Univerzitet u Novom Sadu Tehniki fakultet Mihajlo Pupin, Zrenjanin Fakultet tehnikih nauka, Novi Sad

SEMINARSKI RAD Odreivanje i procena trendova zagaenja

Duko Medi, Indeks: 27/11 Inenjerstvo zatite ivotne sredine Zrenjanin, 2012 0

dr Bogdana Vuji Monitoring zatite ivotne sredine

SADRAJ

1.0. UVOD ......................................................................................................................... 2 2.0. TIPOVI TENDOVA ................................................................................................... 2 Grafikon 1. Obiajeni tipovi trendova .............................................................................. 3 3.0. STATISTIKE KOMPLEKSNOSTI ....................................................................... 4 3.1 3.2 3.3 3.4 PROMENE PROCEDURA ............................................................................................... 4 SEZONSKI .................................................................................................................. 4 UPOREIVANJE PODATAKA......................................................................................... 4 ISPRAVKE ZA TOK ...................................................................................................... 5

4.0. METODE.................................................................................................................... 5 4.2 REGRESIJA ................................................................................................................. 5 4.3 MANN-KENDALL TEST ............................................................................................... 5 4.3.1 ZA BROJ PODATAKA MANJI OD 40 ............................................................................ 5 Tabela 1. Razlike podataka koje su neophodne za Mann-Kendallov test trenda................ 6 Tabela 2. Izraunavanje statistike S Mann-Kendallov test trenda za vrenske podatke 10, 15, 14,20.......................................................................................................................... 7 4.3.2 ZA BROJ PODATAKA VEI OD 40 .............................................................................. 7 Grafikon 2. Koncentracija u podzemnoj vodi bunara E biveg skladita St. Luis aerodroma od januara 1981. do januara 1983. (Clark i Berven, 1984) ............................ 8 5.0. ZAKLJUAK............................................................................................................. 9 6.0. LITERATURA ........................................................................................................... 9 7.0. PRILOG.................................................................................................................... 10 Tabela 3. Verovatnoa za Mann-Kendallov neparametrijski test za trend ...................... 10 Tabela 4. Kumulativna normalna distribucija (vrednosti p odgovaraju Zp za normalnu krivu) ............................................................................................................................. 11

1.0.

UVOD

Vaan cilj mnogih programa monitoringa ivotne sredine jeste sagledavanje promena ili trendova nivoa zagaenja tokom vremena. Svrha takvog programa mo e biti sagledavanje uzroka i veliine poveanog zagaenja uzrokovanom bilo promenom korienja zemljita (koje, na primer, donosi irenje gradova), poveanjem emisija u vodene tokove sa poljoprivrednog zemljita ili je rezultat novooformljenog postrojenja za tretman opasnog otpada. Pored grafikih metoda, za neophodno utvrivanja trendova zagaenja neophodne su i naune metode utvrivanja trendova rasta, stagnacije, ili pada zagaenja. Statistike metode nam, putem statistikog ocenjivanja i uoptavanja, donose nauni alat za identifikaciju pravih vrednosnih parametara izuavanog skupa podataka (tj. merenja), ili, pak, za njihovu ocenu. One su zasnovane na poznatim statistikim principima koji zahtevaju ispunjenje odgovarajuih pretpostavki uslovljenih teoretskim osnovama statistikog zakljuivanja [1]. Jedna od takvih metoda je, i u naem zakonodavstvu prepoznat, Mann-Kendallov neparametrijski test koji je u ovom radu objanjen u primerima. Pravilnik o nacionalnoj listi indikatora zatite ivotne sredine (Slubeni glasnik Republike Srbije br 37/2011), donet 24. maja 2011. godine, upravo, za opis indikatora u tematskoj celini za vodu vidi ovu metodu za metodologiju izraunavanja i prikupljanja podataka za istraivanja trenda indikatora potronje kiseonika u povrinskim vodama, nutrijenata u povrinskim i podzemnim vodama, za izraunavanje Indeksa saprobnosti (SI) i Serbian Water Quality indeksa (SWQI) [3]. Ova metoda, podrazumeva testiranje prihvatljivosti hipoteze o odreenom trendu potvrdu hipoteze ili njeno odbacivanje za unapred nam eljenu verovatnou koju prihvatamo da naa odluka nebude nekorektna. Pored ove metode koja je u celini predstavljena u radu se daje pregled niza drugih statistikih metoda bilo da su one osmiljene za izbegavanje ciklinosti podataka, uporeivanje podataka ili njihovoj zavisnosti od nekih drugih faktora.

2.0.

TIPOVI TENDOVA

Na grafikonu 1 prikazani su obiajeni tipovi trendova. Ukoliko merenja pokazuju na nepostojanje trenda kao to je to prikazano na grafiku (a). Promene du tog dela grafika uzorkovane su sluajem. Grafik (b) ilustruje ciklian karakter promena ali bez dugotrajnog trenda, a grafik (c) pokazuje sluajne promene ali na lineralno rastuem trendu. Ciklinost moe biti uzrokovana mnogim faktorima ukljuujui sezonske promene, plimu, proizvodne cikluse u industriji i slino. Takve ciklinosti ne moemo zvati trendovima iz razloga to oni ne indukuju dugotrajnu promenu. Grafik (d) ukazuje na ciklinost sa dugoronim trendom poveanja i na sluajne promene du ciklinosti. esto, meren ja zagaenja u neposredno bliskom vremenu i mestu su u pozitivnoj korelaciji, koja je, visoke (niske) vrednosti ukoliko je prethodno merenje visoke (niske) vrednosti. Ovakva raspodela ilustrovana je na grafiku (e) za rastui trend ali je moemo nai i u drugim situacijama na prikazanim grafikonima. Grafik (f) prikazuje sluajni redosled sa kratkotrajnim impulsom zagaenja. Trajni korak promena prikazan je na na grafiku (g). Ovaj poslednji tip moe biti uzrokovan novim programom 2

smanjenja zagaenja, poput uspostavljanja rada postrojenja za preiavanje vode. Konano, na grafiku (h) re je o sluajnim promenama koje su zatim praene rastuim trendom. U nastavku, koncentrisaemo se na postupak utvrivanja trenda monotonog rasta i opadanja, prikazanim na grafikonima (c), (d), (e) i (h). [2]

Grafikon 1. Obiajeni tipovi trendova 3

3.0.

STATISTIKE KOMPLEKSNOSTI

Detekcija i procena trendova, problem je povezan sa karakteristikama podataka zagaenja. U nastavku pregledaemo ove probleme i sugerisati pristupe njihovog izbegavanja, ali emo i refereisati i na vanu literaturu za dodatne informac ije. Hamed et al. (1981) daje pregled literature koja je vezana za planiranje stastistike aspekte analize odreivanja trendova u kvalitetu vode. Munn (1981) daje preglede metoda odreivanja trendova u podacima kvaliteta vazduha [2]. 3.1 Promene procedura

Promena analitike laboratorije, uzorkovanja i/ili analitikih metoda moe se pojaviti u dugotrajnim studijama. Naalost, to moe prouzrokovati promenu srednje vrednosti ili varijanse merenih rezultata. Takve promene se pogreno mogu pripisati promena ma procesa zagaenja - prirodno ili ovekom uslovljenom. Ukoliko promena procedure ili laboratorije nije na vreme sagledana, moda nee biti vremena da se sprovede komparativna studija procene veliine uticaja na podatke tih promena. Ovaj problem ponekad moe biti prevazien pripremom duplikata uzoraka u vreme uzorkovanja: jednog za analizu i drugog uskladitenog za neku novu analizu ukoliko oekujemo promenu laboratorije ili procedura. Upareni podaci, stari i novi uzorci duplikata mogu se tada i uporeivati da bi se utvrdila izmena i druge nekonzistentnosti. Ovaj metod podrazumeva da uzorci zagaenja se nee menjati uskladiteni, jer bi to prouzrokovalo nerealne pretpostavke u mnogim sluajevima. 3.2 Sezonski

Varijacije koje su sezonski prouzrokovane ili druge ciklinosti mogu oteati odreivanje dugoronog trenda. Ovaj problem moe se zaobii ukljanjanjem ciklinosti pre o tpoinjanja testiranja ili upotrebom testova na koje ciklinost ne utie. Neparametrijsku metodu za uklanjanje ciklinosti pre t estiranja, razvio je Sen (1968), dok je naparemtrijski metod testova na koje ciklinost ne utie razvijen u sezonskom Kendall testu. Uporeivanje podataka

3.3

Merenja zagaenja koja se preduzimaju u kratkim vremenskim razmacima najverovatnije da e se meusobno pozitivno odnositi, ali najvei broj statistikih testova zahteva meusobno ne ba tako usklaene podatke. Jedan pristup reavanja ovog problema koristi statistike testove koje je razvio Sen (1963, 1965) za zavisne podatke. Iako, Lettenmaier (1975) izvetava da je najverovatnije da trebamo nekoliko stotina merenja da bi ona bila validna. Lettenmaier (1976) upotrebljava koncept efektivne pojedinane veliine uzorka za dostizanje procenjenih kritinih vrednosti za Wilcoxonov rank sumirajui test za odreivanje stepenastog trenda i za Spearman rho korelacioni test za odreivanje linearnog trenda. Montgomery i Reckhow (1984) ilustruje svoje procedure i daje tabele procenjenih kritinih vrednosti za Wilcoxonov rank sumirajui i Spearmanov test. Njihovi radovi sumiraju nove stastike tehnike za odreivanje trendova[2].

3.4

Ispravke za tok

Odreivanje trendova kvaliteta tekuih voda je tee ukoliko su koncentracije povezane sa protokom, to je uobiajeno sluaj. Smith, Hirsch i Slak (1982) obezbedili su prilagoavanje koncentracija toku tako to su uskladili jednainu regresije koncentracija-tok odnosu. Da bi kasnije ostatke regresije testirali sezonskim Kendal testom. Metodi koji prilagoavaju nivoe kvaliteta vazduha koji utie na promenu vremena raspravljen je kod Zeldin i Meisel (1978).

4.0.
4.1

METODE
Grafika

Grafike metode su vrlo korisne za formalne testove trendova. Prvi korak je iscrtavanje podataka na vremenskoj skali. Valleman i Hoaglin (1981) obezbeuju kompjuterski kod za ove svrhe, koji je dizajniran za interaktivnu upotrebu na kompjuteru. Oni, takoe, obezbeuju i kompjuterski kode za zamuivanje vremenske serije u cilju isticanja ciklinosti i/ili dugoronih trendova koji se drugaije ne bi videli od razliitosti podataka. Grafici kumulativne sume (CUSUM) takoe su efektivni grafiki podaci. Sa ovom metodom promene srednje vrednosti se odreuju odreivanjem kumulativnosti izmene referente vrednost razlike od realnog stohastikog modela procesa. Ewan (1963), Gibra (1975), Wetherill (1977), Berthouex, Hunter, Pallesen (1978), i Vardeman i David (1984) bavili su se ovom metodom[2]. 4.2 Regresija

Ukoliko grafike prezentacije podataka na vremenskoj osi sugeriu na jednodstavna linearna poveanja ili opadanja tokom vremena, linearna regresija varijanse na vremenskoj osi moe odgovarati podacima. T test se moe koristiti u testiranju znaajnosti koeficijenata linearne korelacije, pogledati Janjanin, Dimitrijevi, Dovijani (1996). Ovaj t test moe izneveriti u sluajevima sezonske ciklinosti[1]. 4.3 Mann-Kendall test

Neparametrini Mann-Kendall test za trend (Mann, 1945; Kendall, 1975) je posebno korisna procedura s obzirom da dozvoljava izostanak podataka kao i to podaci ne trebaju da odgovoraju bilo kojoj posebnoj distribuciji. Takoe podaci u trago vima ili manji od granice detekcije se mogu upotrebljavati (ukoliko su prihvatljivi u kontekstu uzorkovane populacije). Takvim podacima se pridruuje uobiajena vrednost koja je manja od najmanje izmerene vrednosti u opsegu merenih vrednosti. Ovaj pristup je mogu iz proste injenice to MannKendallov test upotrebljava jedino relativne magnitude posmatranih podataka pre nego njihove izmerene vrednosti. 4.3.1 Za broj podataka manji od 40 U ovim sluajevima u nastavku opisana procedura se moe upotrebljav ati. Ukoliko je broj podataka vei od 40 tada upotrebljavamo proceduru koja je opisana u nastavku. 5

Proceduru poinjemo razmatrajui sluajeve u kojima samo jedan podatak po vremenskom periodu je uzet, a period moe biti dan, nedelja, mesec i tako dalje. U sluajevima vie podataka po vremenskom periodu koristite proceduru koja je opisana u nastavku. Prvi korak ove procedura je izlistavanje podataka po redu vremenskog uzimanja uzorka, tj. hronolokom redu: X1, X2, X3, ...., Xn, gde Xi predstavlja podatak uzet u vremenu i. Potom odredite znak svih moguih razlika Xj Xk gde je j > k. Ove razliku se sledee X2-X1, X3X1,.., Xn-X1, X3-X2, X4-X2, .., Xn-Xn-2, Xn-Xn-1. Prikladan nain ureivanja ovih raunanja prikaza je u tabeli 1.

Tabela 1. Razlike podataka koje su neophodne za Mann-Kendallov test trenda [2]. Neka nam sgn(Xj-Xk) bude indikator funkcija koja uzima vrednosti 1, 0 ili -1 u zavisnosti od znaka razlike Xj-Xk: sgn(Xj-Xk) =1 =0
=-1

ukoliko je ukoliko je
ukoliko je

Xj-Xk > 0 Xj-Xk = 0 Xj-Xk < 0

(1)

Potom, potrebno je izraunati Mann-Kendall statistiku:

(2) koja predstavlja broj pozitivnih razlika minus broj negativnih razlika. Ovaj broj je takoe lako dobiti iz poslednje dve kolone iz tabele 1. Ukoliko je S veliki pozitivan broj, merenja kasnije uzimana teee veim vrednostima od onih uzimanih ranije. Slino, ukoliko je S veliki negativan broj, merenja uzimana kasnije teee manjim vrednostima od onih uzimanih vremenski ranije. Pretpostavimo da elimo da testiramo nultu hipotezu, H O, tj. da nema trenda, u odnosu na alternativnu hipotezu HA, da postoji trend rasta. Tada HO odbacujemo u korist H A ako je S pozitivno i ako je nivo znaajnosti iz Tabele 3 (Prilog) za izraunato S manje od prethodno pretpostavljenog nivoa znaajnosti datog testa. Slino, ukoliko testiramo nultu hipotezu, H O, 6

da nema trenda, u odnosu na alternativnu hipotezu HA da postoji trend pada, odbacujemo nultu hipotezu i usvajamo alternativnu ukoliko je S negativno, a nivo znaajnosti iz Tabele 3 (Prilog) za izraunato S je manje od prethodno pretpostavljenog nivoa. Primer 1: elimo da testiramo nultu hipotezu Ho, hipotezu o nepostajanju trenda u odnosu na alternativnu hipotezu, HA, o trendu poveanja nivoa znaajnosti Za ilustraciju pretpostavimo samo 4 merenja uzeta u sledeem hronolokom (tokom vremena) ili prostornom redosledu (du odreenog pravca u prostoru): 10, 15, 14 i 20. Ovde postoje 6 razlika koje moramo razmotriti: 15-10, 14-10, 20-10, 14-15, 20-15, i 20-14. Upotrebom datih formula (Jednaina 1i 2) dobijamo da je S=+1+1+1-1+1+1=+4 Vreme Podatak 1 10 2 15 15-10 3 14 14-10 14-15 4 20 20-10 20-15 20-14 S Broj plus znakova 3 1 1 5Broj minus znakova 0 1 1=4

Tabela 2. Izraunavanje statistike S Mann-Kendallov test trenda za vrenske podatke 10, 15, 14,20 [2]. Iz Tabele 3 (Prilog) nalazimo da je za n=4 nivo tabline znaajnosti za S=+4 jeste 0,167. Ovaj broj predstavlja verovatnou dobijanja vrednosti S=+4 ili vei kada je n=4 i kada ne postoji trend rasta. S obzirom da je ovaj broj vei od pretpostavljenog nivo znaajnosti =0,10, ne moemo odbaciti nultu hipotezu HO. Ukoliko bi smo imali sledee podatke: 18, 20, 23, 35, za koje je S=+6 i tablini nivo znaajnosti 0,042. S obzirom da je na pretpostavljen nivo znaajnosti 0,10, tada bismo odbacili nultu hipotezu, HO, i prihvatili hipotezu o trendu rasta. Tabela 3 (Prilog) nam daje vrednosti verovatnoe samo za n n=40 data je u Tabeli 4 (Prilog) (Hollander and Wolfe, 1973). 4.3.2 Za broj podataka vei od 40 Kada je n vee od 40, test normalne aproksimacije opis u nastavku se upotrebljava. Test podrazumeva, kao i u prethodnom sluaju, prvo raunanje S po Jednaini 1, zatim izraunavanje varijanse S po sledeoj formuli koja uraunava mogunost povezanosti podataka: VAR S = (3) 10. Proirenje ove tabele do

Gde je g broj grupa povezanih podataka1, a tp je broj podataka u p-toj grupi. Na primer, u grupi podataka {23, 24, u tragovima, 6, u tragovima, 24, 24, u tragovima, 23} imamo da je g=3, t1=2 za povezane podatke 23, t 2=3 za povezane podatke 24 i t 3=3 za tri vrednosti u tragovima (podrazumeva se da su jednaki i da im je vrednost manja od 6). Potom se vrednost S i VAR(S) koriste za izrauvanje statistike Z na sledei nain: Z =0 ukoliko je ukoliko je ukoliko je S>0 S=0 S<0 (4)

Pozitivna (negativna) vrednost Z ukazuje trend porasta (pada). Ukoliko nulta hipoteza, HO, o nepostajanju trenda je istinita, statistika Z ima normalnu distribuciju, i za to koristima Tabelu 4 (Prilog) kako bismo odbacili ili usvojili nultu hipotezu. Da bi smo odredili trend rasta ili pada pretpostavljenog nivoa znaajnosti , HO se odbacuje ukoliko je apsolutna vrednost Z vea od , gde se uzima iz tabele 4 (Prilog). Za alternativnu hipotezu o trendu rasta, HO je odbaena ukoliko je Z (iz jednaina 4) vea od . Dok nultu hipotezu HO odbacujemo u korist trenda pada ukoliko je vrednost Z negativna, a njena apsolutna vrednost Z je vea od . Kendall (1975) ukazuju da upotreba standardne normalne tablice (tabela 4) za ocenjivanje statistikog nivoa znaajnost Z testa verovatno e pokazivati manje greke za n 10 ukoliko ne postoji mnogo grupa povezanih podataka i dok je velik broj jednakih podataka u pojedinanoj grupi povezanih podataka. Primer 1: Na grafikonu 2 dati su nam meseni podaci n=22, koncentarcije X1, X2, X3, ...., X22 u monitoringu podzemne vode u periodu od januara 1981. do januara 1983.

Grafikon 2. Koncentracija u podzemnoj vodi bunara E biveg skladita St. Luis aerodroma od januara 1981. do januara 1983. (Clark i Berven, 1984) [2].

povezani podaci predstavljaju veliine koje se ponavljaju. Recimo, iz sledee grupe podataka (1,2,2,3,3,3,4 ...), 2 i 3 su podaci koji se ponavljaju. Statistiki, to su veliine ija je frekvencija vea od 1.

Koristiemo Mann-Kendall proceduru da testiramo nultu hipotezu na nivou znaajnosti , tj o nepostojanu trenda koncentracije u podzemnoj vodi za period od dve godine. Alternativna hipoteza nam je da je trendu rasta prisutan. Ukupan broj razlika koje ovde moramo izraunati i iji znak treba da odredimo jeste tj jednak je = 231. Ovo je velik broj razlika za izraunavanje pa emo koristiti ve gotov u dodatku dat excel fajl da izraunamo Z (po jednainama 2 i 4). Nakon toga nalazimo da je S= + 108. S obzirom da na grafikonu uoavamo 6 jednakih vrednosti 20 i po dve jednake vrednosti za vrednost 23 i 30, imamo da je g=3, t 1=6, i t2=t3=2. Sada nam, jednaina 3 daje sledee: VAR S = = 1227.33

Ili = 35.73. Stoga, poto je S > 0 izraunavamo Z (po jednaini 4), tj Z= =2.9. Iz tabele 4 (Annex) nalazimo da je = 1,645. S obzirom da je Z vee od 1.645, odbacujemo nultu hipotezu H0 i usvajamo alternativnu hipotezu od trendu rasta. U ovom primeru vidimo da tri nedostajue vrednosti merenja u grafikonu 2 ne ulaze u proraun. Te vrednosti su prosto ignorisane i predstavljaju nevoljni nedostatak podataka za procenu prisutnosti trenda.

5.0.

ZAKLJUAK

Proveravanja testiranje hipoteze je od velikog znaaja za nauno istraivai rad. Zbog toga se posebna panja poklanja obzbeivanju objektivne odluke o tome da li se jedna hipoteza prihvata ili odbacuje. Za to je potrebna objektivna procedura zasnovana na opte priznatim, nauno opravdanim metodima, koji mogu biti ponovljeni od strane drugih kompetentnih istraivaa. Upravo Mann-Kendallov test je takva procedura testiranja hipoteze, bazirana na zakonu verovatnoe, koja, u testiranju, neposredno vezanom za ocenjivanje iz uzorka, ne vodi rauna o distribucije populacije iz koje je uzorak izabran, u takozvanom neparametrijeskom testu za razliku od nekih drugih parametrijskih testova u kojem distribucija populacije podataka je vaan faktor za odluivanje.

6.0.

LITERATURA

[1] Duan Dimitrijevi, Predrag Dovijani i Mirjana Janjin (1996). Osnovne metode statistike analize: Prirunik za studente i postdiplomce istraivae. Zavod za udbenike i nastavna sredstva, Beograd. [2] Richard O. Gilbert, Statistical Methods for Environmental Pollution Monitoring (1987), Van Nostrand Reinhold Company, Njujork, SAD. [3] Pravilnik o nacionalnoj listi indikatora zatite ivotne sredine (2001), Slubeni glasnik Republike Srbije br. 37/2011, Beograd.

7.0.

PRILOG

S 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36

4 0.625 0.375 0.167 0.042

5 0.592 0.408 0.242 0.117 0.042 0.0083

Vrednost n 8 0.548 0.452 0.360 0.274 0.199 0.138 0.089 0.054 0.031 0.016 0.0071 0.0028 0.00087 0.00019 0.000025

9 0.540 0.460 0.381 0.306 0.238 0.179 0.130 0.090 0.060 0.038 0.022 0.012 0.0063 0.0029 0.0012 0.00043 0.00012 0.000025 0.0000028

S 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

6 0.500 0.360 0.235 0.136 0.068 0.028 0.0083 0.0014

Vrednost n 7 0.500 0.386 0.281 0.191 0.119 0.068 0.035 0.015 0.0054 0.0014 0.00020

10 0.500 0.431 0.364 0.300 0.242 0.190 0.146 0.108 0.078 0.054 0.036 0.023 0.014 0.0083 0.0046 0.0023 0.0011 0.00047 0.00018 0.000058 0.000015 0.0000028 0.00000028

Tabela 3. Verovatnoa za Mann-Kendallov neparametrijski test za trend

10

Zp .0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4

.00 .5000 .5398 .5793 .6179 .6554 .6915 .7257 .7580 .7881 .8159 .8413 .8643 .8849 .9032 .9192 .9332 .9452 .9554 .9641 .9713 .9772 .9821 .9861 .9893 .9918 .9938 .9953 .9965 .9974 .9981 .9987 .9990 .9993 .9995 .9997

.01 .5040 .5438 .5832 .6217 .6591 .6950 .7291 .7611 .7910 .8186 .8438 .8665 .8869 .9049 .9207 .9345 .9463 .9564 .9649 .9719 .9778 .9826 .9864 .9896 .9920 .9940 .9955 .9966 .9975 .9982 .9987 .9991 .9993 .9995 .9997

.02 .5080 .5478 .5871 .6255 .6628 .6985 .7324 .7642 .7939 .8212 .8461 .8686 .8888 .9066 .9222 .9357 .9474 .9573 .9656 .9726 .9783 .9830 .9868 .9898 .9922 .9941 .9956 .9967 .9976 .9982 .9987 .9991 .9994 .9995 .9997

.03 .5120 .5517 .5910 .6293 .6664 .7019 .7357 .7673 .7967 .8238 .8485 .8708 .8907 .9082 .9236 .9370 .9484 .9582 .9664 .9732 .9788 .9834 .9871 .9901 .9925 .9943 .9957 .9968 .9977 .9983 .9988 .9991 .9994 .9996 .9997

.04 .5160 .5557 .5948 .6331 .6700 .7054 .7389 .7704 .7995 .8264 .8508 .8729 .8925 .9099 .9251 .9382 .9495 .9591 .9671 .9736 .9793 .9838 .9875 .9904 .9927 .9945 .9959 .9969 .9977 .9984 .9988 .9992 .9994 .9996 .9997

.05 .5199 .5596 .5987 .6368 .6736 .7088 .7422 .7734 .8023 .8289 .8531 .8749 .8944 .9115 .9265 .9394 .9505 .9599 .9678 .9744 .9798 .9842 .9878 .9906 .9929 .9946 .9960 .9970 .9978 .9984 .9989 .9992 .9994 .9996 .9997

.06 .5239 .5636 .6026 .6406 .6772 .7123 .7454 .7764 .8051 .8315 .8554 .8770 .8962 .9131 .9279 .9406 .9515 .9608 .9686 .9750 .9803 .9846 .9881 .9909 .9931 .9948 .9961 .9971 .9979 .9985 .9989 .9992 .9994 .9996 .9997

.07 .5279 .5674 .6064 .6443 .6808 .7157 .7486 .7794 .8078 .8340 .8577 .8790 .8980 .9147 .9292 .9418 .9525 .9616 .9693 .9756 .9808 .9850 .9884 .9911 .9932 .9949 .9962 .9972 .9979 .9985 .9989 .9992 .9995 .9996 .9997

.08 .5319 .4714 .6103 .6480 .6844 .7190 .7517 .7823 .8106 .8365 .8599 .8810 .8997 .9162 .9306 .9429 .9535 .9625 .9699 .9761 .9812 .9854 .9887 .9913 .9934 .9951 .9963 .9973 .9980 .9986 .9990 .9993 .9995 .9996 .9997

.09 .5359 .5753 .6141 .6517 .6879 .7224 .7549 .7852 .8133 .8389 .8621 .8830 .9015 .9177 .9319 .9441 .9545 .9633 .9708 .9767 .9817 .9857 .9890 .9916 .9936 .9952 .9964 .9974 .9981 .9986 .9990 .9993 .9995 .9997 .9998

Tabela 4. Kumulativna normalna distribucija (vrednosti p odgovaraju Zp za normalnu krivu)

11