Информационная технология
Построение сценария информационного процесса
Описание информационной технологии представим в виде поведенческой модели, которая описывает процессы, в ней отражаются такие категории как действия (работы), события (соединения, перекрестки) и связи между действиями (временные, объектные), отражающие возможный порядок выполнения действий.
Модель IDEF3 позволяет представить сценарий информационного процесса (информационной технологии) в виде параллельно последовательно выполняемых действия и событий с одновременным описанием объектов, имеющих к процессу непосредственное отношение. При описании модели также указывается точка зрения, цель моделирования и целевая аудитория.
На диаграмме А21.1 (Рис. 1.5) представлен процесс сопровождения СПО.
После заключения договора производится обработка данных и формируется технического задание, затем оно согласуется с заказчиком. Если заказчик не согласен на данное техническое задание, оно отправляется на доработку. Программистами выполняется доработка СПО, затем совершается внедрение и сопровождение СПО на предприятии заказчика. Затем производится первичное тестирование СПО, если оно прошло успешно, производится вторичное тестирование СПО на предприятии и информационный процесс заканчивается, в противном случае СПО дорабатывается.
Рис.1.5
1.3. Формулирование целей и задач ИС
Целью проектирования ИС является:
-Повышение эффективности процесса сопровождения систем программного обеспечения (СПО) у заказчика за счет определения оптимального количества работников, занятых в сопровождении СПО.
ИС процесса сопровождения СПО направлена в первую очередь на улучшение качества сопровождения. Повышение качества сопровождения в свою очередь можно достигнуть путем улучшения качества работы обслуживающего персонала и путем минимизации затрат на сопровождение СПО, чему способствует определение оптимального количества персонала.
Результатом автоматизированного процесса решения задачи сопровождения СПО будут являться формулы для расчета оптимального количества эксплуатационного персонала.
2. Функциональная структура АИС
2.1 Внешние объекты и диаграммы окружения
Диаграммы потоков данных (Data Flow Diagrams, DFD) предназначены для моделирования информационного обмена между системой и внешним миром и/или между частями этой системы. С ее помощью можно описать систему как объект, реагирующий на события, порождаемые внешними сущностями. Модель окружения состоит из одного функционального блока «Процесс сопровождения СПО» (Рис.2.1). Этот блок обозначает моделируемую систему. Также в модель окружения входят внешние сущности, от которых в систему или к которым из системы поступают информационные и управляющие потоки. В разрабатываемой системе среди внешних объектов можно выделить:
1. Руководитель - получает техническое задание от заказчика, а также получает отчеты о тестировании СПО, формирует отчет о созданном или исправленном СПО.
2. Заказчик – формирует техническое задание, получает отчет о созданном или исправленном СПО.
3. Программисты – создают СПО, составляют план тестирования СПО.
4. Тестировщики - тестируют созданное СПО, формируют отчет для руководителя об успешном или неуспешном тестировании СПО.
Рис 2.1
2.2 Данные, результаты, хранилища и логическая модель
Логическая модель (Рис.2.2) представляет собой набор функциональных блоков, связанных потоками данных.
Функциональный блок представляет собой совокупность операций по преобразованию входных потоков данных в выходные в соответствии с определенным алгоритмом или правилом.
Для построения логической модели необходимо определить основные действия в системе- расчет количества эксплуатационного персонала, расчет заработной платы работников, расчет ущерба от отказов СПО.
Рис 2.2
2.3. Задачи, функции и модель поведения
Модель поведения (Рис 2.3)представляет собой набор диаграмм. Каждая диаграмма содержит функциональный блок для обработки некоторого события. Соединение диаграмм отражает процессы приема/передачи информации. Воспользуемся моделью поведения для описания того, как система обрабатывает те или иные события.
Основными процессами, выполняемыми системой являются - «расчет количества эксплуатационного персонала», «расчет заработной платы работников», «расчет ущерба от отказов СПО».
Рис 2.3
3.Математическое обеспечение
При проектировании математического обеспечения осуществляется построение математических моделей, выбираются или разрабатываются методы решения задач автоматизированной обработки данных.
Для повышения эффективности процесса сопровождения СПО у заказчика необходимо решить следующие задачи:
3.1. Построение математической модели
Название задачи: Определение эксплуатационного персонала по обслуживанию СПО.
3.1.1. Математическая постановка задачи
Пусть известно количество подзадач (n), планируемое время выполнения работ по договору (t), штраф по договору за каждый просроченный час выполнения договорных работ (m). Требуется найти оптимальные значения количества тестировщиков (x 1), количества программистов (x 2).
Список обозначений приведен в таблице 3.1.
Таблица 3.1
Обозначение | Название | Диапазон значений переменной | Единица измерения |
x 1 | Количество тестировщиков | 15-25 | Человек |
x 2 | Количество программистов | 20-30 | Человек |
n | Количество подпрограмм | 50-70 | - |
t | Планируемое время выполнения работ по договору | 1320-2310 | Часы |
m | Штраф по договору за каждый просроченный час выполнения договорных работ | 1000-3000 | Рублей |
y1 | Стоимость работ в рублях за время выполнения договора | 0-100000000 | Рублей |
y2 | Среднее время выполнения работ по договору | 1200-2310 | Часы |
y3 | Среднее отклонение времени выполнения работ по договору | 0-150 | Часы |
y4 | Вероятность выполнения работ в установленные договором сроки | 0-1 | - |
y5 | Среднее время просрочки работ по договору | 0-200 | Часы |
y 6 | Коэффициент занятости программистов | 0-1 | - |
y 7 | Коэффициент занятости тестировщиков | 0-1 | - |
Формирование ограничений. Зададим область допустимых значений в форме неравенств:
1. Количество тестировщиков 15≤ x1 ≤25 (3.1)
2. Количество программистов 20≤ x2 ≤30 (3.2)
3. Сложность работ:
50≤ n≤70 (3.3)
4. Планируемое время выполнения работ: 1320 ≤ t ≤2310 (3.4)
5. Штраф по договору за каждый просроченный час выполнения договорных работ:1000≤ m ≤3000 (3.5)
Характеристики задачи приведены в таблице 3.2.
Таблица 3.2.
№ | Характеристики задачи оптимизации | Значение характеристики |
Однокритериальная задача | Да | |
Целевая функция линейная | Нет | |
Максимальное количество линейных ограничений задачи | ||
Максимальное количество нелинейных ограничений | ||
Максимальное количество бинарных переменных | ||
Максимальное количество дискретных переменных | ||
Максимальное количество непрерывных переменных |
Окончательная формулировка задачи: «Необходимо найти оптимальные значения x1 , x2 при известных значениях x3 , x4 , x5 , при которых функция y1
обращается в максимум».
Таким образом, математическая модель задачи имеет вид:
y1(x1, x2, n, t, m)→max
1200 ≤ y2(x1, x2, n, t, m) ≤2310;
0 ≤ y3(x1, x2, n, t, m) ≤ 150;
0≤ y4(x1, x2, n, t, m) ≤ 1;
0 ≤ y5(x1, x2, n, t, m) ≤ 200;
0 ≤ y6(x1, x2, n, t, m) ≤ 1;
0 ≤ y7(x1, x2, n, t, m) ≤ 1;
15 ≤ x1 ≤ 25;
20 ≤ x2 ≤ 30;
50 ≤ n ≤ 70.
1320 ≤ t ≤2310
1000≤ m ≤3000
3.2.Метод решения задачи
При решении данной задачи используется метод планирования экспериментов. Цель планирования экспериментов – получение результатов с требуемой достоверностью при наименьших затратах. Планирование подразделяется на стратегическое и тактическое. [1]
Стратегическое планирование:
Для стратегического планирования используется концепция «черного ящика», суть которой – абстрагирование от физической сущности процессов, происходящих в моделируемой системе и выдаче заключений о ее функционировании только на основании входных и выходных переменных. Входные, независимые переменные называются факторами. Выходные – откликами, их величина зависит от значений факторов и параметров ОИ.[1] Структурная схема чёрного ящика представлена на рис.3.1.2.
|


x2 y2
Факторы n … Результативные показатели
t
m
y7
Рис.3.1.2. Структурная схема концепции чёрного ящика
При использовании концепции чёрного ящика должны выполняться следующие условия:
1. Рандомизация – случайность. Только при наличии случайности возможно корректное использование математического аппарата теории вероятностей и статистики.
2. Одновременное изменение всех факторов. Обеспечивает уменьшение стандартной ошибки при проведении экспериментов.
3. Последовательность планирования. Проведение экспериментов подразделяется на ряд последовательных этапов и планирование каждого последующего этапа производится с учётом результатов, полученных на предыдущих этапах.
4. Кодирование. Не обязательно. Кодирование значительно упрощает расчёты и делает анализ результатов более наглядным, что весьма существенно при «ручной» обработке результатов. При применении ЭВМ кодирование также представляет некоторые преимущества в анализе результатов. [1]
К факторам предъявляют следующие требования.
1. Легкая управляемость, что позволяет сравнительно несложно повторять проводимые эксперименты.
2. Факторы не должны являться функциями каких-то аргументов.
3. Любое сочетание факторов в стратегических планах не должно выводить объект из допустимого режима функционирования. [1]
Планирование экспериментов зависит от вида математической зависимости, которую мы желаем получить по результатам обработки.
Примем допущение, что зависимость результативных показателей эффективности функционирования объектов исследования является нелинейной
Для получения требуемой нелинейной зависимости к планам первого порядка –полному факторному эксперименту (ПФЭ) и дробно факторному эксперименту, которые учитывают вершины квадратов добавляются так называемые звездные точки центральная точка.
Примем допущение, что факторы независимы друг от друга. Количество факторов в данной работе равно 5. Для многофакторных экспериментов в геометрической интерпретации диапазон изменения факторов представляется многомерным кубом, который в данной работе будет пятимерным.
Эксперименты по разработанному плану проводятся в вершинах пятимерного куба, звездныхточках и центральной точке. Таким образом количество экспериментов будет вычисляться по формуле:
N=2k+2k+1, (3.1.1)
где k-количество факторов.
Составляется матрица планирования, а для вычисления всех коэффициентов по одному и тому же алгоритму к свободному члену b0 дописывается фиктивный фактор х0, который всегда равен 1,так как в данной работе количество факторов равно 5:
y=b0х0+b1x1+b2x2+b3n+b4t+b5m+b12x1x2+b13x1n+b14x1t+b15x1m+b23nn+b24x2t+b25x2m+b34nt+b35nm+b45tm+b11x12+b22x22+b33n2+b44t2+b55m2. (3.1.2)
В качестве исходных данных для решения задачи использована таблица по 43 вариантам процесса сопровождения СПО, выданная руководителем работы.
Приведение кодированных значений к натуральным представлено в таблице 3.2.1.
Таблица 3.2.1. Приведение кодированных значений к натуральным
x 1 | x 2 | n | t | m | |
-1 | |||||
План 43 вариантов сопровождения СПО представлен в таблице 3.3-3.5.
Таблица 3.3. Матрица планирования в натуральном виде
№ | x1 | x2 | n | t | m | x21 | x22 | n2 | t2 | m2 |
Таблица 3.4. Матрица планирования в натуральном виде
№ | x1x2 | x1n | x1 t | x1m | x2n | x2t | x2m | nt | nm |
Таблица 3.5. Матрица планирования в натуральном виде
№ | y1 | y2 | y3 | y4 | y5 | y6 | y7 |
1231,688 | 272,379 | 0,564 | 0,603 | ||||
1077,668 | 301,637 | 0,75 | 73,899 | 0,51 | 0,64 | ||
937,828 | 222,505 | 0,85 | 59,792 | 0,488 | 0,523 | ||
814,787 | 194,378 | 0,533 | 0,443 | ||||
705,528 | 586,833 | 0,409 | 0,44 | ||||
2037,87 | 547,794 | 0,15 | 867,915 | 0,65 | 0,815 | ||
1237,575 | 976,197 | 0,6 | 512,954 | 0,411 | 0,471 | ||
2315,767 | 158,089 | 0,2 | 1391,646 | 0,615 | 0,512 | ||
797,212 | 272,379 | 0,456 | 0,662 | ||||
1077,668 | 301,637 | 0,51 | 0,64 | ||||
937,828 | 222,505 | 0,488 | 0,523 | ||||
814,787 | 194,378 | 0,533 | 0,443 | ||||
705,528 | 586,833 | 0,409 | 0,44 | ||||
2037,87 | 547,794 | 0,65 | 0,815 | ||||
1237,575 | 976,197 | 0,411 | 0,471 | ||||
2315,767 | 158,089 | 0,45 | 733,619 | 0,615 | 0,512 | ||
797,212 | 272,379 | 0,456 | 0,662 | ||||
1077,668 | 301,637 | 0,75 | 73,899 | 0,51 | 0,64 | ||
937,828 | 222,505 | 0,85 | 59,792 | 0,488 | 0,523 | ||
814,787 | 194,378 | 0,533 | 0,443 | ||||
705,528 | 586,833 | 0,409 | 0,44 | ||||
2037,87 | 547,794 | 0,15 | 867,915 | 0,65 | 0,815 | ||
1237,575 | 976,197 | 0,6 | 512,954 | 0,411 | 0,471 | ||
2315,767 | 158,089 | 0,2 | 1391,646 | 0,615 | 0,512 | ||
797,212 | 256,162 | 0,456 | 0,662 | ||||
1077,668 | 143,887 | 0,51 | 0,64 | ||||
937,828 | 394,876 | 0,488 | 0,523 | ||||
814,787 | 710,367 | 0,533 | 0,443 | ||||
705,528 | 309,1 | 0,409 | 0,44 | ||||
2037,87 | 543,024 | 0,65 | 348,724 | 0,65 | 0,815 | ||
1237,575 | 382,209 | 0,411 | 0,471 | ||||
2315,767 | 382,209 | 0,45 | 733,619 | 0,615 | 0,512 | ||
797,212 | 382,209 | 0,456 | 0,662 | ||||
916,45 | 382,209 | 0,445 | 0,447 | ||||
767,034 | 272,379 | 0,438 | 0,464 | ||||
1973,874 | 301,637 | 0,35 | 394,491 | 0,67 | 0,817 | ||
1872,972 | 222,505 | 0,5 | 643,856 | 0,687 | 0,728 | ||
852,374 | 194,378 | 0,494 | 0,523 | ||||
1145,832 | 586,833 | 0,75 | 130,882 | 0,487 | 0,499 | ||
1231,688 | 547,794 | 0,5 | 225,847 | 0,564 | 0,603 | ||
1231,688 | 976,197 | 0,564 | 0,603 | ||||
1231,688 | 158,089 | 0,564 | 0,603 | ||||
1231,688 | 272,379 | 0,564 | 0,603 |
Уравнения регрессии, связывающие результативные показатели эффективности функционирования предприятия с влияющими на них факторами, получены с помощью процедуры множественной регрессии пакета прикладных программ Statistica 7.0. Далее приведем результаты регрессионного анализа и анализ остатков для всех показателей.
Результаты множественной регрессии для зависимой переменной y1 (стоимость работ в рублях за время выполнения договора):
Таблица 3.4 Результаты множественной регрессии для зависимой переменной y1
Regression Summary for Dependent Variable- Y1 (Spreadsheet5.sta) R=,99279735 R?=,98564657 Adjusted R?=,97259800 F(20,22)=75,537 p<,00000 Std.Error of estimate- 3525E2 | ||||||
N=43 | Beta | Std.Err. | B | Std.Err. | t(22) | p-level |
Intercept | 2141903,763373 | 7555334,88 | 0,28350 | 0,779448 | ||
X1 | -0,56907 | 0,795736 | -269375,588152 | 376672,85 | -0,71514 | 0,482041 |
X2 | 1,41588 | 0,975795 | 670227,617578 | 461906,50 | 1,45100 | 0,160890 |
n | -0,34686 | 1,158465 | -82094,368498 | 274187,96 | -0,29941 | 0,767438 |
t | -0,11620 | 0,736773 | -555,602075 | 3522,81 | -0,15772 | 0,876120 |
m | -0,13189 | 0,455947 | -312,166617 | 1079,15 | -0,28927 | 0,775082 |
X1X2 | -0,40163 | 0,170511 | -5871,304361 | 2492,62 | -2,35547 | 0,027828 |
X1n | 1,53951 | 0,191570 | 10015,681269 | 1246,31 | 8,03626 | 0,000000 |
X1t | -0,32844 | 0,145123 | -56,982878 | 25,18 | -2,26321 | 0,033833 |
X1m | 0,26354 | 0,120485 | 27,261405 | 12,46 | 2,18737 | 0,039631 |
X2n | -0,74704 | 0,207215 | -4493,123083 | 1246,31 | -3,60514 | 0,001572 |
X2t | -0,04583 | 0,165226 | -6,983384 | 25,18 | -0,27736 | 0,784092 |
X2m | -0,06132 | 0,144067 | -5,305009 | 12,46 | -0,42566 | 0,674493 |
nt | 0,56303 | 0,186882 | 37,927204 | 12,59 | 3,01274 | 0,006403 |
nm | -0,43159 | 0,168466 | -15,964542 | 6,23 | -2,56189 | 0,017781 |
tm | 0,17623 | 0,112880 | 0,196536 | 0,13 | 1,56118 | 0,132752 |
X1X1 | 0,37087 | 0,761616 | 4381,767854 | 8998,34 | 0,48695 | 0,631108 |
X2X2 | -1,00592 | 0,951461 | -9513,348046 | 8998,34 | -1,05723 | 0,301877 |
nn | 0,33098 | 1,141389 | 652,341769 | 2249,59 | 0,28998 | 0,774545 |
tt | -0,08701 | 0,698646 | -0,114358 | 0,92 | -0,12455 | 0,902014 |
mm | 0,14769 | 0,382666 | 0,086824 | 0,38596 | 0,703235 |
Отношение стандартной ошибки к среднему значению равно:
352509,852634681/8785068=0,040126.
В результате регрессионного анализа было получено следующее уравнение для y1:
y1 =2141904,76-269375,59× x1 +670227,62× x2 -82094,37×n-555,60×t-312,17×m-5871,30× x1 × x2 +10015,68× x1 ×n-56,98× x1 ×t+27,26× x1 ×m-4493,12× x2 ×n-6,98× x2 ×t-5,31× x2 × m +37,93× n × t -15,96× n × t +0,19× t × m +4381,77× x12 -9513,35× x22 +652,34× n2 -0,11× t2 +0,08× m2
Результаты множественной регрессии для зависимой переменной y2 (среднее время выполнения работ по договору):
Таблица 3.5.Результаты множественной регрессии для зависимой переменной y2
Regression Summary for Dependent Variable- Y2 (Spreadsheet5.sta) R=,97933376 R?=,95909461 Adjusted R?=,92190790 F(20,22)=25,791 p<,00000 Std.Error of estimate- 147,64 | ||||||
N=43 | Beta | Std.Err. | B | Std.Err. | t(22) | p-level |
Intercept | -4576,692348 | 3164,354 | -1,44633 | 0,162183 | ||
X1 | 8,3668 | 1,343326 | 982,595039 | 157,760 | 6,22843 | 0,000003 |
X2 | -11,5067 | 1,647294 | -1351,347023 | 193,457 | -6,98524 | 0,000001 |
n | 7,0464 | 1,955670 | 413,762065 | 114,836 | 3,60306 | 0,001580 |
t | 0,1830 | 1,243788 | 0,217040 | 1,475 | 0,14710 | 0,884391 |
m | 0,0999 | 0,769710 | 0,058632 | 0,452 | 0,12973 | 0,897963 |
X1X2 | -0,9481 | 0,287848 | -3,438395 | 1,044 | -3,29358 | 0,003312 |
X1n | -3,2058 | 0,323400 | -5,174377 | 0,522 | -9,91289 | 0,000000 |
X1t | -0,0014 | 0,244990 | -0,000059 | 0,011 | -0,00561 | 0,995577 |
X1m | 0,0000 | 0,203397 | 0,0000002 | 0,005 | 0,00000 | 1,000000 |
X2n | 0,5574 | 0,349811 | 0,831787 | 0,522 | 1,59351 | 0,125313 |
X2t | -0,0002 | 0,278927 | -0,000008 | 0,011 | -0,00072 | 0,999430 |
X2m | -0,0000 | 0,243208 | -0,0000001 | 0,005 | -0,00000 | 1,000000 |
nt | 0,0015 | 0,315486 | 0,000025 | 0,005 | 0,00478 | 0,996231 |
nm | 0,0000 | 0,284396 | 0,0000003 | 0,003 | 0,00000 | 1,000000 |
tm | -0,0000 | 0,190560 | -0,0000003 | 0,000 | -0,00000 | 1,000000 |
X1X1 | -5,5213 | 1,285726 | -16,184162 | 3,769 | -4,29434 | 0,000294 |
X2X2 | 11,5427 | 1,606215 | 27,083078 | 3,769 | 7,18628 | 0,000000 |
nn | -5,0563 | 1,926843 | -2,472430 | 0,942 | -2,62416 | 0,015492 |
tt | -0,1835 | 1,179423 | -0,000060 | 0,000 | -0,15558 | 0,877787 |
mm | -0,1005 | 0,645999 | -0,000015 | 0,000 | -0,15558 | 0,877786 |
Отношение стандартной ошибки к среднему значению равно:
147,6395/1241= 0,097733.
В результате регрессионного анализа было получено следующее уравнение для y2:
y2 =-4576,69+982,60× x1 -1351,35× x2 +413,76× n +0,22× t +0,06× m -3,44× x1 × x2 -5,17× x1 × n -0,59×10-4× x1 × t +0, 2×10-6× x1 × m +0,83× x2 × n -0,08×10-5× x2 × t -0, 1×10-6× x2 × m +0, 25×10-4× n × t +0, 3×10-6× n × m -0, 3×10-6× t × m -16,184162× x12 +27,083078× x22- 2,472430× n2 -0, 6×10-4× t2 -0, 15×10-4×m 2
Результаты множественной регрессии для зависимой переменной y3 (среднее отклонение времени выполнения работ по договору):
Таблица 3.6. Результаты множественной регрессии для зависимой переменной y3
Regression Summary for Dependent Variable- Y3 (Spreadsheet5.sta) R=,92918227 R?=,86337969 Adjusted R?=,73917941 F(20,22)=6,9515 p<,00002 Std.Error of estimate- 122,10 | ||||||
N=43 | Beta | Std.Err. | B | Std.Err. | t(22) | p-level |
Intercept | -1409,4640154 | 2616,992 | -0,53858 | 0,595584 | ||
X1 | 9,53352 | 2,454985 | 506,6610841 | 130,471 | 3,88333 | 0,000801 |
X2 | -5,25280 | 3,010500 | -279,1614567 | 159,994 | -1,74483 | 0,094970 |
n | -0,06810 | 3,574069 | -1,8095986 | 94,972 | -0,01905 | 0,984970 |
t | 0,04753 | 2,273074 | 0,0255152 | 1,220 | 0,02091 | 0,983506 |
m | 0,02491 | 1,406677 | 0,0066182 | 0,374 | 0,01771 | 0,986033 |
X1X2 | -2,54823 | 0,526055 | -4,1822700 | 0,863 | -4,84403 | 0,000077 |
X1n | -2,93765 | 0,591027 | -2,1456950 | 0,432 | -4,97042 | 0,000057 |
X1t | -0,00063 | 0,447729 | -0,0000122 | 0,009 | -0,00140 | 0,998895 |
X1m | 0,00000 | 0,371716 | 0,0000002 | 0,004 | 0,00000 | 1,000000 |
X2n | 0,58048 | 0,639294 | 0,3919800 | 0,432 | 0,90801 | 0,373714 |
X2t | -0,00249 | 0,509750 | -0,0000426 | 0,009 | -0,00488 | 0,996147 |
X2m | -0,00000 | 0,444473 | -0,0000001 | 0,004 | -0,00000 | 1,000000 |
nt | 0,00068 | 0,576564 | 0,0000051 | 0,004 | 0,00118 | 0,999071 |
nm | -0,00000 | 0,519746 | -0,0000001 | 0,002 | -0,00000 | 1,000000 |
tm | 0,00000 | 0,348256 | 0,0000003 | 0,000 | 0,00000 | 1,000000 |
X1X1 | -5,54374 | 2,349719 | -7,3535617 | 3,117 | -2,35932 | 0,027600 |
X2X2 | 6,35747 | 2,935425 | 6,7503183 | 3,117 | 2,16577 | 0,041440 |
nn | 1,90704 | 3,521386 | 0,4219846 | 0,779 | 0,54156 | 0,593565 |
tt | -0,04577 | 2,155445 | -0,0000068 | 0,000 | -0,02123 | 0,983251 |
mm | -0,02507 | 1,180590 | -0,0000017 | 0,000 | -0,02123 | 0,983251 |
Отношение стандартной ошибки к среднему значению равно:
122,1012/960,042= 0,10099.
В результате регрессионного анализа было получено следующее уравнение для y3:
y3=4576,69+506,66× x1 -279,16× x2 -1,80× n +0,25×10-1× t +0,66×10-2× m -4,18× x1 × x2 -2,16× x1 × n -0,12×10-4× x1 × t +0, 2×10-6× x1 × m +0,39× x2 × n -0,42×10-4× x2 &ti