[descripcion de la fase 1]
El objetivo principal de este estudio es realizar un análisis exhaustivo de un conjunto de datos que contiene diagnósticos de enfermedades cardiovasculares en países de Latinoamérica, utilizando herramientas de estadística descriptiva multivariante. Este análisis se enfocará en llevar a cabo cálculos, crear visualizaciones y realizar interpretaciones con el propósito de comprender más profundamente la prevalencia y distribución de estas enfermedades en la región.
Se espera que este análisis proporcione una comprensión más profunda de la situación de las enfermedades cardiovasculares en Latinoamérica, lo que permitirá identificar áreas con mayor prevalencia, factores asociados y posibles disparidades regionales. Estos resultados tendrán aplicaciones prácticas importantes, ya que podrían utilizarse para informar políticas de salud pública y dirigir futuras investigaciones en este ámbito.
Fuente del conjunto de datos
El conjunto de datos de trabajo se obtuvo totalmente de Kaggle: https://www.kaggle.com/.Es conveniente anotar que Kaggle es una compañía subsidiaria de Google LLC que mantiene una comunidad online de científicos de datos y profesionales del aprendizaje automático. Esta empresa permite a sus usuarios a encontrar y publicar conjuntos de datos, explorar y crear modelos en un entorno de ciencia de datos basado en la web, trabajar con otros científicos de datos e ingenieros de aprendizaje automático y participar en concursos para resolver desafíos de ciencia de datos:
Contexto del Conjunto de Datos
El conjunto de datos proporciona información detallada sobre los niveles de obesidad en individuos de países como México, Perú y Colombia, abarcando un rango de edades comprendido entre los 14 y 61 años. Estos datos son especialmente valiosos ya que incluyen una amplia variedad de hábitos alimentarios y condiciones físicas de los encuestados. La recolección de datos se realizó a través de encuestas anónimas vía web, lo que garantiza la confidencialidad de los participantes y la integridad de los datos recopilados. Este contexto del conjunto de datos proporciona una base sólida para llevar a cabo un análisis exhaustivo de los factores relacionados con la presencia de enfermedades cardiovasculares en estos países latinoamericanos.
Descripción del conjunto de datos
El conjunto de datos contiene 18 campos y 2000 registros. Uno de los campos es una variable nominal dicotómica que determina si el agua es apta para el consumo humano. De los registros; tres son de naturaleza cualitativa, que brindan la ubicación espacial donde se levantó el resgistro; el resto son numéricos estrictamente positivos. La lista siguiente los describe de izquierdda a derecha, como aparecen en el conjunto de datos que los contiene. Se establece para cada campo: tipo de variable y escala de medición con base en la nomenclatura (tipo_de_variable::escala_de_medición[ordenamiento]):
•SEXO: Cualitativa[Nominal]: Esta variable registra el sexo de cada individuo en el conjunto de datos. Se representa mediante dos categorías:
• M: Masculino
• F: Femenino.
•EDAD Cuantitativa[razón]: Esta variable registra la edad de cada individuo en el conjunto de datos. Se expresa en años y abarca un rango que va desde los 14 hasta los 61 años.
•ALTURA Cuantitativa[razón]: Esta variable registra la altura del individuo en el conjunto de datos. Se expresa en metros y representa la medida desde la cabeza hasta los pies de cada individuo.
•PESO Cuantitativa[razón]: Esta variable registra el peso del individuo en el conjunto de datos. Se expresa en kilogramos y representa la masa corporal de cada individuo.
•HISTORIAL_FAMILIAR_SOBREPESO Cualitativa[Nominal]: Esta variable registra si el individuo tiene antecedentes familiares de sobrepeso. Se representa mediante dos categorías:
• SI: Individuos que tienen familiares diagnosticados con sobrepeso.
• NO: Individuos que no tienen familiares diagnosticados con sobrepeso.
•FAVC Cualitativa[Nominal]: Esta variable registra si el individuo tiene un consumo frecuente de alimentos ricos en calorías. Se representa mediante dos categorías:
• SI: Individuos que tienen un consumo frecuente de alimentos ricos en calorías.
• NO: Individuos que no tienen un consumo frecuente de alimentos ricos en calorías.
•FCVC Cualitativo[Ordinal]: Esta variable registra la frecuencia con la que cada individuo consume vegetales en un día típico. Se representa mediante tres categorías numéricas:
• 1: Indica que el individuo consume vegetales una vez al día.
• 2: Indica que el individuo consume vegetales dos veces al día.
• 3: Indica que el individuo consume vegetales tres o más veces al día.
•NCP Cualitativa[Ordinal]: Esta variable registra el número de comidas principales que el individuo consume en un día típico. Se representa mediante cuatro categorías numéricas:
• 1: Indica que el individuo tiene una comida principal al día.
• 2: Indica que el individuo tiene dos comidas principales al día.
• 3: Indica que el individuo tiene tres comidas principales al día.
• 4: Indica que el individuo tiene cuatro o más comidas principales al día.
•CAEC Cualitativa[Ordinal]: Esta variable registra el consumo de alimentos entre comidas de cada individuo. Se representa mediante cuatro categorías:
• ALGUNAS VECES
• SIEMPRE
• FRECUENTEMENTE
• NO
•FUMA Cualitativa[Nominal]: Esta variable registra si el individuo fuma o no. Se representa mediante dos categorías:
• SI: Indica que el individuo fuma.
• NO: Indica que el individuo no fuma.
•H2O Cualitativa[Ordinal]: Esta variable registra la cantidad de agua que el individuo consume en un día típico. Se representa mediante tres categorías numéricas:
• 1: Indica que el individuo consume 1 litro de agua al día.
• 2: Indica que el individuo consume 2 litros de agua al día.
• 3: Indica que el individuo consume 3 o más litros de agua al día.
•SCC Cualitativa[Nominal]: Esta variable registra si el individuo monitorea o no su consumo de calorías. Se representa mediante dos categorías:
• SI: Indica que el individuo monitorea su consumo de calorías.
• NO: Indica que el individuo no monitorea su consumo de calorías.
•FAF Cualitativa[Ordinal]: Esta variable registra la frecuencia de actividad física que cada individuo realiza en un día típico, medida en horas por día. Se representa mediante cuatro categorías numéricas:
• 0: Indica que el individuo no realiza actividad física en el día.
• 1: Indica que el individuo realiza actividad física durante una hora al día.
• 2: Indica que el individuo realiza actividad física durante dos horas al día.
• 3: Indica que el individuo realiza actividad física durante tres o más horas al día.
•TUE Cualitativa[Ordinal]: Esta variable registra el tiempo de uso de dispositivos tecnológicos de cada individuo. Se representa mediante tres categorías numéricas:
• Frecuentemente
• Siempre
• Nunca
•CALC Cualitativa[Ordinal]: Esta variable registra el consumo de alcohol de cada individuo. Se representa mediante las siguientes categorías:
• SI: Si consume Alcohol
• NO: No consume Alcohol
•MEDIO_TRANS Cualitativa[Nominal]: Esta variable registra el medio de transporte utilizado por el individuo. Se representa mediante las siguientes categorías:
• TRANSPORTE_PUBLICO
• CICLA
• AUTOMÓVIL
• CAMINANDO
• MOTOCICLETA
-IMC Cualitativa[Nominal]: Esta variable registra el Índice de masa corporal de cada individuo Se representa mediante las siguientes categorías:
• BAJO_PESO
• PESO_NORMAL
• SOBRE_PESO_NIVEL_I
• SOBRE_PESO_NIVEL_II
• OBESIDAD_TIPO_I
• OBESIDAD_TIPO_II
-ENFERMEDAD_CARDIACA Cualitativa[Nominal]: Esta variable registra si el individuo padece o no de una enfermedad cardiaca. Se representa mediante dos categorías no numéricas:
• SI: Si padece de una enfermedad cardiaca
• NO: No padece de una enfermedad cardiaca
str(Obesity_Dataset)
## tibble [2,000 × 18] (S3: tbl_df/tbl/data.frame)
## $ SEXO : chr [1:2000] "F" "F" "M" "M" ...
## $ EDAD : num [1:2000] 21 21 23 27 22 29 23 22 24 22 ...
## $ ALTURA : num [1:2000] 1.62 1.52 1.8 1.8 1.78 1.62 1.5 1.64 1.78 1.72 ...
## $ PESO : num [1:2000] 64 56 77 87 89.8 53 55 53 64 68 ...
## $ HISTORIAL_FAMILIAR_SOBREPESO: chr [1:2000] "SI" "SI" "SI" "NO" ...
## $ FAVC : chr [1:2000] "NO" "NO" "NO" "NO" ...
## $ FCVC : num [1:2000] 2 3 2 3 2 2 3 2 3 2 ...
## $ NCP : num [1:2000] 3 3 3 3 1 3 3 3 3 3 ...
## $ CAEC : chr [1:2000] "ALGUNAS_VECES" "ALGUNAS_VECES" "ALGUNAS_VECES" "ALGUNAS_VECES" ...
## $ FUMAS : chr [1:2000] "NO" "SI" "NO" "NO" ...
## $ H2O : num [1:2000] 2 3 2 2 2 2 2 2 2 2 ...
## $ SCC : chr [1:2000] "NO" "SI" "NO" "NO" ...
## $ FAF : num [1:2000] 0 3 2 2 0 0 1 3 1 1 ...
## $ TUE : chr [1:2000] "SIEMPRE" "FRECUENTEMENTE" "SIEMPRE" "FRECUENTEMENTE" ...
## $ CALC : chr [1:2000] "NO" "SI" "SI" "SI" ...
## $ MEDIO_TRANS : chr [1:2000] "TRANSPORTE_PÚBLICO" "TRANSPORTE_PÚBLICO" "TRANSPORTE_PÚBLICO" "CAMINANDO" ...
## $ IMC : chr [1:2000] "PESO_NORMAL" "PESO_NORMAL" "PESO_NORMAL" "SOBRE _PESO_NIVEL_I" ...
## $ ENFERMEDAD_CARDIACA : chr [1:2000] "NO" "NO" "NO" "SI" ...
Obesity_Dataset
## # A tibble: 2,000 × 18
## SEXO EDAD ALTURA PESO HISTORIAL_FAMILIAR_S…¹ FAVC FCVC NCP CAEC FUMAS
## <chr> <dbl> <dbl> <dbl> <chr> <chr> <dbl> <dbl> <chr> <chr>
## 1 F 21 1.62 64 SI NO 2 3 ALGU… NO
## 2 F 21 1.52 56 SI NO 3 3 ALGU… SI
## 3 M 23 1.8 77 SI NO 2 3 ALGU… NO
## 4 M 27 1.8 87 NO NO 3 3 ALGU… NO
## 5 M 22 1.78 89.8 NO NO 2 1 ALGU… NO
## 6 M 29 1.62 53 NO SI 2 3 ALGU… NO
## 7 F 23 1.5 55 SI SI 3 3 ALGU… NO
## 8 M 22 1.64 53 NO NO 2 3 ALGU… NO
## 9 M 24 1.78 64 SI SI 3 3 ALGU… NO
## 10 M 22 1.72 68 SI SI 2 3 ALGU… NO
## # ℹ 1,990 more rows
## # ℹ abbreviated name: ¹HISTORIAL_FAMILIAR_SOBREPESO
## # ℹ 8 more variables: H2O <dbl>, SCC <chr>, FAF <dbl>, TUE <chr>, CALC <chr>,
## # MEDIO_TRANS <chr>, IMC <chr>, ENFERMEDAD_CARDIACA <chr>
Como se menciona en [@AMEDAristizabal2017] la de media, varianza y covarianza conforman un conjunto de medidas fundamentales para describir describir el comportamiento posicional, dispersivo y correlacional de variables aleatorias. En este sentido, el conjunto de datos de trabajo que posee siete variables aleatorias numéricas, y que está representado matricialmente, estima las medidas anteriores a partir de vectores y matrices en el estudio descriptivo multivariable.
El vector de medias indica el comportamiento posicional en el sentido de valor esperado o punto medio para cada variable en relación con todos sus registros. La matriz de varianzas-covarianzas estima las dispersiones, en su diagonal principal, de cada variable del conjunto de datos respecto de cada media obtenida del vector de medias. Además, por encima o por debajo de la diagonal principal, se estiman las covarianzas entre las combinaciones de los posibles pares de variables del conjunto de datos. Para más detalles se puede consultar a [@AMEDAristizabal2017].
Lo anterior, para el conjunto de datos de trabajo, se desarrolla en la sección 1.5.
Planteamiento del Problema
Con base en el conjunto de datos descrito en la sección 2 se calcularán e intepretarán, para las variables numéricas, el vector de medias, la matriz de varianzas-covarianzas y la matriz de correlaciones. Se recuerda que las variables numéricas (en escalada de medición de razón) son: EDAD, ALTURA, PESO, FCVC,NCP,H2O Y FAF
Desarrollo del Análisis
La navegación a través de las pestañas muestra el cálculo de los siguientes objetos: Vector de Medias \(\bar x\), Matriz de Varianzas-Covarianzas \(S\) y Matriz de Correlaciones \(R\).•
El análisis de Vector de Medias y Boxplots nos proporcionan una visión general de la distribución y los valores centrales de cada variable en el conjunto de datos, lo que nos ayuda a comprender mejor la naturaleza y la variabilidad de los datos:
•EDAD: La mediana de la edad es de aproximadamente 24.35 años. En el boxplot correspondiente, podemos ver que la distribución de la edad parece estar centrada alrededor de este valor, con la mayoría de las observaciones concentradas en torno a la mediana. Hay algunas observaciones más dispersas hacia edades más altas, pero en general, la distribución parece ser relativamente simétrica.
•ALTURA: La mediana de la altura es de aproximadamente 1.70 metros. En el boxplot de la altura, vemos que la distribución está centrada alrededor de este valor, con la mayoría de las observaciones concentradas en torno a la mediana. Algunas observaciones están dispersas tanto por encima como por debajo de la mediana, pero la distribución parece ser relativamente simétrica.
•PESO: La mediana del peso es de aproximadamente 84.74 kilogramos. En el boxplot del peso, observamos que la distribución está centrada alrededor de este valor, con la mayoría de las observaciones concentradas en torno a la mediana. Hay algunas observaciones dispersas tanto por encima como por debajo de la mediana, pero en general, la distribución parece ser relativamente simétrica.
•FCVC: La mediana es de aproximadamente 2.39. En el boxplot correspondiente, vemos que la distribución parece estar más sesgada hacia valores más bajos, con la mayoría de las observaciones concentradas en el extremo inferior de la distribución. Sin embargo, también hay algunas observaciones dispersas hacia valores más altos, aunque menos comunes.
•NCP: La mediana es de aproximadamente 2.67. En el boxplot de NCP, vemos que la distribución parece estar más o menos simétricamente distribuida alrededor de la mediana, con la mayoría de las observaciones concentradas en torno a este valor. Hay algunas observaciones dispersas tanto por encima como por debajo de la mediana, pero en general, la distribución parece ser relativamente uniforme.
•H2O: La mediana es de aproximadamente 1.99 litros. En el boxplot correspondiente, vemos que la distribución parece estar más sesgada hacia valores más bajos, con la mayoría de las observaciones concentradas en el extremo inferior de la distribución. Sin embargo, también hay algunas observaciones dispersas hacia valores más altos.
•FAF: La mediana es de aproximadamente 1.03. En el boxplot de FAF, observamos que la distribución está sesgada hacia valores más bajos, con la mayoría de las observaciones concentradas en el extremo inferior de la distribución. Hay algunas observaciones dispersas hacia valores más altos, pero son menos comunes en comparación con las observaciones de baja actividad física.
El análisis de la Matriz de Covarianza revela importantes relaciones entre las variables estudiadas en el conjunto de datos:
•EDAD y ALTURA: Ambas tienen varianzas relativamente bajas, lo que indica que no varían mucho entre los individuos en el conjunto de datos.
•PESO: Tiene una varianza mucho más alta en comparación con la edad y la altura, lo que sugiere que el peso varía considerablemente entre los individuos en el conjunto de datos.
•FCVC: Tiene una covarianza positiva débil con la edad, lo que sugiere una relación leve pero positiva entre la edad y la cantidad de verduras/frutas consumidas diariamente.
•NCP: Tiene una covarianza negativa con la edad, lo que sugiere una relación inversa entre la edad y el número de comidas principales al día. Esto indica que a medida que la edad aumenta, el número de comidas principales al día tiende a disminuir.
•H2O: También tiene una covarianza negativa con la edad, lo que sugiere una relación inversa entre la edad y la cantidad de agua consumida diariamente. Similar al punto anterior, esto indica que a medida que la edad aumenta, la cantidad de agua consumida tiende a disminuir.
•FAF: Tiene una covarianza negativa fuerte con la edad, lo que sugiere una relación inversa fuerte entre la edad y la actividad física semanal. Esto indica que a medida que la edad aumenta, la actividad física tiende a disminuir significativamente.
En resumen, el análisis sugiere que la edad está relacionada de manera inversa con el número de comidas principales al día, la cantidad de agua consumida diariamente y la actividad física, mientras que está relacionada positivamente con la cantidad de verduras/frutas consumidas diariamente. Además, el peso varía considerablemente entre los individuos en el conjunto de datos.
El análisis de matriz de correlaciones proporciona información sobre el grado y la dirección de la relación entre diferentes variables en el conjunto de datos:
•EDAD, ALTURA y PESO: Como era de esperar, la correlación de cada variable consigo misma es 1, lo que indica una correlación perfecta entre la variable y sí misma.
•FCVC: La correlación positiva débil (aproximadamente 0.05) entre la edad y la cantidad de verduras/frutas consumidas diariamente sugiere que, en general, a medida que las personas envejecen, tienden a consumir ligeramente más verduras/frutas.
•NCP: La correlación negativa débil (aproximadamente -0.22) entre la edad y el número de comidas principales al día indica que, en promedio, a medida que las personas envejecen, tienden a tener un menor número de comidas principales al día.
•H2O: Similarmente, la correlación negativa débil (aproximadamente -0.11) entre la edad y la cantidad de agua consumida diariamente sugiere que, en promedio, a medida que las personas envejecen, tienden a consumir ligeramente menos agua.
•FAF: La correlación negativa moderada a fuerte (aproximadamente -0.72) entre la edad y la actividad física semanal indica que hay una relación significativa entre estas dos variables, con las personas mayores participando en menos actividad física semanal en comparación con las personas más jóvenes.
En resumen,el análisis de la matriz de correlaciones refuerza las conclusiones anteriores sobre la relación entre la edad y varios aspectos de la salud y el estilo de vida, como los hábitos alimenticios y la actividad física.
apply(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], 2, mean)
## EDAD ALTURA PESO FCVC NCP H2O FAF
## 24.352500 1.702794 84.741886 2.391500 2.670500 1.997500 1.029000
Obesity_Dataset_Reducido = Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)]
par(mfrow = c(1, ncol(Obesity_Dataset_Reducido)))
invisible(lapply(1:ncol(Obesity_Dataset_Reducido), function(i) boxplot(Obesity_Dataset_Reducido[, i])))
round(cov(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)]),2)
## EDAD ALTURA PESO FCVC NCP H2O FAF
## EDAD 42.22 -0.01 38.87 0.05 -0.22 -0.11 -0.72
## ALTURA -0.01 0.01 1.19 0.00 0.02 0.01 0.02
## PESO 38.87 1.19 648.63 1.77 1.70 2.90 -0.91
## FCVC 0.05 0.00 1.77 0.34 -0.01 0.02 0.02
## NCP -0.22 0.02 1.70 -0.01 0.69 0.03 0.11
## H2O -0.11 0.01 2.90 0.02 0.03 0.47 0.09
## FAF -0.72 0.02 -0.91 0.02 0.11 0.09 0.80
round(cor(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)]),2)
## EDAD ALTURA PESO FCVC NCP H2O FAF
## EDAD 1.00 -0.01 0.23 0.01 -0.04 -0.02 -0.12
## ALTURA -0.01 1.00 0.49 -0.04 0.25 0.19 0.27
## PESO 0.23 0.49 1.00 0.12 0.08 0.17 -0.04
## FCVC 0.01 -0.04 0.12 1.00 -0.01 0.04 0.04
## NCP -0.04 0.25 0.08 -0.01 1.00 0.06 0.14
## H2O -0.02 0.19 0.17 0.04 0.06 1.00 0.14
## FAF -0.12 0.27 -0.04 0.04 0.14 0.14 1.00
En la guía de clase de [@AMEDAristizabal2017] se menciona que, en general, los gráficos multivariados cumplen dos objetivos esenciales: primero, ayudan a comparar el comportamiento de poblaciones de estudio con base en variables categóricas y suavizan la comprensión de la estructura de correlación entre varias variables. En este sentido, el conjunto de datos de trabajo tendrá apoyo descritivo gráfico a través de tres diagramas: uno conjunto que integra dispersión, distribución y correlaciones; otro basado en la renderización de polígonos, y por último, uno que recurre a las caras de Chernoff.
Planteamiento del Problema
Con base en el conjunto de datos descrito en la sección 1.2. se calcularán e intepretarán, para las variables numéricas, las gráficas multivariadas de diagrama de correlaciones, matriz de diagrama de dispersión, diagrama de estrellas y caras de Chernoff. Se recuerda que las variables numéricas (en escalada de medición de razón) son: EDAD, ALTURA, PESO, FCVC,NCP,H2O,FAF Y TUE
Desarrollo del Análisis
La navegación a través de pestañas que nos permite RStudio mostrará las gráficas multivariadas de: Diagrama Conjunto de Dispersión, Distribución y Correlaciones (sin agrupación SA y con agrupación CA; teniendo en cuenta las 11 variables categóricas: SEXO, HISTORIAL_FAMILIAR_SOBREPESO: HFS, FAVC, CAEC, FUMAS, SCC, TUE, CALC, MEDIO_TRANSPORTE: MT, IMC, ENFERMEDAD_CARDIACA :EC) Diagrama de Estrellas y Caras de Chernoff
Basándonos en la pestaña Diagrama Conjunto de Dispersión, Distribución y Correlaciones [SA],INTERPRETAR
De manera complementaria, basándonos en las pestañas Diagrama Conjunto de Dispersión, Distribución y Correlaciones [CA], pero en sus versiones en grupos de las variables categóricas: SEXO, HISTORIAL_FAMILIAR_SOBREPESO, FAVC, CAEC, FUMAS,SCC, TUE, CALC, MEDIO_TRANSPORTE, IMCy ENFERMEDAD_CARDIACA, se puede apreciar INTERPRETAR
En base a la pestaña Diagrama de Estrellas, se puede notar la presencia de la variable PESO en todas estrellas con diferentes longitudes, esto sugiere que el peso es una característica destacada y variable en los datos. Las diferentes longitudes indican una amplia variabilidad en los pesos entre las personas encuestadas,ademas, la variable EDAD está presente en casi todas las estrellas, pero su impacto en la forma de estas es menor en comparación con otras variables, como PESO. uno de los patrones que se observa es que a medida que la variable PESO aumenta, la variable H2O tiende a disminuir, y viceversa. Esto sugiere una relación inversa entre ambas variables en los datos analizados. Es decir, parece que hay una tendencia DE que las personas con mayor peso tienden a consumir menos agua, y aquellas con menor peso tiendan a consumir más.
La diversidad de características representadas por las caras de Chernoff se ve reflejada la complejidad y la variabilidad del conjunto de datos que estamos estudiando. La presencia de diferentes expresiones faciales sugiere una amplia gama de perfiles demográficos y de salud entre las personas encuestadas. Por ejemplo, las diferentes formas de los ojos, la boca y la nariz representan variaciones en variables como SEXO, EDAD, ALTURA, PESO y factores de riesgo de salud, como HISTORIAL_FAMILIAR_SOBREPESO, FAVC y FAF. La distribución diversa de estas características resalta la importancia de considerar múltiples factores al estudiar la salud y el bienestar de la población representada en los datos.
ggpairs(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)])
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = SEXO, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = HISTORIAL_FAMILIAR_SOBREPESO, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = FAVC, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = CAEC, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = FUMAS, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = SCC, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = TUE, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = CALC, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = MEDIO_TRANS, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = IMC, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
## Warning in cor(x, y): the standard deviation is zero
ggpairs(Obesity_Dataset, columns = c(2,3,4,7,8,11,13), aes(color = ENFERMEDAD_CARDIACA, alpha = 0.5), upper = list(continuous = wrap("cor", size = 1.5)))
set.seed(780728)
Obesity_Dataset_Muestreado = Obesity_Dataset[sample(1:nrow(Obesity_Dataset),23),-c(1,5,6,9,10,12,14,15,16,17,18)]
stars(Obesity_Dataset_Muestreado, len = 1, cex = 0.4, key.loc = c(10, 2), draw.segments = TRUE)
set.seed(780728)
Obesity_Dataset_Muestreado = Obesity_Dataset[sample(1:nrow(Obesity_Dataset),23),-c(1,5,6,9,10,12,14,15,16,17,18)]
faces(Obesity_Dataset_Muestreado)
## effect of variables:
## modified item Var
## "height of face " "EDAD"
## "width of face " "ALTURA"
## "structure of face" "PESO"
## "height of mouth " "FCVC"
## "width of mouth " "NCP"
## "smiling " "H2O"
## "height of eyes " "FAF"
## "width of eyes " "EDAD"
## "height of hair " "ALTURA"
## "width of hair " "PESO"
## "style of hair " "FCVC"
## "height of nose " "NCP"
## "width of nose " "H2O"
## "width of ear " "FAF"
## "height of ear " "EDAD"
Como menciona [@CPEMPorras2016] para indagar o establecer el tipo de distribución multivariada de un conjunto de datos se puede recurrir a procedimientos descriptivos, como los gráficos, o a procedimientos inferenciales, como las pruebas estadísticas. En este sentido, se alcanza generalización de resultados al usar las estos últimos, si bien los primeros apoyan a las interpretaciones.
En este apartado se contempla el uso de procedimientos inferenciales para determinar si el conjunto de datos de trabajo, en relación con sus variables numéricas, se distribuye normal multivariado (DNM). Las pruebas de normalidad multivariada (PNM) a las que será sometido son: Mardia, Henze-Zirkler, Doornik-Hansen y Royston. Para estas pruebas de normalidad los test obedecen a un nivel de significancia \(\alpha = 0.05\) y a las hipótesis:\[H_0: \text {Las variables tienen una DNM}\] \[H_1: \text {Las variables NO tienen una DNM}\]
La prueba de Mardia se basa en extensiones de asimetría y curtosis, el cuadrado de la distancia de Mahalanobis, la cantidad de variables \(p\) por tratar y la cantidad de registros \(n\). Además, considera que la prueba estadística para la asimetría tiene una distribución \(\chi^2\) y la prueba estadística para la curtosis se distirbuye aproximadamente normal. Los detalles sobre los parámetros de las distribuciones pueden consultarse en el trabajo de [@CPEMPorras2016].
La prueba de Henze-Zirkler se basa en la distancia funcional, dado que si el conjunto de datos presenta una distribución normal multivariada, el estadístico de la prueba se distribuye aproximadamente como una lognormal, cuyos parámetros de media \(\mu\) y varianza \(\sigma^2\) pueden ser consultados en [@CPEMPorras2016].
La prueba de Doornik-Hansen está basada en la asimetría y la curtosis de un conjunto de datos multivariados, que se transforma para garantizar la independencia. Es considerada más potente que la prueba de Shapiro-Wilk para casos multivariados. Su estadístico de prueba está definido como la suma de las transformaciones al cuadrado de la asimetría y la curtosis, y sigue, aproximadamente, una distribución \(\chi^2\). Los detalles de la prueba pueden ser consultados en [@OTUMNDoornik_Hansen2008].
La prueba de Royston recurre a las pruebas Shapiro-Wilk o Shapiro-Francia para probar la normalidad multivariada. Así, si la curtosis es mayor que 3, la prueba de Royston usa Shapiro-Francia para distribuciones leptocurticas. Mientras que para distribuciones platicurticas usa Shapiro-Wilk. En ella los parámetros son obtenidos por aproximaciones polinomiales, esto puede ser consultado en [@CPEMPorras2016].
Planteamiento del Problema
Con base en el conjunto de datos descrito en la sección 1.2. se hará una prueba estadística de normalidad multivariada, con un nivel de significancia \(\alpha=0.05\), para establecer si sus datos métricos provienen de una población normal multivariada. Se recuerda que las variables numéricas del conjunto de datos (en escalada de medición de razón) son:EDAD, ALTURA, PESO, FCVC,NCP,H2O,FAFY TUE.
Se utilizará una de las pruebas de normalidad multivariada mencionadas anteriormente, como la prueba de Mardia, Henze-Zirkler, Doornik-Hansen o Royston, dependiendo de la distribución de las variables y la curtosis observada. El objetivo es evaluar si estas variables siguen una distribución normal conjunta en el espacio multivariado.
El procedimiento implicará calcular el estadístico de prueba específico (por ejemplo, basado en asimetría y curtosis) y compararlo con su distribución teórica bajo la hipótesis nula de normalidad multivariada. Se establecerá un criterio de rechazo de la hipótesis nula si el valor \(p-value\) asociado al estadístico de prueba es menor que \(\alpha\).
Una conclusión positiva (no rechazo de la hipótesis nula) indicaría evidencia de que las variables analizadas siguen una distribución normal multivariada. Por el contrario, un rechazo de la hipótesis nula sugeriría que al menos una de las variables no sigue una distribución normal, lo que podría tener implicaciones en el análisis posterior de los datos.
Desarrollo del Análisis
La exploración a través de las diferentes pruebas de normalidad multivariada indica que el conjunto de datos, considerando sus variables numéricas, no sigue una distribución normal multivariada. Aquí están los hallazgos clave de cada prueba:
•Prueba de Mardia: Después de realizar un análisis exhaustivo de los resultados obtenidos, se destaca que los valores \(p\) asociados con las pruebas de asimetría (Skewness) y curtosis (Kurtosis) son claramente inferiores al nivel de significancia predeterminado de \(\alpha = 0.05\). Este hallazgo revela una discrepancia significativa entre las distribuciones observadas y la hipótesis de normalidad multivariante propuesta para las variables examinadas en el conjunto de datos.
•Prueba de Henze-Zirkler: Basándonos en los resultados de la Prueba de Henze-Zirkler, observamos que el valor \(p\) asociado es menor, lo que indica que es significativamente menor que el nivel de significancia de \(\alpha = 0.05\). Este resultado nos lleva a concluir que no hay suficiente evidencia para respaldar la hipótesis de normalidad multivariante para las variables del conjunto de datos segun la prueba.
•Prueba de Doornik-Hansen: Basándonos en los resultados de la Prueba de Doornik-Hansen, donde se obtuvo un valor \(p\) menor al nivel de significancia de \(\alpha = 0.05\), se evidencia una discrepancia significativa con respecto a la hipótesis de normalidad multivariante para las variables examinadas en el conjunto de datos.
•Prueba de Royston: Después de realizar un análisis de los resultados de la prueba de normalidad multivariada de Royston indica una falta significativa de normalidad multivariada, por lo tanto, se rechaza la hipótesis nula de normalidad para todas las variables, incluyendo EDAD, ALTURA, PESO, FCVC, NCP, H2O y FAF, ya que el valor de \(p\) de la prueba es inferior al nivel de significancia de \(\alpha = 0.05\). Se asume que los datos pueden no ser adecuados para técnicas estadísticas que asumen normalidad.
En resumen los resultados de las pruebas de normalidad multivariante, incluyendo la Prueba de Mardia, la Prueba de Henze-Zirkler, la Prueba de Doornik-Hansen y la Prueba de Royston, indican una falta de evidencia para respaldar la hipótesis de normalidad en los datos. Esto sugiere que las variables analizadas no siguen una distribución multivariante normal, lo que podría comprometer la validez de los análisis estadísticos posteriores que asumen normalidad. Esta falta de normalidad multivariante resalta la importancia de interpretar los resultados subsiguientes con precaución.
mvn(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], mvnTest="mardia")
## $multivariateNormality
## Test Statistic p value Result
## 1 Mardia Skewness 2254.11905818491 0 NO
## 2 Mardia Kurtosis -2.57805049523411 0.00993594774014772 NO
## 3 MVN <NA> <NA> NO
##
## $univariateNormality
## Test Variable Statistic p value Normality
## 1 Anderson-Darling EDAD 81.2363 <0.001 NO
## 2 Anderson-Darling ALTURA 4.1077 <0.001 NO
## 3 Anderson-Darling PESO 12.8635 <0.001 NO
## 4 Anderson-Darling FCVC 254.3557 <0.001 NO
## 5 Anderson-Darling NCP 300.7671 <0.001 NO
## 6 Anderson-Darling H2O 175.0430 <0.001 NO
## 7 Anderson-Darling FAF 119.4207 <0.001 NO
##
## $Descriptives
## n Mean Std.Dev Median Min Max 25th 75th
## EDAD 2000 24.352500 6.49748816 23.000000 14.00 61.00 20.00 26.000000
## ALTURA 2000 1.702794 0.09467057 1.701994 1.45 1.98 1.63 1.770625
## PESO 2000 84.741886 25.46828311 82.000000 39.00 173.00 65.00 104.974220
## FCVC 2000 2.391500 0.58343633 2.000000 1.00 3.00 2.00 3.000000
## NCP 2000 2.670500 0.82841589 3.000000 1.00 4.00 3.00 3.000000
## H2O 2000 1.997500 0.68390614 2.000000 1.00 3.00 2.00 2.000000
## FAF 2000 1.029000 0.89641552 1.000000 0.00 3.00 0.00 2.000000
## Skew Kurtosis
## EDAD 1.490467061 2.5553126
## ALTURA -0.040133674 -0.5936325
## PESO 0.317450528 -0.5932652
## FCVC -0.342917405 -0.7235588
## NCP -0.991495771 0.1614442
## H2O 0.003145596 -0.8630781
## FAF 0.438831169 -0.7121633
mvn(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], mvnTest="hz")
## $multivariateNormality
## Test HZ p value MVN
## 1 Henze-Zirkler 9.579415 0 NO
##
## $univariateNormality
## Test Variable Statistic p value Normality
## 1 Anderson-Darling EDAD 81.2363 <0.001 NO
## 2 Anderson-Darling ALTURA 4.1077 <0.001 NO
## 3 Anderson-Darling PESO 12.8635 <0.001 NO
## 4 Anderson-Darling FCVC 254.3557 <0.001 NO
## 5 Anderson-Darling NCP 300.7671 <0.001 NO
## 6 Anderson-Darling H2O 175.0430 <0.001 NO
## 7 Anderson-Darling FAF 119.4207 <0.001 NO
##
## $Descriptives
## n Mean Std.Dev Median Min Max 25th 75th
## EDAD 2000 24.352500 6.49748816 23.000000 14.00 61.00 20.00 26.000000
## ALTURA 2000 1.702794 0.09467057 1.701994 1.45 1.98 1.63 1.770625
## PESO 2000 84.741886 25.46828311 82.000000 39.00 173.00 65.00 104.974220
## FCVC 2000 2.391500 0.58343633 2.000000 1.00 3.00 2.00 3.000000
## NCP 2000 2.670500 0.82841589 3.000000 1.00 4.00 3.00 3.000000
## H2O 2000 1.997500 0.68390614 2.000000 1.00 3.00 2.00 2.000000
## FAF 2000 1.029000 0.89641552 1.000000 0.00 3.00 0.00 2.000000
## Skew Kurtosis
## EDAD 1.490467061 2.5553126
## ALTURA -0.040133674 -0.5936325
## PESO 0.317450528 -0.5932652
## FCVC -0.342917405 -0.7235588
## NCP -0.991495771 0.1614442
## H2O 0.003145596 -0.8630781
## FAF 0.438831169 -0.7121633
mvn(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], mvnTest="dh")
## $multivariateNormality
## Test E df p value MVN
## 1 Doornik-Hansen 17404.04 14 0 NO
##
## $univariateNormality
## Test Variable Statistic p value Normality
## 1 Anderson-Darling EDAD 81.2363 <0.001 NO
## 2 Anderson-Darling ALTURA 4.1077 <0.001 NO
## 3 Anderson-Darling PESO 12.8635 <0.001 NO
## 4 Anderson-Darling FCVC 254.3557 <0.001 NO
## 5 Anderson-Darling NCP 300.7671 <0.001 NO
## 6 Anderson-Darling H2O 175.0430 <0.001 NO
## 7 Anderson-Darling FAF 119.4207 <0.001 NO
##
## $Descriptives
## n Mean Std.Dev Median Min Max 25th 75th
## EDAD 2000 24.352500 6.49748816 23.000000 14.00 61.00 20.00 26.000000
## ALTURA 2000 1.702794 0.09467057 1.701994 1.45 1.98 1.63 1.770625
## PESO 2000 84.741886 25.46828311 82.000000 39.00 173.00 65.00 104.974220
## FCVC 2000 2.391500 0.58343633 2.000000 1.00 3.00 2.00 3.000000
## NCP 2000 2.670500 0.82841589 3.000000 1.00 4.00 3.00 3.000000
## H2O 2000 1.997500 0.68390614 2.000000 1.00 3.00 2.00 2.000000
## FAF 2000 1.029000 0.89641552 1.000000 0.00 3.00 0.00 2.000000
## Skew Kurtosis
## EDAD 1.490467061 2.5553126
## ALTURA -0.040133674 -0.5936325
## PESO 0.317450528 -0.5932652
## FCVC -0.342917405 -0.7235588
## NCP -0.991495771 0.1614442
## H2O 0.003145596 -0.8630781
## FAF 0.438831169 -0.7121633
mvn(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], mvnTest="royston")
## $multivariateNormality
## Test H p value MVN
## 1 Royston 1087.789 1.410348e-230 NO
##
## $univariateNormality
## Test Variable Statistic p value Normality
## 1 Anderson-Darling EDAD 81.2363 <0.001 NO
## 2 Anderson-Darling ALTURA 4.1077 <0.001 NO
## 3 Anderson-Darling PESO 12.8635 <0.001 NO
## 4 Anderson-Darling FCVC 254.3557 <0.001 NO
## 5 Anderson-Darling NCP 300.7671 <0.001 NO
## 6 Anderson-Darling H2O 175.0430 <0.001 NO
## 7 Anderson-Darling FAF 119.4207 <0.001 NO
##
## $Descriptives
## n Mean Std.Dev Median Min Max 25th 75th
## EDAD 2000 24.352500 6.49748816 23.000000 14.00 61.00 20.00 26.000000
## ALTURA 2000 1.702794 0.09467057 1.701994 1.45 1.98 1.63 1.770625
## PESO 2000 84.741886 25.46828311 82.000000 39.00 173.00 65.00 104.974220
## FCVC 2000 2.391500 0.58343633 2.000000 1.00 3.00 2.00 3.000000
## NCP 2000 2.670500 0.82841589 3.000000 1.00 4.00 3.00 3.000000
## H2O 2000 1.997500 0.68390614 2.000000 1.00 3.00 2.00 2.000000
## FAF 2000 1.029000 0.89641552 1.000000 0.00 3.00 0.00 2.000000
## Skew Kurtosis
## EDAD 1.490467061 2.5553126
## ALTURA -0.040133674 -0.5936325
## PESO 0.317450528 -0.5932652
## FCVC -0.342917405 -0.7235588
## NCP -0.991495771 0.1614442
## H2O 0.003145596 -0.8630781
## FAF 0.438831169 -0.7121633
En términos generales, esta segunda etapa de estudio mostrará cálculos, visualizaciones e interpretaciones con base en el conjunto de datos tratado en la fase 1, pero ahora desde un enfoque de análisis de componentes principales sobre las variables cuantitativas, que incluirá: selección, calidad de representación, contribuciones e interpretación.
Recuérdese que el conjunto de datos de trabajo es descrito en la sección 1.2. y los referentes teóricos en la sección 1.
Como es mencionado en el trabajo de [@AEDMDiaz-Morales1ed] el Análisis de Componentes Principales (en adelante ACP) reestructura un conjunto de datos multivariado a través de la reducción de la cantidad de sus variables, en cuyo transfondo es innecesario asumir ninguna distribución de probabilidad de ellas. Esta reducción es lograda a través de combinaciones lineales de las variables originales, que deberán contener la mayor variabilidad posible presente en el conjunto de datos. En este sentido, el ACP logra crear nuevas variables, conocidas como componentes principales, que poseen características estadísticas de independencia (con base en el supuesto de normalidad) y no correlación.
El ACP se logra a lo largo de las siguientes fases: generación de nuevas variables, reducción dimensional del espacio de los datos, eliminación de varaibles de poco aporte e interpretación de los componentes resultantes en el contexto del problema del cual se obtuvieron los datos. Estas fases se desarrollan entre las siguientes secciones.
Planteamiento del Problema
Con base en las variables cuantitativas del conjunto de datos descrito en la sección 1.2. se demanda primero establecer el porcentaje de varianza explicado por cada dimensión una vez procesado el ACP; y posteriormente, con base en el autovalor medio o usando un diagrama de sedimentación, decidir cuántos componentes retener.
Desarrollo del Análisis
La navegación a través de las pestañas muestra que el conjunto de datos, en relación con sus variables numéricas, puede ser representado por un conjuto de variables más pequeño que retiene el \(77.05\) \(\%\) de la variabilidad del conjunto. En particular:
La Matriz ACP muestra siete dimensiones donde solo la primera retiene el \(25.41\)\(\%\), la siguiente el \(18.47\)\(\%\) y la tercera dimensión \(14.73\)\(\%\) que corresponden a más del \(50\)\(\%\). En este sentido, la representatividad de la combinación lineal que define a la dimensión 1 es \(6.94\)\(\%\) más alta que la dimensión 2 y \(10\)\(\%\) más que las demás. Como esta matriz es muda en relación con las variables originales se sigue indagando la identificación de las variables que más contribuyan a la dimensión de valor propio más alto.
Al analizar el Gráfico de Cattell y el Gráfico de Cattell-Kaiser, se busca determinar cuántas dimensiones (componentes principales) son necesarias para retener suficiente variabilidad en los datos. En este caso se determina muy poco cambio en la pendiente en el Gráfico de Cattell, lo que indica que las tres primeras dimensiones explican una cantidad significativa de variabilidad en comparación con las siguientes. El Gráfico de Cattell-Kaiser, que combina el Gráfico de Cattell con el criterio de Kaiser, respalda la elección de retener solamente las tres primeras dimensiones, siempre y cuando estas conserven una cantidad adecuada de variabilidad para abordar el problema en cuestión. Sin embargo, es importante tener en cuenta que estas elecciones se basan en criterios comúnmente utilizados, no en criterios universalmente aceptados.
get_eigenvalue(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F))
## eigenvalue variance.percent cumulative.variance.percent
## Dim.1 1.7792208 25.41744 25.41744
## Dim.2 1.2933752 18.47679 43.89423
## Dim.3 1.0312104 14.73158 58.62581
## Dim.4 0.9267953 13.23993 71.86574
## Dim.5 0.8066238 11.52320 83.38893
## Dim.6 0.7957401 11.36772 94.75665
## Dim.7 0.3670345 5.24335 100.00000
round(cor(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)]),2)
## EDAD ALTURA PESO FCVC NCP H2O FAF
## EDAD 1.00 -0.01 0.23 0.01 -0.04 -0.02 -0.12
## ALTURA -0.01 1.00 0.49 -0.04 0.25 0.19 0.27
## PESO 0.23 0.49 1.00 0.12 0.08 0.17 -0.04
## FCVC 0.01 -0.04 0.12 1.00 -0.01 0.04 0.04
## NCP -0.04 0.25 0.08 -0.01 1.00 0.06 0.14
## H2O -0.02 0.19 0.17 0.04 0.06 1.00 0.14
## FAF -0.12 0.27 -0.04 0.04 0.14 0.14 1.00
princomp(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], cor = TRUE)$sdev^2
## Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 Comp.7
## 1.7792208 1.2933752 1.0312104 0.9267953 0.8066238 0.7957401 0.3670345
princomp(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], cor = TRUE)$loadings[ ,1:6]
## Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
## EDAD 0.06856105 0.64342460 0.142498040 0.059755328 0.551883179
## ALTURA 0.62556462 -0.03161746 0.182949457 0.002531940 -0.004065767
## PESO 0.52084447 0.46804838 0.004881505 -0.002579058 -0.147461538
## FCVC 0.07427799 0.14707465 -0.865974309 0.433400962 -0.066013922
## NCP 0.33435654 -0.26542247 0.279233634 0.585654146 -0.293627118
## H2O 0.34631968 -0.08953867 -0.300400947 -0.682222866 -0.231585596
## FAF 0.30893445 -0.51559541 -0.167559899 0.012689649 0.727637898
## Comp.6
## EDAD 0.466893993
## ALTURA -0.365164877
## PESO -0.295196823
## FCVC 0.003159429
## NCP 0.546742302
## H2O 0.511412751
## FAF -0.032300455
par(mfrow=c(1,2))
corrplot::corrplot(cor(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)]), method = "color", type = "upper", number.cex = 0.4)
corrplot::corrplot(cor(princomp(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], cor = TRUE)$scores), method = "color", type = "upper", number.cex = 0.4)
fviz_eig(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], scale.unit = T, graph = F), addlabels = T, ylim=c(0,90), main = "")
scree(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)],factors = FALSE, pc = TRUE, main ="")
Al retomar el trabajo de [@AEDMDiaz-Morales1ed] se verifica que, una vez reducida la dimensionalidad del conjunto de datos y entendido que sus variables (estandarizadas) están representadas gráficamente por proyecciones de la hiperesfera de correlaciones, es necesario iniciar la interpretación de componentes a partir de dichas correlaciones, para luego la calidad de sus representaciones dada la reducción dimensional del conjunto de datos en términos de sus variables.
Planteamiento del Problema
Con base en el conjunto de datos descrito en la sección 1.2. se demanda determinar la calidad de representación de las variables cuantitativas respecto a la cantidad de dimensiones calculadas que retienen la mayor cantidad de variabilidad, ver la sección 2.2..
Desarrollo del Análisis
La navegación a través de las pestañas muestra que la reducción de la dimensionalidad del conjunto de datos conduce analizar las calidades de representación en términos de la escala de contribuciones relativas basada en un cociente de proyecciones con propiedades aditivas y de respuesta en escala continua entre \(0\) y \(1\). Así, en particular:
El Círculo de Correlaciones expresa que el grafico visualiza las relaciones entre varias variables, muestra los dos primeros componentes principales, Dim1 y Dim2, que juntos representan el \(43.9\)\(\%\) de la varianza total en el conjunto de datos. Las variables se representan como puntos en el gráfico, y sus posiciones relativas entre sí indican la fuerza y dirección de sus correlaciones. Las variables que están más cerca tienden a estar más correlacionadas, mientras que las que están más separadas están menos correlacionadas. Algunas de las variables clave mostradas en el gráfico incluyen:
• H20: cantidad de agua que el individuo consume en un día típico y se expresa en 3 categorías numéricas (1,2,3).
• ALTURA: la altura del individuo, se expresa en metros.
• NCP: consumo frecuente de alimentos ricos en calorías y se expresa en 2 categorías no numéricas (SI/NO).
• FAF: frecuencia de actividad física que cada individuo realiza en un día típico y se expresa en 4 categorías numéricas (0,1,2,3,4)
La Matriz de Representación expresa que:
-Dim.1 y Dim.2: Capturan la mayor parte de la variabilidad de los datos y están asociadas principalmente con la altura y el peso.
-Dim.3 y Dim.4: Capturan variabilidad adicional relacionada con frecuencia de actividad física y edad que son menos dominantes.
-Dim.5 y Dim.6: Representan características menos dominantes y no proporcionan tanta información útil como las primeras cuatro dimensiones.
En resumen, las dos primeras dimensiones son las más importantes y explican la mayor parte de la variabilidad en el peso y la altura del conjunto de datos, también la tercera y cuarta dimensión representan variabilidad adicional pero menos dominante. Las dimensiones adicionales explican variabilidad restante, pero son muy poco informativas. La Coordenadas Individuales, por otro lado, muestra el comportamiento por cada dimensión
fviz_pca_var(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], scale.unit = T, graph = F),col.var="#3B83BD", repel = T, col.circle = "#CDCDCD", ggtheme = theme_bw())
(get_pca_var(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F)))$cos2
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## EDAD 0.008363437 0.53545113 2.093944e-02 3.309307e-03 2.456775e-01
## ALTURA 0.696264421 0.00129294 3.451513e-02 5.941426e-06 1.333386e-05
## PESO 0.482665178 0.28333877 2.457281e-05 6.164617e-06 1.753996e-02
## FCVC 0.009816353 0.02797694 7.733165e-01 1.740859e-01 3.515136e-03
## NCP 0.198906733 0.09111710 8.040494e-02 3.178822e-01 6.954459e-02
## H2O 0.213394981 0.01036921 9.305718e-02 4.313565e-01 4.326076e-02
## FAF 0.169809714 0.34382907 2.895259e-02 1.492392e-04 4.270725e-01
## Dim.6
## EDAD 1.734634e-01
## ALTURA 1.061083e-01
## PESO 6.934172e-02
## FCVC 7.943072e-06
## NCP 2.378683e-01
## H2O 2.081203e-01
## FAF 8.302111e-04
fviz_pca_var(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F), col.var="cos2", gradient.cols=c("#00AFBB","#E7B800","#FC4E07"), repel = TRUE)
head((PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F))$ind$coord, n = 23L)
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6
## 1 -1.27718185 -0.2983329 -0.64606231 -0.10591297 -1.0699688 0.57330165
## 2 -0.43376182 -2.0167495 2.03366423 -0.32005970 0.9645443 1.69712896
## 3 0.88899387 -1.0720274 -0.66642466 -0.05569747 0.6407732 -0.20022123
## 4 1.26311346 -0.2398522 0.72854775 0.72311325 0.8095203 -0.02323894
## 5 -0.48877476 0.8624880 -0.30791294 -1.50931403 -0.4322368 -1.59154892
## 6 -1.41775936 0.2918733 -0.81944730 -0.03120692 -0.3265894 1.27583660
## 7 -1.76124766 -0.5487558 1.21535129 0.66737367 -0.1440251 1.25375216
## 8 -0.32529436 -2.1341231 -0.14364288 -0.05258617 1.5136046 0.58741814
## 9 0.28405736 -0.3777997 0.65045795 0.68315144 -0.1232170 0.14099406
## 10 -0.17913898 -0.7344765 -0.67509388 -0.08028448 -0.2005487 0.17694255
## 11 2.45774805 -0.1556804 1.08973793 -0.28435960 0.2794605 0.25125960
## 12 0.40049563 -1.1882588 -0.46848888 -0.07653942 0.4569171 -0.07009888
## 13 0.09130292 -1.3858071 1.57347272 -0.32154256 0.2319966 1.30348290
## 14 1.52900428 1.1153089 -1.06550369 0.10765580 2.0426263 0.83847875
## 15 -1.18834745 0.2248710 0.92744581 0.25761134 0.8631912 -1.91419485
## 16 0.11982257 -1.0877318 1.03555433 0.67657031 0.5106407 0.24666815
## 17 0.64318556 1.0875374 -0.96226474 -0.44859442 1.0660887 -2.73635184
## 18 -2.30863580 1.4224512 0.02403427 -1.45041379 0.2415558 0.01293068
## 19 -0.19459266 0.9565701 -0.31278096 2.42541165 -0.5424498 0.58185753
## 20 -1.74247496 0.6409974 -0.07476777 -1.50158718 -0.2270224 -0.78855528
## 21 0.29310747 -1.6411418 -0.16814895 -0.05505351 1.3568057 0.23580747
## 22 -0.69692204 4.0647722 0.69312549 -0.49244090 2.0234454 0.94983374
## 23 -0.67810452 -0.6060043 0.94638418 0.66168095 -0.2643851 0.54518109
Según el trabajo de [@AEDMDiaz-Morales1ed] la interpretación de resultados está vinculada con el cálculo de coordenadas, contribuciones, cosenos cuadrados, etc, por lo tanto, la conceptualización de las variables debe ser clara para establecerla con la mayor claridad posible, es decir, los datos deben ponerse en contexto. En este sentido, la contribución de una variable a una componente allana el camino de la interpretación de resultados. Esto se hace en este apartado en el sentido de calcular lor aportes con que cada variable participa para definir a cada componente generada.
Planteamiento del Problema
Con base en las variables cuantitativas del conjunto de datos descrito en la sección 1.2. se demanda determinar las contribuciones que hace cada variable a la construcción de cada componente.
Desarrollo del Análisis
ficas las contribuciones de las variables del conjunto de datos a la construcción de cada componente. Así, se entiende cuánta variabilidad explica cada variable de la variabilidad total de la componente con que esté involucrada en particular: La Matriz de Contribuciones proporciona una visión relativa de cómo cada variable contribuye a la variabilidad capturada por cada componente principal. Los diagramas de barras mostrados en las pestañas desde “Contribuciones a D1” hasta “Contribuciones a D6” representan visualmente las contribuciones de cada variable para explicar la varianza en cada componente principal. Cada gráfico también incluye una línea que representa la contribución promedio, lo que facilita la identificación de las variables que tienen una mayor influencia en la explicación de la variabilidad de los componentes. En resumen, estos gráficos ayudan a comprender mejor cómo cada variable impacta en la estructura de los datos y en la formación de los componentes principales.
•En la pestaña Contribuciones a D1 se visualiza que las variables por encima de la contribución media: ALTURA Y PESO retienen aproximadamente el \(66.25\)\(\%\) de la variabilidad del componente
•En la pestaña Contribuciones a D2 se visualiza que las variables por encima de la contribución media:EDAD, FAT Y PESO retienen aproximadamente el \(89.98\)\(\%\) de la variabilidad del componente 2.
•En la pestaña Contribuciones a D3 se visualiza que las variables por encima de la contribución media: FCVC retienen aproximadamente el \(75\)\(\%\) de la variabilidad del componente 3.
•En la pestaña Contribuciones a D4 se visualiza que las variables por encima de la contribución media: H2O, NCP Y FCVC retienen aproximadamente el \(30.02\)\(\%\) de la variabilidad del componente.
•En la pestaña Contribuciones a D5 se visualiza que las variables por encima de la contribución media:FAF Y EDAD retienen aproximadamente el \(83.40\)\(\%\) de la variabilidad del componente 5.
•En la pestaña Contribuciones a D6 se visualiza que las variables por encima de la contribución media: NCP, H2O Y EDAD retienen aproximadamente el \(24.09\)\(\%\) de la variabilidad del componente.
(get_pca_var(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F)))$contrib
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5
## EDAD 0.4700618 41.39952178 2.030569136 3.570699e-01 30.457504370
## ALTURA 39.1331090 0.09996636 3.347050377 6.410721e-04 0.001653046
## PESO 27.1278963 21.90692855 0.002382909 6.651541e-04 2.174490517
## FCVC 0.5517220 2.16309513 74.991150467 1.878364e+01 0.435783791
## NCP 11.1794293 7.04490860 7.797142245 3.429908e+01 8.621688441
## H2O 11.9937322 0.80171739 9.024072891 4.654280e+01 5.363188805
## FAF 9.5440494 26.58386219 2.807631975 1.610272e-02 52.945691029
## Dim.6
## EDAD 2.179900e+01
## ALTURA 1.333454e+01
## PESO 8.714116e+00
## FCVC 9.981993e-04
## NCP 2.989271e+01
## H2O 2.615430e+01
## FAF 1.043319e-01
fviz_contrib(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F), choice = "var", axes = 1, top = 10)
fviz_contrib(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F), choice = "var", axes = 2, top = 10)
fviz_contrib(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F), choice = "var", axes = 3, top = 10)
fviz_contrib(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F), choice = "var", axes = 4, top = 10)
fviz_contrib(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F), choice = "var", axes = 5, top = 10)
fviz_contrib(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F), choice = "var", axes = 6, top = 10)
Con base en [@AEDMDiaz-Morales1ed] se sabe que a partir de las coordenadas de los registros dimensionalmente reducidos se puede ubicar en un plano de factores para efectos de análisis e interpretación. Así, las variables reducidas son las componentes principales que se grafican como ejes en un plano, y los valores que tomen son los puntajes de las componentes. Como bien se explica en el mismo trabajo, las distancias entre los puntos definidos por los puntajes de las componentes tiene un significado relevante al ayudar a establecer semejanzas de perfiles en las observaciones hechas. Sin embargo, los valores semejantes de las variables pueden darse solo en algunas de ellas, sin esperar necesariamente a que suceda en todas. Así, se espera que las distancias en el espacio dimensional original de las observaciones queden bien representadas en el espacio reducido de las componentes.
Planteamiento del Problema
Con base en las variables cuantitativas del conjunto de datos descrito en la sección 1.2. se demanda definir e interpretar sus componentes principales.
Desarrollo del Analisis
La navegación a través de las pestañas permite visualizar objetos gráficos y matriciales que, al incluir lo hecho en las secciones anteriores, ayudan a robustecer la interpretación de las componentes calculadas. Como se mostró en la sección 2, la cantidad de componentes seleccionadas se redujo (según el criterio de Kaiser) a una y se estableció
Un biplot es una técnica de visualización utilizada principalmente en análisis multivariados para representar simultáneamente las observaciones (puntos de datos) y las variables (características o dimensiones) en un gráfico bidimensional o tridimensional.
Analizando el BIPLOT DE VARIABLES Y REGISTROS la cual muestra los dos primeros componentes principales Dim1. y Dim.2 en las cuales predominan mayor cantidad de datos tenemos que:
•Biplot Total EF: Dim1. y Dim.2 juntos representan el 40.8% de la varianza total de la variable que representa si el individuo padece o no una enfermedad cardiaca.
•Biplot Total SCC: Dim1. y Dim.2 juntos representan el \(42.2\)\(\%\) de la varianza total de si el individuo monitorea o no su consumo de calorías.
•Biplot Total FAVC: Dim1. y Dim.2 juntos representan el \(42.5\)\(\%\) de la varianza total de si el individuo tiene un consumo frecuente de alimentos ricos en calorías.
•Biplot Total SEXO: Dim1. y Dim.2 juntos representan el \(47.1\)\(\%\) de la varianza total de la variable que representa sexo del individuo.
•Biplot Total CALC: Dim1. y Dim.2 juntos representan el \(42.1\)\(\%\) de la varianza total de la variable que representa el consumo de alcohol de cada individuo.
•Biplot Total FUMAS: Dim1. y Dim.2 juntos representan el \(41.3\)\(\%\) de la varianza total de la variable que representa si el individuo fuma o no.
•Biplot Total HISTORIAL_FAMILIAR_SOBREPESO: Dim1. y Dim.2 juntos representan el \(46.1\)\(\%\) de la varianza total de la variable que representa si el individuo tiene antecedentes familiares de sobrepeso.
En resumen, las variables SEXO e HISTORIAL_FAMILIAR_SOBREPESO son las que más tienen variabilidad en las Dim1. y Dm2. Superando el promedio de varianza por un \(3\)\(\%\), así ayudándonos a poder identificar patrones y tendencias más fácilmente. También la variable FUMAS es la que más tiene datos atípicos o casos especiales por lo tanto requieren más atención.
data_EF <- Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17)]
data_EF$ENFERMEDAD_CARDIACA <- ifelse(data_EF$ENFERMEDAD_CARDIACA == "SI", 1, 0)
View(data_EF)
data_All <-cbind(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], data_EF$ENFERMEDAD_CARDIACA)
fviz_pca_biplot(PCA(data_All, ncp = 6, scale.unit = T, graph = F, quali.sup = 7), axes = c(1, 2), repel = T, habillage = 7)
data_CALC <- Obesity_Dataset[,-c(1,5,6,9,10,12,14,16,17,18)]
data_CALC$CALC <- ifelse(data_CALC$CALC == "SI", 1, 0)
View(data_CALC)
data_All <-cbind(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], data_CALC$CALC)
fviz_pca_biplot(PCA(data_All, ncp = 6, scale.unit = T, graph = F, quali.sup = 7), axes = c(1, 2), repel = T, habillage = 7)
data_SCC <- Obesity_Dataset[,-c(1,5,6,9,10,14,15,16,17,18)]
data_SCC$SCC <- ifelse(data_SCC$SCC == "SI", 1, 0)
View(data_SCC)
data_All <-cbind(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], data_SCC$SCC)
fviz_pca_biplot(PCA(data_All, ncp = 6, scale.unit = T, graph = F, quali.sup = 7), axes = c(1, 2), repel = T, habillage = 7)
data_FUMAS <- Obesity_Dataset[,-c(1,5,6,9,12,14,15,16,17,18)]
data_FUMAS$FUMAS <- ifelse(data_FUMAS$FUMAS == "SI", 1, 0)
View(data_FUMAS)
data_All <-cbind(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], data_FUMAS$FUMAS)
fviz_pca_biplot(PCA(data_All, ncp = 6, scale.unit = T, graph = F, quali.sup = 7), axes = c(1, 2), repel = T, habillage = 7)
data_FAVC <- Obesity_Dataset[,-c(1,5,9,10,12,14,15,16,17,18)]
data_FAVC$FAVC <- ifelse(data_FAVC$FAVC == "SI", 1, 0)
View(data_FAVC)
data_All <-cbind(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], data_FAVC$FAVC)
fviz_pca_biplot(PCA(data_All, ncp = 6, scale.unit = T, graph = F, quali.sup = 7), axes = c(1, 2), repel = T, habillage = 7)
data_HFS <- Obesity_Dataset[,-c(1,6,9,10,12,14,15,16,17,18)]
data_HFS$HISTORIAL_FAMILIAR_SOBREPESO <- ifelse(data_HFS$HISTORIAL_FAMILIAR_SOBREPESO == "SI", 1, 0)
View(data_HFS)
data_All <-cbind(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], data_HFS$HISTORIAL_FAMILIAR_SOBREPESO)
fviz_pca_biplot(PCA(data_All, ncp = 6, scale.unit = T, graph = F, quali.sup = 7), axes = c(1, 2), repel = T, habillage = 7)
data_SEX <- Obesity_Dataset[,-c(5,6,9,10,12,14,15,16,17,18)]
data_SEX$SEXO <- ifelse(data_SEX$SEXO == "F", 1, 0)
View(data_SEX)
data_All <-cbind(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], data_SEX$SEXO)
fviz_pca_biplot(PCA(data_All, ncp = 6, scale.unit = T, graph = F, quali.sup = 7), axes = c(1, 2), repel = T, habillage = 7)
En términos generales, esta tercera etapa de estudio mostrará cálculos, visualizaciones e interpretaciones con base en el conjunto de datos tratado en la fase 1 y 2, pero ahora desde un enfoque de análisis de correspondencias simples y múltiples sobre las variables cuanlitativas, que incluirá: construcción de tablas de contingencias y disyuntivas completas, calidades de representación, contribuciones e interpretaciones.
Recuérdese que el conjunto de datos de trabajo es descrito en la sección 1.2. y los referentes teóricos en la sección 1.
Con base en el trabajo de [@AMARAldas-Uriel2ed] se sabe que el análisis de correspondencias simple (ACS) busca representar en un espacio multidimensional reducido la relación que exista entre las categorías de un par de variables categóricas. En este sentido, el ACS muestra las distancia entre los niveles de dos variables categóricas y, en consecuencia, ayuda a visualizar tablas de contingencia. Además, se establece que el número máximo de dimensiones que expliquen la asociación entre variables fila y columna es igual a uno menos el menor número de categorías de alguna de las variables involucradas. En consecuencia, el análisis de correspondencias permite describir la proximidad existente entre los perfiles de los objetos observados. Además, el ACS, que basa sus cálculos en tablas de contingencia, puede extenderse a más de dos variables categóricas, conociéndose como anáslisis de correspondencias múltiples (ACM), con base en una objeto llamado tabla disyuntiva completa.
Esta sección trata el análisis de correspondecias simple con base en pares de variables categóricas del conjunto de datos descrito en la sección 1.2.. Complementariamente, la sección 3.3. muestra el análisis de correspondencias múltiples con base en las varaibles categóricas del mismo conjunto de datos.
Planteamiento del Problema
Con base en las variables cualitativas del conjunto de datos descrito en la sección 2 se demanda desarrollar el análisis de correspondencias, en principio simple, apoyado en tablas de contingencia y de frecuencias relativas y gráficos de perfiles y de puntos superpuestos en el primer plano factorial.
Desarrollo del Analisis
addmargins(table(Obesity_Dataset$IMC, Obesity_Dataset$FAF))
##
## 0 1 2 3 Sum
## BAJO_PESO 72 72 117 11 272
## OBESIDAD_TIPO_I 131 123 72 25 351
## OBESIDAD_TIPO_II 69 165 63 0 297
## OBESIDAD_TIPO_III 123 41 49 0 213
## PESO_NORMAL 80 97 69 41 287
## SOBRE _PESO_NIVEL_I 84 126 56 24 290
## SOBRE _PESO_NIVEL_II 97 125 50 18 290
## Sum 656 749 476 119 2000
addmargins(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC))
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE Sum
## BAJO_PESO 146 121 3 2 272
## OBESIDAD_TIPO_I 338 6 1 6 351
## OBESIDAD_TIPO_II 293 1 1 2 297
## OBESIDAD_TIPO_III 212 1 0 0 213
## PESO_NORMAL 159 83 10 35 287
## SOBRE _PESO_NIVEL_I 236 14 35 5 290
## SOBRE _PESO_NIVEL_II 270 16 1 3 290
## Sum 1654 242 51 53 2000
addmargins(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC))
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE Sum
## 0 553 77 4 22 656
## 1 617 84 37 11 749
## 2 393 65 7 11 476
## 3 91 16 3 9 119
## Sum 1654 242 51 53 2000
addmargins(prop.table(table(Obesity_Dataset$IMC , Obesity_Dataset$FAF))*100)
##
## 0 1 2 3 Sum
## BAJO_PESO 3.60 3.60 5.85 0.55 13.60
## OBESIDAD_TIPO_I 6.55 6.15 3.60 1.25 17.55
## OBESIDAD_TIPO_II 3.45 8.25 3.15 0.00 14.85
## OBESIDAD_TIPO_III 6.15 2.05 2.45 0.00 10.65
## PESO_NORMAL 4.00 4.85 3.45 2.05 14.35
## SOBRE _PESO_NIVEL_I 4.20 6.30 2.80 1.20 14.50
## SOBRE _PESO_NIVEL_II 4.85 6.25 2.50 0.90 14.50
## Sum 32.80 37.45 23.80 5.95 100.00
addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC))*100)
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE Sum
## BAJO_PESO 7.30 6.05 0.15 0.10 13.60
## OBESIDAD_TIPO_I 16.90 0.30 0.05 0.30 17.55
## OBESIDAD_TIPO_II 14.65 0.05 0.05 0.10 14.85
## OBESIDAD_TIPO_III 10.60 0.05 0.00 0.00 10.65
## PESO_NORMAL 7.95 4.15 0.50 1.75 14.35
## SOBRE _PESO_NIVEL_I 11.80 0.70 1.75 0.25 14.50
## SOBRE _PESO_NIVEL_II 13.50 0.80 0.05 0.15 14.50
## Sum 82.70 12.10 2.55 2.65 100.00
addmargins(prop.table(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC))*100)
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE Sum
## 0 27.65 3.85 0.20 1.10 32.80
## 1 30.85 4.20 1.85 0.55 37.45
## 2 19.65 3.25 0.35 0.55 23.80
## 3 4.55 0.80 0.15 0.45 5.95
## Sum 82.70 12.10 2.55 2.65 100.00
round(addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$FAF), 1)*100, 2), 2)
##
## 0 1 2 3 Sum
## BAJO_PESO 26.47 26.47 43.01 4.04 100.00
## OBESIDAD_TIPO_I 37.32 35.04 20.51 7.12 100.00
## OBESIDAD_TIPO_II 23.23 55.56 21.21 0.00 100.00
## OBESIDAD_TIPO_III 57.75 19.25 23.00 0.00 100.00
## PESO_NORMAL 27.87 33.80 24.04 14.29 100.00
## SOBRE _PESO_NIVEL_I 28.97 43.45 19.31 8.28 100.00
## SOBRE _PESO_NIVEL_II 33.45 43.10 17.24 6.21 100.00
round(addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$FAF), 2)*100, 1), 2)
##
## 0 1 2 3
## BAJO_PESO 10.98 9.61 24.58 9.24
## OBESIDAD_TIPO_I 19.97 16.42 15.13 21.01
## OBESIDAD_TIPO_II 10.52 22.03 13.24 0.00
## OBESIDAD_TIPO_III 18.75 5.47 10.29 0.00
## PESO_NORMAL 12.20 12.95 14.50 34.45
## SOBRE _PESO_NIVEL_I 12.80 16.82 11.76 20.17
## SOBRE _PESO_NIVEL_II 14.79 16.69 10.50 15.13
## Sum 100.00 100.00 100.00 100.00
round(addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC), 1)*100, 2), 2)
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE Sum
## BAJO_PESO 53.68 44.49 1.10 0.74 100.00
## OBESIDAD_TIPO_I 96.30 1.71 0.28 1.71 100.00
## OBESIDAD_TIPO_II 98.65 0.34 0.34 0.67 100.00
## OBESIDAD_TIPO_III 99.53 0.47 0.00 0.00 100.00
## PESO_NORMAL 55.40 28.92 3.48 12.20 100.00
## SOBRE _PESO_NIVEL_I 81.38 4.83 12.07 1.72 100.00
## SOBRE _PESO_NIVEL_II 93.10 5.52 0.34 1.03 100.00
round(addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC), 2)*100, 1), 2)
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE
## BAJO_PESO 8.83 50.00 5.88 3.77
## OBESIDAD_TIPO_I 20.44 2.48 1.96 11.32
## OBESIDAD_TIPO_II 17.71 0.41 1.96 3.77
## OBESIDAD_TIPO_III 12.82 0.41 0.00 0.00
## PESO_NORMAL 9.61 34.30 19.61 66.04
## SOBRE _PESO_NIVEL_I 14.27 5.79 68.63 9.43
## SOBRE _PESO_NIVEL_II 16.32 6.61 1.96 5.66
## Sum 100.00 100.00 100.00 100.00
round(addmargins(prop.table(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC), 1)*100, 2), 2)
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE Sum
## 0 84.30 11.74 0.61 3.35 100.00
## 1 82.38 11.21 4.94 1.47 100.00
## 2 82.56 13.66 1.47 2.31 100.00
## 3 76.47 13.45 2.52 7.56 100.00
round(addmargins(prop.table(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC), 2)*100, 1), 2)
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE
## 0 33.43 31.82 7.84 41.51
## 1 37.30 34.71 72.55 20.75
## 2 23.76 26.86 13.73 20.75
## 3 5.50 6.61 5.88 16.98
## Sum 100.00 100.00 100.00 100.00
colores <- c("red", "blue", "green", "purple", "orange")
plotct(table(Obesity_Dataset$IMC, Obesity_Dataset$FAF),"row", col = colores)
plotct(table(Obesity_Dataset$IMC, Obesity_Dataset$FAF),"col", col = colores)
plotct(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC),"row", col = colores)
plotct(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC),"col", col = colores)
plotct(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC),"row", col = colores)
plotct(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC),"col", col = colores)
chisq.test(table(Obesity_Dataset$CAEC, Obesity_Dataset$IMC))
##
## Pearson's Chi-squared test
##
## data: table(Obesity_Dataset$CAEC, Obesity_Dataset$IMC)
## X-squared = 744.15, df = 18, p-value < 2.2e-16
chisq.test(table(Obesity_Dataset$CAEC, Obesity_Dataset$CAEC))
## Warning in chisq.test(table(Obesity_Dataset$CAEC, Obesity_Dataset$CAEC)):
## Chi-squared approximation may be incorrect
##
## Pearson's Chi-squared test
##
## data: table(Obesity_Dataset$CAEC, Obesity_Dataset$CAEC)
## X-squared = 6000, df = 9, p-value < 2.2e-16
chisq.test(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC))
##
## Pearson's Chi-squared test
##
## data: table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC)
## X-squared = 744.15, df = 18, p-value < 2.2e-16
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$observed
##
## BAJO_PESO OBESIDAD_TIPO_I OBESIDAD_TIPO_II OBESIDAD_TIPO_III PESO_NORMAL
## 0 72 131 69 123 80
## 1 72 123 165 41 97
## 2 117 72 63 49 69
## 3 11 25 0 0 41
##
## SOBRE _PESO_NIVEL_I SOBRE _PESO_NIVEL_II
## 0 84 97
## 1 126 125
## 2 56 50
## 3 24 18
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$expected
##
## BAJO_PESO OBESIDAD_TIPO_I OBESIDAD_TIPO_II OBESIDAD_TIPO_III PESO_NORMAL
## 0 89.216 115.1280 97.4160 69.8640 94.1360
## 1 101.864 131.4495 111.2265 79.7685 107.4815
## 2 64.736 83.5380 70.6860 50.6940 68.3060
## 3 16.184 20.8845 17.6715 12.6735 17.0765
##
## SOBRE _PESO_NIVEL_I SOBRE _PESO_NIVEL_II
## 0 95.120 95.120
## 1 108.605 108.605
## 2 69.020 69.020
## 3 17.255 17.255
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$residuals
##
## BAJO_PESO OBESIDAD_TIPO_I OBESIDAD_TIPO_II OBESIDAD_TIPO_III PESO_NORMAL
## 0 -1.82268190 1.47924863 -2.87904065 6.35714525 -1.45696348
## 1 -2.95894991 -0.73697294 5.09875529 -4.34073512 -1.01101263
## 2 6.49575617 -1.26237533 -0.91418413 -0.23792229 0.08397114
## 3 -1.28861166 0.90055567 -4.20374833 -3.55998596 5.78928974
##
## SOBRE _PESO_NIVEL_I SOBRE _PESO_NIVEL_II
## 0 -1.14016805 0.19276222
## 1 1.66916597 1.57320932
## 2 -1.56719669 -2.28940715
## 3 1.62376985 0.17934893
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$stdres
##
## BAJO_PESO OBESIDAD_TIPO_I OBESIDAD_TIPO_II OBESIDAD_TIPO_III PESO_NORMAL
## 0 -2.3920451 1.9872898 -3.8060180 8.2040863 -1.9204382
## 1 -4.0250111 -1.0262249 6.9864762 -5.8063385 -1.3812721
## 2 8.0056271 -1.5926329 -1.1349164 -0.2883436 0.1039415
## 3 -1.4295054 1.0226708 -4.6974805 -3.8834848 6.4503340
##
## SOBRE _PESO_NIVEL_I SOBRE _PESO_NIVEL_II
## 0 -1.5041847 0.2543046
## 1 2.2824581 2.1512446
## 2 -1.9416143 -2.8363674
## 3 1.8107647 0.2000029
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$residuals^2/chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$statistic*100
##
## BAJO_PESO OBESIDAD_TIPO_I OBESIDAD_TIPO_II OBESIDAD_TIPO_III PESO_NORMAL
## 0 1.38724312 0.91372008 3.46119777 16.87543941 0.88639675
## 1 3.65599883 0.22679522 10.85573313 7.86787390 0.42681923
## 2 17.61936489 0.66543833 0.34897810 0.02363747 0.00294436
## 3 0.69338579 0.33865068 7.37911427 5.29209205 13.99527357
##
## SOBRE _PESO_NIVEL_I SOBRE _PESO_NIVEL_II
## 0 0.54283589 0.01551582
## 1 1.16340216 1.03348420
## 2 1.02559958 2.18865289
## 3 1.10098085 0.01343162
CA(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC), graph = FALSE)$eig
## eigenvalue percentage of variance cumulative percentage of variance
## dim 1 0.05156984 43.06819 43.06819
## dim 2 0.03682190 30.75155 73.81974
## dim 3 0.03134824 26.18026 100.00000
CA(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC), graph = FALSE)$col
## $coord
## Dim 1 Dim 2 Dim 3
## BAJO_PESO 0.19111058 -0.16213350 0.37792224
## OBESIDAD_TIPO_I 0.04397209 -0.01216349 -0.11202987
## OBESIDAD_TIPO_II -0.26241294 0.28858149 0.16004927
## OBESIDAD_TIPO_III 0.52780017 0.20505992 -0.13166987
## PESO_NORMAL -0.09412277 -0.32835930 -0.10527819
## SOBRE _PESO_NIVEL_I -0.15926582 -0.02815088 -0.07411526
## SOBRE _PESO_NIVEL_II -0.09896810 0.07374519 -0.10776914
##
## $contrib
## Dim 1 Dim 2 Dim 3
## BAJO_PESO 9.6319139 9.70908304 61.962748
## OBESIDAD_TIPO_I 0.6580146 0.07051592 7.026380
## OBESIDAD_TIPO_II 19.8290164 33.58591464 12.134468
## OBESIDAD_TIPO_III 57.5298012 12.16199926 5.889918
## PESO_NORMAL 2.4651623 42.01886679 5.073592
## SOBRE _PESO_NIVEL_I 7.1320995 0.31206547 2.540798
## SOBRE _PESO_NIVEL_II 2.7539922 2.14155488 5.372096
##
## $cos2
## Dim 1 Dim 2 Dim 3
## BAJO_PESO 0.17761141 0.1278342 0.69455443
## OBESIDAD_TIPO_I 0.13214324 0.0101113 0.85774546
## OBESIDAD_TIPO_II 0.38738894 0.4685044 0.14410668
## OBESIDAD_TIPO_III 0.82427919 0.1244219 0.05129890
## PESO_NORMAL 0.06934039 0.8439088 0.08675083
## SOBRE _PESO_NIVEL_I 0.80141183 0.0250377 0.17355047
## SOBRE _PESO_NIVEL_II 0.36483043 0.2025667 0.43260290
##
## $inertia
## [1] 0.027966461 0.002567949 0.026396707 0.035992692 0.018333908 0.004589416
## [7] 0.003892848
CA(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC), graph = FALSE)$row
## $coord
## Dim 1 Dim 2 Dim 3
## 0 0.2404842 0.08251767 -0.15255625
## 1 -0.2590283 0.11601230 0.01069831
## 2 0.1340893 -0.13315994 0.27265671
## 3 -0.2316974 -0.65244262 -0.31698091
##
## $contrib
## Dim 1 Dim 2 Dim 3
## 0 36.783349 6.06543 24.3512214
## 1 48.724838 13.68843 0.1367317
## 2 8.297925 11.46088 56.4411965
## 3 6.193888 68.78526 19.0708503
##
## $cos2
## Dim 1 Dim 2 Dim 3
## 0 0.65782297 0.07745149 0.26472555
## 1 0.83174065 0.16684054 0.00141881
## 2 0.16337503 0.16111817 0.67550680
## 3 0.09258328 0.73413347 0.17328325
##
## $inertia
## [1] 0.02883620 0.03021052 0.02619266 0.03450060
Recuperando de nuevo el trabajo de [@AEDMDiaz-Morales1ed] se dice que el ACS se puede extender desde tablas de contingencia hacia tablas disyuntivas completas. En estas las filas son los objetos a los cuales se les registran características de interés a través de las columnas que compilan las modalidades de las variables categóricas estudiadas de ellos. Así, el análisis de correspondencias múltiple (ACM) es el AC aplicado a una tabla disyuntiva completa. Por lo tanto, en el ACM una variable categórica asigna a cada objeto de una población una modalidad a través de la cual los particiona exclusiva y exhaustivamente.
Esta sección es desarrollada como alternativa de completitud del análisis de correspondencias simples que en la sección 3.2. fue inapreciable debido a la unidimensionalidad de la representación de los datos a nivel de proyección de las variables categóricas que cumplieron la hipótesis de dependencia. Por lo tanto, del tratamiento conjunto de todas las varaibles categóricas se espera obtener una representación en el primer plano factorial.
Planteamiento del Problema
Con base en las variables cualitativas del conjunto de datos descrito en la sección 1.2. se demanda desarrollar el análisis de correspondencias múltiples para lograr una representación gráfica en el primer plano factorial, debido a la imposibilidad de lograrlo en el análisis de correspondencias simple.
Desarrollo del Analisis
FALTA
round(MCA(Obesity_Dataset[1:400, -c(2,3,4,7,8,11,13)], graph = FALSE)$eig,2)
## eigenvalue percentage of variance cumulative percentage of variance
## dim 1 0.15 7.34 7.34
## dim 2 0.14 7.02 14.35
## dim 3 0.12 6.03 20.39
## dim 4 0.12 5.94 26.33
## dim 5 0.11 5.65 31.97
## dim 6 0.11 5.44 37.42
## dim 7 0.11 5.26 42.68
## dim 8 0.10 4.91 47.58
## dim 9 0.10 4.82 52.41
## dim 10 0.09 4.64 57.04
## dim 11 0.09 4.60 61.65
## dim 12 0.09 4.34 65.99
## dim 13 0.08 4.17 70.16
## dim 14 0.08 3.99 74.15
## dim 15 0.08 3.88 78.03
## dim 16 0.08 3.82 81.86
## dim 17 0.07 3.52 85.37
## dim 18 0.07 3.33 88.70
## dim 19 0.06 3.16 91.86
## dim 20 0.06 2.94 94.80
## dim 21 0.06 2.79 97.59
## dim 22 0.05 2.41 100.00
fviz_mca_biplot(MCA(Obesity_Dataset[1:200, -c(2,3,4,7,8,11,13)], graph = FALSE), repel = TRUE)
###Calidad de Representación
fviz_mca_var(MCA(Obesity_Dataset[1:400, -c(2,3,4,7,8,11,13)], graph = FALSE), col.var ="cos2", gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), repel = TRUE)
fviz_contrib(MCA(Obesity_Dataset[1:400, -c(2,3,4,7,8,11,13)], graph = FALSE), choice = "var", axes = 1, top = 15)
fviz_mca_var(MCA(Obesity_Dataset[1:400, -c(2,3,4,7,8,11,13)], graph = FALSE), col.var ="contrib", gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), repel = TRUE)
Se sabe que el análisis de regresión es un proceso de naturaleza estadística usado para estimar relaciones entre variables (una dependiente o de respuesta y otras independientes o predictoras) a través de técnicas de modelado y análisis que permiten entender cómo el valor de la variable dependiente varía al cambiar el valor de una o más variables independientes. Los modelos de análisis de regresión estudiados a través de este documento serán: lineal (simple y múltiple) y logístico, ellos entendidos como casos del modelo de regresión lineal generalizado.
Este modelo, que eventualmente será llamado en este estudio como RLS, está conformado por dos variables estadísticas \(x\) y \(Y\), donde \(Y\) se asume que está influida por \(x\). La relación está dada matemáticamente por: \[Y = \beta_0 + \beta_1 x + \varepsilon \hspace{10mm} \hspace{10mm}(1)\] donde:
En comparación con el modelo lineal simple determinístico \(y = \beta_0 + \beta_1 x\), el probablístico supone que el valor esperado de \(Y\) es una función lineal de \(x\), pero que con \(x\) fija, la variable \(Y\) difiere de su valor esperado en una cantidad aleatoria \(\varepsilon\). Además, la cantidad \(\varepsilon\) en la ecuación de modelo \((1)\) se supone normalmente distribuida con \(E(\varepsilon)=0\) y \(V(\varepsilon)=\sigma^2\). La variable aleatoria \(\varepsilon\) también se conoce como término de error aleatorio o desviación aleatoria en el modelo.
Complementariamente, casi nunca serán conocidos los valores \(\beta_0\), \(\beta_1\) y \(\sigma^2\), a cambio estará disponible una muestra de datos compuesta de pares ordenados \((x_1,y_1)... (x_n,y_n)\) con la que los parámetros del modelo y la línea de regresión verdadera pueden ser estimados, bajo el supuesto de independencia de las observaciones. Así, \(y_i\) es el valor observado de una variable aleatoria \(Y_i\), donde \(Y_i=\beta_0+\beta_1x_i+\varepsilon_i\) y las \(n\) desviaciones \(\varepsilon_1\), \(\varepsilon_2\), \(...\), \(\varepsilon_n\) son variables independientes.
De acuerdo con el modelo, los puntos observados estarán distribuidos aleatoriamente alrededor de la línea de regresión verdadera. En este sentido, la estimación de \(y=\beta_0+\beta_1x\) deberá ser una línea que se ajuste lo mejor posible a los puntos muestra. Tal línea deberá poseer la característica de que las distancias verticales (desviaciones) de los puntos observados a la línea misma son pequeñas. La medida de la bondad de ajuste será la suma de los cuadrados de estas desviaciones. En consecuencia, la línea que mejor se ajusta será la que tenga la suma más pequeña posible de desviaciones al cuadrado. El resultado que implica las ideas expuestas se conoce como: principio de los mínimos cuadrados y se remonta a los matemáticos Carl Friedrich Gauss y Adrien-Marie Legendre, entre el último lustro del siglo XVIII y el primero del siglo XIX.
El principio de los mínimos cuadrados establece que la desviación vertical del punto \((x_i,y_i)\) con respecto a la línea \(y=b_0+b_1x\) es \(y_i-(b_0+b_1x)\) y la suma de las desviaciones verticales al cuadrado de los puntos \((x_i,y_i)\) a la línea es \(f(b_0,b_1)=\sum_{i=1}^n (y_i-(b_0+b_1x_i))^2\). Así, las estimaciones puntuales de \(\beta_0\) y \(\beta_1\), representadas como \(\hat{\beta}_0\) y \(\hat{\beta}_1\) y llamadas estimaciones de mínimos cuadrados, son los valores que minimizan a \(f(b_0,b_1)\); es decir, \(f(\hat{\beta}_0,\hat{\beta}_1)\leq f(b_0,b_1)\) para cualesquiera \(\beta_0\) y \(\beta_1\). Por lo tanto, la línea de regresión estimada o línea de mínimos cuadrados es \(y=\hat{\beta}_0+\hat{\beta}_1x\).
Luego de calcular y resolver las ecuaciones en derivadas parciales de \(f(b_0,b_1)\) respecto a \(b_0\) y \(b_1\) igualadas a cero, se obtiene un sistemas de ecuaciones llamadas normales que son lineales en \(b_0\) y \(b_1\) y para las cuales, siempre que por lo menos dos de las \(x_i\) sean diferentes, las estimaciones de los mínimos cuadrados son la única solución del sistema. En consecuencia, la estimación de los mínimos cuadrados de \(\beta_1\) de la línea de regresión verdadera es: \[\hat{\beta}_1=\dfrac{\sum_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sum_{i=1}^n(x_i-\bar{x})^2}=\dfrac{S_{xy}}{S_{xx}}\hspace{10mm}(2)\] y la estimación de los mínimos cuadrados de \(\beta_0\) de la línea de regresión verdadera es: \[\hat{\beta}_0=\dfrac{\sum_{i=1}^ny_i-\hat{\beta}_1\sum_{i=1}^nx_i}{n}=\bar{y}-\hat{\beta}_1\bar{x}\hspace{10mm}(3)\] Para hacer los cálculos que las ecuaciones anteriores demandan es necesario reducir al mínimo los efectos de redondeo. También, antes de calcular \(\hat{\beta}_1\) y \(\hat{\beta}_0\) se debe examir gráficamente el conjunto de datos por usar para percibir la factibilidad de uso de un modelo probabilístico lineal, es decir, si gráficamente los puntos están lejos de tender a aglomerarse en torno a una línea recta con aproximadamente el mismo grado de dispersión de todas las \(x_i\), entonces deben ser indagados otros modelos.
Es indispensable mencionar que la línea de mínimos cuadrados debe usarse restringidamente para predecir valores de \(x\) lejanos del rango de los datos, porque la relación ajustada puede carecer de validez para ellos.
Ahora, el parámetro \(\sigma^2\) que determina la cantidad de variabilidad es inherente en el modelo de regresión descrito: su valor conducirá a establecer que los valores observados estarán dispersos en mayor o menor medida en torno a la línea de regresión verdadera. Así, los residuos \(y_i - \hat{y_i}\) son las desviaciones verticales con respecto a la línea estimada. Si todos los residuos son pequeños comparados con cero, entonces la variabilidad de los valores \(y\) observados se debería en una elevada medida a la relación lineal entre \(x\) y \(y\), mientras que si los residuos son grandes comparados con cero, entonces queda sugerida una variabilidad inherente en \(y\) con respecto a la cantidad debida a la relación lineal. Así, la estimación de \(\sigma^2\) en un análisis de regresión está basada en el cálculo de la suma de cuadrados residuales (o suma de cuadrados del error SCE) que se reduce a: \[SCE=\sum_{i=1}^ny_i^2-\hat{\beta}_0\sum_{i=1}^ny_i-\hat{\beta}_1\sum_{i=1}^nx_iy_i\hspace{10mm}(4)\] \[\hat\sigma^2=s^2=\dfrac{SCE}{n-2}\hspace{10mm}(5)\] Si se ha entendido que la cantidad SCE establece una medida de cuánta variación de \(y\) es inexplicada por el modelo; es decir, sin atribución a la relación lineal, se entenderá también que existe otra cantidad llamada la suma total de los cuadrados STC, que permite obtener una medida de la cantidad de variación total en los valores \(y\) observados: \[STC=\sum_{i=1}^ny_i^2-\frac{(\sum_{i=1}^ny_i)^2}{n}\hspace{10mm}(6)\] Si se formula la razón \(SCE/STC\) se calcula la proporción de variación total inexplicada por el modelo de regresión lineal simple; por lo tanto, se llega a la definición del coeficiente de determinación \(r^2\): \[r^2=1-\frac{SCE}{STC}\hspace{10mm}(7)\] que se interpreta como la proporción de variación \(y\) observada que puede ser explicada por el modelo de regresión lineal simple; es decir, aquella atribuida a una relación lineal aproximada entre \(x\) y \(y\): mientras más cercano a 1 sea \(r^2\), más exitoso es el modelo de regresión lineal simple al explicar la variación de \(y\). Una forma alternativa de calcular el coeficiente de determinación se basa en la suma de cuadrados debidad a la regresión SCR (o al modelo de regresión SCM), que es la cantidad de variación total que es explicada por el modelo. Con base en ella el coeficiente de determinación se expresa como: \[r^2=1-\frac{SCE}{STC}=\frac{STC-SCE}{STC}=\frac{SCR}{STC}\hspace{10mm}(8)\]Como se sabe, cualquier cantidad calculada a partir de datos muestrales varía de una cantidad a otra, en este sentido, los procedimientos inferenciales estandarizan un estimador restando su valor medio y luego dividiéndolo entre su desviación estándar estimada. En particular, para un modelo supuesto de regresión lineal simple se implica que las variables estándares: \(t_{(n-2)}=\dfrac{\hat{\beta}_0-\beta_0}{\hat{\sigma} \sqrt{1/n+\bar{x}^2/S_{xx}}}\) y \(t_{(n-2)}=\dfrac{\hat{\beta}_1-\beta_1}{ \hat{\sigma} \sqrt{1/S_{xx}}}\) tienen distribuciones \(t\) con \(n-2\) grados de libertad. De esto se deduce que los intervalos de confianza de \(100*(1-\alpha)\%\) para la pendiente \(\beta_1\) y el intercepto \(\beta_0\) de la línea de regrasión verdadera son: \[\hat{\beta}_0 \pm t_{\alpha/2, n-2} \cdot \hat{\sigma} \sqrt{1/n+\bar{x}^2/S_{xx}}\hspace{10mm}(9)\] \[\hat{\beta}_1 \pm t_{\alpha/2, n-2} \cdot \hat{\sigma} \sqrt{1/S_{xx}} \hspace{10mm} (10)\]estos intervalos están centarados en la en la estimación puntual de cada parámetro y la cantidad abarcada a cada lado de la estimación depende del nivel de confianza deseado y de la cantidad de variabilidad del estimador.
Dado lo anterior, para los procedimientos de prueba de hipótesis, y como se procede habitualmente, las hipótesis nulas respecto a los beta del modelo de regresión lineal simple serán enunciados de igualdad. Los valores nulos para \(\beta_0\) y \(\beta_1\) se representan respectivamente como \(\beta_{00}\) (“beta cero cero”) y \(\beta_{10}\) (“beta uno cero”). Además, como los estadísticos de prueba tienen distribuciones \(t\) con \(n-2\) grados de libertad cuando \(H_0\) es verdadera, la probabilidad de error Tipo I permanece al nivel deseado \(\alpha\) usando un valor crítico \(t\) adecuado. Así, las hipótesis comúnmente usadas para \(\beta_0\)son: \[H_0: \beta_0 = \beta_{00}\hspace{10mm}(11)\] \[H_1: \beta_0 \neq \beta_{00}\hspace{10mm}(12)\]cuyo estadístico de prueba es: \[t_{(n-2)}=\dfrac{\hat{\beta}_0-\beta_{00}}{\hat{\sigma} \sqrt{1/n+\bar{x}^2/S_{xx}}}\hspace{10mm}(13)\]y para \(\beta_1\) son: \[H_0: \beta_1 = \beta_{10}\hspace{10mm}(14)\] \[H_1: \beta_1 \neq \beta_{10}\hspace{10mm}(15)\]cuyo estadístico de prueba es:\[t_{(n-2)}=\dfrac{\hat{\beta}_1-\beta_{10}}{\hat{\sigma} \sqrt{1/S_{xx}}}\hspace{10mm}(16)\]el par de hipótesis definidas por \(14\), \(15\) y \(16\) se conoce como la prueba de utilidad del modelo de regresión lineal simple, donde: la región de rechazo de \(H_0\) para una prueba a nivel \(\alpha\) a favor de \(H_1: \beta_1>\beta_{10}\) es \(t\geq t_{\alpha,n-2}\); la región de rechazo de \(H_0\) para una prueba a nivel \(\alpha\) a favor de \(H_1: \beta_1<\beta_{10}\) es \(t\leq -t_{\alpha,n-2}\); y la región de rechazo de \(H_0\) para una prueba a nivel \(\alpha\) a favor de \(H_1: \beta_1\neq\beta_{10}\) es \(t\leq -t_{\alpha/2,n-2}\) o \(t\geq t_{\alpha/2,n-2}\). Además, se sabe que la prueba de utilidad del modelo de regresión simple puede ser probada con una tabla ANOVA: rechazando \(H_0\) si \(f\geq F_{\alpha,1,n-2}\). La prueba \(F\) da exactamente el mismo resultado que la prueba \(t\) de utilidad del modelo de regresión lineal simple.
Por último, se entiende que en un modelo de regresión lineal simple un valor futuro de \(Y\) no es parámetro sino una variable aleatoria, por lo que se debe hacer referencia a un intervalo de valores factibles para un valor futuro de \(Y\), al cual se le llama intervalo de predicción. Cuando se predice con base en el modelo de regresión lineal simple, el error de predicción es \(Y-( \hat{\beta}_0+ \hat{\beta}_1 x^*)\) que corresponde con una diferencia entre dos variables aleatorias, por lo que, en comparación con una estimación, habrá más incertidumbre en ese; por lo tanto, un intervalo de predicción será más ancho que un intervalo de confianza. Además, a partir de la varianza del error dde predicción se puede establecer que la variable estandarizada:\[T=\dfrac{Y-(\hat{\beta}_0+ \hat{\beta}_1 x^*)}{S \displaystyle\sqrt{1+\dfrac{1}{n} + \dfrac{(x^*-\bar{x})^2}{S_{xx}}}}\hspace{10mm}(17)\]tiene una distribución \(t\) con \(n-2\) grados de libertad, a partir de la cual se obtine un intervalo de predicción de \(100*(1-\alpha)\%\) para una observación \(Y\) futura que se hará cuando \(x=x^*\) igual a:\[\hat{\beta}_0+\hat{\beta}_1 x^*\pm t_{n-2,\alpha/2}\cdot s \displaystyle\sqrt{1+\dfrac{1}{n}+\dfrac{(x^*-\bar{x})^2}{S_{xx}}}\hspace{10mm}(18)\] la interpretación del nivel de predicción de \(100*(1-\alpha)\%\) establece que al usar \((18)\) repetidamente, los intervalos resultantes contendrán los valores \(y\) observados el \(100*(1-\alpha)\%\) del tiempo. Además, el número \(1\) en la raíz cuadrada hace que el intervalo de predicción sea más ancho que intervalos de confianza como \((9)\) y \((10)\). Asimismo, a medida que \(n\to\infty\) el ancho del intervalo no-tiende a cero, porque la incertidumbre en la predicción será permanente, incluso al tener conocimiento perfecto sobre \(\beta_0\) y \(\beta_1\).
Planteamiento del Problema
Con base en el conjunto de datos descrito en la sección 1.2. se formulará un modelo de regresión lineal simple para estudiar la relación lineal supuesta entre las varaibles definidas por los campos: PESO (variable dependiente) y ALTURA (variable independiente).
##Resumen Estadistico Resumen estadístico de las variables por estudiar
La navegación a través de las pestañas muestra el resumen estadístico de las variables de interés: PESO (variable dependiente) y ALTURA (variable independiente), junto con sus respectivos diagramas de caja. Además, incluye el diagrama de dispersión de sus valores conjuntos.
Con base en la pestaña RESUMEN ESTADISTICO DE LA VARIABLE PESO, se puede comentar que la variable PESO presenta asimetría de sesgo negativo, lo que significa que la cola izquierda de la distribución es más larga o tiene valores atípicos más alejados del resto. El rango intercuartílico es estrecho, indicando una dispersión imperceptible en la mayoría de los datos. Además, un dato se visualiza como outlier, lo que refuerza la presencia de valores extremos hacia el extremo inferior. Así, puede decirse que la variable registra valores altos en relación con su intervalo de medición.
En comparación, según la pestaña RESUMEN ESTADISTICO DE LA VARIABLE ALTURA, la variable ALTURA se visualiza más simétrica que la anterior, sin presentar datos atípicos. La mediana muestra una ligera concentración de medidas hacia la mitad superior de los datos, lo que indica que la distribución podría estar levemente sesgada hacia la derecha, pero no de manera significativa. En general, la variable Altura tiene una distribución más equilibrada.
Complementariamente, eL Diagrama de Dispersión ALTURA vs PESO sugiere que hay una relación positiva entre las variables a estudiar, pero también indica una considerable variabilidad entre los individuos del conjunto de datos. Esto significa que aunque en general las personas más altas tienden a pesar más, la altura no es el único factor que determina el peso, y existen otros elementos que contribuyen a esta variabilidad.
summary(Obesity_Dataset$ALTURA)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.450 1.630 1.702 1.703 1.771 1.980
boxplot(Obesity_Dataset$ALTURA, main = "Diagrama de Caja de la Variable ALTURA", col = c("blue"))
summary(Obesity_Dataset$PESO)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 39.00 65.00 82.00 84.74 104.97 173.00
boxplot(Obesity_Dataset$PESO, main = "Diagrama de Caja de la Variable PESO", col = c("orange"))
plot(Obesity_Dataset$ALTURA, Obesity_Dataset$PESO, main = "Diagrama de Dispersión ALTURA vs PESO")
##Formulación del modelo de RLS entre las variables de estudio.
La navegación a través de las pestañas muestra los coeficientes del modelo de regresión lineal simple, su resumen estadístico y su tabla ANOVA. Se menciona de nuevo que las variables de interés son: PESO (variable dependiente) y ALTURA (variable independiente).
Al considerar los resultados presentados en la pestaña Coeficientes del Modelo RLS se puede establer que el modelo de regresión lineal simple que relaciona a las variables de interés, las cuales se resumirán como \(PESO\) y \(ALTURA\), tiene la formulación:\[\hat{PESO}=-141.3135+132.7556\cdot ALTURA\hspace{10mm}(19)\] para este modelo se obvia la interpretación del intercepto por carecer de sentido dado que el PESO resultaría negativa en caso de un valor nulo de laALTURA, y ambas situaciones carecen de sentido. Sin embargo, el coeficiente lineal una correlación de proporcionalidad directa entre las variables de interés,de crecimiento relativamente rapido del PESO por cada unidad marginal de la ALTURA.
Complementariamente, en la pestaña Resumen Estadístico del Modelo RLS se constata que para cualquier nivel de significancia las evidencias estarán a favor de la correlación positiva entre las variables de interés. Además, el coeficiente de determinación está a favor de la correlación estableciendo que el \(24.31\) \(\%\) de la variabilidad del PESO es explicada por la variable ALTURA, esto también queda confirmado a través de la pestaña Tabla ANOVA para el Modelo RLS.
modelo_RL_Simple = lm(Obesity_Dataset$PESO~Obesity_Dataset$ALTURA)
coef(modelo_RL_Simple)
## (Intercept) Obesity_Dataset$ALTURA
## -141.3135 132.7556
summary(modelo_RL_Simple)
##
## Call:
## lm(formula = Obesity_Dataset$PESO ~ Obesity_Dataset$ALTURA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -58.104 -14.944 -2.305 16.240 66.061
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -141.314 8.927 -15.83 <2e-16 ***
## Obesity_Dataset$ALTURA 132.756 5.235 25.36 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 22.16 on 1998 degrees of freedom
## Multiple R-squared: 0.2435, Adjusted R-squared: 0.2431
## F-statistic: 643.2 on 1 and 1998 DF, p-value: < 2.2e-16
anova(modelo_RL_Simple)
## Analysis of Variance Table
##
## Response: Obesity_Dataset$PESO
## Df Sum Sq Mean Sq F value Pr(>F)
## Obesity_Dataset$ALTURA 1 315754 315754 643.18 < 2.2e-16 ***
## Residuals 1998 980865 491
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Análisis del modelo RLS.
La navegación a través de las pestañas muestra el intervalo de confianza para \(\beta_1\) y para la predicción del modelo de regresión lineal simple, ambos al 95 %. Se menciona de nuevo que las variables de interés son: PESO (variable dependiente) y ALTURA (variable independiente).
El análisis del modelo RLS muestra que es significativo y en consecuencia aporta información relevante para estimar la PESO a partir del ALTURA. Esto debido a que el intervalo de confianza para el coeficiente de ALTURA en el modelo RLS excluye al cero:\[122.4897<\beta_1<143.0215\hspace{10mm}(20)\]
Por último, la pestaña Predicciones y sus Intevalos de Predicción muestran los cálculos con base en el modelo, bajo intervalos de predicción al \(95\) \(\%\), de las predicciones de todas las pestañas del conjunto de datos para la variable PESO. Cabe mencionar que estos intervalos resultan más anchos que aquellos calculados con base en intervalos de confianza al mismo nivel de significancia.
confint(modelo_RL_Simple, level = 0.95)
## 2.5 % 97.5 %
## (Intercept) -158.8212 -123.8058
## Obesity_Dataset$ALTURA 122.4897 143.0215
predict(modelo_RL_Simple, data.frame(seq(1,400)), interval='prediction', level = 0.95)
## Warning: 'newdata' had 400 rows but variables found have 2000 rows
## fit lwr upr
## 1 73.75052 30.278523 117.22252
## 2 60.47497 16.970784 103.97915
## 3 97.64653 54.171383 141.12167
## 4 97.64653 54.171383 141.12167
## 5 94.99142 51.520500 138.46233
## 6 73.75052 30.278523 117.22252
## 7 57.81985 14.306333 101.33338
## 8 76.40564 32.937164 119.87411
## 9 94.99142 51.520500 138.46233
## 10 87.02608 43.562032 130.49013
## 11 104.28431 60.794352 147.77426
## 12 87.02608 43.562032 130.49013
## 13 77.73319 34.266121 121.20026
## 14 97.64653 54.171383 141.12167
## 15 93.66386 50.194694 137.13303
## 16 84.37097 40.907270 127.83467
## 17 114.90475 71.378522 158.43099
## 18 61.80252 18.302647 105.30240
## 19 85.69853 42.234772 129.16228
## 20 77.73319 34.266121 121.20026
## 21 77.73319 34.266121 121.20026
## 22 83.04341 39.579525 126.50730
## 23 77.73319 34.266121 121.20026
## 24 71.09541 27.618913 114.57191
## 25 104.28431 60.794352 147.77426
## 26 71.09541 27.618913 114.57191
## 27 84.37097 40.907270 127.83467
## 28 71.09541 27.618913 114.57191
## 29 91.00875 47.542357 134.47514
## 30 81.71586 38.251538 125.18018
## 31 93.66386 50.194694 137.13303
## 32 68.44030 24.958333 111.92227
## 33 93.66386 50.194694 137.13303
## 34 96.31897 52.846062 139.79188
## 35 77.73319 34.266121 121.20026
## 36 57.81985 14.306333 101.33338
## 37 65.78519 22.296785 109.27359
## 38 71.09541 27.618913 114.57191
## 39 77.73319 34.266121 121.20026
## 40 91.00875 47.542357 134.47514
## 41 80.38830 36.923308 123.85330
## 42 81.71586 38.251538 125.18018
## 43 79.06075 35.594836 122.52666
## 44 79.06075 35.594836 122.52666
## 45 98.97408 55.496461 142.45171
## 46 61.80252 18.302647 105.30240
## 47 100.30164 56.821297 143.78198
## 48 91.00875 47.542357 134.47514
## 49 79.06075 35.594836 122.52666
## 50 64.45763 20.965648 107.94962
## 51 72.42297 28.948839 115.89710
## 52 57.81985 14.306333 101.33338
## 53 76.40564 32.937164 119.87411
## 54 75.07808 31.607965 118.54819
## 55 71.09541 27.618913 114.57191
## 56 81.71586 38.251538 125.18018
## 57 84.37097 40.907270 127.83467
## 58 76.40564 32.937164 119.87411
## 59 77.73319 34.266121 121.20026
## 60 92.33631 48.868647 135.80396
## 61 64.45763 20.965648 107.94962
## 62 77.73319 34.266121 121.20026
## 63 80.38830 36.923308 123.85330
## 64 81.71586 38.251538 125.18018
## 65 79.06075 35.594836 122.52666
## 66 73.75052 30.278523 117.22252
## 67 97.64653 54.171383 141.12167
## 68 77.73319 34.266121 121.20026
## 69 92.33631 48.868647 135.80396
## 70 97.64653 54.171383 141.12167
## 71 77.73319 34.266121 121.20026
## 72 80.38830 36.923308 123.85330
## 73 77.73319 34.266121 121.20026
## 74 104.28431 60.794352 147.77426
## 75 84.37097 40.907270 127.83467
## 76 75.07808 31.607965 118.54819
## 77 71.09541 27.618913 114.57191
## 78 84.37097 40.907270 127.83467
## 79 77.73319 34.266121 121.20026
## 80 77.73319 34.266121 121.20026
## 81 75.07808 31.607965 118.54819
## 82 97.64653 54.171383 141.12167
## 83 80.38830 36.923308 123.85330
## 84 71.09541 27.618913 114.57191
## 85 84.37097 40.907270 127.83467
## 86 77.73319 34.266121 121.20026
## 87 104.28431 60.794352 147.77426
## 88 100.30164 56.821297 143.78198
## 89 77.73319 34.266121 121.20026
## 90 84.37097 40.907270 127.83467
## 91 75.07808 31.607965 118.54819
## 92 72.42297 28.948839 115.89710
## 93 94.99142 51.520500 138.46233
## 94 71.09541 27.618913 114.57191
## 95 71.09541 27.618913 114.57191
## 96 84.37097 40.907270 127.83467
## 97 79.06075 35.594836 122.52666
## 98 60.47497 16.970784 103.97915
## 99 60.47497 16.970784 103.97915
## 100 87.02608 43.562032 130.49013
## 101 83.04341 39.579525 126.50730
## 102 84.37097 40.907270 127.83467
## 103 64.45763 20.965648 107.94962
## 104 77.73319 34.266121 121.20026
## 105 65.78519 22.296785 109.27359
## 106 67.11275 23.627680 110.59781
## 107 67.11275 23.627680 110.59781
## 108 108.26697 64.765229 151.76872
## 109 91.00875 47.542357 134.47514
## 110 77.73319 34.266121 121.20026
## 111 91.00875 47.542357 134.47514
## 112 68.44030 24.958333 111.92227
## 113 65.78519 22.296785 109.27359
## 114 57.81985 14.306333 101.33338
## 115 72.42297 28.948839 115.89710
## 116 91.00875 47.542357 134.47514
## 117 77.73319 34.266121 121.20026
## 118 84.37097 40.907270 127.83467
## 119 73.75052 30.278523 117.22252
## 120 75.07808 31.607965 118.54819
## 121 80.38830 36.923308 123.85330
## 122 106.93942 63.441846 150.43699
## 123 91.00875 47.542357 134.47514
## 124 79.06075 35.594836 122.52666
## 125 92.33631 48.868647 135.80396
## 126 91.00875 47.542357 134.47514
## 127 80.38830 36.923308 123.85330
## 128 77.73319 34.266121 121.20026
## 129 87.02608 43.562032 130.49013
## 130 84.37097 40.907270 127.83467
## 131 68.44030 24.958333 111.92227
## 132 73.75052 30.278523 117.22252
## 133 77.73319 34.266121 121.20026
## 134 77.73319 34.266121 121.20026
## 135 93.66386 50.194694 137.13303
## 136 84.37097 40.907270 127.83467
## 137 96.31897 52.846062 139.79188
## 138 71.09541 27.618913 114.57191
## 139 92.33631 48.868647 135.80396
## 140 84.37097 40.907270 127.83467
## 141 109.59453 66.088371 153.10069
## 142 106.93942 63.441846 150.43699
## 143 89.68119 46.215824 133.14656
## 144 81.71586 38.251538 125.18018
## 145 72.42297 28.948839 115.89710
## 146 73.75052 30.278523 117.22252
## 147 65.78519 22.296785 109.27359
## 148 75.07808 31.607965 118.54819
## 149 71.09541 27.618913 114.57191
## 150 80.38830 36.923308 123.85330
## 151 94.99142 51.520500 138.46233
## 152 73.75052 30.278523 117.22252
## 153 57.81985 14.306333 101.33338
## 154 83.04341 39.579525 126.50730
## 155 89.68119 46.215824 133.14656
## 156 81.71586 38.251538 125.18018
## 157 61.80252 18.302647 105.30240
## 158 80.38830 36.923308 123.85330
## 159 64.45763 20.965648 107.94962
## 160 76.40564 32.937164 119.87411
## 161 101.62920 58.145891 145.11250
## 162 77.73319 34.266121 121.20026
## 163 75.07808 31.607965 118.54819
## 164 109.59453 66.088371 153.10069
## 165 93.66386 50.194694 137.13303
## 166 113.57720 70.056346 157.09805
## 167 89.68119 46.215824 133.14656
## 168 77.73319 34.266121 121.20026
## 169 88.35364 44.889049 131.81823
## 170 75.07808 31.607965 118.54819
## 171 87.02608 43.562032 130.49013
## 172 71.09541 27.618913 114.57191
## 173 77.73319 34.266121 121.20026
## 174 89.68119 46.215824 133.14656
## 175 73.75052 30.278523 117.22252
## 176 76.40564 32.937164 119.87411
## 177 67.11275 23.627680 110.59781
## 178 102.95675 59.470243 146.44326
## 179 112.24964 68.733930 155.76535
## 180 73.75052 30.278523 117.22252
## 181 68.44030 24.958333 111.92227
## 182 81.71586 38.251538 125.18018
## 183 81.71586 38.251538 125.18018
## 184 55.16474 11.640915 98.68857
## 185 73.75052 30.278523 117.22252
## 186 73.75052 30.278523 117.22252
## 187 94.99142 51.520500 138.46233
## 188 94.99142 51.520500 138.46233
## 189 94.99142 51.520500 138.46233
## 190 75.07808 31.607965 118.54819
## 191 71.09541 27.618913 114.57191
## 192 91.00875 47.542357 134.47514
## 193 101.62920 58.145891 145.11250
## 194 94.99142 51.520500 138.46233
## 195 71.09541 27.618913 114.57191
## 196 97.64653 54.171383 141.12167
## 197 91.00875 47.542357 134.47514
## 198 91.00875 47.542357 134.47514
## 199 69.76786 26.288744 113.24697
## 200 79.06075 35.594836 122.52666
## 201 75.07808 31.607965 118.54819
## 202 63.13008 19.634268 106.62589
## 203 65.78519 22.296785 109.27359
## 204 83.04341 39.579525 126.50730
## 205 101.62920 58.145891 145.11250
## 206 71.09541 27.618913 114.57191
## 207 91.00875 47.542357 134.47514
## 208 91.00875 47.542357 134.47514
## 209 83.04341 39.579525 126.50730
## 210 83.04341 39.579525 126.50730
## 211 97.64653 54.171383 141.12167
## 212 75.07808 31.607965 118.54819
## 213 57.81985 14.306333 101.33338
## 214 97.64653 54.171383 141.12167
## 215 77.73319 34.266121 121.20026
## 216 81.71586 38.251538 125.18018
## 217 71.09541 27.618913 114.57191
## 218 85.69853 42.234772 129.16228
## 219 57.81985 14.306333 101.33338
## 220 71.09541 27.618913 114.57191
## 221 91.00875 47.542357 134.47514
## 222 87.02608 43.562032 130.49013
## 223 87.02608 43.562032 130.49013
## 224 72.42297 28.948839 115.89710
## 225 75.07808 31.607965 118.54819
## 226 101.62920 58.145891 145.11250
## 227 71.09541 27.618913 114.57191
## 228 73.75052 30.278523 117.22252
## 229 81.71586 38.251538 125.18018
## 230 91.00875 47.542357 134.47514
## 231 110.92209 67.411271 154.43290
## 232 75.07808 31.607965 118.54819
## 233 69.76786 26.288744 113.24697
## 234 81.71586 38.251538 125.18018
## 235 69.76786 26.288744 113.24697
## 236 83.04341 39.579525 126.50730
## 237 79.06075 35.594836 122.52666
## 238 76.40564 32.937164 119.87411
## 239 73.75052 30.278523 117.22252
## 240 84.37097 40.907270 127.83467
## 241 75.07808 31.607965 118.54819
## 242 71.09541 27.618913 114.57191
## 243 75.07808 31.607965 118.54819
## 244 104.28431 60.794352 147.77426
## 245 63.13008 19.634268 106.62589
## 246 76.40564 32.937164 119.87411
## 247 67.11275 23.627680 110.59781
## 248 73.75052 30.278523 117.22252
## 249 87.02608 43.562032 130.49013
## 250 92.33631 48.868647 135.80396
## 251 77.73319 34.266121 121.20026
## 252 80.38830 36.923308 123.85330
## 253 96.31897 52.846062 139.79188
## 254 69.76786 26.288744 113.24697
## 255 76.40564 32.937164 119.87411
## 256 94.99142 51.520500 138.46233
## 257 91.00875 47.542357 134.47514
## 258 104.28431 60.794352 147.77426
## 259 84.37097 40.907270 127.83467
## 260 80.38830 36.923308 123.85330
## 261 87.02608 43.562032 130.49013
## 262 84.37097 40.907270 127.83467
## 263 89.68119 46.215824 133.14656
## 264 89.68119 46.215824 133.14656
## 265 106.93942 63.441846 150.43699
## 266 84.37097 40.907270 127.83467
## 267 77.73319 34.266121 121.20026
## 268 84.37097 40.907270 127.83467
## 269 80.38830 36.923308 123.85330
## 270 87.02608 43.562032 130.49013
## 271 100.30164 56.821297 143.78198
## 272 57.81985 14.306333 101.33338
## 273 84.37097 40.907270 127.83467
## 274 85.69853 42.234772 129.16228
## 275 72.42297 28.948839 115.89710
## 276 57.81985 14.306333 101.33338
## 277 80.38830 36.923308 123.85330
## 278 100.30164 56.821297 143.78198
## 279 67.11275 23.627680 110.59781
## 280 96.31897 52.846062 139.79188
## 281 91.00875 47.542357 134.47514
## 282 84.37097 40.907270 127.83467
## 283 73.75052 30.278523 117.22252
## 284 83.04341 39.579525 126.50730
## 285 93.66386 50.194694 137.13303
## 286 96.31897 52.846062 139.79188
## 287 71.09541 27.618913 114.57191
## 288 71.09541 27.618913 114.57191
## 289 65.78519 22.296785 109.27359
## 290 108.26697 64.765229 151.76872
## 291 100.30164 56.821297 143.78198
## 292 97.64653 54.171383 141.12167
## 293 84.37097 40.907270 127.83467
## 294 100.30164 56.821297 143.78198
## 295 105.61186 62.118220 149.10551
## 296 79.06075 35.594836 122.52666
## 297 61.80252 18.302647 105.30240
## 298 89.68119 46.215824 133.14656
## 299 97.64653 54.171383 141.12167
## 300 84.37097 40.907270 127.83467
## 301 84.37097 40.907270 127.83467
## 302 87.02608 43.562032 130.49013
## 303 102.95675 59.470243 146.44326
## 304 67.11275 23.627680 110.59781
## 305 97.64653 54.171383 141.12167
## 306 91.00875 47.542357 134.47514
## 307 65.78519 22.296785 109.27359
## 308 69.76786 26.288744 113.24697
## 309 97.64653 54.171383 141.12167
## 310 79.06075 35.594836 122.52666
## 311 96.31897 52.846062 139.79188
## 312 87.02608 43.562032 130.49013
## 313 71.09541 27.618913 114.57191
## 314 79.06075 35.594836 122.52666
## 315 77.73319 34.266121 121.20026
## 316 84.37097 40.907270 127.83467
## 317 91.00875 47.542357 134.47514
## 318 91.00875 47.542357 134.47514
## 319 65.78519 22.296785 109.27359
## 320 64.45763 20.965648 107.94962
## 321 80.38830 36.923308 123.85330
## 322 91.00875 47.542357 134.47514
## 323 91.00875 47.542357 134.47514
## 324 97.64653 54.171383 141.12167
## 325 77.73319 34.266121 121.20026
## 326 64.45763 20.965648 107.94962
## 327 84.37097 40.907270 127.83467
## 328 87.02608 43.562032 130.49013
## 329 89.68119 46.215824 133.14656
## 330 77.73319 34.266121 121.20026
## 331 97.64653 54.171383 141.12167
## 332 89.68119 46.215824 133.14656
## 333 104.28431 60.794352 147.77426
## 334 84.37097 40.907270 127.83467
## 335 51.18208 7.640977 94.72317
## 336 84.37097 40.907270 127.83467
## 337 84.37097 40.907270 127.83467
## 338 94.99142 51.520500 138.46233
## 339 71.09541 27.618913 114.57191
## 340 61.80252 18.302647 105.30240
## 341 97.64653 54.171383 141.12167
## 342 71.09541 27.618913 114.57191
## 343 89.68119 46.215824 133.14656
## 344 77.73319 34.266121 121.20026
## 345 106.93942 63.441846 150.43699
## 346 84.37097 40.907270 127.83467
## 347 63.13008 19.634268 106.62589
## 348 97.64653 54.171383 141.12167
## 349 100.30164 56.821297 143.78198
## 350 121.54253 77.985778 165.09929
## 351 91.00875 47.542357 134.47514
## 352 77.73319 34.266121 121.20026
## 353 71.09541 27.618913 114.57191
## 354 71.09541 27.618913 114.57191
## 355 71.09541 27.618913 114.57191
## 356 64.45763 20.965648 107.94962
## 357 110.92209 67.411271 154.43290
## 358 84.37097 40.907270 127.83467
## 359 91.00875 47.542357 134.47514
## 360 65.78519 22.296785 109.27359
## 361 106.93942 63.441846 150.43699
## 362 65.78519 22.296785 109.27359
## 363 77.73319 34.266121 121.20026
## 364 97.64653 54.171383 141.12167
## 365 102.95675 59.470243 146.44326
## 366 84.37097 40.907270 127.83467
## 367 87.02608 43.562032 130.49013
## 368 68.44030 24.958333 111.92227
## 369 81.71586 38.251538 125.18018
## 370 68.44030 24.958333 111.92227
## 371 97.64653 54.171383 141.12167
## 372 73.75052 30.278523 117.22252
## 373 73.75052 30.278523 117.22252
## 374 63.13008 19.634268 106.62589
## 375 92.33631 48.868647 135.80396
## 376 97.64653 54.171383 141.12167
## 377 68.44030 24.958333 111.92227
## 378 92.33631 48.868647 135.80396
## 379 88.35364 44.889049 131.81823
## 380 84.37097 40.907270 127.83467
## 381 84.37097 40.907270 127.83467
## 382 97.64653 54.171383 141.12167
## 383 71.09541 27.618913 114.57191
## 384 84.37097 40.907270 127.83467
## 385 71.09541 27.618913 114.57191
## 386 64.45763 20.965648 107.94962
## 387 69.76786 26.288744 113.24697
## 388 57.81985 14.306333 101.33338
## 389 94.99142 51.520500 138.46233
## 390 72.42297 28.948839 115.89710
## 391 85.69853 42.234772 129.16228
## 392 84.37097 40.907270 127.83467
## 393 92.33631 48.868647 135.80396
## 394 84.37097 40.907270 127.83467
## 395 61.80252 18.302647 105.30240
## 396 63.13008 19.634268 106.62589
## 397 64.45763 20.965648 107.94962
## 398 79.06075 35.594836 122.52666
## 399 104.28431 60.794352 147.77426
## 400 77.73319 34.266121 121.20026
## 401 77.73319 34.266121 121.20026
## 402 101.62920 58.145891 145.11250
## 403 101.62920 58.145891 145.11250
## 404 79.06075 35.594836 122.52666
## 405 94.99142 51.520500 138.46233
## 406 89.68119 46.215824 133.14656
## 407 92.33631 48.868647 135.80396
## 408 59.14741 15.638679 102.65614
## 409 98.97408 55.496461 142.45171
## 410 64.45763 20.965648 107.94962
## 411 101.62920 58.145891 145.11250
## 412 71.09541 27.618913 114.57191
## 413 104.28431 60.794352 147.77426
## 414 91.00875 47.542357 134.47514
## 415 101.62920 58.145891 145.11250
## 416 85.69853 42.234772 129.16228
## 417 102.95675 59.470243 146.44326
## 418 93.66386 50.194694 137.13303
## 419 84.37097 40.907270 127.83467
## 420 73.75052 30.278523 117.22252
## 421 104.28431 60.794352 147.77426
## 422 102.95675 59.470243 146.44326
## 423 91.00875 47.542357 134.47514
## 424 104.28431 60.794352 147.77426
## 425 89.68119 46.215824 133.14656
## 426 72.42297 28.948839 115.89710
## 427 91.00875 47.542357 134.47514
## 428 80.38830 36.923308 123.85330
## 429 84.37097 40.907270 127.83467
## 430 110.92209 67.411271 154.43290
## 431 77.73319 34.266121 121.20026
## 432 71.09541 27.618913 114.57191
## 433 97.64653 54.171383 141.12167
## 434 76.40564 32.937164 119.87411
## 435 109.59453 66.088371 153.10069
## 436 92.33631 48.868647 135.80396
## 437 65.78519 22.296785 109.27359
## 438 71.09541 27.618913 114.57191
## 439 80.38830 36.923308 123.85330
## 440 71.09541 27.618913 114.57191
## 441 64.45763 20.965648 107.94962
## 442 64.45763 20.965648 107.94962
## 443 87.02608 43.562032 130.49013
## 444 87.02608 43.562032 130.49013
## 445 84.37097 40.907270 127.83467
## 446 59.14741 15.638679 102.65614
## 447 101.62920 58.145891 145.11250
## 448 97.64653 54.171383 141.12167
## 449 71.09541 27.618913 114.57191
## 450 75.07808 31.607965 118.54819
## 451 85.69853 42.234772 129.16228
## 452 84.37097 40.907270 127.83467
## 453 91.00875 47.542357 134.47514
## 454 73.75052 30.278523 117.22252
## 455 81.71586 38.251538 125.18018
## 456 104.28431 60.794352 147.77426
## 457 69.76786 26.288744 113.24697
## 458 57.81985 14.306333 101.33338
## 459 83.04341 39.579525 126.50730
## 460 92.33631 48.868647 135.80396
## 461 73.75052 30.278523 117.22252
## 462 85.69853 42.234772 129.16228
## 463 87.02608 43.562032 130.49013
## 464 97.64653 54.171383 141.12167
## 465 114.90475 71.378522 158.43099
## 466 71.09541 27.618913 114.57191
## 467 89.68119 46.215824 133.14656
## 468 89.68119 46.215824 133.14656
## 469 73.75052 30.278523 117.22252
## 470 63.13008 19.634268 106.62589
## 471 65.78519 22.296785 109.27359
## 472 71.09541 27.618913 114.57191
## 473 63.13008 19.634268 106.62589
## 474 75.07808 31.607965 118.54819
## 475 94.99142 51.520500 138.46233
## 476 73.75052 30.278523 117.22252
## 477 85.69853 42.234772 129.16228
## 478 76.40564 32.937164 119.87411
## 479 83.04341 39.579525 126.50730
## 480 68.44030 24.958333 111.92227
## 481 67.11275 23.627680 110.59781
## 482 89.68119 46.215824 133.14656
## 483 68.44030 24.958333 111.92227
## 484 57.81985 14.306333 101.33338
## 485 77.73319 34.266121 121.20026
## 486 97.64653 54.171383 141.12167
## 487 91.00875 47.542357 134.47514
## 488 102.95675 59.470243 146.44326
## 489 108.26697 64.765229 151.76872
## 490 65.78519 22.296785 109.27359
## 491 91.00875 47.542357 134.47514
## 492 79.06075 35.594836 122.52666
## 493 84.37097 40.907270 127.83467
## 494 97.64653 54.171383 141.12167
## 495 80.38830 36.923308 123.85330
## 496 97.64653 54.171383 141.12167
## 497 87.02608 43.562032 130.49013
## 498 65.78519 22.296785 109.27359
## 499 82.55302 39.088995 126.01704
## 500 82.13059 38.666427 125.59475
## 501 74.06874 30.597212 117.54027
## 502 91.75789 48.290812 135.22497
## 503 103.41064 59.922983 146.89830
## 504 90.42462 46.958712 133.89054
## 505 75.20114 31.731192 118.67110
## 506 74.97068 31.500422 118.44094
## 507 93.74511 50.275841 137.21437
## 508 90.17265 46.706935 133.63837
## 509 93.91809 50.448605 137.38757
## 510 91.50791 48.041070 134.97475
## 511 81.11129 37.646692 124.57589
## 512 79.88423 36.418916 123.34954
## 513 85.89328 42.429496 129.35706
## 514 70.83242 27.355425 114.30942
## 515 70.57899 27.101506 114.05648
## 516 67.38622 23.901814 110.87063
## 517 69.36322 25.883260 112.84317
## 518 70.50996 27.032338 113.98758
## 519 71.09541 27.618913 114.57191
## 520 82.78122 39.317267 126.24518
## 521 65.28218 21.792445 108.77191
## 522 66.34263 22.855657 109.82960
## 523 67.04371 23.558479 110.52894
## 524 60.47497 16.970784 103.97915
## 525 64.54366 21.051913 108.03541
## 526 60.60732 17.103582 104.11107
## 527 61.53847 18.037759 105.03918
## 528 60.47497 16.970784 103.97915
## 529 88.78682 45.322003 132.25164
## 530 87.36156 43.897392 130.82572
## 531 88.99511 45.530177 132.46005
## 532 108.63590 65.132955 152.13885
## 533 104.89392 61.402302 148.38554
## 534 102.37834 58.893253 145.86342
## 535 91.73983 48.272775 135.20689
## 536 86.05166 42.587847 129.51547
## 537 83.60962 40.145838 127.07340
## 538 69.35565 25.875677 112.83562
## 539 68.38202 24.899922 111.86412
## 540 66.39162 22.904768 109.87847
## 541 80.47260 37.007658 123.93755
## 542 82.83446 39.370516 126.29840
## 543 79.17226 35.706437 122.63809
## 544 85.72269 42.258930 129.18644
## 545 91.80236 48.335242 135.26948
## 546 88.19884 44.734332 131.66336
## 547 79.32852 35.862808 122.79422
## 548 84.37097 40.907270 127.83467
## 549 79.24700 35.781235 122.71277
## 550 72.53754 29.063600 116.01147
## 551 76.49697 33.028604 119.96534
## 552 77.20615 33.738554 120.67375
## 553 85.77340 42.309636 129.23716
## 554 91.37449 47.907774 134.84121
## 555 83.17710 39.713240 126.64096
## 556 91.45335 47.986558 134.92014
## 557 95.19626 51.725050 138.66747
## 558 91.78179 48.314685 135.24889
## 559 102.51454 59.029128 145.99996
## 560 93.46380 49.994874 136.93272
## 561 94.60749 51.137102 138.07787
## 562 76.51503 33.046680 119.98337
## 563 69.09757 25.617050 112.57810
## 564 100.07171 56.591853 143.55156
## 565 96.84017 53.366412 140.31393
## 566 98.87465 55.397221 142.35208
## 567 93.31007 49.841326 136.77881
## 568 84.31362 40.849916 127.77732
## 569 92.25108 48.783506 135.71865
## 570 89.72036 46.254960 133.18575
## 571 89.59543 46.130122 133.06074
## 572 77.44259 33.975233 120.90995
## 573 93.45610 49.987184 136.92501
## 574 84.37097 40.907270 127.83467
## 575 84.29981 40.836109 127.76352
## 576 90.18434 46.718609 133.65007
## 577 69.80994 26.330914 113.28897
## 578 61.42191 17.920827 104.92300
## 579 61.91868 18.419174 105.41819
## 580 104.05783 60.568476 147.54718
## 581 100.88762 57.406003 144.36924
## 582 105.16487 61.672501 148.65725
## 583 86.44156 42.977669 129.90545
## 584 81.05925 37.594626 124.52387
## 585 86.70760 43.243644 130.17156
## 586 85.79889 42.335121 129.26266
## 587 84.37097 40.907270 127.83467
## 588 84.37097 40.907270 127.83467
## 589 67.61934 24.135486 111.10319
## 590 61.91988 18.420372 105.41938
## 591 61.76588 18.265891 105.26587
## 592 93.34034 49.871559 136.80911
## 593 108.71356 65.210361 152.21677
## 594 100.91962 57.437926 144.40131
## 595 102.97507 59.488517 146.46163
## 596 100.24283 56.762612 143.72305
## 597 97.46664 53.991816 140.94147
## 598 85.80473 42.340962 129.26850
## 599 85.23786 41.774156 128.70157
## 600 86.58679 43.122869 130.05072
## 601 65.17863 21.688618 108.66864
## 602 71.61621 28.140672 115.09175
## 603 71.37181 27.895823 114.84780
## 604 62.83403 19.337338 106.33073
## 605 62.91740 19.420959 106.41385
## 606 60.58940 17.085600 104.09320
## 607 86.73747 43.273506 130.20144
## 608 91.45866 47.991864 134.92545
## 609 84.59002 41.126324 128.05371
## 610 91.45481 47.988017 134.92160
## 611 80.65474 37.189903 124.11958
## 612 70.27857 26.800489 113.75665
## 613 69.07554 25.594965 112.55611
## 614 71.13046 27.654026 114.60689
## 615 64.36616 20.873923 107.85841
## 616 62.38466 18.886593 105.88272
## 617 87.76261 44.298291 131.22693
## 618 106.79750 63.300362 150.29464
## 619 82.63665 39.172656 126.10065
## 620 69.74516 26.265996 113.22431
## 621 78.15920 34.692532 121.62588
## 622 89.69553 46.230152 133.16091
## 623 84.37097 40.907270 127.83467
## 624 82.92938 39.465461 126.39329
## 625 83.20352 39.739664 126.66737
## 626 96.11440 52.641809 139.58698
## 627 99.13844 55.660489 142.61638
## 628 101.63822 58.154898 145.12155
## 629 95.35729 51.885849 138.82873
## 630 91.23324 47.766649 134.69983
## 631 95.86229 52.390096 139.33449
## 632 86.18574 42.721905 129.64957
## 633 63.17986 19.684199 106.67552
## 634 110.48851 66.979239 153.99777
## 635 85.71565 42.251895 129.17941
## 636 84.92761 41.463921 128.39131
## 637 65.33528 21.845690 108.82487
## 638 103.67350 60.185160 147.16184
## 639 102.24478 58.760023 145.72954
## 640 87.27221 43.808079 130.73634
## 641 71.82836 28.353195 115.30352
## 642 61.83783 18.338071 105.33760
## 643 86.87872 43.414718 130.34273
## 644 91.85015 48.382987 135.31732
## 645 93.70687 50.237654 137.17609
## 646 93.32918 49.860421 136.79795
## 647 84.93160 41.467904 128.39529
## 648 80.10314 36.637973 123.56832
## 649 87.35279 43.888633 130.81695
## 650 69.50845 26.028801 112.98810
## 651 70.91115 27.434300 114.38800
## 652 70.08368 26.605213 113.56215
## 653 65.22470 21.734808 108.71458
## 654 70.62625 27.148859 114.10365
## 655 70.88207 27.405171 114.35898
## 656 75.51830 32.048754 118.98784
## 657 65.72771 22.239152 109.21626
## 658 63.99976 20.506482 107.49304
## 659 66.64823 23.162027 110.13444
## 660 60.47497 16.970784 103.97915
## 661 71.02718 27.550548 114.50380
## 662 65.67713 22.188439 109.16581
## 663 60.92979 17.427108 104.43247
## 664 60.47497 16.970784 103.97915
## 665 82.96920 39.505297 126.43311
## 666 89.34307 45.877918 132.80821
## 667 88.63189 45.167161 132.09663
## 668 106.81967 63.322465 150.31688
## 669 104.43339 60.943035 147.92375
## 670 95.95575 52.483413 139.42809
## 671 96.02518 52.552736 139.49763
## 672 86.03241 42.568601 129.49621
## 673 84.22680 40.763089 127.69051
## 674 62.28164 18.783257 105.78002
## 675 66.84471 23.358992 110.33043
## 676 63.69601 20.201865 107.19016
## 677 80.46158 36.996633 123.92654
## 678 81.23077 37.766231 124.69531
## 679 80.04367 36.578460 123.50888
## 680 84.38557 40.921874 127.84927
## 681 91.84909 48.381926 135.31626
## 682 84.84677 41.383075 128.31046
## 683 83.13993 39.676060 126.60380
## 684 86.17167 42.707835 129.63550
## 685 80.69497 37.230151 124.15979
## 686 79.11996 35.654091 122.58582
## 687 75.12839 31.658346 118.59844
## 688 78.45180 34.985385 121.91821
## 689 88.73358 45.268797 132.19837
## 690 90.21487 46.749119 133.68062
## 691 92.06522 48.597838 135.53260
## 692 95.88858 52.416342 139.36082
## 693 93.27329 49.804596 136.74199
## 694 84.29623 40.832524 127.75993
## 695 100.99861 57.516739 144.48047
## 696 96.75906 53.285433 140.23268
## 697 94.59169 51.121325 138.06205
## 698 72.35593 28.881684 115.83017
## 699 94.71648 51.245945 138.18701
## 700 85.82438 42.360607 129.28815
## 701 104.83684 61.345376 148.32830
## 702 100.50263 57.021856 143.98341
## 703 92.61151 49.143556 136.07946
## 704 88.65990 45.195158 132.12465
## 705 92.32741 48.859761 135.79506
## 706 89.86400 46.398502 133.32949
## 707 88.51228 45.047612 131.97695
## 708 90.77377 47.307578 134.23997
## 709 91.92012 48.452881 135.38735
## 710 84.55391 41.090214 128.01760
## 711 84.36513 40.901428 127.82883
## 712 87.46789 44.003690 130.93209
## 713 69.22170 25.741442 112.70196
## 714 61.12892 17.626890 104.63095
## 715 60.92235 17.419649 104.42506
## 716 103.58721 60.099093 147.07532
## 717 104.72572 61.234565 148.21687
## 718 104.90905 61.417395 148.40072
## 719 87.11105 43.646968 130.57512
## 720 84.92416 41.460470 128.38786
## 721 86.68888 43.224931 130.15283
## 722 85.48691 42.023185 128.95064
## 723 92.79630 49.328150 136.26446
## 724 84.37097 40.907270 127.83467
## 725 67.64602 24.162232 111.12982
## 726 62.82992 19.333210 106.32662
## 727 62.36315 18.865020 105.86128
## 728 92.38011 48.912410 135.84782
## 729 103.20620 59.719062 146.69334
## 730 105.13474 61.642450 148.62703
## 731 101.51529 58.032251 144.99833
## 732 100.57830 57.097363 144.05924
## 733 98.53732 55.060537 142.01410
## 734 85.33464 41.870928 128.79836
## 735 85.44722 41.983495 128.91095
## 736 89.59411 46.128795 133.05942
## 737 67.64204 24.158240 111.12584
## 738 68.56244 25.080741 112.04413
## 739 71.55143 28.075770 115.02709
## 740 62.51276 19.015095 106.01043
## 741 62.01626 18.517055 105.51546
## 742 61.23048 17.728777 104.73218
## 743 87.00312 43.539072 130.46716
## 744 87.36421 43.900046 130.82837
## 745 89.50888 46.043623 132.97413
## 746 99.81018 56.330871 143.28949
## 747 76.15141 32.682641 119.62018
## 748 99.46236 55.983764 142.94095
## 749 84.00297 40.539243 127.46670
## 750 73.41452 29.942003 116.88704
## 751 105.02017 61.528202 148.51214
## 752 87.27221 43.808079 130.73634
## 753 104.99495 61.503049 148.48685
## 754 83.88455 40.420812 127.34830
## 755 91.22527 47.758691 134.69186
## 756 84.15139 40.687678 127.61511
## 757 76.80005 33.332023 120.26808
## 758 72.90992 29.436595 116.38324
## 759 71.81282 28.337635 115.28801
## 760 61.78048 18.280540 105.28043
## 761 64.45763 20.965648 107.94962
## 762 88.52104 45.056369 131.98572
## 763 74.97108 31.500821 118.44134
## 764 73.75052 30.278523 117.22252
## 765 73.75052 30.278523 117.22252
## 766 75.54153 32.072016 119.01104
## 767 91.32617 47.859495 134.79284
## 768 100.06613 56.586289 143.54597
## 769 98.85474 55.377347 142.33213
## 770 85.63002 42.166279 129.09377
## 771 72.03559 28.560792 115.51038
## 772 86.88523 43.421221 130.34924
## 773 101.80934 58.325620 145.29307
## 774 71.09541 27.618913 114.57191
## 775 91.64770 48.180730 135.11467
## 776 94.78525 51.314618 138.25588
## 777 85.64025 42.176500 129.10399
## 778 80.99473 37.530074 124.45939
## 779 91.71461 48.247575 135.18165
## 780 85.44244 41.978716 128.90617
## 781 98.56878 55.091941 142.04562
## 782 71.05519 27.578612 114.53176
## 783 87.27872 43.814582 130.74285
## 784 86.03785 42.574043 129.50166
## 785 64.62862 21.137112 108.12013
## 786 71.60546 28.129899 115.08102
## 787 69.58160 26.102102 113.06110
## 788 80.85056 37.385825 124.31529
## 789 105.42919 61.936070 148.92231
## 790 70.28481 26.806740 113.76287
## 791 73.75052 30.278523 117.22252
## 792 73.26809 29.795344 116.74084
## 793 76.05994 32.591064 119.52882
## 794 64.55362 21.061897 108.04533
## 795 71.09541 27.618913 114.57191
## 796 100.36417 56.883691 143.84464
## 797 78.72833 35.262149 122.19451
## 798 91.29059 47.823948 134.75723
## 799 105.24426 61.751665 148.73686
## 800 92.33631 48.868647 135.80396
## 801 77.02720 33.559412 120.49498
## 802 89.30483 45.839708 132.76995
## 803 58.86238 15.352645 102.37212
## 804 98.98205 55.504411 142.45969
## 805 97.88416 54.408590 141.35973
## 806 74.53259 31.061727 118.00345
## 807 76.45476 32.986340 119.92317
## 808 96.45797 52.984835 139.93110
## 809 81.62373 38.159367 125.08809
## 810 73.10600 29.632992 116.57900
## 811 73.28150 29.808773 116.75422
## 812 99.87457 56.395124 143.35401
## 813 99.30226 55.823983 142.78053
## 814 93.42902 49.960134 136.89790
## 815 107.06301 63.565063 150.56097
## 816 106.10107 62.606004 149.59613
## 817 80.41844 36.953462 123.88342
## 818 86.66605 43.202103 130.12999
## 819 91.05641 47.589975 134.52284
## 820 85.37420 41.910486 128.83792
## 821 80.71302 37.248216 124.17783
## 822 81.18205 37.717486 124.64661
## 823 72.58745 29.113600 116.06130
## 824 72.60298 29.129158 116.07681
## 825 73.75052 30.278523 117.22252
## 826 59.00244 15.493199 102.51168
## 827 65.93242 22.444393 109.42044
## 828 65.08530 21.595039 108.57556
## 829 88.37780 44.913199 131.84240
## 830 90.19111 46.725374 133.65684
## 831 73.75052 30.278523 117.22252
## 832 73.75052 30.278523 117.22252
## 833 73.75052 30.278523 117.22252
## 834 73.75052 30.278523 117.22252
## 835 73.75052 30.278523 117.22252
## 836 76.73832 33.270224 120.20642
## 837 83.45230 39.988496 126.91611
## 838 91.28953 47.822887 134.75617
## 839 90.34935 46.883498 133.81521
## 840 100.38700 56.906476 143.86753
## 841 98.61963 55.142689 142.09656
## 842 97.64653 54.171383 141.12167
## 843 99.53896 56.060209 143.01771
## 844 84.39500 40.931300 127.85870
## 845 71.71897 28.243609 115.19432
## 846 72.55572 29.081818 116.02963
## 847 91.60575 48.138819 135.07268
## 848 91.39958 47.932842 134.86632
## 849 105.60217 62.108557 149.09579
## 850 110.40076 66.891797 153.90971
## 851 71.80088 28.325666 115.27609
## 852 92.15416 48.686694 135.62163
## 853 91.72921 48.262164 135.19626
## 854 94.97575 51.504856 138.44665
## 855 85.97214 42.508340 129.43593
## 856 81.18670 37.722135 124.65126
## 857 84.37097 40.907270 127.83467
## 858 93.11611 49.647596 136.58463
## 859 90.47109 47.005140 133.93704
## 860 83.06943 39.605551 126.53332
## 861 99.96710 56.487461 143.44673
## 862 68.56828 25.086595 112.04996
## 863 78.00985 34.543045 121.47666
## 864 77.13725 33.669583 120.60492
## 865 85.42877 41.965043 128.89249
## 866 52.02454 8.487278 95.56181
## 867 57.62882 14.114588 101.14305
## 868 71.56019 28.084547 115.03583
## 869 65.52565 22.036567 109.01474
## 870 64.45763 20.965648 107.94962
## 871 77.40316 33.935765 120.87056
## 872 105.05150 61.559445 148.54356
## 873 104.71218 61.221061 148.20330
## 874 67.22041 23.735605 110.70521
## 875 73.36872 29.896131 116.84131
## 876 76.94369 33.475820 120.41157
## 877 72.27880 28.804421 115.75317
## 878 77.46383 33.996496 120.93117
## 879 74.39187 30.920807 117.86293
## 880 58.91734 15.407801 102.42689
## 881 60.33119 16.826529 103.83585
## 882 71.09541 27.618913 114.57191
## 883 102.79625 59.310142 146.28236
## 884 88.40395 44.939339 131.86857
## 885 92.21908 48.751545 135.68662
## 886 91.70625 48.239220 135.17327
## 887 98.19069 54.714562 141.66682
## 888 99.44762 55.969058 142.92619
## 889 91.87830 48.411104 135.34549
## 890 91.90804 48.440812 135.37526
## 891 73.75052 30.278523 117.22252
## 892 85.64343 42.179686 129.10718
## 893 62.54834 19.050782 106.04590
## 894 100.14871 56.668689 143.62872
## 895 99.98847 56.508790 143.46815
## 896 75.95320 32.484200 119.42221
## 897 73.93797 30.466255 117.40969
## 898 98.02767 54.551838 141.50350
## 899 83.86663 40.402888 127.33038
## 900 83.65847 40.194699 127.12224
## 901 73.50466 30.032284 116.97704
## 902 105.18851 61.696065 148.68095
## 903 89.45830 45.993076 132.92352
## 904 89.58734 46.122029 133.05264
## 905 98.64724 55.170249 142.12423
## 906 104.20797 60.718223 147.69772
## 907 86.02683 42.563026 129.49064
## 908 91.46954 48.002739 134.93635
## 909 86.68517 43.221215 130.14912
## 910 81.39366 37.929199 124.85812
## 911 81.67935 38.215015 125.14369
## 912 71.21675 27.740478 114.69302
## 913 73.45169 29.979232 116.92415
## 914 72.45071 28.976632 115.92480
## 915 72.76229 29.288729 116.23585
## 916 64.21575 20.723088 107.70842
## 917 66.90578 23.420209 110.39135
## 918 62.11078 18.611871 105.60969
## 919 88.38006 44.915455 131.84466
## 920 88.37581 44.911208 131.84041
## 921 74.73238 31.261802 118.20297
## 922 73.75052 30.278523 117.22252
## 923 73.75052 30.278523 117.22252
## 924 73.75052 30.278523 117.22252
## 925 76.23889 32.770230 119.70756
## 926 81.82976 38.365489 125.29404
## 927 92.12018 48.652743 135.58761
## 928 100.64322 57.162138 144.12430
## 929 99.69216 56.213095 143.17122
## 930 84.11196 40.648246 127.57568
## 931 71.99948 28.524619 115.47434
## 932 72.46638 28.992324 115.94044
## 933 85.75362 42.289858 129.21738
## 934 86.53343 43.069514 129.99734
## 935 102.25514 58.770353 145.73992
## 936 72.66485 29.191126 116.13857
## 937 71.09541 27.618913 114.57191
## 938 91.48375 48.016931 134.95057
## 939 89.99503 46.529438 133.46062
## 940 94.41074 50.940622 137.88087
## 941 86.26314 42.799285 129.72699
## 942 83.52505 40.061259 126.98884
## 943 78.95083 35.484828 122.41682
## 944 94.50646 51.036211 137.97671
## 945 93.37260 49.903780 136.84141
## 946 84.70498 41.241292 128.16867
## 947 99.52927 56.050537 143.00800
## 948 71.08745 27.610932 114.56396
## 949 79.86033 36.395004 123.32566
## 950 84.58126 41.117562 128.04495
## 951 86.14233 42.678502 129.60615
## 952 56.41384 12.894981 99.93270
## 953 60.21835 16.713307 103.72339
## 954 73.29026 29.817549 116.76297
## 955 69.71688 26.237661 113.19610
## 956 81.13333 37.668741 124.59791
## 957 107.47854 63.979301 150.97778
## 958 68.54186 25.060118 112.02360
## 959 73.75052 30.278523 117.22252
## 960 72.94350 29.470237 116.41677
## 961 73.57568 30.103418 117.04795
## 962 76.07866 32.609805 119.54751
## 963 66.65129 23.165088 110.13749
## 964 63.43913 19.944235 106.93403
## 965 71.09541 27.618913 114.57191
## 966 71.11984 27.643385 114.59629
## 967 94.14922 50.679437 137.61899
## 968 77.20482 33.737226 120.67242
## 969 77.75310 34.286054 121.22016
## 970 91.14535 47.678843 134.61187
## 971 102.72655 59.240618 146.21249
## 972 100.89227 57.410639 144.37390
## 973 92.33631 48.868647 135.80396
## 974 74.04803 30.576472 117.51959
## 975 88.35311 44.888519 131.81769
## 976 87.72079 44.256490 131.18509
## 977 63.26801 19.772610 106.76341
## 978 94.16382 50.694021 137.63362
## 979 91.62341 48.156459 135.09036
## 980 80.96274 37.498063 124.42741
## 981 87.02608 43.562032 130.49013
## 982 112.67990 69.162551 156.19725
## 983 89.41356 45.948366 132.87875
## 984 84.86057 41.396881 128.32426
## 985 86.53595 43.072036 129.99986
## 986 77.73319 34.266121 121.20026
## 987 68.24913 24.766734 111.73153
## 988 95.10373 51.632652 138.57480
## 989 100.72221 57.240955 144.20346
## 990 61.16981 17.667911 104.67171
## 991 55.38804 11.865114 98.91096
## 992 93.47508 50.006145 136.94402
## 993 67.09655 23.611445 110.58165
## 994 66.87219 23.386540 110.35784
## 995 96.65445 53.180994 140.12790
## 996 97.02404 53.549970 140.49810
## 997 84.37602 40.912315 127.83972
## 998 80.20895 36.743846 123.67405
## 999 84.37097 40.907270 127.83467
## 1000 86.20632 42.742478 129.67015
## 1001 84.37097 40.907270 127.83467
## 1002 102.34355 58.858555 145.82855
## 1003 84.37097 40.907270 127.83467
## 1004 84.37097 40.907270 127.83467
## 1005 84.37097 40.907270 127.83467
## 1006 79.04442 35.578494 122.51034
## 1007 102.55092 59.065414 146.03642
## 1008 100.25040 56.770163 143.73063
## 1009 86.73070 43.266738 130.19466
## 1010 96.56683 53.093518 140.04014
## 1011 84.37097 40.907270 127.83467
## 1012 81.85923 38.394972 125.32350
## 1013 79.16111 35.695277 122.62694
## 1014 93.56682 50.097768 137.03586
## 1015 93.02504 49.556630 136.49345
## 1016 77.73319 34.266121 121.20026
## 1017 78.36471 34.898221 121.83120
## 1018 77.43688 33.969519 120.90424
## 1019 83.21640 39.752544 126.68025
## 1020 62.18711 18.688443 105.68579
## 1021 66.48720 23.000592 109.97381
## 1022 57.81985 14.306333 101.33338
## 1023 58.76322 15.253123 102.27331
## 1024 84.46921 41.005513 127.93291
## 1025 86.37797 42.914094 129.84184
## 1026 83.89610 40.432363 127.35984
## 1027 78.14314 34.676454 121.60983
## 1028 81.96039 38.496171 125.42462
## 1029 78.02552 34.558725 121.49231
## 1030 104.10947 60.619981 147.59896
## 1031 102.38298 58.897888 145.86808
## 1032 65.78904 22.300645 109.27743
## 1033 73.88965 30.417860 117.36144
## 1034 84.30114 40.837437 127.76485
## 1035 90.41507 46.949161 133.88097
## 1036 87.07640 43.612330 130.54046
## 1037 92.17527 48.707781 135.64276
## 1038 85.02253 41.558838 128.48623
## 1039 83.21892 39.755067 126.68277
## 1040 95.82645 52.354307 139.29859
## 1041 85.11666 41.652958 128.58036
## 1042 88.81018 45.345355 132.27501
## 1043 84.55643 41.092737 128.02012
## 1044 74.44563 30.974649 117.91662
## 1045 63.81988 20.326083 107.31367
## 1046 103.37785 59.890277 146.86543
## 1047 85.14268 41.678976 128.60638
## 1048 84.92071 41.457018 128.38440
## 1049 85.17839 41.714686 128.64209
## 1050 103.34745 59.859953 146.83495
## 1051 108.39867 64.896496 151.90084
## 1052 87.92537 44.460980 131.38976
## 1053 88.61384 45.149116 132.07856
## 1054 91.17841 47.711870 134.64495
## 1055 95.05089 51.579890 138.52189
## 1056 104.28431 60.794352 147.77426
## 1057 95.68719 52.215257 139.15912
## 1058 86.87275 43.408746 130.33675
## 1059 61.83545 18.335674 105.33522
## 1060 79.71483 36.249405 123.18026
## 1061 80.83078 37.366034 124.29552
## 1062 87.76779 44.303466 131.23211
## 1063 88.86807 45.403203 132.33293
## 1064 81.17860 37.714032 124.64316
## 1065 95.81955 52.347414 139.29168
## 1066 86.83146 43.367471 130.29545
## 1067 113.51653 69.995917 157.03714
## 1068 85.38164 41.917919 128.84536
## 1069 78.84741 35.381328 122.31349
## 1070 62.70778 19.210706 106.20486
## 1071 98.37124 54.894773 141.84771
## 1072 60.60878 17.105047 104.11252
## 1073 90.30953 46.843702 133.77535
## 1074 61.69937 18.199170 105.19957
## 1075 97.61228 54.137193 141.08736
## 1076 81.89030 38.426049 125.35455
## 1077 85.28858 41.824865 128.75229
## 1078 79.52659 36.061024 122.99215
## 1079 91.30944 47.842783 134.77610
## 1080 89.06295 45.597975 132.52793
## 1081 84.37097 40.907270 127.83467
## 1082 84.37097 40.907270 127.83467
## 1083 75.58175 32.112292 119.05122
## 1084 105.18160 61.689181 148.67402
## 1085 94.23869 50.768798 137.70859
## 1086 84.37097 40.907270 127.83467
## 1087 86.96090 43.496869 130.42493
## 1088 78.82205 35.355951 122.28815
## 1089 78.69182 35.225611 122.15803
## 1090 86.14299 42.679166 129.60682
## 1091 81.34122 37.876736 124.80571
## 1092 81.45699 37.992552 124.92142
## 1093 86.72366 43.259704 130.18763
## 1094 56.02553 12.505149 99.54591
## 1095 58.26844 14.756560 101.78031
## 1096 86.89080 43.426795 130.35481
## 1097 82.82490 39.360955 126.28884
## 1098 79.83166 36.366309 123.29701
## 1099 102.74979 59.263792 146.23578
## 1100 78.18868 34.722031 121.65532
## 1101 84.34681 40.883107 127.81051
## 1102 86.77345 43.309473 130.23742
## 1103 88.53804 45.073353 132.00272
## 1104 84.32676 40.863060 127.79047
## 1105 84.18856 40.724852 127.65228
## 1106 100.80146 57.320035 144.28289
## 1107 85.53152 42.067786 128.99525
## 1108 80.05230 36.587095 123.51750
## 1109 69.52186 26.042237 113.00148
## 1110 102.29616 58.811276 145.78104
## 1111 85.53922 42.075485 129.00295
## 1112 81.84742 38.383152 125.31169
## 1113 102.32895 58.843987 145.81391
## 1114 90.05543 46.589798 133.52106
## 1115 89.83944 46.373960 133.30492
## 1116 92.29927 48.831647 135.76689
## 1117 99.05586 55.578078 142.53364
## 1118 92.74798 49.279880 136.21608
## 1119 63.57322 20.078710 107.06772
## 1120 77.97374 34.506902 121.44059
## 1121 88.68446 45.219704 132.14922
## 1122 85.21384 41.750129 128.67754
## 1123 95.08156 51.610513 138.55260
## 1124 92.16200 48.694519 135.62948
## 1125 84.97806 41.514367 128.44176
## 1126 86.56741 43.103491 130.03133
## 1127 111.43081 67.918142 154.94347
## 1128 90.01813 46.552521 133.48373
## 1129 90.70859 47.242449 134.17473
## 1130 86.63273 43.168790 130.09666
## 1131 77.73319 34.266121 121.20026
## 1132 68.16430 24.681710 111.64689
## 1133 90.48503 47.019069 133.95099
## 1134 103.10955 59.622660 146.59645
## 1135 60.20919 16.704116 103.71426
## 1136 55.60071 12.078643 99.12278
## 1137 92.19983 48.732315 135.66735
## 1138 66.10832 22.620747 109.59589
## 1139 64.06813 20.575046 107.56121
## 1140 96.64223 53.168800 140.11566
## 1141 95.59612 52.124324 139.06791
## 1142 84.39965 40.935946 127.86334
## 1143 80.66722 37.202389 124.13206
## 1144 84.37097 40.907270 127.83467
## 1145 87.20504 43.740928 130.66914
## 1146 84.37097 40.907270 127.83467
## 1147 98.06192 54.586026 141.53781
## 1148 84.37363 40.909925 127.83733
## 1149 84.37097 40.907270 127.83467
## 1150 86.17631 42.712481 129.64015
## 1151 79.42290 35.957267 122.88854
## 1152 102.61145 59.125802 146.09711
## 1153 98.74442 55.267240 142.22159
## 1154 86.29699 42.833131 129.76085
## 1155 96.77711 53.303458 140.25077
## 1156 84.43722 40.973518 127.90091
## 1157 83.70679 40.243029 127.17056
## 1158 82.89884 39.434919 126.36277
## 1159 80.83888 37.374136 124.30361
## 1160 93.59735 50.128265 137.06644
## 1161 77.73319 34.266121 121.20026
## 1162 79.41507 35.949429 122.88071
## 1163 81.53133 38.066928 124.99573
## 1164 83.63059 40.166817 127.09437
## 1165 58.54165 15.030760 102.05253
## 1166 58.53501 15.024098 102.04592
## 1167 56.68360 13.165785 100.20141
## 1168 59.06882 15.559811 102.57783
## 1169 82.38561 38.921538 125.84968
## 1170 87.43391 43.969718 130.89810
## 1171 83.96660 40.502864 127.43033
## 1172 81.19745 37.732893 124.66200
## 1173 81.85140 38.387136 125.31567
## 1174 78.27311 34.806539 121.73968
## 1175 103.05074 59.563998 146.53749
## 1176 102.42666 58.941458 145.91186
## 1177 65.35891 21.869383 108.84844
## 1178 69.64838 26.169017 113.12774
## 1179 84.45421 40.990511 127.91790
## 1180 90.20359 46.737844 133.66933
## 1181 90.03353 46.567910 133.49914
## 1182 91.59832 48.131392 135.06524
## 1183 86.93873 43.474706 130.40275
## 1184 82.01496 38.550755 125.47916
## 1185 97.63352 54.158396 141.10864
## 1186 85.62259 42.158846 129.08633
## 1187 91.33480 47.868116 134.80148
## 1188 82.50536 39.041321 125.96939
## 1189 71.09528 27.618780 114.57178
## 1190 64.46467 20.972703 107.95664
## 1191 101.37590 57.893177 144.85862
## 1192 86.14724 42.683413 129.61107
## 1193 81.81728 38.353005 125.28156
## 1194 85.11228 41.648577 128.57598
## 1195 103.20261 59.715486 146.68974
## 1196 102.29111 58.806243 145.77599
## 1197 87.66849 44.204206 131.13277
## 1198 82.39650 38.932427 125.86057
## 1199 91.02163 47.555223 134.48803
## 1200 92.06562 48.598236 135.53300
## 1201 104.14691 60.657318 147.63649
## 1202 96.21184 52.739099 139.68458
## 1203 86.58494 43.121010 130.04886
## 1204 64.47383 20.981889 107.96577
## 1205 79.48264 36.017051 122.94824
## 1206 81.62280 38.158437 125.08716
## 1207 88.24438 44.779845 131.70891
## 1208 86.91364 43.449622 130.37765
## 1209 82.68843 39.224445 126.15241
## 1210 93.98898 50.519406 137.45855
## 1211 102.57402 59.088457 146.05958
## 1212 95.57249 52.100728 139.04425
## 1213 96.65179 53.178343 140.12524
## 1214 65.33103 21.841430 108.82063
## 1215 69.17670 25.696342 112.65705
## 1216 67.01105 23.525742 110.49637
## 1217 68.96376 25.482943 112.44457
## 1218 73.91421 30.442456 117.38597
## 1219 72.21056 28.736067 115.68505
## 1220 88.81018 45.345355 132.27501
## 1221 77.73319 34.266121 121.20026
## 1222 77.74009 34.273031 121.20716
## 1223 76.95803 33.490173 120.42589
## 1224 65.71868 22.230101 109.20726
## 1225 88.91612 45.451233 132.38101
## 1226 94.43583 50.965680 137.90599
## 1227 76.46219 32.993783 119.93060
## 1228 77.73319 34.266121 121.20026
## 1229 91.44963 47.982845 134.91642
## 1230 64.85935 21.368475 108.35023
## 1231 85.23720 41.773493 128.70091
## 1232 65.87121 22.383034 109.35940
## 1233 80.83330 37.368558 124.29804
## 1234 79.10376 35.637882 122.56964
## 1235 95.83017 52.358018 139.30231
## 1236 92.02977 48.562428 135.49712
## 1237 85.98568 42.521879 129.44947
## 1238 94.99142 51.520500 138.46233
## 1239 71.09541 27.618913 114.57191
## 1240 72.53183 29.057882 116.00577
## 1241 79.75094 36.285539 123.21635
## 1242 63.41179 19.916807 106.90676
## 1243 58.86424 15.354510 102.37398
## 1244 79.18753 35.721716 122.65334
## 1245 64.87276 21.381920 108.36360
## 1246 95.25056 51.779268 138.72184
## 1247 91.00875 47.542357 134.47514
## 1248 73.20012 29.727266 116.67297
## 1249 96.76742 53.293783 140.24106
## 1250 104.91888 61.427191 148.41057
## 1251 82.46367 38.999623 125.92772
## 1252 85.21304 41.749333 128.67675
## 1253 96.50682 53.033610 139.98003
## 1254 91.50207 48.035234 134.96890
## 1255 95.05819 51.587181 138.52920
## 1256 100.28398 56.803679 143.76429
## 1257 96.47483 53.001668 139.94799
## 1258 100.42510 56.944495 143.90571
## 1259 74.78761 31.317104 118.25812
## 1260 75.35926 31.889510 118.82900
## 1261 94.14098 50.671217 137.61075
## 1262 114.95998 71.433519 158.48644
## 1263 117.21550 73.679324 160.75167
## 1264 72.53807 29.064132 116.01200
## 1265 59.57249 16.065246 103.07974
## 1266 89.47741 46.012180 132.94265
## 1267 66.83595 23.350208 110.32169
## 1268 69.44207 25.962284 112.92187
## 1269 100.35275 56.872299 143.83320
## 1270 96.61621 53.142823 140.08960
## 1271 101.22695 57.744565 144.70933
## 1272 80.39600 36.931013 123.86099
## 1273 76.32373 32.855160 119.79229
## 1274 82.10297 38.638804 125.56714
## 1275 72.33283 28.858545 115.80711
## 1276 83.10143 39.637553 126.56530
## 1277 84.39274 40.929043 127.85644
## 1278 71.19365 27.717335 114.66997
## 1279 97.89186 54.416276 141.36745
## 1280 103.58747 60.099358 147.07559
## 1281 99.18676 55.708716 142.66480
## 1282 95.98987 52.517478 139.46226
## 1283 96.20069 52.727965 139.67341
## 1284 62.24911 18.750632 105.74759
## 1285 68.55421 25.072492 112.03592
## 1286 77.25394 33.786396 120.72149
## 1287 76.90825 33.440336 120.37616
## 1288 75.65450 32.185133 119.12388
## 1289 71.74499 28.269676 115.22030
## 1290 78.39179 34.925327 121.85826
## 1291 84.63462 41.170931 128.09831
## 1292 77.73319 34.266121 121.20026
## 1293 78.79457 35.328448 122.26070
## 1294 75.70044 32.231124 119.16975
## 1295 74.83487 31.364429 118.30531
## 1296 65.49419 22.005020 108.98336
## 1297 65.81161 22.323272 109.29994
## 1298 91.05973 47.593291 134.52616
## 1299 91.41777 47.951013 134.88453
## 1300 77.73319 34.266121 121.20026
## 1301 77.73478 34.267716 121.20185
## 1302 77.73319 34.266121 121.20026
## 1303 75.71955 32.250264 119.18885
## 1304 93.68059 50.211401 137.14978
## 1305 92.09588 48.628474 135.56330
## 1306 70.45354 26.975806 113.93127
## 1307 66.81484 23.329048 110.30063
## 1308 84.74600 41.282314 128.20970
## 1309 89.10490 45.639901 132.56990
## 1310 74.94665 31.476361 118.41694
## 1311 73.13786 29.664904 116.61081
## 1312 80.61465 37.149788 124.07951
## 1313 81.26383 37.799303 124.72835
## 1314 84.37070 40.907004 127.83441
## 1315 87.39581 43.931631 130.85998
## 1316 80.47685 37.011909 123.94179
## 1317 96.31791 52.845002 139.79082
## 1318 93.50907 50.040090 136.97805
## 1319 92.47012 49.002323 135.93792
## 1320 94.99142 51.520500 138.46233
## 1321 99.00263 55.524948 142.48031
## 1322 72.21972 28.745243 115.69420
## 1323 75.12547 31.655422 118.59553
## 1324 74.84709 31.376659 118.31751
## 1325 71.84707 28.371947 115.32220
## 1326 66.84365 23.357927 110.32937
## 1327 64.24562 20.753043 107.73820
## 1328 81.96212 38.497898 125.42634
## 1329 82.83578 39.371844 126.29973
## 1330 68.05730 24.574465 111.54014
## 1331 69.33653 25.856520 112.81655
## 1332 85.78030 42.316538 129.24407
## 1333 87.20982 43.745706 130.67393
## 1334 74.33027 30.859120 117.80142
## 1335 74.12051 30.649063 117.59196
## 1336 105.00557 61.513640 148.49750
## 1337 105.12266 61.630403 148.61491
## 1338 81.94407 38.479836 125.40830
## 1339 87.40895 43.944769 130.87313
## 1340 97.56767 54.092666 141.04268
## 1341 100.28505 56.804738 143.76535
## 1342 96.34181 52.868860 139.81475
## 1343 95.49350 52.021856 138.96514
## 1344 95.50996 52.038293 138.98163
## 1345 103.51671 60.028782 147.00465
## 1346 75.29872 31.828895 118.76854
## 1347 77.67385 34.206722 121.14098
## 1348 91.63416 48.167202 135.10112
## 1349 92.67019 49.202171 136.13820
## 1350 116.59407 73.060641 160.12750
## 1351 120.96677 77.412904 164.52064
## 1352 69.27679 25.796653 112.75693
## 1353 70.88938 27.412486 114.36627
## 1354 84.78225 41.318556 128.24594
## 1355 85.29973 41.836016 128.76344
## 1356 61.33416 17.832793 104.83553
## 1357 58.08444 14.571889 101.59698
## 1358 95.57581 52.104042 139.04757
## 1359 96.67569 53.202200 140.14917
## 1360 99.51201 56.033314 142.99071
## 1361 96.24211 52.769319 139.71490
## 1362 82.63240 39.168406 126.09640
## 1363 84.80362 41.339930 128.26731
## 1364 79.83046 36.365114 123.29581
## 1365 79.95154 36.486268 123.41681
## 1366 77.73319 34.266121 121.20026
## 1367 77.65872 34.191573 121.12586
## 1368 84.63675 41.173055 128.10044
## 1369 83.55054 40.086752 127.01433
## 1370 74.14866 30.677248 117.62007
## 1371 75.56596 32.096474 119.03544
## 1372 102.51454 59.029128 145.99996
## 1373 97.42801 53.953252 140.90277
## 1374 100.89001 57.408387 144.37164
## 1375 101.68017 58.196751 145.16360
## 1376 101.61685 58.133574 145.10013
## 1377 100.80014 57.318711 144.28156
## 1378 102.27200 58.787172 145.75682
## 1379 95.50930 52.037630 138.98096
## 1380 95.26582 51.794513 138.73713
## 1381 95.12842 51.657309 138.59953
## 1382 65.51211 22.022990 109.00123
## 1383 65.81944 22.331125 109.30776
## 1384 70.64218 27.164820 114.11955
## 1385 73.87399 30.402171 117.34580
## 1386 67.30086 23.816248 110.78547
## 1387 69.01407 25.533366 112.49477
## 1388 68.77524 25.294019 112.25647
## 1389 67.48327 23.999090 110.96744
## 1390 74.80036 31.329866 118.27084
## 1391 73.87505 30.403235 117.34686
## 1392 72.83703 29.363594 116.31047
## 1393 74.66123 31.190546 118.13191
## 1394 88.11242 44.647948 131.57689
## 1395 88.71128 45.246506 132.17606
## 1396 77.73319 34.266121 121.20026
## 1397 77.73319 34.266121 121.20026
## 1398 80.27281 36.807741 123.73787
## 1399 80.27360 36.808538 123.73867
## 1400 72.56342 29.089531 116.03732
## 1401 77.69814 34.231040 121.16525
## 1402 62.15339 18.654618 105.65217
## 1403 61.04489 17.542583 104.54719
## 1404 84.58789 41.124200 128.05159
## 1405 87.54662 44.082384 131.01085
## 1406 93.59536 50.126276 137.06444
## 1407 94.64838 51.177935 138.11882
## 1408 77.01100 33.543199 120.47880
## 1409 76.55817 33.089874 120.02647
## 1410 76.78956 33.321524 120.25761
## 1411 77.73319 34.266121 121.20026
## 1412 94.62647 51.156060 138.09688
## 1413 99.59750 56.118634 143.07637
## 1414 65.65310 22.164348 109.14185
## 1415 65.25788 21.768086 108.74768
## 1416 78.23116 34.764551 121.69776
## 1417 81.73856 38.274248 125.20287
## 1418 64.80917 21.318156 108.30018
## 1419 65.81373 22.325402 109.30206
## 1420 80.78113 37.316357 124.24590
## 1421 81.72356 38.259241 125.18788
## 1422 79.69160 36.226156 123.15705
## 1423 80.19621 36.731093 123.66132
## 1424 95.69316 52.221222 139.16510
## 1425 95.08766 51.616611 138.55872
## 1426 91.14761 47.681098 134.61413
## 1427 91.18996 47.723410 134.65651
## 1428 86.66260 43.198652 130.12654
## 1429 89.86612 46.400625 133.33162
## 1430 96.59776 53.124400 140.07112
## 1431 95.78224 52.310167 139.25432
## 1432 72.29924 28.824900 115.77358
## 1433 71.62152 28.145991 115.09705
## 1434 71.82490 28.349737 115.30007
## 1435 72.04886 28.574090 115.52364
## 1436 79.28842 35.822686 122.75416
## 1437 78.49547 35.029099 121.96185
## 1438 64.35900 20.866734 107.85126
## 1439 64.42418 20.932100 107.91626
## 1440 61.67773 18.177462 105.17800
## 1441 60.10962 16.604213 103.61503
## 1442 78.70363 35.237436 122.16983
## 1443 80.82467 37.359924 124.28942
## 1444 68.64302 25.161502 112.12453
## 1445 66.14682 22.659345 109.63429
## 1446 95.15749 51.686341 138.62865
## 1447 94.40517 50.935054 137.87528
## 1448 90.56335 47.097332 134.02938
## 1449 89.86081 46.395318 133.32631
## 1450 67.35330 23.868812 110.83778
## 1451 69.63869 26.159306 113.11807
## 1452 98.07732 54.601397 141.55324
## 1453 96.67024 53.196766 140.14372
## 1454 107.20360 63.705218 150.70199
## 1455 105.48654 61.993257 148.97983
## 1456 83.34105 39.877227 126.80488
## 1457 82.11413 38.649959 125.57829
## 1458 89.46839 46.003159 132.93361
## 1459 83.70308 40.239312 127.16684
## 1460 95.75051 52.278486 139.22254
## 1461 90.01308 46.547480 133.47868
## 1462 98.06232 54.586424 141.53821
## 1463 94.28038 50.810428 137.75033
## 1464 95.29264 51.821291 138.76399
## 1465 95.09643 51.625360 138.56749
## 1466 96.33902 52.866077 139.81196
## 1467 100.12123 56.641266 143.60118
## 1468 98.55285 55.076040 142.02966
## 1469 99.13193 55.653997 142.60986
## 1470 99.20481 55.726735 142.68289
## 1471 97.61719 54.142096 141.09228
## 1472 75.42391 31.954245 118.89357
## 1473 74.19884 30.727503 117.67018
## 1474 73.57608 30.103816 117.04835
## 1475 73.23079 29.757981 116.70359
## 1476 93.57465 50.105592 137.04371
## 1477 98.57967 55.102806 142.05653
## 1478 108.60324 65.100404 152.10608
## 1479 108.15334 64.651957 151.65471
## 1480 115.07242 71.545495 158.59935
## 1481 105.79215 62.297983 149.28631
## 1482 66.73187 23.245871 110.21787
## 1483 66.49756 23.010973 109.98414
## 1484 59.94487 16.438904 103.45084
## 1485 64.43268 20.940620 107.92473
## 1486 86.24853 42.784685 129.71238
## 1487 87.44970 43.985510 130.91390
## 1488 66.16872 22.681305 109.65613
## 1489 58.16621 14.653965 101.67846
## 1490 63.78549 20.291601 107.27938
## 1491 70.07532 26.596833 113.55380
## 1492 96.01802 52.545579 139.49045
## 1493 95.35278 51.881342 138.82421
## 1494 97.31769 53.843124 140.79226
## 1495 98.11476 54.638766 141.59075
## 1496 97.80902 54.333586 141.28446
## 1497 101.52817 58.045098 145.01124
## 1498 83.43013 39.966322 126.89394
## 1499 80.19647 36.731359 123.66158
## 1500 78.12761 34.660908 121.59431
## 1501 79.23028 35.764495 122.69606
## 1502 76.64247 33.174268 120.11068
## 1503 80.88839 37.423681 124.35311
## 1504 73.37775 29.905172 116.85032
## 1505 71.37805 27.902074 114.85402
## 1506 84.55855 41.094861 128.02225
## 1507 85.66281 42.199066 129.12656
## 1508 84.21551 40.751803 127.67922
## 1509 85.07511 41.611407 128.53880
## 1510 72.80929 29.335802 116.28277
## 1511 71.82145 28.346279 115.29663
## 1512 98.19879 54.722645 141.67494
## 1513 95.66343 52.191530 139.13532
## 1514 91.79546 48.328345 135.26257
## 1515 96.02718 52.554725 139.49963
## 1516 85.01842 41.554723 128.48212
## 1517 83.75326 40.289500 127.21702
## 1518 112.06485 68.549830 155.57986
## 1519 100.20818 56.728037 143.68832
## 1520 94.09651 50.626801 137.56622
## 1521 94.28078 50.810826 137.75073
## 1522 94.15028 50.680498 137.62006
## 1523 96.78043 53.306771 140.25409
## 1524 101.04374 57.561775 144.52571
## 1525 109.00284 65.498677 152.50700
## 1526 91.00875 47.542357 134.47514
## 1527 107.47973 63.980492 150.97898
## 1528 91.80090 48.333783 135.26802
## 1529 91.94720 48.479936 135.41446
## 1530 91.00875 47.542357 134.47514
## 1531 84.90571 41.442017 128.36940
## 1532 104.15195 60.662350 147.64155
## 1533 103.22080 59.733628 146.70798
## 1534 72.88642 29.413059 116.35978
## 1535 77.44392 33.976562 120.91127
## 1536 92.11593 48.648499 135.58336
## 1537 92.12363 48.656191 135.59107
## 1538 80.49106 37.026122 123.95599
## 1539 79.80219 36.336818 123.26756
## 1540 112.80536 69.287523 156.32319
## 1541 110.86739 67.356772 154.37801
## 1542 91.00875 47.542357 134.47514
## 1543 91.00875 47.542357 134.47514
## 1544 94.15028 50.680498 137.62006
## 1545 96.71697 53.243419 140.19053
## 1546 101.04374 57.561775 144.52571
## 1547 101.26797 57.785493 144.75044
## 1548 94.38287 50.912781 137.85295
## 1549 93.26228 49.793591 136.73096
## 1550 91.56871 48.101815 135.03561
## 1551 91.67200 48.205002 135.13899
## 1552 90.75691 47.290732 134.22309
## 1553 88.78509 45.320278 132.24991
## 1554 104.27767 60.787733 147.76761
## 1555 104.23134 60.741525 147.72115
## 1556 71.90071 28.425675 115.37574
## 1557 72.61334 29.139531 116.08715
## 1558 92.71957 49.251502 136.18764
## 1559 91.79705 48.329937 135.26417
## 1560 95.92761 52.455312 139.39991
## 1561 93.03433 49.565913 136.50276
## 1562 87.85965 44.395295 131.32401
## 1563 89.13039 45.665375 132.59541
## 1564 84.34349 40.879788 127.80719
## 1565 84.79605 41.332362 128.25974
## 1566 111.82761 68.313483 155.34174
## 1567 112.38067 68.864463 155.89688
## 1568 95.52894 52.057249 139.00064
## 1569 95.51102 52.039354 138.98269
## 1570 106.12735 62.632213 149.62249
## 1571 99.27398 55.795763 142.75219
## 1572 91.02866 47.562253 134.49507
## 1573 99.68393 56.204881 143.16298
## 1574 93.27582 49.807116 136.74452
## 1575 92.66302 49.195010 136.13102
## 1576 94.86517 51.394426 138.33591
## 1577 95.08846 51.617406 138.55952
## 1578 107.27356 63.774964 150.77217
## 1579 97.80902 54.333586 141.28446
## 1580 107.85517 64.354742 151.35559
## 1581 94.40464 50.934524 137.87475
## 1582 93.09168 49.623198 136.56017
## 1583 92.30604 48.838410 135.77366
## 1584 100.77226 57.290894 144.25362
## 1585 106.79644 63.299303 150.29358
## 1586 93.86432 50.394906 137.33374
## 1587 93.95460 50.485066 137.42412
## 1588 105.38153 61.888546 148.87452
## 1589 101.70832 58.224829 145.19181
## 1590 93.11107 49.642558 136.57958
## 1591 93.70077 50.231555 137.16998
## 1592 80.85175 37.387021 124.31648
## 1593 84.81517 41.351479 128.27886
## 1594 103.34254 59.855054 146.83002
## 1595 94.93128 51.460446 138.40211
## 1596 107.38654 63.887588 150.88549
## 1597 91.79227 48.325162 135.25938
## 1598 73.43921 29.966734 116.91169
## 1599 77.00529 33.537484 120.47310
## 1600 84.54143 41.077735 128.00512
## 1601 78.91604 35.450018 122.38207
## 1602 92.24656 48.778997 135.71413
## 1603 92.12151 48.654069 135.58894
## 1604 74.05546 30.583917 117.52701
## 1605 74.18570 30.714341 117.65705
## 1606 113.42572 69.905471 156.94598
## 1607 112.68136 69.164006 156.19872
## 1608 91.00875 47.542357 134.47514
## 1609 91.00875 47.542357 134.47514
## 1610 95.65440 52.182516 139.12628
## 1611 96.65524 53.181789 140.12870
## 1612 101.59694 58.113706 145.08017
## 1613 97.17060 53.696283 140.64492
## 1614 91.00875 47.542357 134.47514
## 1615 92.65346 49.185462 136.12145
## 1616 101.06074 57.578730 144.54274
## 1617 102.91679 59.430383 146.40320
## 1618 90.92976 47.463435 134.39608
## 1619 91.00875 47.542357 134.47514
## 1620 104.28404 60.794088 147.77400
## 1621 104.28165 60.791704 147.77160
## 1622 72.14936 28.674761 115.62396
## 1623 71.52368 28.047973 114.99939
## 1624 93.75188 50.282603 137.22115
## 1625 92.07584 48.608448 135.54323
## 1626 95.92031 52.448021 139.39259
## 1627 93.90773 50.438263 137.37720
## 1628 87.34416 43.880007 130.80832
## 1629 84.55510 41.091409 128.01880
## 1630 84.02859 40.564868 127.49232
## 1631 83.88840 40.424663 127.35214
## 1632 112.14317 68.627861 155.65848
## 1633 112.13083 68.615562 155.64609
## 1634 97.82814 54.352668 141.30361
## 1635 105.65063 62.156873 149.14438
## 1636 100.23991 56.759698 143.72012
## 1637 96.74034 53.266745 140.21393
## 1638 91.02866 47.562253 134.49507
## 1639 91.66669 48.199696 135.13368
## 1640 94.07739 50.607709 137.54708
## 1641 94.02642 50.556796 137.49604
## 1642 96.04457 52.572088 139.51704
## 1643 95.69197 52.220029 139.16391
## 1644 99.97931 56.499649 143.45897
## 1645 103.41078 59.923116 146.89844
## 1646 107.53934 64.039913 151.03877
## 1647 97.15958 53.685284 140.63388
## 1648 91.83462 48.367470 135.30177
## 1649 91.95556 48.488292 135.42283
## 1650 109.47558 65.969827 152.98134
## 1651 106.84954 63.352244 150.34684
## 1652 91.95848 48.491209 135.42576
## 1653 92.93158 49.463276 136.39989
## 1654 94.29777 50.827797 137.76774
## 1655 93.65497 50.185811 137.12412
## 1656 92.35954 48.891855 135.82722
## 1657 92.73842 49.270332 136.20651
## 1658 81.65147 38.187124 125.11582
## 1659 84.28521 40.821505 127.74892
## 1660 104.19231 60.702599 147.68202
## 1661 106.59558 63.099050 150.09211
## 1662 106.55974 63.063313 150.05616
## 1663 104.09221 60.602769 147.58165
## 1664 73.72530 30.253261 117.19734
## 1665 77.44206 33.974702 120.90941
## 1666 73.63476 30.162584 117.10694
## 1667 76.65389 33.185698 120.12208
## 1668 95.97102 52.498656 139.44338
## 1669 92.11792 48.650489 135.58536
## 1670 92.88591 49.417660 136.35417
## 1671 93.29029 49.821569 136.75900
## 1672 81.42645 37.962004 124.89090
## 1673 80.18625 36.721130 123.65137
## 1674 82.44097 38.976915 125.90502
## 1675 83.65967 40.195894 127.12344
## 1676 109.07798 65.573565 152.58239
## 1677 112.91342 69.395168 156.43167
## 1678 103.21005 59.722902 146.69720
## 1679 106.69077 63.193949 150.18759
## 1680 91.23284 47.766251 134.69943
## 1681 91.71673 48.249697 135.18377
## 1682 91.56858 48.101683 135.03548
## 1683 92.43056 48.962804 135.89832
## 1684 91.79705 48.329937 135.26417
## 1685 93.01827 49.549868 136.48667
## 1686 96.08519 52.612648 139.55773
## 1687 93.28166 49.812950 136.75037
## 1688 102.96193 59.475407 146.44845
## 1689 100.95227 57.470511 144.43404
## 1690 101.41559 57.932780 144.89840
## 1691 101.56667 58.083508 145.04983
## 1692 94.90181 51.431015 138.37260
## 1693 95.14263 51.671493 138.61376
## 1694 92.88936 49.421108 136.35762
## 1695 91.64545 48.178476 135.11241
## 1696 91.87286 48.405666 135.34004
## 1697 91.90777 48.440547 135.37499
## 1698 91.59805 48.131127 135.06498
## 1699 91.69138 48.224365 135.15839
## 1700 85.26588 41.802166 128.72959
## 1701 90.05955 46.593911 133.52518
## 1702 81.86189 38.397628 125.32615
## 1703 85.12529 41.661586 128.58899
## 1704 104.21886 60.729080 147.70864
## 1705 104.73209 61.240920 148.22326
## 1706 103.95640 60.467320 147.44548
## 1707 106.98456 63.486845 150.48227
## 1708 72.12918 28.654547 115.60381
## 1709 71.50576 28.030019 114.98150
## 1710 73.76499 30.293015 117.23697
## 1711 72.50886 29.034877 115.98285
## 1712 92.15284 48.685368 135.62031
## 1713 92.76896 49.300832 136.23708
## 1714 92.88565 49.417395 136.35390
## 1715 91.79997 48.332855 135.26709
## 1716 95.44026 51.968700 138.91183
## 1717 95.85858 52.386385 139.33077
## 1718 93.21594 49.747313 136.68457
## 1719 93.06168 49.593229 136.53013
## 1720 92.14115 48.673697 135.60861
## 1721 92.14235 48.674891 135.60981
## 1722 90.74523 47.279059 134.21140
## 1723 90.34152 46.875672 133.80737
## 1724 84.57887 41.115173 128.04256
## 1725 83.89464 40.430903 127.35838
## 1726 81.78078 38.316482 125.24507
## 1727 84.81132 41.347629 128.27501
## 1728 107.96588 64.465107 151.46666
## 1729 112.20172 68.686186 155.71725
## 1730 112.14184 68.626539 155.65715
## 1731 112.33885 68.822804 155.85490
## 1732 94.87672 51.405960 138.34747
## 1733 93.32998 49.861216 136.79875
## 1734 95.51620 52.044524 138.98788
## 1735 93.28418 49.815469 136.75289
## 1736 99.79677 56.317491 143.27605
## 1737 102.94892 59.462430 146.43541
## 1738 104.07455 60.585159 147.56395
## 1739 101.67128 58.187877 145.15468
## 1740 91.02003 47.553631 134.48644
## 1741 92.81184 49.343665 136.28001
## 1742 99.84323 56.363859 143.32261
## 1743 98.36938 54.892918 141.84585
## 1744 93.68032 50.211136 137.14951
## 1745 94.02761 50.557989 137.49723
## 1746 92.76311 49.294997 136.23123
## 1747 93.20546 49.736838 136.67407
## 1748 94.08616 50.616459 137.55585
## 1749 92.34029 48.872625 135.80795
## 1750 95.00323 51.532298 138.47417
## 1751 93.25843 49.789745 136.72711
## 1752 108.94655 65.442576 152.45053
## 1753 101.40033 57.917548 144.88310
## 1754 98.47320 54.996538 141.94986
## 1755 99.36160 55.883206 142.83999
## 1756 105.57429 62.080758 149.06783
## 1757 106.29688 62.801241 149.79252
## 1758 95.47053 51.998923 138.94214
## 1759 96.95978 53.485825 140.43374
## 1760 92.28944 48.821833 135.75705
## 1761 94.13129 50.661538 137.60105
## 1762 91.45043 47.983640 134.91721
## 1763 92.47809 49.010280 135.94590
## 1764 104.13097 60.641430 147.62052
## 1765 103.33006 59.842607 146.81751
## 1766 101.02502 57.543099 144.50695
## 1767 105.87472 62.380317 149.36912
## 1768 92.86560 49.397371 136.33383
## 1769 92.53796 49.070089 136.00583
## 1770 93.93535 50.465841 137.40485
## 1771 93.90508 50.435611 137.37454
## 1772 97.45802 53.983202 140.93283
## 1773 96.13126 52.658643 139.60387
## 1774 98.07228 54.596362 141.54819
## 1775 102.50432 59.018931 145.98971
## 1776 92.72408 49.256010 136.19216
## 1777 91.38883 47.922098 134.85556
## 1778 93.42955 49.960665 136.89843
## 1779 93.25073 49.782054 136.71940
## 1780 71.56019 28.084547 115.03583
## 1781 83.07820 39.614315 126.54208
## 1782 86.08418 42.620366 129.54800
## 1783 83.80477 40.341016 127.26852
## 1784 101.62535 58.142050 145.10864
## 1785 103.79178 60.303136 147.28043
## 1786 94.32538 50.855373 137.79539
## 1787 96.27649 52.803648 139.74933
## 1788 104.63797 61.147054 148.12888
## 1789 107.27941 63.780787 150.77802
## 1790 100.24190 56.761685 143.72211
## 1791 99.70610 56.227006 143.18519
## 1792 72.96395 29.490715 116.43718
## 1793 72.34570 28.871444 115.81996
## 1794 77.75828 34.291236 121.22533
## 1795 78.24775 34.781160 121.71434
## 1796 78.68000 35.213785 122.14622
## 1797 77.03636 33.568582 120.50413
## 1798 79.16177 35.695941 122.62761
## 1799 83.24388 39.780030 126.70772
## 1800 72.61706 29.143254 116.09086
## 1801 69.07514 25.594566 112.55571
## 1802 96.63467 53.161246 140.10808
## 1803 97.94616 54.470474 141.42184
## 1804 78.57221 35.105897 122.03852
## 1805 71.19657 27.720262 114.67288
## 1806 81.53770 38.073304 125.00210
## 1807 81.47703 38.012607 124.94146
## 1808 78.48061 35.014218 121.94699
## 1809 83.70082 40.237055 127.16459
## 1810 74.11839 30.646936 117.58984
## 1811 68.95659 25.475759 112.43742
## 1812 88.22686 44.762330 131.69138
## 1813 79.67434 36.208886 123.13980
## 1814 90.71310 47.246959 134.17925
## 1815 88.36864 44.904043 131.83323
## 1816 90.56428 47.098261 134.03031
## 1817 86.94178 43.477758 130.40581
## 1818 75.39364 31.923938 118.86334
## 1819 76.74708 33.278995 120.21517
## 1820 78.38037 34.913900 121.84685
## 1821 74.75509 31.284534 118.22564
## 1822 89.18681 45.721762 132.65186
## 1823 89.29036 45.825247 132.75548
## 1824 68.56881 25.087127 112.05049
## 1825 72.04169 28.566909 115.51648
## 1826 100.50954 57.028745 143.99033
## 1827 101.32784 57.845230 144.81045
## 1828 78.59663 35.130345 122.06292
## 1829 76.10362 32.634793 119.57244
## 1830 80.34861 36.883590 123.81363
## 1831 80.21692 36.751816 123.68202
## 1832 80.20802 36.742916 123.67313
## 1833 83.12493 39.661056 126.58880
## 1834 74.07153 30.600004 117.54305
## 1835 76.84798 33.380000 120.31595
## 1836 88.80275 45.337924 132.26758
## 1837 90.78479 47.318588 134.25099
## 1838 99.36744 55.889035 142.84584
## 1839 98.62095 55.144014 142.09789
## 1840 90.43047 46.964549 133.89638
## 1841 91.44233 47.975550 134.90911
## 1842 75.36921 31.899479 118.83895
## 1843 76.55140 33.083096 120.01971
## 1844 76.50401 33.035648 119.97237
## 1845 73.56108 30.088792 117.03337
## 1846 91.99672 48.529405 135.46403
## 1847 92.78011 49.311971 136.24824
## 1848 72.43439 28.960275 115.90850
## 1849 79.65324 36.187763 123.11871
## 1850 71.36424 27.888242 114.84024
## 1851 75.46254 31.992926 118.93215
## 1852 93.80232 50.332987 137.27166
## 1853 96.25990 52.787080 139.73271
## 1854 97.87832 54.402759 141.35388
## 1855 95.94659 52.474267 139.41892
## 1856 76.95538 33.487515 120.42324
## 1857 76.85103 33.383056 120.31900
## 1858 74.24265 30.771375 117.71392
## 1859 72.50740 29.033414 115.98139
## 1860 75.01051 31.540302 118.48071
## 1861 82.34884 38.884752 125.81292
## 1862 79.71656 36.251132 123.18199
## 1863 78.48273 35.016343 121.94912
## 1864 79.88304 36.417720 123.34835
## 1865 85.36770 41.903981 128.83142
## 1866 91.56287 48.095980 135.02976
## 1867 86.25517 42.791322 129.71902
## 1868 74.33332 30.862178 117.80446
## 1869 76.25111 32.782458 119.71976
## 1870 73.91580 30.444052 117.38756
## 1871 74.21703 30.745717 117.68834
## 1872 89.17871 45.713668 132.64376
## 1873 88.74540 45.280606 132.21019
## 1874 83.22263 39.758785 126.68648
## 1875 75.75009 32.280836 119.21934
## 1876 90.48583 47.019865 133.95179
## 1877 90.54795 47.081945 134.01396
## 1878 90.54623 47.080220 134.01224
## 1879 91.15717 47.690648 134.62369
## 1880 89.81581 46.350346 133.28127
## 1881 90.81400 47.347770 134.28022
## 1882 83.67082 40.207047 127.13459
## 1883 80.98769 37.523034 124.45235
## 1884 75.25491 31.785028 118.72479
## 1885 76.66026 33.192077 120.12844
## 1886 76.42223 32.953778 119.89068
## 1887 77.62407 34.156890 121.09124
## 1888 71.54731 28.071647 115.02298
## 1889 76.96308 33.495223 120.43093
## 1890 74.93324 31.462935 118.40355
## 1891 74.81509 31.344622 118.28556
## 1892 86.78447 43.320489 130.24844
## 1893 85.51015 42.046414 128.97388
## 1894 87.68760 44.223315 131.15189
## 1895 89.68000 46.214630 133.14537
## 1896 66.91932 23.433784 110.40486
## 1897 68.42610 24.944096 111.90810
## 1898 95.35172 51.880281 138.82315
## 1899 96.82663 53.352894 140.30037
## 1900 79.00194 35.535979 122.46789
## 1901 78.77134 35.305197 122.23748
## 1902 82.25777 38.793652 125.72188
## 1903 82.24024 38.776122 125.70436
## 1904 86.56423 43.100306 130.02814
## 1905 81.81702 38.352739 125.28130
## 1906 74.18902 30.717665 117.66037
## 1907 75.32447 31.854683 118.79427
## 1908 90.67407 47.207961 134.14018
## 1909 95.31707 51.845683 138.78845
## 1910 98.95696 55.479369 142.43455
## 1911 98.13467 54.658642 141.61070
## 1912 90.42489 46.958978 133.89080
## 1913 91.14655 47.680037 134.61306
## 1914 75.28345 31.813608 118.75330
## 1915 75.86200 32.392887 119.33112
## 1916 73.34894 29.876319 116.82156
## 1917 74.79664 31.326144 118.26713
## 1918 92.88857 49.420312 136.35682
## 1919 92.84702 49.378806 136.31523
## 1920 72.26472 28.790325 115.73912
## 1921 72.48775 29.013733 115.96177
## 1922 73.91395 30.442191 117.38570
## 1923 76.72319 33.255073 120.19130
## 1924 97.90978 54.434165 141.38540
## 1925 96.00222 52.529805 139.47463
## 1926 97.84274 54.367245 141.31824
## 1927 98.65228 55.175285 142.12928
## 1928 77.74979 34.282732 121.21684
## 1929 78.08818 34.621443 121.55492
## 1930 79.54292 36.077365 123.00847
## 1931 74.78841 31.317901 118.25891
## 1932 80.22501 36.759919 123.69011
## 1933 76.68416 33.216000 120.15231
## 1934 78.73815 35.271981 122.20432
## 1935 76.81864 33.350629 120.28665
## 1936 81.12669 37.662099 124.59128
## 1937 79.24860 35.782830 122.71436
## 1938 86.11445 42.650629 129.57827
## 1939 87.01281 43.548761 130.47685
## 1940 74.10910 30.637629 117.58056
## 1941 74.07816 30.606652 117.54968
## 1942 73.60011 30.127882 117.07234
## 1943 71.21556 27.739281 114.69183
## 1944 88.43807 44.973439 131.90270
## 1945 88.31633 44.851763 131.78090
## 1946 81.40680 37.942348 124.87126
## 1947 76.07693 32.608077 119.54579
## 1948 89.51087 46.045613 132.97612
## 1949 89.83957 46.374092 133.30505
## 1950 96.69507 53.221550 140.16859
## 1951 99.03077 55.553037 142.50850
## 1952 90.15765 46.691945 133.62336
## 1953 90.73819 47.272029 134.20436
## 1954 85.89235 42.428567 129.35613
## 1955 82.44362 38.979570 125.90768
## 1956 76.30620 32.837616 119.77479
## 1957 78.36829 34.901809 121.83478
## 1958 76.56614 33.097848 120.03443
## 1959 76.82607 33.358071 120.29407
## 1960 75.17499 31.705005 118.64498
## 1961 77.71553 34.248448 121.18262
## 1962 72.89744 29.424096 116.37078
## 1963 74.75044 31.279881 118.22100
## 1964 87.90307 44.438687 131.36744
## 1965 87.22203 43.757915 130.68614
## 1966 90.06632 46.600676 133.53196
## 1967 89.32448 45.859344 132.78961
## 1968 74.30013 30.828941 117.77132
## 1969 76.94701 33.479142 120.41488
## 1970 70.10360 26.625166 113.58202
## 1971 72.12214 28.647499 115.59679
## 1972 99.93935 56.459774 143.41893
## 1973 98.81013 55.332827 142.28743
## 1974 99.93404 56.454474 143.41360
## 1975 100.26553 56.785265 143.74580
## 1976 78.59146 35.125163 122.05775
## 1977 77.48666 34.019352 120.95398
## 1978 74.10936 30.637895 117.58083
## 1979 76.48609 33.017706 119.95446
## 1980 82.18077 38.716627 125.64491
## 1981 80.26072 36.795652 123.72580
## 1982 80.87485 37.410132 124.33957
## 1983 80.24639 36.781306 123.71147
## 1984 84.50319 41.039500 127.96689
## 1985 88.89687 45.431995 132.36175
## 1986 85.47165 42.007919 128.93537
## 1987 86.56104 43.097120 130.02496
## 1988 74.40766 30.936627 117.87870
## 1989 70.40190 26.924063 113.87973
## 1990 74.61383 31.143087 118.08458
## 1991 74.35801 30.886906 117.82912
## 1992 88.23402 44.769495 131.69855
## 1993 89.12495 45.659935 132.58996
## 1994 90.81280 47.346576 134.27903
## 1995 90.86949 47.403215 134.33576
## 1996 94.72206 51.251513 138.19260
## 1997 89.67456 46.209191 133.13992
## 1998 99.88585 56.406385 143.36531
## 1999 97.67308 54.197887 141.14827
## 2000 90.54012 47.074118 134.00613
predict(modelo_RL_Simple, data.frame(seq(1,400)), interval='confidence', level = 0.95)
## Warning: 'newdata' had 400 rows but variables found have 2000 rows
## fit lwr upr
## 1 73.75052 72.45960 75.04145
## 2 60.47497 58.36180 62.58814
## 3 97.64653 96.25373 99.03933
## 4 97.64653 96.25373 99.03933
## 5 94.99142 93.73751 96.24532
## 6 73.75052 72.45960 75.04145
## 7 57.81985 55.52242 60.11729
## 8 76.40564 75.23960 77.57167
## 9 94.99142 93.73751 96.24532
## 10 87.02608 86.03852 88.01364
## 11 104.28431 102.48770 106.08092
## 12 87.02608 86.03852 88.01364
## 13 77.73319 76.62062 78.84576
## 14 97.64653 96.25373 99.03933
## 15 93.66386 92.47219 94.85553
## 16 84.37097 83.39891 85.34303
## 17 114.90475 112.37800 117.43151
## 18 61.80252 59.77996 63.82508
## 19 85.69853 84.72408 86.67297
## 20 77.73319 76.62062 78.84576
## 21 77.73319 76.62062 78.84576
## 22 83.04341 82.06294 84.02389
## 23 77.73319 76.62062 78.84576
## 24 71.09541 69.66095 72.52987
## 25 104.28431 102.48770 106.08092
## 26 71.09541 69.66095 72.52987
## 27 84.37097 83.39891 85.34303
## 28 71.09541 69.66095 72.52987
## 29 91.00875 89.92297 92.09453
## 30 81.71586 80.71644 82.71527
## 31 93.66386 92.47219 94.85553
## 32 68.44030 66.84871 70.03189
## 33 93.66386 92.47219 94.85553
## 34 96.31897 94.99778 97.64016
## 35 77.73319 76.62062 78.84576
## 36 57.81985 55.52242 60.11729
## 37 65.78519 64.02651 67.54387
## 38 71.09541 69.66095 72.52987
## 39 77.73319 76.62062 78.84576
## 40 91.00875 89.92297 92.09453
## 41 80.38830 79.36000 81.41661
## 42 81.71586 80.71644 82.71527
## 43 79.06075 77.99441 80.12708
## 44 79.06075 77.99441 80.12708
## 45 98.97408 97.50598 100.44218
## 46 61.80252 59.77996 63.82508
## 47 100.30164 98.75509 101.84819
## 48 91.00875 89.92297 92.09453
## 49 79.06075 77.99441 80.12708
## 50 64.45763 62.61251 66.30276
## 51 72.42297 71.06225 73.78368
## 52 57.81985 55.52242 60.11729
## 53 76.40564 75.23960 77.57167
## 54 75.07808 73.85230 76.30385
## 55 71.09541 69.66095 72.52987
## 56 81.71586 80.71644 82.71527
## 57 84.37097 83.39891 85.34303
## 58 76.40564 75.23960 77.57167
## 59 77.73319 76.62062 78.84576
## 60 92.33631 91.20098 93.47163
## 61 64.45763 62.61251 66.30276
## 62 77.73319 76.62062 78.84576
## 63 80.38830 79.36000 81.41661
## 64 81.71586 80.71644 82.71527
## 65 79.06075 77.99441 80.12708
## 66 73.75052 72.45960 75.04145
## 67 97.64653 96.25373 99.03933
## 68 77.73319 76.62062 78.84576
## 69 92.33631 91.20098 93.47163
## 70 97.64653 96.25373 99.03933
## 71 77.73319 76.62062 78.84576
## 72 80.38830 79.36000 81.41661
## 73 77.73319 76.62062 78.84576
## 74 104.28431 102.48770 106.08092
## 75 84.37097 83.39891 85.34303
## 76 75.07808 73.85230 76.30385
## 77 71.09541 69.66095 72.52987
## 78 84.37097 83.39891 85.34303
## 79 77.73319 76.62062 78.84576
## 80 77.73319 76.62062 78.84576
## 81 75.07808 73.85230 76.30385
## 82 97.64653 96.25373 99.03933
## 83 80.38830 79.36000 81.41661
## 84 71.09541 69.66095 72.52987
## 85 84.37097 83.39891 85.34303
## 86 77.73319 76.62062 78.84576
## 87 104.28431 102.48770 106.08092
## 88 100.30164 98.75509 101.84819
## 89 77.73319 76.62062 78.84576
## 90 84.37097 83.39891 85.34303
## 91 75.07808 73.85230 76.30385
## 92 72.42297 71.06225 73.78368
## 93 94.99142 93.73751 96.24532
## 94 71.09541 69.66095 72.52987
## 95 71.09541 69.66095 72.52987
## 96 84.37097 83.39891 85.34303
## 97 79.06075 77.99441 80.12708
## 98 60.47497 58.36180 62.58814
## 99 60.47497 58.36180 62.58814
## 100 87.02608 86.03852 88.01364
## 101 83.04341 82.06294 84.02389
## 102 84.37097 83.39891 85.34303
## 103 64.45763 62.61251 66.30276
## 104 77.73319 76.62062 78.84576
## 105 65.78519 64.02651 67.54387
## 106 67.11275 65.43867 68.78682
## 107 67.11275 65.43867 68.78682
## 108 108.26697 106.20458 110.32937
## 109 91.00875 89.92297 92.09453
## 110 77.73319 76.62062 78.84576
## 111 91.00875 89.92297 92.09453
## 112 68.44030 66.84871 70.03189
## 113 65.78519 64.02651 67.54387
## 114 57.81985 55.52242 60.11729
## 115 72.42297 71.06225 73.78368
## 116 91.00875 89.92297 92.09453
## 117 77.73319 76.62062 78.84576
## 118 84.37097 83.39891 85.34303
## 119 73.75052 72.45960 75.04145
## 120 75.07808 73.85230 76.30385
## 121 80.38830 79.36000 81.41661
## 122 106.93942 104.96698 108.91186
## 123 91.00875 89.92297 92.09453
## 124 79.06075 77.99441 80.12708
## 125 92.33631 91.20098 93.47163
## 126 91.00875 89.92297 92.09453
## 127 80.38830 79.36000 81.41661
## 128 77.73319 76.62062 78.84576
## 129 87.02608 86.03852 88.01364
## 130 84.37097 83.39891 85.34303
## 131 68.44030 66.84871 70.03189
## 132 73.75052 72.45960 75.04145
## 133 77.73319 76.62062 78.84576
## 134 77.73319 76.62062 78.84576
## 135 93.66386 92.47219 94.85553
## 136 84.37097 83.39891 85.34303
## 137 96.31897 94.99778 97.64016
## 138 71.09541 69.66095 72.52987
## 139 92.33631 91.20098 93.47163
## 140 84.37097 83.39891 85.34303
## 141 109.59453 107.44104 111.74802
## 142 106.93942 104.96698 108.91186
## 143 89.68119 88.63718 90.72521
## 144 81.71586 80.71644 82.71527
## 145 72.42297 71.06225 73.78368
## 146 73.75052 72.45960 75.04145
## 147 65.78519 64.02651 67.54387
## 148 75.07808 73.85230 76.30385
## 149 71.09541 69.66095 72.52987
## 150 80.38830 79.36000 81.41661
## 151 94.99142 93.73751 96.24532
## 152 73.75052 72.45960 75.04145
## 153 57.81985 55.52242 60.11729
## 154 83.04341 82.06294 84.02389
## 155 89.68119 88.63718 90.72521
## 156 81.71586 80.71644 82.71527
## 157 61.80252 59.77996 63.82508
## 158 80.38830 79.36000 81.41661
## 159 64.45763 62.61251 66.30276
## 160 76.40564 75.23960 77.57167
## 161 101.62920 100.00150 103.25690
## 162 77.73319 76.62062 78.84576
## 163 75.07808 73.85230 76.30385
## 164 109.59453 107.44104 111.74802
## 165 93.66386 92.47219 94.85553
## 166 113.57720 111.14489 116.00951
## 167 89.68119 88.63718 90.72521
## 168 77.73319 76.62062 78.84576
## 169 88.35364 87.34266 89.36462
## 170 75.07808 73.85230 76.30385
## 171 87.02608 86.03852 88.01364
## 172 71.09541 69.66095 72.52987
## 173 77.73319 76.62062 78.84576
## 174 89.68119 88.63718 90.72521
## 175 73.75052 72.45960 75.04145
## 176 76.40564 75.23960 77.57167
## 177 67.11275 65.43867 68.78682
## 178 102.95675 101.24559 104.66791
## 179 112.24964 109.91108 114.58820
## 180 73.75052 72.45960 75.04145
## 181 68.44030 66.84871 70.03189
## 182 81.71586 80.71644 82.71527
## 183 81.71586 80.71644 82.71527
## 184 55.16474 52.67974 57.64975
## 185 73.75052 72.45960 75.04145
## 186 73.75052 72.45960 75.04145
## 187 94.99142 93.73751 96.24532
## 188 94.99142 93.73751 96.24532
## 189 94.99142 93.73751 96.24532
## 190 75.07808 73.85230 76.30385
## 191 71.09541 69.66095 72.52987
## 192 91.00875 89.92297 92.09453
## 193 101.62920 100.00150 103.25690
## 194 94.99142 93.73751 96.24532
## 195 71.09541 69.66095 72.52987
## 196 97.64653 96.25373 99.03933
## 197 91.00875 89.92297 92.09453
## 198 91.00875 89.92297 92.09453
## 199 69.76786 68.25628 71.27944
## 200 79.06075 77.99441 80.12708
## 201 75.07808 73.85230 76.30385
## 202 63.13008 61.19693 65.06323
## 203 65.78519 64.02651 67.54387
## 204 83.04341 82.06294 84.02389
## 205 101.62920 100.00150 103.25690
## 206 71.09541 69.66095 72.52987
## 207 91.00875 89.92297 92.09453
## 208 91.00875 89.92297 92.09453
## 209 83.04341 82.06294 84.02389
## 210 83.04341 82.06294 84.02389
## 211 97.64653 96.25373 99.03933
## 212 75.07808 73.85230 76.30385
## 213 57.81985 55.52242 60.11729
## 214 97.64653 96.25373 99.03933
## 215 77.73319 76.62062 78.84576
## 216 81.71586 80.71644 82.71527
## 217 71.09541 69.66095 72.52987
## 218 85.69853 84.72408 86.67297
## 219 57.81985 55.52242 60.11729
## 220 71.09541 69.66095 72.52987
## 221 91.00875 89.92297 92.09453
## 222 87.02608 86.03852 88.01364
## 223 87.02608 86.03852 88.01364
## 224 72.42297 71.06225 73.78368
## 225 75.07808 73.85230 76.30385
## 226 101.62920 100.00150 103.25690
## 227 71.09541 69.66095 72.52987
## 228 73.75052 72.45960 75.04145
## 229 81.71586 80.71644 82.71527
## 230 91.00875 89.92297 92.09453
## 231 110.92209 108.67650 113.16767
## 232 75.07808 73.85230 76.30385
## 233 69.76786 68.25628 71.27944
## 234 81.71586 80.71644 82.71527
## 235 69.76786 68.25628 71.27944
## 236 83.04341 82.06294 84.02389
## 237 79.06075 77.99441 80.12708
## 238 76.40564 75.23960 77.57167
## 239 73.75052 72.45960 75.04145
## 240 84.37097 83.39891 85.34303
## 241 75.07808 73.85230 76.30385
## 242 71.09541 69.66095 72.52987
## 243 75.07808 73.85230 76.30385
## 244 104.28431 102.48770 106.08092
## 245 63.13008 61.19693 65.06323
## 246 76.40564 75.23960 77.57167
## 247 67.11275 65.43867 68.78682
## 248 73.75052 72.45960 75.04145
## 249 87.02608 86.03852 88.01364
## 250 92.33631 91.20098 93.47163
## 251 77.73319 76.62062 78.84576
## 252 80.38830 79.36000 81.41661
## 253 96.31897 94.99778 97.64016
## 254 69.76786 68.25628 71.27944
## 255 76.40564 75.23960 77.57167
## 256 94.99142 93.73751 96.24532
## 257 91.00875 89.92297 92.09453
## 258 104.28431 102.48770 106.08092
## 259 84.37097 83.39891 85.34303
## 260 80.38830 79.36000 81.41661
## 261 87.02608 86.03852 88.01364
## 262 84.37097 83.39891 85.34303
## 263 89.68119 88.63718 90.72521
## 264 89.68119 88.63718 90.72521
## 265 106.93942 104.96698 108.91186
## 266 84.37097 83.39891 85.34303
## 267 77.73319 76.62062 78.84576
## 268 84.37097 83.39891 85.34303
## 269 80.38830 79.36000 81.41661
## 270 87.02608 86.03852 88.01364
## 271 100.30164 98.75509 101.84819
## 272 57.81985 55.52242 60.11729
## 273 84.37097 83.39891 85.34303
## 274 85.69853 84.72408 86.67297
## 275 72.42297 71.06225 73.78368
## 276 57.81985 55.52242 60.11729
## 277 80.38830 79.36000 81.41661
## 278 100.30164 98.75509 101.84819
## 279 67.11275 65.43867 68.78682
## 280 96.31897 94.99778 97.64016
## 281 91.00875 89.92297 92.09453
## 282 84.37097 83.39891 85.34303
## 283 73.75052 72.45960 75.04145
## 284 83.04341 82.06294 84.02389
## 285 93.66386 92.47219 94.85553
## 286 96.31897 94.99778 97.64016
## 287 71.09541 69.66095 72.52987
## 288 71.09541 69.66095 72.52987
## 289 65.78519 64.02651 67.54387
## 290 108.26697 106.20458 110.32937
## 291 100.30164 98.75509 101.84819
## 292 97.64653 96.25373 99.03933
## 293 84.37097 83.39891 85.34303
## 294 100.30164 98.75509 101.84819
## 295 105.61186 103.72809 107.49564
## 296 79.06075 77.99441 80.12708
## 297 61.80252 59.77996 63.82508
## 298 89.68119 88.63718 90.72521
## 299 97.64653 96.25373 99.03933
## 300 84.37097 83.39891 85.34303
## 301 84.37097 83.39891 85.34303
## 302 87.02608 86.03852 88.01364
## 303 102.95675 101.24559 104.66791
## 304 67.11275 65.43867 68.78682
## 305 97.64653 96.25373 99.03933
## 306 91.00875 89.92297 92.09453
## 307 65.78519 64.02651 67.54387
## 308 69.76786 68.25628 71.27944
## 309 97.64653 96.25373 99.03933
## 310 79.06075 77.99441 80.12708
## 311 96.31897 94.99778 97.64016
## 312 87.02608 86.03852 88.01364
## 313 71.09541 69.66095 72.52987
## 314 79.06075 77.99441 80.12708
## 315 77.73319 76.62062 78.84576
## 316 84.37097 83.39891 85.34303
## 317 91.00875 89.92297 92.09453
## 318 91.00875 89.92297 92.09453
## 319 65.78519 64.02651 67.54387
## 320 64.45763 62.61251 66.30276
## 321 80.38830 79.36000 81.41661
## 322 91.00875 89.92297 92.09453
## 323 91.00875 89.92297 92.09453
## 324 97.64653 96.25373 99.03933
## 325 77.73319 76.62062 78.84576
## 326 64.45763 62.61251 66.30276
## 327 84.37097 83.39891 85.34303
## 328 87.02608 86.03852 88.01364
## 329 89.68119 88.63718 90.72521
## 330 77.73319 76.62062 78.84576
## 331 97.64653 96.25373 99.03933
## 332 89.68119 88.63718 90.72521
## 333 104.28431 102.48770 106.08092
## 334 84.37097 83.39891 85.34303
## 335 51.18208 48.41099 53.95316
## 336 84.37097 83.39891 85.34303
## 337 84.37097 83.39891 85.34303
## 338 94.99142 93.73751 96.24532
## 339 71.09541 69.66095 72.52987
## 340 61.80252 59.77996 63.82508
## 341 97.64653 96.25373 99.03933
## 342 71.09541 69.66095 72.52987
## 343 89.68119 88.63718 90.72521
## 344 77.73319 76.62062 78.84576
## 345 106.93942 104.96698 108.91186
## 346 84.37097 83.39891 85.34303
## 347 63.13008 61.19693 65.06323
## 348 97.64653 96.25373 99.03933
## 349 100.30164 98.75509 101.84819
## 350 121.54253 118.53546 124.54960
## 351 91.00875 89.92297 92.09453
## 352 77.73319 76.62062 78.84576
## 353 71.09541 69.66095 72.52987
## 354 71.09541 69.66095 72.52987
## 355 71.09541 69.66095 72.52987
## 356 64.45763 62.61251 66.30276
## 357 110.92209 108.67650 113.16767
## 358 84.37097 83.39891 85.34303
## 359 91.00875 89.92297 92.09453
## 360 65.78519 64.02651 67.54387
## 361 106.93942 104.96698 108.91186
## 362 65.78519 64.02651 67.54387
## 363 77.73319 76.62062 78.84576
## 364 97.64653 96.25373 99.03933
## 365 102.95675 101.24559 104.66791
## 366 84.37097 83.39891 85.34303
## 367 87.02608 86.03852 88.01364
## 368 68.44030 66.84871 70.03189
## 369 81.71586 80.71644 82.71527
## 370 68.44030 66.84871 70.03189
## 371 97.64653 96.25373 99.03933
## 372 73.75052 72.45960 75.04145
## 373 73.75052 72.45960 75.04145
## 374 63.13008 61.19693 65.06323
## 375 92.33631 91.20098 93.47163
## 376 97.64653 96.25373 99.03933
## 377 68.44030 66.84871 70.03189
## 378 92.33631 91.20098 93.47163
## 379 88.35364 87.34266 89.36462
## 380 84.37097 83.39891 85.34303
## 381 84.37097 83.39891 85.34303
## 382 97.64653 96.25373 99.03933
## 383 71.09541 69.66095 72.52987
## 384 84.37097 83.39891 85.34303
## 385 71.09541 69.66095 72.52987
## 386 64.45763 62.61251 66.30276
## 387 69.76786 68.25628 71.27944
## 388 57.81985 55.52242 60.11729
## 389 94.99142 93.73751 96.24532
## 390 72.42297 71.06225 73.78368
## 391 85.69853 84.72408 86.67297
## 392 84.37097 83.39891 85.34303
## 393 92.33631 91.20098 93.47163
## 394 84.37097 83.39891 85.34303
## 395 61.80252 59.77996 63.82508
## 396 63.13008 61.19693 65.06323
## 397 64.45763 62.61251 66.30276
## 398 79.06075 77.99441 80.12708
## 399 104.28431 102.48770 106.08092
## 400 77.73319 76.62062 78.84576
## 401 77.73319 76.62062 78.84576
## 402 101.62920 100.00150 103.25690
## 403 101.62920 100.00150 103.25690
## 404 79.06075 77.99441 80.12708
## 405 94.99142 93.73751 96.24532
## 406 89.68119 88.63718 90.72521
## 407 92.33631 91.20098 93.47163
## 408 59.14741 56.94257 61.35225
## 409 98.97408 97.50598 100.44218
## 410 64.45763 62.61251 66.30276
## 411 101.62920 100.00150 103.25690
## 412 71.09541 69.66095 72.52987
## 413 104.28431 102.48770 106.08092
## 414 91.00875 89.92297 92.09453
## 415 101.62920 100.00150 103.25690
## 416 85.69853 84.72408 86.67297
## 417 102.95675 101.24559 104.66791
## 418 93.66386 92.47219 94.85553
## 419 84.37097 83.39891 85.34303
## 420 73.75052 72.45960 75.04145
## 421 104.28431 102.48770 106.08092
## 422 102.95675 101.24559 104.66791
## 423 91.00875 89.92297 92.09453
## 424 104.28431 102.48770 106.08092
## 425 89.68119 88.63718 90.72521
## 426 72.42297 71.06225 73.78368
## 427 91.00875 89.92297 92.09453
## 428 80.38830 79.36000 81.41661
## 429 84.37097 83.39891 85.34303
## 430 110.92209 108.67650 113.16767
## 431 77.73319 76.62062 78.84576
## 432 71.09541 69.66095 72.52987
## 433 97.64653 96.25373 99.03933
## 434 76.40564 75.23960 77.57167
## 435 109.59453 107.44104 111.74802
## 436 92.33631 91.20098 93.47163
## 437 65.78519 64.02651 67.54387
## 438 71.09541 69.66095 72.52987
## 439 80.38830 79.36000 81.41661
## 440 71.09541 69.66095 72.52987
## 441 64.45763 62.61251 66.30276
## 442 64.45763 62.61251 66.30276
## 443 87.02608 86.03852 88.01364
## 444 87.02608 86.03852 88.01364
## 445 84.37097 83.39891 85.34303
## 446 59.14741 56.94257 61.35225
## 447 101.62920 100.00150 103.25690
## 448 97.64653 96.25373 99.03933
## 449 71.09541 69.66095 72.52987
## 450 75.07808 73.85230 76.30385
## 451 85.69853 84.72408 86.67297
## 452 84.37097 83.39891 85.34303
## 453 91.00875 89.92297 92.09453
## 454 73.75052 72.45960 75.04145
## 455 81.71586 80.71644 82.71527
## 456 104.28431 102.48770 106.08092
## 457 69.76786 68.25628 71.27944
## 458 57.81985 55.52242 60.11729
## 459 83.04341 82.06294 84.02389
## 460 92.33631 91.20098 93.47163
## 461 73.75052 72.45960 75.04145
## 462 85.69853 84.72408 86.67297
## 463 87.02608 86.03852 88.01364
## 464 97.64653 96.25373 99.03933
## 465 114.90475 112.37800 117.43151
## 466 71.09541 69.66095 72.52987
## 467 89.68119 88.63718 90.72521
## 468 89.68119 88.63718 90.72521
## 469 73.75052 72.45960 75.04145
## 470 63.13008 61.19693 65.06323
## 471 65.78519 64.02651 67.54387
## 472 71.09541 69.66095 72.52987
## 473 63.13008 61.19693 65.06323
## 474 75.07808 73.85230 76.30385
## 475 94.99142 93.73751 96.24532
## 476 73.75052 72.45960 75.04145
## 477 85.69853 84.72408 86.67297
## 478 76.40564 75.23960 77.57167
## 479 83.04341 82.06294 84.02389
## 480 68.44030 66.84871 70.03189
## 481 67.11275 65.43867 68.78682
## 482 89.68119 88.63718 90.72521
## 483 68.44030 66.84871 70.03189
## 484 57.81985 55.52242 60.11729
## 485 77.73319 76.62062 78.84576
## 486 97.64653 96.25373 99.03933
## 487 91.00875 89.92297 92.09453
## 488 102.95675 101.24559 104.66791
## 489 108.26697 106.20458 110.32937
## 490 65.78519 64.02651 67.54387
## 491 91.00875 89.92297 92.09453
## 492 79.06075 77.99441 80.12708
## 493 84.37097 83.39891 85.34303
## 494 97.64653 96.25373 99.03933
## 495 80.38830 79.36000 81.41661
## 496 97.64653 96.25373 99.03933
## 497 87.02608 86.03852 88.01364
## 498 65.78519 64.02651 67.54387
## 499 82.55302 81.56675 83.53928
## 500 82.13059 81.13819 83.12298
## 501 74.06874 72.79388 75.34360
## 502 91.75789 90.64504 92.87074
## 503 103.41064 101.67048 105.15081
## 504 90.42462 89.35824 91.49101
## 505 75.20114 73.98115 76.42114
## 506 74.97068 73.73982 76.20154
## 507 93.74511 92.54979 94.94043
## 508 90.17265 89.11415 91.23116
## 509 93.91809 92.71493 95.12125
## 510 91.50791 90.40436 92.61146
## 511 81.11129 80.09991 82.12267
## 512 79.88423 78.84251 80.92595
## 513 85.89328 84.91757 86.86898
## 514 70.83242 69.38294 72.28191
## 515 70.57899 69.11491 72.04308
## 516 67.38622 65.72932 69.04312
## 517 69.36322 67.82754 70.89890
## 518 70.50996 69.04188 71.97804
## 519 71.09541 69.66095 72.52987
## 520 82.78122 81.79783 83.76462
## 521 65.28218 63.49095 67.07341
## 522 66.34263 64.61971 68.06555
## 523 67.04371 65.36529 68.72214
## 524 60.47497 58.36180 62.58814
## 525 64.54366 62.70419 66.38313
## 526 60.60732 58.50324 62.71141
## 527 61.53847 59.49798 63.57896
## 528 60.47497 58.36180 62.58814
## 529 88.78682 87.76608 89.80756
## 530 87.36156 86.36903 88.35408
## 531 88.99511 87.96932 90.02090
## 532 108.63590 106.54830 110.72351
## 533 104.89392 103.05748 106.73036
## 534 102.37834 100.70380 104.05287
## 535 91.73983 90.62767 92.85200
## 536 86.05166 85.07476 87.02856
## 537 83.60962 82.63405 84.58519
## 538 69.35565 67.81951 70.89179
## 539 68.38202 66.78686 69.97718
## 540 66.39162 64.67183 68.11141
## 541 80.47260 79.44641 81.49879
## 542 82.83446 81.85169 83.81722
## 543 79.17226 78.10945 80.23508
## 544 85.72269 84.74810 86.69728
## 545 91.80236 90.68784 92.91689
## 546 88.19884 87.19111 89.20658
## 547 79.32852 78.27054 80.38649
## 548 84.37097 83.39891 85.34303
## 549 79.24700 78.18652 80.30749
## 550 72.53754 71.18301 73.89206
## 551 76.49697 75.33483 77.65911
## 552 77.20615 76.07317 78.33914
## 553 85.77340 84.79850 86.74830
## 554 91.37449 90.27579 92.47319
## 555 83.17710 82.19796 84.15624
## 556 91.45335 90.35179 92.55490
## 557 95.19626 93.93228 96.46023
## 558 91.78179 90.66804 92.89553
## 559 102.51454 100.83142 104.19767
## 560 93.46380 92.28102 94.64658
## 561 94.60749 93.37214 95.84284
## 562 76.51503 75.35365 77.67640
## 563 69.09757 67.54593 70.64922
## 564 100.07171 98.53895 101.60447
## 565 96.84017 95.49135 98.18900
## 566 98.87465 97.41231 100.33700
## 567 93.31007 92.13403 94.48611
## 568 84.31362 83.34142 85.28582
## 569 92.25108 91.11915 93.38301
## 570 89.72036 88.67523 90.76548
## 571 89.59543 88.55383 90.63704
## 572 77.44259 76.31890 78.56628
## 573 93.45610 92.27366 94.63854
## 574 84.37097 83.39891 85.34303
## 575 84.29981 83.32758 85.27205
## 576 90.18434 89.12547 91.24320
## 577 69.80994 68.30085 71.31903
## 578 61.42191 59.37349 63.47033
## 579 61.91868 59.90400 63.93337
## 580 104.05783 102.27592 105.83973
## 581 100.88762 99.30556 102.46969
## 582 105.16487 103.31062 107.01913
## 583 86.44156 85.46107 87.42204
## 584 81.05925 80.04674 82.07176
## 585 86.70760 85.72415 87.69105
## 586 85.79889 84.82382 86.77396
## 587 84.37097 83.39891 85.34303
## 588 84.37097 83.39891 85.34303
## 589 67.61934 65.97701 69.26167
## 590 61.91988 59.90527 63.93448
## 591 61.76588 59.74084 63.79092
## 592 93.34034 92.16297 94.51770
## 593 108.71356 106.62064 110.80649
## 594 100.91962 99.33560 102.50363
## 595 102.97507 101.26275 104.68740
## 596 100.24283 98.69981 101.78585
## 597 97.46664 96.08378 98.84951
## 598 85.80473 84.82963 86.77984
## 599 85.23786 84.26547 86.21026
## 600 86.58679 85.60474 87.56885
## 601 65.17863 63.38066 66.97659
## 602 71.61621 70.21112 73.02131
## 603 71.37181 69.95300 72.79062
## 604 62.83403 60.88106 64.78701
## 605 62.91740 60.97002 64.86479
## 606 60.58940 58.48409 62.69472
## 607 86.73747 85.75366 87.72128
## 608 91.45866 90.35691 92.56041
## 609 84.59002 83.61831 85.56172
## 610 91.45481 90.35320 92.55642
## 611 80.65474 79.63300 81.67649
## 612 70.27857 68.79702 71.76011
## 613 69.07554 67.52256 70.62851
## 614 71.13046 69.69799 72.56293
## 615 64.36616 62.51503 66.21730
## 616 62.38466 60.40146 64.36785
## 617 87.76261 86.76329 88.76193
## 618 106.79750 104.83461 108.76040
## 619 82.63665 81.65147 83.62183
## 620 69.74516 68.23223 71.25808
## 621 78.15920 77.06230 79.25610
## 622 89.69553 88.65111 90.73995
## 623 84.37097 83.39891 85.34303
## 624 82.92938 81.94769 83.91107
## 625 83.20352 82.22463 84.18241
## 626 96.11440 94.80387 97.42492
## 627 99.13844 97.66078 100.61609
## 628 101.63822 100.00996 103.26648
## 629 95.35729 94.08532 96.62927
## 630 91.23324 90.13960 92.32688
## 631 95.86229 94.56477 97.15981
## 632 86.18574 85.20771 87.16377
## 633 63.17986 61.25004 65.10968
## 634 110.48851 108.27310 112.70391
## 635 85.71565 84.74110 86.69020
## 636 84.92761 83.95587 85.89936
## 637 65.33528 63.54750 67.12306
## 638 103.67350 101.91643 105.43056
## 639 102.24478 100.57865 103.91092
## 640 87.27221 86.28107 88.26335
## 641 71.82836 70.43506 73.22165
## 642 61.83783 59.81767 63.85800
## 643 86.87872 85.89314 87.86431
## 644 91.85015 90.73381 92.96650
## 645 93.70687 92.51327 94.90047
## 646 93.32918 92.15231 94.50606
## 647 84.93160 83.95985 85.90334
## 648 80.10314 79.06741 81.13888
## 649 87.35279 86.36040 88.34518
## 650 69.50845 67.98145 71.03545
## 651 70.91115 69.46617 72.35612
## 652 70.08368 68.59073 71.57664
## 653 65.22470 63.42973 67.01966
## 654 70.62625 69.16490 72.08761
## 655 70.88207 69.43544 72.32871
## 656 75.51830 74.31297 76.72362
## 657 65.72771 63.96532 67.49009
## 658 63.99976 62.12444 65.87507
## 659 66.64823 64.94478 68.35169
## 660 60.47497 58.36180 62.58814
## 661 71.02718 69.58883 72.46552
## 662 65.67713 63.91147 67.44278
## 663 60.92979 58.84779 63.01179
## 664 60.47497 58.36180 62.58814
## 665 82.96920 81.98795 83.95046
## 666 89.34307 88.30833 90.37780
## 667 88.63189 87.61476 89.64903
## 668 106.81967 104.85529 108.78406
## 669 104.43339 102.62708 106.23971
## 670 95.95575 94.65343 97.25807
## 671 96.02518 94.71928 97.33109
## 672 86.03241 85.05566 87.00915
## 673 84.22680 83.25435 85.19925
## 674 62.28164 60.29149 64.27178
## 675 66.84471 65.15372 68.53571
## 676 63.69601 61.80057 65.59146
## 677 80.46158 79.43512 81.48805
## 678 81.23077 80.22191 82.23963
## 679 80.04367 79.00633 81.08101
## 680 84.38557 83.41355 85.35760
## 681 91.84909 90.73279 92.96539
## 682 84.84677 83.87510 85.81843
## 683 83.13993 82.16043 84.11943
## 684 86.17167 85.19376 87.14957
## 685 80.69497 79.67418 81.71576
## 686 79.11996 78.05550 80.18442
## 687 75.12839 73.90499 76.35180
## 688 78.45180 77.36521 79.53838
## 689 88.73358 87.71410 89.75307
## 690 90.21487 89.15506 91.27468
## 691 92.06522 90.94059 93.18984
## 692 95.88858 94.58971 97.18745
## 693 93.27329 92.09885 94.44774
## 694 84.29623 83.32398 85.26847
## 695 100.99861 99.40976 102.58745
## 696 96.75906 95.41457 98.10354
## 697 94.59169 93.35709 95.82629
## 698 72.35593 70.99158 73.72028
## 699 94.71648 93.47591 95.95705
## 700 85.82438 84.84914 86.79961
## 701 104.83684 103.00414 106.66953
## 702 100.50263 98.94396 102.06131
## 703 92.61151 91.46503 93.75798
## 704 88.65990 87.64213 89.67768
## 705 92.32741 91.19244 93.46238
## 706 89.86400 88.81473 90.91326
## 707 88.51228 87.49784 89.52672
## 708 90.77377 89.69598 91.85157
## 709 91.92012 90.80110 93.03913
## 710 84.55391 83.58216 85.52565
## 711 84.36513 83.39306 85.33720
## 712 87.46789 86.47365 88.46213
## 713 69.22170 67.67753 70.76587
## 714 61.12892 59.06053 63.19731
## 715 60.92235 58.83984 63.00486
## 716 103.58721 101.83570 105.33872
## 717 104.72572 102.90031 106.55113
## 718 104.90905 103.07162 106.74649
## 719 87.11105 86.12229 88.09980
## 720 84.92416 83.95243 85.89590
## 721 86.68888 85.70565 87.67211
## 722 85.48691 84.51357 86.46026
## 723 92.79630 91.64218 93.95043
## 724 84.37097 83.39891 85.34303
## 725 67.64602 66.00536 69.28669
## 726 62.82992 60.87667 64.78317
## 727 62.36315 60.37850 64.34779
## 728 92.38011 91.24303 93.51719
## 729 103.20620 101.47913 104.93327
## 730 105.13474 103.28247 106.98701
## 731 101.51529 99.89465 103.13593
## 732 100.57830 99.01505 102.14156
## 733 98.53732 97.09436 99.98027
## 734 85.33464 84.36193 86.30736
## 735 85.44722 84.47406 86.42038
## 736 89.59411 88.55254 90.63567
## 737 67.64204 66.00113 69.28296
## 738 68.56244 66.97832 70.14656
## 739 71.55143 70.14271 72.96015
## 740 62.51276 60.53820 64.48733
## 741 62.01626 60.00818 64.02434
## 742 61.23048 59.16901 63.29194
## 743 87.00312 86.01587 87.99036
## 744 87.36421 86.37164 88.35678
## 745 89.50888 88.46967 90.54809
## 746 99.81018 98.29301 101.32735
## 747 76.15141 74.97439 77.32842
## 748 99.46236 97.96574 100.95897
## 749 84.00297 83.02966 84.97629
## 750 73.41452 72.10634 74.72270
## 751 105.02017 103.17544 106.86490
## 752 87.27221 86.28107 88.26335
## 753 104.99495 103.15188 106.83802
## 754 83.88455 82.91066 84.85845
## 755 91.22527 90.13192 92.31863
## 756 84.15139 83.17869 85.12410
## 757 76.80005 75.65060 77.94950
## 758 72.90992 71.57529 74.24454
## 759 71.81282 70.41867 73.20698
## 760 61.78048 59.75643 63.80454
## 761 64.45763 62.61251 66.30276
## 762 88.52104 87.50641 89.53567
## 763 74.97108 73.74024 76.20192
## 764 73.75052 72.45960 75.04145
## 765 73.75052 72.45960 75.04145
## 766 75.54153 74.33727 76.74579
## 767 91.32617 90.22921 92.42313
## 768 100.06613 98.53371 101.59856
## 769 98.85474 97.39354 100.31593
## 770 85.63002 84.65597 86.60408
## 771 72.03559 70.65374 73.41744
## 772 86.88523 85.89956 87.87090
## 773 101.80934 100.17045 103.44824
## 774 71.09541 69.66095 72.52987
## 775 91.64770 90.53898 92.75642
## 776 94.78525 93.54136 96.02913
## 777 85.64025 84.66613 86.61436
## 778 80.99473 79.98081 82.00865
## 779 91.71461 90.60339 92.82583
## 780 85.44244 84.46930 86.41558
## 781 98.56878 97.12403 100.01354
## 782 71.05519 69.61844 72.49194
## 783 87.27872 86.28748 88.26996
## 784 86.03785 85.06106 87.01464
## 785 64.62862 62.79473 66.46252
## 786 71.60546 70.19976 73.01116
## 787 69.58160 68.05896 71.10424
## 788 80.85056 79.83339 81.86772
## 789 105.42919 103.55750 107.30088
## 790 70.28481 68.80363 71.76599
## 791 73.75052 72.45960 75.04145
## 792 73.26809 71.95230 74.58388
## 793 76.05994 74.87892 77.24096
## 794 64.55362 62.71480 66.39243
## 795 71.09541 69.66095 72.52987
## 796 100.36417 98.81385 101.91448
## 797 78.72833 77.65114 79.80551
## 798 91.29059 90.19491 92.38627
## 799 105.24426 103.38478 107.10375
## 800 92.33631 91.20098 93.47163
## 801 77.02720 75.88703 78.16736
## 802 89.30483 88.27111 90.33855
## 803 58.86238 56.63774 61.08703
## 804 98.98205 97.51349 100.45061
## 805 97.88416 96.47814 99.29019
## 806 74.53259 73.28065 75.78453
## 807 76.45476 75.29082 77.61869
## 808 96.45797 95.12947 97.78646
## 809 81.62373 80.62262 82.62483
## 810 73.10600 71.78172 74.43027
## 811 73.28150 71.96641 74.59659
## 812 99.87457 98.35357 101.39556
## 813 99.30226 97.81504 100.78948
## 814 93.42902 92.24777 94.61026
## 815 107.06301 105.08225 109.04378
## 816 106.10107 104.18478 108.01735
## 817 80.41844 79.39089 81.44598
## 818 86.66605 85.68309 87.64901
## 819 91.05641 89.96898 92.14384
## 820 85.37420 84.40134 86.34707
## 821 80.71302 79.69266 81.73338
## 822 81.18205 80.17217 82.19193
## 823 72.58745 71.23561 73.93929
## 824 72.60298 71.25198 73.95399
## 825 73.75052 72.45960 75.04145
## 826 59.00244 56.78753 61.21735
## 827 65.93242 64.18321 67.68162
## 828 65.08530 63.28126 66.88934
## 829 88.37780 87.36630 89.38930
## 830 90.19111 89.13203 91.25018
## 831 73.75052 72.45960 75.04145
## 832 73.75052 72.45960 75.04145
## 833 73.75052 72.45960 75.04145
## 834 73.75052 72.45960 75.04145
## 835 73.75052 72.45960 75.04145
## 836 76.73832 75.58631 77.89033
## 837 83.45230 82.47556 84.42904
## 838 91.28953 90.19388 92.38517
## 839 90.34935 89.28535 91.41335
## 840 100.38700 98.83531 101.93869
## 841 98.61963 97.17196 100.06729
## 842 97.64653 96.25373 99.03933
## 843 99.53896 98.03783 101.04008
## 844 84.39500 83.42299 85.36700
## 845 71.71897 70.31960 73.11833
## 846 72.55572 71.20218 73.90927
## 847 91.60575 90.49859 92.71291
## 848 91.39958 90.29998 92.49919
## 849 105.60217 103.71904 107.48531
## 850 110.40076 108.19144 112.61007
## 851 71.80088 70.40606 73.19569
## 852 92.15416 91.02606 93.28227
## 853 91.72921 90.61745 92.84098
## 854 94.97575 93.72261 96.22889
## 855 85.97214 84.99585 86.94842
## 856 81.18670 80.17692 82.19647
## 857 84.37097 83.39891 85.34303
## 858 93.11611 91.94845 94.28377
## 859 90.47109 89.40322 91.53896
## 860 83.06943 82.08923 84.04964
## 861 99.96710 98.44058 101.49361
## 862 68.56828 66.98451 70.15204
## 863 78.00985 76.90755 79.11216
## 864 77.13725 76.00152 78.27298
## 865 85.42877 84.45568 86.40185
## 866 52.02454 49.31437 54.73471
## 867 57.62882 55.31799 59.93965
## 868 71.56019 70.15196 72.96842
## 869 65.52565 63.75021 67.30110
## 870 64.45763 62.61251 66.30276
## 871 77.40316 76.27794 78.52838
## 872 105.05150 103.20471 106.89829
## 873 104.71218 102.88765 106.53671
## 874 67.22041 65.55311 68.88771
## 875 73.36872 72.05816 74.67927
## 876 76.94369 75.80014 78.08725
## 877 72.27880 70.91025 73.64734
## 878 77.46383 76.34097 78.58670
## 879 74.39187 73.13304 75.65069
## 880 58.91734 56.69652 61.13817
## 881 60.33119 58.20814 62.45424
## 882 71.09541 69.66095 72.52987
## 883 102.79625 101.09529 104.49721
## 884 88.40395 87.39189 89.41601
## 885 92.21908 91.08842 93.34974
## 886 91.70625 90.59534 92.81715
## 887 98.19069 96.76744 99.61395
## 888 99.44762 97.95188 100.94337
## 889 91.87830 90.76088 92.99571
## 890 91.90804 90.78948 93.02659
## 891 73.75052 72.45960 75.04145
## 892 85.64343 84.66930 86.61757
## 893 62.54834 60.57617 64.52051
## 894 100.14871 98.61134 101.68607
## 895 99.98847 98.46068 101.51626
## 896 75.95320 74.76747 77.13894
## 897 73.93797 72.65654 75.21941
## 898 98.02767 96.61360 99.44174
## 899 83.86663 82.89264 84.84062
## 900 83.65847 82.68323 84.63371
## 901 73.50466 72.20114 74.80819
## 902 105.18851 103.33270 107.04431
## 903 89.45830 88.42047 90.49613
## 904 89.58734 88.54596 90.62871
## 905 98.64724 97.19799 100.09649
## 906 104.20797 102.41633 105.99962
## 907 86.02683 85.05013 87.00353
## 908 91.46954 90.36740 92.57169
## 909 86.68517 85.70198 87.66835
## 910 81.39366 80.38812 82.39920
## 911 81.67935 80.67927 82.67943
## 912 71.21675 69.78918 72.64432
## 913 73.45169 72.14543 74.75795
## 914 72.45071 71.09150 73.80993
## 915 72.76229 71.41982 74.10477
## 916 64.21575 62.35470 66.07680
## 917 66.90578 65.21865 68.59291
## 918 62.11078 60.10910 64.11246
## 919 88.38006 87.36851 89.39160
## 920 88.37581 87.36435 89.38726
## 921 74.73238 73.49013 75.97464
## 922 73.75052 72.45960 75.04145
## 923 73.75052 72.45960 75.04145
## 924 73.75052 72.45960 75.04145
## 925 76.23889 75.06569 77.41210
## 926 81.82976 80.83237 82.82715
## 927 92.12018 90.99341 93.24695
## 928 100.64322 99.07603 102.21041
## 929 99.69216 98.18198 101.20233
## 930 84.11196 83.13911 85.08482
## 931 71.99948 70.61564 73.38332
## 932 72.46638 71.10801 73.82475
## 933 85.75362 84.77884 86.72840
## 934 86.53343 85.55196 87.51489
## 935 102.25514 100.58835 103.92192
## 936 72.66485 71.31716 74.01254
## 937 71.09541 69.66095 72.52987
## 938 91.48375 90.38108 92.58642
## 939 89.99503 88.94189 91.04816
## 940 94.41074 93.18473 95.63676
## 941 86.26314 85.28441 87.24187
## 942 83.52505 82.54887 84.50123
## 943 78.95083 77.88096 80.02069
## 944 94.50646 93.27592 95.73700
## 945 93.37260 92.19382 94.55137
## 946 84.70498 83.73334 85.67662
## 947 99.52927 98.02871 101.02982
## 948 71.08745 69.65253 72.52236
## 949 79.86033 78.81795 80.90272
## 950 84.58126 83.60954 85.55297
## 951 86.14233 85.16468 87.11998
## 952 56.41384 54.01744 58.81024
## 953 60.21835 58.08754 62.34916
## 954 73.29026 71.97563 74.60490
## 955 69.71688 68.20228 71.23148
## 956 81.13333 80.12242 82.14424
## 957 107.47854 105.46972 109.48736
## 958 68.54186 66.95648 70.12724
## 959 73.75052 72.45960 75.04145
## 960 72.94350 71.61066 74.27635
## 961 73.57568 72.27582 74.87555
## 962 76.07866 74.89846 77.25886
## 963 66.65129 64.94803 68.35454
## 964 63.43913 61.52661 65.35166
## 965 71.09541 69.66095 72.52987
## 966 71.11984 69.68677 72.55291
## 967 94.14922 92.93543 95.36300
## 968 77.20482 76.07179 78.33786
## 969 77.75310 76.64128 78.86493
## 970 91.14535 90.05482 92.23589
## 971 102.72655 101.03002 104.42309
## 972 100.89227 99.30992 102.47462
## 973 92.33631 91.20098 93.47163
## 974 74.04803 72.77213 75.32393
## 975 88.35311 87.34214 89.36407
## 976 87.72079 86.72222 88.71936
## 977 63.26801 61.34407 65.19195
## 978 94.16382 92.94936 95.37828
## 979 91.62341 90.51559 92.73122
## 980 80.96274 79.94810 81.97737
## 981 87.02608 86.03852 88.01364
## 982 112.67990 110.31104 115.04877
## 983 89.41356 88.37694 90.45018
## 984 84.86057 83.88889 85.83225
## 985 86.53595 85.55446 87.51744
## 986 77.73319 76.62062 78.84576
## 987 68.24913 66.64581 69.85246
## 988 95.10373 93.84432 96.36314
## 989 100.72221 99.15022 102.29420
## 990 61.16981 59.10421 63.23541
## 991 55.38804 52.91891 57.85716
## 992 93.47508 92.29180 94.65836
## 993 67.09655 65.42146 68.77164
## 994 66.87219 65.18294 68.56145
## 995 96.65445 95.31554 97.99335
## 996 97.02404 95.66531 98.38276
## 997 84.37602 83.40397 85.34806
## 998 80.20895 79.17602 81.24188
## 999 84.37097 83.39891 85.34303
## 1000 86.20632 85.22810 87.18453
## 1001 84.37097 83.39891 85.34303
## 1002 102.34355 100.67121 104.01590
## 1003 84.37097 83.39891 85.34303
## 1004 84.37097 83.39891 85.34303
## 1005 84.37097 83.39891 85.34303
## 1006 79.04442 77.97756 80.11128
## 1007 102.55092 100.86550 104.23634
## 1008 100.25040 98.70693 101.79387
## 1009 86.73070 85.74697 87.71443
## 1010 96.56683 95.23258 97.90108
## 1011 84.37097 83.39891 85.34303
## 1012 81.85923 80.86236 82.85611
## 1013 79.16111 78.09795 80.22427
## 1014 93.56682 92.37948 94.75416
## 1015 93.02504 91.86127 94.18881
## 1016 77.73319 76.62062 78.84576
## 1017 78.36471 77.27509 79.45433
## 1018 77.43688 76.31297 78.56079
## 1019 83.21640 82.23763 84.19516
## 1020 62.18711 60.19059 64.18364
## 1021 66.48720 64.77351 68.20090
## 1022 57.81985 55.52242 60.11729
## 1023 58.76322 56.53167 60.99476
## 1024 84.46921 83.49735 85.44107
## 1025 86.37797 85.39813 87.35781
## 1026 83.89610 82.92227 84.86994
## 1027 78.14314 77.04566 79.24062
## 1028 81.96039 80.96524 82.95555
## 1029 78.02552 76.92378 79.12725
## 1030 104.10947 102.32422 105.89472
## 1031 102.38298 100.70816 104.05781
## 1032 65.78904 64.03061 67.54747
## 1033 73.88965 72.60578 75.17352
## 1034 84.30114 83.32891 85.27337
## 1035 90.41507 89.34898 91.48115
## 1036 87.07640 86.08813 88.06466
## 1037 92.17527 91.04634 93.30421
## 1038 85.02253 84.05066 85.99441
## 1039 83.21892 82.24017 84.19766
## 1040 95.82645 94.53076 97.12213
## 1041 85.11666 84.14459 86.08873
## 1042 88.81018 87.78889 89.83148
## 1043 84.55643 83.58469 85.52817
## 1044 74.44563 73.18944 75.70182
## 1045 63.81988 61.93265 65.70710
## 1046 103.37785 101.63979 105.11591
## 1047 85.14268 84.17055 86.11481
## 1048 84.92071 83.94898 85.89244
## 1049 85.17839 84.20617 86.15061
## 1050 103.34745 101.61134 105.08356
## 1051 108.39867 106.32728 110.47005
## 1052 87.92537 86.92303 88.92770
## 1053 88.61384 87.59712 89.63056
## 1054 91.17841 90.08671 92.27011
## 1055 95.05089 93.79408 96.30771
## 1056 104.28431 102.48770 106.08092
## 1057 95.68719 94.39860 96.97577
## 1058 86.87275 85.88724 87.85826
## 1059 61.83545 59.81512 63.85577
## 1060 79.71483 78.66832 80.76135
## 1061 80.83078 79.81316 81.84840
## 1062 87.76779 86.76837 88.76720
## 1063 88.86807 87.84538 89.89075
## 1064 81.17860 80.16865 82.18855
## 1065 95.81955 94.52421 97.11488
## 1066 86.83146 85.84648 87.81644
## 1067 113.51653 111.08852 115.94454
## 1068 85.38164 84.40875 86.35453
## 1069 78.84741 77.77417 79.92065
## 1070 62.70778 60.74633 64.66923
## 1071 98.37124 96.93776 99.80473
## 1072 60.60878 58.50480 62.71277
## 1073 90.30953 89.24677 91.37228
## 1074 61.69937 59.66981 63.72893
## 1075 97.61228 96.22137 99.00318
## 1076 81.89030 80.89396 82.88664
## 1077 85.28858 84.31602 86.26113
## 1078 79.52659 78.47458 80.57859
## 1079 91.30944 90.21308 92.40580
## 1080 89.06295 88.03547 90.09044
## 1081 84.37097 83.39891 85.34303
## 1082 84.37097 83.39891 85.34303
## 1083 75.58175 74.37933 76.78418
## 1084 105.18160 103.32625 107.03695
## 1085 94.23869 93.02075 95.45664
## 1086 84.37097 83.39891 85.34303
## 1087 86.96090 85.97423 87.94757
## 1088 78.82205 77.74798 79.89613
## 1089 78.69182 77.61342 79.77022
## 1090 86.14299 85.16533 87.12065
## 1091 81.34122 80.33463 82.34781
## 1092 81.45699 80.45269 82.46128
## 1093 86.72366 85.74002 87.70731
## 1094 56.02553 53.60165 58.44941
## 1095 58.26844 56.00238 60.53449
## 1096 86.89080 85.90506 87.87655
## 1097 82.82490 81.84202 83.80778
## 1098 79.83166 78.78847 80.87485
## 1099 102.74979 101.05178 104.44779
## 1100 78.18868 77.09283 79.28452
## 1101 84.34681 83.37469 85.31892
## 1102 86.77345 85.78919 87.75770
## 1103 88.53804 87.52302 89.55305
## 1104 84.32676 83.35460 85.29893
## 1105 84.18856 83.21599 85.16114
## 1106 100.80146 99.22465 102.37827
## 1107 85.53152 84.55797 86.50507
## 1108 80.05230 79.01520 81.08940
## 1109 69.52186 67.99566 71.04806
## 1110 102.29616 100.62680 103.96552
## 1111 85.53922 84.56563 86.51281
## 1112 81.84742 80.85034 82.84450
## 1113 102.32895 100.65753 104.00037
## 1114 90.05543 89.00049 91.11038
## 1115 89.83944 88.79089 90.88799
## 1116 92.29927 91.16542 93.43311
## 1117 99.05586 97.58301 100.52871
## 1118 92.74798 91.59587 93.90009
## 1119 63.57322 61.66961 65.47682
## 1120 77.97374 76.87012 79.07737
## 1121 88.68446 87.66612 89.70281
## 1122 85.21384 84.24152 86.18616
## 1123 95.08156 93.82324 96.33988
## 1124 92.16200 91.03359 93.29041
## 1125 84.97806 84.00626 85.94987
## 1126 86.56741 85.58558 87.54925
## 1127 111.43081 109.14969 113.71192
## 1128 90.01813 88.96430 91.07195
## 1129 90.70859 89.63297 91.78421
## 1130 86.63273 85.65015 87.61530
## 1131 77.73319 76.62062 78.84576
## 1132 68.16430 66.55575 69.77285
## 1133 90.48503 89.41671 91.55335
## 1134 103.10955 101.38865 104.83045
## 1135 60.20919 58.07775 62.34063
## 1136 55.60071 53.14670 58.05473
## 1137 92.19983 91.06993 93.32973
## 1138 66.10832 64.37041 67.84622
## 1139 64.06813 62.19733 65.93892
## 1140 96.64223 95.30398 97.98049
## 1141 95.59612 94.31215 96.88009
## 1142 84.39965 83.42765 85.37164
## 1143 80.66722 79.64577 81.68867
## 1144 84.37097 83.39891 85.34303
## 1145 87.20504 86.21491 88.19516
## 1146 84.37097 83.39891 85.34303
## 1147 98.06192 96.64593 99.47791
## 1148 84.37363 83.40157 85.34568
## 1149 84.37097 83.39891 85.34303
## 1150 86.17631 85.19837 87.15426
## 1151 79.42290 78.36780 80.47801
## 1152 102.61145 100.92221 104.30070
## 1153 98.74442 97.28958 100.19925
## 1154 86.29699 85.31794 87.27604
## 1155 96.77711 95.43166 98.12256
## 1156 84.43722 83.46529 85.40914
## 1157 83.70679 82.73187 84.68172
## 1158 82.89884 81.91681 83.88088
## 1159 80.83888 79.82144 81.85631
## 1160 93.59735 92.40865 94.78605
## 1161 77.73319 76.62062 78.84576
## 1162 79.41507 78.35973 80.47042
## 1163 81.53133 80.52848 82.53418
## 1164 83.63059 82.65516 84.60602
## 1165 58.54165 56.29466 60.78863
## 1166 58.53501 56.28756 60.78245
## 1167 56.68360 54.30625 59.06095
## 1168 59.06882 56.85852 61.27912
## 1169 82.38561 81.39704 83.37418
## 1170 87.43391 86.44022 88.42759
## 1171 83.96660 82.99311 84.94008
## 1172 81.19745 80.18789 82.20700
## 1173 81.85140 80.85439 82.84842
## 1174 78.27311 77.18027 79.36595
## 1175 103.05074 101.33360 104.76789
## 1176 102.42666 100.74908 104.10424
## 1177 65.35891 63.57266 67.14516
## 1178 69.64838 68.12971 71.16705
## 1179 84.45421 83.48232 85.42610
## 1180 90.20359 89.14413 91.26305
## 1181 90.03353 88.97924 91.08781
## 1182 91.59832 90.49143 92.70520
## 1183 86.93873 85.95235 87.92510
## 1184 82.01496 81.02070 83.00921
## 1185 97.63352 96.24144 99.02560
## 1186 85.62259 84.64857 86.59661
## 1187 91.33480 90.23753 92.43206
## 1188 82.50536 81.51845 83.49226
## 1189 71.09528 69.66081 72.52975
## 1190 64.46467 62.62001 66.30933
## 1191 101.37590 99.76387 102.98793
## 1192 86.14724 85.16955 87.12493
## 1193 81.81728 80.81968 82.81489
## 1194 85.11228 84.14022 86.08433
## 1195 103.20261 101.47577 104.92946
## 1196 102.29111 100.62207 103.96016
## 1197 87.66849 86.67084 88.66613
## 1198 82.39650 81.40808 83.38491
## 1199 91.02163 89.93540 92.10785
## 1200 92.06562 90.94098 93.19026
## 1201 104.14691 102.35922 105.93459
## 1202 96.21184 94.89625 97.52743
## 1203 86.58494 85.60290 87.56697
## 1204 64.47383 62.62977 66.31789
## 1205 79.48264 78.42933 80.53596
## 1206 81.62280 80.62167 82.62392
## 1207 88.24438 87.23570 89.25306
## 1208 86.91364 85.92760 87.89968
## 1209 82.68843 81.70390 83.67295
## 1210 93.98898 92.78258 95.19538
## 1211 102.57402 100.88714 104.26090
## 1212 95.57249 94.28971 96.85527
## 1213 96.65179 95.31303 97.99055
## 1214 65.33103 63.54297 67.11909
## 1215 69.17670 67.62982 70.72358
## 1216 67.01105 65.33057 68.69154
## 1217 68.96376 67.40403 70.52348
## 1218 73.91421 72.63158 75.19684
## 1219 72.21056 70.83829 73.58282
## 1220 88.81018 87.78889 89.83148
## 1221 77.73319 76.62062 78.84576
## 1222 77.74009 76.62778 78.85241
## 1223 76.95803 75.81506 78.10100
## 1224 65.71868 63.95571 67.48165
## 1225 88.91612 87.89227 89.93997
## 1226 94.43583 93.20864 95.66303
## 1227 76.46219 75.29857 77.62581
## 1228 77.73319 76.62062 78.84576
## 1229 91.44963 90.34821 92.55105
## 1230 64.85935 63.04056 66.67814
## 1231 85.23720 84.26481 86.20959
## 1232 65.87121 64.11807 67.62435
## 1233 80.83330 79.81574 81.85086
## 1234 79.10376 78.03879 80.16873
## 1235 95.83017 94.53429 97.12604
## 1236 92.02977 90.90653 93.15302
## 1237 85.98568 85.00929 86.96206
## 1238 94.99142 93.73751 96.24532
## 1239 71.09541 69.66095 72.52987
## 1240 72.53183 71.17699 73.88666
## 1241 79.75094 78.70546 80.79642
## 1242 63.41179 61.49744 65.32613
## 1243 58.86424 56.63973 61.08876
## 1244 79.18753 78.12519 80.24986
## 1245 64.87276 63.05485 66.69067
## 1246 95.25056 93.98389 96.51722
## 1247 91.00875 89.92297 92.09453
## 1248 73.20012 71.88078 74.51946
## 1249 96.76742 95.42249 98.11235
## 1250 104.91888 103.08080 106.75695
## 1251 82.46367 81.47619 83.45115
## 1252 85.21304 84.24072 86.18536
## 1253 96.50682 95.17575 97.83790
## 1254 91.50207 90.39873 92.60541
## 1255 95.05819 93.80102 96.31537
## 1256 100.28398 98.73849 101.82947
## 1257 96.47483 95.14544 97.80421
## 1258 100.42510 98.87111 101.97909
## 1259 74.78761 73.54801 76.02721
## 1260 75.35926 74.14661 76.57190
## 1261 94.14098 92.92758 95.35439
## 1262 114.95998 112.42928 117.49068
## 1263 117.21550 114.52291 119.90808
## 1264 72.53807 71.18357 73.89257
## 1265 59.57249 57.39711 61.74787
## 1266 89.47741 88.43906 90.51576
## 1267 66.83595 65.14440 68.52750
## 1268 69.44207 67.91111 70.97304
## 1269 100.35275 98.80312 101.90238
## 1270 96.61621 95.27934 97.95308
## 1271 101.22695 99.62409 102.82980
## 1272 80.39600 79.36789 81.42411
## 1273 76.32373 75.15418 77.49327
## 1274 82.10297 81.11014 83.09581
## 1275 72.33283 70.96722 73.69843
## 1276 83.10143 82.12155 84.08131
## 1277 84.39274 83.42073 85.36475
## 1278 71.19365 69.76477 72.62253
## 1279 97.89186 96.48541 99.29832
## 1280 103.58747 101.83595 105.33900
## 1281 99.18676 97.70629 100.66723
## 1282 95.98987 94.68579 97.29395
## 1283 96.20069 94.88568 97.51570
## 1284 62.24911 60.25677 64.24145
## 1285 68.55421 66.96958 70.13883
## 1286 77.25394 76.12286 78.38503
## 1287 76.90825 75.76325 78.05325
## 1288 75.65450 74.45538 76.85363
## 1289 71.74499 70.34707 73.14291
## 1290 78.39179 77.30312 79.48046
## 1291 84.63462 83.66295 85.60629
## 1292 77.73319 76.62062 78.84576
## 1293 78.79457 77.71959 79.86955
## 1294 75.70044 74.50340 76.89748
## 1295 74.83487 73.59754 76.07220
## 1296 65.49419 63.71671 67.27167
## 1297 65.81161 64.05463 67.56859
## 1298 91.05973 89.97218 92.14727
## 1299 91.41777 90.31751 92.51803
## 1300 77.73319 76.62062 78.84576
## 1301 77.73478 76.62227 78.84730
## 1302 77.73319 76.62062 78.84576
## 1303 75.71955 74.52338 76.91573
## 1304 93.68059 92.48817 94.87301
## 1305 92.09588 90.97006 93.22170
## 1306 70.45354 68.98218 71.92490
## 1307 66.81484 65.12196 68.50773
## 1308 84.74600 83.77437 85.71764
## 1309 89.10490 88.07636 90.13345
## 1310 74.94665 73.71465 76.17865
## 1311 73.13786 71.81525 74.46046
## 1312 80.61465 79.59194 81.63736
## 1313 81.26383 80.25565 82.27200
## 1314 84.37070 83.39865 85.34276
## 1315 87.39581 86.40273 88.38888
## 1316 80.47685 79.45077 81.50294
## 1317 96.31791 94.99678 97.63904
## 1318 93.50907 92.32429 94.69385
## 1319 92.47012 91.32941 93.61083
## 1320 94.99142 93.73751 96.24532
## 1321 99.00263 97.53287 100.47238
## 1322 72.21972 70.84796 73.59148
## 1323 75.12547 73.90193 76.34902
## 1324 74.84709 73.61034 76.08383
## 1325 71.84707 70.45482 73.23933
## 1326 66.84365 65.15259 68.53471
## 1327 64.24562 62.38654 66.10470
## 1328 81.96212 80.96699 82.95725
## 1329 82.83578 81.85303 83.81854
## 1330 68.05730 66.44215 69.67245
## 1331 69.33653 67.79925 70.87381
## 1332 85.78030 84.80536 86.75525
## 1333 87.20982 86.21962 88.20002
## 1334 74.33027 73.06841 75.59213
## 1335 74.12051 72.84824 75.39279
## 1336 105.00557 103.16180 106.84934
## 1337 105.12266 103.27119 106.97413
## 1338 81.94407 80.94863 82.93950
## 1339 87.40895 86.41567 88.40223
## 1340 97.56767 96.17923 98.95611
## 1341 100.28505 98.73949 101.83060
## 1342 96.34181 95.01942 97.66419
## 1343 95.49350 94.21470 96.77230
## 1344 95.50996 94.23033 96.78959
## 1345 103.51671 101.76974 105.26369
## 1346 75.29872 74.08327 76.51417
## 1347 77.67385 76.55904 78.78866
## 1348 91.63416 90.52595 92.74237
## 1349 92.67019 91.52129 93.81908
## 1350 116.59407 113.94625 119.24189
## 1351 120.96677 118.00180 123.93174
## 1352 69.27679 67.73593 70.81766
## 1353 70.88938 69.44316 72.33560
## 1354 84.78225 83.81061 85.75389
## 1355 85.29973 84.32714 86.27232
## 1356 61.33416 59.27976 63.38856
## 1357 58.08444 55.80552 60.36335
## 1358 95.57581 94.29286 96.85875
## 1359 96.67569 95.33565 98.01572
## 1360 99.51201 98.01247 101.01155
## 1361 96.24211 94.92494 97.55928
## 1362 82.63240 81.64717 83.61764
## 1363 84.80362 83.83197 85.77527
## 1364 79.83046 78.78724 80.87369
## 1365 79.95154 78.91168 80.99139
## 1366 77.73319 76.62062 78.84576
## 1367 77.65872 76.54333 78.77410
## 1368 84.63675 83.66508 85.60842
## 1369 83.55054 82.57455 84.52653
## 1370 74.14866 72.87779 75.41953
## 1371 75.56596 74.36281 76.76910
## 1372 102.51454 100.83142 104.19767
## 1373 97.42801 96.04727 98.80876
## 1374 100.89001 99.30780 102.47222
## 1375 101.68017 100.04931 103.31104
## 1376 101.61685 99.98992 103.24378
## 1377 100.80014 99.22341 102.37687
## 1378 102.27200 100.60416 103.93984
## 1379 95.50930 94.22970 96.78889
## 1380 95.26582 93.99840 96.53324
## 1381 95.12842 93.86779 96.38905
## 1382 65.51211 63.73579 67.28843
## 1383 65.81944 64.06297 67.57591
## 1384 70.64218 69.18175 72.10262
## 1385 73.87399 72.58932 75.15865
## 1386 67.30086 65.63861 68.96311
## 1387 69.01407 67.45739 70.57075
## 1388 68.77524 67.20409 70.34640
## 1389 67.48327 65.83244 69.13409
## 1390 74.80036 73.56137 76.03934
## 1391 73.87505 72.59044 75.15966
## 1392 72.83703 71.49854 74.17553
## 1393 74.66123 73.41554 75.90692
## 1394 88.11242 87.10643 89.11841
## 1395 88.71128 87.69231 89.73025
## 1396 77.73319 76.62062 78.84576
## 1397 77.73319 76.62062 78.84576
## 1398 80.27281 79.24154 81.30407
## 1399 80.27360 79.24236 81.30485
## 1400 72.56342 71.21029 73.91656
## 1401 77.69814 76.58425 78.81204
## 1402 62.15339 60.15459 64.15220
## 1403 61.04489 58.97075 63.11902
## 1404 84.58789 83.61619 85.55960
## 1405 87.54662 86.55107 88.54216
## 1406 93.59536 92.40675 94.78397
## 1407 94.64838 93.41107 95.88568
## 1408 77.01100 75.87018 78.15182
## 1409 76.55817 75.39862 77.71772
## 1410 76.78956 75.63968 77.93945
## 1411 77.73319 76.62062 78.84576
## 1412 94.62647 93.39021 95.86273
## 1413 99.59750 98.09293 101.10208
## 1414 65.65310 63.88589 67.42030
## 1415 65.25788 63.46507 67.05069
## 1416 78.23116 77.13683 79.32549
## 1417 81.73856 80.73955 82.73757
## 1418 64.80917 62.98710 66.63124
## 1419 65.81373 64.05689 67.57057
## 1420 80.78113 79.76236 81.79989
## 1421 81.72356 80.72428 82.72283
## 1422 79.69160 78.64442 80.73878
## 1423 80.19621 79.16294 81.22947
## 1424 95.69316 94.40427 96.98205
## 1425 95.08766 93.82904 96.34628
## 1426 91.14761 90.05699 92.23823
## 1427 91.18996 90.09785 92.28207
## 1428 86.66260 85.67968 87.64552
## 1429 89.86612 88.81679 90.91545
## 1430 96.59776 95.26187 97.93365
## 1431 95.78224 94.48882 97.07567
## 1432 72.29924 70.93181 73.66667
## 1433 71.62152 70.21672 73.02632
## 1434 71.82490 70.43142 73.21839
## 1435 72.04886 70.66774 73.42999
## 1436 79.28842 78.22922 80.34763
## 1437 78.49547 77.41040 79.58055
## 1438 64.35900 62.50739 66.21061
## 1439 64.42418 62.57686 66.27150
## 1440 61.67773 59.64671 63.70876
## 1441 60.10962 57.97132 62.24792
## 1442 78.70363 77.62563 79.78164
## 1443 80.82467 79.80691 81.84243
## 1444 68.64302 67.06382 70.22222
## 1445 66.14682 64.41137 67.88226
## 1446 95.15749 93.89543 96.41955
## 1447 94.40517 93.17942 95.63092
## 1448 90.56335 89.49250 91.63421
## 1449 89.86081 88.81164 90.90999
## 1450 67.35330 65.69434 69.01226
## 1451 69.63869 68.11944 71.15793
## 1452 98.07732 96.66046 99.49418
## 1453 96.67024 95.33050 98.00999
## 1454 107.20360 105.21336 109.19384
## 1455 105.48654 103.61106 107.36202
## 1456 83.34105 82.36340 84.31871
## 1457 82.11413 81.12147 83.10678
## 1458 89.46839 88.43028 90.50649
## 1459 83.70308 82.72813 84.67803
## 1460 95.75051 94.45871 97.04232
## 1461 90.01308 88.95941 91.06676
## 1462 98.06232 96.64630 99.47833
## 1463 94.28038 93.06049 95.50027
## 1464 95.29264 94.02388 96.56139
## 1465 95.09643 93.83738 96.35548
## 1466 96.33902 95.01678 97.66126
## 1467 100.12123 98.58550 101.65695
## 1468 98.55285 97.10901 99.99669
## 1469 99.13193 97.65466 100.60920
## 1470 99.20481 97.72329 100.68634
## 1471 97.61719 96.22601 99.00836
## 1472 75.42391 74.21425 76.63357
## 1473 74.19884 72.93047 75.46721
## 1474 73.57608 72.27623 74.87593
## 1475 73.23079 71.91305 74.54852
## 1476 93.57465 92.38696 94.76234
## 1477 98.57967 97.13429 100.02504
## 1478 108.60324 106.51787 110.68861
## 1479 108.15334 106.09869 110.20799
## 1480 115.07242 112.53369 117.61115
## 1481 105.79215 103.89641 107.68788
## 1482 66.73187 65.03373 68.43001
## 1483 66.49756 64.78452 68.21059
## 1484 59.94487 57.79522 62.09453
## 1485 64.43268 62.58591 66.27944
## 1486 86.24853 85.26994 87.22713
## 1487 87.44970 86.45576 88.44365
## 1488 66.16872 64.43468 67.90276
## 1489 58.16621 55.89302 60.43941
## 1490 63.78549 61.89599 65.67500
## 1491 70.07532 68.58187 71.56876
## 1492 96.01802 94.71248 97.32355
## 1493 95.35278 94.08103 96.62453
## 1494 97.31769 95.94300 98.69239
## 1495 98.11476 96.69579 99.53372
## 1496 97.80902 96.40719 99.21085
## 1497 101.52817 99.90673 103.14961
## 1498 83.43013 82.45322 84.40705
## 1499 80.19647 79.16321 81.22973
## 1500 78.12761 77.02957 79.22564
## 1501 79.23028 78.16927 80.29128
## 1502 76.64247 75.48646 77.79848
## 1503 80.88839 79.87209 81.90470
## 1504 73.37775 72.06766 74.68783
## 1505 71.37805 69.95959 72.79651
## 1506 84.55855 83.58682 85.53029
## 1507 85.66281 84.68857 86.63706
## 1508 84.21551 83.24303 85.18800
## 1509 85.07511 84.10313 86.04708
## 1510 72.80929 71.46932 74.14926
## 1511 71.82145 70.42778 73.21513
## 1512 98.19879 96.77508 99.62250
## 1513 95.66343 94.37605 96.95081
## 1514 91.79546 90.68119 92.90972
## 1515 96.02718 94.72117 97.33318
## 1516 85.01842 84.04655 85.99029
## 1517 83.75326 82.77862 84.72790
## 1518 112.06485 109.73928 114.39042
## 1519 100.20818 98.66724 101.74912
## 1520 94.09651 92.88516 95.30786
## 1521 94.28078 93.06087 95.50069
## 1522 94.15028 92.93644 95.36411
## 1523 96.78043 95.43481 98.12606
## 1524 101.04374 99.45214 102.63535
## 1525 109.00284 106.89008 111.11560
## 1526 91.00875 89.92297 92.09453
## 1527 107.47973 105.47083 109.48864
## 1528 91.80090 90.68643 92.91537
## 1529 91.94720 90.82714 93.06725
## 1530 91.00875 89.92297 92.09453
## 1531 84.90571 83.93399 85.87743
## 1532 104.15195 102.36394 105.93996
## 1533 103.22080 101.49280 104.94881
## 1534 72.88642 71.55055 74.22229
## 1535 77.44392 76.32028 78.56755
## 1536 92.11593 90.98933 93.24253
## 1537 92.12363 90.99673 93.25054
## 1538 80.49106 79.46532 81.51679
## 1539 79.80219 78.75816 80.84621
## 1540 112.80536 110.42764 115.18307
## 1541 110.86739 108.62562 113.10916
## 1542 91.00875 89.92297 92.09453
## 1543 91.00875 89.92297 92.09453
## 1544 94.15028 92.93644 95.36411
## 1545 96.71697 95.37474 98.05921
## 1546 101.04374 99.45214 102.63535
## 1547 101.26797 99.66259 102.87334
## 1548 94.38287 93.15817 95.60756
## 1549 93.26228 92.08831 94.43624
## 1550 91.56871 90.46292 92.67450
## 1551 91.67200 90.56237 92.78162
## 1552 90.75691 89.67968 91.83414
## 1553 88.78509 87.76439 89.80579
## 1554 104.27767 102.48149 106.07385
## 1555 104.23134 102.43817 106.02450
## 1556 71.90071 70.51142 73.29000
## 1557 72.61334 71.26289 73.96379
## 1558 92.71957 91.56864 93.87050
## 1559 91.79705 90.68273 92.91138
## 1560 95.92761 94.62674 97.22848
## 1561 93.03433 91.87017 94.19850
## 1562 87.85965 86.85855 88.86075
## 1563 89.13039 88.10120 90.15958
## 1564 84.34349 83.37137 85.31561
## 1565 84.79605 83.82441 85.76770
## 1566 111.82761 109.51870 114.13653
## 1567 112.38067 110.03289 114.72845
## 1568 95.52894 94.24836 96.80953
## 1569 95.51102 94.23134 96.79070
## 1570 106.12735 104.20931 108.04539
## 1571 99.27398 97.78841 100.75954
## 1572 91.02866 89.94219 92.11513
## 1573 99.68393 98.17424 101.19362
## 1574 93.27582 92.10126 94.45037
## 1575 92.66302 91.51442 93.81161
## 1576 94.86517 93.61741 96.11292
## 1577 95.08846 93.82980 96.34712
## 1578 107.27356 105.27860 109.26853
## 1579 97.80902 96.40719 99.21085
## 1580 107.85517 105.82080 109.88953
## 1581 94.40464 93.17891 95.63036
## 1582 93.09168 91.92507 94.25830
## 1583 92.30604 91.17192 93.44015
## 1584 100.77226 99.19723 102.34729
## 1585 106.79644 104.83362 108.75926
## 1586 93.86432 92.66361 95.06503
## 1587 93.95460 92.74977 95.15942
## 1588 105.38153 103.51299 107.25007
## 1589 101.70832 100.07571 103.34093
## 1590 93.11107 91.94363 94.27851
## 1591 93.70077 92.50744 94.89409
## 1592 80.85175 79.83462 81.86889
## 1593 84.81517 83.84352 85.78682
## 1594 103.34254 101.60674 105.07834
## 1595 94.93128 93.68031 96.18225
## 1596 107.38654 105.38394 109.38914
## 1597 91.79227 90.67813 92.90642
## 1598 73.43921 72.13231 74.74612
## 1599 77.00529 75.86424 78.14634
## 1600 84.54143 83.56967 85.51319
## 1601 78.91604 77.84505 79.98704
## 1602 92.24656 91.11481 93.37831
## 1603 92.12151 90.99468 93.24833
## 1604 74.05546 72.77994 75.33099
## 1605 74.18570 72.91667 75.45472
## 1606 113.42572 111.00415 115.84730
## 1607 112.68136 110.31240 115.05033
## 1608 91.00875 89.92297 92.09453
## 1609 91.00875 89.92297 92.09453
## 1610 95.65440 94.36748 96.94132
## 1611 96.65524 95.31630 97.99419
## 1612 101.59694 99.97124 103.22263
## 1613 97.17060 95.80393 98.53727
## 1614 91.00875 89.92297 92.09453
## 1615 92.65346 91.50526 93.80166
## 1616 101.06074 99.46809 102.65338
## 1617 102.91679 101.20818 104.62541
## 1618 90.92976 89.84669 92.01283
## 1619 91.00875 89.92297 92.09453
## 1620 104.28404 102.48745 106.08063
## 1621 104.28165 102.48522 106.07809
## 1622 72.14936 70.77375 73.52497
## 1623 71.52368 70.11341 72.93396
## 1624 93.75188 92.55625 94.94750
## 1625 92.07584 90.95080 93.20088
## 1626 95.92031 94.61981 97.22081
## 1627 93.90773 92.70505 95.11042
## 1628 87.34416 86.35191 88.33642
## 1629 84.55510 83.58336 85.52684
## 1630 84.02859 83.05539 85.00179
## 1631 83.88840 82.91453 84.86228
## 1632 112.14317 109.81210 114.47425
## 1633 112.13083 109.80062 114.46103
## 1634 97.82814 96.42524 99.23103
## 1635 105.65063 103.76428 107.53697
## 1636 100.23991 98.69707 101.78275
## 1637 96.74034 95.39686 98.08382
## 1638 91.02866 89.94219 92.11513
## 1639 91.66669 90.55726 92.77611
## 1640 94.07739 92.86693 95.28786
## 1641 94.02642 92.81830 95.23453
## 1642 96.04457 94.73766 97.35147
## 1643 95.69197 94.40314 96.98080
## 1644 99.97931 98.45207 101.50655
## 1645 103.41078 101.67060 105.15095
## 1646 107.53934 105.52640 109.55228
## 1647 97.15958 95.79351 98.52565
## 1648 91.83462 90.71887 92.95037
## 1649 91.95556 90.83518 93.07594
## 1650 109.47558 107.33029 111.62087
## 1651 106.84954 104.88315 108.81594
## 1652 91.95848 90.83799 93.07897
## 1653 92.93158 91.77178 94.09139
## 1654 94.29777 93.07706 95.51847
## 1655 93.65497 92.46369 94.84624
## 1656 92.35954 91.22328 93.49579
## 1657 92.73842 91.58671 93.89014
## 1658 81.65147 80.65088 82.65206
## 1659 84.28521 83.31293 85.25749
## 1660 104.19231 102.40168 105.98294
## 1661 106.59558 104.64624 108.54493
## 1662 106.55974 104.61280 108.50668
## 1663 104.09221 102.30808 105.87634
## 1664 73.72530 72.43309 75.01751
## 1665 77.44206 76.31835 78.56577
## 1666 73.63476 72.33792 74.93160
## 1667 76.65389 75.49836 77.80942
## 1668 95.97102 94.66791 97.27413
## 1669 92.11792 90.99124 93.24460
## 1670 92.88591 91.72803 94.04379
## 1671 93.29029 92.11511 94.46547
## 1672 81.42645 80.42156 82.43134
## 1673 80.18625 79.15272 81.21978
## 1674 82.44097 81.45318 83.42876
## 1675 83.65967 82.68443 84.63490
## 1676 109.07798 106.96006 111.19590
## 1677 112.91342 110.52808 115.29876
## 1678 103.21005 101.48273 104.93737
## 1679 106.69077 104.73504 108.64650
## 1680 91.23284 90.13921 92.32647
## 1681 91.71673 90.60544 92.82803
## 1682 91.56858 90.46280 92.67436
## 1683 92.43056 91.29145 93.56967
## 1684 91.79705 90.68273 92.91138
## 1685 93.01827 91.85479 94.18175
## 1686 96.08519 94.77618 97.39420
## 1687 93.28166 92.10685 94.45646
## 1688 102.96193 101.25044 104.67342
## 1689 100.95227 99.36626 102.53829
## 1690 101.41559 99.80111 103.03007
## 1691 101.56667 99.94285 103.19049
## 1692 94.90181 93.65227 96.15134
## 1693 95.14263 93.88130 96.40395
## 1694 92.88936 91.73134 94.04739
## 1695 91.64545 90.53681 92.75408
## 1696 91.87286 90.75565 92.99006
## 1697 91.90777 90.78923 93.02631
## 1698 91.59805 90.49118 92.70492
## 1699 91.69138 90.58103 92.80173
## 1700 85.26588 84.29340 86.23836
## 1701 90.05955 89.00448 91.11461
## 1702 81.86189 80.86506 82.85872
## 1703 85.12529 84.15320 86.09737
## 1704 104.21886 102.42650 106.01121
## 1705 104.73209 102.90626 106.55792
## 1706 103.95640 102.18107 105.73173
## 1707 106.98456 105.00908 108.96003
## 1708 72.12918 70.75246 73.50590
## 1709 71.50576 70.09448 72.91704
## 1710 73.76499 72.47480 75.05519
## 1711 72.50886 71.15279 73.86493
## 1712 92.15284 91.02479 93.28089
## 1713 92.76896 91.61597 93.92194
## 1714 92.88565 91.72778 94.04352
## 1715 91.79997 90.68554 92.91441
## 1716 95.44026 94.16414 96.71639
## 1717 95.85858 94.56125 97.15591
## 1718 93.21594 92.04399 94.38790
## 1719 93.06168 91.89635 94.22701
## 1720 92.14115 91.01356 93.26875
## 1721 92.14235 91.01471 93.26999
## 1722 90.74523 89.66839 91.82207
## 1723 90.34152 89.27776 91.40528
## 1724 84.57887 83.60715 85.55058
## 1725 83.89464 82.92080 84.86848
## 1726 81.78078 80.78252 82.77903
## 1727 84.81132 83.83967 85.78297
## 1728 107.96588 105.92400 110.00777
## 1729 112.20172 109.86653 114.53691
## 1730 112.14184 109.81086 114.47282
## 1731 112.33885 109.99402 114.68369
## 1732 94.87672 93.62840 96.12503
## 1733 93.32998 92.15307 94.50689
## 1734 95.51620 94.23626 96.79614
## 1735 93.28418 92.10926 94.45910
## 1736 99.79677 98.28039 101.31315
## 1737 102.94892 101.23826 104.65958
## 1738 104.07455 102.29157 105.85754
## 1739 101.67128 100.04097 103.30159
## 1740 91.02003 89.93386 92.10621
## 1741 92.81184 91.65706 93.96661
## 1742 99.84323 98.32410 101.36237
## 1743 98.36938 96.93600 99.80276
## 1744 93.68032 92.48792 94.87273
## 1745 94.02761 92.81944 95.23578
## 1746 92.76311 91.61037 93.91586
## 1747 93.20546 92.03395 94.37696
## 1748 94.08616 92.87529 95.29703
## 1749 92.34029 91.20480 93.47577
## 1750 95.00323 93.74875 96.25771
## 1751 93.25843 92.08463 94.43222
## 1752 108.94655 106.83765 111.05545
## 1753 101.40033 99.78679 103.01386
## 1754 98.47320 97.03391 99.91249
## 1755 99.36160 97.87090 100.85229
## 1756 105.57429 103.69300 107.45558
## 1757 106.29688 104.36753 108.22623
## 1758 95.47053 94.19289 96.74818
## 1759 96.95978 95.60453 98.31504
## 1760 92.28944 91.15599 93.42290
## 1761 94.13129 92.91834 95.34425
## 1762 91.45043 90.34898 92.55188
## 1763 92.47809 91.33705 93.61912
## 1764 104.13097 102.34433 105.91762
## 1765 103.33006 101.59506 105.06506
## 1766 101.02502 99.43456 102.61549
## 1767 105.87472 103.97350 107.77594
## 1768 92.86560 91.70857 94.02263
## 1769 92.53796 91.39449 93.68143
## 1770 93.93535 92.73140 95.13929
## 1771 93.90508 92.70251 95.10764
## 1772 97.45802 96.07562 98.84041
## 1773 96.13126 94.81986 97.44265
## 1774 98.07228 96.65570 99.48885
## 1775 102.50432 100.82184 104.18680
## 1776 92.72408 91.57296 93.87521
## 1777 91.38883 90.28961 92.48804
## 1778 93.42955 92.24828 94.61082
## 1779 93.25073 92.07726 94.42419
## 1780 71.56019 70.15196 72.96842
## 1781 83.07820 82.09808 84.05831
## 1782 86.08418 85.10702 87.06134
## 1783 83.80477 82.83043 84.77910
## 1784 101.62535 99.99789 103.25281
## 1785 103.79178 102.02709 105.55648
## 1786 94.32538 93.10338 95.54738
## 1787 96.27649 94.95752 97.59546
## 1788 104.63797 102.81830 106.45764
## 1789 107.27941 105.28405 109.27477
## 1790 100.24190 98.69894 101.78486
## 1791 99.70610 98.19510 101.21710
## 1792 72.96395 71.63218 74.29571
## 1793 72.34570 70.98080 73.71061
## 1794 77.75828 76.64666 78.86991
## 1795 78.24775 77.15401 79.34149
## 1796 78.68000 77.60120 79.75880
## 1797 77.03636 75.89656 78.17615
## 1798 79.16177 78.09863 80.22492
## 1799 83.24388 82.26536 84.22239
## 1800 72.61706 71.26681 73.96731
## 1801 69.07514 67.52214 70.62814
## 1802 96.63467 95.29681 97.97252
## 1803 97.94616 96.53666 99.35565
## 1804 78.57221 77.48976 79.65466
## 1805 71.19657 69.76786 72.62529
## 1806 81.53770 80.53497 82.54043
## 1807 81.47703 80.47313 82.48093
## 1808 78.48061 77.39502 79.56619
## 1809 83.70082 82.72586 84.67578
## 1810 74.11839 72.84601 75.39077
## 1811 68.95659 67.39643 70.51675
## 1812 88.22686 87.21854 89.23517
## 1813 79.67434 78.62666 80.72202
## 1814 90.71310 89.63733 91.78888
## 1815 88.36864 87.35734 89.37994
## 1816 90.56428 89.49340 91.63517
## 1817 86.94178 85.95537 87.92820
## 1818 75.39364 74.18259 76.60469
## 1819 76.74708 75.59544 77.89873
## 1820 78.38037 77.29131 79.46944
## 1821 74.75509 73.51393 75.99625
## 1822 89.18681 88.15617 90.21745
## 1823 89.29036 88.25702 90.32370
## 1824 68.56881 66.98508 70.15254
## 1825 72.04169 70.66018 73.42321
## 1826 100.50954 98.95044 102.06863
## 1827 101.32784 99.71878 102.93690
## 1828 78.59663 77.51502 79.67825
## 1829 76.10362 74.92451 77.28272
## 1830 80.34861 79.31929 81.37792
## 1831 80.21692 79.18419 81.24964
## 1832 80.20802 79.17507 81.24098
## 1833 83.12493 82.14528 84.10457
## 1834 74.07153 72.79681 75.34625
## 1835 76.84798 75.70050 77.99545
## 1836 88.80275 87.78163 89.82387
## 1837 90.78479 89.70663 91.86295
## 1838 99.36744 97.87640 100.85848
## 1839 98.62095 97.17321 100.06870
## 1840 90.43047 89.36389 91.49704
## 1841 91.44233 90.34117 92.54348
## 1842 75.36921 74.15703 76.58139
## 1843 76.55140 75.39156 77.71124
## 1844 76.50401 75.34216 77.66585
## 1845 73.56108 72.26046 74.86170
## 1846 91.99672 90.87475 93.11868
## 1847 92.78011 91.62666 93.93356
## 1848 72.43439 71.07429 73.79448
## 1849 79.65324 78.60494 80.70153
## 1850 71.36424 69.94501 72.78348
## 1851 75.46254 74.25466 76.67042
## 1852 93.80232 92.60442 95.00023
## 1853 96.25990 94.94180 97.57799
## 1854 97.87832 96.47262 99.28402
## 1855 95.94659 94.64474 97.24844
## 1856 76.95538 75.81230 78.09846
## 1857 76.85103 75.70368 77.99838
## 1858 74.24265 72.97645 75.50885
## 1859 72.50740 71.15125 73.86355
## 1860 75.01051 73.78154 76.23947
## 1861 82.34884 81.35974 83.33794
## 1862 79.71656 78.67010 80.76302
## 1863 78.48273 77.39721 79.56825
## 1864 79.88304 78.84128 80.92479
## 1865 85.36770 84.39486 86.34054
## 1866 91.56287 90.45730 92.66844
## 1867 86.25517 85.27651 87.23383
## 1868 74.33332 73.07161 75.59503
## 1869 76.25111 75.07843 77.42379
## 1870 73.91580 72.63326 75.19835
## 1871 74.21703 72.94956 75.48449
## 1872 89.17871 88.14828 90.20915
## 1873 88.74540 87.72564 89.76516
## 1874 83.22263 82.24392 84.20135
## 1875 75.75009 74.55528 76.94489
## 1876 90.48583 89.41748 91.55417
## 1877 90.54795 89.47760 91.61831
## 1878 90.54623 89.47593 91.61653
## 1879 91.15717 90.06622 92.24812
## 1880 89.81581 88.76794 90.86367
## 1881 90.81400 89.73485 91.89314
## 1882 83.67082 82.69566 84.64598
## 1883 80.98769 79.97362 82.00177
## 1884 75.25491 74.03742 76.47240
## 1885 76.66026 75.50500 77.81552
## 1886 76.42223 75.25691 77.58755
## 1887 77.62407 76.50736 78.74077
## 1888 71.54731 70.13836 72.95626
## 1889 76.96308 75.82031 78.10584
## 1890 74.93324 73.70061 76.16588
## 1891 74.81509 73.57681 76.05337
## 1892 86.78447 85.80008 87.76886
## 1893 85.51015 84.53670 86.48360
## 1894 87.68760 86.68962 88.68558
## 1895 89.68000 88.63602 90.72398
## 1896 66.91932 65.23304 68.60560
## 1897 68.42610 66.83364 70.01856
## 1898 95.35172 94.08002 96.62341
## 1899 96.82663 95.47853 98.17473
## 1900 79.00194 77.93372 80.07016
## 1901 78.77134 77.69559 79.84709
## 1902 82.25777 81.26733 83.24821
## 1903 82.24024 81.24954 83.23095
## 1904 86.56423 85.58242 87.54603
## 1905 81.81702 80.81941 82.81463
## 1906 74.18902 72.92016 75.45788
## 1907 75.32447 74.11022 76.53873
## 1908 90.67407 89.59959 91.74855
## 1909 95.31707 94.04710 96.58704
## 1910 98.95696 97.48985 100.42407
## 1911 98.13467 96.71458 99.55476
## 1912 90.42489 89.35849 91.49129
## 1913 91.14655 90.05597 92.23713
## 1914 75.28345 74.06729 76.49961
## 1915 75.86200 74.67221 77.05179
## 1916 73.34894 72.03736 74.66052
## 1917 74.79664 73.55747 76.03580
## 1918 92.88857 91.73058 94.04656
## 1919 92.84702 91.69077 94.00326
## 1920 72.26472 70.89541 73.63403
## 1921 72.48775 71.13054 73.84497
## 1922 73.91395 72.63130 75.19659
## 1923 76.72319 75.57055 77.87582
## 1924 97.90978 96.50233 99.31724
## 1925 96.00222 94.69750 97.30693
## 1926 97.84274 96.43903 99.24645
## 1927 98.65228 97.20275 100.10182
## 1928 77.74979 76.63784 78.86173
## 1929 78.08818 76.98872 79.18764
## 1930 79.54292 78.49139 80.59444
## 1931 74.78841 73.54885 76.02797
## 1932 80.22501 79.19250 81.25752
## 1933 76.68416 75.52989 77.83842
## 1934 78.73815 77.66130 79.81501
## 1935 76.81864 75.66995 77.96732
## 1936 81.12669 80.11564 82.13774
## 1937 79.24860 78.18816 80.30903
## 1938 86.11445 85.13703 87.09186
## 1939 87.01281 86.02543 88.00018
## 1940 74.10910 72.83625 75.38194
## 1941 74.07816 72.80378 75.35255
## 1942 73.60011 72.30150 74.89873
## 1943 71.21556 69.78792 72.64319
## 1944 88.43807 87.42527 89.45087
## 1945 88.31633 87.30615 89.32652
## 1946 81.40680 80.40152 82.41208
## 1947 76.07693 74.89666 77.25721
## 1948 89.51087 88.47160 90.55013
## 1949 89.83957 88.79102 90.88813
## 1950 96.69507 95.35400 98.03614
## 1951 99.03077 97.55938 100.50216
## 1952 90.15765 89.09961 91.21570
## 1953 90.73819 89.66159 91.81480
## 1954 85.89235 84.91665 86.86805
## 1955 82.44362 81.45587 83.43138
## 1956 76.30620 75.13590 77.47650
## 1957 78.36829 77.27880 79.45778
## 1958 76.56614 75.40692 77.72535
## 1959 76.82607 75.67770 77.97445
## 1960 75.17499 73.95377 76.39621
## 1961 77.71553 76.60230 78.82877
## 1962 72.89744 71.56215 74.23272
## 1963 74.75044 73.50906 75.99182
## 1964 87.90307 86.90115 88.90498
## 1965 87.22203 86.23165 88.21241
## 1966 90.06632 89.01105 91.12159
## 1967 89.32448 88.29024 90.35872
## 1968 74.30013 73.03678 75.56348
## 1969 76.94701 75.80359 78.09043
## 1970 70.10360 68.61181 71.59538
## 1971 72.12214 70.74504 73.49924
## 1972 99.93935 98.41449 101.46421
## 1973 98.81013 97.35151 100.26875
## 1974 99.93404 98.40950 101.45858
## 1975 100.26553 98.72115 101.80991
## 1976 78.59146 77.50966 79.67325
## 1977 77.48666 76.36468 78.60865
## 1978 74.10936 72.83653 75.38219
## 1979 76.48609 75.32348 77.64869
## 1980 82.18077 81.18916 83.17238
## 1981 80.26072 79.22915 81.29230
## 1982 80.87485 79.85824 81.89146
## 1983 80.24639 79.21444 81.27834
## 1984 84.50319 83.53138 85.47501
## 1985 88.89687 87.87349 89.92025
## 1986 85.47165 84.49837 86.44492
## 1987 86.56104 85.57927 87.54280
## 1988 74.40766 73.14961 75.66572
## 1989 70.40190 68.92754 71.87626
## 1990 74.61383 73.36585 75.86182
## 1991 74.35801 73.09752 75.61851
## 1992 88.23402 87.22556 89.24249
## 1993 89.12495 88.09589 90.15400
## 1994 90.81280 89.73370 91.89191
## 1995 90.86949 89.78847 91.95051
## 1996 94.72206 93.48121 95.96290
## 1997 89.67456 88.63073 90.71838
## 1998 99.88585 98.36418 101.40752
## 1999 97.67308 96.27881 99.06735
## 2000 90.54012 89.47002 91.61022
Con base en el conjunto de datos descrito en la sección sección 1.2. se formulará un modelo de regresión lineal múltiple para estudiar la relación lineal múltiple supuesta entre las varaibles definidas por los campos: PESO (variable dependiente) y los demás como variables independientes: H20, FAF, ALTURA, FUMAS, EDAD, CAEC, SEXO y CALC.
Desarrollo del Análisis
El estudio de regresión lineal múltiple ha sido procesado con R version 4.3.3 (2024-02-29 ucrt) mediado por RStudio 2022.07.2 Build 576 en una plataforma x86_64-w64-mingw32.
Resumen estadístico de las variables de estudio.
summary(Obesity_Dataset$EDAD)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 14.00 20.00 23.00 24.35 26.00 61.00
summary(Obesity_Dataset$ALTURA)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.450 1.630 1.702 1.703 1.771 1.980
summary(Obesity_Dataset$FCVC)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 2.000 2.392 3.000 3.000
summary(Obesity_Dataset$NCP)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 3.000 3.000 2.671 3.000 4.000
summary(Obesity_Dataset$H2O)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 2.000 1.998 2.000 3.000
summary(Obesity_Dataset$FAF)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 0.000 1.000 1.029 2.000 3.000
table(Obesity_Dataset$SEXO)
##
## F M
## 932 1068
prop.table(table(Obesity_Dataset$SEXO))
##
## F M
## 0.466 0.534
barplot(table(Obesity_Dataset$SEXO))
table(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)
##
## NO SI
## 385 1615
prop.table(table(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO))
##
## NO SI
## 0.1925 0.8075
barplot(table(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO))
table(Obesity_Dataset$FAVC)
##
## NO SI
## 245 1755
prop.table(table(Obesity_Dataset$FAVC))
##
## NO SI
## 0.1225 0.8775
barplot(table(Obesity_Dataset$FAVC))
table(Obesity_Dataset$CAEC)
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE
## 1654 242 51 53
prop.table(table(Obesity_Dataset$CAEC))
##
## ALGUNAS_VECES FRECUENTEMENTE NO SIEMPRE
## 0.8270 0.1210 0.0255 0.0265
barplot(table(Obesity_Dataset$CAEC))
table(Obesity_Dataset$FUMAS)
##
## NO SI
## 1956 44
prop.table(table(Obesity_Dataset$FUMAS))
##
## NO SI
## 0.978 0.022
barplot(table(Obesity_Dataset$FUMAS))
table(Obesity_Dataset$SCC)
##
## NO SI
## 1904 96
prop.table(table(Obesity_Dataset$SCC))
##
## NO SI
## 0.952 0.048
barplot(table(Obesity_Dataset$SCC))
table(Obesity_Dataset$TUE)
##
## FRECUENTEMENTE NUNCA SIEMPRE
## 912 244 844
prop.table(table(Obesity_Dataset$TUE))
##
## FRECUENTEMENTE NUNCA SIEMPRE
## 0.456 0.122 0.422
barplot(table(Obesity_Dataset$TUE))
table(Obesity_Dataset$CALC)
##
## NO SI
## 640 1360
prop.table(table(Obesity_Dataset$CALC))
##
## NO SI
## 0.32 0.68
barplot(table(Obesity_Dataset$CALC))
table(Obesity_Dataset$MEDIO_TRANS)
##
## AUTOMOVIL CAMINANDO CICLA MOTOCILETA
## 457 56 7 11
## TRANSPORTE_PÚBLICO
## 1469
prop.table(table(Obesity_Dataset$MEDIO_TRANS))
##
## AUTOMOVIL CAMINANDO CICLA MOTOCILETA
## 0.2285 0.0280 0.0035 0.0055
## TRANSPORTE_PÚBLICO
## 0.7345
barplot(table(Obesity_Dataset$MEDIO_TRANS))
table(Obesity_Dataset$ENFERMEDAD_CARDIACA)
##
## NO SI
## 965 1035
prop.table(table(Obesity_Dataset$ENFERMEDAD_CARDIACA))
##
## NO SI
## 0.4825 0.5175
barplot(table(Obesity_Dataset$ENFERMEDAD_CARDIACA))
pairs(~EDAD + ALTURA + FCVC + NCP + H2O + FAF, data = Obesity_Dataset)
Formulación del modelo de RLM entre las variables de estudio.
La navegación a través de las pestañas muestra el resúmen y la tabla ANOVA del modelo de regresión lineal múltiple total y los coeficientes tanto del modelo mencionado como el logrado luego de reducirlo. Con base en la exploración de los datos en el apartado anterior, el resúmen y la tabla ANOVA del modelo total se formulan para la comparación de dos modelos RLM: uno que incluye a todas las varibles del conjunto de datos, y el otro que excluye a SEXO,EDAD,HISTORIAL_FAMILIAR_SOBREPESO,FAVC,FCVC,FUMAS,SCC,FAF,TUE,CALC,IMC ENFERMEDAD_CARDIACA. Se menciona de nuevo que PESO es la variable dependiente.
Al considerar los resultados presentados en la pestaña Coeficientes del Modelo RLM Total se puede establer que el modelo de regresión lineal múltiple total que relaciona a las variables de interés, las cuales se resumirán como: \(ALTURA\) (ALTURA), \(FAF\) (FAF), \(HS\) (HISTORIAL_FAMILIAR_SOBREPESO), \(CAEC\) (CAEC) , \(SCC\) (SCC) , \(FAVC\) (FAVC) , \(TUE\) (TUE) , \(CALC\) (CALC) Y \(MT\) (MEDIO_TRANS) .tiene la formulación (con coeficientes redondeados a cuatro cifras decimales por motivos de edición): \[\tiny \hat{PESO}= -178.4738+115.3298\cdot ALTURA-2.4447\cdot FAF+17.4337\cdot HFS_s-17.9317\cdot CAEC_f+11.6763\cdot MT_m+5.6729\cdot FCVC+4.3453\cdot FAVC_s-3.8152\cdot TUE+6.1168\cdot CALC_s+4.8104\cdot MT_c+13.4212\cdot MT_t\hspace{10mm}(28)\]para este modelo se obvia la interpretación del intercepto por carecer de sentido dado que PESO resultaría negativa en caso de un que las variables predictoras fuesen nulas a la vez, y ambas situaciones carecen de sentido.
Por otro lado, luego de auscultar el resumen estadístico y la tabla ANOVA del modelo RLM Total (como se muestra en la pestaña homónima), se pudo establecer, con el apoyo de los resúmenes estadísticos de las variables de estudio, que podía excluirse directamente del modelo por baja significancia las variables MEDIO_TRANS , TUE y FAF Esto implicó que se calculase un modelo reducido con la formulación (con base en las mismas consideraciones de edición del modelo total):\[\hat{PESO}=-129.1668+ 104.1638\cdot ALTURA+20.2322\cdot HS_s-18.6088\cdot CAEC_f-10.1458\cdot CAEC_s+6.9552\cdot CALC_s+ 6.9552\cdot FCVC\hspace{10mm}(29)\]
summary(lm(Obesity_Dataset$EDAD~Obesity_Dataset$ALTURA+Obesity_Dataset$FCVC+Obesity_Dataset$NCP+Obesity_Dataset$H2O+Obesity_Dataset$FAF+as.factor(Obesity_Dataset$SEXO)+as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)+as.factor(Obesity_Dataset$FAVC)+as.factor(Obesity_Dataset$CAEC)+as.factor(Obesity_Dataset$FUMAS)+as.factor(Obesity_Dataset$SCC)+as.factor(Obesity_Dataset$TUE)+as.factor(Obesity_Dataset$CALC)+as.factor(Obesity_Dataset$MEDIO_TRANS)+as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA)))
##
## Call:
## lm(formula = Obesity_Dataset$EDAD ~ Obesity_Dataset$ALTURA +
## Obesity_Dataset$FCVC + Obesity_Dataset$NCP + Obesity_Dataset$H2O +
## Obesity_Dataset$FAF + as.factor(Obesity_Dataset$SEXO) + as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO) +
## as.factor(Obesity_Dataset$FAVC) + as.factor(Obesity_Dataset$CAEC) +
## as.factor(Obesity_Dataset$FUMAS) + as.factor(Obesity_Dataset$SCC) +
## as.factor(Obesity_Dataset$TUE) + as.factor(Obesity_Dataset$CALC) +
## as.factor(Obesity_Dataset$MEDIO_TRANS) + as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA))
##
## Residuals:
## Min 1Q Median 3Q Max
## -14.889 -2.673 -0.316 2.204 41.921
##
## Coefficients:
## Estimate Std. Error
## (Intercept) 41.20755 2.56209
## Obesity_Dataset$ALTURA -6.02380 1.67235
## Obesity_Dataset$FCVC 0.40168 0.19243
## Obesity_Dataset$NCP -0.46198 0.13631
## Obesity_Dataset$H2O -0.03159 0.16530
## Obesity_Dataset$FAF -0.52306 0.12919
## as.factor(Obesity_Dataset$SEXO)M 0.25671 0.29440
## as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)SI 2.38686 0.30536
## as.factor(Obesity_Dataset$FAVC)SI 0.11641 0.35275
## as.factor(Obesity_Dataset$CAEC)FRECUENTEMENTE -0.60211 0.35343
## as.factor(Obesity_Dataset$CAEC)NO -1.39209 0.72811
## as.factor(Obesity_Dataset$CAEC)SIEMPRE -0.87733 0.67336
## as.factor(Obesity_Dataset$FUMAS)SI 3.98146 0.73305
## as.factor(Obesity_Dataset$SCC)SI -2.39022 0.52218
## as.factor(Obesity_Dataset$TUE)NUNCA -3.08923 0.35497
## as.factor(Obesity_Dataset$TUE)SIEMPRE -2.33431 0.23645
## as.factor(Obesity_Dataset$CALC)SI 0.59361 0.24088
## as.factor(Obesity_Dataset$MEDIO_TRANS)CAMINANDO -7.76130 0.69803
## as.factor(Obesity_Dataset$MEDIO_TRANS)CICLA -5.30955 1.82624
## as.factor(Obesity_Dataset$MEDIO_TRANS)MOTOCILETA -5.31685 1.46522
## as.factor(Obesity_Dataset$MEDIO_TRANS)TRANSPORTE_PÚBLICO -8.71676 0.26495
## as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA)SI -0.20348 0.21357
## t value Pr(>|t|)
## (Intercept) 16.084 < 2e-16 ***
## Obesity_Dataset$ALTURA -3.602 0.000324 ***
## Obesity_Dataset$FCVC 2.087 0.036977 *
## Obesity_Dataset$NCP -3.389 0.000714 ***
## Obesity_Dataset$H2O -0.191 0.848445
## Obesity_Dataset$FAF -4.049 5.35e-05 ***
## as.factor(Obesity_Dataset$SEXO)M 0.872 0.383319
## as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)SI 7.817 8.75e-15 ***
## as.factor(Obesity_Dataset$FAVC)SI 0.330 0.741428
## as.factor(Obesity_Dataset$CAEC)FRECUENTEMENTE -1.704 0.088605 .
## as.factor(Obesity_Dataset$CAEC)NO -1.912 0.056030 .
## as.factor(Obesity_Dataset$CAEC)SIEMPRE -1.303 0.192756
## as.factor(Obesity_Dataset$FUMAS)SI 5.431 6.28e-08 ***
## as.factor(Obesity_Dataset$SCC)SI -4.577 5.00e-06 ***
## as.factor(Obesity_Dataset$TUE)NUNCA -8.703 < 2e-16 ***
## as.factor(Obesity_Dataset$TUE)SIEMPRE -9.873 < 2e-16 ***
## as.factor(Obesity_Dataset$CALC)SI 2.464 0.013812 *
## as.factor(Obesity_Dataset$MEDIO_TRANS)CAMINANDO -11.119 < 2e-16 ***
## as.factor(Obesity_Dataset$MEDIO_TRANS)CICLA -2.907 0.003685 **
## as.factor(Obesity_Dataset$MEDIO_TRANS)MOTOCILETA -3.629 0.000292 ***
## as.factor(Obesity_Dataset$MEDIO_TRANS)TRANSPORTE_PÚBLICO -32.900 < 2e-16 ***
## as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA)SI -0.953 0.340827
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.755 on 1978 degrees of freedom
## Multiple R-squared: 0.4701, Adjusted R-squared: 0.4645
## F-statistic: 83.57 on 21 and 1978 DF, p-value: < 2.2e-16
anova(lm(Obesity_Dataset$EDAD~Obesity_Dataset$ALTURA+Obesity_Dataset$FCVC+Obesity_Dataset$NCP+Obesity_Dataset$H2O+Obesity_Dataset$FAF+as.factor(Obesity_Dataset$SEXO)+as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)+as.factor(Obesity_Dataset$FAVC)+as.factor(Obesity_Dataset$CAEC)+as.factor(Obesity_Dataset$FUMAS)+as.factor(Obesity_Dataset$SCC)+as.factor(Obesity_Dataset$TUE)+as.factor(Obesity_Dataset$CALC)+as.factor(Obesity_Dataset$MEDIO_TRANS)+as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA)))
## Analysis of Variance Table
##
## Response: Obesity_Dataset$EDAD
## Df Sum Sq Mean Sq
## Obesity_Dataset$ALTURA 1 19 18.9
## Obesity_Dataset$FCVC 1 11 10.9
## Obesity_Dataset$NCP 1 129 129.1
## Obesity_Dataset$H2O 1 44 43.6
## Obesity_Dataset$FAF 1 1211 1211.0
## as.factor(Obesity_Dataset$SEXO) 1 472 472.4
## as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO) 1 3842 3841.7
## as.factor(Obesity_Dataset$FAVC) 1 49 48.8
## as.factor(Obesity_Dataset$CAEC) 3 555 185.1
## as.factor(Obesity_Dataset$FUMAS) 1 733 732.6
## as.factor(Obesity_Dataset$SCC) 1 464 463.8
## as.factor(Obesity_Dataset$TUE) 2 7598 3798.9
## as.factor(Obesity_Dataset$CALC) 1 26 25.5
## as.factor(Obesity_Dataset$MEDIO_TRANS) 4 24505 6126.2
## as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA) 1 21 20.5
## Residuals 1978 44716 22.6
## F value Pr(>F)
## Obesity_Dataset$ALTURA 0.8349 0.36096
## Obesity_Dataset$FCVC 0.4822 0.48751
## Obesity_Dataset$NCP 5.7088 0.01697 *
## Obesity_Dataset$H2O 1.9275 0.16518
## Obesity_Dataset$FAF 53.5664 3.617e-13 ***
## as.factor(Obesity_Dataset$SEXO) 20.8963 5.148e-06 ***
## as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO) 169.9351 < 2.2e-16 ***
## as.factor(Obesity_Dataset$FAVC) 2.1582 0.14197
## as.factor(Obesity_Dataset$CAEC) 8.1876 2.043e-05 ***
## as.factor(Obesity_Dataset$FUMAS) 32.4043 1.439e-08 ***
## as.factor(Obesity_Dataset$SCC) 20.5142 6.272e-06 ***
## as.factor(Obesity_Dataset$TUE) 168.0416 < 2.2e-16 ***
## as.factor(Obesity_Dataset$CALC) 1.1294 0.28803
## as.factor(Obesity_Dataset$MEDIO_TRANS) 270.9882 < 2.2e-16 ***
## as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA) 0.9078 0.34083
## Residuals
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
coefficients(lm(Obesity_Dataset$PESO~Obesity_Dataset$EDAD+Obesity_Dataset$ALTURA+Obesity_Dataset$FCVC+Obesity_Dataset$NCP+Obesity_Dataset$H2O+Obesity_Dataset$FAF+as.factor(Obesity_Dataset$SEXO)+as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)+as.factor(Obesity_Dataset$FAVC)+as.factor(Obesity_Dataset$CAEC)+as.factor(Obesity_Dataset$FUMAS)+as.factor(Obesity_Dataset$SCC)+as.factor(Obesity_Dataset$TUE)+as.factor(Obesity_Dataset$CALC)+as.factor(Obesity_Dataset$MEDIO_TRANS)+as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA)))
## (Intercept)
## -178.47380218
## Obesity_Dataset$EDAD
## 1.04061426
## Obesity_Dataset$ALTURA
## 115.32982010
## Obesity_Dataset$FCVC
## 5.67292140
## Obesity_Dataset$NCP
## -0.03625121
## Obesity_Dataset$H2O
## 0.94559615
## Obesity_Dataset$FAF
## -2.44474460
## as.factor(Obesity_Dataset$SEXO)M
## -1.78849396
## as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)SI
## 17.43371463
## as.factor(Obesity_Dataset$FAVC)SI
## 4.34530936
## as.factor(Obesity_Dataset$CAEC)FRECUENTEMENTE
## -17.93176731
## as.factor(Obesity_Dataset$CAEC)NO
## -1.96694911
## as.factor(Obesity_Dataset$CAEC)SIEMPRE
## -9.31199525
## as.factor(Obesity_Dataset$FUMAS)SI
## -0.21170697
## as.factor(Obesity_Dataset$SCC)SI
## -3.36693405
## as.factor(Obesity_Dataset$TUE)NUNCA
## -3.81519680
## as.factor(Obesity_Dataset$TUE)SIEMPRE
## 1.90134955
## as.factor(Obesity_Dataset$CALC)SI
## 6.11685743
## as.factor(Obesity_Dataset$MEDIO_TRANS)CAMINANDO
## 5.16945798
## as.factor(Obesity_Dataset$MEDIO_TRANS)CICLA
## 4.81040484
## as.factor(Obesity_Dataset$MEDIO_TRANS)MOTOCILETA
## 11.67634487
## as.factor(Obesity_Dataset$MEDIO_TRANS)TRANSPORTE_PÚBLICO
## 13.42125886
## as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA)SI
## -0.45371001
coefficients(lm(Obesity_Dataset$PESO~Obesity_Dataset$ALTURA+Obesity_Dataset$FAF+Obesity_Dataset$FCVC+as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)+as.factor(Obesity_Dataset$CAEC)+as.factor(Obesity_Dataset$SCC)+as.factor(Obesity_Dataset$MEDIO_TRANS)+as.factor(Obesity_Dataset$FAVC)+as.factor(Obesity_Dataset$TUE)+as.factor(Obesity_Dataset$CALC)))
## (Intercept)
## -129.1668804
## Obesity_Dataset$ALTURA
## 104.1638053
## Obesity_Dataset$FAF
## -2.9522411
## Obesity_Dataset$FCVC
## 6.3792826
## as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)SI
## 20.2322395
## as.factor(Obesity_Dataset$CAEC)FRECUENTEMENTE
## -18.6088754
## as.factor(Obesity_Dataset$CAEC)NO
## -2.8703270
## as.factor(Obesity_Dataset$CAEC)SIEMPRE
## -10.1458381
## as.factor(Obesity_Dataset$SCC)SI
## -5.5906556
## as.factor(Obesity_Dataset$MEDIO_TRANS)CAMINANDO
## -2.7342598
## as.factor(Obesity_Dataset$MEDIO_TRANS)CICLA
## -1.0233373
## as.factor(Obesity_Dataset$MEDIO_TRANS)MOTOCILETA
## 6.1619830
## as.factor(Obesity_Dataset$MEDIO_TRANS)TRANSPORTE_PÚBLICO
## 4.5811873
## as.factor(Obesity_Dataset$FAVC)SI
## 4.4013428
## as.factor(Obesity_Dataset$TUE)NUNCA
## -6.9177782
## as.factor(Obesity_Dataset$TUE)SIEMPRE
## -0.5231637
## as.factor(Obesity_Dataset$CALC)SI
## 6.9552232
Análisis del modelo RLM.
La navegación a través de las pestañas, primero por Mejor Modelo Iterado según AIC, muestra que la decisión de excluir del modelo total a la variable SOP resultó acertada, el algoritmo iterado que considera componentes ANOVA y de desviación de residuales la excluyó en la cuarta iteración. Además, el mismo algoritmo determinó un modelo basado en las mismas variables del modelo reducido fundamento en la inspección de varaibles de las dos secciones precedentes.
segun Mejor modelo Iterado según AIC se deduce que nuestro modelo de regresion multiple predice el peso (PESO) basado en variables como altura, frecuencia de actividad física, consumo de vegetales, historial familiar de sobrepeso, consumo de comida rápida, consumo de alcohol, medio de transporte, consumo de comida hipercalórica y uso de tecnología. Los resultados indican que las variables altura y HISTORIAL_FAMILIAR_SOBREPESO tienen un efecto positivo significativo en nuestra variable predicha PESO, mientras que las variables FAVC tiene un efecto negativo. El uso de ciertos medios de transporte, como la motocicleta y el transporte público, también aumenta el peso. El modelo tiene un AIC de 11480.35 y una RSS de 611750, sugiriendo que múltiples factores influyen en el peso de manera compleja.
Comparando los modelos de regresión lineal múltiple, el Modelo RLM TOTAL con 23 parámetros muestra el mejor desempeño con un AIC de 11480.35 y un BIC de 12064.95, sugiriendo un equilibrio óptimo entre ajuste y complejidad. A pesar de tener más parámetros, este modelo proporciona un mejor ajuste a los datos en comparación con el Modelo RLM REDUCIDO y el Modelo Iterado STEP, ambos con 18 parámetros y un BIC significativamente más alto de 17258.92, indicando que estos modelos son menos eficientes en balancear el ajuste con la penalización por la cantidad de parámetros. Por lo tanto, el Modelo RLM TOTAL es preferible para predecir el peso en este conjunto de datos.
modelo_Iterado_STEP = step(lm(Obesity_Dataset$PESO~Obesity_Dataset$ALTURA+Obesity_Dataset$FAF+Obesity_Dataset$FCVC+as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)+as.factor(Obesity_Dataset$CAEC)+as.factor(Obesity_Dataset$SCC)+as.factor(Obesity_Dataset$MEDIO_TRANS)+as.factor(Obesity_Dataset$FAVC)+as.factor(Obesity_Dataset$TUE)+as.factor(Obesity_Dataset$CALC)))
## Start: AIC=11480.35
## Obesity_Dataset$PESO ~ Obesity_Dataset$ALTURA + Obesity_Dataset$FAF +
## Obesity_Dataset$FCVC + as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO) +
## as.factor(Obesity_Dataset$CAEC) + as.factor(Obesity_Dataset$SCC) +
## as.factor(Obesity_Dataset$MEDIO_TRANS) + as.factor(Obesity_Dataset$FAVC) +
## as.factor(Obesity_Dataset$TUE) + as.factor(Obesity_Dataset$CALC)
##
## Df Sum of Sq RSS
## <none> 611750
## - as.factor(Obesity_Dataset$SCC) 1 2602 614352
## - as.factor(Obesity_Dataset$FAVC) 1 3556 615306
## - as.factor(Obesity_Dataset$MEDIO_TRANS) 4 9138 620888
## - as.factor(Obesity_Dataset$TUE) 2 9064 620814
## - Obesity_Dataset$FAF 1 12022 623772
## - as.factor(Obesity_Dataset$CALC) 1 19344 631094
## - Obesity_Dataset$FCVC 1 26221 637971
## - as.factor(Obesity_Dataset$CAEC) 3 66576 678326
## - as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO) 1 101316 713065
## - Obesity_Dataset$ALTURA 1 150862 762612
## AIC
## <none> 11480
## - as.factor(Obesity_Dataset$SCC) 11487
## - as.factor(Obesity_Dataset$FAVC) 11490
## - as.factor(Obesity_Dataset$MEDIO_TRANS) 11502
## - as.factor(Obesity_Dataset$TUE) 11506
## - Obesity_Dataset$FAF 11517
## - as.factor(Obesity_Dataset$CALC) 11541
## - Obesity_Dataset$FCVC 11562
## - as.factor(Obesity_Dataset$CAEC) 11681
## - as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO) 11785
## - Obesity_Dataset$ALTURA 11919
coefficients(modelo_Iterado_STEP)
## (Intercept)
## -129.1668804
## Obesity_Dataset$ALTURA
## 104.1638053
## Obesity_Dataset$FAF
## -2.9522411
## Obesity_Dataset$FCVC
## 6.3792826
## as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)SI
## 20.2322395
## as.factor(Obesity_Dataset$CAEC)FRECUENTEMENTE
## -18.6088754
## as.factor(Obesity_Dataset$CAEC)NO
## -2.8703270
## as.factor(Obesity_Dataset$CAEC)SIEMPRE
## -10.1458381
## as.factor(Obesity_Dataset$SCC)SI
## -5.5906556
## as.factor(Obesity_Dataset$MEDIO_TRANS)CAMINANDO
## -2.7342598
## as.factor(Obesity_Dataset$MEDIO_TRANS)CICLA
## -1.0233373
## as.factor(Obesity_Dataset$MEDIO_TRANS)MOTOCILETA
## 6.1619830
## as.factor(Obesity_Dataset$MEDIO_TRANS)TRANSPORTE_PÚBLICO
## 4.5811873
## as.factor(Obesity_Dataset$FAVC)SI
## 4.4013428
## as.factor(Obesity_Dataset$TUE)NUNCA
## -6.9177782
## as.factor(Obesity_Dataset$TUE)SIEMPRE
## -0.5231637
## as.factor(Obesity_Dataset$CALC)SI
## 6.9552232
modelo_RLM_TOTAL = lm(lm(Obesity_Dataset$EDAD~Obesity_Dataset$ALTURA+Obesity_Dataset$FCVC+Obesity_Dataset$NCP+Obesity_Dataset$H2O+Obesity_Dataset$FAF+as.factor(Obesity_Dataset$SEXO)+as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)+as.factor(Obesity_Dataset$FAVC)+as.factor(Obesity_Dataset$CAEC)+as.factor(Obesity_Dataset$FUMAS)+as.factor(Obesity_Dataset$SCC)+as.factor(Obesity_Dataset$TUE)+as.factor(Obesity_Dataset$CALC)+as.factor(Obesity_Dataset$MEDIO_TRANS)+as.factor(Obesity_Dataset$ENFERMEDAD_CARDIACA)))
modelo_RLM_REDUCIDO = lm(Obesity_Dataset$PESO~Obesity_Dataset$ALTURA+Obesity_Dataset$FAF+Obesity_Dataset$FCVC+as.factor(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)+as.factor(Obesity_Dataset$CAEC)+as.factor(Obesity_Dataset$SCC)+as.factor(Obesity_Dataset$MEDIO_TRANS)+as.factor(Obesity_Dataset$FAVC)+as.factor(Obesity_Dataset$TUE)+as.factor(Obesity_Dataset$CALC))
stargazer(modelo_RLM_TOTAL, modelo_RLM_REDUCIDO, modelo_Iterado_STEP, type = "text", df = TRUE)
##
## ===============================================================================================================
## Dependent variable:
## -------------------------------------------------------------------------------
## ENFERMEDAD_CARDIACA) PESO
## (1) (2) (3)
## ---------------------------------------------------------------------------------------------------------------
## ALTURA -6.024*** 104.164*** 104.164***
## (1.672) (4.710) (4.710)
##
## FCVC 0.402** 6.379*** 6.379***
## (0.192) (0.692) (0.692)
##
## NCP -0.462***
## (0.136)
##
## H2O -0.032
## (0.165)
##
## FAF -0.523*** -2.952*** -2.952***
## (0.129) (0.473) (0.473)
##
## SEXO)M 0.257
## (0.294)
##
## HISTORIAL_FAMILIAR_SOBREPESO)SI 2.387*** 20.232*** 20.232***
## (0.305) (1.116) (1.116)
##
## FAVC)SI 0.116 4.401*** 4.401***
## (0.353) (1.296) (1.296)
##
## CAEC)FRECUENTEMENTE -0.602* -18.609*** -18.609***
## (0.353) (1.290) (1.290)
##
## CAEC)NO -1.392* -2.870 -2.870
## (0.728) (2.610) (2.610)
##
## CAEC)SIEMPRE -0.877 -10.146*** -10.146***
## (0.673) (2.484) (2.484)
##
## FUMAS)SI 3.981***
## (0.733)
##
## SCC)SI -2.390*** -5.591*** -5.591***
## (0.522) (1.925) (1.925)
##
## TUE)NUNCA -3.089*** -6.918*** -6.918***
## (0.355) (1.310) (1.310)
##
## TUE)SIEMPRE -2.334*** -0.523 -0.523
## (0.236) (0.866) (0.866)
##
## CALC)SI 0.594** 6.955*** 6.955***
## (0.241) (0.878) (0.878)
##
## MEDIO_TRANS)CAMINANDO -7.761*** -2.734 -2.734
## (0.698) (2.577) (2.577)
##
## MEDIO_TRANS)CICLA -5.310*** -1.023 -1.023
## (1.826) (6.741) (6.741)
##
## MEDIO_TRANS)MOTOCILETA -5.317*** 6.162 6.162
## (1.465) (5.400) (5.400)
##
## MEDIO_TRANS)TRANSPORTE_PÚBLICO -8.717*** 4.581*** 4.581***
## (0.265) (0.972) (0.972)
##
## ENFERMEDAD_CARDIACA)SI -0.203
## (0.214)
##
## Constant 41.208*** -129.167*** -129.167***
## (2.562) (7.897) (7.897)
##
## ---------------------------------------------------------------------------------------------------------------
## Observations 2,000 2,000 2,000
## R2 0.470 0.528 0.528
## Adjusted R2 0.465 0.524 0.524
## Residual Std. Error 4.755 (df = 1978) 17.564 (df = 1983) 17.564 (df = 1983)
## F Statistic 83.574*** (df = 21; 1978) 138.751*** (df = 16; 1983) 138.751*** (df = 16; 1983)
## ===============================================================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
AIC(modelo_RLM_TOTAL, modelo_RLM_REDUCIDO, modelo_Iterado_STEP)
## df AIC
## modelo_RLM_TOTAL 23 11936.13
## modelo_RLM_REDUCIDO 18 17158.11
## modelo_Iterado_STEP 18 17158.11
BIC(modelo_RLM_TOTAL, modelo_RLM_REDUCIDO, modelo_Iterado_STEP)
## df BIC
## modelo_RLM_TOTAL 23 12064.95
## modelo_RLM_REDUCIDO 18 17258.92
## modelo_Iterado_STEP 18 17258.92
4.4. Regresión Logística{.tabset .tabset-pills}
Este modelo, que eventualmente será llamado en este estudio como RLogS, establece que, en comparación con un modelo de regresión lineal simple que relacione una variable cuantitativa dependiente \(y\) con una varaible cuantitativa independiente \(x\), relaciona una variable categórica dicotómica (con valores posibles \(1\) (éxito) y \(0\) (fracaso)) dependiente \(y\) con el valor de probabilidad \(p(x)\in [0, 1]\) que depende de alguna variable cuantitativa \(x\).
Como se mencionó en la sección 1 los modelos de regresión usados en este estudio pueden ser vistos como casos particulares del Modelo Lineal Generalizado (GLM por sus siglas en inglés). Este modelo extiende al modelo lineal general al lograr que la variable dependiente está relacionada linealmente con sus factores y covariables a través de alguna función de enlace y que la variable dependiente pueda tener una distribución diferente a la normal. Además de los modelos usados en este estudio, el GLM también cubre: modelos loglineales para datos de recuento, modelos log-log complementario para datos de supervivencia censurados por intervalos, y otros modelos estadísticos a través de la propia formulación general del modelo.
Como GLM permite especificar distribuciones diferentes a la normal y una función de enlace (entendida como una transformación de la variable dependiente que permite la estimación del modelo) diferente a la identidad se puede trabajar con muchas combinaciones posibles de distribuciones y funciones de enlace, varias de las cuales pueden ser adecuadas para un conjunto de datos en particular, esto implica que la elección de la combinación estará orientada por consideraciones teóricas a priori, por la naturaleza de las variables, la experiencia del investigador y los resultados al comparar combinaciones.
En el caso por tratar, se trabajará con base en una distribución binomial (adecuada para variables que representan una respuesta binaria) con función de enlace logit:\[\pi(x)=\dfrac{e^{\beta_0+\beta_1 x}}{1+ e^{\beta_0 +\beta_1 x}}= \dfrac{1}{1+ e^{-(\beta_0+\beta_1 x)}}\hspace{10mm}(30)\](del inglés logarithmic unit: unidad logarítmica (natural)); que además es apropiada únicamente para la distribución binomial), por lo cual un nombre más adecuado para la regresión podría ser regresión logística binaria. Cabe anotar que el término logístico hace referencia a que la función de enlace constituye, en cierto sentido, un refinamiento del modelo exponencial de crecimiento, descrito por la función sigmoidea, de una magnitud asociada con un conjunto \(C\).
Para facilitar las interpretaciones se entiende que la función de enlace \(\pi(x)\) proviene de una razón de probabilidades (conocida en idioma inglés como ODDS ratio (OR)), que a su vez es el argumento de un logaritmo: \(\log\left(\frac{\pi(x)}{1-\pi(x)}\right)\), así, se modela la probabilidad de que la variable de respuesta pertenezca al nivel de referencia \(1\) en función del valor de los predictores. Complementariamente, la transformación de probabilidades a razones de probabilidad es conserva la monotonicidad de sentidos. Además, la transformación convierte el intervalo de probabilidad \([0,1]\) a \((-\infty,\infty)\). Las propiedades que se dan entre las probabilidades complementarias de éxito y fracaso, sus razones y la función de enlace logit son:
| \(p(éxito)=p(fracaso)\) | \(OR=1\) | \(Logit\left(OR\right)=0\) |
| \(p(éxito)<p(fracaso)\) | \(OR<1\) | \(Logit\left(OR\right)<0\) |
| \(p(éxito)>p(fracaso)\) | \(OR>1\) | \(Logit\left(OR\right)>0\) |
Se entiende que la transformación \(Logit\) carece de sentido para la certeza del éxito o del fracaso.
Planteamiento del Problema
Con base en el conjunto de datos descrito en la sección CAMBIAR se formulará un modelo de regresión logística simple para estudiar la relación logística supuesta entre las varaibles definidas por los campos: PESO (variable independiente) y ENFERMEDAD_CARDIACA (variable dependiente), con base en una distribución binomial y la función de enlace \(Logit\).
Desarrollo del Análisis
El estudio de regresión logistica simple ha sido procesado con R version 4.3.3 (2024-02-29 ucrt) mediado por RStudio 2022.07.2 Build 576 en una plataforma x86_64-w64-mingw32.
Resumen estadístico de las variables de estudio.
La navegación a través de las pestañas muestra el resumen estadístico de la variable independiente PESO, su boxplot e histograma. De la variable dependiente ENFERMEDAD_CARDIACA se mostrará su diagrama de barras, así como su media y mediana. Además, se exhibirá un Diagrama de Cajas conjunto entre aquellas.
Con base en el diagrama de caja de la variable PESO, se observa una distribución aproximadamente simétrica con un rango intercuartílico moderado de \(60\)\(kg\) a \(100\)\(kg\). La mediana se encuentra en \(75\)\(kg\). Se identifican algunos valores atípicos por encima de \(130\)\(kg\), indicando pesos significativamente mayores en esos casos. En general, la variable PESO muestra una dispersión moderada y algunos outliers en el extremo superior.Lo expuesto también es constatable a través de la pestaña Histograma de la variable PESO.
Según el diagrama Resumen y Diagrama de Barras de EC, la variable cualitativa nominal ENFERMEDAD_CARDIACA muestra una ligera mayor proporción de casos favorables (Sí) en comparación con los casos desfavorables (No). Específicamente, el \(51.75\)\(\%\) de los individuos padece de alguna enfermedad cardíaca (1035 casos), mientras que el \(48.35\)\(\%\) no padece enfermedad cardíaca (965 casos). Esto indica una distribución relativamente equilibrada, con una pequeña preponderancia de casos positivos.
Segun el Resumen y Diagrama de Cajas Conjunto se puede concluir que la mediana del peso para ambos grupos es aproximadamente la misma, lo que sugiere que la tendencia central del peso no difiere significativamente entre los que tienen y los que no tienen enfermedad cardíaca.Ambos grupos tienen un IQR similar, lo que indica que el \(50\)\(\%\) central de los pesos está distribuido de manera similar en ambos grupos.El grupo sin enfermedad cardíaca (NO) tiene un rango de pesos más amplio en comparación con el grupo con enfermedad cardíaca (SI). Esto se indica por los bigotes más largos. Hay valores atípicos presentes en ambos grupos (indicados por los círculos). Los valores atípicos son pesos que son significativamente más altos o más bajos que el resto de los datos.La dispersión general (rango) de los pesos es ligeramente mayor para el grupo sin enfermedad cardíaca (NO) en comparación con el grupo con enfermedad cardíaca (SI).
summary(Obesity_Dataset$PESO)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 39.00 65.00 82.00 84.74 104.97 173.00
boxplot(Obesity_Dataset$PESO, main = "Diagrama de Caja de la variable PESO", col = c("orange"))
summary(Obesity_Dataset$EDAD)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 14.00 20.00 23.00 24.35 26.00 61.00
hist(Obesity_Dataset$EDAD, main = "Histograma de la variable PESO", col = c("gold"))
table(Obesity_Dataset$ENFERMEDAD_CARDIACA)
##
## NO SI
## 965 1035
prop.table(table(Obesity_Dataset$ENFERMEDAD_CARDIACA))
##
## NO SI
## 0.4825 0.5175
barplot(table(Obesity_Dataset$ENFERMEDAD_CARDIACA))
tapply(Obesity_Dataset$PESO, Obesity_Dataset$ENFERMEDAD_CARDIACA, mean)
## NO SI
## 84.45799 85.00658
tapply(Obesity_Dataset$PESO, Obesity_Dataset$ENFERMEDAD_CARDIACA, median)
## NO SI
## 82 82
boxplot(Obesity_Dataset$PESO~Obesity_Dataset$ENFERMEDAD_CARDIACA, main = "Boxplot Conjunto: PESO - EC", col = c("orange", "gold"))
Formulación del modelo de RLogS entre las variables de estudio.
La navegación a través de las pestañas muestra los coeficientes del modelo RLogS y su resumen estadístico. Se menciona de nuevo que las variables de interés son: PESO (variable independiente) y ENFERMEDAD_CARDIACA (variable dependiente).
La pestaña Coeficientes del Modelo RLogS permite establecer que el modelo RLogS relaciona a \(\pi(x)\) con \(x\) a través de la función de enlace \(Logit\) de la siguiente manera:\[\frac{\pi(x)}{1-\pi(x)}=e^{ -2.656607e+01 -1.894771e-15 \cdot x}\hspace{10mm}(31)\]
Asimismo, el resultado de la regresión logística muestra que el modelo no convergió correctamente, como lo indica la advertencia de que el algoritmo no convergió. Esto sugiere que el modelo puede no estar ajustándose adecuadamente a los datos, lo que puede ser problemático para hacer predicciones precisas sobre la ocurrencia de enfermedades cardíacas basándose únicamente en el PESO de las personas.
Las estimaciones de coeficientes para la intercepción y el peso son extremadamente pequeñas, y los errores estándar son muy grandes, lo que indica una gran incertidumbre en las estimaciones. Además, los valores p para ambos coeficientes son muy altos, lo que sugiere que el peso no es estadísticamente significativo para predecir la ocurrencia de enfermedades cardíacas.
En cuanto a las medidas de bondad de ajuste del modelo, tanto la desviación nula como la desviación residual son extremadamente pequeñas, lo que sugiere que el modelo no explica mucha variabilidad en los datos.
Obesity_Dataset$ENFERMEDAD_CARDIACA <- ifelse(Obesity_Dataset$ENFERMEDAD_CARDIACA == "SI", 1, 0)
modelo_RLog_Simple = glm(Obesity_Dataset$ENFERMEDAD_CARDIACA~Obesity_Dataset$PESO, family = "binomial", data = data.frame(Obesity_Dataset$ENFERMEDAD_CARDIACA, Obesity_Dataset$PESO))
coef(modelo_RLog_Simple)
## (Intercept) Obesity_Dataset$PESO
## -0.0016852575 0.0008463613
Obesity_Dataset$ENFERMEDAD_CARDIACA <- ifelse(Obesity_Dataset$ENFERMEDAD_CARDIACA == "SI", 1, 0)
summary(modelo_RLog_Simple)
##
## Call:
## glm(formula = Obesity_Dataset$ENFERMEDAD_CARDIACA ~ Obesity_Dataset$PESO,
## family = "binomial", data = data.frame(Obesity_Dataset$ENFERMEDAD_CARDIACA,
## Obesity_Dataset$PESO))
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.0016853 0.1555134 -0.011 0.991
## Obesity_Dataset$PESO 0.0008464 0.0017579 0.481 0.630
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 2770.1 on 1999 degrees of freedom
## Residual deviance: 2769.9 on 1998 degrees of freedom
## AIC: 2773.9
##
## Number of Fisher Scoring iterations: 3
modelo_RLog_Simple_S = glm(Obesity_Dataset$ENFERMEDAD_CARDIACA~Obesity_Dataset$PESO, family = "binomial", data = data.frame(Obesity_Dataset$ENFERMEDAD_CARDIACA, Obesity_Dataset$PESO))
## Warning: glm.fit: algorithm did not converge
summary(modelo_RLog_Simple_S)
##
## Call:
## glm(formula = Obesity_Dataset$ENFERMEDAD_CARDIACA ~ Obesity_Dataset$PESO,
## family = "binomial", data = data.frame(Obesity_Dataset$ENFERMEDAD_CARDIACA,
## Obesity_Dataset$PESO))
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.657e+01 2.767e+04 -0.001 0.999
## Obesity_Dataset$PESO -1.895e-15 3.127e+02 0.000 1.000
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 0.0000e+00 on 1999 degrees of freedom
## Residual deviance: 1.1603e-08 on 1998 degrees of freedom
## AIC: 4
##
## Number of Fisher Scoring iterations: 25
Análisis del modelo RLogS.
Se mostrarán, a través de pestañas, los resultados de algunas predicciones obtenidas a través del modelo RLogS para identificar en sus respuestas la correspondencia de sentido en las razones de probabilidades ODDS a favor o en contra del evento considerado: \(\frac{\pi}{1-\pi}\) y \(\frac{1-\pi}{\pi}\), respectivamente. Se menciona de nuevo que las variables de interés son: PESO (variable independiente) y ENFERMEDAD_CARDIACA (variable dependiente).
La sección Variable Predictora igual a Cero ofrece dos interpretaciones: primero, cuando la variable predictora alcanza cero, la probabilidad del evento de interés es mínima, casi nula; segundo, el cociente de probabilidades sugiere que un aumento de una unidad en la variable predictora se asocia con un incremento acumulado considerable de alrededor de \(53474.4\) veces en la probabilidad del evento de interés, destacando su impacto significativo en el resultado.
Según la pestaña de probabilidades estimadas se puede alcanzar a obsrvar que en el conjunto de datos entre los registros 19 y 20, hay un cambio absoluto de 0.022795 en la probabilidad estimada. Esto equivale a un aumento relativo del aproximadamente 7.94%. Este cambio sugiere cómo una unidad de cambio en la variable predictora afecta la probabilidad de que una observación pertenezca a una clase específica o tenga un resultado particular, según lo predice el modelo de regresión logística.
coef(modelo_RLog_Simple)
## (Intercept) Obesity_Dataset$PESO
## -0.0016852575 0.0008463613
round(exp(coef(modelo_RLog_Simple)),6)
## (Intercept) Obesity_Dataset$PESO
## 0.998316 1.000847
predict(modelo_RLog_Simple, data.frame(seq(1, 400)), type = "response")
## Warning: 'newdata' had 400 rows but variables found have 2000 rows
## 1 2 3 4 5 6 7 8
## 0.5131175 0.5114258 0.5158658 0.5179793 0.5185710 0.5107913 0.5112143 0.5107913
## 9 10 11 12 13 14 15 16
## 0.5131175 0.5139632 0.5217819 0.5164999 0.5114258 0.5205146 0.5122716 0.5135403
## 17 18 19 20 21 22 23 24
## 0.5211483 0.5160772 0.5169226 0.5143860 0.5164999 0.5179793 0.5122716 0.5169226
## 25 26 27 28 29 30 31 32
## 0.5139632 0.5101568 0.5133289 0.5105798 0.5156544 0.5143860 0.5171340 0.5139632
## 33 34 35 36 37 38 39 40
## 0.5156544 0.5186132 0.5126946 0.5133289 0.5099453 0.5097338 0.5137518 0.5181906
## 41 42 43 44 45 46 47 48
## 0.5154430 0.5122716 0.5131175 0.5126946 0.5164999 0.5133289 0.5148089 0.5148089
## 49 50 51 52 53 54 55 56
## 0.5122716 0.5101568 0.5111085 0.5088877 0.5105798 0.5112143 0.5112143 0.5126946
## 57 58 59 60 61 62 63 64
## 0.5143860 0.5133289 0.5137518 0.5112143 0.5099453 0.5118487 0.5126946 0.5112143
## 65 66 67 68 69 70 71 72
## 0.5116372 0.5141746 0.5186132 0.5196696 0.5232600 0.5122716 0.5164999 0.5101568
## 73 74 75 76 77 78 79 80
## 0.5122716 0.5133289 0.5175566 0.5090992 0.5090992 0.5164999 0.5186132 0.5122716
## 81 82 83 84 85 86 87 88
## 0.5118487 0.5188245 0.5176623 0.5090992 0.5171340 0.5119544 0.5171340 0.5179793
## 89 90 91 92 93 94 95 96
## 0.5133289 0.5160772 0.5192471 0.5131175 0.5173453 0.5116372 0.5097338 0.5143860
## 97 98 99 100 101 102 103 104
## 0.5122716 0.5084647 0.5084647 0.5143860 0.5129060 0.5136249 0.5116372 0.5118487
## 105 106 107 108 109 110 111 112
## 0.5164999 0.5112143 0.5112143 0.5186132 0.5196696 0.5181906 0.5154430 0.5118487
## 113 114 115 116 117 118 119 120
## 0.5103683 0.5099453 0.5126946 0.5116372 0.5177680 0.5175566 0.5107913 0.5156544
## 121 122 123 124 125 126 127 128
## 0.5154430 0.5196696 0.5101568 0.5137518 0.5186132 0.5164999 0.5139632 0.5124831
## 129 130 131 132 133 134 135 136
## 0.5143860 0.5160772 0.5107913 0.5118487 0.5114258 0.5135403 0.5226266 0.5154430
## 137 138 139 140 141 142 143 144
## 0.5148089 0.5164999 0.5154430 0.5139632 0.5133289 0.5135403 0.5193527 0.5154430
## 145 146 147 148 149 150 151 152
## 0.5137518 0.5143860 0.5103683 0.5164999 0.5124831 0.5186132 0.5160772 0.5120602
## 153 154 155 156 157 158 159 160
## 0.5122716 0.5173453 0.5194583 0.5129060 0.5090992 0.5122716 0.5126946 0.5160772
## 161 162 163 164 165 166 167 168
## 0.5148089 0.5164999 0.5122716 0.5154430 0.5175566 0.5270590 0.5148089 0.5164999
## 169 170 171 172 173 174 175 176
## 0.5162886 0.5158658 0.5169226 0.5118487 0.5120602 0.5131175 0.5143860 0.5122293
## 177 178 179 180 181 182 183 184
## 0.5097338 0.5173453 0.5173453 0.5143860 0.5097338 0.5137518 0.5105798 0.5122716
## 185 186 187 188 189 190 191 192
## 0.5143860 0.5139632 0.5198809 0.5203034 0.5217819 0.5126946 0.5114258 0.5164999
## 193 194 195 196 197 198 199 200
## 0.5175566 0.5139632 0.5171340 0.5175566 0.5152317 0.5245266 0.5080416 0.5122716
## 201 202 203 204 205 206 207 208
## 0.5171340 0.5164999 0.5211483 0.5186132 0.5145974 0.5160772 0.5207258 0.5150203
## 209 210 211 212 213 214 215 216
## 0.5133289 0.5133289 0.5236822 0.5103683 0.5129060 0.5126946 0.5107913 0.5143860
## 217 218 219 220 221 222 223 224
## 0.5129060 0.5154430 0.5085281 0.5139632 0.5160772 0.5169226 0.5136461 0.5129060
## 225 226 227 228 229 230 231 232
## 0.5169226 0.5251598 0.5101568 0.5118487 0.5164999 0.5249488 0.5188245 0.5135403
## 233 234 235 236 237 238 239 240
## 0.5101568 0.5158658 0.5099453 0.5143860 0.5120602 0.5107913 0.5107913 0.5131175
## 241 242 243 244 245 246 247 248
## 0.5133289 0.5135403 0.5131175 0.5205146 0.5099453 0.5099453 0.5122716 0.5105798
## 249 250 251 252 253 254 255 256
## 0.5148089 0.5160772 0.5154430 0.5160772 0.5186132 0.5095223 0.5114258 0.5167113
## 257 258 259 260 261 262 263 264
## 0.5175566 0.5238934 0.5164999 0.5188245 0.5154430 0.5150203 0.5143860 0.5107913
## 265 266 267 268 269 270 271 272
## 0.5137518 0.5101568 0.5101568 0.5160772 0.5122716 0.5135403 0.5222042 0.5101568
## 273 274 275 276 277 278 279 280
## 0.5122716 0.5145974 0.5124831 0.5101568 0.5101568 0.5137518 0.5116372 0.5105798
## 281 282 283 284 285 286 287 288
## 0.5126946 0.5112143 0.5112143 0.5122716 0.5143860 0.5217819 0.5124831 0.5118487
## 289 290 291 292 293 294 295 296
## 0.5103683 0.5162886 0.5145974 0.5118487 0.5133289 0.5154430 0.5228377 0.5118487
## 297 298 299 300 301 302 303 304
## 0.5107913 0.5164999 0.5164999 0.5154430 0.5143860 0.5112143 0.5090992 0.5099453
## 305 306 307 308 309 310 311 312
## 0.5175566 0.5249488 0.5122716 0.5097338 0.5154430 0.5118487 0.5116372 0.5126946
## 313 314 315 316 317 318 319 320
## 0.5116372 0.5114258 0.5129060 0.5148089 0.5154430 0.5143860 0.5090992 0.5129060
## 321 322 323 324 325 326 327 328
## 0.5137518 0.5154430 0.5114258 0.5148089 0.5145974 0.5118487 0.5112777 0.5156544
## 329 330 331 332 333 334 335 336
## 0.5152317 0.5169226 0.5101568 0.5114258 0.5154430 0.5114258 0.5107913 0.5101568
## 337 338 339 340 341 342 343 344
## 0.5133289 0.5132020 0.5133289 0.5084647 0.5148089 0.5101568 0.5217819 0.5135403
## 345 346 347 348 349 350 351 352
## 0.5361208 0.5112143 0.5095223 0.5200921 0.5164999 0.5260040 0.5143860 0.5122716
## 353 354 355 356 357 358 359 360
## 0.5107913 0.5103683 0.5120602 0.5126946 0.5122716 0.5114258 0.5228377 0.5097338
## 361 362 363 364 365 366 367 368
## 0.5154430 0.5164999 0.5150203 0.5164999 0.5177680 0.5139632 0.5171340 0.5129060
## 369 370 371 372 373 374 375 376
## 0.5171340 0.5152317 0.5122716 0.5141746 0.5118487 0.5114258 0.5143860 0.5190358
## 377 378 379 380 381 382 383 384
## 0.5122716 0.5139632 0.5143860 0.5143860 0.5171340 0.5154430 0.5114258 0.5203034
## 385 386 387 388 389 390 391 392
## 0.5122716 0.5090992 0.5107913 0.5154430 0.5224154 0.5133289 0.5101568 0.5101568
## 393 394 395 396 397 398 399 400
## 0.5142803 0.5160772 0.5112143 0.5078301 0.5120602 0.5122716 0.5260040 0.5122716
## 401 402 403 404 405 406 407 408
## 0.5143860 0.5169226 0.5205146 0.5232600 0.5150203 0.5177680 0.5136461 0.5120602
## 409 410 411 412 413 414 415 416
## 0.5162886 0.5112143 0.5135403 0.5133289 0.5175566 0.5175566 0.5234711 0.5148089
## 417 418 419 420 421 422 423 424
## 0.5181906 0.5179793 0.5186132 0.5184019 0.5122716 0.5122716 0.5118487 0.5192471
## 425 426 427 428 429 430 431 432
## 0.5156544 0.5109605 0.5143860 0.5122716 0.5141746 0.5164999 0.5175566 0.5112143
## 433 434 435 436 437 438 439 440
## 0.5143860 0.5120602 0.5179793 0.5164999 0.5112143 0.5114258 0.5131175 0.5122716
## 441 442 443 444 445 446 447 448
## 0.5114258 0.5101568 0.5133289 0.5107913 0.5122716 0.5090992 0.5169226 0.5179793
## 449 450 451 452 453 454 455 456
## 0.5208314 0.5129060 0.5145974 0.5133289 0.5141746 0.5101568 0.5139632 0.5135403
## 457 458 459 460 461 462 463 464
## 0.5122716 0.5090992 0.5122716 0.5162886 0.5112143 0.5207258 0.5181906 0.5139632
## 465 466 467 468 469 470 471 472
## 0.5177680 0.5103683 0.5154430 0.5154430 0.5090992 0.5084647 0.5104741 0.5171340
## 473 474 475 476 477 478 479 480
## 0.5145974 0.5103683 0.5131175 0.5139632 0.5154430 0.5114258 0.5133289 0.5101568
## 481 482 483 484 485 486 487 488
## 0.5101568 0.5131175 0.5108970 0.5118487 0.5164999 0.5150203 0.5154430 0.5215707
## 489 490 491 492 493 494 495 496
## 0.5173453 0.5101568 0.5173453 0.5139632 0.5177680 0.5133289 0.5135403 0.5122716
## 497 498 499 500 501 502 503 504
## 0.5107913 0.5090992 0.5216916 0.5263572 0.5230051 0.5287036 0.5344485 0.5276991
## 505 506 507 508 509 510 511 512
## 0.5231514 0.5217453 0.5278950 0.5111989 0.5113613 0.5114002 0.5104009 0.5101293
## 513 514 515 516 517 518 519 520
## 0.5105725 0.5090666 0.5086441 0.5088708 0.5086947 0.5090107 0.5090992 0.5090992
## 521 522 523 524 525 526 527 528
## 0.5085365 0.5084850 0.5083218 0.5084647 0.5090235 0.5084647 0.5084647 0.5084647
## 529 530 531 532 533 534 535 536
## 0.5103451 0.5103330 0.5101568 0.5131399 0.5130352 0.5120294 0.5105798 0.5104949
## 537 538 539 540 541 542 543 544
## 0.5105798 0.5083488 0.5084414 0.5083372 0.5101024 0.5100851 0.5099537 0.5102177
## 545 546 547 548 549 550 551 552
## 0.5109392 0.5104618 0.5101227 0.5101568 0.5101425 0.5100544 0.5094494 0.5101229
## 553 554 555 556 557 558 559 560
## 0.5104929 0.5101568 0.5107129 0.5104650 0.5103407 0.5106498 0.5120482 0.5118044
## 561 562 563 564 565 566 567 568
## 0.5116681 0.5087534 0.5089748 0.5095487 0.5122045 0.5120536 0.5113624 0.5112117
## 569 570 571 572 573 574 575 576
## 0.5112165 0.5110380 0.5100827 0.5100730 0.5100717 0.5101568 0.5100883 0.5101568
## 577 578 579 580 581 582 583 584
## 0.5085424 0.5084647 0.5084647 0.5121467 0.5121226 0.5121148 0.5101568 0.5101452
## 585 586 587 588 589 590 591 592
## 0.5103839 0.5101568 0.5101568 0.5101568 0.5080099 0.5079087 0.5081143 0.5114907
## 593 594 595 596 597 598 599 600
## 0.5122716 0.5119801 0.5122716 0.5119175 0.5121897 0.5103525 0.5103941 0.5103999
## 601 602 603 604 605 606 607 608
## 0.5089277 0.5090992 0.5090992 0.5084647 0.5084647 0.5084647 0.5105232 0.5110286
## 609 610 611 612 613 614 615 616
## 0.5101902 0.5112137 0.5101528 0.5088984 0.5089674 0.5090992 0.5083711 0.5084573
## 617 618 619 620 621 622 623 624
## 0.5101178 0.5129482 0.5104225 0.5080845 0.5099508 0.5109303 0.5101568 0.5101568
## 625 626 627 628 629 630 631 632
## 0.5101568 0.5104852 0.5120244 0.5087893 0.5114320 0.5114189 0.5101568 0.5101568
## 633 634 635 636 637 638 639 640
## 0.5084660 0.5122494 0.5101737 0.5102905 0.5079771 0.5122716 0.5122697 0.5106886
## 641 642 643 644 645 646 647 648
## 0.5090276 0.5084647 0.5105921 0.5112105 0.5113613 0.5114820 0.5104609 0.5101153
## 649 650 651 652 653 654 655 656
## 0.5105547 0.5089377 0.5086749 0.5088897 0.5085408 0.5090135 0.5090820 0.5090992
## 657 658 659 660 661 662 663 664
## 0.5084914 0.5084795 0.5084025 0.5084647 0.5090592 0.5084547 0.5084647 0.5084647
## 665 666 667 668 669 670 671 672
## 0.5103911 0.5102581 0.5101568 0.5125700 0.5125391 0.5119724 0.5105798 0.5105186
## 673 674 675 676 677 678 679 680
## 0.5105147 0.5083947 0.5084508 0.5083663 0.5101154 0.5099675 0.5099719 0.5101935
## 681 682 683 684 685 686 687 688
## 0.5111228 0.5104967 0.5101347 0.5101568 0.5100963 0.5100634 0.5093241 0.5102466
## 689 690 691 692 693 694 695 696
## 0.5104141 0.5101568 0.5105998 0.5104792 0.5103964 0.5105981 0.5120419 0.5118900
## 697 698 699 700 701 702 703 704
## 0.5116956 0.5086036 0.5090489 0.5091518 0.5122465 0.5121881 0.5113224 0.5111795
## 705 706 707 708 709 710 711 712
## 0.5112150 0.5111883 0.5100830 0.5101417 0.5100933 0.5101755 0.5101532 0.5101568
## 713 714 715 716 717 718 719 720
## 0.5085793 0.5084647 0.5084647 0.5121265 0.5121912 0.5121045 0.5101568 0.5101919
## 721 722 723 724 725 726 727 728
## 0.5104724 0.5101568 0.5102158 0.5101568 0.5082997 0.5078516 0.5083100 0.5112927
## 729 730 731 732 733 734 735 736
## 0.5122716 0.5119912 0.5122575 0.5119424 0.5121117 0.5102973 0.5104349 0.5103580
## 737 738 739 740 741 742 743 744
## 0.5089546 0.5090472 0.5090992 0.5084647 0.5084647 0.5084647 0.5106411 0.5109571
## 745 746 747 748 749 750 751 752
## 0.5102094 0.5179716 0.5143860 0.5176914 0.5155650 0.5141471 0.5183946 0.5171170
## 753 754 755 756 757 758 759 760
## 0.5178553 0.5154430 0.5164999 0.5154430 0.5154014 0.5139900 0.5140111 0.5128857
## 761 762 763 764 765 766 767 768
## 0.5127660 0.5161143 0.5143860 0.5143860 0.5143860 0.5141331 0.5163117 0.5177327
## 769 770 771 772 773 774 775 776
## 0.5175566 0.5154430 0.5139045 0.5156442 0.5185398 0.5136252 0.5160622 0.5165578
## 777 778 779 780 781 782 783 784
## 0.5154430 0.5147248 0.5169710 0.5154430 0.5175735 0.5132883 0.5149672 0.5155447
## 785 786 787 788 789 790 791 792
## 0.5112000 0.5133289 0.5127662 0.5150612 0.5183333 0.5129738 0.5142866 0.5137905
## 793 794 795 796 797 798 799 800
## 0.5143860 0.5124045 0.5133289 0.5181206 0.5151559 0.5164999 0.5182199 0.5164037
## 801 802 803 804 805 806 807 808
## 0.5140461 0.5158024 0.5131723 0.5180399 0.5179753 0.5143860 0.5143860 0.5171896
## 809 810 811 812 813 814 815 816
## 0.5154430 0.5141013 0.5141264 0.5178784 0.5179261 0.5155761 0.5184551 0.5185200
## 817 818 819 820 821 822 823 824
## 0.5154430 0.5156435 0.5164637 0.5155079 0.5154035 0.5154345 0.5139504 0.5139772
## 825 826 827 828 829 830 831 832
## 0.5143860 0.5129449 0.5128789 0.5129085 0.5161944 0.5162633 0.5143860 0.5143860
## 833 834 835 836 837 838 839 840
## 0.5143860 0.5143860 0.5143860 0.5143663 0.5147935 0.5163762 0.5164999 0.5175566
## 841 842 843 844 845 846 847 848
## 0.5175722 0.5175566 0.5176107 0.5154551 0.5139667 0.5139860 0.5160681 0.5160699
## 849 850 851 852 853 854 855 856
## 0.5180017 0.5187240 0.5136718 0.5161554 0.5161406 0.5165193 0.5154430 0.5154430
## 857 858 859 860 861 862 863 864
## 0.5152832 0.5169321 0.5165038 0.5154430 0.5175566 0.5134058 0.5151420 0.5142103
## 865 866 867 868 869 870 871 872
## 0.5155242 0.5113250 0.5112939 0.5133289 0.5130324 0.5128801 0.5152141 0.5177888
## 873 874 875 876 877 878 879 880
## 0.5179969 0.5127393 0.5139449 0.5138447 0.5133289 0.5141363 0.5143809 0.5125051
## 881 882 883 884 885 886 887 888
## 0.5123282 0.5133289 0.5181606 0.5156376 0.5164999 0.5164999 0.5175981 0.5177986
## 889 890 891 892 893 894 895 896
## 0.5162297 0.5164978 0.5142571 0.5154430 0.5116920 0.5179861 0.5180020 0.5143860
## 897 898 899 900 901 902 903 904
## 0.5143860 0.5177194 0.5155274 0.5154541 0.5141707 0.5183245 0.5179655 0.5166932
## 905 906 907 908 909 910 911 912
## 0.5176234 0.5176048 0.5154430 0.5164999 0.5155215 0.5154430 0.5154188 0.5139756
## 913 914 915 916 917 918 919 920
## 0.5141552 0.5141461 0.5142726 0.5127668 0.5128754 0.5127828 0.5162879 0.5161679
## 921 922 923 924 925 926 927 928
## 0.5143860 0.5143860 0.5143860 0.5143860 0.5142259 0.5147694 0.5163878 0.5175745
## 929 930 931 932 933 934 935 936
## 0.5176205 0.5154430 0.5139154 0.5139631 0.5154732 0.5155886 0.5184926 0.5137814
## 937 938 939 940 941 942 943 944
## 0.5135672 0.5160728 0.5162177 0.5165239 0.5154430 0.5154430 0.5146334 0.5169922
## 945 946 947 948 949 950 951 952
## 0.5170694 0.5154430 0.5176203 0.5134185 0.5150004 0.5154628 0.5156181 0.5109225
## 953 954 955 956 957 958 959 960
## 0.5113881 0.5133422 0.5133558 0.5151262 0.5185613 0.5128281 0.5142963 0.5136965
## 961 962 963 964 965 966 967 968
## 0.5137927 0.5143860 0.5126134 0.5130870 0.5133289 0.5133289 0.5179941 0.5152628
## 969 970 971 972 973 974 975 976
## 0.5151916 0.5164999 0.5185069 0.5181179 0.5163624 0.5140161 0.5156157 0.5156482
## 977 978 979 980 981 982 983 984
## 0.5132712 0.5184617 0.5184163 0.5164999 0.5166174 0.5210389 0.5170332 0.5169666
## 985 986 987 988 989 990 991 992
## 0.5164999 0.5164999 0.5134394 0.5177020 0.5189577 0.5133755 0.5125622 0.5181490
## 993 994 995 996 997 998 999 1000
## 0.5143318 0.5139429 0.5186120 0.5185855 0.5164999 0.5165968 0.5174906 0.5173354
## 1001 1002 1003 1004 1005 1006 1007 1008
## 0.5160890 0.5188371 0.5166608 0.5160772 0.5171760 0.5159234 0.5199216 0.5192653
## 1009 1010 1011 1012 1013 1014 1015 1016
## 0.5176227 0.5186132 0.5166584 0.5172540 0.5161987 0.5166038 0.5175566 0.5164999
## 1017 1018 1019 1020 1021 1022 1023 1024
## 0.5164999 0.5163235 0.5166138 0.5133356 0.5132969 0.5130439 0.5132896 0.5167795
## 1025 1026 1027 1028 1029 1030 1031 1032
## 0.5168488 0.5162818 0.5164999 0.5159560 0.5158940 0.5205146 0.5198848 0.5147514
## 1033 1034 1035 1036 1037 1038 1039 1040
## 0.5148312 0.5160772 0.5169503 0.5175566 0.5175673 0.5167925 0.5159845 0.5197282
## 1041 1042 1043 1044 1045 1046 1047 1048
## 0.5171376 0.5175046 0.5171340 0.5153233 0.5149078 0.5191827 0.5169252 0.5162444
## 1049 1050 1051 1052 1053 1054 1055 1056
## 0.5160927 0.5194157 0.5206464 0.5171031 0.5174120 0.5179716 0.5182819 0.5202865
## 1057 1058 1059 1060 1061 1062 1063 1064
## 0.5181985 0.5178356 0.5141431 0.5165815 0.5159093 0.5170241 0.5179677 0.5164298
## 1065 1066 1067 1068 1069 1070 1071 1072
## 0.5185715 0.5164999 0.5210521 0.5170467 0.5164999 0.5135219 0.5186425 0.5137693
## 1073 1074 1075 1076 1077 1078 1079 1080
## 0.5180384 0.5133586 0.5186093 0.5165078 0.5177138 0.5164999 0.5182109 0.5172053
## 1081 1082 1083 1084 1085 1086 1087 1088
## 0.5160772 0.5172215 0.5160473 0.5198570 0.5186132 0.5160772 0.5174333 0.5160772
## 1089 1090 1091 1092 1093 1094 1095 1096
## 0.5167098 0.5174979 0.5165801 0.5159133 0.5169078 0.5122966 0.5131899 0.5168529
## 1097 1098 1099 1100 1101 1102 1103 1104
## 0.5163475 0.5158867 0.5200983 0.5154622 0.5160772 0.5183176 0.5173590 0.5164318
## 1105 1106 1107 1108 1109 1110 1111 1112
## 0.5162119 0.5200806 0.5171343 0.5167099 0.5152188 0.5191136 0.5172439 0.5164477
## 1113 1114 1115 1116 1117 1118 1119 1120
## 0.5202164 0.5178874 0.5175087 0.5177850 0.5192175 0.5183030 0.5147666 0.5163811
## 1121 1122 1123 1124 1125 1126 1127 1128
## 0.5174632 0.5177090 0.5185429 0.5185443 0.5164999 0.5165011 0.5206862 0.5172166
## 1129 1130 1131 1132 1133 1134 1135 1136
## 0.5172004 0.5164999 0.5164999 0.5133909 0.5171936 0.5189931 0.5132647 0.5128837
## 1137 1138 1139 1140 1141 1142 1143 1144
## 0.5181613 0.5144796 0.5138518 0.5186129 0.5185787 0.5166000 0.5166985 0.5175248
## 1145 1146 1147 1148 1149 1150 1151 1152
## 0.5173425 0.5160790 0.5188355 0.5165888 0.5160859 0.5171944 0.5159658 0.5198707
## 1153 1154 1155 1156 1157 1158 1159 1160
## 0.5189013 0.5175856 0.5185940 0.5167342 0.5174407 0.5161690 0.5165845 0.5175566
## 1161 1162 1163 1164 1165 1166 1167 1168
## 0.5164999 0.5164711 0.5164681 0.5165657 0.5130946 0.5130572 0.5127516 0.5132978
## 1169 1170 1171 1172 1173 1174 1175 1176
## 0.5167160 0.5169942 0.5161102 0.5163054 0.5159487 0.5164359 0.5203582 0.5201801
## 1177 1178 1179 1180 1181 1182 1183 1184
## 0.5147641 0.5149597 0.5160874 0.5174994 0.5175566 0.5175573 0.5166671 0.5159571
## 1185 1186 1187 1188 1189 1190 1191 1192
## 0.5197583 0.5171369 0.5175109 0.5172028 0.5151289 0.5150101 0.5189292 0.5169407
## 1193 1194 1195 1196 1197 1198 1199 1200
## 0.5164199 0.5160826 0.5193768 0.5205322 0.5169810 0.5173425 0.5178466 0.5181707
## 1201 1202 1203 1204 1205 1206 1207 1208
## 0.5204961 0.5184851 0.5176119 0.5143725 0.5165285 0.5159409 0.5170341 0.5178662
## 1209 1210 1211 1212 1213 1214 1215 1216
## 0.5165874 0.5217819 0.5219323 0.5213326 0.5211018 0.5161265 0.5165742 0.5168861
## 1217 1218 1219 1220 1221 1222 1223 1224
## 0.5169092 0.5169226 0.5170503 0.5202847 0.5182904 0.5180369 0.5174172 0.5159225
## 1225 1226 1227 1228 1229 1230 1231 1232
## 0.5196696 0.5202639 0.5180520 0.5169515 0.5224152 0.5160233 0.5187189 0.5164999
## 1233 1234 1235 1236 1237 1238 1239 1240
## 0.5186132 0.5194983 0.5203979 0.5197460 0.5204512 0.5209049 0.5169311 0.5170353
## 1241 1242 1243 1244 1245 1246 1247 1248
## 0.5171659 0.5164999 0.5164132 0.5186132 0.5160772 0.5213406 0.5200795 0.5166300
## 1249 1250 1251 1252 1253 1254 1255 1256
## 0.5219202 0.5238458 0.5186201 0.5193208 0.5218110 0.5220968 0.5213995 0.5220012
## 1257 1258 1259 1260 1261 1262 1263 1264
## 0.5226182 0.5225721 0.5169226 0.5169226 0.5217820 0.5246450 0.5242930 0.5164999
## 1265 1266 1267 1268 1269 1270 1271 1272
## 0.5155299 0.5201313 0.5156819 0.5156811 0.5224988 0.5224670 0.5225741 0.5178193
## 1273 1274 1275 1276 1277 1278 1279 1280
## 0.5188809 0.5186114 0.5174495 0.5199584 0.5205578 0.5169754 0.5217274 0.5217873
## 1281 1282 1283 1284 1285 1286 1287 1288
## 0.5220020 0.5208578 0.5207398 0.5160836 0.5164394 0.5179032 0.5169181 0.5170102
## 1289 1290 1291 1292 1293 1294 1295 1296
## 0.5169226 0.5196254 0.5196696 0.5184313 0.5186132 0.5170554 0.5174506 0.5164284
## 1297 1298 1299 1300 1301 1302 1303 1304
## 0.5164999 0.5197381 0.5197265 0.5182173 0.5181222 0.5176799 0.5177265 0.5225427
## 1305 1306 1307 1308 1309 1310 1311 1312
## 0.5225678 0.5159408 0.5163929 0.5193819 0.5193378 0.5164999 0.5164999 0.5186132
## 1313 1314 1315 1316 1317 1318 1319 1320
## 0.5186119 0.5197889 0.5194782 0.5187349 0.5203080 0.5201871 0.5202673 0.5212044
## 1321 1322 1323 1324 1325 1326 1327 1328
## 0.5218356 0.5171244 0.5171553 0.5171272 0.5170220 0.5167233 0.5164999 0.5186132
## 1329 1330 1331 1332 1333 1334 1335 1336
## 0.5186132 0.5160772 0.5163116 0.5206963 0.5206056 0.5169226 0.5169226 0.5234448
## 1337 1338 1339 1340 1341 1342 1343 1344
## 0.5245654 0.5187552 0.5192363 0.5221047 0.5220033 0.5217908 0.5217819 0.5226704
## 1345 1346 1347 1348 1349 1350 1351 1352
## 0.5226679 0.5169226 0.5169911 0.5217820 0.5217819 0.5252987 0.5250971 0.5164999
## 1353 1354 1355 1356 1357 1358 1359 1360
## 0.5164999 0.5203660 0.5206297 0.5154748 0.5157903 0.5225026 0.5224586 0.5227135
## 1361 1362 1363 1364 1365 1366 1367 1368
## 0.5227531 0.5186141 0.5189301 0.5185580 0.5184121 0.5173898 0.5175350 0.5202974
## 1369 1370 1371 1372 1373 1374 1375 1376
## 0.5206268 0.5170078 0.5170198 0.5218363 0.5215085 0.5218097 0.5218831 0.5218740
## 1377 1378 1379 1380 1381 1382 1383 1384
## 0.5219509 0.5218240 0.5215224 0.5214833 0.5199451 0.5160027 0.5161693 0.5166534
## 1385 1386 1387 1388 1389 1390 1391 1392
## 0.5168631 0.5169055 0.5167084 0.5169056 0.5165182 0.5169226 0.5169825 0.5170571
## 1393 1394 1395 1396 1397 1398 1399 1400
## 0.5170093 0.5202949 0.5203966 0.5182180 0.5181963 0.5177685 0.5176768 0.5173857
## 1401 1402 1403 1404 1405 1406 1407 1408
## 0.5173738 0.5159821 0.5156973 0.5196696 0.5196155 0.5198974 0.5202701 0.5182158
## 1409 1410 1411 1412 1413 1414 1415 1416
## 0.5182073 0.5169531 0.5169265 0.5220886 0.5223224 0.5159930 0.5160104 0.5188678
## 1417 1418 1419 1420 1421 1422 1423 1424
## 0.5188389 0.5164999 0.5164999 0.5186132 0.5186120 0.5195125 0.5195543 0.5208170
## 1425 1426 1427 1428 1429 1430 1431 1432
## 0.5204703 0.5197300 0.5197310 0.5204257 0.5203419 0.5209974 0.5205567 0.5172999
## 1433 1434 1435 1436 1437 1438 1439 1440
## 0.5169253 0.5170343 0.5170005 0.5170485 0.5170206 0.5164999 0.5164999 0.5164494
## 1441 1442 1443 1444 1445 1446 1447 1448
## 0.5164668 0.5186132 0.5186132 0.5160961 0.5166131 0.5213491 0.5214874 0.5200658
## 1449 1450 1451 1452 1453 1454 1455 1456
## 0.5200368 0.5162880 0.5166168 0.5219268 0.5219126 0.5240258 0.5230985 0.5186173
## 1457 1458 1459 1460 1461 1462 1463 1464
## 0.5188085 0.5194352 0.5191431 0.5217936 0.5217879 0.5220627 0.5219861 0.5217755
## 1465 1466 1467 1468 1469 1470 1471 1472
## 0.5213428 0.5220608 0.5218868 0.5225905 0.5225845 0.5226049 0.5226128 0.5169226
## 1473 1474 1475 1476 1477 1478 1479 1480
## 0.5171025 0.5167708 0.5170458 0.5217820 0.5219289 0.5244145 0.5234570 0.5245695
## 1481 1482 1483 1484 1485 1486 1487 1488
## 0.5239774 0.5164999 0.5164999 0.5158728 0.5156719 0.5200010 0.5201661 0.5157938
## 1489 1490 1491 1492 1493 1494 1495 1496
## 0.5155022 0.5158772 0.5158660 0.5224195 0.5224248 0.5224822 0.5224684 0.5224484
## 1497 1498 1499 1500 1501 1502 1503 1504
## 0.5222271 0.5186003 0.5176850 0.5193126 0.5187706 0.5184917 0.5186122 0.5171597
## 1505 1506 1507 1508 1509 1510 1511 1512
## 0.5170098 0.5200310 0.5196764 0.5204244 0.5206992 0.5169635 0.5169309 0.5216566
## 1513 1514 1515 1516 1517 1518 1519 1520
## 0.5216102 0.5233212 0.5239203 0.5224043 0.5213195 0.5268117 0.5254000 0.5245592
## 1521 1522 1523 1524 1525 1526 1527 1528
## 0.5249809 0.5241383 0.5234131 0.5251304 0.5252133 0.5249488 0.5268200 0.5233141
## 1529 1530 1531 1532 1533 1534 1535 1536
## 0.5243785 0.5242299 0.5210710 0.5252474 0.5253762 0.5204070 0.5221007 0.5232622
## 1537 1538 1539 1540 1541 1542 1543 1544
## 0.5232788 0.5210693 0.5204432 0.5270279 0.5258498 0.5245484 0.5248295 0.5241383
## 1545 1546 1547 1548 1549 1550 1551 1552
## 0.5241261 0.5251304 0.5251590 0.5252030 0.5246033 0.5243968 0.5247562 0.5224805
## 1553 1554 1555 1556 1557 1558 1559 1560
## 0.5215008 0.5253258 0.5254413 0.5207178 0.5213966 0.5236616 0.5233207 0.5239838
## 1561 1562 1563 1564 1565 1566 1567 1568
## 0.5237519 0.5229886 0.5228144 0.5215372 0.5213667 0.5268178 0.5270454 0.5250847
## 1569 1570 1571 1572 1573 1574 1575 1576
## 0.5250648 0.5249915 0.5245853 0.5245702 0.5250332 0.5237104 0.5240056 0.5233526
## 1577 1578 1579 1580 1581 1582 1583 1584
## 0.5234622 0.5251384 0.5247484 0.5252185 0.5250732 0.5249663 0.5246074 0.5263123
## 1585 1586 1587 1588 1589 1590 1591 1592
## 0.5260176 0.5235149 0.5237029 0.5244368 0.5246162 0.5246392 0.5243772 0.5215086
## 1593 1594 1595 1596 1597 1598 1599 1600
## 0.5212932 0.5251899 0.5246828 0.5253349 0.5249533 0.5209247 0.5207268 0.5216928
## 1601 1602 1603 1604 1605 1606 1607 1608
## 0.5216866 0.5232601 0.5232813 0.5207221 0.5202153 0.5270572 0.5268970 0.5245422
## 1609 1610 1611 1612 1613 1614 1615 1616
## 0.5247439 0.5236220 0.5241378 0.5251557 0.5251574 0.5249488 0.5246425 0.5252098
## 1617 1618 1619 1620 1621 1622 1623 1624
## 0.5250399 0.5228185 0.5240637 0.5253962 0.5254996 0.5208564 0.5206425 0.5233595
## 1625 1626 1627 1628 1629 1630 1631 1632
## 0.5233435 0.5238987 0.5238735 0.5227003 0.5222096 0.5213632 0.5213206 0.5269913
## 1633 1634 1635 1636 1637 1638 1639 1640
## 0.5270326 0.5251797 0.5257342 0.5245969 0.5245615 0.5245899 0.5249696 0.5239122
## 1641 1642 1643 1644 1645 1646 1647 1648
## 0.5240682 0.5233732 0.5234164 0.5251210 0.5250375 0.5252115 0.5251391 0.5247624
## 1649 1650 1651 1652 1653 1654 1655 1656
## 0.5246460 0.5268812 0.5265331 0.5233024 0.5235206 0.5243998 0.5244652 0.5244530
## 1657 1658 1659 1660 1661 1662 1663 1664
## 0.5243102 0.5213326 0.5207632 0.5252989 0.5253043 0.5253363 0.5252487 0.5204181
## 1665 1666 1667 1668 1669 1670 1671 1672
## 0.5206397 0.5216348 0.5216277 0.5232967 0.5232615 0.5234901 0.5233077 0.5211529
## 1673 1674 1675 1676 1677 1678 1679 1680
## 0.5208407 0.5206287 0.5206644 0.5269217 0.5270519 0.5258079 0.5256183 0.5247811
## 1681 1682 1683 1684 1685 1686 1687 1688
## 0.5245768 0.5245049 0.5246677 0.5241703 0.5242459 0.5239741 0.5241392 0.5251547
## 1689 1690 1691 1692 1693 1694 1695 1696
## 0.5251188 0.5251595 0.5251591 0.5251074 0.5251165 0.5248165 0.5246968 0.5243934
## 1697 1698 1699 1700 1701 1702 1703 1704
## 0.5243845 0.5248308 0.5247784 0.5224181 0.5220820 0.5212588 0.5213738 0.5252782
## 1705 1706 1707 1708 1709 1710 1711 1712
## 0.5253156 0.5253841 0.5252566 0.5208913 0.5207701 0.5214426 0.5208615 0.5235770
## 1713 1714 1715 1716 1717 1718 1719 1720
## 0.5235167 0.5233282 0.5233186 0.5239667 0.5237951 0.5237217 0.5237127 0.5231830
## 1721 1722 1723 1724 1725 1726 1727 1728
## 0.5232495 0.5227868 0.5230847 0.5215165 0.5214124 0.5211492 0.5212733 0.5264601
## 1729 1730 1731 1732 1733 1734 1735 1736
## 0.5268508 0.5268890 0.5268971 0.5250756 0.5249821 0.5250783 0.5250215 0.5248692
## 1737 1738 1739 1740 1741 1742 1743 1744
## 0.5249396 0.5244489 0.5244754 0.5245507 0.5244974 0.5250963 0.5248400 0.5237169
## 1745 1746 1747 1748 1749 1750 1751 1752
## 0.5237359 0.5239162 0.5239901 0.5233336 0.5233464 0.5235038 0.5235209 0.5251736
## 1753 1754 1755 1756 1757 1758 1759 1760
## 0.5251329 0.5250382 0.5249153 0.5252199 0.5252711 0.5251433 0.5251429 0.5249508
## 1761 1762 1763 1764 1765 1766 1767 1768
## 0.5249931 0.5245827 0.5246049 0.5260204 0.5262095 0.5259940 0.5263033 0.5234858
## 1769 1770 1771 1772 1773 1774 1775 1776
## 0.5234363 0.5236966 0.5236833 0.5245126 0.5244948 0.5245969 0.5246063 0.5246114
## 1777 1778 1779 1780 1781 1782 1783 1784
## 0.5247802 0.5244828 0.5245551 0.5209451 0.5213977 0.5214178 0.5213140 0.5251687
## 1785 1786 1787 1788 1789 1790 1791 1792
## 0.5252122 0.5247550 0.5246187 0.5252253 0.5252593 0.5251125 0.5250201 0.5207776
## 1793 1794 1795 1796 1797 1798 1799 1800
## 0.5207424 0.5209669 0.5212716 0.5219045 0.5209514 0.5216386 0.5212740 0.5211680
## 1801 1802 1803 1804 1805 1806 1807 1808
## 0.5217936 0.5287168 0.5312628 0.5232459 0.5218765 0.5217723 0.5228167 0.5252031
## 1809 1810 1811 1812 1813 1814 1815 1816
## 0.5278531 0.5228292 0.5229529 0.5273816 0.5237805 0.5266165 0.5317177 0.5278606
## 1817 1818 1819 1820 1821 1822 1823 1824
## 0.5237902 0.5232487 0.5232322 0.5217309 0.5223062 0.5272546 0.5275921 0.5211490
## 1825 1826 1827 1828 1829 1830 1831 1832
## 0.5213652 0.5296115 0.5318497 0.5232585 0.5230930 0.5216944 0.5217301 0.5259417
## 1833 1834 1835 1836 1837 1838 1839 1840
## 0.5270103 0.5229805 0.5230119 0.5282244 0.5278129 0.5289005 0.5325138 0.5278322
## 1841 1842 1843 1844 1845 1846 1847 1848
## 0.5278716 0.5232361 0.5232216 0.5217414 0.5217668 0.5277688 0.5278928 0.5212301
## 1849 1850 1851 1852 1853 1854 1855 1856
## 0.5213134 0.5217606 0.5217795 0.5285450 0.5286974 0.5294141 0.5316928 0.5232479
## 1857 1858 1859 1860 1861 1862 1863 1864
## 0.5231757 0.5217898 0.5218713 0.5217479 0.5217441 0.5230324 0.5228836 0.5259630
## 1865 1866 1867 1868 1869 1870 1871 1872
## 0.5253423 0.5278572 0.5274528 0.5228395 0.5230426 0.5231053 0.5228335 0.5275116
## 1873 1874 1875 1876 1877 1878 1879 1880
## 0.5276718 0.5237837 0.5235297 0.5266922 0.5269247 0.5300753 0.5311269 0.5276031
## 1881 1882 1883 1884 1885 1886 1887 1888
## 0.5278914 0.5234240 0.5234457 0.5232241 0.5232323 0.5231628 0.5232419 0.5217886
## 1889 1890 1891 1892 1893 1894 1895 1896
## 0.5217895 0.5221780 0.5224716 0.5277903 0.5273279 0.5276793 0.5277942 0.5211483
## 1897 1898 1899 1900 1901 1902 1903 1904
## 0.5211767 0.5322496 0.5335804 0.5232598 0.5232507 0.5216958 0.5217495 0.5265615
## 1905 1906 1907 1908 1909 1910 1911 1912
## 0.5260923 0.5230103 0.5230076 0.5284336 0.5287153 0.5317810 0.5335181 0.5278088
## 1913 1914 1915 1916 1917 1918 1919 1920
## 0.5278697 0.5231731 0.5231694 0.5217494 0.5217651 0.5278793 0.5278897 0.5211660
## 1921 1922 1923 1924 1925 1926 1927 1928
## 0.5211852 0.5217791 0.5217794 0.5287537 0.5287165 0.5315750 0.5318175 0.5232473
## 1929 1930 1931 1932 1933 1934 1935 1936
## 0.5232429 0.5218077 0.5218724 0.5217342 0.5217749 0.5228232 0.5228187 0.5252947
## 1937 1938 1939 1940 1941 1942 1943 1944
## 0.5251067 0.5278471 0.5278787 0.5228341 0.5229224 0.5230019 0.5228535 0.5274603
## 1945 1946 1947 1948 1949 1950 1951 1952
## 0.5274551 0.5237816 0.5236622 0.5266611 0.5267982 0.5317897 0.5317436 0.5277512
## 1953 1954 1955 1956 1957 1958 1959 1960
## 0.5278894 0.5235498 0.5235664 0.5232446 0.5232459 0.5232297 0.5232377 0.5217376
## 1961 1962 1963 1964 1965 1966 1967 1968
## 0.5217377 0.5222068 0.5221389 0.5274320 0.5272788 0.5276511 0.5277270 0.5211976
## 1969 1970 1971 1972 1973 1974 1975 1976
## 0.5212069 0.5213330 0.5212129 0.5295726 0.5292298 0.5317762 0.5315458 0.5232494
## 1977 1978 1979 1980 1981 1982 1983 1984
## 0.5232495 0.5230945 0.5230567 0.5217311 0.5216961 0.5217195 0.5217329 0.5263184
## 1985 1986 1987 1988 1989 1990 1991 1992
## 0.5260288 0.5272670 0.5272427 0.5230499 0.5229730 0.5230106 0.5230073 0.5280805
## 1993 1994 1995 1996 1997 1998 1999 2000
## 0.5281868 0.5278772 0.5278316 0.5287011 0.5282599 0.5321109 0.5323811 0.5278278
ENFERMEDAD_CARDIACA <- Obesity_Dataset$ENFERMEDAD_CARDIACA
PESO <- Obesity_Dataset$PESO
dataPlot <- data.frame(PESO, ENFERMEDAD_CARDIACA)
plot(ENFERMEDAD_CARDIACA~PESO, data = dataPlot, main = "Modelo RLogS: PESO - ENFERMEDAD_CARDIACA", xlab = "PESO", ylab = "ENFERMEDAD_CARDIACA = 0 | Research = 1", col = "gold", pch = "I")
curve(predict(glm(ENFERMEDAD_CARDIACA~PESO, family = "binomial", data = dataPlot), data.frame(PESO = x), type = "response"), col = "orange", lwd = 3, add = TRUE)
## Warning: glm.fit: algorithm did not converge