Statistická analýza jednorozměrných dat

Podobné dokumenty
Kvantily a písmenové hodnoty E E E E-02

UNIVERZITA PARDUBICE

Úloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat )

Statistická analýza. jednorozměrných dat

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

S E M E S T R Á L N Í

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství

UNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE

Statistická analýza jednorozměrných dat

Statistická analýza jednorozměrných dat

Průzkumová analýza dat

Nejlepší odhady polohy a rozptýlení chemických dat

S E M E S T R Á L N Í

Statistická analýza jednorozměrných dat

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015

Statistická analýza jednorozměrných dat

PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)

Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie

STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie

Postup statistického zpracování výsledků stopové analýzy při použití transformace dat

Statistická analýza jednorozměrných dat

PRŮZKUMOVÁ ANALÝZA DAT (EDA)

Exploratorní analýza dat

Modul Základní statistika

Dva případy chybného rozhodnutí při testování: a) Testační statistika padne mimo obor přijetí nulové H hypotézy O, tj.

Zápočtová práce STATISTIKA I

Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )

Charakteristika datového souboru

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice

Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )

ANOVA. Semestrální práce UNIVERZITA PARDUBICE. Fakulta chemicko-technologická Katedra analytické chemie

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie

Charakterizace rozdělení

Porovnání dvou reaktorů

Analýza rozptylu ANOVA

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:

Pravděpodobnost a matematická statistika

Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.

LICENČNÍ STUDIUM GALILEO SEMESTRÁLNÍ PRÁCE

http: //meloun.upce.cz,

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie ANOVA. Semestrální práce

Úloha 1: Lineární kalibrace

UNIVERZITA PARDUBICE

Praktická statistika. Petr Ponížil Eva Kutálková

15. T e s t o v á n í h y p o t é z

Porovnání dvou výběrů

Kalibrace a limity její přesnosti

Testování statistických hypotéz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

2.2 Kalibrace a limity její p esnosti

Testy statistických hypotéz

Inovace bakalářského studijního oboru Aplikovaná chemie

15. T e s t o v á n í h y p o t é z

Náhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

Simulace. Simulace dat. Parametry

Kalibrace a limity její přesnosti

Statistická analýza jednorozměrných dat

Statistická analýza jednorozměrných dat

IDENTIFIKACE BIMODALITY V DATECH

Kalibrace a limity její přesnosti

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

5. T e s t o v á n í h y p o t é z

Testování hypotéz testy o tvaru rozdělení. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Tvorba nelineárních regresních

Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Regresní analýza. Eva Jarošová

Statistická analýza jednorozměrných dat

UNIVERZITA PARDUBICE

6. Lineární regresní modely

Zpracování výběrů asymetrického rozdělení biochemických dat

Normální (Gaussovo) rozdělení

PRAVDĚPODOBNOST A STATISTIKA

Neparametrické metody

FAKULTA CHEMICKO-TECHNOLOGICKÁ KATEDRA ANALYTICKÉ CHEMIE. Semestrální práce z CHEMOMETRE. TOMÁŠ SYROVÝ 4.ročník

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

pravděpodobnosti, popisné statistiky

KALIBRACE A LIMITY JEJÍ PŘESNOSTI 2015

Číselné charakteristiky

Stručný úvod do testování statistických hypotéz

Analýza dat na PC I.

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.

Statistika pro geografy

Kalibrace a limity její přesnosti

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

Univerzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba lineárních regresních modelů. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.

Testování statistických hypotéz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

Transkript:

Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem České republiky. 1

Kapitola 2.2 Určení minimální velikosti výběru OVĚŘENÍ PŘEDPOKLADŮ O DATECH 2

Určení minimální velikosti výběru Rozsah výběrů n ovlivňuje přesnost odhadů parametrů polohy. Rozptyly odhadů jsou funkcí n 1. 3

Metoda volby šíře intervalu přesnosti d 1. Z n 1 předběžných hodnot určí odhad rozptylu s 0 2 (x). 2. Zvolí se číslo d tak, aby s pravděpodobností (1 α) platilo μ d x μ + d. 3. Minimální velikost výběru se vyčíslí dle 2 t α 1 (n 1 1) 2 n min = s 2 d 0 (x) 1. Kde t α 1 (n 1 1) je kvantil Studentova rozdělení s 2 n 1 1 stupni volnosti. 4

Metoda volby relativní směrodatné odchylky Relativní chyba směrodatné odchylky δ(s) má předepsanou hodnotu n min = g 2 x 1 4δ 2 + 1 (s) kde g 2 x je špičatost. Při δ s = 0.1 (tj. 10%) je n min 50. 5

Minimální rozsahy výběru zajišťující relativní chybu směrodatné odchylky δ s = 10% 6

Klasické parametry Název sloupce : P226 Průměr : 10,40588235 Spodní mez : 7,742475919 Horní mez : 13,06928879 Rozptyl : 26,83433824 Směr. odchylka : 5,180187085 Šikmost 1,399077155 Odchylka od 0 : Významná Špičatost : 4,272081867 Odchylka od 3 : Nevýznamná Polosuma 13,5 Modus : 7,611764706 7

Robustní parametry Název sloupce : P226 Medián : 9,4 IS spodní : 0,206364272 IS horní : 18,59363573 Medianová směr. odchylka : 4,336814353 Medianový rozpty : 18,80795873 10% Průměr : 9,993333333 10% IS spodní : 7,057957526 10% IS horní : 12,92870914 10% Směr. odchylka : 3,788983074 10% Rozptyl : 14,35639273 20% Průměr : 9,453846154 20% IS spodní : 7,788062387 20% IS horní : 11,11962992 20% Směr. odchylka : 1,845382576 20% Rozptyl : 3,405436851 40% Průměr : 9,233333333 40% IS spodní : 6,987013966 40% IS horní : 11,4796527 40% Směr. odchylka : 1,065414535 40% Rozptyl : 1,135108131 8

Označení nezávislosti prvků výběru Závislost měření je způsobena a) nestabilitou měřicího zařízení, b) nekonstantností podmínek měření, c) zanedbáním faktorů: objem vzorků, teplota, nečistota, d) nesprávným, nenáhodným výběrem vzorků k měření, e) časová závislost mezi prvky výběru. 9

Testy nezávislosti Testují H 0 : Všechny prvky výběru jsou NAVZÁJEM nezávislé, ve výběru není autokorelace. Používají se: testy autokorelace určitého řádu, např. pro autokorelaci I. řádu von Neumannův test testy významnosti autokorelačních koeficientů 10

Test významnosti autokorelačního koeficientu Hypotéza: nulová H 0 : ρ a = 0, a alternativní H A : ρ a 0 Testační kritérium: t n = T 1 n+1 kde T 1 T 1 = (1 T ) n2 1 1 2 n 2 4 T je von Neumannův poměr n 1 x i+1 x 2 i=1 i T = x i x 2 n i=1 Testování: je-li t n > t α 1 2 nezávisloti prvků výběru na hladině významnosti α zamítnout. (n + 1) je nutno hypotézu o a 11

Závislost a autokorelace Obecná definice závislosti: x i = kf x 1, x 2,, x i 1 pokud platí k = 0, jedná se o data nezávislá. Lineární závislost prvků jednoho souboru - AUTOKORELACE x i = ρ k x i k + e i kde ρ k je autokorelační koeficient ktého řádu. + e i autokorelace I. řádu sousední hodnoty autokorelace II. řádu hodnoty přes jednu 12

Příklady autokorelace 13

Příklady autokorelace 14

Příklady autokorelace 15

Ověření normality výběru Existují dva základní typy testů normality: 1. Je-li typ odchylek od normality předem znám, používají se takzvané směrové testy. 2. Není-li typ odchylek od normality předem znám, používají se takzvané omnibus testy. 1. pravidlo: Testy jsou obecně vždy méně citlivé na odchylky od normality než diagnostické grafy. 2. pravidlo: Když není normalita rozdělení prokázána, je nutné hlouběji analyzovat data. 16

1. Test kombinace výběrové šikmosti a špičatosti Hypotéza: nulová H 0 : normalita rozdělení výběru, vs. H A : Testovací kritérium: je definováno C 1 = g 1 2 D(g 1 ) + g 2 E g 2 2 D(g 2 ) kde výběrová šikmost a její rozptyl g 1, D(g 1 ), respektive výběrová špičatost a její střední hodnota, respektive rozptyl g 2, E g 2, D(g 2 ). 2 Testování: při C 1 > χ 1 α (2), je nutno hypotézu o normalitě rozdělení výběru zamítnout. 17

18

Ověření homogenity výběru Modifikace vnitřních hradeb B D a B H B D = x 0.25 K(x 0.75 x 0.25 ) B H = x 0.75 + K x 0.75 x 0.25 Parametr K: volí se tak, aby pravděpodobnost P(n, K), že z výběru velikosti n pocházejícího z normálního rozdělení nebude žádný prvek mimo vnitřní hradby [B D, B H ], byla dostatečně vysoká, např. 0.95. 19

Ověření homogenity výběru Při volbě P n, K = 0.95 lze v rozmezí 8 n 100 použít aproximace K 2.25 3.6 n Pro takto určený parametr K se všechny prvky výběru ležící mimo hradby [B D, B H ] považují za vybočující. 20

Testy odlehlých hodnot H 0 : Odchylka extrémní hodnoty je náhodná GRUBBSŮV TEST (předpokládá normální rozdělení) T n = x n x T S 1 = x x 1 S Hypotéza je přijata, když T 1 < T 1,α, resp. T n < T n,α. DIXONŮV TEST (nepředpokládá normální rozdělení) Q n = x n x n 1 x n x 1 Q 1 = x 2 x 1 x n x 1 Hypotéza je přijata, když Q 1 < Q 1,α resp. Q n < Q n,α. 21

Test odlehlých hodnot v EDA Metoda modifikovaných vnitřních hradeb B D = F D KR F B H = F H KR F Při volbě P n, K = 0.95 lze v rozmezí 8 n 100 použít aproximace K 2.25 3.6 n Pro takto určený parametr K se všechny prvky výběru ležící mimo hradby [B D, B H ] považují za vybočující. 22

Test odlehlých hodnot v EDA 23

Pojmy Přilehlé hodnoty: B H = F H + 1.5R F horní přilehlá hodnota B D = F D 1.5R F dolní přilehlá hodnota Vnitřní hradby: V H = F H + 3R F horní vnitřní hradba V D = F D 3R F dolní vnitřní hradba Podezřelá měření (=vybočující hodnoty): Body mimo interval *V D, V H } vnitřních hradeb. 24

25

Klasické parametry Název sloupce : P226 Průměr : 10,40588235 Spodní mez : 7,742475919 Horní mez : 13,06928879 Rozptyl : 26,83433824 Směr. odchylka : 5,180187085 Šikmost 1,399077155 Odchylka od 0 : Významná Špičatost : 4,272081867 Odchylka od 3 : Nevýznamná Polosuma 13,5 Modus : 7,611764706 t-test Testovaná hodnota : 0 Rozdíl : Významný Vypočtený : 8,282432925 Teoretický : 2,119905299 Pravděpodobnost : 1,76E-07 Konfidenční interval levý: 8,212389173 Konfidenční interval pravý: 12,59937553 26

Robustní parametry Název sloupce : P226 Medián : 9,4 IS spodní : 0,206364272 IS horní : 18,59363573 Medianová směr. odchylka : 4,336814353 Medianový rozpty : 18,80795873 10% Průměr : 9,993333333 10% IS spodní : 7,057957526 10% IS horní : 12,92870914 10% Směr. odchylka : 3,788983074 10% Rozptyl : 14,35639273 20% Průměr : 9,453846154 20% IS spodní : 7,788062387 20% IS horní : 11,11962992 20% Směr. odchylka : 1,845382576 20% Rozptyl : 3,405436851 40% Průměr : 9,233333333 40% IS spodní : 6,987013966 40% IS horní : 11,4796527 40% Směr. odchylka : 1,065414535 40% Rozptyl : 1,135108131 27

Znaménkový test Závěr : Data jsou závislá Analýza malých výběrů N : 17 Střední hodnota : 9,5 Spodní mez (5%) : 7,395 Horní mez (95%) : 11,605 Spodní mez (2.5%) : 6,99 Horní mez (97.5%) : 12,01 Pivotové rozpětí : 5 Test normality : Název sloupce : P226 Průměr : 10,40588235 Rozptyl : 26,83433824 Šikmost 1,399077155 Špičatost : 4,272081867 Normalita : Přijata Vypočtený : 5,900841254 Teoretický : 5,991464547 Pravděpodobnost : 0,052317695 28

Vybočující body Název sloupce : P226 Homogenita : Zamítnuta Počet vybočujících bodů : 2 Spodní mez : -0,133823529 Horní mez : 17,63382353 Autokorelace : Řád autokorelace 1 Korelační koeficient : 0,659732703 Pravděpodobnost : 0,002712181 Závěr : Významný Řád autokorelace 2 Korelační koeficient : 0,327058288 Pravděpodobnost : 0,117047366 Závěr : Nevýznamný 29

Kapitola 2.3 TRANSFORMACE DAT 30

Transformace dat (1) Transformace pro konstantní rozptyl: θ 2 x kons. stabilizace rozptylu θ 2 y θ 2 y δg x δx 2 kons. f 1 x = C 31

Transformace dat (2) Transformace pro symetrii: (a) zesimetričtění rozdělení: mocninné transformace y = g x x λ = ln x x λ pro λ > 0 pro λ = 0 pro λ < 0 32

Transformovaná data Transformace dat - ukázka 0.8 0.6 transformovaný průměr a jeho promítnutí do původních dat 0.4 0.2 0 průměr původních dat (ovlivněn sešikmeným rozdělením) -0.2-0.4 0 0.5 1 1.5 2 2.5 3 3.5 4 Původní měřená data (šířky letokruhů v mm) 33

Symetrizující mocninná transformace Zesymetričtění rozdělení výběru provede y = g x x λ = ln x x λ pro λ > 0 pro λ = 0 pro λ < 0 1. nezachovává měřítko, 2. není k λ všude spojitá, 3. zachovává pořadí dat ve výběru, 4. hodí se pouze pro kladná data. 34

Normalizační Box-Coxova transformace přiblížení rozdělení výběru k normálnímu Transformace y = g x = 1. je vzhledem k λ spojitá, x λ 1 λ ln x pro λ 0 λ = 0 2. je použitelná pouze pro kladná data, jinak (x x 0 ). 35

Schéma mocninné Box-Coxovy transformace 36

Průměr Směrodatná odchylka Retransform. průměr (mocnina) Retransform. průměr (Box-Cox) 37

Transformace dat odhad optimálního λ hranice intervalu spolehlivosti parametru hodnota = 1 není součástí intervalu spolehlivosti parametru, což naznačuje, že transformace bude statisticky účinná maxlf 0,5*kvantil 2,1 optimální hodnota křivka logaritmu věrohodnostní funkce pro různé hodnoty 1.00 38

Zpětná transformace y, s 2 y, y ± t α 1 2 1. Nekorektní přístup x R = xλ = n 1 s(y)/ n n i=1 n x i λ x R = x 1 představuje harmonický průměr x R = x 0 představuje geometrický průměr x R = x 1 představuje aritmetický průměr x R = x 2 představuje kvadratický průměr 1 λ 39

Zpětná transformace 2. Korektní přístup z Taylorova rozvoje funkce y = g(x) v okolí y, x R = g 1 y 1 d 2 g x 2 dx Pro rozptyl vyjde s 2 d g x x R dx d g x dx 2 s 2 y 2 s 2 y 40

Zpětná transformace (a) Pro speciální případ λ = 0, tzn. logaritmickou transformaci typu g x = ln x, bude x R exp[y + 0.5s 2 (y)] a rozptyl s 2 x R x R 2 s 2 y. (b) Pro případ λ 0: x R,1,2 = 0.5 1 + λy ± 0.5 1 + 2λ y + s 2 y + λ 2 y 2 2s 2 y 1 λ a rozptyl s 2 x R x R 2λ+2 s 2 y. 41

Zpětná transformace Rozptyl se vyčíslí s 2 x R d g x dx 2 s 2 (y) kde derivace jsou vyčísleny v bodě x = x R. 100 1 α %ní interval spolehlivosti se vyčíslí dle x R I D μ x R + I D 42

Zpětná transformace kde I D = g 1 (y + G t 1 α 2 n 1 s(y) n ) I H = g 1 G = 0.5 d2 g x dx 2 y + G + t 1 α 2 d g x dx n 1 s y n 2 s 2 (y) kde t α 1 n 1 je 100(1-α/2)%ní kvantil Studentova 2 rozdělení s n 1 stupni volnosti. 43

Hines - Hinesův selekční graf Osa x: x 0.5 /x 1 Pi, Osa y: x Pi /x 0.5 Selekční graf pro výběr z lognormálního rozdělení Požadavek symetrie kvantilů kolem mediánu x Pi x 0.5 λ + x 0.5 x 1 Pi λ = 2 44

Hines - Hinesův selekční graf kde pro pořadové pravděpodobnosti jsou voleny písmenové hodnoty P i = 2 i, i = 2,3. 45

Graf maximální věrohodnosti 46

Příklad: Atestace stopového Cu v kaolinu Ve vzorku kaolinu byl stanoven obsah Cu (ppm) a hodnoty ve vzestupném pořadí jsou 4, 5, 7, 7, 7, 8, 8.3, 8.4, 9.4, 9.5, 10.0, 10.5, 12.0, 12.8, 13.0, 22.0, 23.0. Stanovte míry polohy a rozptýlení uvedeného výběru. Řešení: 1. Výpočet na kalkulačce aritmetický průměr x = 10.406 medián x 0.5 = 9.400 47

Interaktivní statistická analýza na PC 1. Průzkumová analýza dat (EDA): Diagnostické grafy: - stupeň symetrie rozdělení - lokální koncentrace - vybočující data 2. Ověření předpokladů výběru dat: Diagnostiky: - ověření normality - ověření nezávislosti - ověření homogenity - ověření minimální četnosti 48

Interaktivní statistická analýza na PC 3. Transformace dat: pro symetrii a pro heteroskedasticitu výběru Box-Coxova transformace, mocninná transformace. 4. Odhady parametrů polohy, rozptýlení a tvaru: Klasické odhady: aritmetický průměr, rozptyl. Robustní odhady: medián, uřezané průměry, neparametrické odhady rozptylu. Adaptivní odhady polohy a rozptylu. 49

Kvantilový graf: stopová analýza (G1) 50

Bodové a krabicové grafy: stopová analýza (G2) (G3) (G4) (G5) 51

Graf polosum: stopová analýza (G6) 52

Graf symetrie: stopová analýza (G7) 53

Q-Q graf: stopová analýza (G13) 54

Q-Q graf: stopová analýza (G11) 55

Kvantilový graf: stopová analýza (G10) 56

Kvantilový graf: stopová analýza (G17) 57

Graf Hines-Hinesové: stopová analýza (G21) 58

Graf maximální věrohodnosti: stopová analýza (G22) 59

Q-Q graf pro původní data (G13) 60

Q-Q graf pro jednoduchou tranformaci (G13) 61

Q-Q graf pro Box-Coxovu tranformaci (G13) 62

Kvantilový graf pro původní data (G10) 63

Kvantilový graf pro jednoduchou tranformaci (G10) 64

Kvantilový graf pro Box-Coxovy transformaci (G10) 65

Střední hodnota 66

67

68

Příklad 69

Pokračování příkladu 70

Pokračování příkladu 71

Pokračování příkladu 72

Pokračování příkladu 73

Pokračování příkladu 74

75

76

77

Závěr (určení obsahu kadmia v bramborách, odhady nutno vynásobit rozměrem 10 2 [mg/kg]) Klasické odhady: (aritmetický průměr a směrodatná odchylka) x = 3.57, s = 2.73, L D = 2.51, L H = 4.63 Retransformované odhady: 1. Symetrizující mocninná transformace λ = 0.13 dává x R = 2.79, s R = 2.21, L D = 2.04, L H = 3.77 2. Normalizující Box-Coxova transformace λ = 0.13 dává x R = 2.79, s R = 2.21, L D = 2.04, L H = 3.77 3. Exponenciální transformace λ = 1.07 dává x R = 2.67, s R =., L D = 2.03, L H = 3.53 (*.**značí nevyčísleno) 78