计量数据分析
MSA培训常用的MSA方法详解
THANKS.
评价指标及标准
评价指标
包括分辨率、偏倚、线性、稳定性、重复性、再现性等。
评价标准
根据具体行业和产品的要求制定相应的评价标准，如汽车行 业通常采用AIAG（汽车工业行动集团）制定的MSA标准进行 评价。评价标准应明确各项指标的接受范围，以便对测量系 统进行合格性判定。
常用的MSA方法之
02
一：计量型数据分
使用卡帕系数、百分比一 致性等指标进行评估。
注意事项
需考虑随机误差和系统误 差对一致性的影响。
属性稳定性分析方法
稳定性分析目的
评估测量系统在不同时间 下对同一被测对象测量结 果的稳定性。
分析方法
使用控制图、趋势图等工 具进行监控和分析。
注意事项
需消除异常值和特殊原因 对稳定性的影响。
属性偏倚分析方法
MSA实施过程与注
05
意事项
明确目标和范围
确定MSA的目标
例如，提高测量系统的准确性和可靠性，减少测量误差 等。
明确MSA的范围
包括需要评估的测量系统、测量人员、测量环境和测量 数据等。
选择合适的MSA方法
01
根据目标和范围选择合适的MSA 方法，如重复性和再现性（R&R ）研究、线性研究、稳定性研究 等。
增强客户满意度和忠诚度
MSA关注客户对产品质量的期望 和需求，通过提供准确、可靠的 测量数据和信息，帮助企业更好
地满足客户需求。
通过持续改进产品质量和生产过 程，MSA有助于减少客户投诉和 退货，提高客户满意度和忠诚度
。
MSA强调与客户的沟通和合作， 通过与客户共同解决质量问题，
建立长期稳定的合作关系。
常用的MSA方法之
市场营销计量与数据分析的实操方法
市场营销计量与数据分析的实操方法市场营销计量与数据分析是现代营销领域中十分重要的工具和技术。
它通过收集、分析和解释大量的市场数据，为企业制定决策提供依据，优化营销策略，提升市场竞争力。
在实际实操中，市场营销计量与数据分析需要遵循以下步骤。
1. 设定目标：明确市场营销计量与数据分析的目标，例如了解市场趋势、了解客户需求、评估产品销售等。
这有助于确定所需的数据以及分析的方向。
2. 收集数据：收集相关的市场数据，可以通过问卷调查、用户行为数据、市场报告等多种途径获取。
确保数据的准确性和完整性，避免数据偏差和缺失。
3. 数据清洗与整理：对收集到的数据进行清洗和整理，包括去除重复数据、处理缺失值、纠正错误数据等。
确保数据的一致性和可信度。
4. 数据分析方法选择：根据分析目标和数据特点，选择合适的数据分析方法。
常用的分析方法包括描述性分析、关联分析、回归分析、聚类分析等。
根据实际情况，可以使用单一方法或者多种方法相结合。
5. 数据分析与解释：运用选择的数据分析方法对数据进行分析，得出相关的结论和洞察。
同时，要对分析结果进行解释和说明，使其能够为后续的决策提供支持。
6. 制定营销策略：根据数据分析的结果，制定相应的营销策略。
例如，根据客户需求的分析结果，调整产品定位和功能，制定定价策略，推广渠道的选择等。
7. 实施与监控：将制定的营销策略付诸实施，并不断进行监控和评估。
通过对实施效果的跟踪和分析，及时调整和优化策略，确保市场营销的目标实现。
8. 经验总结与反馈：对整个市场营销计量与数据分析过程进行总结和反馈。
根据经验教训，不断改进和优化数据分析的方法和流程，提高市场营销的效果。
在进行市场营销计量与数据分析时，还需注意以下几点：- 数据隐私保护：在收集和处理数据时，要遵循相关的法律法规，保护用户的隐私权益，确保数据的安全。
- 数据有效性验证：对于收集到的数据，要进行有效性验证。
例如，对于问卷调查结果，可以进行统计分析和逻辑验证，确保数据的可信度和有效性。
计量资料分析实验报告(3篇)
第1篇一、实验目的本次实验旨在学习计量资料分析方法，通过具体案例，掌握重复测量方差分析（Repeated Measures ANOVA）和广义估计方程（Generalized Estimating Equations，GEE）在处理重复测量数据中的应用。
同时，通过实际操作，加深对数据分析过程的理解。
二、实验内容1. 实验背景选取某高校20名大学生，随机分为两组，分别进行为期三个月的体育锻炼。
分别在锻炼开始后第一个月（time1）、第二个月（time2）、第三个月（time3）测量两组学生的体重变化（kg），以研究体育锻炼对体重变化的影响。
2. 数据整理将数据整理为长型格式，包含以下变量：- ID：研究对象编号- group：分组（1为对照组，2为实验组）- time：不同时点的测量次数（time1、time2、time3）- weight：相应时间点测量的体重增量（kg）3. 实验步骤（1）重复测量方差分析使用SPSS软件进行重复测量方差分析，比较两组学生在三个月内的体重变化是否存在显著差异。
（2）广义估计方程使用GEE方法，对重复测量数据进行统计分析，进一步探讨体育锻炼对体重变化的影响。
三、实验结果与分析1. 重复测量方差分析（1）结果重复测量方差分析结果显示，组间效应显著（F=5.678，p<0.05），说明两组学生在三个月内的体重变化存在显著差异。
（2）分析根据结果，可以得出结论：体育锻炼对体重变化具有显著影响，实验组学生在三个月内的体重变化明显优于对照组。
2. 广义估计方程（1）结果GEE分析结果显示，体育锻炼对体重变化具有显著正向影响（β=0.25，p<0.05），说明体育锻炼能够有效降低体重。
（2）分析GEE分析结果与重复测量方差分析结果一致，进一步证实了体育锻炼对体重变化具有显著影响。
四、实验结论通过本次实验，我们得出以下结论：1. 重复测量方差分析和广义估计方程在处理重复测量数据方面具有较好的应用效果。
数据分析在计量中的运用
数据分析在计量中的运用摘要：本文通过对数据分析的原理、流程、方法及输出结果分步骤阐述，介绍计量数据岗位是做什么的？如何通过数据分析，获得精准的数据，助力企业经营决策。
关键字：数据分析、分析流程、工具方法、数据准确1前言公司成立了数据部门，很多人不知道数据岗位是做什么的？本文剖析数据分析的原理及在计量工作中的运用，阐述数据增值的方法，希望能对数据工作者有所帮助。
2数据分析2.1数据分析原理及工作对象数据分析是有目的地收集数据、分析数据，使之成为信息的过程。
数据分析的工作对象是数据，数据包括文字、图片信息、技术资料、声音等。
2.2数据分析的流程数据分析的流程由五个方面组成：①确定目的。
②收集数据。
③运用工具和方法，整理加工数据。
④分析判断，得出结论。
⑤跟踪反馈，优化调整。
2.3数据分析工具与方法数据分析常用的方法有比对分析法、分组分析法、关联分析法、指标分析法、图表分析法等。
普众化的数据分析工具有EXCEL。
EXCEL有13类451个函数，是一款易取得、易操作、受众面广的软件。
2.4数据分析的目的数据分析的目的，就是通过数据分析，找到数据运行的规律，揭示问题的原因、发展的趋势，实现数据增值。
3数据分析在计量中的运用“数据”——采集、存储、加工、展示数据；“分析”——定义问题，设计思路、寻找答案、验证假设、跟踪结果。
下面以数据分析在计量中的运用为例，示例数据分析的过程与结果。
3.1明确目的与对象。
计量的目的是为了提供准确无误的计量数据。
明确工作对象，根据管理要求，有的放矢地监控关键的计量点。
3.2收集数据收集数据尽可能广泛，对计量点的仪表配置、工况情况、设计资料、介质特性、仪表位号、介质、流程工艺、关联关系、合同、技术资料等等充分详细的收集，以备数据分析时，多角度判断分析。
3.2.1找出影响计量数据准确的环节围绕计量点数据准确的目标，我们跟随计量数据的产生过程，计量数据→计量仪表→仪表安装→仪表检定→仪表设计→设计参数，逆向溯源，找出影响数据准确的环节，从而确定收集哪些数据。
经济计量学和数据分析
经济计量学和数据分析经济计量学和数据分析在当今社会发挥着越来越重要的作用。
它们是一种通过数理统计和经济理论来分析和解释经济现象的方法。
在这个信息爆炸的时代，大量的数据被产生和存储，而经济计量学和数据分析提供了利用这些数据来揭示经济规律和支持决策的工具。
一、经济计量学的基本概念经济计量学是一门研究经济现象的定量方法，它综合运用数学、统计学和经济学理论，通过样本数据对经济关系进行定量描述和测量。
它的主要任务是揭示经济现象之间的内在关系，刻画它们之间的定量联系。
在经济计量学中，我们常用的一种基本工具是回归分析。
回归分析是一种统计方法，用于确定两个或多个变量之间的相关关系。
它的基本原理是通过最小二乘法估算模型中的参数，从而预测一个变量对另一个变量的影响。
回归分析可以帮助经济学家对经济现象进行解释和预测。
二、数据分析的应用领域数据分析是一种通过建立统计模型，对数据进行定量分析和解释的方法。
它广泛应用于各个领域，如金融、市场营销、医疗保健等。
在金融领域，数据分析可以帮助投资者进行风险评估和投资决策；在市场营销领域，数据分析可以帮助企业了解消费者的需求并制定相应的营销策略；在医疗保健领域，数据分析可以帮助医生预测疾病风险和制定治疗方案。
数据分析的过程通常包括数据采集、数据清洗、数据建模和数据可视化等步骤。
在数据采集阶段，我们需要确定需要收集的数据类型和来源，并通过合适的方式进行数据收集；在数据清洗阶段，我们需要清除数据中的噪音和异常值，确保数据的准确性和可靠性；在数据建模阶段，我们需要建立适当的统计模型来分析数据，并通过模型的参数来解释变量之间的关系；最后，在数据可视化阶段，我们可以利用图表和图形将数据结果以更清晰和易懂的方式呈现出来。
三、经济计量学与数据分析的发展趋势随着科技的不断进步和大数据的兴起，经济计量学和数据分析正朝着更高的层次发展。
首先，数据分析将会越来越具有预测性。
通过对历史数据的分析，我们可以利用统计模型来预测未来的经济趋势和变化，这对决策者来说具有重要的参考价值。
经济计量学经济数据的分析与解读
经济计量学经济数据的分析与解读经济计量学是经济学与数理统计学的结合，在经济学领域中起着至关重要的作用。
它通过对经济数据的收集、整理和分析，帮助我们更好地理解经济现象，预测未来的趋势，以及制定经济政策。
本文将重点探讨经济计量学在经济数据分析与解读方面的应用。
一、经济数据的收集与整理在进行经济数据分析之前，首先需要进行数据的收集与整理。
经济数据可以分为宏观经济数据和微观经济数据两类。
宏观经济数据是指整个经济体系的总量指标，例如国内生产总值（GDP）、通货膨胀率等；微观经济数据则是指个体经济单位的数据，如企业的销售额、劳动力市场的失业率等。
在收集宏观经济数据时，我们需要准确获取相关统计机构发布的数据，如国家统计局、央行等。
这些数据通常以时间序列的形式呈现，即经济指标随时间变化的趋势。
我们可以通过绘制折线图、柱状图等图表形式，来直观地呈现宏观经济数据的变化情况。
对于微观经济数据的收集，我们可以通过相关企业、金融机构的财务报表、年度报告等途径获取。
此外，通过实地调研、问卷调查等方式也可以获得一些需要的微观经济数据。
二、经济数据的分析与解读1. 描述性统计分析在经济数据分析中，描述性统计分析是最基本的一种方法。
它主要关注数据的集中趋势、离散程度和分布形态等方面的特征。
例如，通过计算平均值、中位数、标准差等统计指标，我们可以对经济数据的整体特征做出相对客观的描述。
同时，我们还可以通过绘制直方图、箱线图等图表，直观地展示数据的分布情况。
2. 回归分析除了描述性统计分析，回归分析也是经济学中常用的一种分析方法。
回归分析通过建立经济模型，分析不同变量之间的关系，并进行统计检验，来揭示变量之间的因果关系。
例如，我们可以建立一个收入与消费的回归模型，来研究两者之间的关系。
回归分析的结果可以帮助我们预测未来的变量值，以及评估政策的效果。
3. 时间序列分析经济数据通常具有时间序列的特点，即数据随时间的变化而变化。
时间序列分析是经济计量学中重要的一个分析工具。
经济计量方法与数据分析
经济计量方法与数据分析经济计量方法与数据分析是经济学中一门重要的研究方法和工具，它通过运用统计学和数学模型来分析和解释经济现象，提供决策支持和政策建议。
本文将介绍经济计量方法的基本原理和常用技术，并探讨数据分析在经济学领域的应用。
1. 经济计量方法概述经济计量方法是研究经济理论与实证之间关系的方法学体系，它综合运用数理统计学、数学和经济理论，通过估计经济理论模型的参数值，评估经济政策效果以及预测经济变量。
常见的经济计量方法包括最小二乘法、时间序列分析、面板数据模型等。
2. 最小二乘法最小二乘法是经济计量方法中最常见的估计技术之一，在经济学研究中广泛应用于线性回归模型。
它通过最小化观测值与估计值之间的残差平方和，求解出使得模型拟合度最优的参数估计值。
最小二乘法在经济学研究中常用于测算变量间的相关性、估计经济关系等。
3. 时间序列分析时间序列分析是研究时间序列数据的经济计量方法，用于研究数据随时间变化的规律性。
时间序列分析包括平稳性检验、自相关性检验、单位根检验等技术，旨在识别数据背后的趋势、周期性和季节性。
经济学家可以通过时间序列分析预测未来的经济变量，并制定相应的决策和政策。
4. 面板数据分析面板数据分析是研究个体和时间维度上的变动的经济计量方法。
面板数据将多个单位（个体或地区）在一段时间内的数据汇总，可以更准确地估计经济关系和处理数据不完备的情况。
面板数据分析常用的方法包括固定效应模型、随机效应模型和混合效应模型等。
5. 数据分析在经济学中的应用数据分析在经济学中具有广泛的应用，包括经济增长分析、金融市场预测、消费者行为研究等。
通过收集、清洗和分析大规模的经济数据，经济学家可以获取更准确的经济信息，揭示经济现象的本质规律，并提供合理的政策建议。
总结：经济计量方法与数据分析在经济学中起着重要作用。
通过运用统计学和数学模型，经济学家可以更好地理解和解释经济现象，为决策制定提供支持。
最小二乘法、时间序列分析和面板数据分析是常见的经济计量方法；数据分析在经济学中被广泛用于经济增长、金融市场和消费者行为等领域的研究。
面板数据的计量经济分析
面板数据的计量经济分析1. 引言面板数据是研究中常用的一种数据形式，它包含多个个体在多个时间点上的观测值。
由于其具有横截面和时间序列的特点，面板数据通常可以提供比纯横截面数据或纯时间序列数据更大的信息量。
计量经济学的面板数据分析方法能够更准确地评估变量之间的关系，并对经济政策的效果进行研究。
本文将介绍面板数据的基本特征、主要的面板数据模型和计量经济学中常用的面板数据分析方法。
2. 面板数据的基本特征面板数据可以分为两种类型：平衡面板数据和非平衡面板数据。
平衡面板数据是指每个时间点上都有完整数据的面板，而非平衡面板数据则是至少有一个时间点上缺失了一些观测值的面板。
面板数据的分析需要考虑两个维度的异质性：个体异质性和时间异质性。
个体异质性是指不同个体之间的特征和行为存在差异，时间异质性是指同一时间点上不同个体之间的特征和行为存在差异。
3. 面板数据模型在计量经济分析中，有几种常用的面板数据分析模型。
3.1 固定效应模型固定效应模型假设每个个体的截距项是固定的，不随个体特征变化而变化。
通过固定效应模型，可以分离掉个体之间的异质性，使得我们更关注变量之间的关系。
固定效应模型的基本形式为：$$ y_{it} = \\alpha + \\beta X_{it} + \\gamma D_i + \\epsilon_{it}$$其中，y it是个体i在时间t的因变量观测值，X it是自变量观测值，D i是个体固定效应，$\\epsilon_{it}$是误差项。
3.2 随机效应模型随机效应模型假设个体截距项是随机的，并且与个体特征无关。
通过随机效应模型，可以同时考虑个体之间的异质性和变量之间的关系。
随机效应模型的基本形式为：$$ y_{it} = \\beta X_{it} + \\gamma D_i + \\alpha_i + \\epsilon_{it}$$其中，$\\alpha_i$是个体随机效应，$\\epsilon_{it}$是误差项。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
利用统计资料进行分析，其中，y 为因变量，l 、k 为自变量。
实验步骤: 建立工作文件并输入数据资料；导入数据： File/ope n/foreig n data as workfile建立数据序列log （ y ）、log （ l ）、log （ k ），生成时间变量T ； 在命令窗口输入 genr logy=log （y ）genr logl=log （l ） genr logk=log （k ） genr T=@tre nd+1列出变量 y01、l 、k 、log （y ） > log 小值、中值、最大值、偏度和峰度，首先选中 y01、l 、k 、log （y ）、log 个在一个窗口中显示，接着view/descriptive stats/com mon sample, 命 名为 group02（4）列出log （y ）、log （l ）、log （k ）之间的相关系数表，（分析略）；在命令窗口中输入 cor logy logl logkVieyj||prQ£]|l 3bject 贋咙「］(1) (2) （I ）、log （k ）的均值、标准差、最（分析略） (3)（5）对y、丨、k进行LS估计，（分析略）;Quick/estimate equation/y c l k, 命名为eq01Dependent variable; ¥Method: Least SquaresDate: 01J15H3 Time 22:27Sample: 1992 201 1In eluded obseivatlons: 20Variable Coefficient Std. Error t-Statistic Prob.C1S03.705 2042563 S32.02260.0000L 10C1331 2.93E-O6 4543603o oaooK 1 94E-0S 1.1OE-O0 17.S9229 0.0000 R-squared0.9S3164 Mean dependent var2001.500Adjusted R-sc|uar&d0.997948S.D. depend ent var 5.910060S.E. of regression 0.263014 Akaike info criterion0.341923Sum squared resid 1.2211328 c hwatz enter ion 0 491283Log HkBiitidod ■1419227Hannan*Quirin criter. 0 371079F-statistic 4620,403 Durbin-Watsori stat(J,fi00402ProbfF-statistic)0,000000（6）利用图形分析检验、White检验分析步骤（5）中是否存在异方差；先把（5）中的残差序列做出来，点击eq01中的proc/make residual series, 新序列命名为resid01分别做y与k、y与I、k与resid01、l与resid01的图形以y 与k 为例子：点击 quick/graph k y/scatter (details fit lines/regression line) White 检验：在 eq01 中点击 view/residual test/heteroskedasticity tests/whiteOb 怡此［尺『加1：］［［\1呂川底］［尸1^日二匚］［Esti 「陋飞!向低目乩I 巨&s ］Heteroskedasti cit/ Test: White1.3U2E3 Prob.F(53U)6.049745 Prot). Chi-Square ⑸ 2.263DBS Frot ). Chi-Square(5)Te st Equation:Dependent Variable: RESIDE Method: Least Squares Date ： 01/05H3 Time: 23:35Sample; 1^92 2011 included observatfoits: 20VariableCaefficienl Sfcl Error t-Statistic Prob.C-29.2914336.11905 -0,610932 D.43C9 L0.001 048 0.7993E8 0.437^ L 桂-555E-09 7 57E-09 -0585928 O44SO L*K1 15E-09 1.70E-09 0.674777 0.5108 K<-8.61 E-050 050126 -0.6824050.5061其中F 值为辅助回归模型的F 统计量值。
取显著水平:=0.05，查卡方分 布表，由于卡方分布值11.071>6.0497=5R A 2接受原假设，所以不存在异 方差性。
(7) 对 log (y )、log (l )、log (k )进行 LS 估计；Quick/estimate equation/y c logl logk,命名为 eq02F^sUlGtlc Ot )S*R-squaredScaled explained ss0.352S 0.3014 0.S117Pesids刿]「「亘Dependent Variable: LOGYMethod: Le^st SquaresDate:(11/05/13 Time: 32:43Sample: 1992 2011Included abservatFons. 20Variable Coefficient Sid Error t-Statisiic ProbC7.294521 0.U31999 228.6775 0.0000LOGL0.025816 $002974 6.69192? 0.0000LOGK0 001&92 0.3001.33 1270649 D.0000R-squared 0 996099Mean cl已pencleni¥ar 7.001648Adjusted R-squared0.995&40 S.D. dependentvar 0.002956SE, of regression Q.Q0Q1S5Aka ike info criterion-14,107^1Sum squared resid阳旺M SchAsra criierianLog likelihood144.0781 Hannan-Ouinn crilee -14.07866statistic21 70.279 Curb in-Wats a ri stat0.705469Prob(F-statistic) 0 000000（8）利用White检验分析步骤（7）中是否存在异方差;步骤和（6）类似:Heteroskedasticrty Test: White或讷曰w|[Prou] iPrint] Mvrne [Fr士aze：EstirridtE F OTESF'statistic13.01795 Prob. F(4,15) 0.0001Obs*R-squared15.68170Prob. Chi-Sciuare(4) D.0035Scaled explained SS32.95168Proh. Chi-Si|uare(4) D.DOOOTest Equation:Dependent Vahable: RESIDEMelhad: Least SquaresDale: 01/05/13 Tims: 23:42sample 1992 2011Included observations: 20Co Hi near test regressors dropped from spec iti cationVariable Coefficient SW Error V Stall Stic Prob.C 7.53B050,0001280.5B6705 0.5651LOOL-6.00E-061JSE-05-0.5037+5 5.5218 LOCL*LOCK 8.B9&071J4E-0E 0,779599 9,1476 LOCK -1.13E-D5 1.19E-05-0.949793 0.3673由于9.488<15.6817，拒绝原假设，存在异方差(9) 对log (y )、log (l )、log (k )进行LS 估计，要求控制住异方差，(分析 略)；W1二1/ABS(RESID02由于9.488<10.1121，拒绝原假设，存在异方差Eqyat i on: EQ0 3 Torkf i le ：期末考贰数据…■ | □ || X |y 訥胪卩胡(9切岁实］亘胆1餌字珥J 任剪口日花)1®弓匚日丈店皈讨仪菲虫Neteroskedasttcity T est: WhiteF-slatistic Citos*R-squared Sc^ed explained SS3.83SQ5510 11213 C.675SO8 Prob. F(1,15)Prob ChkSquare ⑷ Prob. Chl-Square(4)0.0343 0.0386 0.9543Test Equation:&e pendent Variable, WCT.RESID^ Method: Least Squares 璘恒djm 钏? Tine ： 23:45 Sarmfile: 1 992 2011Included obseivatioris: 20Collins arte st re gras s ors drotiped tram ecificatio nVariable Coefficient Sid. Error t-S1^ti£tic Prab. C WCF7LOGL n 2±WGT ft 2 LO&L*LOQK*WCP22.6BE-09 4 25E-08 -6.94^10 &.SQE-102.23E-10 2 32E-07 2 B7E-QA 1.95E-0912.01616 0.183476 -D.241654 0.3+4355O.QOOO 0.&569 0 8122 07354 v<i>l •:W2=1/ RESID 02A 2 由于 9.488>3.1575,接受原假设, 住了异方差。
M.a_t ian.zTe stEquatjQn:Dependent 7a la tile ： WGT_RE S I EX2Mettiod ： Least Squares Date: 01/05/13 Tlrne:2affl Sample: 1992 201 1Included observations: 20Colllneartestregressors dropped flrom specificationVariable Coeffifient Std. Error 诗fetisiicProb. C 3.30E-W 9.24E-11 4.006492 □ 0010 WGT ■呛-6.15E-0K4 40E-08■1.3S57510.1819F-statistic0.99984EProb. FQA 6)0.4133 Ot>5+R-s (|uareJ 3.157492 Prob. Ch 卜 Squafe ⑶0.3&30 Sc aied ^cplains^ SS1.557947Prob. Chi-Square{3)D.6690Heteroskedasticliy Test: write (M EH ||pr □匚|,Object.［亦我］［^3皿訓白比詁［苣sbjnmlzE ‘Foreiza 址 |3tTts.|Rasldw不存在异方差，控制林!LOGP2*WGT^2 5.17E-W 3.71E-1O 1.3S2034 0.1827 LOGL*LOGKWGTO -2J8E-11 2 06E-11-1.347645 0,1905 *。