- •С. Б. Волкова математическая статистика и планирование эксперимента
- •§ 2. Интервальные оценки . . . . . . . . . . . . . . . . . . . . . . . . . 50
- •§ 3. Проверка статистических гипотез . . . . . . . . . . . . . . . . 58
- •§ 2. Доверительные интервалы для параметров
- •§ 3. Полные факторные эксперименты типа 2k.
- •§ 4. Оптимизация планов. Поиск экстремума
- •Предисловие
- •Введение
- •§ 1. Математическая модель статистического эксперимента
- •§ 2. Случайные величины
- •Глава 1. Элементы математической статистики
- •§ 1. Выборочный метод. Точечные оценки
- •§ 2. Интервальные оценки
- •§ 3. Проверка статистических гипотез
- •2. Проверка гипотезы о равенстве дисперсий двух нормально распределенных случайных величин.
- •§ 4. Однофакторный дисперсионный анализ
- •§ 5. Элементы теории корреляции
- •Глава 2. Планирование эксперимента
- •§ 1. Пассивный эксперимент
- •7. Оценивание функции отклика и ее параметров.
- •§ 2. Доверительные интервалы для параметров функции отклика и гипотеза адекватности
- •§ 3. Полные факторные эксперименты типа 2k . Анализ факторных экспериментов
- •4. Насыщенное и ненасыщенное планирование.
- •§ 4. Оптимизация планов. Поиск экстремума функции отклика
- •Для распределения 2 с n степенями свободы
- •Критические точки критерия 2:
- •Критические точки критерия 2:
- •Литература для дополнительного чтения
- •Светлана Борисовна Волкова математическая статистика и планирование эксперимента
- •162600, Г. Череповец, пр. Луначарского, 5.
§ 4. Оптимизация планов. Поиск экстремума функции отклика
1. Построение линейных оптимальных планов. Пусть функция отклика является полиномом первой степени от k переменных:
. (1)
Определение 1. План называется линейным, если ему соответствует функция отклика (1) и он позволяет получить несмещенные МНК-оценки параметров .
Если матрица линейного плана есть
, (2)
то матрица планирования для этого плана имеет вид
.
Определение 2. Линейный план называется линейным ортогональным планом, если столбцы матрицы X попарно ортогональны, т. е.
. (3)
Линейные планы широко используются в экспериментальных исследованиях, где эффекты взаимодействий факторов незначимы или вообще отсутствуют. Они используются также в задачах поиска экстремума функции отклика.
Пусть матрица планирования X имеет ранг k + 1 и вектор наблюдений удовлетворяет условиям ; , тогда для ковариационной матрицы МНК-оценок вектора β имеем равенство
.
Будем предполагать, что
, , (4)
где величины ci заданы; положим также .
Требуется выбрать матрицу планирования X или матрицу линейного плана , так чтобы дисперсии МНК-оценок параметров в классе линейных планов с ограничениями (4) были минимальными.
План, минимизирующий дисперсии оценок параметров, называют линейным оптимальным планом. Задача построения таких планов решается с помощью теоремы Бокса, которую мы приведем без доказательства.
Теорема Бокса. Пусть функция отклика имеет вид (1), столбцы матрицы линейного плана удовлетворяют условиям (4) и ранг матрицы X равен k + 1. Тогда для МНК-оценок параметров выполняется неравенство
( ), (5)
причем минимум дисперсий в классе линейных планов с ограничениями (4) достигается тогда и только тогда, когда столбцы матрицы X попарно ортогональны.
В частности, поскольку первый столбец матрицы X состоит из единиц (x0u 1), из условия ортогональности (3) при j 0 следует . Таким образом, получаем
Следствие. Необходимым условием минимума дисперсий МНК-оценок является выполнение при всех i 1, 2, ..., k равенства (условие симметрии плана).
2. Градиентный метод. Будем предполагать, что функция отклика непрерывна и имеет непрерывные частные производные 1-го порядка в ограниченной замкнутой области G k.
Определение 1. Функция f называется унимодальной в области G, если она в этой области имеет единственный экстремум.
Пусть изменение функции многих переменных вдоль некоторой траектории, проведенной из точки в точку и определенной в области G, задается уравнением , где – параметр, пробегающий числовой отрезок [0; 1].
Траекторию назовем строго возрастающей (строго убывающей), если функция () строго возрастает (строго убывает) на отрезке [0; 1].
Определение 2. Пусть – функция отклика, определенная в области G и имеющая во внутренней точке максимум или минимум. Функция называется строго унимодальной, если отрезок, проведенный из любой точки в точку , является строго возрастающей траекторией в случае максимума или строго убывающей траекторией в случае минимума.
Экстремум функции отыскивается методом спуска (или подъема) по исследуемой поверхности. Этот метод основан на построении последовательности точек , лежащих в области G и таких, что (метод спуска) или (метод подъема).
Наиболее часто применяемая в практике исследований разновидность метода спуска и подъема – так называемый градиентный метод, при котором последовательность точек определяется с помощью равенства
, (6)
где – градиент функции f в точке ; – некоторое положительное число. В этом случае функция f предполагается строго унимодальной.
Различные варианты градиентного метода отличаются друг от друга способом выбора . Одним из вариантов градиентного метода является метод наискорейшего спуска (или подъема). При оптимизации технологических процессов в теории планирования эксперимента используется его статистический аналог – метод Бокса и Уилсона. В этом методе используется не сам градиент, а его оценка.
3. Оценивание градиента. Пусть функция отклика
(7)
определена в области G k.
Выберем произвольно точку . Используя эту точку, построим полный факторный эксперимент. Выберем для каждого i 1, 2, ..., k нижний уровень и верхний уровень так, чтобы было . Положим , введем кодированные переменные и выразим функцию отклика (7) через кодированные переменные:
. (8)
Под задачей оценивания градиента будем понимать определение оценки градиента функции отклика (8) в точке x0 (0, 0, ..., 0). Предположим, что в окрестности точки x0 функция (8) допускает разложение по формуле Маклорена:
(9)
где . Введем обозначения: , , , . Тогда равенство (9) перепишется в виде
.
Так как , задача оценивания градиента сводится к нахождению МНК-оценок параметров .
Пусть матрица полного факторного плана с центром в точке задана равенством (2).
Для простоты будем считать, что в замкнутой области функция отклика достаточно точно аппроксимируется линейной функцией, т. е.
. (10)
Тогда матрице плана и функции отклика (10) соответствует матрица планирования ( j 0, 1, 2, ..., k; u 1, 2, ..., N; x0u 1) и для МНК-оценки параметра имеем равенство
( j 0, 1, 2, ..., k),
где – наблюдения в точках плана.
Поскольку являются оценками компонент градиента , т. е. частных производных , то МНК-оценка градиента функции отклика в точке определяется равенством
.
Пример. Пусть f (x1, x2) – функция отклика (x1, x2 –кодированные переменные), матрица плана и результаты наблюдений . Используя аппроксимацию вида 0 + 1x1 + 2x2 + 3x1x2 ( ), найдем оценку градиента в центре плана (0, 0). Так как и , то планирование ортогонально, (–y1 + y2 – y3 + y4) : 4 –3, (–y1 – y2 + y3 + y4) : 4 –10 и, следовательно, получаем .
4. Метод Бокса и Уилсона. Будем предполагать, что функция отклика (7) в области G строго унимодальна. Поиск ее максимума может быть осуществлен методом, предложенным Боксом и Уилсоном.
Пусть – начальная точка поиска максимума. При переходе к кодированным переменным точке соответствует точка , а функция отклика (7) принимает вид (8).
Пусть – оценка градиента в точке , полученная с использованием факторного эксперимента, матрица плана которого задана равенством (2). Для поиска максимума сделаем некоторый шаг из точки в направлении оценки градиента . Положим
, (11)
где параметр , – МНК-оценка градиента, , (i 1, 2, ..., k).
Точке в системе координат кодированных переменных соответствует точка в системе координат исходных переменных, при этом имеем .
Выполним в точке наблюдения и найдем в ней оценку функции отклика
. (12)
Так как измерение функции отклика происходит с ошибкой, то в точке можно найти только ее оценку, а не точное значение. Предположим, что оценка значимо больше оценки функции отклика в точке , где согласно (10) .
В этом случае делаем второй шаг в направлении оценки градиента и т. д. В общем виде, учитывая (11), для l-го шага имеем:
, (i 1, 2, ..., k), (13)
где . Оценка функции отклика в точке аналогична (12):
,
где – наблюдения в точке . Пусть – первая точка, для которой верно неравенство , тогда как . Тогда величину примем за оценку максимума функции отклика (8) при движении в направлении градиента .
Затем, возвращаясь в точку , находим координаты точки по формулам (13). В случае необходимости дальнейшего уточнения в окрестности этой точки строим новый факторный план и аналогично предыдущему повторяем весь цикл поиска максимума функции отклика (при новых кодированных переменных).
При планировании эксперимента основной задачей является повышение эффективности эксперимента. Если эксперимент является дорогостоящим, то поиск заканчивают при получении удовлетворительного для исследователя значения функции отклика без достижения области экстремума. Достижение области экстремума в этом случае по экономическим соображениям может оказаться нецелесообразным.
5. Проверка гипотезы адекватности модели при поиске экстремума при наличии повторных наблюдений в центре плана. При поиске экстремума функции отклика после проведения факторного эксперимента часто выполняют проверку гипотезы адекватности модели. Эта проверка возможна лишь при ненасыщенном планировании. При построении факторного эксперимента и оценивании градиента будем считать, что функция отклика имеет вид:
. (14)
Задача проверки гипотезы адекватности этой модели для случая, когда матрица плана (i 1, 2, ..., k; u 1, 2, ..., N0) является матрицей плана с кратными повторными наблюдениями (l 1, 2, ..., n; s 1, 2, ..., m; всего наблюдений) и когда наблюдения в центре плана отсутствуют, рассматривалась в п. 3 § 3.
Предположим теперь, что в центре плана также имеются повторные наблюдения , так что число наблюдений в этом случае есть . В этом случае – несмещенная оценка общей для наблюдений дисперсии .
Оценка дисперсии , связанная с неадекватностью модели, есть , где r – ранг матрицы (см. § 3, п. 6). Учитывая условия (5) – (7) § 3, ортогональность планирования и то, что ранг r матрицы равен , получаем ,
где
, ( j 0, 1, ..., p0).
Гипотеза H0 адекватности модели (14) принимается, если , и отклоняется, если .
6. Исследование области экстремума. Постановка задачи. После достижения области экстремума проводится ее исследование. Для этого строят планы более высокого порядка, так как функции отклика вблизи экстремума обычно плохо аппроксимируются линейной функцией.
Определение. План, которому соответствует функция отклика вида
,
являющаяся полиномом степени d от переменных x1, x2, ..., xk, называется планом порядка d, если он позволяет получить несмещенные МНК-оценки неизвестных параметров .
Для аппроксимации функции отклика сначала используется полином 2-й степени:
. (15)
Если такая аппроксимация оказывается неудовлетворительной, то для описания этой области применяют полиномы более высокой степени.
В этом случае возникает проблема выбора плана эксперимента. Для построения планов второго порядка нельзя непосредственно воспользоваться факторными экспериментами, в которых переменные варьируются на двух уровнях. Эти эксперименты не позволяют получить несмещенные оценки параметров , , т. к. соответствующие столбцы матрицы планирования состоят из единиц. Поэтому при построении планов второго порядка используются факторные эксперименты, в которых переменные варьируются на трех или более уровнях. В полных факторных экспериментах типа число различных точек плана .
Но полный факторный эксперимент типа использовать для построения планов второго порядка нецелесообразно, так как избыточность опытов N – ( p + 1), где – число неизвестных параметров в (15), очень велика.
7. Центральные композиционные планы 2-го порядка. Один из способов построения плана второго порядка состоит в использовании результатов планирования на последнем шаге наискорейшего подъема. План такого вида получается достраиванием факторного плана и называется композиционным.
Рассмотрим пример построения центрального композиционного плана, когда число факторов k 3. Предположим, что при поиске экстремума использовалось линейное приближение функции отклика . Допустим далее, что при проверке гипотезы адекватности модели линейное приближение оказалось недостаточным. Пробный шаг в направлении оценки градиента также не показал прироста функции отклика. Полагая, что область экстремума достигнута, воспользуемся для ее описания полиномом второй степени. Число неизвестных коэффициентов полинома
.
Для их оценивания построим композиционный план. Полный факторный эксперимент типа 23 образует ядро композиционного плана. В качестве дополнительных точек для наблюдений возьмем еще шесть так называемых «звездных» точек с координатами (–1, 0, 0), (1, 0, 0), (0, –2, 0), (0, 2, 0), (0, 0, –3), (0, 0, 3). Кроме этих точек при построении композиционного плана используют повторных опытов в его центре. Наблюдения в нем или уже имеются до построения композиционного плана, или их выполняют. Они необходимы для проверки гипотезы адекватности модели, а также для получения информации о центре плана.
В этом случае матрица плана при имеет вид: , где обозначено
, .
План представляет собой композицию или соединение двух планов, матрицы которых и , и поэтому называется композиционным. Так как точки построенного композиционного плана расположены симметрично относительно центра, то его называют центральным.
Аналогично строятся центральные композиционные планы 2-го порядка для произвольного числа факторов k, при этом каждый из факторов варьируется на пяти уровнях , – 1, 0, 1, (i 1, 2, ..., k). Число наблюдений выражается, очевидно, равенством
N N0 + 2k + n0, (16)
где N0 – число наблюдений в точках ядра плана; 2k – число «звездных» точек; n0 – число наблюдений в центре плана.
В дальнейшем рассматриваются только такие планы, для которых все i (i 1, 2, ..., k) равны одному и тому же числу . Число в этом случае называют плечом плана.
Среди центральных композиционных планов наиболее широко применяются планы Бокса.
Определение. Центральный композиционный план 2-го порядка называется планом Бокса, если его ядром является полный факторный эксперимент типа 2k.
8. Ортогональные планы 2-го порядка. В общем случае центральный композиционный план второго порядка не является ортогональным. Однако если он представляет собой план Бокса, то изменением звездного плеча и преобразованием функции отклика (15) его можно сделать ортогональным.
Приведем пример таблицы, содержащей матрицу планирования плана Бокса для k = 3 и п0 3, не все столбцы которой ортогональны друг другу.
План |
1 x1 x2 x3 |
x1x2 x1x3 x2x3 |
|
|||||||
Полный факторный эксперимент типа 23 |
1 1 1 1 1 1 1 1 |
–1 1 –1 1 –1 1 –1 1 |
–1 –1 1 1 –1 –1 1 1 |
–1 –1 –1 –1 1 1 1 1 |
1 –1 –1 1 1 –1 –1 1 |
1 –1 1 –1 –1 1 –1 1 |
1 1 –1 –1 –1 –1 1 1 |
1 1 1 1 1 1 1 1 |
1 1 1 1 1 1 1 1 |
1 1 1 1 1 1 1 1 |
|
1 |
– |
0 |
0 |
0 |
0 |
0 |
2 |
0 |
0 |
Звездный план |
1 1 1 1 1 |
0 0 0 0 |
– 0 0 |
0 0 – |
0 0 |
0 0 |
0 0 |
2 0 0 0 0 |
0 2 2 0 0 |
0 0 0 2 2 |
Наблюдения в центре плана |
1 1 1 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
Здесь имеем при i 1, 2, 3; при i, j 1, 2, 3, i j .
Пусть (i 1, 2, ..., k; и 1, 2, ..., N) – матрица плана Бокса, где N определяется формулой (16), а X – матрица планирования, соответствующая матрице плана и функции отклика (15).
Для того чтобы сделать план Бокса ортогональным, введем переменные
(i 1, 2, ..., k).
В результате от модели (15) перейдем к модели
(17)
где
. (18)
У моделей (15) и (17) все неизвестные коэффициенты, кроме первого, совпадают. Очевидно, что
(i 1, 2, ..., k). (19)
Обозначим
. (20)
Матрица планирования X для модели (15) будет отличаться от матрицы планирования для модели (17). Таблица, приведенная на стр. 140, содержит матрицу для случая k = 3 и п0 = 3.
Для модели (17) столбец матрицы , соответствующий переменной x0, будет ортогонален каждому столбцу, соответствующему переменной . Действительно,
(i 1, 2, ..., k).
Неортогональными друг другу будут лишь последние k столбцов этой матрицы: , i, j 1, 2, ..., k; i j.
Требуется подобрать величину так, чтобы эти столбцы стали попарно ортогональными. Для этого нужно ре-
План |
x0 x1 x2 x3 |
x1x2 x1x3 x2x3 |
|
|||||||
Полный факторный эксперимент типа 23 |
1 1 1 1 1 1 1 1 |
–1 1 –1 1 –1 1 –1 1 |
–1 –1 1 1 –1 –1 1 1 |
–1 –1 –1 –1 1 1 1 1 |
1 –1 –1 1 1 –1 –1 1 |
1 –1 1 –1 –1 1 –1 1 |
1 1 –1 –1 –1 –1 1 1 |
1– c 1– c 1– c 1– c 1– c 1– c 1– c 1– c |
1– c 1– c 1– c 1– c 1– c 1– c 1– c 1– c |
1– c 1– c 1– c 1– c 1– c 1– c 1– c 1– c |
Звездный план |
1 1 1 1 1 1 |
– 0 0 0 0 |
0 – 0 0 |
0 0 0 – |
0 0 0 |
0 0 0 |
0 0 0 |
2– c 2– c – c – c – c – c |
– c – c 2 – c 2 – c – c – c |
– c – c – c – c 2 – c 2 – c |
Наблюдения в центре плана |
1 1 1 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
0 0 0 |
– c – c – c |
– c – c – c |
– c – c – c |
шить уравнение (см. приведенную таблицу)
,
которое после элементарных преобразований принимает вид
. (21)
Учитывая (16), (18), (19) и (20), получаем с2 N0 / N. Из уравнения (21) следует, что .
Зависимость и c от числа факторов при n0 3 показана в следующей таблице.
Число факторов |
2 |
3 |
4 |
Ядро |
|
|
|
c |
0,603 |
0,686 |
0,770 |
|
1,147 |
1,353 |
1,547 |
Пусть – элемент матрицы , тогда оценки параметров , где , определяются формулой
, j 1, 2, ..., p.
Дисперсия оценки определяется по теореме Бокса:
, j 1, 2, ..., p. (22)
Оценка параметра определяется формулой
,
ее дисперсия
. (23)
Согласно (18) и (19) и, следовательно, .
Дисперсии оценок коэффициентов регрессии для планов второго порядка в отличие от линейных планов являются различными (см. (22) и (23)).
Оценкой функции отклика в точке является
,
а оценка ее дисперсии есть
.
Пример. Пусть k 3, N0 23 и n0 3. Построим центральный композиционный план 2-го порядка. Так как в этом случае 1,35, c 0,69, то матрица планирования для ортогонального плана Бокса и функции отклика (17) имеет вид
Таблица 1. Значения функции
x |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
|
|
|
|
|
|
|
|
|
|
0,0 |
0,3989 |
3989 |
3989 |
3988 |
3986 |
3984 |
3982 |
3980 |
3977 |
3973 |
0,1 |
3970 |
3965 |
3961 |
3956 |
3951 |
3945 |
3939 |
3932 |
3925 |
3918 |
0,2 |
3910 |
3902 |
3894 |
3885 |
3876 |
3867 |
3857 |
3847 |
3836 |
3925 |
0,3 |
3814 |
3802 |
3790 |
3778 |
3765 |
3752 |
3739 |
3726 |
3712 |
3697 |
0,4 |
3683 |
3668 |
3653 |
3637 |
3621 |
3605 |
3589 |
3572 |
3555 |
3538 |
0,5 |
3521 |
3503 |
3485 |
3467 |
3448 |
3429 |
3410 |
3391 |
3372 |
3352 |
0,6 |
3332 |
3312 |
3292 |
3271 |
3251 |
3230 |
3209 |
3187 |
3166 |
3144 |
0,7 |
3123 |
3101 |
3079 |
3056 |
3034 |
3011 |
2989 |
2966 |
2943 |
2920 |
0,8 |
2897 |
2874 |
2850 |
2827 |
2803 |
2780 |
2756 |
2732 |
2709 |
2685 |
0,9 |
2661 |
2637 |
2613 |
2589 |
2565 |
2541 |
2516 |
2492 |
2468 |
2444 |
1,0 |
0,2420 |
2396 |
2371 |
2347 |
2323 |
2299 |
2275 |
2251 |
2227 |
2203 |
1,1 |
2179 |
2155 |
2131 |
2107 |
2083 |
2059 |
2036 |
2012 |
1989 |
1965 |
1,2 |
1942 |
1919 |
1895 |
1872 |
1849 |
1826 |
1804 |
1781 |
1758 |
1736 |
1,3 |
1714 |
1691 |
1669 |
1647 |
1626 |
1604 |
1582 |
1561 |
1539 |
1518 |
1,4 |
1497 |
1476 |
1456 |
1435 |
1415 |
1394 |
1374 |
1354 |
1334 |
1315 |
1,5 |
1295 |
1276 |
1257 |
1238 |
1219 |
1200 |
1182 |
1163 |
1145 |
1127 |
1,6 |
1109 |
1092 |
1074 |
1057 |
1040 |
1023 |
1006 |
0989 |
0973 |
0957 |
1,7 |
0940 |
0925 |
0909 |
0893 |
0878 |
0863 |
0848 |
0833 |
0818 |
0804 |
1,8 |
0790 |
0775 |
0761 |
0748 |
0734 |
0721 |
0707 |
0694 |
0681 |
0669 |
1,9 |
0656 |
0644 |
0632 |
0620 |
0608 |
0596 |
0584 |
0573 |
0562 |
0551 |
2,0 |
0,0540 |
0529 |
0519 |
0508 |
0498 |
0488 |
0478 |
0468 |
0459 |
0449 |
2,1 |
0440 |
0431 |
0422 |
0413 |
0404 |
0396 |
0387 |
0379 |
0371 |
0363 |
2,2 |
0355 |
0347 |
0339 |
0332 |
0325 |
0317 |
0310 |
0303 |
0297 |
0290 |
2,3 |
0283 |
0277 |
0270 |
0264 |
0258 |
0252 |
0246 |
0241 |
0235 |
0229 |
2,4 |
0224 |
0219 |
0213 |
0208 |
0203 |
0198 |
0194 |
0189 |
0184 |
0180 |
2,5 |
0175 |
0171 |
0167 |
0163 |
0158 |
0154 |
0151 |
0147 |
0143 |
0139 |
2,6 |
0136 |
0132 |
0129 |
0126 |
0122 |
0119 |
0116 |
0113 |
0110 |
0107 |
2,7 |
0104 |
0101 |
0099 |
0096 |
0093 |
0091 |
0088 |
0086 |
0084 |
0081 |
2,8 |
0079 |
0077 |
0075 |
0073 |
0071 |
0069 |
0067 |
0065 |
0063 |
0061 |
2,9 |
0060 |
0058 |
0056 |
0055 |
0053 |
0051 |
0050 |
0048 |
0047 |
0046 |
3,0 |
0,0044 |
0043 |
0042 |
0040 |
0039 |
0038 |
0037 |
0036 |
0035 |
0034 |
3,1 |
0033 |
0032 |
0031 |
0030 |
0029 |
0028 |
0027 |
0026 |
0025 |
0025 |
3,2 |
0024 |
0023 |
0022 |
0022 |
0021 |
0020 |
0020 |
0019 |
0018 |
0018 |
3,3 |
0017 |
0017 |
0016 |
0016 |
0015 |
0015 |
0014 |
0014 |
0013 |
0013 |
3,4 |
0012 |
0012 |
0012 |
0011 |
0011 |
0010 |
0010 |
0010 |
0009 |
0009 |
3,5 |
0009 |
0008 |
0008 |
0008 |
0008 |
0007 |
0007 |
0007 |
0007 |
0006 |
3,6 |
0006 |
0006 |
0006 |
0005 |
0005 |
0005 |
0005 |
0005 |
0005 |
0004 |
3,7 |
0004 |
0004 |
0004 |
0004 |
0004 |
0004 |
0003 |
0003 |
0003 |
0003 |
3,8 |
0003 |
0003 |
0003 |
0003 |
0003 |
0002 |
0002 |
0002 |
0002 |
0002 |
3,9 |
0002 |
0002 |
0002 |
0002 |
0002 |
0002 |
0002 |
0002 |
0001 |
0001 |
Таблица 2. Значения функции
x |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
0,0 |
0,00000 |
00399 |
00798 |
01197 |
01595 |
01994 |
02392 |
02790 |
03188 |
03586 |
0,1 |
03983 |
04380 |
04776 |
05172 |
05567 |
05962 |
06356 |
06749 |
07142 |
07535 |
0,2 |
07926 |
08317 |
08706 |
09095 |
09483 |
09871 |
10257 |
10642 |
11026 |
11409 |
0,3 |
11791 |
12172 |
12552 |
12930 |
13307 |
13683 |
14058 |
14431 |
14803 |
15173 |
0,4 |
15542 |
15910 |
16276 |
16640 |
17003 |
17364 |
17724 |
18082 |
18439 |
18793 |
0,5 |
19146 |
19497 |
19847 |
20194 |
20540 |
20884 |
21226 |
21566 |
21904 |
22240 |
0,6 |
22575 |
22907 |
23237 |
23565 |
23891 |
24215 |
24537 |
24857 |
25175 |
25490 |
0,7 |
25804 |
26115 |
26424 |
26730 |
27035 |
27337 |
27637 |
27935 |
28230 |
28524 |
0,8 |
28814 |
29103 |
29389 |
29673 |
29955 |
30234 |
30511 |
30785 |
31057 |
31327 |
0,9 |
31594 |
31859 |
32121 |
32381 |
32639 |
32894 |
33147 |
33398 |
33646 |
33891 |
1,0 |
34134 |
34375 |
34614 |
34850 |
35083 |
35314 |
35543 |
35769 |
35993 |
36214 |
1,1 |
36433 |
36650 |
36864 |
37076 |
37286 |
37493 |
37698 |
37900 |
38100 |
38298 |
1,2 |
38493 |
38686 |
38877 |
39065 |
39251 |
39435 |
39617 |
39796 |
39973 |
40147 |
1,3 |
40320 |
40490 |
40658 |
40824 |
40988 |
41149 |
41309 |
41466 |
41621 |
41774 |
1,4 |
41924 |
42073 |
42220 |
42364 |
42507 |
42647 |
42786 |
42922 |
43056 |
43189 |
1,5 |
43319 |
43448 |
43574 |
43699 |
43822 |
43943 |
44062 |
44179 |
44295 |
44408 |
1,6 |
44520 |
44630 |
44738 |
44845 |
44950 |
45053 |
45154 |
45254 |
45352 |
45449 |
1,7 |
45543 |
45637 |
45728 |
45818 |
45907 |
45994 |
46080 |
46164 |
46246 |
46327 |
1,8 |
46407 |
46485 |
46562 |
46638 |
46712 |
46784 |
46856 |
46926 |
46995 |
47062 |
1,9 |
47128 |
47193 |
47257 |
47320 |
47381 |
47441 |
47500 |
47558 |
47615 |
47670 |
2,0 |
47725 |
47778 |
47831 |
47882 |
47932 |
47982 |
48030 |
48077 |
48124 |
48169 |
2,1 |
48214 |
48257 |
48300 |
48341 |
48382 |
48422 |
48461 |
48500 |
48537 |
48574 |
2,2 |
48610 |
48645 |
48679 |
48713 |
48745 |
48778 |
48809 |
48840 |
48870 |
48899 |
2,3 |
48928 |
48956 |
48983 |
49010 |
49036 |
49061 |
49086 |
49111 |
49134 |
49158 |
2,4 |
49180 |
49202 |
49224 |
49245 |
49266 |
49286 |
49305 |
49324 |
49343 |
49361 |
2,5 |
49379 |
49396 |
49413 |
49430 |
49446 |
49461 |
49477 |
49492 |
49506 |
49520 |
2,6 |
49534 |
49547 |
49560 |
49573 |
49585 |
49598 |
49609 |
49621 |
49632 |
49643 |
2,7 |
49653 |
49664 |
49674 |
49683 |
49693 |
49702 |
49711 |
49720 |
49728 |
49736 |
2,8 |
49744 |
49752 |
49760 |
49767 |
49774 |
49781 |
49788 |
49795 |
49801 |
49807 |
2,9 |
49813 |
49819 |
49825 |
49831 |
49836 |
49841 |
49846 |
49851 |
49856 |
49861 |
3,0 3,5 4,0 4,5 5,0
|
0,49865 0,49977 0,499968 0,499997 0,49999997 |
3,1 3,6 |
49903 49984 |
3,2 3,7 |
49931 49989 |
3,3 3,8 |
49952 49993 |
3,4 3,9 |
49966 49995 |
Таблица 3. Корни уравнений P(2 < x) q и P(2 > y)