Работа 9
КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ
Выборочный коэффициент линейной корреляции. Применение метода наименьших квадратов
в регрессионном анализе данных
Время на выполнение и защиту – 2 час
Цель работы:
1)получение навыков парного корреляционного и регрессионного анализа;
2)изучение метода статистических гипотез на примере гипотезы о значимости коэффициента корреляции;
3)изучение ряда функций Excel и Mathcad.
Статистическая корреляция.
Выборочный коэффициент линейной корреляции
Корреляционной связью количественных признаков называется статистическая зависимость, не имеющая строгого функционального характера. В работе 3 рассматривалась корреляция случайных величин, подчиняющихся определённым законам распределения и образующих систему. В такой постановке расчёт характеристик корреляционной связи представляет собой задачу теории вероятностей. Иначе обстоит дело, если законы распределения составляющих системы нам неизвестны, но доступны данные наблюдений или экспериментов. В этом случае говорят о корреляционном анализе, который является одним из важнейших инструментов математической статистики.
Достаточно часто (хотя и не всегда) можно делать априорные предположения о наличии корреля-
Y |
|
ции. Например, ясно, |
что |
||
|
|
рыночная цена |
квартиры |
||
|
|
сильно зависит от полезной |
|||
|
|
площади, однако эта зави- |
|||
|
|
симость |
не |
выражается |
|
|
|
функционально. |
|
|
|
|
|
Для визуального ана- |
|||
|
|
лиза корреляционной связи |
|||
|
X |
служит |
диаграмма рассеи- |
||
|
вания. Например, вид гра- |
||||
|
|
||||
Рис. 9.1. Диаграмма рассеивания |
|
фика, |
изображённого |
на |
|
|
|
рис. 9.1, даёт основания |
|||
|
|
предположить, |
что между |
двумя признаками существует отрицательная линейная корреляционная связь:
115
величина Y в среднем приблизительно линейно убывает с ростом X. Степень близости точек на диаграмме рассеивания к некоторой функциональной зависимости (например, к прямой линии) принято называть теснотой корреляции. Измерителем тесноты линейной корреляции служит уже знакомый нам по рабо-
те 3 выборочный (эмпирический) коэффициент корреляции
|
|
|
|
r |
= |
|
xy |
− |
x |
|
y |
|
|||||||
|
|
|
|
|
|
σ |
|
σ |
|
|
|
|
|||||||
|
|
|
|
|
xy |
|
|
|
|
x |
y |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
где |
1 |
n |
|
|
|
1 |
n |
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
x = |
|
= |
|
|
|
|
|
|
|
|||||||||
|
|
∑xi , y |
|
|
|
∑yi , |
|||||||||||||
|
|
|
n i =1 |
|
n i =1 |
|
|
|
|
|
|
,
xy = 1 ∑n xi yi , n i =1
|
|
1 |
n |
|
|
1 |
n |
||||
σx2 |
= |
∑xi2 −( |
x |
)2 , |
σy2 |
= |
∑yi2 −( |
y |
)2. |
||
|
|
n i =1 |
|
|
n i =1 |
(9.1)
(9.2)
Приведённые формулы (9.2) для выборочных средних и дисперсий относятся к случаю несгруппированных данных. Группировка данных с определением частотного распределения количественного признака, часто применяемая для идентификации типа распределения (работа 8), в корреляционном и регрессионном анализе используется редко, так как при современных вычислительных средствах в ней нет необходимости.
Коэффициент корреляции может принимать значения в пределах от –1 до 1. Если количественные признаки тесно коррелируют (т. е. близки к линейной функциональной зависимости), то rxy ≈ ±1. В статистической практике принято
считать корреляционную связь заметной при rxy > 0,5 и достаточно тесной
при rxy > 0,8 .
Пример 21. В таблице приводятся выборочные данные о площади (Х, кв. м) и цене (Y, условные единицы) 10 квартир.
|
|
|
|
|
xi |
58 |
74 |
36 |
44 |
70 |
52 |
57 |
65 |
37 |
45 |
|
|
|
|
|
|
|
yi |
20 |
21 |
12 |
15 |
22 |
18 |
17 |
23 |
14 |
16 |
|
|
Найдём выборочный коэффициент корреляции rxy . Расчёты дают: |
|||||||||||||||||
|
|
= 53,8, |
|
=17,8, |
|
|
= 998,4, |
σx =12,6475, |
σy = 3,4583, |
rxy = 0,932 . |
|||||||
|
x |
y |
xy |
Имеется тесная корреляционная связь между площадью квартиры и её ценой.
Проверка гипотезы о значимости коэффициента корреляции
Результаты рассмотрения примера 21 достаточно очевидны. Однако при значениях rxy ≈ 0,5 (и меньше) мы не могли бы с уверенностью утверждать, что
116
признаки корреляционно связаны. Из rxy ≠ 0 ещё нельзя заключить, что не равен нулю и генеральный коэффициент корреляции r(X ,Y) . Необходимо проверить гипотезу о том, что отклонение rxy от нуля незначимо и случайно:
H 0 : r(X ,Y ) = 0, H1 : r(X ,Y ) ≠ 0 .
В качестве критерия используется случайная величина
n − 2 |
, |
(9.3) |
Tr = rxy 1 − r 2 |
||
xy |
|
|
подчиняющаяся распределению Стьюдента. Строится двусторонняя критическая область. Правая критическая точка t2.cr (α, k) , где k = n – 2, может быть
найдена в таблице (приложение 5). На заданном уровне значимости α при |
|||
|
Tr |
|
< t2.cr (α, k) нет оснований отклонить нулевую гипотезу; в противном случае |
|
|
||
H0 |
|
отвергается. |
Пример 22. По выборке объёма n = 10 парных значений двух признаков
найден выборочный коэффициент |
корреляции rxy = 0,4. |
Проверим |
гипотезу |
|||||||
H0 : r(X ,Y ) = 0 при уровне значимости α = 0,05. |
|
|
||||||||
Найдём наблюдаемое значение критерия (9.3): |
|
|
||||||||
|
T = 0,4 |
8 |
|
=1,23. |
|
|
||||
|
r |
|
|
1−0,16 |
|
|
|
|||
|
|
|
|
|
|
|
|
|
||
По таблице |
критических |
|
точек |
распределения |
Стьюдента |
находим |
||||
t2.cr (0,05; 8) = 2,31. |
Поскольку |
|
Tr |
|
< t2.cr , нет оснований отклонить нулевую ги- |
|||||
|
|
потезу. Выборочный коэффициент корреляции незначим. Между признаками нет линейной корреляции.
Регрессионный анализ. Метод наименьших квадратов
Цель регрессионного метода – отыскание параметров функциональной зависимости, наиболее точно описывающей поведение среднего значения количественного признака Y при изменении значения другого количественного признака X (или нескольких признаков).
Пусть изучается взаимозависимость двух количественных признаков (X,Y). В результате n опытов или наблюдений получены пары чисел: ( xi , yi ),
где i =1, n . Теоретическая функция регрессии Y по X (работа 4) нам, как прави-
ло, неизвестна. Однако на основе предварительного анализа этих данных и с учётом самой природы признаков мы можем сделать предположение о некото-
рой линии связи y x = f (x, β) , где под y x подразумевается среднее значение признака Y, соответствующее значению X = x, а под β – совокупность варьи-
117
руемых параметров. Например, если визуально убедиться в том, что эмпирическая картина рассеивания свидетельствует о линейной форме корреляции, то в качестве линии связи можно выбрать прямую
|
x = ax + b . |
(9.4) |
y |
Оптимальные значения коэффициентов a и b должны быть каким-то способом подобраны. В методе наименьших квадратов критерием оптимизации служит условие
n |
|
S(a,b) = ∑( yi − axi − b)2 → min . |
(9.5) |
i=1
Найденные из этого условия значения коэффициентов a и b обеспечивают минимальные отличия значений функции y x (xi ) = axi + b от наблюдаемых орди-
нат yi:
|
|
|
|
|
− |
|
|
|
|
|
|
|
|
|
|
|
x |
2 |
− |
|
|
|
|
|
|
|
|
a* = |
|
|
xy |
x |
y |
, b* = |
|
y |
x |
xy |
. |
(9.6) |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
x 2 |
− ( |
|
|
)2 |
|
x 2 |
− ( |
|
|
)2 |
||||||||||||||||
|
|
x |
|
|
|
x |
|
|
Однако если оценка a* найдена, то для нахождения b* удобнее пользоваться формулой b* = y − a* x .
Выборочное уравнение линейной регрессии и его связь с коэффициентом корреляции
Уравнение вида (9.4), в котором значения коэффициентов a = a* и b =b* вычислены по статистическим данным методом наименьших квадратов (9.6),
называется выборочным уравнением линейной регрессии Y по X. Угловой коэффициент a* называется выборочным коэффициентом регрессии.
Сравнивая формулы для выборочных коэффициентов корреляции rxy и
регрессии a* , нетрудно убедиться, что |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
− |
|
|
|
|
|
|
σ y |
|
|
|
|
|
|
a |
* = |
|
xy |
x |
y |
= |
|
r |
. |
(9.7) |
|||||||||
|
|
|
σ x2 |
|
|
|
|
σ x |
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xy |
|
|||||
Уравнение регрессии (9.4) можно представить в виде |
|
|||||||||||||||||||
|
|
|
− |
|
= |
σ y |
r (x − |
|
) . |
|
||||||||||
|
y |
x |
y |
x |
|
|||||||||||||||
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
σ |
x |
|
|
xy |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таким образом, линия регрессии проходит через точку ( x, y ) с угловым
коэффициентом (коэффициентом регрессии), прямо пропорциональным коэффициенту корреляции.
118
Пример 23 (продолжение примера 21). Пусть требуется дополнительно: записать уравнение линейной регрессии Y по X; предсказать цену квартиры площадью 50 кв. м.
Используя полученные ранее результаты, найдём:
|
σy |
r = 0,255; |
|
|
−17,8 = 0,255(x −53,8); |
|
|
= 0,255x + 4,09 . |
||
|
y |
x |
y |
x |
||||||
|
||||||||||
|
σ |
|
xy |
|
|
|
|
|||
|
|
x |
|
|
|
|
|
|
Точно такой же результат может быть получен непосредственно с использованием приведённых выше формул для a* и b* (9.6). Воспользовавшись найденным уравнением регрессии, получим y x (50) =16,84. Итак, цена квартиры площадью 50 кв. м составит (в среднем) 16,84 условных единиц.
24 |
Y, усл. |
|
|
|
единицы |
|
|
|
|
22 |
|
|
|
|
20 |
|
|
|
|
18 |
|
|
|
|
16 |
|
|
|
X, кв.м. |
14 |
|
|
|
|
12 |
|
|
|
|
10 |
|
|
|
|
35 |
45 |
55 |
65 |
75 |
Рис. 9.2. Прямаялиниярегрессии(пример23)
Задание для лабораторной работы
Задание 9.1. В табл. 9.1 указаны X – густота сети на 100 кв. километров территории и Y – средняя дальность грузоперевозок по железным дорогам 13 стран в 1969 году.
9.1.1.Найти выборочный коэффициент корреляции между указанной парой показателей X, Y.
9.1.2.Проверить гипотезу о значимости коэффициента корреляции при уровне значимости гипотезы α = 0,05.
9.1.3.Найти выборочное уравнение линейной регрессии Y по X и построить соответствующий график.
119
Инструкция по выполнению задания в Excel
1. Расположите ряды данных X и Y в два столбца. Для того чтобы полу-
|
Табл. 9.1. Исходные данные к заданию 9.1 |
чить значение выборочного коэффи- |
||||||
|
|
|
|
|
циента корреляции, достаточно обра- |
|||
|
Страны |
Густота сети на |
Средняя даль- |
|
титься к функции КОРРЕЛ из списка |
|||
|
|
100 кв.км тер- |
ность перево- |
|
Статистические, |
задав в качестве |
||
|
|
ритории, |
зок, км (Y) |
|
аргументов |
два |
соответствующих |
|
|
|
км (X) |
|
|
||||
|
|
|
|
друг другу массива данных. Сделав |
||||
|
|
|
|
|
||||
|
|
|
|
|
это, вы получите значение – 0,6781. |
|||
|
США |
4,3 |
778 |
|
||||
|
Великобр. |
8,5 |
113 |
|
Между густотой сети и средней |
|||
|
|
|||||||
|
Франция |
6,6 |
277 |
|
дальностью грузоперевозок – замет- |
|||
|
ФРГ |
13,6 |
183 |
|
ная отрицательная корреляция. (Объ- |
|||
|
Италия |
6,7 |
288 |
|
яснение. Густота сети обычно выше в |
|||
|
Япония |
7,1 |
239 |
|
||||
|
|
странах |
с небольшой территорией. |
|||||
|
СССР |
0,6 |
858 |
|
||||
|
|
Средняя |
дальность грузоперевозок, |
|||||
|
Болгария |
3,8 |
201 |
|
||||
|
Чехосл. |
10,4 |
236 |
|
напротив, с увеличением территории |
|||
|
ГДР |
13,7 |
156 |
|
страны растёт). |
|
||
|
Венгрия |
10,0 |
164 |
|
2. |
Основная и конкурирующая |
||
|
Польша |
8,5 |
254 |
|
гипотезы имеют вид |
|||
|
Румыния |
4,6 |
256 |
|
||||
|
|
H0 : r(X ,Y ) = 0, |
H1 : r(X ,Y ) ≠ 0, |
|||||
где r(X ,Y) – генеральный |
|
|
||||||
коэффициент |
корреляции. |
При |
объёме выборки |
n =13 наблюдаемое значение критерия (9.3) Tr = −3,06. Критическую точку распределения Стьюдента находим в приложении 5 или пользуемся функцией СТЬЮДРАСПОБР (Статистические): t2.cr (0.05,11) = 2.2. Поскольку Tr > 2.2 ,
основная гипотеза отвергается. Коэффициент корреляции значим.
3. Снова выделите ряды данных X и Y. В диалоговом окне Мастера диаграмм выберите тип диаграммы Точечная. При необходимости последовательно отформатируйте оси абсцисс и ординат, щёлкнув на них дважды мышью и активизировав кнопку Шкала в диалоговом окне Формат оси (для этого необходимо отключить режим Авто при определении желаемых параметров шкалы).
В Excel имеется возможность интерпретировать ряды данных в виде Линий тренда, представляющих собой аппроксимации, полученные на основе регрессионного анализа. Установим курсор мыши на любую точку графика и сделаем щелчок на правой кнопке. В открывшемся контекстном меню выберем Добавить линию тренда, а в соответствующем диалоговом окне – тип аппроксимации Линейная. Теперь в этом же окне активизируем кнопку Параметры и
установим опцию Показывать уравнение на диаграмме. После нажатия на кнопку [OK] на диаграмме появится линия тренда и соответствующее ей уравнение линейной регрессии:
y = −41,445x +621,63.
120
Y (Средняя дальность |
1000 |
|
|
|
800 |
|
|
|
|
600 |
|
|
|
|
400 |
|
|
|
|
200 |
|
|
|
|
кмгрузоперевозок), |
|
|
|
|
|
0 |
|
|
|
|
0,0 |
5,0 |
10,0 |
15,0 |
|
X (густота сети, км, на 100 кв. км территории) |
Рис.9.3. Линия регрессии(задание9.1)
Конечно, для того чтобы получить уравнение регрессии в Excel, вовсе не обязательно пользоваться графическими средствами. Имеется функция НАКЛОН из списка Статистические, которая позволяет найти выборочный коэффициент
регрессии a* по массивам известных значений Y и X. Обратитесь к ней, и вы получите значение a* = −41,445. Функция ПРЕДСКАЗ из того же списка даёт
значение линейного тренда (иначе говоря, значение Y в уравнении регрессии) для любого заданного значения X. В качестве первого аргумента задаётся значение X = x, а в качестве второго и третьего аргументов – массивы известных значений Y и X (именно в таком порядке!). Если в качестве первого аргумента этой функции задать 0, то мы получим оценку другого коэффициента уравне-
ния регрессии b* = 621,629.
В качестве дополнительного упражнения: убедитесь в справедливости формулы (9.7)
a* = |
|
|
− |
|
|
|
|
|
|
σ y |
r |
|
xy |
x |
y |
= |
, |
||||||||
|
σx2 |
σx |
||||||||||
|
|
|
|
xy |
|
используя известные вам функции Excel.
Инструкция по выполнению задания в Mathcad
Зададим исходные данные в виде векторов X и Y размером 13×1. Не забудьте, что перед этим переменной ORIGIN должно быть присвоено значение
1.
1. Коэффициент корреляции r оценивается с помощью функции corr(X,Y) из категории Statistics (Статистика). В качестве аргументов-массивов нужно задать два соответствующих друг другу массива данных. Сделав это, вы получите значение r = – 0.6781. Между густотой сети и средней дальностью грузоперевозок – заметная отрицательная корреляция. Это объясняется тем, что гус-
121
тота сети обычно выше в странах с небольшой территорией. Средняя же дальность грузоперевозок, напротив, растёт с ростом территории страны.
2. Основная и конкурирующая гипотезы имеют вид
H0 : r(X ,Y ) = 0, H1 : r(X ,Y ) ≠ 0,
где r(X ,Y) – генеральный коэффициент корреляции. Найдем наблюдаемое зна-
чение критерия (9.3) при объёме выборки n =13. В результате получим Tr = −3.06 . Критическую точку распределения Стьюдента находим в приложении 5: t2.cr (0.05,11) = 2.2. Поскольку Tr > 2.2 , основная гипотеза отвергается.
Коэффициент корреляции значим.
3. Коэффициенты функции регрессии y = ax +b оцениваются с помо-
щью функции line(X, Y) из категории Curve Fitting and Smoothing (Аппрок-
симация и сглаживание кривой). Данная функция возвращает вектор, содержащий коэффициенты уравнения прямой, наилучшим образом аппроксимирующей данные в векторах X и Y. В отличие от функции corr(X, Y) здесь порядок аргументов важен. Обратившись к указанной функции, получим результат:
621.629
z := line(X,Y) z =
−41.445
Здесь b = 621,23, a =–41,445, уравнение прямой имеет вид
y = −41,445x + 621,63.
Для получения коэффициентов уравнения регрессии можно воспользоваться также функциями slope(X, Y) (коэффициент b) и intercept(X, Y) (коэффициент а). Эти функции можно найти в категории Curve Fitting and Smoothing (Аппроксимация и сглаживание кривой).
Для построения графика полученной кривой упорядочим значения массива Х по возрастанию с помощью функции sort(X) категории Sorting (Сортировка), получим вектор х. Затем по полученному уравнению линии регрессии вычислим соответствующие значения вектора у:
i :=1 .. 13 |
yi := z1 + z2 xi |
При построении графика в появившемся шаблоне задайте переменные оси абсцисс (векторы X и x через запятую) и оси ординат (векторы Y и y через запятую), а также пределы по этим осям − от 0 до 15 и от 50 до 900 соответственно.
Затем войдите в диалоговое окно Formatting Currently Selected Graph
(Форматирование) выбранного графика (например, двойным щелчком мыши) и перейдите на вкладку Traces (Графики).
Установите для кривой, соответствующей вектору y, в поле Туре (Тип) элемент списка «линия», а для кривой, соответствующей вектору Y, элемент
122
списка «точки», и нажмите кнопку ОК. Затем перейдите на вкладку «Подписи» и введите соответствующие подписи по осям. Полученный график должен соответствовать приведенному на рис. 9.2.
перевозок, км |
Y |
|
|
|
|
Средняя дальность |
|
|
|
||
500 |
|
|
|
||
y |
|
|
|
||
0 |
5 |
10 |
15 |
||
|
|||||
|
|
|
X,x |
|
|
|
Густота сети на 100 кв.км территории, км |
Рис.9.2. Прямая линия регрессии (задание 9.1)
В качестве дополнительного упражнения убедитесь в справедливости формулы (9.7)
a* = |
|
|
− |
|
|
|
|
|
|
σ y |
r |
|
xy |
x |
y |
= |
, |
||||||||
|
σx2 |
σx |
||||||||||
|
|
|
|
xy |
|
используя известные вам формулы и функции Mathcad.
Контрольные вопросы
1.В чём различие функциональной зависимости и корреляционной связи?
2.Приведите и проанализируйте собственный пример корреляционной зависимости величин: в природе; в общественной жизни; в технике или в производстве; в экономике.
3.Что такое ковариация (корреляционный момент)? Почему ковариация (корреляционный момент) является неудобным измерителем тесноты корреляции?
4.Что такое выборочный коэффициент корреляции? Какова область его возможных значений?
5. Охарактеризуйте корреляцию между X и Y, если коэффициент корреляции rxy = −0.85 .
6.В каком случае коэффициент корреляции равен единице?
7.Сформулируйте цель регрессионного анализа.
8.Какая функция минимизируется при применении метода наименьших квадратов?
9.Как связаны между собой линейный коэффициент корреляции и угловой коэффициент уравнения парной линейной регрессии?
123
Библиографический список
1.Андронов А.М., Копытов Е.А., Гринглаз Л.Я. Теория вероятностей и математическая статистика / А.М. Андронов − СП. : Питер, 2004, 461 с.
2.Баврин И.И. Теория вероятностей и математическая статистика − М. : Высшая школа, 2005 160 с.
3.Бочаров П.П., Печинкин А.В. Теория вероятностей. Математическая статистика / П.П. Бочаров − М. : Физматлит, 2005, 296 с.
4.Венцель Е.С. Теория вероятностей − М. : Высшая школа, 2001, 576 с.
5.Гефан Г.Д. Статистический метод и основы его применения − Иркутск : ИрГУПС, 2003, 208 с.
6.Гефан Г.Д. Марковские процессы и системы массового обслуживания − Иркутск : Ир-
ГУПС,2009, 80 с.
7.Гефан Г.Д. Основы математической статистики − Иркутск : ИрГУПС, 2011, 72 с.
8.Гильдерман Ю.И. Закон и случай – Новосибирск : Наука, 1991. – 200 с.
9.Гмурман В.Е. Теория вероятностей и математическая статистика − М : Высшая школа 2003, 480 с.
10.Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике − М : Высшая школа, 2008, 404 с.
11.Гнеденко Б.В., Хинчин А.Я. Элементарное введение в теорию вероятностей / Б.В. Гнеденко
–М. : Наука, 1976. – 168 с.
12.Кремер Н.Ш. Теория вероятностей и математическая статистика − М. : ЮНИТИ-
ДАНА2006572304
13.Колемаев В.А., Калинина В.Н. Теория вероятностей и математическая статистика / В.А. Колемаев. − М. : ЮНИТИ-ДАНА, 2003, 249 с.
14.Колмогоров А.Н., Журбенко И.Г., Прохоров А.В. Введение в теорию вероятностей / А.Н. Колмогоров. – М. : Наука, 1982. – 160 с.
15.Письменный Д.Т. Конспект лекций по теории вероятностей и математической статистике − М. : Айрис-пресс, 2004. − 249 с.
16.Прохоров Ю.В., Розанов Ю.А. Теория вероятностей / Ю.В. Прохоров. – М. : Наука, 1967. – 500 с.
17.Соболь И.М. Численные методы Монте-Карло / И.М. Соболь. – М. : Наука, 1973. – 311 с.
18.Толстых О.Д. Цепи Маркова. Системы массового обслуживания – Иркутск : Изд-во ИрИИТ, 1999. – 204 с.
19.Чистяков В.П. Курс теории вероятностей / В.П. Чистяков. – М. : Наука, 1987. – 240 с.
20.Чубарев А.М., Холодный В.С. Невероятная вероятность /А.М. Чубарев. – М. : Знание, 1976.
–128 с.
124
Приложение 1
Таблица значений функции Гаусса
|
|
ϕ(z) = |
1 |
e− |
z2 |
|
|
|
|
|
2 |
|
|
|
|||
|
|
|
2π |
|
|
|
|
|
|
|
|
|
|
|
|
||
z |
ϕ(z) |
z |
|
ϕ(z) |
z |
ϕ(z) |
||
|
|
|
|
|
|
|||
0,00 |
0,39894 |
1,00 |
0,24197 |
2,00 |
0,05399 |
|||
0,02 |
0,39886 |
1,02 |
0,23713 |
2,02 |
0,05186 |
|||
0,04 |
0,39862 |
1,04 |
0,23230 |
2,04 |
0,04980 |
|||
0,06 |
0,39822 |
1,06 |
0,22747 |
2,06 |
0,04780 |
|||
0,08 |
0,39767 |
1,08 |
0,22265 |
2,08 |
0,04586 |
|||
0,10 |
0,39695 |
1,10 |
0,21785 |
2,10 |
0,04398 |
|||
0,12 |
0,39608 |
1,12 |
0,21307 |
2,12 |
0,04217 |
|||
0,14 |
0,39505 |
1,14 |
0,20831 |
2,14 |
0,04041 |
|||
0,16 |
0,39387 |
1,16 |
0,20357 |
2,16 |
0,03871 |
|||
0,18 |
0,39253 |
1,18 |
0,19886 |
2,18 |
0,03706 |
|||
0,20 |
0,39104 |
1,20 |
0,19419 |
2,20 |
0,03547 |
|||
0,22 |
0,38940 |
1,22 |
0,18954 |
2,22 |
0,03394 |
|||
0,24 |
0,38762 |
1,24 |
0,18494 |
2,24 |
0,03246 |
|||
0,26 |
0,38568 |
1,26 |
0,18037 |
2,26 |
0,03103 |
|||
0,28 |
0,38361 |
1,28 |
0,17585 |
2,28 |
0,02965 |
|||
0,30 |
0,38139 |
1,30 |
0,17137 |
2,30 |
0,02833 |
|||
0,32 |
0,37903 |
1,32 |
0,16694 |
2,32 |
0,02705 |
|||
0,34 |
0,37654 |
1,34 |
0,16256 |
2,34 |
0,02582 |
|||
0,36 |
0,37391 |
1,36 |
0,15822 |
2,36 |
0,02463 |
|||
0,38 |
0,37115 |
1,38 |
0,15395 |
2,38 |
0,02349 |
|||
0,40 |
0,36827 |
1,40 |
0,14973 |
2,40 |
0,02239 |
|||
0,42 |
0,36526 |
1,42 |
0,14556 |
2,42 |
0,02134 |
|||
0,44 |
0,36213 |
1,44 |
0,14146 |
2,44 |
0,02033 |
|||
0,46 |
0,35889 |
1,46 |
0,13742 |
2,46 |
0,01936 |
|||
0,48 |
0,35553 |
1,48 |
0,13344 |
2,48 |
0,01842 |
|||
0,50 |
0,35207 |
1,50 |
0,12952 |
2,53 |
0,01625 |
|||
0,52 |
0,34849 |
1,52 |
0,12566 |
2,58 |
0,01431 |
|||
0,54 |
0,34482 |
1,54 |
0,12188 |
2,63 |
0,01256 |
|||
0,56 |
0,34105 |
1,56 |
0,11816 |
2,68 |
0,01100 |
|||
0,58 |
0,33718 |
1,58 |
0,11450 |
2,73 |
0,00961 |
|||
0,60 |
0,33322 |
1,60 |
0,11092 |
2,78 |
0,00837 |
|||
0,62 |
0,32918 |
1,62 |
0,10741 |
2,83 |
0,00727 |
|||
0,64 |
0,32506 |
1,64 |
0,10396 |
2,88 |
0,00631 |
|||
0,66 |
0,32086 |
1,66 |
0,10059 |
2,93 |
0,00545 |
|||
0,68 |
0,31659 |
1,68 |
0,09728 |
2,98 |
0,00470 |
|||
0,70 |
0,31225 |
1,70 |
0,09405 |
3,03 |
0,00405 |
|||
0,72 |
0,30785 |
1,72 |
0,09089 |
3,08 |
0,00348 |
|||
0,74 |
0,30339 |
1,74 |
0,08780 |
3,13 |
0,00298 |
|||
0,76 |
0,29887 |
1,76 |
0,08478 |
3,18 |
0,00254 |
|||
0,78 |
0,29431 |
1,78 |
0,08183 |
3,23 |
0,00216 |
|||
0,80 |
0,28969 |
1,80 |
0,07895 |
3,28 |
0,00184 |
|||
0,82 |
0,28504 |
1,82 |
0,07614 |
3,38 |
0,00132 |
|||
0,84 |
0,28034 |
1,84 |
0,07341 |
3,48 |
0,00094 |
|||
0,86 |
0,27562 |
1,86 |
0,07074 |
3,58 |
0,00066 |
|||
0,88 |
0,27086 |
1,88 |
0,06814 |
3,68 |
0,00046 |
|||
0,90 |
0,26609 |
1,90 |
0,06562 |
3,78 |
0,00031 |
|||
0,92 |
0,26129 |
1,92 |
0,06316 |
3,88 |
0,00021 |
|||
0,94 |
0,25647 |
1,94 |
0,06077 |
3,98 |
0,00014 |
|||
0,96 |
0,25164 |
1,96 |
0,05844 |
4,20 |
0,00006 |
|||
0,98 |
0,24681 |
1,98 |
0,05618 |
5,00 |
0,00000 |
125
Приложение 2
Таблица значений функции Лапласа
|
|
|
|
|
|
|
1 |
x |
z2 |
|
|
|
|
|
|||
|
|
|
|
|
|
Φ(x) = |
∫e− |
|
dz |
|
|
|
|
|
|||
|
|
|
|
2 |
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
2π |
0 |
|
|
|
|
|
|
|
|
|
x |
|
Φ(x) |
|
|
|
x |
|
|
Φ(x) |
|
|
|
x |
|
Φ(x) |
||
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
0,02 |
|
0,00798 |
|
|
1,02 |
|
|
0,34614 |
|
|
2,02 |
|
0,47831 |
||||
0,04 |
|
0,01595 |
|
|
|
1,04 |
|
|
0,35083 |
|
|
|
2,04 |
|
0,47932 |
||
0,06 |
|
0,02392 |
|
|
|
1,06 |
|
|
0,35543 |
|
|
|
2,06 |
|
0,48030 |
||
0,08 |
|
0,03188 |
|
|
|
1,08 |
|
|
0,35993 |
|
|
|
2,08 |
|
0,48124 |
||
0,10 |
|
0,03983 |
|
|
|
1,10 |
|
|
0,36433 |
|
|
|
2,10 |
|
0,48214 |
||
0,12 |
|
0,04776 |
|
|
|
1,12 |
|
|
0,36864 |
|
|
|
2,12 |
|
0,48300 |
||
0,14 |
|
0,05567 |
|
|
|
1,14 |
|
|
0,37286 |
|
|
|
2,14 |
|
0,48382 |
||
0,16 |
|
0,06356 |
|
|
|
1,16 |
|
|
0,37698 |
|
|
|
2,16 |
|
0,48461 |
||
0,18 |
|
0,07142 |
|
|
|
1,18 |
|
|
0,38100 |
|
|
|
2,18 |
|
0,48537 |
||
0,20 |
|
0,07926 |
|
|
|
1,20 |
|
|
0,38493 |
|
|
|
2,20 |
|
0,48610 |
||
0,22 |
|
0,08706 |
|
|
|
1,22 |
|
|
0,38877 |
|
|
|
2,22 |
|
0,48679 |
||
0,24 |
|
0,09483 |
|
|
|
1,24 |
|
|
0,39251 |
|
|
|
2,24 |
|
0,48745 |
||
0,26 |
|
0,10257 |
|
|
|
1,26 |
|
|
0,39617 |
|
|
|
2,26 |
|
0,48809 |
||
0,28 |
|
0,11026 |
|
|
|
1,28 |
|
|
0,39973 |
|
|
|
2,28 |
|
0,48870 |
||
0,30 |
|
0,11791 |
|
|
|
1,30 |
|
|
0,40320 |
|
|
|
2,30 |
|
0,48928 |
||
0,32 |
|
0,12552 |
|
|
|
1,32 |
|
|
0,40658 |
|
|
|
2,32 |
|
0,48983 |
||
0,34 |
|
0,13307 |
|
|
|
1,34 |
|
|
0,40988 |
|
|
|
2,34 |
|
0,49036 |
||
0,36 |
|
0,14058 |
|
|
|
1,36 |
|
|
0,41308 |
|
|
|
2,36 |
|
0,49086 |
||
0,38 |
|
0,14803 |
|
|
|
1,38 |
|
|
0,41621 |
|
|
|
2,38 |
|
0,49134 |
||
0,40 |
|
0,15542 |
|
|
|
1,40 |
|
|
0,41924 |
|
|
|
2,40 |
|
0,49180 |
||
0,42 |
|
0,16276 |
|
|
|
1,42 |
|
|
0,42220 |
|
|
|
2,42 |
|
0,49224 |
||
0,44 |
|
0,17003 |
|
|
|
1,44 |
|
|
0,42507 |
|
|
|
2,44 |
|
0,49266 |
||
0,46 |
|
0,17724 |
|
|
|
1,46 |
|
|
0,42785 |
|
|
|
2,46 |
|
0,49305 |
||
0,48 |
|
0,18439 |
|
|
|
1,48 |
|
|
0,43056 |
|
|
|
2,48 |
|
0,49343 |
||
0,50 |
|
0,19146 |
|
|
|
1,50 |
|
|
0,43319 |
|
|
|
2,50 |
|
0,49379 |
||
0,52 |
|
0,19847 |
|
|
|
1,52 |
|
|
0,43574 |
|
|
|
2,55 |
|
0,49461 |
||
0,54 |
|
0,20540 |
|
|
|
1,54 |
|
|
0,43822 |
|
|
|
2,60 |
|
0,49534 |
||
0,56 |
|
0,21226 |
|
|
|
1,56 |
|
|
0,44062 |
|
|
|
2,65 |
|
0,49598 |
||
0,58 |
|
0,21904 |
|
|
|
1,58 |
|
|
0,44295 |
|
|
|
2,70 |
|
0,49653 |
||
0,60 |
|
0,22575 |
|
|
|
1,60 |
|
|
0,44520 |
|
|
|
2,75 |
|
0,49702 |
||
0,62 |
|
0,23237 |
|
|
|
1,62 |
|
|
0,44738 |
|
|
|
2,80 |
|
0,49744 |
||
0,64 |
|
0,23891 |
|
|
|
1,64 |
|
|
0,44950 |
|
|
|
2,85 |
|
0,49781 |
||
0,66 |
|
0,24537 |
|
|
|
1,66 |
|
|
0,45154 |
|
|
|
2,90 |
|
0,49813 |
||
0,68 |
|
0,25175 |
|
|
|
1,68 |
|
|
0,45352 |
|
|
|
2,95 |
|
0,49841 |
||
0,70 |
|
0,25804 |
|
|
|
1,70 |
|
|
0,45543 |
|
|
|
3,00 |
|
0,49865 |
||
0,72 |
|
0,26424 |
|
|
|
1,72 |
|
|
0,45728 |
|
|
|
3,05 |
|
0,49886 |
||
0,74 |
|
0,27035 |
|
|
|
1,74 |
|
|
0,45907 |
|
|
|
3,10 |
|
0,49903 |
||
0,76 |
|
0,27637 |
|
|
|
1,76 |
|
|
0,46080 |
|
|
|
3,15 |
|
0,49918 |
||
0,78 |
|
0,28230 |
|
|
|
1,78 |
|
|
0,46246 |
|
|
|
3,20 |
|
0,49931 |
||
0,80 |
|
0,28814 |
|
|
|
1,80 |
|
|
0,46407 |
|
|
|
3,25 |
|
0,49942 |
||
0,82 |
|
0,29389 |
|
|
|
1,82 |
|
|
0,46562 |
|
|
|
3,30 |
|
0,49952 |
||
0,84 |
|
0,29955 |
|
|
|
1,84 |
|
|
0,46712 |
|
|
|
3,40 |
|
0,49966 |
||
0,86 |
|
0,30511 |
|
|
|
1,86 |
|
|
0,46856 |
|
|
|
3,50 |
|
0,49977 |
||
0,88 |
|
0,31057 |
|
|
|
1,88 |
|
|
0,46995 |
|
|
|
3,60 |
|
0,49984 |
||
0,90 |
|
0,31594 |
|
|
|
1,90 |
|
|
0,47128 |
|
|
|
3,70 |
|
0,49989 |
||
0,92 |
|
0,32121 |
|
|
|
1,92 |
|
|
0,47257 |
|
|
|
3,80 |
|
0,49993 |
||
0,94 |
|
0,32639 |
|
|
|
1,94 |
|
|
0,47381 |
|
|
|
3,90 |
|
0,49995 |
||
0,96 |
|
0,33147 |
|
|
|
1,96 |
|
|
0,47500 |
|
|
|
4,00 |
|
0,49997 |
||
0,98 |
|
0,33646 |
|
|
|
1,98 |
|
|
0,47615 |
|
|
|
4,20 |
|
0,49999 |
||
1,00 |
|
0,34134 |
|
|
|
2,00 |
126 0,47725 |
|
|
|
5,00 |
|
0,50000 |
||||
|
|
|
|
|
|