葡萄酒成分分析.doc

2012高教社杯全国大学生数学建模竞赛承 诺 书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其它公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其它媒体进行正式或非正式发表等）。我们参赛选择的题号是（从A/B/C/D中选择一项填写）： 我们的参赛报名号为（如果赛区设置报名号的话）： 所属学校（请填写完整的全名）： 参赛队员 (打印并签名) ：1. 2. 3. 指导教师或指导教师组负责人 (打印并签名)： 日期： 年 月 日赛区评阅编号（由赛区组委会评阅前进行编号）：2012高教社杯全国大学生数学建模竞赛编 号 专 用 页赛区评阅编号（由赛区组委会评阅前进行编号）：赛区评阅记录（可供赛区评阅时使用）：评阅人评分备注全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：葡萄酒的评价摘要随着葡萄酒消费快速增加，葡萄酒渐渐进入越来越多人的视野，在中国葡萄酒消费呈现爆炸性的增长，但是中国对葡萄酒质量的鉴定制度还不够完善，多数葡萄酒企业也是刚刚起步,因此建立一套完整的葡萄酒质量评判标准体系显得尤为重要。本文建立了t检验模型,解决了评判差异;建立了多元线形回归模型,解决了葡萄等级分配;建立了层次分析改进模型,解决了理化指标对葡萄酒质量的影响。针对问题一，首先通过统计学原理，运用spss软件对每一个葡萄酒样品的两组评分进行t检验，得出了两组品酒师在对葡萄酒的评分上存在着显著性差异，通过标准差变化得出对于白葡萄酒质量的好坏相对更难鉴定，而第二组标准差的增长速率明显低于第一组，所以第二组品酒师更可信。针对问题二，先去掉第二组评分中的最高分与最低分来减少误差，再以剩下八人评分的平均值作为该酒品的分值。分别选出八组分值最高与最低的酒所对应的葡萄的理化指标，求其平均值，并计算全部样本葡萄理化指标的平均值进行量化分析，得出对葡萄质量影响较大的十种量化指标，由此建立多元线性回归模型，用matlab进行拟合得出葡萄评分的函数，代入数值得出葡萄得分，最后根据得分把葡萄分成了甲、乙、丙、丁四个等级。针对问题三，采用图表法，对元素在酿制过程中的变化关系进行分析，分析得出DPPH一类物质在红葡萄酒中数值越大、而在白葡萄酒中数值越小对应的葡萄酒品质就越高；而总酚类物质的含量与DPPH的含量之间存在正相关；而总黄酮类的理化指标，分析出花色苷在不同颜色葡萄中含量的差异造成总黄酮理化指标的差异；白藜芦醇分析出葡萄酒在酿制过程中酿造方法的不同照成结果含量的不同，因此说明了酿制过程对于葡萄酒理化指标的影响是很明显的。针对问题四，通过对问题二中结果的分析，说明理化指标好的葡萄是酿造好酒的一个因素。然后用层次分析法的改进模型对葡萄理化指标和葡萄酒的理化指标进行分析，其中分别对白葡萄酒和红葡萄酒以不同的标准进行分析，得出葡萄酒的评分，以此可以确定葡萄酒质量高低。对于葡萄酒不能用理化指标确定葡萄酒质量，但可以用其对葡萄酒质量进行一个粗略估计。 关键词: 多元线性回归 图表法 层次分析法改进模型一 问题重述1.1葡萄酒的评价确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量。酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。1.2问题提出问题一:分析附件1中两组评酒员的评价结果有无显着性差异，哪一组结果更可信。问题二:根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。问题三:分析酿酒葡萄与葡萄酒的理化指标之间的联系。问题四:分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。二 模型分析与假设2.1 模型分析 本题要解决的是与葡萄酒质量相结合的问题，葡萄酒质量的好坏取决于品酒师评分的高低评分越高相对的葡萄酒品质就越好。品酒师在评定分数时通过葡萄酒的外观、香气、口感等给定相应分数，而影响这些因素的正是葡萄与葡萄酒的理化指标，这样就给我们提供了一条解题的指导方向应用统计学相关理论，并运用spss软件分析葡萄与葡萄酒的理化指标之间的关系，通过葡萄酒得分的高低筛选出其中对于葡萄酒质量影响力大的因素，最后通过层次分析法，分析出葡萄的理化指标能否作为判断葡萄酒质量好坏的判定标准。2.2 模型假设1两组品酒师评判的分数均服从正态分布2假设对于所算出第二组品酒员平均评分可以在某时间认为是真实得分3假定附录二的理化指标能真实反映真实指标情况。4假定所给数据真实可靠三 符号说明:样本一的平均值:样本二的平均值:样本一的标准差:样本二的标准差 :显着性水平:平均随即一致性指标:一致性判断比例:最大特征值对应的特征向量四 模型建立4.1问题一求解 4.1.1 t检验本文研究的是两组品酒员对红、白葡萄酒质量的打分情况，对于其分数是否存在显着性差异，不能凭人们的主观感受进行判断，而要确定合理的评价体系进行判断，因此我们建立了如下的评价体系:两个正态总体的检验法设， 和,，分别来自正态总体和的样本，检验假设，由公式 (1)可知当成立时 (2)取上式左端为检验统计量。于是，显着性水平为的检验的拒绝域为 (3)即 (4)成立时，我们拒绝原假设，否则就接受原假设。针对本文两个评酒员的打分情况，当我们拒绝原假设时，说明两组品酒师的评分存在显着性差异，否则不存在显着性差异。首先对于每一类样品酒，都有10个品酒师从外观、香气、口感三方面进行评分，并给出整体评分。由此可计算出每一位品酒师的总评分。其次再由这10为品酒师个人的总评分计算出该样品酒的总得分： (5)样品酒的总评分见附录一。最后通过对不同酒品的总评分进行独立样本t检验得出结果，见附录二。要得知每一组的评判结果是否稳定，引入标准差，标准差越大代表数据越不稳定，我们就认为这组品酒师对于酒的评分存在相对较大的差异，即对一种酒的评判不能给出一个相对一致的结果，就会造成该组的可信度降低。对于白葡萄酒与红葡萄酒在检验中我们选显着性差异较大的样品酒的标准差进行对比越稳定代表可信度越高。表一：红葡萄酒的两组评分的相关性酒样号值一组平均值二组平均值一组标准差二组标准差20.01880.374.06.307844.0276830.05180.474.66.769215.5417660.05672.266.37.728734.5958980.07372.366.06.634098.06915100.05174.268.85.513626.01480110.02012296.16802120.00153.968.38.9255.01221130.03374.668.86.703233.91010150.06758.765.79.250236.42996160.02074.969.94.254414.48330190.07778.672.66.883157.42668220.05877.271.67.114934.92612230.00285.677.15.699904.97661240.04778.071.58.653843.27448表二：白葡萄酒的两组评分的相关性酒样号值一组平均值二组平均值一组标准差二组标准差30.19385.375.619.1081711.9368750.01971.081.511.244755.1261960.12668.475.512.755834.7667890.11072.980.49.6315510.30857120.08963.372.410.7605211.8340413 0.10965.973.913.067776.83862140.18472.077.110.687483.98469150.18472.478.411.471707.35149190.13772.276.46.811755.10338220.07571.079.411.775687.83420260.11381.374.38.5381510.14396270.01364.877.012.016665.96285 从结果我们可以发现对于选出红葡萄酒的14个样品第一组有12个评分要高于第二组，对于选出白葡萄酒的12个样品第一组有10个低于第二组的评价，可以看出不同组的品酒员对于白和红葡萄酒有评分差异。第一组对于红葡萄酒的14组平均标准差为7.0607。第一组对于红葡萄酒的27组平均标准差为7.4613。第二组对于红葡萄酒的14组平均标准差为5.3469。第二组对于红葡萄酒的27组平均标准差为5.6201。第一组对于白葡萄酒的12组平均标准差为11.489。第一组对于白葡萄酒的28组平均标准差为10.5732。第二组对于白葡萄酒的12组平均标准差为7.556。第二组对于白葡萄酒的28组平均标准差为7.14045。结果可以得出对于红葡萄酒的14组两组的标准差都小于总体的平均值说明对于红葡萄酒总的来说第一组和第二组在评判标准上差别比较明显；对于白葡萄酒的12的两组平均标准差大于总体的平均标准差，所以对于两组给出评分相似的酒品他们具有更高的误差，而且每一项白葡萄酒的标准差明显大于红葡萄酒，可以看出白葡萄酒需要更高的技巧。对于标准差的估计我们认为第二组具有较高的稳定性，而对于对品酒员要求较高的白酒第一组的标准差增量明显大于第二组，对于白酒第一组更难把握，从这些方面可以看出第二组相对第一组具有明显优势。因此第二组的结果更为可信。4.2 问题二求解4.2.1 变量分析在此把第二组品酒员的评分作为需要的葡萄酒的质量，为了进一步减少误差可以把评分最高值与最低值去掉，求出剩余八人评分的平均值认为最终认为的葡萄酒质量。 在此分别选出品质最高和品质最低的八种白葡萄酒和八种红葡萄酒相对应葡萄的理化指标求平均值，通过数据找出他们的不同点，而这些不同点就是影响葡萄酒质量的因素。对于白葡萄酒前八名各物质含量平均值，后八名各物质含量平均值，总的含量的平均值如f附录五：对于附录五的数据可以发现相对于好葡萄含量，大于平均葡萄，大于坏葡萄酒含量的理化指标有：氨基酸总量，VC含量，褐变度，酒石酸，柠檬酸，单宁，总糖，还原糖，可溶性固形物，PH值，可滴定酸，干物质含量，果穗质量，果梗比好葡萄含量，小于平均葡萄，小于坏葡萄酒含量的理化指标有：DPPH自由基1/IC50，葡萄总黄酮，出汁率，果皮质量我们可以看出影响白葡萄酒评分的因素有多种共同作用，我们对影响因素进行聚类分析可以把结果分为相对于好葡萄含量，大于平均葡萄，大于坏葡萄酒含量的理化指标有：氨基酸总量，蛋白质，花色苷，酒石酸，褐变度，DPPH自由基1/IC50，总酚，单宁，葡萄总黄酮，黄酮醇，总糖，还原糖，可溶性固形物，PH值，固酸比，干物质含量，果梗比，出汁率，果皮质量好葡萄含量，小于平均葡萄，小于坏葡萄酒含量的理化指标有：VC含量，苹果酸，多酚氧化酶活力，白藜芦醇，可滴定酸对于白葡萄酒所用葡萄，与红葡萄酒所用葡萄，我们认为理化指标是不是共同变化的，如果变化方向不一样我们认为该项指标不是或不完全影响葡萄酒的质量，对着这类理化指标是可以忽略的，所以影像葡萄酒质量的葡萄理化指标有氨基酸总量（AN），酒石酸（JI），褐变度（HE），单宁（DA），总糖（ZO），还原糖（HU），可溶性固形物（KE），PH值（PH），干物质含量（GA），果梗比（GU）。4.2.2 多元线性回归分析用这10项指标构建回归模型如下。（6）用编写程序建立文件求解m-文件程序见附录三运行后得到表三结果表三：多元线性回归结果回归系数回归系数的估计值回归系数的置信区间 根据说明因变量与式中自变量之间有显着的线性相关关系4.2.3 葡萄分级结果所以可以用此相关性对55种葡萄进行等级划分，用得分结果按1:1:1:1把对应的样品葡萄分为甲乙丙丁四个等级。表四：葡萄分级结果白葡萄（样品序号）红葡萄（样品序号）甲等3、22、19、21、17、23、1126、21、2、9、11、3、13乙等8、5、12、20、2、25、916、14、24、19、22、5、20丙等15、13、28、10、6、27、261、25、17、12、7、10、27丁等4、24、1、18、16、14、718、4、23、6、8、154.3问题三求解4.3.1 DPPH分析对于第三个问题在葡萄酒酿制和存储过程中，有些物质会发生改变，可能随着水分的减少浓度增大，有可能在酿制过程中为了使味道更好加了某些物质，也有可能在酿制过程中某一物质被消耗而减少。首先对葡萄中的DPPH自由基与葡萄酒中的DPPH半抑制体积进行对比，拿DPPH对应的数值除以DPPH自由基后得到数值如图一所示图一：DPPH在酿造前后数值的变化图分析发现在红葡萄酒中DPPH半抑制体积（IV50） 1/IV50(uL)的数值明显大于白葡萄酒而对于所对应的葡萄中DPPH自由基相差无几。DPPH是抑制氧化（氧化性会使物品或酒类褪色）的物质对于红葡萄酒而言，氧化物质存在会改变其本来颜色，使葡萄酒纯正的红色渐渐改变，而葡萄酒的颜色是判断葡萄酒好坏的一个重要指标。在品酒过程中我们发现DPPH含量高的酒往往获得色调比较高得分，所以在酿制过程中红葡萄酒要求DPPH半抑制体积（IV50） 1/IV50(uL)的数值较高很重要，它能增加葡萄酒的色调，而对于白葡萄酒而言，有色彩往往是认为其不纯的特征所以在白葡萄酒酿制过程中要减少DPPH半抑制体积（IV50） 1/IV50(uL)的数值，造成了在红白葡萄酒中DPPH半抑制体积（IV50） 1/IV50(uL)的数值相差很大，说明了葡萄酒在酿制过程中人为的因数很大，即使用好的葡萄不一定酿出好的葡萄酒。4.3.2 总酚和总黄酮分析图二：总酚和总黄酮变化分析图在图二中对于酚白葡萄酒要少于红葡萄酒。在总黄酮中包含花色苷在表中可以发现白葡萄的总黄酮变化要大于红葡萄总黄酮的变化率，在酮类物质中包含一种物质叫花色苷，在酿造红葡萄酒的葡萄中花色苷含量远远大于白葡萄酒所用葡萄，而花色苷在葡萄酒中就有呈色作用，所以在红葡萄中造成黄铜变化降低。对红葡萄酒中总酚与DPPH作对比做出结果如图所示图三：总酚和DPPH在红葡萄酒中关系图从图中可以看出DPPH和总酚是成正相关的，在酿制过程中，一种物质含量往往会影响另外的一种物质所以在酿制过程中含量本相差不大的指标，经过酿造，造成结果在白葡萄酒中和红葡萄酒中相差很大。4.3.3 白藜芦醇变分析图四：白藜芦醇变化关系图白藜芦醇具有一定药用，对身体具有一定的有益作用，在白葡萄酒和红葡萄酒中含量相差不多，对于葡萄酒无论是白还是红葡萄酒都有一定的价值，所以对于他们的曲线近乎相似。通过以上分析可得，在葡萄酒中DPPH，总酚，是在葡萄中差别不大，在红葡萄酒中含量比白葡萄酒中含量大，体现了酿制过程对理化指标的影响；总黄酮由于花色苷的影响造成白葡萄总黄酮量变化速度大于红葡萄的变速度，体现了理化指标之间的关联性，白藜芦醇说明了红白葡萄相似的曲线，说明葡萄酒有好坏之分，体现了酿制的一致性，好葡萄酒能最大程度的保存其原有营养物质。4.4问题四求解4.4.1 模型建立对于葡萄酒有第二问结果作图五，图五：葡萄评分和品酒员对葡萄酒平均评分从图五中可以发现品酒员与葡萄品质自建的得分有一定关联，总体趋势与葡萄酒品酒员评分相似，但细致来说好葡萄不一定酿的酒是好酒，差葡萄也不一定酿出最差的酒，结合第三问的分析酿造过程是葡萄酒重要的一部分，在酿造后各物质的含量成为评价葡萄酒评级的一部分能更真实评出葡萄酒的质量。根据以上思想对葡萄和葡萄酒分别进行分析然后赋以合适的权值求出最终评分。对于葡萄用第二问分析出的10种元素（氨基酸总量（AN），酒石酸（JI），褐变度（HE），单宁（DA），总糖（ZO），还原糖（HU），可溶性固形物（KE），PH值（PH），干物质含量（GA），果梗比（GU）对其进行量化分析用层次分析的原理，赋以分值，求出权重图六：模型层次图对于葡萄酒质量分为葡萄酒量化指标得分与葡萄酒的量化指标得分的权重和，对于其影响通过问题三我们知道酒通过酿造过程，相关元素变化是不一定的，所以酒的相关性要大于葡萄相关性，通过分析认为葡萄酒与样品葡萄理化指标对应关系为7:3最为合适，对于酒中相关理化指标出现不同的需要，比如DPPH红葡萄酒含量越高越优，而对于白葡萄酒含量越低越好，对于酒执行了两个标准，分别进行分析。4.4.2模型求解对量化指标赋以分值时，把量化指标每样分为九个等级，按照样品数量分别对白葡萄理化指标，红葡萄理化指标，白葡萄酒理化指标，等量进行分析，指标最好用九分最差一分，其中某些数据并不是越高越好，对此把每个理化指标分为九个等级。表五：A.L.Saaty的1-9标度表:标度含义1表示两个因素相比，具有相同重要性3表示两个因素相比，前者比后者稍重要5表示两个因素相比，前者比后者明显重要7表示两个因素相比，前者比后者强烈重要9表示两因素相比，前者比后者极端重要2,46,8表示上述相邻判断的中间值倒数若因素i与因素j的重要性比为，则因素j与因素i重要性比为=1/表六：saaty的一致性指标RIn12345678910RI000.580.9021.411.451.49首先对葡萄的各因素设定初值，再根据A.L.Saaty的1-9标度方法得出比较的矩阵，如表七表七：葡萄指标比较矩阵A1ANJIHEDAZOHUKEPHGAGUAN11/234323333JI2146334364HE1/31/412213133DA1/41/61/2111/21/21/31/21/2ZO1/31/31/2111/21122HU1/21/312212355KE1/31/41/3211/21112PH1/31/31311/31122GA1/31/61/321/21/511/211/2GU1/31/41/321/21/51/21/221根据表七得到相关数据求得然后对对应葡萄酒的各因素设定初值，得到白葡萄酒的理化指标比较矩阵，如表八单宁（DA），总酚（ZON），酒总黄酮（JIU），白藜芦醇（BA），DPPH表八：白葡萄酒理化指标比较矩阵B1DAZONJIUBADPPHDA11/21/31/23ZON211/224JIU32122BA21/21/213DPPH1/31/41/21/31根据表八得到相关数据红葡萄酒理化指标比较矩阵如表九。花色苷（HUA）单宁（DA），总酚（ZON），酒总黄酮（JIU），白藜芦醇（BA），DPPH表九：红葡萄理化指标比较矩阵B2HUADAZONJIUBADPPHHUA121/2112DA1/211/21/31/23ZON2211/224JIU132122BA121/21/213DPPH1/21/31/41/21/31根据表九得到相关数据根据理化指标的量化指标，用每种元素用对应的权值通过matlab求解Z值，Z值越高对应理化指标越好，说明样本理化指标优秀。更可能是高质量葡萄酒。然后Z值分别乘以相关系数3和7最终得到一组评分，评分结果见附录六对于结果发现用理化指标作出结果，与品酒师评判出的结果有一定差距，理化指标好酒不一定好，不过可以把理化指标得出的结果作为一个参照。五 模型优缺点5.1模型优点对于本模型用直观的数据代替人的主观认识，减少了人的主观意思对结果的偏差。更能形象的表现出结果。说服力要强于人的主观意识。本模型适用范围不仅可以针对葡萄酒，还可以对其它类酒或果汁饮料作分析，体现了模型的移植性强。本模型通过matlab工具箱画图用spss进行数据分析，数据处理简洁方便，图形也更能形象表现出信息，对今后数据处理有一定参照作用5.2 模型缺点对于模型用硬性指标来推测人的理性指标，虽然可以预测出大概但，不能排除人的理性的认识，在模型中缺少人的主观意识，但对于人的主观意识会由于人的不同，而照成结果的不同，人的主观意识不能确定给出评分，往往靠人还要邀请专业人士，进行鉴定，往往就是相同的人也不一定给出相同的结论，本模型也只考虑所给元素的规律对于题中所给元素，也会由于特定原因未能全部用上，有些元素在特定环境下作用明显，一般情况下作用不明显，本模型不能详细讨论。对于题中所给品酒员所给分值，是品酒员个人的主观认为，虽然通过多人判定，和去掉最大，最小值来减少误差，但误差是不可避免的。六 模型推广在现实生活中，有许多标准通过人的主观判断来判定，对于像葡萄酒这类鉴定往往通过专业人士进行鉴定，许多人或多或少的对判定标准有一定差异，导致葡萄酒的鉴定效果不太清楚，可移植性不强，评判结果只能通过相关人士声望来判定结果准确性，在许多情况下不能进行鉴定。对此本模型首先对品酒员结果惊醒分析，找出较准确的一组，并去掉该组最大评分与最小评分的平均值作为结果评分，采用多元线性拟合，图表分析法，和对层次分析法进行该改进来确定合理结果使得主观判断，变成具体的评判数据，对酒质优劣通过具体的数据代替了人的主观判断，使得近似酒品分类变得比较容易。本模型结果在检验过程中发现，有些数据评判与人的主观意识鉴定结果有一定差距，但本模型结果虽然不能确定为最终结果，但能对结果提供一个参照，作为结果的一部分，有着其独特的价值，本题所涉及的建模方法在解决现实生活中一些指标因素时也是值得借鉴的。七 参考文献1王松桂，张忠占, 概率论与数理统计M, 北京：科学出版社，2011. 2糖酒门户网,论酿酒葡萄与葡萄酒之间关系，， 2112-9-9.3百度知道,葡萄哥部分与葡萄酒酿造之间的关系J, 2012-9-9.4百度百科,单宁,/view/68056.htm,访问时间9月9.5曾新安，于淑娟，酿造过程中葡萄酒氨基酸的变化C，酿酒科技，2006年第4期（总第142期）:50到54页，2006年版.6谢光军,黄朝峰,常巍, MATLABR2007基础与提高M，北京:电子工业出版社，2007年.7李志林，欧宜贵，数学建模及典型案例分析M，北京:化学工业出版社，2006年.八附录附录一表十：每组品酒员对样品酒的评分和红葡萄白葡萄组别第一组第二组第一组第二组葡萄样品1627681742779葡萄样品2803740783758葡萄样品3804746794756葡萄样品4686712710769葡萄样品5733721684815葡萄样品6722663775755葡萄样品7715653714742葡萄样品8723660729723葡萄样品9815782743804葡萄样品10742688723798葡萄样品11701616633714葡萄样品12539683659724葡萄样品13746688720739葡萄样品14730726724771葡萄样品15587657740784葡萄样品16749699788673葡萄样品17793745731803葡萄样品18603654722767葡萄样品19786726778764葡萄样品20786758764766葡萄样品21771722710792葡萄样品22772716759794葡萄样品23856771733774葡萄样品24780715771761葡萄样品25692682813795葡萄样品26738720648743葡萄样品27730715813770葡萄样品28742796附录二T检验表十一：红葡萄t检验结果组统计量组别N均值标准差均值的标准误VAR000011.001062.70009.638463.047952.001068.10009.048632.86143VAR000021.001080.30006.307841.994722.001074.00004.027681.27366VAR000031.001080.40006.769212.140612.001074.60005.541761.75246VAR000041.001068.600010.394443.287012.001071.20006.425642.03197VAR000051.001073.30007.874712.490202.001072.10003.695341.16857VAR000061.001072.20007.728732.444042.001066.30004.595891.45335VAR000071.001071.500010.178953.218872.001065.30007.916932.50355VAR000081.001072.30006.634092.097882.001066.00008.069152.55169VAR000091.001081.50005.739731.815062.001078.20005.072801.60416VAR000101.001074.20005.513621.743562.001068.80006.014801.90205VAR000111.001070.10008.412292.660202.001061.60006.168021.95050VAR000121.001053.90008.925002.822332.001068.30005.012211.58500VAR000131.001074.60006.703232.119752.001068.80003.910101.23648VAR000141.001073.00006.000001.897372.001072.60004.812021.52169VAR000151.001058.70009.250232.925182.001065.70006.429962.03333VAR000161.001074.90004.254411.345362.001069.90004.483301.41774VAR000171.001079.30009.381422.966672.001074.50003.02765.95743VAR000181.001060.30006.832112.160502.001065.40007.089902.24202VAR000191.001078.60006.883152.176642.001072.60007.426682.34852VAR000201.001078.60005.103381.613832.001075.80006.250331.97653VAR000211.001077.100010.774973.407352.001072.20005.959121.88444VAR000221.001077.20007.114932.249942.001071.60004.926121.55778VAR000231.001085.60005.699901.802472.001077.10004.976611.57374VAR000241.001078.00008.653842.736582.001071.50003.274481.03548VAR000251.001069.20008.038792.542092.001068.20006.613122.09125VAR000261.001073.80005.593651.768872.001072.00006.446362.03852VAR000271.001073.00007.055342.231092.001071.50004.527691.43178表十二：红葡萄两组分数之间t检验独立样本检验方差方程的 Levene 检验均值方程的 t 检验差分的 95% 置信区间FSig.tdfSig.(双侧)均值差值标准误差值下限上限VAR00001假设方差相等.213.650-1.29218.213-5.400004.18064-1.41832E13.38321假设方差不相等-1.29217.929.213-5.400004.18064-1.41857E13.38571VAR00002假设方差相等2.138E0.1612.66218.0166.300002.366671.3278211.27218假设方差不相等2.66215.293.0186.300002.366671.2639711.33603VAR00003假设方差相等.996.3312.09718.0505.800002.76647-.0121311.61213假设方差不相等2.09717.325.0515.800002.76647-.0284111.62841VAR00004假设方差相等3.991E0.061-.67318.510-2.600003.86437-1.07187E15.51873假设方差不相等-.67315.002.511-2.600003.86437-1.08366E15.63660VAR00005假设方差相等4.100E0.058.43618.6681.200002.75076-4.579136.97913假设方差不相等.43612.780.6701.200002.75076-4.753047.15304VAR00006假设方差相等3.131E0.0942.07518.0535.900002.84351-.0740011.87400假设方差不相等2.07514.658.0565.900002.84351-.1731611.97316VAR00007假设方差相等1.762E0.2011.52018.1466.200004.07785-2.3672514.76725假设方差不相等1.52016.972.1476.200004.07785-2.4046114.80461VAR00008假设方差相等.573.4591.90718.0736.300003.30337-.6401113.24011假设方差不相等1.90717.351.0736.300003.30337-.6587613.25876VAR00009假设方差相等.103.7521.36218.1903.300002.42235-1.789178.38917假设方差不相等1.36217.732.1903.300002.42235-1.794688.39468VAR00010假设方差相等.162.6922.09318.0515.400002.58027-.0209410.82094假设方差不相等2.09317.865.0515.400002.58027-.0238710.82387VAR00011假设方差相等.262.6152.57718.0198.500003.298651.5697915.43021假设方差不相等2.57716.507.0208.500003.298651.5245915.47541VAR00012假设方差相等2.315E0.145-4.44918.000-1.44000E13.23694-2.12006E1-7.59944假设方差不相等-4.44914.163.001-1.44000E13.23694-2.13350E1-7.46496VAR00013假设方差相等.897.3562.36318.0305.800002.45402.6442910.95571假设方差不相等2.36314.489.0335.800002.45402.5532711.04673VAR00014假设方差相等.471.501.16418.871.400002.43219-4.709845.50984假设方差不相等.16417.190.871.400002.43219-4.727175.52717VAR00015假设方差相等1.138E0.300-1.96518.065-7.000003.56246-1.44844E1.48445假设方差不相等-1.96516.051.067-7.000003.56246-1.45501E1.55012VAR00016假设方差相等.034.8562.55818.0205.000001.95448.893799.10621假设方差不相等2.55817.951.0205.000001.95448.892989.10702VAR00017假设方差相等5.679E0.0281.54018.1414.800003.11734-1.7492811.34928假设方差不相等1.54010.855.1524.800003.11734-2.0724311.67243VAR00018假设方差相等.163.691-1.63818.119-5.100003.11359-1.16414E11.44141假设方差不相等-1.63817.975.119-5.100003.11359-1.16421E11.44205VAR00019假设方差相等.164.6901.87418.0776.000003.20208-.7273312.72733假设方差不相等1.87417.897.0776.000003.20208-.7301012.73010VAR00020假设方差相等1.536E0.2311.09718.2872.800002.55169-2.560908.16090假设方差不相等1.09717.308.2882.800002.55169-2.576318.17631VAR00021假设方差相等3.433E0.0801.