
2 j |
… |
|
|
|
y |
ij |
… |
|
|
|
y |
Kj |
|
|
|
|
|
|
|||||||||||
|
… |
|
|
… |
|
|
… |
… |
|
|
|
… |
… |
|
|
|
|
|
… |
|
|
… |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
y1m1, y1m2, |
y2m1, y2m2, |
… |
|
yim1, yim2, |
… |
yKm1,yKm2, |
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
…, y1mn |
…, y2mn |
|
…, yimn |
…, yKmn |
|
|
|
|
|
|
||||||||||||||||||||||||||
|
xBm |
|
|
y m |
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
|
|
… |
|
|
|
|
… |
|
|
Km |
|
||||||||||||||||||||||||||||
|
|
|
|
|
y |
|
|
|
y |
|
|
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
1m |
|
|
2m |
|
|
im |
|
y |
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
… |
|
|
|
|
|
… |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
y |
|
|
|
y |
|
|
|
y |
|
|
|
|
y |
|
|
|
|
y |
|
|
|
|
|
|
||||||||||||||
|
i |
|
|
1 |
|
|
2 |
|
|
|
i |
|
|
|
K |
|
|
|
|
y |
|
103
В таблице 4.4. обозначено:
i=1,k – число уровней фактора ХА (число столбцов); J=1,m – число уровней фактора ХВ (число строк);
l=1,n – число наблюдений ячейке (число параллельных опытов); y111, y112,…, y11n,…, уkmn – наблюдавшиеся значения выходного парамет-
ра;
yij – среднее значение в ячейке;
|
|
1 |
n |
|
|
y |
ij = |
∑yijl ; |
(4.42) |
||
|
|||||
|
|
n l=1 |
|
y j – среднее значение по уровням фактора ХВ (средние по строкам);
|
|
1 |
k |
|
|
|
|
y |
j = |
∑ |
y |
ij* ; |
(4.43) |
||
k |
|||||||
|
|
i=1 |
|
yi – среднее значение по уровням фактора ХА (средние по столбцам);
|
|
1 |
m |
|
|
|
|
y |
i* = |
∑ |
y |
ij* ; |
(4.44) |
||
|
|||||||
|
|
m j=1 |
|
y – общее среднее;
|
|
1 |
k |
m |
|
|
|
|
|
|
|
||||||
y = |
∑ ∑ |
y |
ij* . |
(4.45) |
||||
|
||||||||
|
|
km i=1 |
j=1 |
|
Будем полагать, что предпосылки проведения ДА выполнены. В рассматриваемых условиях любое наблюдение из таблицы 4.4 может быть представлено виде следующей модели:
yijl = µ + di +γ j + diγi +εijl , |
(4.46) |
где µ – общая средняя (математическое ожидание для среднего
по всей таблице 4.4);
di – эффект фактора ХА на i-ом уровне (отклонение математи-
ческого ожидания выходного параметра при i-ом уровне фактора ХА от общего математического ожидания);
104
γ j
diγi
εijl
–эффект фактора ХВ на j-ом уровне (отклонение математи-
ческого ожидания выходного параметра при j-ом уровне фактора ХB от общего математического ожидания);
–эффект взаимодействия факторов ХА и ХВ;
–случайный остаток или вариация результатов внутри отдельной ячейки (ошибка воспроизводимости).
Эффект взаимодействия факторов diγi представляет собой отклонение
среднего по наблюдениям в ij-ой серии от суммы первых трех членов модели (4.46). Если предположить, что между факторами нет взаимодействия, то можно построить линейную модель вида:
yij = µ + di +γ j +εijl . |
(4.47) |
Эта модель, как правило, применяется лишь в случае отсутствия параллельных опытов, например, как показано в таблице 4.5. (при анализе трех и более факторов отдельные эффекты взаимодействия удается оценить и без параллельных наблюдений).
Таблица 4.5 – Исходные данные для двухфакторного ДА с одним наблюдением в ячейке
|
|
|
|
|
|
|
|
|
|
|
|
XA |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
ХВ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y j |
||||||||
|
|
xA1 |
|
xA2 |
… |
|
|
xAi |
… |
|
|
xAK |
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
xB1 |
|
y11 |
|
y21 |
… |
|
|
yi1 |
… |
|
|
yK1 |
|
|
|
|
1 |
||||||||||
|
|
|
y |
|||||||||||||||||||||||||
|
xB2 |
|
y12 |
|
y22 |
… |
|
|
y |
… |
|
|
yK 2 |
|
|
|
|
|
|
|||||||||
|
|
|
y |
2 |
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i2 |
|
|
|
|
|
|
|
|
|
|
|
||
|
… |
|
… |
|
… |
… |
|
|
… |
… |
|
|
… |
|
|
… |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
y |
|
|
|
|
|
y |
|
|
|
y |
|
|
|
|
|
|
|
||||
|
xBj |
|
2 j |
|
… |
|
… |
Kj |
|
|
y |
j |
||||||||||||||||
|
|
1 j |
|
|
|
|
|
|
|
ij |
|
|
|
|
|
|
|
|
|
|||||||||
|
… |
|
… |
|
… |
… |
|
|
… |
… |
|
|
… |
|
|
… |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
xBm |
y1m |
|
y2m |
… |
|
|
yim |
… |
|
|
|
|
|
|
|
|
|
m |
||||||||||
|
|
y |
|
|
||||||||||||||||||||||||
|
|
|
Km |
|
|
y |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
… |
|
|
|
|
… |
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
y |
|
|
y |
|
|
|
y |
|
|
|
y |
|
|
|
|
|
|
|||||||
|
i |
|
1 |
|
2 |
|
|
i |
|
|
K |
|
|
|
|
y |
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
В таблице 4.5 обозначено:
i=1,k |
– число уровней фактора ХА (число столбцов); |
|||
J=1,m |
– число уровней фактора ХВ (число строк); |
|||
|
y11 ,…, уkmn |
– |
наблюдавшиеся значения выходного параметра; |
|
|
|
j |
– |
среднее значение по уровням фактора ХB (средние по |
|
y |
|||
|
|
|
|
столбцам); |
105
yi
y
|
|
|
1 |
k |
|
|
y |
* j |
= |
∑yij ; |
(4.48) |
||
k |
||||||
|
|
|
i=1 |
|
–среднее значение по уровням фактора ХА (средние по столбцам);
|
|
1 |
m |
|
|
y |
i * = |
∑yij ; |
(4.49) |
||
|
|||||
|
|
m j=1 |
|
– общее среднее;
|
|
1 |
k |
m |
|
|
|
|
|
||||
y = |
∑ ∑yij . |
(4.50) |
||||
|
||||||
|
|
km i=1 |
j=1 |
|
В рассматриваемом случае (модель (4.47)) оценки общей дисперсии, как и ранее, можно получить из основного тождества ДА. Однако следует подчеркнуть, что в двухфакторном ДА, в отличие от однофакторного, общая сум-
ма квадратов отклонений наблюдений yij от общего среднего y (числитель
(4.9)) раскладывается согласно (4.47) уже не на две, а на три части: часть, обусловленную влиянием фактора ХА, часть, обусловленную влиянием фактора ХВ, и часть, обусловленную влиянием всех неучтенных факторов.
SSобщ |
= ∑k ∑m (y ji − |
|
|
)2 |
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
i=1 j=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
= ∑k |
∑m (yij − |
|
i* − |
|
j* + |
|
+ |
|
|
i* − |
|
+ |
|
* j − |
|
)2 |
= |
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
y |
y |
y |
y |
y |
y |
y |
|
||||||||||||||||||||||||
i=1 j=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
= k∑m (y |
|
|
)2 |
+ m∑k (y |
|
|
|
|
|
)2 |
+ ∑k ∑m (yij − |
|
|
|
|
|
)2 |
(4.51) |
|||||||||||||
* j − |
|
i* − |
|
|
i* − |
|
j* + |
|
= |
||||||||||||||||||||||
|
|
|
|||||||||||||||||||||||||||||
y |
y |
y |
y |
y |
|||||||||||||||||||||||||||
j=1 |
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
i=1 j=1 |
|
|
|
|
|
|
= SS X B + SS X A + Sε .
Слагаемое SSX B представляет собой сумму квадратов разностей между
средними по строкам и общим средним и характеризует изменение выходного параметра по фактору ХB:
SS X B |
= k∑m (y |
* j − |
|
)2 . |
(4.52) |
|
|||||
y |
|||||
|
j=1 |
|
106
Слагаемое SSX A представляет собой сумму квадратов разностей между
средними по строкам и общим средним и характеризует изменение выходного параметра по фактору ХA:
SS X A |
= m∑k (y |
i* − |
|
)2 . |
(4.53) |
|
|||||
y |
|||||
|
i=1 |
|
Слагаемое SSЕ называется остаточной суммой квадратов и характеризует влияние неучтенных моделью (4.47) факторов:
Sε = ∑k |
∑m (yij − |
|
i* − |
|
j* + |
|
)2 . |
(4.54) |
|
|
|
||||||
y |
y |
y |
||||||
i=1 |
j=1 |
|
Зная суммы квадратов отклонений, определим оценки соответствующих дисперсий:
S 2общ = mkSSобщ−1 = SSN общ−1 ;
|
|
S 2 X B |
= |
SSX B |
|
; |
|
|
|
|
m −1 |
||||||
|
|
|
|
|
|
|
||
|
|
S 2 X A |
= |
SSX A |
|
; |
|
|
|
|
K −1 |
||||||
|
|
|
|
|
|
|
||
S |
2 |
ε = |
|
|
SSε |
|
. |
|
|
(m −1)(K −1) |
(4.55)
(4.56)
(4.57)
(4.58)
Нулевые гипотезы о незначимости факторов ХА и ХВ проверяют по критерию Фишера. Если дисперсионное отношение
Fрасч = |
S 2 X B |
≤ Fтабл(α, f1 |
, f2 ), |
(4.59) |
S 2ε |
||||
где |
|
|
|
|
f1 = m −1; |
|
|
|
|
f2 = (m −1)(k −1), |
|
|
||
принимается гипотеза H0 :γ j |
= 0. |
|
|
|
107
Если дисперсионное отношение
S 2
Fрасч = X B > Fтабл(α, f1, f2 ), (4.60)
S 2ε
нулевая гипотеза отвергается, и влияние фактора ХВ считается значимым. Аналогично, если дисперсионное отношение
|
S |
2 |
|
|
|
|
|
|
Fрасч = |
|
X A |
≤ Fтабл(α, f1 , f2 ), |
(4.61) |
||||
S |
|
|||||||
|
2ε |
|
|
|
||||
где |
|
|
|
|
|
|
|
|
f1 = k −1; |
|
|
|
|
|
|
|
|
f2 = (k −1)(m −1), |
|
|
||||||
принимается гипотеза H0 : di =0. |
При несправедливости неравенства |
|
||||||
Fрасч = |
S 2 X A |
> Fтабл (α, f1 |
, f2 ), |
(4.62) |
||||
S |
2 |
ε |
||||||
|
|
|
|
|
влияние фактора ХА считается значимым. При проверке нулевых гипотез, также принимается односторонний F-критерий (приложение Б).
При проведении ДА в условиях линейной модели (4.47) удобно использовать следующий алгоритм расчета. Находят:
- итоги по столбцам:
m
X Ai = ∑yij ; j=1
- итоги по строкам:
k
X B j = ∑yij ; i=1
- сумму квадратов всех наблюдений:
k |
m |
|
Q1 = ∑ ∑yij |
2 ; |
|
i=1 |
j=1 |
|
108
-сумму квадратов итогов по столбцам, деленную на число наблюдений
встолбце:
Q2 = m1 ∑k X A2i ;
i=1
- сумму квадратов итогов по строкам, деленную на число наблюдений в строке:
|
1 |
m |
|
Q3 = |
∑X B2j ; |
||
k |
|||
|
j=1 |
- квадрат общего итога, деленный на число всех наблюдений (корректирующий член):
1 |
k |
|
2 |
1 m |
2 |
|||
Q4 = |
|
∑= |
XAi |
|
= |
|
∑= |
XBj ; |
m k |
m k |
|||||||
|
|
i 1 |
|
|
|
|
j 1 |
|
-сумму квадратов для столбца:
SSX A = Q2 −Q4 ;
-сумму квадратов для строки:
SSX B = Q3 −Q4 ;
-общую сумму квадратов:
SSобщ. = Q1 −Q4 ;
-остаточную сумму квадратов:
SSε = SSобщ −SSXB −SSXA =
=Q1 −Q4 −Q3 +Q4 −Q2 −Q4 =
=Q1 −Q2 −Q3 +Q4 ;
109
-оценку дисперсии
-оценку дисперсии
-оценку дисперсии
S 2 X A :
S |
2 X A |
= |
SSX A |
; |
|
k −1 |
|||||
|
|
|
|
||
S 2 X B |
: |
|
|
|
|
S |
2 X B |
= |
SSX B |
; |
|
m −1 |
|||||
|
|
|
|
||
S 2 ε : |
|
|
|
|
S 2 SSε
ε = (m −1)(k −1).
Результаты расчета удобно представлять в виде таблицы 4.6.
Таким образом, установив при помощи ДА значимость влияния факторов, выясняют затем, какие именно средние значения Y различны.
Как было отмечено ранее, линейная модель вида (4.47) справедлива лишь при отсутствии взаимодействия факторов. В противном случае этому взаимодействию как самостоятельному фактору присуща своя дисперсия
σ X2 A X B .
В приведенном выше алгоритме при наличии взаимодействия между факторами ХА и ХВ дисперсия σ X2 A X B , как составная часть, входит в дисперсию
ошибки σε2 . Выделить и оценить эту дисперсию можно только при наличии
параллельных наблюдений (таблица 4.4). При указанном расположении наблюдений их рассеяние в каждой ячейке относительно среднего той же ячейки
обусловлено действием только случайных причин с дисперсией σ X2 A X B . Рассея-
ние же самих средних в ячейках по всем возможным сочетаниям уровней факторов ХА и ХВ вокруг общего среднего, помимо фактора случайности, вызыва-
ется влиянием фактора взаимодействия ХА ХВ с дисперсией σ X2 A X B . Кроме этих факторов на рассеяние средних по строкам оказывает влияние только один фактор ХВ с дисперсией σ X2 B , а на рассеяние средних по столбцам – только один фактор ХА с дисперсией σ X2 A , так как все уровни другого фактора в каж-
дом из этих случаев осреднены.
В этом случае для получения модели вида (4.46) общую сумму квадратов отклонений, наблюдений от общего среднего SSобщ. необходимо разложить уже на четыре компонента, отвечающие перечисленным выше факторам.
110