Anda di halaman 1dari 12

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

3.5 Distribusi t dan Distribusi F

Distribusi t dan distribusi F perlu dipelajari karena merupakan distribusi yang cukup banyak digunakan pada permasalahan statistika inferensi, misalnya pada uji mean, uji variansi, dan analisis variansi.

3.5.1 Distribusi t

Misal W variabel acak berdistribusi N (0, 1) dan V variabel acak berdistribusi χ 2 (r). Misalkan pula W dan V independen sehingga pdf gabungannya adalah perkalian dari pdf untuk W dan untuk V, yaitu

h(w, v) = h(w)h(v) =

2π e w 2 /2 Γ(r/2)2 r/2 v r/21 e v/2 ,

1

1

untuk −∞ < w < , 0 < v < , dan h(w, v) = 0 untuk yang lainnya.

Sekarang, definisikan variabel acak baru

T =

W

V /r

Distribusi dari T dapat dicari dengan teknik perubahan variabel melalui pemisalan

sehingga inversnya

t =

w

v/r

w = t v/ r

dan

dan

u = v,

v = u,

dengan −∞ < t < dan 0 < u < .

Dari persamaan (1), dapat diperoleh Jacobi

J = u

r .

(1)

Akibatnya, untuk −∞ < t < dan 0 < u < , pdf gabungan dari T dan U = V adalah

g(t, u) = h t u , u |J|

r

= 2πΓ(r/2)2 r/2 u r/21 exp u

1

2 1 + t 2

r

u

r

= 2πr Γ(r/2)2 r/2 u (r+1)/21 exp u

2

1

1 + t 2

r

dan g(t, u) = 0 untuk yang lainnya.

1

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

Sementara itu, pdf marjinal untuk T adalah

g 1 (t) =

−∞

=

0

g(t, u)du

2

2πrΓ(r/2)2 r/2 u (r+1)/21 exp u

1

1 + t 2 du

r

Jika dimisalkan z = u[1 + (t 2 /r)]/2, maka

g 1 (t) = =

0

2πrΓ(r/2)2 r/2

1

2 /r (r+1)/21 e z

2z

1 + t

= Γ[(r + 1)/2]

1

πrΓ(r/2)

(1 + t 2 /r) (r+1)/2 ,

−∞ < t < .

+ t 2 /r dz

2z

1

(2)

Jadi, jika W berdistribusi N (0, 1), V berdistribusi χ 2 (r), variabel acak V dan W inde- penden maka

T =

W

V /r

mempunyai pdf g 1 (t). Selanjutnya, variabel acak T dengan pdf pada persamaan (2) dise- but variabel acak berdistribusi Student t, atau secara singkat ditulis berdistribusi

t, dengan derajat bebas r, yang dinotasikan dengan t(r).

Untuk T yang berdistribusi t(r), nilai-nilai peluang

untuk derajat bebas r = 1, 2,

P(T t) = g 1 (w) dw

0

, 30, ditampilkan pada Lampiran 3.

Program statistik R atau S-PLUS juga menyediakan perintah untuk mendapatkan ni-

lai kuantil/persentil dan cdf dari distribusi t. Sebagai contoh, perintah qt(0.975,15) digunakan untuk mendapatkan persentil ke 97,5 dari distribusi t dengan derajat bebas

r = 15, perintah pt(2,15) digunakan untuk menentukan nilai P (T 2) jika T berdis-

tribusi t(15), dan perintah dt(2,15) digunakan untuk menentukan nilai pdf di titik

t = 2.

Dengan tersedianya perintah-perintah tersebut, kurva distribusi t untuk beberapa nilai derajat bebas dapat diilustrasikan seperti pada Gambar 1. Dari Gambar 1 terlihat bahwa kurva distribusi t mempunyai pola yang serupa dengan distribusi normal standar, yaitu simetris dengan titik puncak terjadi saat t = 0. Titik puncak kurva distribusi t terletak lebih rendah dibanding distribusi N (0, 1), tetapi untuk derajat bebas r > 30, kurva distribusi t hampir dekat ke kurva distribusi N (0, 1). Oleh karena itu, tabel distribusi t umumnya hanya menyediakan nilai-nilai peluangnya untuk derajat bebas r 30, karena untuk r > 30 dapat didekati oleh distribusi normal standar.

2

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

0.4 Kurva N(0,1) 0.4 0.3 0.3 Kurva t(1) 0.2 0.2 0.1 0.1 0.0 0.0
0.4
Kurva N(0,1)
0.4
0.3
0.3
Kurva t(1)
0.2
0.2
0.1
0.1
0.0
0.0
N(0,1) t(30) t(r), r=1,2,3,5,10
N(0,1)
t(30)
t(r), r=1,2,3,5,10

−4

−2

0

2

4

−4

−2

0

2

4

 

t

t

Gambar 1: Perbandingan kurva distribusi t(1) dengan kurva normal standar (kiri) dan bentuk kurva distribusi t(r) yang mendekati distribusi N (0, 1) ketika derajat bebas r > 30 (kanan).

Mean dan variansi dari distribusi t. r, sehingga T dapat ditulis sebagai

Misal T berdistribusi t dengan derajat bebas

T =

W V /r = W (V /r) 1/2 ,

dengan V berdistribusi N (0, 1) dan W berdistribusi χ 2 (r), dan keduanya independen. Dari sifat independen ini, maka momen ke-k dari T dapat ditulis

E[T k ] = E W k V k/2 = E[W k ]E V

r

r

k/2

Selanjutnya karena momen ke-k dari distribusi χ 2 (r), adalah

maka

2 k Γ( r + k) 2 E[X k ] = , Γ( r 2
2 k Γ( r
+ k)
2
E[X k ] =
,
Γ( r
2 )
)
2 − k
2
E[T k ] = E[W k ] 2 −k/2 Γ( r
Γ( r
)r −k/2
2

k > r

2

, jika k < r.

Akibatnya untuk k = 1, nilai E[T ] selalu 0 karena mean dari W adalah 0. Sementara itu untuk k = 2, momen ke-2 hanya berlaku untuk derajat bebas r > 2. Karena E[W 2 ] = Var(W ) = 1 maka variansi dari T diberikan oleh

Var(T ) = E[T 2 ] =

r

r 2 .

Jadi dapat disimpulkan bahwa distribusi t dengan derajat bebas r > 2 mempunyai mean 0 dan variansi r/(r 2).

3

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

3.5.2 Distribusi F

Misal U dan V dua variabel acak independen berdistribusi khi-kuadrat dengan derajat bebas masing-masing r 1 dan r 2 . Karena bersifat independen, pdf gabungan dari U dan V adalah

h(u, v) = h(u)h(v) =

1

/2)2 (r 1 +r 2 )/2 u r 1 /21 v r 2 /21 e (u+v)/2

Γ(r 1 /2)Γ(r 2

untuk 0 < u, v < dan h(u, v) = 0 untuk yang lainnya. Definisikan variabel acak baru

 

W = U/r 1 V /r 2

dan ingin dicari distribusi dari W .

 

Misal

 

w = u/r 1 v/r

2

dan

maka

u =

(r 1 /r 2 )zw

dan

dengan 0 < w, z

< , sehingga

J

= r 1 z.

r 2

z = v,

v = z

Akibatnya untuk 0 < w, z < , pdf gabungan dari W dan Z = V adalah

g(w, z) = h

2 zw, z |J|

r

1

r

=

/2)2 (r 1 +r 2 )/2

1

Γ(r 1 /2)Γ(r 2

r

1

r

2

dan g(w, z) = 0 untuk yang lainnya.

zw (r 1 2)/2 z (r 2 2)/2 exp z

2

r 1 w

r

2

+

1 r 1 z

r

2

Untuk 0 < w < , pdf marjinal dari W adalah

g 1 (w) =

−∞

=

0

g(w, z) dz

(r 1 /r 2 ) r 1 /2 (w) r 1 /21

)/2 z (r 1 +r 2 )/21 exp z

2

Γ(r 1 /2)Γ(r

2 /2)2 (r 1 +r 2

r 1 w

r

2

+ 1 dz

Jika dimisalkan

maka

y = z

2

r 1 w

r

2

+ 1

g 1 (w) =

0

(r 1 /r 2 ) r 1 /2 (w) r 1 /21

w/r 2 +1 dz/2

2

r

1

Γ(r 1 /2)Γ(r

2 /2)2 (r 1 +r 2 )

2y

+ 1 (r 1 +r 2 )/21 e y

r 1 w/r 2

= Γ[(r 1 + r 2 )/2](r 1 /r 2 ) r 1 /2

Γ(r 1 /2)Γ(r 2 /2)

(w) r 1 /21

(r 1 w/r 2 + 1) (r 1 +r 2 )/2

(3)

4

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

0.8

0.6

0.4

0.2

0.0

F(10,2) 0 1 2 3 4 5
F(10,2)
0
1
2
3
4
5

0.8

0.6

0.4

0.2

0.0

F(10,16) F(10,2) F(10,1) 0 1 2 3 4 5
F(10,16)
F(10,2)
F(10,1)
0
1
2
3
4
5

f

f

Gambar 2: Kurva distribusi F (10, 2) (kiri) dan kurva distribusi F (10, r 2 ) untuk r 2 =

1, 2,

, 16 (kanan).

untuk 0 < w < , dan g 1 (w) = 0 untuk w lainnya.

Jadi dapat disimpulkan bahwa jika U berdistribusi χ 2 (r 1 ) dan V berdistribusi χ 2 (r 2 ), dan keduanya independen maka variabel acak

W

= U/r 1

V /r 2

mempunyai pdf seperti pada persamaan (3). Selanjutnya, variabel acak W dikatakan

berdistribusi F dengan parameter r 1 >

Untuk menyesuaikan dengan nama distribusinya, variabel acak W seringkali ditulis

0 dan r 2 > 0, dinotasikan dengan F (r 1 , r 2 ).

F

= U/r 1

V /r 2

Misal variabel acak F berdistribusi F (r 1 , r 2 ). Untuk mengetahui kuantil ke-95, kuantil ke-97,5, dan kuantil ke-99 dari distribusi F dapat digunakan Tabel Distribusi F pada

, 16

Lampiran 4. Pada tabel tersebut, derajat bebas yang tersedia adalah r 1 = 1, 2,

dan r 2 = 1, 2,

, 16.

Menghitung peluang dari variabel acak berdistribusi F juga dapat dilakukan pada pro- gram R atau S-PLUS. Sebagai contoh, perintah qf(0.975,a,b) digunakan untuk menghi- tung kuantil ke-97,5 dari distribusi F (a, b), perintah pf(x,a,b) untuk menghitung pelu- ang P (F f ), dan perintah pf(x,a,b) untuk menghitung nilai pdf di titik f.

Bentuk kurva distribusi F untuk derajat bebas r 1 = 10 dan r 2 = 1, 2,

trasikan pada Gambar 2. Gambar tersebut dapat diperoleh dengan perintah R sebagai berikut:

, 16, diilus-

5

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

#

x<-seq(0,5,by=0.02)

win.graph(width=4.876,height=5,pointsize=8)

plot(x,df(x,10,2),type="l",las=1,ylab="",xlab="f",ylim=c(0,0.85),col="red")

text(1,0.5,"F(10,2)")

Program

R

untuk

Gambar

2

win.graph(width=4.876,height=5,pointsize=8)

plot(x,df(x,10,1),type="l",las=1,ylab="",xlab="f",ylim=c(0,0.85))

for(j

lines(x,df(x,10,j),col=j)

text(1,0.18,"F(10,1)")

text(1,0.27,"F(10,2)")

text(1,0.84,"F(10,16)")

in

2:16)

Momen dari distribusi F. Misal variabel acak F berdistribusi F (r 1 , r 2 ), dapat dinyatakan sebagai

F = U/r 1 V /r 2

=

r 2 UV 1

r

1

maka F

dengan U dan V variabel acak independen yang masing-masing berdistribusi χ 2 (r 1 ) dan χ 2 (r 2 ). Dari sifat independen U dan V, momen ke-k dari F dapat ditulis

E[F k ] =

r

2

r

1

k

E[U k ]E[V k ],

dengan syarat kedua bentuk ekspektasi di ruas kanan ada. Dengan mengingat kembali momen ke-m dari distribusi χ 2 (r) di Subbab 3.4, ekspektasi E[U k ] dijamin ada untuk k > (r 1 /2). Sementara itu, E[V k ] ada hanya jika r 2 > k. Dengan kata lain, ekspek- tasinya ada hanya jika derajat bebas pada bagian penyebut distribusi F tidak melebihi 2k. Karena momen ke-k dari distribusi χ 2 (r), adalah

2 + k) E[X k ] = 2 k Γ( r , Γ( r 2
2 + k)
E[X k ] = 2 k Γ( r
,
Γ( r
2 )

k > r

2

maka mean dari F atau momen pertama dari F diberikan oleh

r 1 2 1 Γ( r 2 1)

2 E[F] = r 2 r Γ( r 2 ) 1 2
2
E[F] = r 2
r
Γ( r 2 )
1
2

=

r 2

r 2 2

Dari persamaan tersebut terlihat bahwa untuk derajat bebas r 2 yang cukup besar, mean dari F atau E[F ] akan mendekati 1.

3.5.3 Teorema Student

Hasil penting dari penemuan distribusi t adalah Teorema Student. Teorema ini mengkarak-

terisasi sifat-sifat dari rata-rata sampel X dan variansi sampel S 2 yang berasal dari dis- tribusi normal. Dalam hal ini sifat-sifat yang dimaksud berkaitan dengan distribusinya,

6

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

sifat independen, dan distribusi dari variabel acak T = (X µ)/(S/ n), yang merupakan

transformasi dari variabel acak X dan S 2 .

Teorema 1 (Teorema Student) Misal X 1 ,

tribusi N (µ, σ 2 ). Misalkan pula didefinisikan variabel acak

, X n variabel-variabel acak iid berdis-

X = 1

acak , X n variabel-variabel acak iid berdis- X = 1 n n i =1 X

n

n

i=1

X i

dan

S 2 =

1

n 1

n

i=1

(X i X) 2 ,

¯

maka

(a). X berdistribusi N (µ, σ 2 /n).

(b).

X dan S 2 independen.

(c). (n 1)S 2 2 berdistribusi χ 2 (n 1).

(d). Variabel acak

T = X µ

S/ n ,

berdistribusi t dengan derajat bebas n 1.

Bukti. Bagian (a) sudah dibuktikan di Akibat 1 pada Subbab 3.4. Namun, sifat ini

juga dapat dibuktikan dengan cara lain seperti akan dijelaskan berikut. Misalkan X =

(X 1 ,

vektor acak X berdistribusi normal multivariat N (µ1, σ 2 I), dengan 1 menyatakan vektor

, 1/n) = (1/n)1 .

, X n variabel-variabel acak iid N (0, 1), maka

, X n ) vektor acak dengan X 1 ,

yang semua komponennya adalah 1. Misalkan pula v = (1/n,

Perhatikan bahwa rata-rata sampel dapat ditulis sebagai X = v X.

Definisikan vektor acak Y sebagai Y = (X 1 X),

, X n X). Pandang transformasi

Y = W = X

I 1v X

v

Karena W transformasi linier dari vektor acak multivariat normal maka menurut Teo- rema 3.5.1, W juga berdistribusi multivariat normal dengan mean

E[W] =

v

I

1v µ1 =

n

µ

0

dengan 0 n menyatakan vektor yang semua komponennya adalah 0, dan matriks kovari- ansinya

Σ =

I 1v σ 2 I I 1v

v

v

= σ 2

1

n

0 n

I 1v

0

n

7

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

Karena X komponen pertama dari W maka E[X] = µ dan karena Σ 11 = σ 2 /n, maka

Var(X) = σ 2 /n. Jadi, bagian telah terbukti.

Selanjutnya, karena Σ 12 = Σ 21 = 0 maka X dan Y tidak berkorelasi, dan karena W

berdistribusi normal multivariat maka X dan Y independen. Dengan demikian bagian (b) sudah dibuktikan.

Untuk membuktikan bagian (c), definisikan variabel acak

V =

n

i=1

X i µ

σ

2

Karena X i berdistribusi N (µ, σ 2 ), maka variabel acak (X i µ)2 berdistribusi N (0, 1). Akibatnya

X i µ

σ

2

berdistribusi χ 2 (1) dan total jumlahnya, V berdistribusi χ 2 (n). Selanjutnya, karena

V =

n

i=1

X i µ

σ

2

=

n

i=1

n


=

i=1

X i X) + (X µ

σ

2

X i X) 2 + (X µ

σ

σ

= (n 1)S 2

σ 2

+ X µ

σ

2

2

Dari bagian (b) telah diketahui bahwa suku-suku pada ruas kanan adalah indepen- den. Telah diketahui pula bahwa suku kedua di ruas kanan berdistribusi χ 2 (1). Dengan menghitung mgf di ruas kiri dan kanan diperoleh

(1 2t) n/2 = E[exp{t(n 1)S 2 2 }](1 2t) 1/2

Selesaikan persamaan tersebut sehingga diperoleh mgf untuk (n 1)S 2 2 maka akan diperoleh bahwa (n 1)S 2 2 berdistribusi χ 2 (n 1). Jadi, bagian (c) telah terbukti.

Dari bagian (a), telah dibuktikan bahwa (X µ)/σ/ n berdistribusi N (0, 1) dan dari bagian (c) telah dibuktikan (n 1)S 2 2 berdistribusi χ 2 (n 1). Berdasarkan definisi distribusi T, maka

(X µ)/σ/ n

= X µ

(n 1)S 2 /(σ 2 (n 1))

S/ n

berdistribusi t dengan derajat bebas n 1.

8

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

Latihan

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

Misal T berdistribusi t dengan derajat bebas 10. Tentukan P (|T | > 2, 228).

Misal T berdistribusi t dengan derajat bebas 14. Tentukan b sehingga P (b < T < b) = 0, 90

Misal T berdistribusi t dengan derajat bebas r > 4. Tentukan kurtosis dari T. Petunjuk: Kurtosis = E[(X µ) 4 ]4 .

Misal F berdistribusi F (r 1 , r 2 ). (momen ke-k dari F ).

Dengan mengasumsikan r 2 > 2k, tentukan E[F k ]

Misal F berdistribusi F (r 1 , r 2 ). Tentukan kurtosis dari F dengan mengasumsikan r 2 > 8.

Misal F berdistribusi

F (r 1 , r 2 ). Tunjukkan bahwa 1/F berdistribusi F (r 2 , r 1 ).

Misal F berdistribusi F (5, 10). Tentukan a dan b sehingga P (F a) = 0, 05, P (F b) = 0, 95, atau dengan kata lain P (a < F < b) = 0, 90. Petunjuk: Tulis P (1/F 1/a) = 1 P (1/F 1/a).

Misal T = W/ V /r dengan W dan V independen masing-masing berdistribusi N (0, 1) dan χ 2 (r). Tunjukkan bahwa T 2 berdistribusi F (1, r).

Tunjukkan bahwa jika W berdistribusi F (r 1 , r 2 ), maka

berdistribusi beta.

Y =

1

1 + (r 1 /r 2 )W ,

Misal X 1 dan X 2 independen berdistribusi identik dengan pdf

f(x) =

e x

0 < x <

0 x lainnya

Tunjukkan Z = X 1 /X 2 berdistribusi

F.

Misal X 1 , dan χ 2 (r 3 ),

X 2 , dan X 3 independen dengan distribusi masing-masing, χ 2 (r 1 ), χ 2 (r 2 ),

(a)

Tunjukkan bahwa Y 1 = X 1 /X 2 dan Y 2 = X 1 + X 2 independen dan Y 2 berdis- tribusi χ 2 (r 1 + r 2 ).

(b)

Tunjukkan bahwa

X 1 /r 1

X 2 /r 2

dan

X 3 /r 3

(X 1 + X 2 )/(r 1 + r 2 )

independen dan masing-masing berdistribusi F.

9

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

Lampiran 3. Tabel Distribusi t

Pada tabel berikut diberikan kuantil dari distribusi t, yaitu nilai t yang memenuhi

P(T t) =

t Γ[(r + 1)/2]

−∞

πr Γ(r/2)(1 + w 2

/r) (r+1)/2 dw

untuk derajat bebas r = 1, 2,

besar (r > 30), nilai kuantil dapat didekati oleh distribusi normal.

, 30. Untuk distribusi t dengan derajat bebas cukup

   

P(T t)

 

r

0.900

0.950

0.975

0.990

0.995

0.999

1

3.078

6.314

12.706

31.821

63.657

318.309

2

1.886

2.920

4.303

6.965

9.925

22.327

3

1.638

2.353

3.182

4.541

5.841

10.215

4

1.533

2.132

2.776

3.747

4.604

7.173

5

1.476

2.015

2.571

3.365

4.032

5.893

6

1.440

1.943

2.447

3.143

3.707

5.208

7

1.415

1.895

2.365

2.998

3.499

4.785

8

1.397

1.860

2.306

2.896

3.355

4.501

9

1.383

1.833

2.262

2.821

3.250

4.297

10

1.372

1.812

2.228

2.764

3.169

4.144

11

1.363

1.796

2.201

2.718

3.106

4.025

12

1.356

1.782

2.179

2.681

3.055

3.930

13

1.350

1.771

2.160

2.650

3.012

3.852

14

1.345

1.761

2.145

2.624

2.977

3.787

15

1.341

1.753

2.131

2.602

2.947

3.733

16

1.337

1.746

2.120

2.583

2.921

3.686

17

1.333

1.740

2.110

2.567

2.898

3.646

18

1.330

1.734

2.101

2.552

2.878

3.610

19

1.328

1.729

2.093

2.539

2.861

3.579

20

1.325

1.725

2.086

2.528

2.845

3.552

21

1.323

1.721

2.080

2.518

2.831

3.527

22

1.321

1.717

2.074

2.508

2.819

3.505

23

1.319

1.714

2.069

2.500

2.807

3.485

24

1.318

1.711

2.064

2.492

2.797

3.467

25

1.316

1.708

2.060

2.485

2.787

3.450

26

1.315

1.706

2.056

2.479

2.779

3.435

27

1.314

1.703

2.052

2.473

2.771

3.421

28

1.313

1.701

2.048

2.467

2.763

3.408

29

1.311

1.699

2.045

2.462

2.756

3.396

30

1.310

1.697

2.042

2.457

2.750

3.385

1.282

1.645

1.960

2.326

2.576

3.090

10

Nunung Nurhayati

Teori Peluang (PAM 2231)-Unsoed

Lampiran 4. Tabel Distribusi F (r 1 , r 2 )

Pada tabel berikut diberikan kuantil dari distribusi F (r 1 , r 2 ), yaitu nilai x yang memenuhi

P(X x) =

x

−∞

untuk derajat bebas r 1 = 1, 2,

Γ[(r 1 + r 2 )/2](r 1 /r 2 ) r 1 /2 w

r 1 /21

Γ(r 1 /2)Γ(r 2 /2)(1 + r 1 w/r 2 )

(r 1 +r 2 )/2 dw

, 16, dan r 2 = 1, 2,

, 16.

     

r

1

P(X x)

r

2

1

2

3

4

5

6

7

8

0.950

 

1

161.45

199.50

215.71

224.58

230.16

233.99

236.77

238.88

0.975

1

647.79

799.50

864.16

899.58

921.85

937.11

948.22

956.66

0.990

1

4052.18

4999.50

5403.35

5624.58

5763.65

5858.99

5928.36

5981.07

0.950

 

2

18.51

19.00

19.16

19.25

19.30

19.33

19.35

19.37

0.975

2

38.51

39.00

39.17

39.25

39.30

39.33

39.36

39.37

0.990

2

98.50

99.00

99.17

99.25

99.30

99.33

99.36

99.37

0.950

 

3

10.13

9.55

9.28

9.12

9.01

8.94

8.89

8.85

0.975

3

17.44

16.04

15.44

15.10

14.88

14.73

14.62

14.54

0.990

3

34.12

30.82

29.46

28.71

28.24

27.91

27.67

27.49

0.950

 

4

7.71

6.94

6.59

6.39

6.26

6.16

6.09

6.04

0.975

4

12.22

10.65

9.98

9.60

9.36

9.20

9.07

8.98

0.990

4

21.20

18.00

16.69

15.98

15.52

15.21

14.98

14.80

0.950

 

5

6.61

5.79

5.41

5.19

5.05

4.95

4.88

4.82

0.975

5

10.01

8.43

7.76

7.39

7.15

6.98

6.85

6.76

0.990

5

16.26

13.27

12.06

11.39

10.97

10.67

10.46

10.29

0.950

 

6

5.99

5.14

4.76

4.53

4.39

4.28

4.21

4.15

0.975

6

8.81

7.26

6.60

6.23

5.99

5.82

5.70

5.60

0.990

6

13.75

10.92

9.78

9.15

8.75

8.47

8.26

8.10

0.950

 

7

5.59

4.74

4.35

4.12

3.97

3.87

3.79

3.73

0.975

7

8.07

6.54

5.89

5.52

5.29

5.12

4.99

4.90

0.990

7

12.25

9.55

8.45

7.85

7.46

7.19

6.99

6.84

0.950

 

8

5.32

4.46

4.07

3.84

3.69

3.58

3.50

3.44

0.975

8

7.57

6.06

5.42

5.05

4.82

4.65

4.53

4.43

0.990

8

11.26

8.65

7.59

7.01

6.63

6.37

6.18

6.03

0.950

 

9

5.12

4.26

3.86

3.63

3.48

3.37

3.29

3.23

0.975

9

7.21

5.71

5.08

4.72

4.48

4.32

4.20

4.10

0.990

9

10.56

8.02

6.99

6.42

6.06

5.80

5.61

5.47

0.950

10

4.96

4.10

3.71

3.48

3.33

3.22

3.14

3.07

0.975

10

6.94

5.46

4.83

4.47

4.24

4.07

3.95

3.85

0.990

10

10.04

7.56

6.55

5.99

5.64

5.39

5.20

5.06

0.950

11

4.84

3.98

3.59

3.36

3.20

3.09

3.01

2.95

0.975