![](/user_photo/_userpic.png)
книги / Статистика и анализ геологических данных
..pdf: 0 S 4 T » X 0 / X R
C 0 S 2 T = S Q R T ( ( 1 . C H C 0 S 4 T ) / 2 . 0 )
COSITaSQRK ( I • 0-*CDS2T)/ 2 .0 )
S I N I T » S Q R T ( I . 0 - C 0 S I T * C 0 S I T )
I F |
R O T A T I O N A N G L E |
V E R Y S M A L L , |
NO |
NEED TO R O T A T E |
|
I F ( S I N I T . L E . O . O O I ) GO T O 10 6 |
|
||||
I F |
( X N . L T . 0 . 0 ) S I N I T = - S I N 1 T |
|
|
||
PEREORM |
R O T A T I O N |
ON CO LUMNS I |
AN D |
J |
|
DO |
1 0 8 |
K = I , M |
|
|
|
X= F ( K , I )
Y= F ( К , J )
|
F ( K , I ) « X * C O S I T + Y * S I N I T |
|
|||
|
F ( K * J ^ Y ^ C O S I T - X ^ S I N I T |
|
|||
1 0 8 C O N T I N U E |
|
|
|||
1 0 6 C O N T I N U E |
|
|
|||
1 05 C O N T I N U E |
|
|
|||
|
GO |
TO |
1 |
|
|
5 0 |
W R I T E ( 6 , 2 0 0 4 ) |
|
|
||
|
W R I T E ( 6 , 2 0 0 1 ) |
|
|
||
C |
|
|
|
|
|
C . . . |
U N - N O R M A L I Z E ROWS O F R O T A T E D F A C T O R M A T R I X |
||||
C |
C A L C U L A T E F I N A L C O M M U N A L I T I E S |
||||
C |
P R I N T |
I N I T I A L |
AND F I N A L |
C O M M U N A L I T I E S |
|
C |
|
|
|
|
|
|
DO |
1 1 0 |
1 = 1 ,M |
|
|
|
S U M H = 0 . 0 |
|
|
||
|
DO |
I I I |
J = I , L |
|
|
|
F ( I , J ) = F ( I , J ) * S Q R T ( H ( I ) ) |
||||
I 11 |
SUMHe SUMH+F( I , J ) * * 2 |
|
|||
CONTINUE |
|
|
|||
|
D=H(I)-SUMH |
|
|
||
|
W R IT E ( 6 , 2 0 0 3 ) I , H ( I ) , S U M H ,D |
||||
1 1 0 C O N T I N U E |
|
|
|||
|
W R I T E ( 6 , 2 0 0 5 ) |
|
|
||
|
R E T U R N |
‘ |
|
|
|
2 0 0 1 |
FORM AT |
( 1 H I ) |
|
|
|
2 0 0 2 F O R M A T ( I O X , I 5 . 3 X . F I 5 . 7 ) |
|||||
2 0 0 3 FO RM A T ( I X , 1 5 , 3 F I 5 . 7 ) |
|
||||
2 0 0 4 |
FORM AT |
( I Н О , 4 X , ' N U M B E R |
O F V A R IM A X I T E R A T I O N S ' , I X , |
||
I |
' A N D |
V A R I A N C E |
A T EAC H |
S T E P ' ) |
2 0 0 5 F O R M A T ( I Н О , 4 X , ' C O L U M N 1 « I N I T I A L C O M M U N A L I T Y ' , 2 X . 1 'C O L U M N 2 « C O M M U N A L IT Y A F T E R R O T A T I O N ' , / ,
2 5 X , ' C O L U M N 3 * D I F F E R E N C E ' ) END
Программа 7.13. Подпрограмма VARMAX
Сравнение полученных результатов помогает понять некоторые задачи, возникающие в применениях факторного анализа.
Программа 7.12 предусматривает изменение и выбор после довательности операций по желанию исследователя. В зависи мости от того, используется ли программа 7.3, RCOEF, или про грамма 7.14, СТНЕТА, вычисляется либо матрица коэффици ентов корреляции между переменными, либо матрица косинусов углов. Кроме того, вводимые данные могут быть подвергнуты транспонированию. Использование этих двух возможностей мы обсудим в следующем разделе. Для анализов, приведенных в табл. 7.27, удобно вычислить корреляционную матрицу для «нетранспонированной» матрицы данных.
С |
P R O G R A M 7 . 1 4 |
||
С |
|
|
|
С |
S U B R O U T I N E Т О C A L C U L A T E T H E M A T R I X O F C O S I N E T H E T A S I M I L A R I T Y |
||
C |
C O E F F I C I E N T S B E T W E E N C O L U M N S O F D A T A M A T R I X X |
||
C |
|
|
|
|
S U B R O U T I N E C T H E T A ( X , N , M , N 1 , M I , A , M 2 ) |
||
|
D I M E N S I O N X ( N I VM I ) VA ( M 2 , M 2 ) |
||
C |
|
|
|
C . . . |
C A L C U L A T E C O S I N E T H E T A B E T W E E N C O L U M N S I - A N D J |
||
C |
|
|
|
|
DO |
I O O |
1 = 1 . M |
|
DO |
1 0 0 |
J » I , M |
C |
|
|
|
C . . . |
Z E R O S U M S |
||
C |
|
|
|
|
S X I X I - 0 . 0 |
||
|
S X 2 X 2 = 0 . 0 |
||
|
S X 1X 2 = * 0 . 0 |
||
C |
|
|
|
C . . . |
C A L C U L A T E S U M S O F S Q U A R E S A N D SUM O F C R O S S P R O D U C T |
||
C |
|
|
|
|
DO |
101 |
K = I , N |
|
S X 1X 1=SXI X 1+X ( К, I ) * * 2 |
||
|
S X 2 X 2 = S X 2 X 2 + X C K , J ) * * 2 |
S X 1X 2 = S X I X 2 + X ( K , I ) * X ( K , J ) 101 C O N T I N U E
C
C . . . C A L C U L A T E C O S I N E T H E T A A N D S T O R E I N M A T R I X A
C
A ( I , J )*S X 1X2/SQRT( SX1 X1*SX2X2)
A ( J , I ) a A ( I , J ) 1 0 0 C O N T I N U E
R E T U R N
E N D
Программа 7.14. Подпрограмма CTHETA
Q-метод факторного анализа. До сих пор мы имели дело ис ключительно с методом, известным под названием R-метода фак торного анализа. Его обозначение происходит от символа мно жественной корреляции, так как он исследует соотношения между переменными на основании корреляционной матрицы. По лучаемые факторы, являющиеся линейными комбинациями ис ходных переменных, объявляются новыми переменными. Суще ствует также другой тип факторного анализа, называемый Q-методом, в котором наблюдения и переменные меняются ро лями. Q-метод предназначен для исследования соотношений между наблюдениями, а не между переменными. Цели этого ме тода сильно напоминают задачи анализа групп — разместить по следовательность наблюдений в разумном порядке, т. е. устано вить связь между наблюдениями. Впервые Q-метод факторного анализа в геологии был использован Имбри и Пэди [И]. Пре красное изложение различных методов факторного анализа при надлежит Кэттеллу [2].
Первый шаг в Q-методе факторного анализа — это вычисле ние матрицы порядка пХп, характеризующей сходство между наблюдениями. В качестве меры сходства можно выбрать коэф
фициент корреляции или некоторую другую меру при условии, что она изменяется в интервале ±1,00. Для вычисления корре ляционной матрицы между наблюдениями мы можем использо вать, например, подпрограмму RCOEF (программа 7.3). Так как
наша |
цель — вычисление |
корреляционной |
матрицы порядка |
п хп , |
то для применения |
этой подпрограммы |
требуется транс |
понирование матрицы исходных данных порядка n X m . Так как все наши подпрограммы вычисления матриц коэффициентов сходства написаны по одному и тому же плану, то это преобра зование обязательно при выполнении Q-анализа независимо от того, какой коэффициент сходства нами используется. Наибо лее распространенной мерой, используемой в Q-методе фактор ного анализа, является cos 0, определяемый по формуле
s ад*
cos 6,j = ------/ г . 1 |
|
(7.50) |
|
IJ |
/ 111 |
III |
' |
У |
2 4 |
s x;t |
r |
k = 1 |
k=I |
где X * — i-e наблюдение k-й |
переменной и m — число пере |
|
менных. |
|
|
Если мы рассмотрим две точки в m-мерном пространстве и соответствующие векторы наблюдений с номерами i и j, то фор мула (7.50) даст косинус угла между этими двумя векторами; cos 0 в некотором смысле можно считать расстоянием по боль
шому |
кругу на |
гиперсфере |
между двумя точками с номерами |
i и j. |
Сравнение |
формулы |
(7.50) с коэффициентом корреляции |
позволяет заметить между ними большое сходство; если m пе ременных, использованных для вычисления cos 0 были стандар тизированы, т. е. имели нулевое среднее значение и дисперсию
1,00, то обе меры просто совпадают. Так как |
cos 0° равен 1,00, |
то косинус угла, образованного наблюдением |
с самим собой, |
также равен 1,00. Так же, как и в корреляционной теории, уменьшение сходства характеризуется понижением значений ко эффициента. Так как вычисление коэффициента корреляции тре бует знания дисперсий переменных, то он является не очень хорошей мерой сходства между наблюдениями и может лишь замаскировать их связи.
Q-метод факторного анализа основан на нахождении главных осей n-мерного эллипсоида, который определяется внутренними связями между п векторами наблюдений. Однако каждый век тор состоит из m компонент, причем число m значительно меньше п, поэтому истинная размерность задачи не может быть больше числа переменных.
Вычислив матрицу характеристик сходства порядка п Х п , мы затем должны найти главные оси. Это делается с помощью
нахождения собственных значений и собственных векторов, что для задач с большим числом наблюдений оказывается очень трудным делом1. Так как нам нужно сохранить только неболь шую часть факторов, то нет необходимости находить все соб ственные значения. Это позволяет значительно сократить время вычислений. После того как требуемое число факторов извле чено, необходимо применить к ним процедуру вращения с целью нахождения положения, в котором дисперсия нагрузок наблюде ний на оси максимизируется. Для этого имеется два пути. Мо жно полагать, что факторы являются «идеализированными» заключительными членами последовательности наблюдений, а сами наблюдения считать возникшими от «смешивания» этих идеализированных наблюдений, имеющих экстремальные свой ства. При другом подходе делается попытка, используя враще ние факторов, совместить каждый из них с одним из исходных наблюдений, после чего они объявляются заключительными чле нами ряда наблюдений. Обычно для выполнения такого вра щения приходится использовать неортогональное вращение. Так как множество заключительных членов, найденных с по мощью такого вращения, является коррелированным, то ранее сделанные замечания о применении методов неортогонального вращения имеют силу и в отношении Q-метода факторного ана лиза. Это значит, что, хотя выбранные наблюдения и являются «наиболее экстремальными» в множестве данных, они не явля ются «чистыми» в том смысле, что каждое из них содержит в себе нечто, характеризующее другие заключительные члены последовательности. Это не является помехой, если цель нашего анализа — просто расположить наблюдения в определенном по рядке от одного экстремального наблюдения к другому. Однако если мы хотим получить более глубокие выводы, то более по лезным оказывается исследование происхождения заключитель ных членов даже в тех случаях, когда оно оказывается не вполне достоверным.
Опубликовано множество программ по Q-методу факторного анализа, среди которых содержатся также программы, предназ наченные для обработки геологических данных. Среди них сле дует указать программы Мэнсона и Имбри [20] и Ондрика и
1 В последние годы, уже после выхода в свет настоящей книги, разрабо тан метод, позволяющий избегать вычисления собственных векторов и собст венных значений матриц сходства больших порядков. Этот метод, использую щий дуализм главных компонент в пространстве признаков и в пространстве наблюдений, в геологии впервые, по-видимому, применен в работе М. David, G. Woussen, Correspondence analysis — a new tool for geologists, опубли кованной в сборнике «Горнорудный Пшибрам в науке и технике», доклады секции «Математические методы в геологии», 1973. В этой работе впервые получила подтверждение мысль автора о том, что «истинная размерность задачи не может быть больше числа переменных».— Прим, перев.
|
|
|
|
|
Коэффициенты |
cos 0 для 20 проб изверженных пород |
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
Номер |
пробы |
|
|
|
|
|
|
|
|
|
|
Н ом ер |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
п роЬ ы |
||||||||||||||||||||
1 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
0,997 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
0,994 |
0,997 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
0,996 |
0,991 |
0,994 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
0,993 |
0,988 |
0,989 |
0,997 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
0,972 |
0,968 |
0,981 |
0,987 |
0,984 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7 |
0,998 |
0,999 |
0,998 |
0,995 |
0,992 |
0,977 |
1,00(5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
8 |
0,995 |
0,991 |
0,995 |
0,998 |
0,996 |
0,989 |
0,995 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
|
9 |
0,991 |
0,986 |
0,990 |
0,998 |
0,998 |
0,992 |
0,991 |
0,998 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
10 |
0,992 |
0,985 |
0,938 |
0,998 |
0,996 |
0,991 |
0,991 |
0,997 |
0,999 |
1,000 |
|
|
|
|
|
|
|
|
|
|
11 |
0,966 |
0,961 |
0,975 |
0,978 |
0,974 |
0,996 |
0,972 |
0,981 |
0,984 |
0,984 |
1,000 |
|
|
|
|
|
|
|
|
|
12 |
0,971 |
0,966 |
0,978 |
0,985 |
0,985 |
0,993 |
0,974 |
0,990 |
0,990 |
0,988 |
0,981 |
1,000 |
|
|
|
|
|
|
|
|
13 |
0,948 |
0,943 |
0,958 |
0,970 |
0,973 |
0,984 |
0,951 |
0,973 |
0,978 |
0,973 |
0,965 |
0,993 |
1,000 |
|
|
|
|
|
|
|
14 |
0,934 |
0,922 |
0,940 |
0,950 |
0,937 |
0,970 |
0,936 |
0,957 |
0,952 |
0,956 |
0,972 |
0,969 |
0,945 |
1,000 |
|
|
|
|
|
|
15 |
0,998 |
1,000 |
0,996 |
0,992 |
0,989 |
0,967 |
0,999 |
0,991 |
0,987 |
0,986 |
0,960 |
0,965 |
0Д41 |
0,921 |
1,000 |
|
|
|
|
|
16 |
0,997 |
0,997 |
0,989 |
0,985 |
0,982 |
0,953 |
0,995 |
0,985 |
0,978 |
0,978 |
0,948 |
0,951 |
0,922 |
0,911 |
0,997 |
1,000 |
|
|
|
|
17 |
0,979 |
0,9S7 |
0,973 |
0,990 |
0,984 |
0,980 |
0,973 |
0,987 |
0,987 |
0,990 |
0,970 |
0,982 |
0,969 |
0,965 |
0,968 |
0,961 |
1,000 |
|
|
|
18 |
0,996 |
0,998 |
0,997 |
0,994 |
0,994 |
0,977 |
0,998 |
0,994 |
0,992 |
0,990 |
0,968 |
0,975 |
0,958 |
0,925 |
0,998 |
0,992 |
0,971 |
1,000 |
|
|
19 |
0,999 |
0,998 |
0,995 |
0,995 |
0,991 |
0,973 |
0,999 |
0,994 |
0,990 |
0,991 |
0,968 |
0,970 |
ОД46 |
0,934 |
0,999 |
0,996 |
0,975 |
0,997 |
1,000 |
|
20 |
0,992 |
0,993 |
0,998 |
0,996 |
0,993 |
0,989 |
0,996 |
0,998 |
0,996 |
0,993 |
0,980 |
0,988 |
0,972 |
0,947 |
0,992 |
0,984 |
0,977 |
0,997 |
0,993 |
1,000 |
Сривастава [23]. В случаях когда обрабатываются значитель ные массивы наблюдений, большинство из них требует исполь зования больших ЭВМ. Однако программа 7.12, FACTOR, пре дусматривает выполнение Q-анализа с использованием той же
техники, которая использовалась |
при выполнении |
R-анализа. |
|
С помощью подходящего выбора контрольных |
команд про |
||
грамма FACTOR осуществляет транспонирование строк и столб |
|||
цов матрицы данных. Матрица данных порядка n X m |
превраща |
||
ется в программе в матрицу |
порядка ш Х п , |
на |
основании |
которой затем вычисляется матрица сходства пХп между наб людениями. Программа также в качестве меры сходства вычис ляет не коэффициент корреляции, a cos0.
Хотя порядок матрицы сходства между наблюдениями равен п Х п , она имеет только m ненулевых собственных значений. Та ким образом достигается редукция размерности задачи. Однако мы надеемся, что значительное снижение размерности задачи возможно и другим способом. Для иллюстрации рассмотрим пример, взятый из петрологии изверженных пород. В табл. 7.28 представлены данные по главным химическим составляющим 20 образцов, взятых из сложного и отчетливо дифференцирован
ного комплекса |
изверженных пород. С помощью Q-анализа мы |
|||||
|
|
|
|
|
Т а б л и ц а 7.30 |
|
Первые пять факторов, найденных по матрице cos 0 табл. 7.29 |
||||||
Н омер |
I |
II |
III |
IV |
V |
О бщ н ость |
пробы |
|
|
|
|
|
|
1 |
6,9 94 8 |
-0 ,0 9 1 0 |
0 ,0242 |
0 ,0324 |
0,0069 |
0 ,9996 |
2 |
0,9 91 8 |
- 0 ,1 2 2 3 |
0,0081 |
- 0 ,0 1 7 7 |
- 0 ,0 2 6 8 |
0,9997 |
3 |
0 ,9 95 8 |
-0 ,0 5 8 7 |
0 ,0085 |
- 0 ,0 4 5 7 |
-0 ,0 3 4 4 |
0 ,9983 |
4 |
0 ,9989 |
-0 ,0 1 2 6 |
-0 ,0 0 7 0 |
0,0 35 7 |
0 ,0178 |
0,9997 |
5 |
0,9 96 3 |
-0 ,0 1 9 1 |
- 0 ,0 5 9 6 |
0 ,0297 |
0,0353 |
0 ,9986 |
6 |
0,9 90 4 |
0 ,1188 |
- 0 ,0 1 3 3 |
- 0 ,0 5 9 4 |
0 ,0309 |
0,9997 |
7 |
0 ,9959 |
- 0 ,0 8 3 8 |
0,0191 |
-0 ,0 2 3 5 |
- 0 ,0 0 8 6 |
0 ,9998 |
8 |
0 ,9996 |
0,0 01 0 |
-0 ,0 0 1 7 |
0,0112 |
- 0 ,0 1 3 2 |
0,9996 |
9 |
0,9983 |
0 ,0204 |
- 0 ,0 3 3 6 |
0 ,0055 |
0,0391 |
0,9997 |
10 |
0 ,9978 |
0,0223 |
-0 ,0 0 4 9 |
0,0291 |
0 ,0498 |
0,9994 |
11 |
0,9 83 3 |
0 ,1202 |
0,0 55 0 |
-0 ,0 9 8 8 |
0 ,0746 |
0,9997 |
12 |
0 ,9890 |
0 ,1259 |
- 0 ,0 5 1 2 |
0,0 00 8 |
- 0 ,0 5 3 8 |
0,9995 |
13 |
0,9721 |
0,1719 |
- 0 ,1 5 5 2 |
0 ,0066 |
-0 ,0 3 6 5 |
0,9999 |
14 |
0,9561 |
0 ,2323 |
0,1691 |
0,0146 |
-0 ,0 5 2 7 |
0,9997 |
15 |
0,9 91 8 |
-0 ,1 2 5 7 |
0,0102 |
-0 ,0 0 8 4 |
-0 ,0 1 3 7 |
0,9998 |
16 |
0 ,9844 |
-0 ,1 6 6 5 |
0 ,0458 |
0 ,0203 |
- 0 ,0 1 1 3 |
0,9994 |
17 |
0 ,9866 |
0 ,0783 |
0,0214 |
0 ,1316 |
0 ,0259 |
0 ,9980 |
18 |
0 ,9950 |
- 0 ,0 8 7 0 |
-0 ,0 3 6 7 |
-0 ,0 2 7 5 |
-0 ,0 0 8 9 |
0,9998 |
19 |
0,9 94 5 - 0 ,0 9 4 6 |
0 ,0296 |
0 ,0035 |
0,0 06 6 |
0 ,9989 |
|
20 |
0,9981 |
-0 ,0 1 6 1 |
-0 ,0 2 3 6 |
-0 ,0 3 9 5 |
- 0 ,0 2 9 5 |
0,9995 |
Д и с п е р с и и |
98,124 |
1,148 |
0,349 |
0,204 |
0,116 |
|
К у м у л я т и в н ы е |
99,272 |
99,621 |
99,825 |
99,942 |
|
|
д и с п е р с и и |
98,124 |
|
рассчитываем поместить каждый образец на его настоящее ме сто в ряду дифференцированной серии. Для выполнения Q-ана- лиза мы используем программу 7.5, в результате чего получим идеализированный ряд наблюдений. Порядок следования наблю дений в пределах последовательности можно изобразить графи чески как нагрузки на пары факторов. Так как наши наблюде ния были приведены к стандартному виду, то они изображаются
Т а б л и ц а 7.31
Факторные нагрузки после вращения и факторные значения, вычисленные по методу варимакс
Номер |
I |
I! |
О б щ н о с т ь |
пробы |
|
|
|
1 |
0,7851 |
0 ,6 17 7 |
0 ,9 9 8 0 |
2 |
0 ,8 0 4 4 |
0 ,5 9 2 9 |
0 ,9 9 8 6 |
3 |
0 ,7 6 3 6 |
0 ,6 4 1 8 |
0 ,9 9 5 0 |
4 |
0 ,7 3 4 2 |
0 ,6 7 7 4 |
0 ,9 9 8 0 |
5 |
0 ,7 3 6 8 |
0 ,6 7 0 9 |
0 ,9 9 2 9 |
6 |
0 ,6 3 7 7 |
0,7671 |
0 ,9 9 5 0 |
7 |
0 ,7 8 0 9 |
0 ,6 2 3 6 |
0 ,9 9 8 8 |
8 |
0 ,7 2 5 4 |
0 ,6 8 7 8 |
0 ,9 9 9 3 |
9 |
0,7111 |
0 ,7 0 0 9 |
0 ,9 9 7 0 |
10 |
0 ,7 0 9 4 |
0 ,7 0 2 0 |
0 ,9 9 6 0 |
11 |
0 ,6 3 1 6 |
0 ,7 6 3 2 |
0 ,9 8 1 4 |
12 |
0 ,6 3 1 9 |
0 ,7 7 1 2 |
0 ,9 9 4 0 |
13 |
0 ,5 8 7 9 |
0 ,7 9 3 0 |
0 ,9 7 4 5 |
14 |
0 ,5 3 4 8 |
0 ,8 2 5 9 |
0,9681 |
15 |
0 ,8 0 6 8 |
0 ,5 9 0 4 |
0 ,9 9 9 5 |
16 |
0 ,8 2 9 5 |
0 ,5 5 5 6 |
0 ,9 9 6 8 |
17 |
0 ,6 6 2 8 |
0 ,7 3 5 0 |
0 ,9 7 9 6 |
18 |
0 ,7 8 2 5 |
0 ,6 2 0 7 |
0 ,9 9 7 6 |
19 |
0 ,7 8 7 3 |
0 ,6 1 4 8 |
0 ,9 9 7 9 |
20 |
0 ,7 3 6 0 |
0 ,6 7 4 4 |
0 ,9 9 6 5 |
Д и с п е р с и и |
52,311 |
4 6 ,9 6 2 |
|
HIJM улятивные |
52,311 |
9 9 ,2 7 2 |
|
дисперсии |
|
|
н а й д е н н а я |
М а т р и ц а ф акт орны х |
зн ач ен и й , |
||
по м ет о д у В а р и м а кс |
|
||
|
|
Ф акт ор |
|
П ерем енная |
|
I |
II |
X, |
-7 3 ,1 3 3 0 |
7 9 ,3 4 5 9 |
|
X* |
-2 2 ,0 0 2 7 |
2 3 ,8 5 5 8 |
|
Хз |
3 ,3 56 3 |
3 ,6 4 5 0 |
|
X , |
8 ,2 81 4 |
8 ,9 2 4 9 |
|
X , |
9 ,3 31 6 |
1 0 ,05 3 8 |
|
X . |
-1 0 ,1 2 4 2 |
1 0 ,94 5 3 |
|
Х 7 |
4 ,2 6 2 9 |
4 ,6 4 3 3 |
|
Х я |
3 ,7 0 0 9 |
4 ,0 3 3 9 |