Fase 1 [Descripciones Multivariadas]

[descripcion de la fase 1]

1.1. Objetivos

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.

1.2. Descripción de los datos

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

Estructura del Conjunto de Datos

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" ...

Visualización del Conjunto de Datos

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: ¹​HISTORIAL_FAMILIAR_SOBREPESO
## # ℹ 8 more variables: H2O <dbl>, SCC <chr>, FAF <dbl>, TUE <chr>, CALC <chr>,
## #   MEDIO_TRANS <chr>, IMC <chr>, ENFERMEDAD_CARDIACA <chr>

1.3. Estimaciones Multivariantes

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.

Vector de Medias y Boxplots

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])))

Matriz de Varianzas-Covarianzas

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

Matriz de Correlaciones

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

1.4. Gráficas Multivariadas

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.

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[SA]

ggpairs(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)])

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:SEXO]

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)))

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:HFS]

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)))

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:FAVC]

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)))

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:CAEC]

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)))

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:FUMAS]

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)))

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:SCC]

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)))

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:TUE]

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)))

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:CALC]

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)))

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:MT]

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

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:IMC]

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

Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:EC]

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)))

Diagrama de Estrellas

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)

Caras de Chernoff

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"

1.5. Normalidad Multivariada

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.

PNM Mardia

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

PNM Henze-Zirkler

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

PNM Doornik-Hansen

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

PNM ROYSTON

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

Fase 2 [Componentes Principales]

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.

2.1. Objetivos

2.2. Selección de Componentes

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.

Matriz ACP

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

Matriz de Correlaciones

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

Valores y Vectores Propios

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

Correlaciones Comparadas

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)

Gráfico de Cattell

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 = "")

Gráfico de Cattell-Kaiser

scree(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)],factors = FALSE, pc = TRUE, main ="")

2.3. Calidad de Representación

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

Círculo de Correlaciones

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())

Matriz de Representación

(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

Calidad de Representación

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)

Coordenadas Individuales

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

2.4. Contribuciones

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.

Matriz de Contribuciones

(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

Contribuciones a D1

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)

Contribuciones a D2

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)

Contribuciones a D3

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)

Contribuciones a D4

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)

Contribuciones a D5

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)

Contribuciones a D6

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)

2.5. Interpretación de Componentes

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.

Biplot de Variables y Registros [Total EF]

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)

Biplot de Variables y Registros [Total CALC]

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)

Biplot de Variables y Registros [Total SCC]

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)

Biplot de Variables y Registros [Total FUMAS]

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)

Biplot de Variables y Registros [Total FAVC]

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)

Biplot de Variables y Registros [Total HISTORIAL_FAMILIAR_SOBREPESO]

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)

Biplot de Variables y Registros [Total SEXO]

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)

Fase 3 [Correspondencias]

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.

3.1. Objetivos

3.2. Correspondencias Simples

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

AC Parejas Totales

Contingencias

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

Probabilidades

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

Frecuencias [FAF y CAEC]

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

Perfiles [FAF y CAEC]

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)

Pruebas de Hipótesis

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

AC Pareja Única

Contingencias y Residuales [FAF-IMC]

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

Contribuciones [FAF-IMC]

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

Correspondencia Simple Unidimensional [FAF-IMC]

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

3.3. Correspondencias Múltiples

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

ACM

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

Biplot ACM

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)

Contribuciones

fviz_contrib(MCA(Obesity_Dataset[1:400, -c(2,3,4,7,8,11,13)], graph = FALSE), choice = "var", axes = 1, top = 15)

Biplot de Contribuciones

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)

Fase 4 [Análisis de Regresión]

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.

4.1. Objetivos

4.2. Regresión Lineal Simple

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:

  • \(Y\): es una variable de respuesta de naturaleza aleatoria.
  • \(x\): es una variable predictora de naturaleza no aleatoria.
  • \(\varepsilon\): es una variable aleatoria no observable.
  • \(\beta_0\) y \(\beta_1\): son parámetros reales desconocidos del modelo.

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.

RESUMEN ESTADISTICO DE LA VARIABLE ALTURA

summary(Obesity_Dataset$ALTURA)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1.450   1.630   1.702   1.703   1.771   1.980

DIAGRAMA DE CAJA DE LA VARIABLE ALTURA

boxplot(Obesity_Dataset$ALTURA, main = "Diagrama de Caja de la Variable ALTURA", col = c("blue"))

RESUMEN ESTADISTICO DE LA VARIABLE PESO

summary(Obesity_Dataset$PESO)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   39.00   65.00   82.00   84.74  104.97  173.00

DIAGRAMA DE CAJA DE LA VARIABLE PESO

boxplot(Obesity_Dataset$PESO, main = "Diagrama de Caja de la Variable PESO", col = c("orange"))

DIAGRAMA DE DISPERSION ALTURA VS PESO

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.

Coeficientes del Modelo RLS

modelo_RL_Simple = lm(Obesity_Dataset$PESO~Obesity_Dataset$ALTURA)
coef(modelo_RL_Simple)
##            (Intercept) Obesity_Dataset$ALTURA 
##              -141.3135               132.7556

Resumen Estadístico del Modelo RLS

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

Tabla ANOVA para el Modelo RLS

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.

Intervalo de Confianza para B1

confint(modelo_RL_Simple, level = 0.95)
##                            2.5 %    97.5 %
## (Intercept)            -158.8212 -123.8058
## Obesity_Dataset$ALTURA  122.4897  143.0215

Predicciones y sus Intervalos de Predicción

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

Predicciones y sus Intervalos de Confianza

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

4.3. Regresión Lineal Múltiple

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.

Resumen Variables Cuantitativas

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

Resumen Variables Cualitativas

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))

Diagramas de Dispersión Variables Cuantitativas

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):\[\hat{PESO}=-129.1668+ 104.1638\cdot ALTURA+20.2322\cdot HS_s-18.6088\cdot CAEC_f-10.1458\cdot CAEC_s+6.9552\cdot CALC_s+ 6.9552\cdot FCVC\hspace{10mm}(29)\]

Resumen y ANOVA del Modelo RLM Total

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

Coeficientes del Modelo RLM Total

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

Coeficientes del Modelo RLM Reducido

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.

Mejor Modelo Iterado según AIC

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

Bondades de Ajuste, Significancias y Criterios de Información Comparados

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).

Resumen y Boxplot de PESO

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"))

Histograma de PESO

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"))

Resumen y Diagrama de Barras de EC

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))

Resumen y Diagrama de Cajas Conjunto

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.

Coeficientes del Modelo RLogS

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

Resumen Estadístico del Modelo RLogS

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.

Variable Predictora igual a Cero

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

Probabilidades Estimadas

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

Gráfica del Modelo RLogS

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

---
title: <center> "Estudio Descriptivo Multivariante basado en un Conjunto de Datos que registra Diagnósticos de Enfermedades Cardiovasculares en paises de Latinoamerica"</center>
author: "Por: G7::kevin.santiago.cruz::emerson.zasipa::ariadna.villa::@correounivalle.edu.co"
date: "29-05-2024"
output:
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: united
---
<!-- Configuración Global de R -->
```{r setup, include=FALSE}
library(readr)
library(readxl)
library(corrplot)
library(GGally)
library(ggplot2)
library(andrews)
library(tcltk)
library(aplpack)
library(graphics)
library(corrplot)
library(MVN)
library(reshape2)
library(psych)
library(FactoClass)
library(cluster)
library(dendextend)
library(magrittr)
library(NbClust)
library(FactoMineR)
library(factoextra)
library(stargazer)

Obesity_Dataset <- read_excel("C:/semestre #4/GESTION DE DATOS/DATOS_OBESIDAD_G7.xlsx")
View(Obesity_Dataset)

```

# **Fase 1 [Descripciones Multivariadas]**

[descripcion de la fase 1]

## **1.1. Objetivos**

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.

## **1.2. Descripción de los datos** {.tabset .tabset-pills}

**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


### Estructura del Conjunto de Datos
```{r Estructuta_Conjunto_de_Datos, fig.align = 'center'}
str(Obesity_Dataset)
```
### Visualización del Conjunto de Datos
```{r Visualizacion_Conjunto_de_Datos}
Obesity_Dataset
```

## **1.3. Estimaciones Multivariantes**{.tabset .tabset-pills}

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.](#sec1_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.

### Vector de Medias y Boxplots
```{r Vector_de_Medias_y_Boxplots, fig.align = 'center'}
apply(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], 2, mean)
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])))
```

### Matriz de Varianzas-Covarianzas
```{r matriz_de_Varianzas_Covarianzas, fig.align = 'center'}
round(cov(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)]),2)
```

### Matriz de Correlaciones
```{r matriz_de_Correlaciones, fig.align = 'center'}
round(cor(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)]),2)
```

## **1.4. Gráficas Multivariadas**{.tabset .tabset-pills}

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.](#sec1_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**, **IMC**y **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.

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[SA]
```{r Diagrama_Conjunto_DDC_SA, fig.align = 'center'}
ggpairs(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)])
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:SEXO]
```{r Diagrama_Conjunto_DDC_CA_SEX, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:HFS]
```{r Diagrama_Conjunto_DDC_CA_HFS, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:FAVC]
```{r Diagrama_Conjunto_DDC_CA_FAVC, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:CAEC]
```{r Diagrama_Conjunto_DDC_CA_CAEC, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:FUMAS]
```{r Diagrama_Conjunto_DDC_CA_FUMAS, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:SCC]
```{r Diagrama_Conjunto_DDC_CA_SCC, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:TUE]
```{r Diagrama_Conjunto_DDC_CA_TUE, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:CALC]
```{r Diagrama_Conjunto_DDC_CA_CALC, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:MT]
```{r Diagrama_Conjunto_DDC_CA_MT, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:IMC]
```{r Diagrama_Conjunto_DDC_CA_IMC, fig.align = 'center'}
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)))
```

### Diagrama Conjunto de Dispersión, Distribución y Correlaciones[CA:EC]
```{r Diagrama_Conjunto_DDC_CA_EC, fig.align = 'center'}
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)))
```

### Diagrama de Estrellas 
```{r diagrama_de_Estrellas, fig.align = 'center'}
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)
```

### Caras de Chernoff
```{r caras_de_Chernoff, fig.align = 'center'}
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)
```

## **1.5. Normalidad Multivariada**{.tabset .tabset-pills}

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.](#sec1_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**,**FAF**Y **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.

### PNM Mardia
```{r PNM_Mardia, fig.align = 'center'}
mvn(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], mvnTest="mardia")
```

### PNM Henze-Zirkler
```{r PNM_Henze_Zirkler, fig.align = 'center'}
mvn(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], mvnTest="hz")
```

### PNM Doornik-Hansen
```{r PNM_Doornik_Hansen, fig.align = 'center'}
mvn(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], mvnTest="dh")
```

### PNM ROYSTON 
```{r PNM_Royston, fig.align = 'center'}
mvn(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], mvnTest="royston")
```

# **Fase 2 [Componentes Principales]**

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](#sec1), 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.](#sec1_2) y los referentes teóricos en la [sección 1](#sec1).

## **2.1. Objetivos**

## **2.2. Selección de Componentes** {.tabset .tabset-pills}

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.](#sec1_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.


### Matriz ACP
```{r Matriz_ACP, fig.align = 'center'}
get_eigenvalue(PCA(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], ncp = 6, scale.unit = TRUE, graph = F))
```

### Matriz de Correlaciones
```{r Matriz_de_Correlaciones}
round(cor(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)]),2)
```

### Valores y Vectores Propios
```{r Valores_y_Vectores_Propios, fig.align = 'center'}
princomp(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], cor = TRUE)$sdev^2
princomp(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)], cor = TRUE)$loadings[ ,1:6]
```

### Correlaciones Comparadas
```{r Correlaciones_Comparadas, fig.align='center'}
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)
```

### Gráfico de Cattell
```{r Grafico_de_Cattell, fig.align = 'center'}
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 = "")
```

### Gráfico de Cattell-Kaiser
```{r Grafico_de_Cattell_Kaiser, fig.align = 'center'}
scree(Obesity_Dataset[,-c(1,5,6,9,10,12,14,15,16,17,18)],factors = FALSE, pc = TRUE, main ="")
```

## **2.3. Calidad de Representación** {.tabset .tabset-pills}

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.](#sec1_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.](#sec2.2.).

**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


### Círculo de Correlaciones
```{r Circulo_de_Correlaciones, fig.align = 'center'}
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())
```

### Matriz de Representación
```{r Matriz_de_Repressentacion_COS2, fig.align = 'center'}
(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
```

### Calidad de Representación
```{r Calidad_de_la_Representacion, fig.align = 'center'}
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)
```

### Coordenadas Individuales
```{r Coordenadas_Registros, fig.align = 'center'}
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)
```

## **2.4. Contribuciones**{.tabset .tabset-pills}

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.](#sec1_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.

### Matriz de Contribuciones
```{r Matriz_de_Contribuciones, fig.align = 'center'}
(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
```

### Contribuciones a D1
```{r Contribuciones_DIM_1, fig.align = 'center'}
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)
```

### Contribuciones a D2
```{r Contribuciones_DIM_2, fig.align = 'center'}
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)
```

### Contribuciones a D3
```{r Contribuciones_DIM_3, fig.align = 'center'}
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)
```

### Contribuciones a D4
```{r Contribuciones_DIM_4, fig.align = 'center'}
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)
```

### Contribuciones a D5
```{r Contribuciones_DIM_5, fig.align = 'center'}
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)
```

### Contribuciones a D6
```{r Contribuciones_DIM_6, fig.align = 'center'}
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)
```

## **2.5. Interpretación de Componentes**{.tabset .tabset-pills}

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.](#sec1_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](#sec2), 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.


### Biplot de Variables y Registros [Total EF]
```{r Biplot_de_Variables_y_Registros_Total_EF, fig.align = 'center'}
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)
```

### Biplot de Variables y Registros [Total CALC]
```{r Biplot_de_Variables_y_Registros_Total_CALC, fig.align = 'center'}
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)
```

### Biplot de Variables y Registros [Total SCC]
```{r Biplot_de_Variables_y_Registros_Total_SCC, fig.align = 'center'}
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)
```

### Biplot de Variables y Registros [Total FUMAS]
```{r Biplot_de_Variables_y_Registros_Total_FUMAS, fig.align = 'center'}
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)
```

### Biplot de Variables y Registros [Total FAVC]
```{r Biplot_de_Variables_y_Registros_Total_FAVC, fig.align = 'center'}
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)
```

### Biplot de Variables y Registros [Total HISTORIAL_FAMILIAR_SOBREPESO]
```{r Biplot_de_Variables_y_Registros_Total_HISTORIAL_FAMILIAR_SOBREPESO, fig.align = 'center'}
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)
```

### Biplot de Variables y Registros [Total SEXO]

```{r Biplot_de_Variables_y_Registros_Total_SEXO, fig.align = 'center'}
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)
```

# **Fase 3 [Correspondencias]**

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](#sec1) y [2](#fase2), 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.](#sec1_2) y los referentes teóricos en la [sección 1](#sec1).

## **3.1. Objetivos**

## **3.2. Correspondencias Simples**{.tabset .tabset-pills}

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.](#sec1_2). Complementariamente, la [sección 3.3.](#sec3_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](#sec2) 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**

### AC Parejas Totales

### Contingencias
```{r Tablas_de_Contingencia, fig.align = 'center'}
addmargins(table(Obesity_Dataset$IMC, Obesity_Dataset$FAF))
addmargins(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC))
addmargins(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC))
```

### Probabilidades
```{r Tablas_de_Probabilidades, fig.align = 'center'}
addmargins(prop.table(table(Obesity_Dataset$IMC , Obesity_Dataset$FAF))*100)
addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC))*100)
addmargins(prop.table(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC))*100)
```

### Frecuencias [FAF y CAEC]
```{r Tablas_de_Frecuencias_Condicionadas, fig.align = 'center'}
round(addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$FAF), 1)*100, 2), 2)
round(addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$FAF), 2)*100, 1), 2)

round(addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC), 1)*100, 2), 2)
round(addmargins(prop.table(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC), 2)*100, 1), 2)

round(addmargins(prop.table(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC), 1)*100, 2), 2)
round(addmargins(prop.table(table(Obesity_Dataset$FAF, Obesity_Dataset$CAEC), 2)*100, 1), 2)
```

### Perfiles [FAF y CAEC]
```{r Graficos_de_Perfiles, fig.align = 'center'}

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)
```

### Pruebas de Hipótesis
```{r Pruebas_de_Correspondencia, fig.align = 'center'}
chisq.test(table(Obesity_Dataset$CAEC, Obesity_Dataset$IMC))
chisq.test(table(Obesity_Dataset$CAEC, Obesity_Dataset$CAEC))
chisq.test(table(Obesity_Dataset$IMC, Obesity_Dataset$CAEC))
```

### AC Pareja Única

### Contingencias y Residuales [FAF-IMC]
```{r Contingencias_y_Residuales, fig.align = 'center'}
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$observed
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$expected 
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$residuals
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$stdres
```

### Contribuciones [FAF-IMC]
```{r Contribuciones_FAF-IMC, fig.align = 'center'}
chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$residuals^2/chisq.test(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC))$statistic*100
```

### Correspondencia Simple Unidimensional [FAF-IMC]
```{r Biplot_Correspondencia_Simple_FAF-IMC, fig.align = 'center'}
CA(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC), graph = FALSE)$eig 
CA(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC), graph = FALSE)$col 
CA(table(Obesity_Dataset$FAF, Obesity_Dataset$IMC), graph = FALSE)$row 
```

## **3.3. Correspondencias Múltiples**{.tabset .tabset-pills}

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.](#sec3_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.](#sec1_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

### ACM
```{r Analisis_Correspondencias_Multiples , fig.align = 'center'}
round(MCA(Obesity_Dataset[1:400, -c(2,3,4,7,8,11,13)], graph = FALSE)$eig,2)
```

### Biplot ACM
```{r Biplot_ACM , fig.align = 'center'}
fviz_mca_biplot(MCA(Obesity_Dataset[1:200, -c(2,3,4,7,8,11,13)], graph = FALSE), repel = TRUE)
```

###Calidad de Representación
```{r Calidad_de_Representacion , fig.align = 'center'}
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)
```

### Contribuciones
```{r contribuciones_ACM , fig.align = 'center'}
fviz_contrib(MCA(Obesity_Dataset[1:400, -c(2,3,4,7,8,11,13)], graph = FALSE), choice = "var", axes = 1, top = 15)
```

### Biplot de Contribuciones
```{r Biplot_de_Contribuciones, fig.align = 'center'}
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)
```


# **Fase 4 [Análisis de Regresión]**

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.

## **4.1. Objetivos**

## **4.2. Regresión Lineal Simple**{.tabset .tabset-pills}

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:

+ $Y$: es una variable de respuesta de naturaleza aleatoria.
+ $x$: es una variable predictora de naturaleza no aleatoria.
+ $\varepsilon$: es una variable aleatoria no observable.
+ $\beta_0$ y $\beta_1$: son parámetros reales desconocidos del modelo.

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.](#sec1_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.

### RESUMEN ESTADISTICO DE LA VARIABLE ALTURA
```{r Resumen_estadistico_ALTURA, fig.align = 'center'}
summary(Obesity_Dataset$ALTURA)
```

### DIAGRAMA DE CAJA DE LA VARIABLE ALTURA
```{r Diagrama_de_caja_ALTURA, fig.align = 'center'}
boxplot(Obesity_Dataset$ALTURA, main = "Diagrama de Caja de la Variable ALTURA", col = c("blue"))
```
 
### RESUMEN ESTADISTICO DE LA VARIABLE PESO
```{r Resumen_estadistico_PESO, fig.align = 'center'}
summary(Obesity_Dataset$PESO)
```

### DIAGRAMA DE CAJA DE LA VARIABLE PESO
```{r Diagrama_de_caja_PESO, fig.align = 'center'}
boxplot(Obesity_Dataset$PESO, main = "Diagrama de Caja de la Variable PESO", col = c("orange"))
``` 

### DIAGRAMA DE DISPERSION ALTURA VS PESO
```{r Diagrama_de_Dispersion_ALTURA_VS_PESO,fig.align='center'}
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 la**ALTURA**, 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**.

### Coeficientes del Modelo RLS
```{r coeficientes_Regresion_Lineal_Simple, fig.align = 'center'}
modelo_RL_Simple = lm(Obesity_Dataset$PESO~Obesity_Dataset$ALTURA)
coef(modelo_RL_Simple)
```

### Resumen Estadístico del Modelo RLS
```{r resumen_Regresion_Lineal_Simple, fig.align = 'center'}
summary(modelo_RL_Simple)
```

### Tabla ANOVA para el Modelo RLS
```{r ANOVA_Regresion_Lineal_Simple, fig.align = 'center'}
anova(modelo_RL_Simple)
```

**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.

### Intervalo de Confianza para B1
```{r Intervalo_Confianza_B1, fig.align = 'center'}
confint(modelo_RL_Simple, level = 0.95)
```

### Predicciones y sus Intervalos de Predicción
```{r Intervalos_Prediccion_P, fig.align = 'center'}
predict(modelo_RL_Simple, data.frame(seq(1,400)), interval='prediction', level = 0.95)
```

### Predicciones y sus Intervalos de Confianza
```{r Intervalos_Prediccion_C, fig.align = 'center'}
predict(modelo_RL_Simple, data.frame(seq(1,400)), interval='confidence', level = 0.95)
```

## **4.3. Regresión Lineal Múltiple**{.tabset .tabset-pills}

Con base en el conjunto de datos descrito en la sección [sección 1.2.](#sec1_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 R.version.string` mediado por RStudio 2022.07.2 Build 576 en una plataforma x86_64-w64-mingw32.

**Resumen estadístico de las variables de estudio.**

### Resumen Variables Cuantitativas
```{r resumen_Variables_Cuantitativas, fig.align = 'center'}
summary(Obesity_Dataset$EDAD)
summary(Obesity_Dataset$ALTURA)
summary(Obesity_Dataset$FCVC)
summary(Obesity_Dataset$NCP)
summary(Obesity_Dataset$H2O)
summary(Obesity_Dataset$FAF)
```

### Resumen Variables Cualitativas
```{r resumen_Variables_Cualitativas, fig.align = 'center'}
table(Obesity_Dataset$SEXO)
prop.table(table(Obesity_Dataset$SEXO))
barplot(table(Obesity_Dataset$SEXO))

table(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO)
prop.table(table(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO))
barplot(table(Obesity_Dataset$HISTORIAL_FAMILIAR_SOBREPESO))

table(Obesity_Dataset$FAVC)
prop.table(table(Obesity_Dataset$FAVC))
barplot(table(Obesity_Dataset$FAVC))

table(Obesity_Dataset$CAEC)
prop.table(table(Obesity_Dataset$CAEC))
barplot(table(Obesity_Dataset$CAEC))

table(Obesity_Dataset$FUMAS)
prop.table(table(Obesity_Dataset$FUMAS))
barplot(table(Obesity_Dataset$FUMAS))

table(Obesity_Dataset$SCC)
prop.table(table(Obesity_Dataset$SCC))
barplot(table(Obesity_Dataset$SCC))

table(Obesity_Dataset$TUE)
prop.table(table(Obesity_Dataset$TUE))
barplot(table(Obesity_Dataset$TUE))

table(Obesity_Dataset$CALC)
prop.table(table(Obesity_Dataset$CALC))
barplot(table(Obesity_Dataset$CALC))

table(Obesity_Dataset$MEDIO_TRANS)
prop.table(table(Obesity_Dataset$MEDIO_TRANS))
barplot(table(Obesity_Dataset$MEDIO_TRANS))

table(Obesity_Dataset$ENFERMEDAD_CARDIACA)
prop.table(table(Obesity_Dataset$ENFERMEDAD_CARDIACA))
barplot(table(Obesity_Dataset$ENFERMEDAD_CARDIACA))
```

### Diagramas de Dispersión Variables Cuantitativas
```{r dispersiones_Variables_Cuantitativas, fig.align = 'center'}
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):$$\hat{PESO}=-129.1668+ 104.1638\cdot ALTURA+20.2322\cdot HS_s-18.6088\cdot CAEC_f-10.1458\cdot CAEC_s+6.9552\cdot CALC_s+ 6.9552\cdot FCVC\hspace{10mm}(29)$$

### Resumen y ANOVA del Modelo RLM Total
```{r, resumen_y_ANOVA_RLM_Total, fig.align = 'center'}
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)))
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)))
```

### Coeficientes del Modelo RLM Total
```{r, coeficientes_RLM_Total, fig.align = 'center'}
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)))
```

### Coeficientes del Modelo RLM Reducido
```{r coeficientes_RLM_Reducido, fig.align = 'center'}
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)))
```

**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.


### Mejor Modelo Iterado según AIC
```{r, mejor_Modelo_AIC, fig.align = 'center'}
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)))

coefficients(modelo_Iterado_STEP)
```

### Bondades de Ajuste, Significancias y Criterios de Información Comparados
```{r}
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)
AIC(modelo_RLM_TOTAL, modelo_RLM_REDUCIDO, modelo_Iterado_STEP)
BIC(modelo_RLM_TOTAL, modelo_RLM_REDUCIDO, modelo_Iterado_STEP)
```

 **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 **log**arithmic un**it**: 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 R.version.string` 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).


### Resumen y Boxplot de PESO
```{r resumen_PESO, fig.align = 'center'}
summary(Obesity_Dataset$PESO)
boxplot(Obesity_Dataset$PESO, main = "Diagrama de Caja de la variable PESO", col = c("orange"))
```

### Histograma de PESO
```{r histograma_PESO, fig.align = 'center'}
summary(Obesity_Dataset$EDAD)
hist(Obesity_Dataset$EDAD, main = "Histograma de la variable PESO", col = c("gold"))
```

### Resumen y Diagrama de Barras de EC
```{r resumen_Research, fig.align = 'center'}
table(Obesity_Dataset$ENFERMEDAD_CARDIACA)
prop.table(table(Obesity_Dataset$ENFERMEDAD_CARDIACA))
barplot(table(Obesity_Dataset$ENFERMEDAD_CARDIACA))
```

### Resumen y Diagrama de Cajas Conjunto
```{r boxplot_Conjunto_Chance-of-Admit_Research, fig.align = 'center'}
tapply(Obesity_Dataset$PESO, Obesity_Dataset$ENFERMEDAD_CARDIACA, mean)
tapply(Obesity_Dataset$PESO, Obesity_Dataset$ENFERMEDAD_CARDIACA, median)
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.

### Coeficientes del Modelo RLogS
```{r coeficientes_Regresion_Logistica_Simple, fig.align = 'center'}
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)
```

### Resumen Estadístico del Modelo RLogS
```{r resumen_Regresion_Logistica_Simple, fig.align = 'center'}
Obesity_Dataset$ENFERMEDAD_CARDIACA <- ifelse(Obesity_Dataset$ENFERMEDAD_CARDIACA == "SI", 1, 0)
summary(modelo_RLog_Simple)
modelo_RLog_Simple_S = glm(Obesity_Dataset$ENFERMEDAD_CARDIACA~Obesity_Dataset$PESO, family = "binomial", data = data.frame(Obesity_Dataset$ENFERMEDAD_CARDIACA, Obesity_Dataset$PESO))
summary(modelo_RLog_Simple_S)
```

**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.

### Variable Predictora igual a Cero
```{r variable_Predictora_Cero, fig.align = 'center'}
coef(modelo_RLog_Simple)
round(exp(coef(modelo_RLog_Simple)),6)
```

### Probabilidades Estimadas
```{r probabilidades_Estimadas, fig.align = 'center'}
predict(modelo_RLog_Simple, data.frame(seq(1, 400)), type = "response")
```

### Gráfica del Modelo RLogS
```{r grafica_Modelo_RLogS, fig.align = 'center'}
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)
```