knitr::opts_chunk$set(echo = TRUE,
comment = NA,
warning = FALSE,
message = FALSE,
fig.path = "moma-figs/"
)
Con el objetivo de cumplir con la actividad NO.2 se realizó los siguiente:
1. se instalo la libreria wooldrige con el siguiente comando: library(wooldrige)
2. se buscaron las varibles con la ayuda (Help) de R para identificar la respectiva descripción de las variables.
3. se utilizo ggplot2 para realizar graficos en cada punto.
4. se utilizaron parametros para que el grafico sea dinamico
##include=FALSE ->Evita que el codigo y los resultados del codigo aparezcan en el documento
##message=FALSE ->
##warning=FALSE ->
## Primero se cargan las librerias
library(agricolae)
library(tidyverse)
library(ggplot2)
library(plotly)
library(modeest)
library(dplyr)
library(readr)
library(readxl)
library(haven)
library(mosaicData)
library(wooldridge) #incluye base de datos wage1
wage1
wage educ exper tenure nonwhite female married numdep smsa northcen south
1 3.10 11 2 0 0 1 0 2 1 0 0
2 3.24 12 22 2 0 1 1 3 1 0 0
3 3.00 11 2 0 0 0 0 2 0 0 0
4 6.00 8 44 28 0 0 1 0 1 0 0
5 5.30 12 7 2 0 0 1 1 0 0 0
6 8.75 16 9 8 0 0 1 0 1 0 0
7 11.25 18 15 7 0 0 0 0 1 0 0
8 5.00 12 5 3 0 1 0 0 1 0 0
9 3.60 12 26 4 0 1 0 2 1 0 0
10 18.18 17 22 21 0 0 1 0 1 0 0
11 6.25 16 8 2 0 1 0 0 1 0 0
12 8.13 13 3 0 0 1 0 0 1 0 0
13 8.77 12 15 0 0 0 1 2 1 0 0
14 5.50 12 18 3 0 0 0 0 1 0 0
15 22.20 12 31 15 0 0 1 1 1 0 0
16 17.33 16 14 0 0 0 1 1 1 0 0
17 7.50 12 10 0 0 1 1 0 1 0 0
18 10.63 13 16 10 0 1 0 0 1 0 0
19 3.60 12 13 0 0 1 1 3 1 0 0
20 4.50 12 36 6 0 1 1 0 1 0 0
21 6.88 12 11 4 0 1 0 0 1 0 0
22 8.48 12 29 13 0 0 1 3 1 0 0
23 6.33 16 9 9 0 1 0 0 1 0 0
24 0.53 12 3 1 0 1 0 0 1 0 0
25 6.00 11 37 8 1 1 0 0 1 0 0
26 9.56 16 3 3 1 0 1 1 1 0 0
27 7.78 16 11 10 0 0 1 1 1 0 0
28 12.50 16 31 0 0 0 1 0 1 0 0
29 12.50 15 30 0 0 0 1 2 1 0 0
30 3.25 8 9 1 0 1 1 2 1 0 0
31 13.00 14 23 5 0 0 1 2 1 0 0
32 4.50 14 2 5 0 1 0 2 1 0 0
33 9.68 13 16 16 0 1 0 0 1 0 0
34 5.00 12 7 3 0 1 0 0 1 0 0
35 4.68 12 3 0 0 1 0 0 1 0 0
36 4.27 16 22 4 1 1 1 1 1 0 0
37 6.15 12 15 6 1 1 1 1 1 0 0
38 3.51 4 39 15 0 0 1 5 1 0 0
39 3.00 14 3 3 0 1 1 0 1 0 0
40 6.25 12 11 0 0 1 0 0 1 0 0
41 7.81 12 3 0 0 1 1 0 1 0 0
42 10.00 12 20 5 1 1 1 4 1 0 0
43 4.50 14 16 0 0 1 1 1 1 0 0
44 4.00 11 45 12 0 1 1 0 1 0 0
45 6.38 13 11 4 0 1 0 0 1 0 0
46 13.70 15 20 13 0 0 1 2 1 0 0
47 1.67 10 1 0 0 0 0 1 1 0 0
48 2.93 12 36 2 0 1 1 1 1 0 0
49 3.65 14 9 2 0 0 0 0 1 0 0
50 2.90 12 15 1 0 1 1 2 1 0 0
51 1.63 12 18 0 0 1 0 2 0 0 0
52 8.60 16 3 2 0 1 0 0 1 0 0
53 5.00 12 15 5 0 0 1 1 1 0 0
54 6.00 12 7 7 0 0 1 0 1 0 0
55 2.50 12 2 0 0 0 0 2 0 0 0
56 3.25 15 3 0 0 0 0 1 0 0 0
57 3.40 16 1 1 0 1 0 1 0 0 0
58 10.00 8 13 0 1 0 0 0 1 0 0
59 21.63 18 8 8 0 1 0 0 1 0 0
60 4.38 16 7 0 0 0 0 0 1 0 0
61 11.71 13 40 20 0 1 0 0 1 0 0
62 12.39 14 42 5 0 0 0 0 1 0 0
63 6.25 10 36 8 0 0 0 0 1 0 0
64 3.71 10 13 0 1 1 0 4 1 0 0
65 7.78 14 9 3 0 0 0 0 1 0 0
66 19.98 14 26 23 0 0 1 2 1 0 0
67 6.25 16 7 4 1 1 1 3 1 0 0
68 10.00 12 25 3 0 0 1 3 1 0 0
69 5.71 16 10 5 0 0 1 1 1 0 0
70 2.00 12 3 2 0 1 0 4 1 0 0
71 5.71 16 3 0 0 1 0 0 1 0 0
72 13.08 17 17 2 1 0 1 3 1 0 0
73 4.91 12 17 8 0 0 1 2 1 0 0
74 2.91 12 20 34 0 1 1 2 1 0 0
75 3.75 12 7 0 0 1 1 0 1 0 0
76 11.90 13 24 19 0 0 1 2 1 0 0
77 4.00 12 28 0 0 1 1 1 1 0 0
78 3.10 12 2 1 0 1 0 1 1 0 0
79 8.45 12 19 13 0 0 1 4 1 0 0
80 7.14 18 13 0 0 0 1 2 1 0 0
81 4.50 9 22 5 0 0 1 4 1 0 0
82 4.65 16 3 1 0 0 0 0 1 0 0
83 2.90 10 4 0 0 1 0 1 1 0 0
84 6.67 12 7 5 0 0 0 0 1 0 0
85 3.50 12 6 2 1 1 0 1 1 0 0
86 3.26 12 13 3 0 1 1 1 1 0 0
87 3.25 12 14 0 0 1 1 1 1 0 0
88 8.00 12 14 4 0 1 0 1 1 0 0
89 9.85 8 40 24 1 0 1 2 1 0 0
90 7.50 12 11 7 0 0 1 1 1 0 0
91 5.91 12 14 6 0 0 1 2 0 0 0
92 11.76 14 40 39 0 0 1 0 1 0 0
93 3.00 12 1 0 0 1 0 2 1 0 0
94 4.81 12 2 0 0 1 0 0 1 0 0
95 6.50 12 4 1 0 1 0 0 1 0 0
96 4.00 9 19 1 0 1 1 1 1 0 0
97 3.50 13 1 0 0 0 0 1 1 0 0
98 13.16 12 34 22 0 0 1 0 1 0 0
99 4.25 14 5 2 0 0 1 2 1 0 0
100 3.50 12 3 0 0 0 0 0 1 0 0
101 5.13 15 6 6 0 1 0 0 1 0 0
102 3.75 12 14 0 0 1 1 3 1 0 0
103 4.50 12 35 12 0 1 1 0 1 0 0
104 7.63 12 8 4 0 1 0 0 1 0 0
105 15.00 14 7 7 1 0 1 1 1 0 0
106 6.85 15 11 3 0 1 1 2 1 0 0
107 13.33 12 14 11 0 0 1 2 1 0 0
108 6.67 12 35 10 0 0 0 0 1 0 0
109 2.53 12 46 0 0 1 0 0 1 0 0
110 9.80 17 7 0 0 0 1 0 1 0 0
111 3.37 11 45 12 0 0 1 0 1 0 0
112 24.98 18 29 25 0 0 1 0 1 0 0
113 5.40 12 6 3 0 0 1 0 1 0 0
114 6.11 14 15 0 0 0 1 2 1 0 0
115 4.20 14 33 16 0 1 1 0 1 0 0
116 3.75 10 15 0 0 0 0 0 1 0 0
117 3.50 14 5 0 0 1 1 0 0 0 1
118 3.64 12 7 2 0 0 0 0 1 0 1
119 3.80 15 6 1 0 0 1 1 1 0 1
120 3.00 8 33 12 0 1 1 3 0 0 1
121 5.00 16 2 1 0 1 1 0 0 0 1
122 4.63 14 4 0 0 1 1 2 1 0 1
123 3.00 15 1 0 0 0 0 0 1 0 1
124 3.20 12 29 0 0 1 0 1 1 0 1
125 3.91 18 17 3 0 0 1 2 0 0 1
126 6.43 16 17 3 0 1 1 2 0 0 1
127 5.48 10 36 3 0 1 1 0 1 0 1
128 1.50 8 31 30 0 0 0 0 0 0 1
129 2.90 10 23 2 0 1 0 2 0 0 1
130 5.00 11 13 1 0 0 1 0 0 0 1
131 8.92 18 3 3 0 0 1 0 1 0 1
132 5.00 15 15 0 0 0 0 0 1 0 1
133 3.52 12 48 1 0 0 1 0 0 0 1
134 2.90 11 6 0 0 1 0 1 0 0 1
135 4.50 12 12 0 0 0 1 3 1 0 1
136 2.25 12 5 0 0 1 0 2 1 0 1
137 5.00 14 19 5 0 0 1 4 1 0 1
138 10.00 16 9 3 1 0 1 2 1 0 1
139 3.75 2 39 13 0 0 1 0 1 0 1
140 10.00 14 28 11 0 1 1 0 1 0 1
141 10.95 16 23 20 0 0 1 4 1 0 1
142 7.90 12 2 0 0 0 0 0 1 0 1
143 4.72 12 15 1 0 1 0 0 1 0 1
144 5.84 13 5 0 0 1 1 1 1 0 1
145 3.83 12 18 2 0 1 0 3 1 0 1
146 3.20 15 2 2 0 1 0 2 1 0 1
147 2.00 10 3 0 1 1 0 5 1 0 1
148 4.50 12 31 4 0 1 1 3 1 0 1
149 11.55 16 20 5 0 1 1 3 1 0 1
150 2.14 13 34 15 1 1 1 0 1 0 1
151 2.38 9 5 0 1 0 0 5 1 0 1
152 3.75 12 11 0 0 0 0 1 1 0 1
153 5.52 13 31 3 0 0 0 0 1 0 1
154 6.50 12 8 5 0 1 1 0 1 0 1
155 3.10 12 2 2 0 1 0 1 1 0 1
156 10.00 14 18 5 0 0 1 2 1 0 1
157 6.63 16 3 0 0 0 1 0 1 0 1
158 10.00 16 3 2 0 0 1 0 1 0 1
159 2.31 9 4 1 0 1 0 5 0 1 0
160 6.88 18 4 4 0 0 0 0 1 1 0
161 2.83 10 1 0 0 0 0 4 1 1 0
162 3.13 10 1 0 0 1 0 1 1 1 0
163 8.00 13 28 5 0 0 1 1 1 1 0
164 4.50 12 47 4 0 1 1 0 1 1 0
165 8.65 18 13 1 0 1 0 0 1 1 0
166 2.00 13 2 6 0 1 0 0 1 1 0
167 4.75 12 48 2 0 1 1 0 1 1 0
168 6.25 13 6 5 0 1 1 1 1 1 0
169 6.00 13 8 0 0 0 1 2 1 1 0
170 15.38 13 25 21 0 0 1 2 1 1 0
171 14.58 18 13 7 0 1 0 0 1 1 0
172 12.50 12 8 1 0 0 0 0 1 1 0
173 5.25 12 19 10 0 1 1 2 1 1 0
174 2.17 13 1 4 0 1 0 1 1 1 0
175 7.14 12 43 5 0 1 0 0 1 1 0
176 6.22 12 19 9 0 1 1 1 1 1 0
177 9.00 12 11 5 0 1 1 0 1 1 0
178 10.00 14 43 4 0 0 1 0 1 1 0
179 5.77 10 44 3 0 0 1 0 1 1 0
180 4.00 12 22 11 0 1 1 2 1 1 0
181 8.75 16 3 2 0 0 1 1 1 1 0
182 6.53 16 3 2 0 1 0 0 1 1 0
183 7.60 12 41 11 0 1 0 0 1 1 0
184 5.00 14 5 0 0 0 0 0 1 1 0
185 5.00 12 14 11 0 1 0 0 1 1 0
186 21.86 12 24 16 0 0 1 3 1 1 0
187 8.64 12 28 8 0 0 1 0 1 1 0
188 3.30 12 25 8 0 0 1 1 1 1 0
189 4.44 12 3 0 0 0 0 0 1 1 0
190 4.55 12 11 0 0 0 1 0 0 1 0
191 3.50 12 7 6 1 1 1 0 0 1 0
192 6.25 16 9 2 0 0 1 1 0 1 0
193 3.85 16 5 0 0 0 1 0 1 1 0
194 6.18 14 9 3 0 1 1 0 1 1 0
195 2.91 11 1 0 0 1 0 3 1 1 0
196 6.25 16 2 1 1 1 0 0 1 1 0
197 6.25 12 13 0 0 1 1 0 1 1 0
198 9.05 12 10 2 0 0 1 3 1 1 0
199 10.00 17 5 3 0 0 1 0 1 1 0
200 11.11 12 30 8 0 0 1 0 1 1 0
201 6.88 12 31 19 0 0 1 3 1 1 0
202 8.75 16 1 2 1 0 0 0 1 1 0
203 10.00 8 9 0 0 0 1 0 1 1 0
204 3.05 12 10 0 0 1 1 2 1 1 0
205 3.00 12 38 0 0 1 1 0 0 1 0
206 5.80 12 19 6 0 1 1 2 0 1 0
207 4.10 16 5 0 0 1 1 0 1 1 0
208 8.00 12 26 2 0 0 1 1 1 1 0
209 6.15 12 35 12 0 1 0 0 1 1 0
210 2.70 9 2 0 0 1 0 1 1 1 0
211 2.75 13 1 2 0 1 0 1 1 1 0
212 3.00 16 19 10 0 1 1 0 1 1 0
213 3.00 14 3 2 0 1 0 0 1 1 0
214 7.36 8 36 24 0 0 1 3 1 1 0
215 7.50 14 29 24 0 0 1 1 1 1 0
216 3.50 13 1 2 0 0 0 3 1 1 0
217 8.10 12 38 3 0 1 1 1 1 1 0
218 3.75 18 1 2 0 0 0 1 1 1 0
219 3.25 9 29 0 1 0 1 1 1 1 0
220 5.83 8 36 15 0 1 1 0 0 0 0
221 3.50 8 4 0 0 0 0 3 1 0 0
222 3.33 12 45 4 0 1 1 0 0 0 0
223 4.00 14 22 3 0 1 0 0 1 0 0
224 3.50 12 20 4 0 1 1 2 0 0 0
225 6.25 16 5 0 0 0 1 0 1 0 0
226 2.95 8 15 2 1 1 1 1 1 0 0
227 5.71 13 10 2 0 1 1 0 1 0 0
228 3.00 9 3 0 0 1 0 0 1 0 0
229 22.86 16 16 7 0 0 1 2 1 0 0
230 9.00 12 38 1 0 0 1 0 1 0 0
231 8.33 15 33 26 0 0 1 1 1 0 0
232 3.00 11 2 0 0 0 0 0 1 0 0
233 5.75 14 6 5 0 0 1 0 1 0 0
234 6.76 12 19 3 1 0 1 2 1 0 0
235 10.00 12 29 0 0 0 1 2 1 0 0
236 3.00 12 2 0 0 0 0 0 1 0 0
237 3.50 18 3 1 0 1 0 0 1 0 0
238 3.25 12 4 0 0 0 0 0 1 0 0
239 4.00 12 10 1 1 1 0 0 1 0 0
240 2.92 12 4 0 0 1 0 1 0 0 1
241 3.06 12 14 10 1 1 0 3 0 0 1
242 3.20 12 15 5 0 1 1 1 0 0 1
243 4.75 12 19 0 0 0 1 3 0 0 1
244 3.00 14 17 0 0 1 1 4 1 0 1
245 18.16 16 29 7 0 0 1 1 1 0 1
246 3.50 12 2 0 0 1 0 2 1 0 1
247 4.11 14 5 0 0 0 0 0 0 0 1
248 1.96 11 38 3 1 1 0 0 0 0 1
249 4.29 12 3 0 0 1 0 0 0 0 1
250 3.00 10 47 0 0 0 0 0 0 0 1
251 6.45 12 7 6 0 0 1 0 0 0 1
252 5.20 6 47 13 1 0 1 0 1 0 1
253 4.50 13 23 2 1 1 0 0 1 0 1
254 3.88 12 12 3 0 0 1 3 1 0 1
255 3.45 10 11 0 0 1 0 2 1 0 1
256 10.91 12 25 23 0 0 0 0 1 0 1
257 4.10 14 6 0 0 1 1 0 1 0 1
258 3.00 13 3 1 0 0 0 0 1 0 1
259 5.90 12 14 7 1 0 1 2 1 0 1
260 18.00 18 13 0 0 1 0 0 1 0 1
261 4.00 12 9 0 0 0 0 0 1 0 1
262 3.00 12 1 0 1 0 0 0 1 0 1
263 3.55 12 6 0 0 1 1 1 0 0 0
264 3.00 12 11 1 0 1 1 2 0 0 0
265 8.75 12 47 44 0 0 1 0 0 0 0
266 2.90 8 49 6 0 1 0 1 0 0 0
267 6.26 13 37 17 0 1 1 0 1 0 0
268 3.50 13 2 0 0 1 0 0 1 0 0
269 4.60 14 7 0 0 1 1 0 1 0 0
270 6.00 12 22 8 0 0 0 2 1 0 0
271 2.89 10 8 0 0 1 0 1 1 0 0
272 5.58 16 1 1 0 0 1 0 1 0 0
273 4.00 12 43 6 0 1 1 0 0 0 0
274 6.00 16 2 2 0 0 0 0 1 0 0
275 4.50 12 2 1 0 1 0 2 1 0 0
276 2.92 14 1 3 0 0 0 0 1 0 0
277 4.33 18 1 0 0 0 0 0 1 0 0
278 18.89 17 26 20 0 0 1 2 1 0 0
279 4.28 13 1 1 0 1 0 2 1 0 0
280 4.57 14 37 7 0 1 1 0 1 0 0
281 6.25 15 12 4 0 1 1 2 1 0 0
282 2.95 14 41 23 1 0 1 0 0 1 0
283 8.75 12 24 1 0 0 0 0 1 1 0
284 8.50 8 38 26 0 0 0 0 1 1 0
285 3.75 12 18 0 0 1 1 4 1 1 0
286 3.15 12 26 1 0 0 1 0 1 1 0
287 5.00 8 45 2 0 0 0 0 0 1 0
288 6.46 12 27 0 0 0 1 3 0 1 0
289 2.00 9 2 0 0 0 0 3 0 1 0
290 4.79 12 41 8 0 0 1 0 1 1 0
291 5.78 16 11 4 0 0 1 2 1 1 0
292 3.18 12 5 0 0 1 1 0 1 1 0
293 4.68 16 3 1 0 1 0 0 1 1 0
294 4.10 12 3 2 0 1 0 0 1 1 0
295 2.91 12 4 0 0 0 1 0 1 0 1
296 6.00 13 21 13 0 0 1 4 0 0 1
297 3.60 10 34 26 0 1 1 0 0 0 1
298 3.95 6 49 6 0 0 1 6 0 0 1
299 7.00 12 6 5 1 0 1 1 0 0 1
300 3.00 12 26 9 0 1 1 0 0 0 1
301 6.08 16 9 0 0 0 0 0 0 0 1
302 8.63 12 23 9 0 0 1 1 0 0 1
303 3.00 8 33 2 0 0 1 0 0 0 1
304 3.75 12 5 2 0 1 1 1 0 0 1
305 2.90 6 49 7 0 0 1 0 0 0 1
306 3.00 4 48 0 1 0 1 0 0 0 1
307 6.25 11 35 31 0 0 1 0 1 0 1
308 3.50 11 23 2 1 1 0 2 0 0 1
309 3.00 7 26 1 0 1 0 3 0 0 1
310 3.24 12 16 0 0 1 1 2 1 0 1
311 8.02 18 23 3 0 1 1 1 1 0 1
312 3.33 12 36 8 0 1 1 1 1 0 1
313 5.25 16 4 0 0 0 0 0 1 0 1
314 6.25 12 10 0 0 0 1 3 1 0 1
315 3.50 14 18 2 0 0 1 1 0 1 0
316 2.95 12 3 1 0 0 0 1 0 1 0
317 3.00 10 7 0 0 1 1 2 0 1 0
318 4.69 10 7 7 0 0 0 0 0 1 0
319 3.73 9 33 2 0 1 0 1 0 1 0
320 4.00 10 34 12 0 0 1 0 0 1 0
321 4.00 12 8 0 0 1 1 2 0 1 0
322 2.90 12 17 1 0 1 1 2 0 1 0
323 3.05 12 2 0 0 1 0 1 0 1 0
324 5.05 10 5 0 0 1 0 0 1 1 0
325 13.95 16 41 16 0 0 1 0 1 1 0
326 18.16 16 35 28 0 0 1 1 1 1 0
327 6.25 16 11 4 0 0 0 0 1 1 0
328 5.25 12 4 0 1 0 0 0 1 1 0
329 4.79 12 12 3 0 1 1 3 1 1 0
330 3.35 7 35 0 0 1 0 1 1 0 1
331 3.00 8 33 0 0 0 1 1 1 0 1
332 8.43 16 8 6 0 0 1 0 1 0 1
333 5.70 16 2 0 0 0 0 0 1 0 1
334 11.98 18 8 10 0 0 1 2 1 0 1
335 3.50 13 29 1 0 1 1 0 0 0 1
336 4.24 10 14 5 1 0 1 1 0 0 1
337 7.00 16 26 3 0 1 1 1 1 0 1
338 6.00 14 11 3 0 1 1 2 1 0 1
339 12.22 16 10 2 0 0 0 0 1 0 1
340 4.50 12 13 0 0 0 1 0 1 0 1
341 3.00 9 23 20 0 1 1 2 0 0 1
342 2.90 11 1 2 1 0 0 2 0 0 1
343 15.00 11 35 31 0 0 1 0 0 0 1
344 4.00 12 5 2 0 0 1 0 0 0 1
345 5.25 11 13 11 0 0 1 2 0 0 1
346 4.00 12 22 3 0 0 1 3 0 0 1
347 3.30 12 21 9 0 1 1 2 0 0 1
348 5.05 12 19 0 0 1 1 3 0 0 1
349 3.58 12 13 0 0 0 0 0 1 0 1
350 5.00 14 15 5 0 0 1 2 0 0 1
351 4.57 14 3 0 0 0 1 0 0 0 1
352 12.50 18 6 2 0 0 0 0 1 0 1
353 3.45 12 6 5 0 1 1 0 1 0 1
354 4.63 12 16 1 0 1 0 0 1 0 1
355 10.00 12 31 2 0 0 1 0 1 0 1
356 2.92 11 1 0 0 1 0 1 0 1 0
357 4.51 12 5 2 0 0 0 0 1 1 0
358 6.50 17 3 0 0 0 1 0 1 1 0
359 7.50 16 11 0 0 0 1 0 1 1 0
360 3.54 13 6 7 0 1 1 0 0 1 0
361 4.20 13 11 3 0 1 1 2 1 1 0
362 3.51 12 7 2 0 1 1 0 1 1 0
363 4.50 14 5 0 0 0 1 0 1 1 0
364 3.35 14 5 4 0 1 1 0 1 1 0
365 2.91 11 2 2 0 0 0 2 1 1 0
366 5.25 10 44 7 0 0 1 1 1 1 0
367 4.05 8 44 25 0 0 1 0 1 1 0
368 3.75 14 13 0 0 1 1 3 1 1 0
369 3.40 12 26 15 0 1 1 1 1 1 0
370 3.00 10 2 1 0 1 0 1 1 0 1
371 6.29 17 10 3 0 0 1 1 1 0 1
372 2.54 9 2 0 0 1 0 1 1 0 1
373 4.50 12 35 0 0 1 1 1 1 0 1
374 3.13 12 6 5 0 1 1 1 1 0 1
375 6.36 14 8 1 0 0 1 0 1 0 1
376 4.68 16 1 0 0 0 0 0 1 0 1
377 6.80 12 14 10 0 0 1 2 0 0 1
378 8.53 10 14 6 0 0 1 0 0 0 1
379 4.17 0 22 10 0 1 0 0 0 0 1
380 3.75 14 8 4 0 1 1 0 0 0 1
381 11.10 15 1 4 0 1 0 2 0 0 1
382 3.26 16 15 5 1 1 1 2 1 0 1
383 9.13 12 14 12 0 0 1 3 1 0 1
384 4.50 11 37 10 0 0 1 2 1 0 1
385 3.00 11 1 1 0 1 0 1 1 0 1
386 8.75 12 4 4 0 0 1 0 1 0 1
387 4.14 13 29 0 0 1 1 0 1 0 1
388 2.87 12 45 8 0 1 1 0 0 1 0
389 3.35 13 22 0 0 1 0 2 0 1 0
390 6.08 16 42 10 0 0 0 0 0 1 0
391 3.00 15 9 0 1 0 0 0 0 1 0
392 4.20 16 8 0 0 1 1 1 1 1 0
393 5.60 15 31 15 0 1 0 2 1 1 0
394 10.00 12 24 24 0 0 1 0 1 1 0
395 12.50 18 16 5 0 0 1 1 1 1 0
396 3.76 6 6 0 0 0 0 4 0 0 1
397 3.10 6 14 0 1 1 0 5 1 0 1
398 4.29 12 47 25 0 1 1 2 1 0 1
399 10.92 12 34 5 0 0 1 0 0 0 1
400 7.50 16 6 2 0 1 1 1 1 0 1
401 4.05 9 7 4 0 1 1 1 1 0 1
402 4.65 12 27 2 0 0 1 3 1 0 1
403 5.00 11 24 5 0 0 1 0 1 0 1
404 2.90 10 18 0 0 1 1 2 0 0 1
405 8.00 12 12 3 1 1 0 1 0 0 1
406 8.43 8 27 3 0 0 1 3 1 0 1
407 2.92 9 49 0 0 1 0 0 1 0 1
408 6.25 17 4 0 0 1 0 0 1 0 0
409 6.25 16 24 2 0 1 1 2 1 0 0
410 5.11 11 3 0 0 0 0 0 1 0 0
411 4.00 10 2 0 0 1 0 1 1 0 0
412 4.44 8 29 11 0 0 1 3 0 0 1
413 6.88 13 34 21 0 0 1 0 0 0 1
414 5.43 14 10 3 1 0 1 1 1 0 1
415 3.00 13 5 0 0 1 0 1 1 0 1
416 2.90 11 2 0 0 1 0 2 1 0 1
417 6.25 7 39 21 1 0 1 0 1 0 1
418 4.34 16 5 2 1 1 0 0 1 0 1
419 3.25 12 14 2 0 1 1 2 0 0 1
420 7.26 13 8 2 0 0 0 0 1 0 1
421 6.35 14 10 1 0 1 1 2 1 0 1
422 5.63 16 2 2 0 0 1 0 1 0 0
423 8.75 14 9 3 0 0 1 1 1 0 0
424 3.20 11 1 0 0 0 0 0 0 0 0
425 3.00 8 45 1 0 1 1 0 0 0 0
426 3.00 14 33 3 0 1 1 0 1 0 0
427 12.50 17 21 18 0 0 1 3 1 0 0
428 2.88 10 2 0 0 1 0 3 1 0 0
429 3.35 12 9 1 0 0 1 0 1 1 0
430 6.50 12 33 2 0 0 1 0 0 1 0
431 10.38 18 16 2 1 0 1 1 1 1 0
432 4.50 14 10 0 0 0 1 0 1 1 0
433 10.00 18 9 8 0 0 0 0 0 1 0
434 3.81 12 8 1 0 1 1 2 0 1 0
435 8.80 16 9 1 0 0 1 0 0 0 1
436 9.42 14 23 0 0 1 1 2 0 0 1
437 6.33 12 23 8 0 0 1 2 0 0 1
438 4.00 9 22 18 1 0 0 0 0 0 1
439 2.90 12 37 0 0 1 1 0 0 0 1
440 20.00 12 22 4 0 0 1 1 0 0 1
441 11.25 17 28 25 0 0 1 1 1 0 1
442 3.50 12 14 0 1 1 0 2 1 0 1
443 6.00 15 19 4 0 1 1 2 1 0 1
444 14.38 17 10 9 1 0 1 1 0 0 1
445 6.36 16 25 0 0 0 1 1 1 0 1
446 3.55 12 21 0 0 1 1 1 0 0 1
447 3.00 15 32 0 0 0 1 0 1 0 1
448 4.50 16 21 10 0 0 1 1 1 0 1
449 6.63 12 36 0 0 1 0 0 1 0 1
450 9.30 15 2 2 0 0 1 0 1 0 1
451 3.00 12 11 0 0 1 1 2 1 0 1
452 3.25 12 40 2 0 1 0 0 0 1 0
453 1.50 12 11 1 0 1 1 2 0 1 0
454 5.90 12 9 7 0 1 1 1 1 1 0
455 8.00 16 23 4 0 0 0 0 1 1 0
456 2.90 11 1 0 0 1 0 1 1 1 0
457 3.29 14 30 13 0 0 0 0 1 1 0
458 6.50 14 41 33 0 0 1 0 1 1 0
459 4.00 13 6 0 0 1 0 1 1 1 0
460 6.00 14 11 0 0 0 1 0 0 1 0
461 4.08 12 43 17 0 1 1 0 1 1 0
462 3.75 12 39 2 0 1 1 0 1 1 0
463 3.05 8 50 24 0 1 0 0 0 0 1
464 3.50 12 26 20 0 1 1 0 0 0 1
465 2.92 3 51 30 1 0 0 0 1 0 1
466 4.50 11 3 9 0 0 0 0 1 0 1
467 3.35 15 3 1 0 1 1 2 1 0 1
468 5.95 11 15 9 1 0 1 1 0 0 1
469 8.00 12 17 6 0 0 1 2 0 0 1
470 3.00 4 36 0 0 0 1 1 0 0 1
471 5.00 9 31 9 1 0 1 6 0 0 1
472 5.50 12 9 4 0 0 1 1 0 0 1
473 2.65 12 42 10 0 1 1 0 1 0 0
474 3.00 11 3 0 0 1 0 2 1 0 0
475 4.50 12 37 14 0 1 1 0 0 0 0
476 17.50 16 23 22 0 0 1 3 1 0 0
477 8.18 13 21 5 0 0 0 0 1 0 0
478 9.09 15 11 12 0 0 1 1 1 0 0
479 11.82 16 35 13 0 0 1 0 1 0 0
480 3.25 12 42 0 0 1 1 0 1 0 0
481 4.50 12 3 0 0 0 0 0 1 0 0
482 4.50 12 13 0 0 0 1 0 1 0 0
483 3.71 9 14 7 0 0 1 2 0 0 1
484 6.50 10 14 11 0 0 1 3 0 0 1
485 2.90 12 39 1 0 1 1 0 0 0 1
486 5.60 11 11 8 0 0 1 2 0 0 1
487 2.23 8 28 3 0 0 1 4 0 0 1
488 5.00 6 18 0 0 1 1 3 1 0 0
489 8.33 16 6 2 0 0 1 0 1 0 0
490 2.90 12 26 1 0 1 0 4 1 0 1
491 6.25 12 21 6 0 0 1 3 1 0 1
492 4.55 16 34 2 0 0 1 0 0 0 1
493 3.28 12 17 2 0 1 0 0 0 0 1
494 2.30 10 2 0 0 1 0 4 1 1 0
495 3.30 13 5 0 0 1 0 0 1 1 0
496 3.15 13 1 0 0 1 0 4 1 1 0
497 12.50 14 40 30 0 0 1 0 1 1 0
498 5.15 16 39 21 0 1 0 0 1 0 0
499 3.13 10 1 1 0 0 0 2 1 0 0
500 7.25 12 14 5 0 0 1 3 1 0 0
501 2.90 12 2 2 0 1 0 0 1 0 0
502 1.75 11 2 1 0 0 0 2 1 0 0
503 2.89 0 42 0 0 1 1 2 0 0 0
504 2.90 5 34 0 0 1 1 5 0 0 0
505 17.71 16 10 3 0 0 1 1 1 0 0
506 6.25 16 4 3 0 0 1 0 0 0 0
507 2.60 9 4 0 0 0 0 1 0 0 0
508 6.63 15 21 3 0 1 1 2 0 0 0
509 3.50 12 31 3 1 1 0 1 1 0 0
510 6.50 12 20 14 0 0 1 3 1 0 0
511 3.00 12 36 1 1 1 0 0 1 0 0
512 4.38 13 7 0 1 0 1 1 1 0 0
513 10.00 12 15 0 0 0 0 1 0 0 0
514 4.95 7 25 17 0 0 1 5 0 0 0
515 9.00 17 7 0 0 1 1 2 0 0 0
516 1.43 12 17 0 0 1 1 2 0 0 0
517 3.08 12 3 1 0 0 0 0 0 0 0
518 9.33 14 12 11 0 0 1 3 0 0 0
519 7.50 12 18 5 0 0 1 2 0 0 0
520 4.75 13 47 1 0 0 1 0 0 0 0
521 5.65 12 2 0 0 0 0 0 0 0 0
522 15.00 16 14 2 0 1 1 2 0 0 0
523 2.27 10 2 0 0 1 0 3 0 0 0
524 4.67 15 13 18 0 0 1 3 0 0 0
525 11.56 16 5 1 0 0 1 0 0 0 0
526 3.50 14 5 4 1 1 0 2 0 0 0
west construc ndurman trcommpu trade services profserv profocc clerocc
1 1 0 0 0 0 0 0 0 0
2 1 0 0 0 0 1 0 0 0
3 1 0 0 0 1 0 0 0 0
4 1 0 0 0 0 0 0 0 1
5 1 0 0 0 0 0 0 0 0
6 1 0 0 0 0 0 1 1 0
7 1 0 0 0 1 0 0 1 0
8 1 0 0 0 0 0 0 1 0
9 1 0 0 0 1 0 0 1 0
10 1 0 0 0 0 0 0 1 0
11 1 0 0 0 1 0 0 1 0
12 1 0 0 0 0 0 1 0 1
13 1 0 0 0 0 0 0 0 0
14 1 0 0 0 0 0 0 0 0
15 1 0 0 0 0 0 0 1 0
16 1 0 0 0 0 0 1 1 0
17 1 0 0 0 0 0 0 0 1
18 1 0 0 0 0 0 1 1 0
19 1 0 0 0 0 0 0 0 0
20 1 0 0 0 0 0 1 0 0
21 1 0 0 0 0 0 1 1 0
22 1 0 0 0 0 0 0 0 0
23 1 0 0 0 0 0 0 1 0
24 1 0 0 0 0 1 0 0 0
25 1 0 0 0 0 1 0 0 0
26 1 0 1 0 0 0 0 1 0
27 1 0 0 1 0 0 0 0 0
28 1 0 0 0 0 0 0 1 0
29 1 0 0 0 0 0 0 1 0
30 1 0 0 0 0 0 0 0 0
31 1 0 0 0 0 0 1 1 0
32 1 0 0 0 1 0 0 0 0
33 1 0 0 0 0 0 0 1 0
34 1 0 0 0 0 0 0 0 1
35 1 0 0 0 0 1 0 0 1
36 1 0 0 0 1 0 0 1 0
37 1 0 0 0 0 1 0 0 0
38 1 0 0 0 1 0 0 0 0
39 1 0 0 0 0 0 1 0 1
40 1 0 0 0 0 0 1 0 1
41 1 0 0 0 0 1 0 0 0
42 1 0 0 0 0 0 1 0 1
43 1 0 0 0 0 0 1 0 1
44 1 0 0 0 0 0 1 0 0
45 1 0 0 0 0 0 0 0 0
46 1 0 0 0 0 0 1 1 0
47 1 0 0 0 0 1 0 0 0
48 1 0 0 0 1 0 0 1 0
49 1 0 0 0 1 0 0 1 0
50 1 0 0 0 0 1 0 0 0
51 0 0 0 0 0 1 0 0 0
52 0 0 0 0 0 0 1 1 0
53 0 0 0 0 1 0 0 0 1
54 0 0 0 0 0 0 0 0 0
55 0 0 0 0 0 0 0 0 0
56 0 0 0 0 1 0 0 0 0
57 0 0 0 0 1 0 0 0 0
58 0 0 0 0 1 0 0 0 0
59 0 0 0 0 0 0 1 1 0
60 0 0 0 0 1 0 0 0 0
61 0 0 1 0 0 0 0 1 0
62 0 0 0 0 0 0 1 1 0
63 0 0 0 0 1 0 0 0 0
64 0 0 0 0 0 0 1 0 1
65 0 0 0 0 0 0 1 1 0
66 0 0 0 0 0 0 0 1 0
67 0 0 0 0 0 0 1 1 0
68 0 0 0 0 0 0 1 1 0
69 0 0 0 0 0 0 1 1 0
70 0 0 0 0 0 1 0 0 0
71 0 0 0 0 1 0 0 0 1
72 0 0 0 0 0 0 1 1 0
73 0 0 0 0 0 0 0 0 0
74 0 0 0 0 0 1 0 0 1
75 0 1 0 0 0 0 0 0 1
76 0 0 0 0 0 0 1 1 0
77 0 0 0 0 0 0 1 0 1
78 0 0 0 0 1 0 0 0 1
79 0 0 0 0 0 0 0 0 0
80 0 0 0 0 0 0 1 1 0
81 0 0 0 0 0 0 0 0 0
82 0 0 1 0 0 0 0 0 0
83 0 0 0 0 0 0 1 0 0
84 0 0 0 0 0 0 0 1 0
85 0 0 0 0 0 0 1 0 0
86 0 0 0 0 1 0 0 1 0
87 0 0 0 0 0 0 1 0 1
88 0 0 0 0 0 0 1 1 0
89 0 0 0 0 0 0 0 0 0
90 0 0 0 0 0 0 0 0 0
91 0 0 0 1 0 0 0 0 0
92 0 0 0 1 0 0 0 1 0
93 0 0 0 0 1 0 0 1 0
94 0 0 0 0 0 0 1 0 0
95 0 0 0 0 0 0 1 1 0
96 0 0 0 0 0 1 0 0 0
97 0 0 1 0 0 0 0 1 0
98 0 0 0 0 1 0 0 1 0
99 0 0 0 0 1 0 0 0 0
100 0 0 0 0 1 0 0 0 0
101 0 0 1 0 0 0 0 1 0
102 0 0 0 0 0 1 0 0 0
103 0 0 0 0 0 0 1 0 1
104 0 0 0 1 0 0 0 0 1
105 0 0 0 0 0 0 0 0 0
106 0 0 0 0 0 0 1 1 0
107 0 0 0 0 1 0 0 1 0
108 0 0 0 0 0 0 0 0 0
109 0 0 0 0 1 0 0 1 0
110 0 0 0 0 0 1 0 1 0
111 0 0 0 0 1 0 0 1 0
112 0 0 0 0 0 0 0 1 0
113 0 0 0 0 0 1 0 0 0
114 0 0 0 0 1 0 0 1 0
115 0 0 0 0 0 0 1 1 0
116 0 0 0 0 1 0 0 0 0
117 0 0 0 0 0 0 1 0 1
118 0 0 0 0 0 0 1 0 0
119 0 0 0 0 1 0 0 0 0
120 0 0 1 0 0 0 0 0 0
121 0 0 0 0 1 0 0 1 0
122 0 0 0 0 0 0 1 0 0
123 0 0 0 0 1 0 0 1 0
124 0 0 0 0 0 0 0 0 1
125 0 0 0 0 0 0 1 1 0
126 0 0 0 0 0 0 1 1 0
127 0 0 0 0 0 0 0 0 0
128 0 0 0 0 1 0 0 0 0
129 0 0 0 0 0 0 1 0 0
130 0 0 0 0 1 0 0 0 0
131 0 0 0 0 1 0 0 1 0
132 0 0 0 0 1 0 0 1 0
133 0 0 0 0 0 0 1 0 0
134 0 0 1 0 0 0 0 0 0
135 0 0 0 0 1 0 0 0 0
136 0 0 0 0 1 0 0 0 0
137 0 0 0 0 1 0 0 0 0
138 0 0 0 0 0 0 0 1 0
139 0 0 0 0 0 0 1 0 0
140 0 0 1 0 0 0 0 1 0
141 0 0 1 0 0 0 0 1 0
142 0 1 0 0 0 0 0 0 0
143 0 0 0 0 0 0 0 0 0
144 0 0 0 0 0 0 1 0 1
145 0 0 0 0 0 0 0 0 1
146 0 0 0 1 0 0 0 0 0
147 0 0 0 0 1 0 0 0 0
148 0 0 0 0 0 0 1 0 1
149 0 1 0 0 0 0 0 0 1
150 0 0 0 0 0 1 0 0 0
151 0 0 0 0 0 0 0 0 0
152 0 0 0 0 0 0 0 0 0
153 0 0 0 0 1 0 0 0 0
154 0 0 0 1 0 0 0 0 1
155 0 0 1 0 0 0 0 0 0
156 0 0 0 0 0 0 0 1 0
157 0 0 0 0 0 0 1 1 0
158 0 0 0 1 0 0 0 1 0
159 0 0 0 0 1 0 0 0 0
160 0 0 0 0 0 0 1 1 0
161 0 0 0 0 1 0 0 0 0
162 0 0 0 0 1 0 0 1 0
163 0 0 0 0 0 1 0 1 0
164 0 0 0 0 1 0 0 0 1
165 0 0 1 0 0 0 0 1 0
166 0 0 0 0 0 1 0 0 0
167 0 0 0 0 0 0 1 0 0
168 0 0 0 0 0 0 1 1 0
169 0 0 0 0 0 0 1 0 0
170 0 0 0 0 0 0 1 1 0
171 0 0 0 0 0 0 1 1 0
172 0 0 0 0 0 0 0 0 0
173 0 0 0 1 0 0 0 0 1
174 0 0 1 0 0 0 0 0 0
175 0 0 0 0 0 0 0 0 0
176 0 0 0 0 0 0 1 0 1
177 0 0 0 0 0 0 1 1 0
178 0 0 0 0 0 0 1 1 0
179 0 0 0 0 0 0 1 1 0
180 0 0 1 0 0 0 0 0 0
181 0 0 1 0 0 0 0 1 0
182 0 0 0 0 0 0 1 1 0
183 0 0 0 0 0 0 1 1 0
184 0 0 0 0 1 0 0 0 0
185 0 0 0 0 0 0 1 0 0
186 0 0 0 0 1 0 0 1 0
187 0 0 1 0 0 0 0 1 0
188 0 0 0 0 1 0 0 0 0
189 0 0 0 0 1 0 0 1 0
190 0 0 0 0 0 0 0 0 0
191 0 0 0 0 0 0 0 0 0
192 0 0 0 0 0 0 1 1 0
193 0 0 0 0 1 0 0 0 0
194 0 0 0 0 0 0 1 1 0
195 0 0 0 0 0 1 0 1 0
196 0 0 0 0 1 0 0 1 0
197 0 0 0 0 0 0 1 0 1
198 0 1 0 0 0 0 0 1 0
199 0 0 0 0 0 0 0 1 0
200 0 0 0 0 1 0 0 1 0
201 0 0 0 0 0 0 1 0 0
202 0 0 0 0 0 0 0 1 0
203 0 1 0 0 0 0 0 0 0
204 0 0 0 0 1 0 0 0 0
205 0 0 0 0 0 1 0 0 1
206 0 0 1 0 0 0 0 0 0
207 0 0 0 0 0 0 1 1 0
208 0 0 0 0 0 0 0 0 0
209 0 0 0 0 1 0 0 0 0
210 0 0 0 0 1 0 0 0 1
211 0 0 0 0 0 0 1 0 0
212 0 0 0 0 1 0 0 0 1
213 0 0 0 0 0 0 1 0 0
214 0 0 0 0 0 0 0 0 0
215 0 0 0 0 0 0 0 1 0
216 0 0 0 0 1 0 0 0 0
217 0 0 0 0 0 0 1 1 0
218 0 0 0 0 0 0 1 1 0
219 0 0 0 0 0 0 0 0 0
220 0 0 0 0 0 0 1 0 1
221 0 0 0 0 1 0 0 0 0
222 0 0 0 0 1 0 0 0 0
223 0 1 0 0 0 0 0 0 1
224 0 0 0 0 0 0 1 0 1
225 0 0 1 0 0 0 0 1 0
226 0 0 1 0 0 0 0 0 0
227 0 0 0 0 1 0 0 1 0
228 0 0 0 0 0 1 0 0 0
229 0 0 0 0 0 0 0 1 0
230 0 0 0 0 0 0 1 1 0
231 0 0 0 0 0 0 1 1 0
232 0 0 0 0 1 0 0 0 0
233 0 0 0 0 1 0 0 1 0
234 0 0 1 0 0 0 0 0 0
235 0 0 0 0 0 0 1 0 1
236 0 1 0 0 0 0 0 0 0
237 0 0 0 1 0 0 0 1 0
238 0 0 0 0 0 1 0 0 0
239 0 0 0 0 0 0 1 0 1
240 0 0 0 0 1 0 0 1 0
241 0 0 0 0 1 0 0 0 0
242 0 0 0 0 0 0 1 1 0
243 0 0 0 0 0 0 0 0 0
244 0 0 0 0 0 1 0 0 1
245 0 0 1 0 0 0 0 1 0
246 0 0 0 1 0 0 0 0 1
247 0 0 0 0 0 0 1 1 0
248 0 0 0 0 0 1 0 0 0
249 0 0 0 0 1 0 0 0 0
250 0 0 0 0 0 1 0 0 0
251 0 0 0 0 1 0 0 0 0
252 0 1 0 0 0 0 0 0 0
253 0 0 0 0 1 0 0 1 0
254 0 0 0 0 1 0 0 0 1
255 0 0 0 0 1 0 0 0 0
256 0 0 0 1 0 0 0 0 0
257 0 0 0 0 0 1 0 0 0
258 0 0 0 0 1 0 0 0 0
259 0 0 0 0 0 1 0 0 0
260 0 0 0 0 0 0 1 1 0
261 0 0 0 0 0 0 1 1 0
262 0 0 0 0 0 1 0 0 0
263 0 0 0 0 0 0 0 0 0
264 0 0 0 0 0 1 0 0 0
265 0 0 0 0 0 0 0 0 0
266 0 0 1 0 0 0 0 0 0
267 0 0 0 0 0 0 1 1 0
268 0 0 0 0 1 0 0 1 0
269 0 0 0 0 1 0 0 0 1
270 0 0 0 0 1 0 0 1 0
271 0 0 0 0 0 0 0 0 0
272 0 0 0 0 0 0 1 0 1
273 0 0 0 1 0 0 0 0 0
274 0 0 1 0 0 0 0 0 0
275 0 1 0 0 0 0 0 0 0
276 0 0 0 0 0 0 1 0 1
277 0 0 0 0 1 0 0 1 0
278 0 0 0 0 0 0 1 1 0
279 0 0 0 0 1 0 0 1 0
280 0 0 0 0 0 1 0 0 0
281 0 0 0 0 0 0 1 1 0
282 0 0 0 0 0 0 1 1 0
283 0 0 1 0 0 0 0 1 0
284 0 0 0 0 0 0 0 0 0
285 0 0 0 0 0 0 1 0 1
286 0 0 0 0 1 0 0 1 0
287 0 0 1 0 0 0 0 0 0
288 0 0 0 0 0 0 0 0 0
289 0 0 0 0 1 0 0 0 0
290 0 0 0 0 1 0 0 1 0
291 0 0 1 0 0 0 0 1 0
292 0 0 0 0 0 0 1 0 0
293 0 0 0 0 0 0 1 1 0
294 0 0 0 0 0 0 1 0 0
295 0 0 0 0 1 0 0 0 0
296 0 0 1 0 0 0 0 0 0
297 0 0 1 0 0 0 0 0 0
298 0 0 0 0 0 0 0 0 0
299 0 1 0 0 0 0 0 0 0
300 0 0 0 0 0 1 0 0 0
301 0 0 0 0 0 1 0 1 0
302 0 0 1 0 0 0 0 0 0
303 0 0 1 0 0 0 0 0 0
304 0 0 0 0 0 0 1 0 1
305 0 0 0 0 0 0 0 0 0
306 0 0 1 0 0 0 0 0 0
307 0 0 0 0 1 0 0 0 0
308 0 0 1 0 0 0 0 0 0
309 0 0 0 0 1 0 0 0 0
310 0 0 0 0 1 0 0 0 1
311 0 0 0 0 0 0 1 1 0
312 0 0 0 0 0 0 1 0 1
313 0 0 1 0 0 0 0 1 0
314 0 1 0 0 0 0 0 0 0
315 0 0 0 0 1 0 0 1 0
316 0 0 0 0 1 0 0 0 0
317 0 0 0 0 0 0 1 0 0
318 0 0 0 0 0 0 0 0 0
319 0 0 0 0 0 0 0 0 0
320 0 0 0 0 0 0 0 0 0
321 0 0 0 0 1 0 0 1 0
322 0 0 1 0 0 0 0 0 0
323 0 0 0 0 0 0 1 0 0
324 0 0 0 0 0 0 1 0 1
325 0 0 1 0 0 0 0 1 0
326 0 0 1 0 0 0 0 1 0
327 0 0 0 0 0 1 0 1 0
328 0 0 1 0 0 0 0 0 1
329 0 0 0 0 0 0 1 1 0
330 0 0 0 0 0 0 0 0 0
331 0 0 0 1 0 0 0 0 0
332 0 0 1 0 0 0 0 1 0
333 0 0 0 0 1 0 0 1 0
334 0 0 0 1 0 0 0 1 0
335 0 0 0 0 0 0 1 0 1
336 0 0 0 0 1 0 0 0 0
337 0 0 0 0 0 0 1 1 0
338 0 0 0 0 0 0 1 0 1
339 0 0 0 0 0 0 1 1 0
340 0 0 0 0 1 0 0 0 0
341 0 0 1 0 0 0 0 0 0
342 0 0 0 0 1 0 0 0 0
343 0 0 1 0 0 0 0 0 0
344 0 1 0 0 0 0 0 0 0
345 0 0 1 0 0 0 0 0 0
346 0 0 1 0 0 0 0 0 0
347 0 0 0 0 1 0 0 1 0
348 0 0 0 0 0 0 1 0 1
349 0 0 0 0 0 1 0 0 0
350 0 0 0 0 1 0 0 1 0
351 0 0 0 0 0 0 1 1 0
352 0 0 0 0 0 1 0 0 1
353 0 0 0 0 1 0 0 0 1
354 0 0 0 0 0 0 1 0 1
355 0 0 0 0 1 0 0 1 0
356 0 0 0 0 1 0 0 0 0
357 0 0 0 0 1 0 0 0 0
358 0 0 0 0 0 0 1 1 0
359 0 0 0 0 0 1 0 1 0
360 0 0 0 0 0 0 1 0 1
361 0 0 0 0 1 0 0 0 1
362 0 0 0 0 1 0 0 0 1
363 0 1 0 0 0 0 0 1 0
364 0 0 0 0 1 0 0 1 0
365 0 0 0 0 1 0 0 0 0
366 0 0 0 0 0 0 0 0 0
367 0 0 1 0 0 0 0 0 0
368 0 0 0 0 1 0 0 0 1
369 0 1 0 0 0 0 0 0 1
370 0 0 0 0 1 0 0 0 1
371 0 0 0 0 0 1 0 1 0
372 0 0 0 0 1 0 0 0 0
373 0 0 0 0 1 0 0 0 1
374 0 0 0 0 0 0 1 0 1
375 0 0 0 0 1 0 0 1 0
376 0 0 1 0 0 0 0 1 0
377 0 0 1 0 0 0 0 0 0
378 0 0 0 0 0 0 0 0 0
379 0 0 0 0 0 1 0 0 0
380 0 0 0 1 0 0 0 1 0
381 0 0 0 0 0 0 1 0 1
382 0 0 0 0 1 0 0 1 0
383 0 0 1 0 0 0 0 1 0
384 0 0 1 0 0 0 0 0 0
385 0 0 0 0 0 0 1 0 0
386 0 0 0 0 0 0 1 0 1
387 0 0 0 0 1 0 0 0 1
388 0 0 0 0 1 0 0 1 0
389 0 0 0 0 1 0 0 0 1
390 0 0 0 0 1 0 0 1 0
391 0 0 0 0 0 1 0 0 0
392 0 0 0 0 0 0 1 0 1
393 0 0 0 0 0 0 1 0 0
394 0 0 1 0 0 0 0 0 0
395 0 0 0 0 0 0 1 1 0
396 0 0 0 0 0 0 0 0 0
397 0 0 0 0 1 0 0 0 1
398 0 0 1 0 0 0 0 0 1
399 0 0 0 0 0 0 1 1 0
400 0 0 0 0 0 0 1 1 0
401 0 0 0 0 0 0 0 0 0
402 0 0 0 0 0 0 0 0 0
403 0 0 0 0 1 0 0 0 0
404 0 0 0 0 1 0 0 0 1
405 0 0 0 0 0 0 0 0 0
406 0 0 1 0 0 0 0 0 0
407 0 0 0 0 0 1 0 0 0
408 1 0 0 0 1 0 0 1 0
409 1 0 0 0 0 0 1 1 0
410 1 1 0 0 0 0 0 0 0
411 1 0 0 0 0 1 0 0 0
412 0 0 0 0 1 0 0 1 0
413 0 0 0 0 0 1 0 1 0
414 0 0 0 0 1 0 0 1 0
415 0 0 0 0 0 0 1 0 0
416 0 0 0 0 1 0 0 1 0
417 0 0 0 0 1 0 0 0 0
418 0 0 0 0 0 0 1 0 1
419 0 0 0 1 0 0 0 0 1
420 0 0 0 0 1 0 0 1 0
421 0 0 0 0 0 0 0 0 0
422 0 0 0 0 1 0 0 0 0
423 0 0 1 0 0 0 0 1 0
424 0 0 0 0 1 0 0 0 0
425 0 0 0 0 0 0 0 0 0
426 0 0 0 0 0 0 1 0 0
427 0 0 0 0 0 0 0 1 0
428 0 0 0 0 1 0 0 0 1
429 0 0 0 0 1 0 0 0 0
430 0 0 0 0 0 0 0 0 0
431 0 0 0 0 0 0 1 1 0
432 0 0 0 0 0 0 1 0 0
433 0 0 0 1 0 0 0 1 0
434 0 0 0 0 0 1 0 0 0
435 0 0 0 0 0 0 1 1 0
436 0 0 0 0 0 1 0 0 0
437 0 0 0 0 0 0 0 1 0
438 0 0 0 0 0 0 0 0 0
439 0 0 0 0 1 0 0 1 0
440 0 0 0 0 1 0 0 1 0
441 0 0 1 0 0 0 0 0 0
442 0 1 0 0 0 0 0 0 0
443 0 0 0 0 0 0 1 0 0
444 0 0 1 0 0 0 0 1 0
445 0 0 1 0 0 0 0 1 0
446 0 0 1 0 0 0 0 0 0
447 0 0 0 0 0 1 0 0 0
448 0 0 0 0 1 0 0 1 0
449 0 0 0 0 1 0 0 0 1
450 0 0 0 0 1 0 0 0 0
451 0 0 0 0 1 0 0 1 0
452 0 0 0 0 1 0 0 0 0
453 0 0 0 0 0 0 1 0 0
454 0 0 0 0 0 0 0 0 0
455 0 0 0 0 1 0 0 1 0
456 0 0 0 0 1 0 0 1 0
457 0 0 0 0 1 0 0 1 0
458 0 0 0 0 1 0 0 1 0
459 0 1 0 0 0 0 0 0 1
460 0 0 0 0 1 0 0 0 0
461 0 0 0 0 0 0 1 0 1
462 0 0 0 0 0 1 0 1 0
463 0 0 1 0 0 0 0 0 0
464 0 0 1 0 0 0 0 0 0
465 0 0 0 0 0 1 0 0 0
466 0 1 0 0 0 0 0 0 0
467 0 0 0 0 0 1 0 0 1
468 0 1 0 0 0 0 0 0 0
469 0 0 0 0 1 0 0 1 0
470 0 1 0 0 0 0 0 0 0
471 0 0 0 0 0 0 0 0 0
472 0 0 0 0 1 0 0 0 0
473 1 0 0 0 0 1 0 0 1
474 1 0 0 0 1 0 0 0 0
475 1 0 0 0 0 0 1 0 1
476 1 0 0 0 1 0 0 1 0
477 1 0 0 0 1 0 0 1 0
478 1 0 0 1 0 0 0 1 0
479 1 0 0 1 0 0 0 1 0
480 1 0 0 0 1 0 0 1 0
481 1 0 0 0 0 0 0 0 0
482 1 0 0 0 0 0 0 0 0
483 0 0 1 0 0 0 0 0 0
484 0 0 0 0 1 0 0 0 0
485 0 0 0 0 0 0 1 0 0
486 0 0 0 0 0 0 0 0 1
487 0 0 0 0 0 0 1 1 0
488 1 0 0 0 1 0 0 0 0
489 1 0 0 1 0 0 0 0 1
490 0 0 0 0 1 0 0 0 1
491 0 0 0 0 1 0 0 1 0
492 0 0 0 0 0 0 1 1 0
493 0 0 0 0 0 0 1 0 0
494 0 0 0 0 1 0 0 0 0
495 0 0 0 0 0 0 1 1 0
496 0 0 0 1 0 0 0 0 1
497 0 0 0 0 0 0 0 1 0
498 1 0 0 0 0 0 1 0 1
499 1 0 0 0 1 0 0 0 0
500 1 0 0 1 0 0 0 0 0
501 1 0 0 0 0 0 1 0 1
502 1 0 0 0 1 0 0 0 0
503 1 0 0 0 0 1 0 0 0
504 1 0 1 0 0 0 0 0 0
505 1 1 0 0 0 0 0 1 0
506 1 0 0 1 0 0 0 0 0
507 1 0 0 0 1 0 0 0 0
508 1 0 0 0 0 0 1 1 0
509 1 0 0 0 0 1 0 0 0
510 1 0 0 0 1 0 0 0 0
511 1 0 0 0 0 1 0 0 0
512 1 0 1 0 0 0 0 0 0
513 0 0 0 0 0 1 0 1 0
514 0 1 0 0 0 0 0 0 0
515 0 0 0 0 0 0 1 1 0
516 0 0 0 0 1 0 0 0 0
517 0 0 0 0 0 0 1 1 0
518 0 0 0 0 0 0 1 1 0
519 1 0 0 0 1 0 0 0 0
520 1 0 0 0 1 0 0 0 0
521 1 1 0 0 0 0 0 0 0
522 1 0 0 0 0 0 1 1 0
523 1 0 0 0 1 0 0 1 0
524 1 1 0 0 0 0 0 1 0
525 1 0 1 0 0 0 0 0 0
526 1 0 0 0 0 0 1 0 1
servocc lwage expersq tenursq
1 0 1.1314021 4 0
2 1 1.1755733 484 4
3 0 1.0986123 4 0
4 0 1.7917595 1936 784
5 0 1.6677068 49 4
6 0 2.1690538 81 64
7 0 2.4203682 225 49
8 0 1.6094379 25 9
9 0 1.2809339 676 16
10 0 2.9003222 484 441
11 0 1.8325815 64 4
12 0 2.0955610 9 0
13 0 2.1713369 225 0
14 0 1.7047480 324 9
15 0 3.1000924 961 225
16 0 2.8524392 196 0
17 0 2.0149031 100 0
18 0 2.3636801 256 100
19 0 1.2809339 169 0
20 1 1.5040774 1296 36
21 0 1.9286187 121 16
22 0 2.1377103 841 169
23 0 1.8453002 81 81
24 1 -0.6348783 9 1
25 0 1.7917595 1369 64
26 0 2.2575877 9 9
27 0 2.0515563 121 100
28 0 2.5257287 961 0
29 0 2.5257287 900 0
30 0 1.1786550 81 1
31 0 2.5649493 529 25
32 0 1.5040774 4 25
33 0 2.2700620 256 256
34 0 1.6094379 49 9
35 0 1.5432981 9 0
36 0 1.4516138 484 16
37 1 1.8164521 225 36
38 0 1.2556161 1521 225
39 0 1.0986123 9 9
40 0 1.8325815 121 0
41 1 2.0554049 9 0
42 0 2.3025851 400 25
43 0 1.5040774 256 0
44 1 1.3862944 2025 144
45 0 1.8531681 121 16
46 0 2.6173959 400 169
47 0 0.5128236 1 0
48 0 1.0750024 1296 4
49 0 1.2947272 81 4
50 1 1.0647107 225 1
51 1 0.4885800 324 0
52 0 2.1517622 9 4
53 0 1.6094379 225 25
54 0 1.7917595 49 49
55 0 0.9162908 4 0
56 1 1.1786550 9 0
57 1 1.2237755 1 1
58 0 2.3025851 169 0
59 0 3.0740812 64 64
60 1 1.4770488 49 0
61 0 2.4604433 1600 400
62 0 2.5168898 1764 25
63 1 1.8325815 1296 64
64 0 1.3110319 169 0
65 0 2.0515563 81 9
66 0 2.9947317 676 529
67 0 1.8325815 49 16
68 0 2.3025851 625 9
69 0 1.7422190 100 25
70 0 0.6931472 9 4
71 0 1.7422190 9 0
72 0 2.5710843 289 4
73 0 1.5912739 289 64
74 0 1.0681531 400 1156
75 0 1.3217559 49 0
76 0 2.4765384 576 361
77 0 1.3862944 784 0
78 0 1.1314021 4 1
79 0 2.1341665 361 169
80 0 1.9657128 169 0
81 0 1.5040774 484 25
82 0 1.5368673 9 1
83 1 1.0647107 16 0
84 0 1.8976198 49 25
85 1 1.2527629 36 4
86 0 1.1817272 169 9
87 0 1.1786550 196 0
88 0 2.0794415 196 16
89 0 2.2874715 1600 576
90 0 2.0149031 121 49
91 0 1.7766458 196 36
92 0 2.4647040 1600 1521
93 0 1.0986123 1 0
94 1 1.5706971 4 0
95 0 1.8718022 16 1
96 1 1.3862944 361 1
97 0 1.2527629 1 0
98 0 2.5771818 1156 484
99 0 1.4469190 25 4
100 1 1.2527629 9 0
101 0 1.6351057 36 36
102 1 1.3217559 196 0
103 0 1.5040774 1225 144
104 0 2.0320878 64 16
105 0 2.7080503 49 49
106 0 1.9242487 121 9
107 0 2.5900171 196 121
108 0 1.8976198 1225 100
109 0 0.9282193 2116 0
110 0 2.2823825 49 0
111 0 1.2149127 2025 144
112 0 3.2180755 841 625
113 0 1.6863990 36 9
114 0 1.8099267 225 0
115 0 1.4350845 1089 256
116 0 1.3217559 225 0
117 0 1.2527629 25 0
118 1 1.2919837 49 4
119 0 1.3350011 36 1
120 0 1.0986123 1089 144
121 0 1.6094379 4 1
122 1 1.5325569 16 0
123 0 1.0986123 1 0
124 0 1.1631508 841 0
125 0 1.3635374 289 9
126 0 1.8609746 289 9
127 0 1.7011051 1296 9
128 0 0.4054651 961 900
129 1 1.0647107 529 4
130 0 1.6094379 169 1
131 0 2.1882958 9 9
132 0 1.6094379 225 0
133 0 1.2584610 2304 1
134 0 1.0647107 36 0
135 0 1.5040774 144 0
136 1 0.8109302 25 0
137 0 1.6094379 361 25
138 0 2.3025851 81 9
139 1 1.3217559 1521 169
140 0 2.3025851 784 121
141 0 2.3933394 529 400
142 0 2.0668628 4 0
143 0 1.5518087 225 1
144 0 1.7647308 25 0
145 0 1.3428648 324 4
146 0 1.1631508 4 4
147 1 0.6931472 9 0
148 0 1.5040774 961 16
149 0 2.4466856 400 25
150 0 0.7608059 1156 225
151 1 0.8671005 25 0
152 0 1.3217559 121 0
153 0 1.7083778 961 9
154 0 1.8718022 64 25
155 0 1.1314021 4 4
156 0 2.3025851 324 25
157 0 1.8916048 9 0
158 0 2.3025851 9 4
159 1 0.8372475 16 1
160 0 1.9286187 16 16
161 0 1.0402766 1 0
162 0 1.1410331 1 0
163 0 2.0794415 784 25
164 0 1.5040774 2209 16
165 0 2.1575594 169 1
166 1 0.6931472 4 36
167 1 1.5581446 2304 4
168 0 1.8325815 36 25
169 1 1.7917595 64 0
170 0 2.7330680 625 441
171 0 2.6796508 169 49
172 0 2.5257287 64 1
173 0 1.6582280 361 100
174 1 0.7747272 1 16
175 0 1.9657128 1849 25
176 0 1.8277699 361 81
177 0 2.1972246 121 25
178 0 2.3025851 1849 16
179 0 1.7526721 1936 9
180 0 1.3862944 484 121
181 0 2.1690538 9 4
182 0 1.8764070 9 4
183 0 2.0281482 1681 121
184 0 1.6094379 25 0
185 1 1.6094379 196 121
186 0 3.0846586 576 256
187 0 2.1564026 784 64
188 0 1.1939224 625 64
189 0 1.4906543 9 0
190 0 1.5151273 121 0
191 0 1.2527629 49 36
192 0 1.8325815 81 4
193 0 1.3480731 25 0
194 0 1.8213183 81 9
195 0 1.0681531 1 0
196 0 1.8325815 4 1
197 0 1.8325815 169 0
198 0 2.2027647 100 4
199 0 2.3025851 25 9
200 0 2.4078455 900 64
201 1 1.9286187 961 361
202 0 2.1690538 1 4
203 0 2.3025851 81 0
204 0 1.1151416 100 0
205 0 1.0986123 1444 0
206 0 1.7578579 361 36
207 0 1.4109869 25 0
208 0 2.0794415 676 4
209 0 1.8164521 1225 144
210 0 0.9932518 4 0
211 1 1.0116010 1 4
212 0 1.0986123 361 100
213 1 1.0986123 9 4
214 0 1.9960599 1296 576
215 0 2.0149031 841 576
216 0 1.2527629 1 4
217 0 2.0918641 1444 9
218 0 1.3217559 1 4
219 0 1.1786550 841 0
220 0 1.7630169 1296 225
221 1 1.2527629 16 0
222 0 1.2029723 2025 16
223 0 1.3862944 484 9
224 0 1.2527629 400 16
225 0 1.8325815 25 0
226 0 1.0818052 225 4
227 0 1.7422190 100 4
228 0 1.0986123 9 0
229 0 3.1293886 256 49
230 0 2.1972246 1444 1
231 0 2.1198635 1089 676
232 0 1.0986123 4 0
233 0 1.7491999 36 25
234 0 1.9110229 361 9
235 0 2.3025851 841 0
236 0 1.0986123 4 0
237 0 1.2527629 9 1
238 0 1.1786550 16 0
239 0 1.3862944 100 1
240 0 1.0715836 16 0
241 0 1.1184149 196 100
242 0 1.1631508 225 25
243 0 1.5581446 361 0
244 0 1.0986123 289 0
245 0 2.8992214 841 49
246 0 1.2527629 4 0
247 0 1.4134231 25 0
248 0 0.6729445 1444 9
249 1 1.4562867 9 0
250 1 1.0986123 2209 0
251 0 1.8640801 49 36
252 0 1.6486586 2209 169
253 0 1.5040774 529 4
254 0 1.3558352 144 9
255 1 1.2383742 121 0
256 0 2.3896797 625 529
257 1 1.4109869 36 0
258 0 1.0986123 9 1
259 0 1.7749524 196 49
260 0 2.8903718 169 0
261 0 1.3862944 81 0
262 0 1.0986123 1 0
263 0 1.2669476 36 0
264 1 1.0986123 121 1
265 0 2.1690538 2209 1936
266 0 1.0647107 2401 36
267 0 1.8341802 1369 289
268 0 1.2527629 4 0
269 0 1.5260563 49 0
270 0 1.7917595 484 64
271 0 1.0612565 64 0
272 0 1.7191888 1 1
273 0 1.3862944 1849 36
274 0 1.7917595 4 4
275 0 1.5040774 4 1
276 0 1.0715836 1 9
277 0 1.4655675 1 0
278 0 2.9386327 676 400
279 0 1.4539530 1 1
280 1 1.5195132 1369 49
281 0 1.8325815 144 16
282 0 1.0818052 1681 529
283 0 2.1690538 576 1
284 0 2.1400661 1444 676
285 0 1.3217559 324 0
286 0 1.1474025 676 1
287 0 1.6094379 2025 4
288 0 1.8656293 729 0
289 1 0.6931472 4 0
290 0 1.5665303 1681 64
291 0 1.7544037 121 16
292 1 1.1568812 25 0
293 0 1.5432981 9 1
294 1 1.4109869 9 4
295 0 1.0681531 16 0
296 0 1.7917595 441 169
297 0 1.2809339 1156 676
298 0 1.3737156 2401 36
299 0 1.9459101 36 25
300 1 1.0986123 676 81
301 0 1.8050047 81 0
302 0 2.1552446 529 81
303 0 1.0986123 1089 4
304 0 1.3217559 25 4
305 1 1.0647107 2401 49
306 0 1.0986123 2304 0
307 0 1.8325815 1225 961
308 0 1.2527629 529 4
309 1 1.0986123 676 1
310 0 1.1755733 256 0
311 0 2.0819385 529 9
312 0 1.2029723 1296 64
313 0 1.6582280 16 0
314 0 1.8325815 100 0
315 0 1.2527629 324 4
316 0 1.0818052 9 1
317 1 1.0986123 49 0
318 0 1.5454326 49 49
319 0 1.3164083 1089 4
320 0 1.3862944 1156 144
321 0 1.3862944 64 0
322 0 1.0647107 289 1
323 1 1.1151416 4 0
324 0 1.6193882 25 0
325 0 2.6354795 1681 256
326 0 2.8992214 1225 784
327 0 1.8325815 121 16
328 0 1.6582280 16 0
329 0 1.5665303 144 9
330 0 1.2089603 1225 0
331 0 1.0986123 1089 0
332 0 2.1317968 64 36
333 0 1.7404661 4 0
334 0 2.4832385 64 100
335 0 1.2527629 841 1
336 0 1.4445633 196 25
337 0 1.9459101 676 9
338 0 1.7917595 121 9
339 0 2.5030739 100 4
340 0 1.5040774 169 0
341 0 1.0986123 529 400
342 1 1.0647107 1 4
343 0 2.7080503 1225 961
344 0 1.3862944 25 4
345 0 1.6582280 169 121
346 0 1.3862944 484 9
347 0 1.1939224 441 81
348 0 1.6193882 361 0
349 0 1.2753627 169 0
350 0 1.6094379 225 25
351 0 1.5195132 9 0
352 0 2.5257287 36 4
353 0 1.2383742 36 25
354 0 1.5325569 256 1
355 0 2.3025851 961 4
356 1 1.0715836 1 0
357 0 1.5062972 25 4
358 0 1.8718022 9 0
359 0 2.0149031 121 0
360 0 1.2641267 36 49
361 0 1.4350845 121 9
362 0 1.2556161 49 4
363 0 1.5040774 25 0
364 0 1.2089603 25 16
365 1 1.0681531 4 4
366 0 1.6582280 1936 49
367 1 1.3987169 1936 625
368 0 1.3217559 169 0
369 0 1.2237755 676 225
370 0 1.0986123 4 1
371 0 1.8389610 100 9
372 1 0.9321641 4 0
373 0 1.5040774 1225 0
374 0 1.1410331 36 25
375 0 1.8500284 64 1
376 0 1.5432981 1 0
377 0 1.9169227 196 100
378 0 2.1435893 196 36
379 0 1.4279160 484 100
380 0 1.3217559 64 16
381 0 2.4069452 1 16
382 0 1.1817272 225 25
383 0 2.2115657 196 144
384 0 1.5040774 1369 100
385 1 1.0986123 1 1
386 0 2.1690538 16 16
387 0 1.4206958 841 0
388 0 1.0543120 2025 64
389 0 1.2089603 484 0
390 0 1.8050047 1764 100
391 0 1.0986123 81 0
392 0 1.4350845 64 0
393 1 1.7227666 961 225
394 0 2.3025851 576 576
395 0 2.5257287 256 25
396 0 1.3244189 36 0
397 0 1.1314021 196 0
398 0 1.4562867 2209 625
399 0 2.3905959 1156 25
400 0 2.0149031 36 4
401 0 1.3987169 49 16
402 1 1.5368673 729 4
403 0 1.6094379 576 25
404 0 1.0647107 324 0
405 0 2.0794415 144 9
406 0 2.1317968 729 9
407 0 1.0715836 2401 0
408 0 1.8325815 16 0
409 0 1.8325815 576 4
410 0 1.6311995 9 0
411 0 1.3862944 4 0
412 0 1.4906543 841 121
413 0 1.9286187 1156 441
414 0 1.6919391 100 9
415 1 1.0986123 25 0
416 0 1.0647107 4 0
417 0 1.8325815 1521 441
418 0 1.4678744 25 4
419 0 1.1786550 196 4
420 0 1.9823799 64 4
421 0 1.8484548 100 1
422 1 1.7281095 4 4
423 0 2.1690538 81 9
424 1 1.1631508 1 0
425 0 1.0986123 2025 1
426 1 1.0986123 1089 9
427 0 2.5257287 441 324
428 0 1.0577903 4 0
429 0 1.2089603 81 1
430 0 1.8718022 1089 4
431 0 2.3398809 256 4
432 0 1.5040774 100 0
433 0 2.3025851 81 64
434 1 1.3376292 64 1
435 0 2.1747518 81 1
436 0 2.2428350 529 0
437 0 1.8453002 529 64
438 0 1.3862944 484 324
439 0 1.0647107 1369 0
440 0 2.9957323 484 16
441 0 2.4203682 784 625
442 0 1.2527629 196 0
443 1 1.7917595 361 16
444 0 2.6658382 100 81
445 0 1.8500284 625 0
446 0 1.2669476 441 0
447 1 1.0986123 1024 0
448 0 1.5040774 441 100
449 0 1.8916048 1296 0
450 0 2.2300143 4 4
451 0 1.0986123 121 0
452 1 1.1786550 1600 4
453 1 0.4054651 121 1
454 0 1.7749524 81 49
455 0 2.0794415 529 16
456 0 1.0647107 1 0
457 0 1.1908876 900 169
458 0 1.8718022 1681 1089
459 0 1.3862944 36 0
460 0 1.7917595 121 0
461 0 1.4060969 1849 289
462 0 1.3217559 1521 4
463 0 1.1151416 2500 576
464 0 1.2527629 676 400
465 1 1.0715836 2601 900
466 0 1.5040774 9 81
467 0 1.2089603 9 1
468 0 1.7833912 225 81
469 0 2.0794415 289 36
470 0 1.0986123 1296 0
471 0 1.6094379 961 81
472 0 1.7047480 81 16
473 0 0.9745597 1764 100
474 0 1.0986123 9 0
475 0 1.5040774 1369 196
476 0 2.8622010 529 484
477 0 2.1016922 441 25
478 0 2.2071750 121 144
479 0 2.4697931 1225 169
480 0 1.1786550 1764 0
481 0 1.5040774 9 0
482 0 1.5040774 169 0
483 0 1.3110319 196 49
484 0 1.8718022 196 121
485 1 1.0647107 1521 1
486 0 1.7227666 121 64
487 0 0.8020016 784 9
488 1 1.6094379 324 0
489 0 2.1198635 36 4
490 0 1.0647107 676 1
491 0 1.8325815 441 36
492 0 1.5151273 1156 4
493 1 1.1878434 289 4
494 1 0.8329091 4 0
495 0 1.1939224 25 0
496 0 1.1474025 1 0
497 0 2.5257287 1600 900
498 0 1.6389967 1521 441
499 1 1.1410331 1 1
500 0 1.9810015 196 25
501 0 1.0647107 4 4
502 1 0.5596158 4 1
503 0 1.0612565 1764 0
504 0 1.0647107 1156 0
505 0 2.8741293 100 9
506 1 1.8325815 16 9
507 0 0.9555114 16 0
508 0 1.8916048 441 9
509 0 1.2527629 961 9
510 0 1.8718022 400 196
511 0 1.0986123 1296 1
512 0 1.4770488 49 0
513 0 2.3025851 225 0
514 0 1.5993875 625 289
515 0 2.1972246 49 0
516 0 0.3576744 289 0
517 0 1.1249295 9 1
518 0 2.2332351 144 121
519 0 2.0149031 324 25
520 0 1.5581446 2209 1
521 0 1.7316556 4 0
522 0 2.7080503 196 4
523 0 0.8197798 4 0
524 0 1.5411590 169 324
525 0 2.4475510 25 1
526 0 1.2527629 25 16
Para este ejercicio se empleo la base de datos WAGE1.RAW
1.1- Determinen el nivel educativo promedio de la muestra. ?Cuáles son los niveles de educación menor y mayor?
1.2- Determine el salario promedio por hora (wage) en la muestra. ?Parece ser alto o bajo?
1.3- Cuántas mujeres (females) hay en la muestra?
1- Determinen el nivel educativo promedio de la muestra. ?Cuáles son los niveles de educación menor y mayor?
#Punto1
#Nivel educativo promedio de la muestra
Promedio_w=mean(wage1$educ)
Promedio_w=round(Promedio_w,2)
cat("El nivel educativo promedio de la muestra es:",Promedio_w)
El nivel educativo promedio de la muestra es: 12.56
#Maximo Nivel educativo promedio de la muestra
Maximo_w=max(wage1$educ)
cat("El nivel educativo maximo de la muestra es:",Maximo_w)
El nivel educativo maximo de la muestra es: 18
#Minimo Nivel educativo promedio de la muestra
Minimo_w=min(wage1$educ)
cat("El nivel educativo minimo de la muestra es:",Minimo_w)
El nivel educativo minimo de la muestra es: 0
cat("El nivel educativo promedio de la muestra es:",Promedio_w)
El nivel educativo promedio de la muestra es: 12.56
El nivel educativo promedio de la muestra es: 12.56
El nivel educativo menor de la muestra es: 0
El nivel educativo mayor de la muestra es: 18
Graficamente se muestra una distribución del nivel educativo promedio de la muestra
Grafico_001 = ggplot(wage1, aes(x=educ))+
geom_histogram(fill="gray", color="blue", bins=18)+
geom_freqpoly(fill=2, color="#000000")+
geom_vline (xintercept=Maximo_w, linetype=2, col="blue", size=0.5)+
geom_vline (xintercept=Minimo_w, linetype=1, col="green", size=0.5)+
geom_vline (xintercept=Promedio_w, linetype=1, col="red", size=0.5)+
stat_bin(fill = 10, geom='text', color='white',
aes(label=..count..),
position=position_stack(vjust = 0.5))+
labs(fill="orange")+
scale_x_continuous(breaks= seq(from=Minimo_w,
to=Maximo_w,
by=2))+ ##Determinar la escala de 2 en 2
labs(title = "Distribucion del Nivel Educativo", x="educ")
plot(Grafico_001)
Note that the echo = TRUE parameter was added to the
code chunk to prevent printing of the R code that generated the
plot.
1.2- Determine el salario promedio por hora (wage) en la muestra. ?Parece ser alto o bajo?
#Determinar el Salario Promedio de la Muestra
Promedio_Salario_Hora=mean(wage1$wage)
Promedio_Salario_Hora
[1] 5.896103
Promedio_Salario_Hora=round(Promedio_Salario_Hora,2)
cat("el salario promedio por hora es de: ", Promedio_Salario_Hora)
el salario promedio por hora es de: 5.9
Mediana_Salario_Hora=median(wage1$wage)
Mediana_Salario_Hora
[1] 4.65
#se calcula la Moda, que es el valor que más se repite para comparar con el promedio
Moda_Salario_Hora=mlv(wage1$wage, method="mfv")[1]
Moda_Salario_Hora
[1] 3
Minimo_SPH=min(wage1$wage)
Minimo_SPH
[1] 0.53
Maximo_SPH=max(wage1$wage)
Maximo_SPH
[1] 24.98
#el promedio esta por encima de la moda y la mediana, por tal motivo el salario es alto
El salario promedio por hora es de: 5.9
El siiguiente grafico muestra el salario promedio por hora, la linea azul representa el salario promedio por hora, la linea roja representa la mediana del salario promedio por hora y la linea naranja representa la moda del salario promedio por hora.
De acuerdo al grafico de densidad el Salario Promedio por hora parece ser alto, debido a que supera el valor de la moda y la mediana.
Grafico_002<-ggplot(wage1, aes(x=wage))+
geom_density()+
scale_x_continuous(breaks= seq(from=Minimo_SPH,
to=Maximo_SPH,
by=2))+ ##Determinar la escala de 2 en 2
geom_vline(xintercept = Promedio_Salario_Hora, linetype=5, col="blue", size=0.9)+
geom_vline(xintercept= Mediana_Salario_Hora, linetype=3, col="red",size=0.9)+
geom_vline(xintercept= Moda_Salario_Hora, linetype=2, col="orange",size=0.9)+
labs(title = "Salario Promedio Por Hora", x="Salario")
plot(Grafico_002)
1.3- Cuántas mujeres (females) hay en la muestra?
##este codigo es la respuesta correcta
Q_h <- count(filter(wage1, wage1$female=="1"))
Q_m <- count(filter(wage1, wage1$female=="0"))
Q_h
n
1 252
Q_m
n
1 274
En la muestra hay 274 mujeres y 252 hombres
dbhm1<- filter(wage1, female=="0" |wage1$female=="1")
##names(dbhm1)[names(dbhm1)=="female"]<-"Nombre de Variable Nueva" para reemplazar nombre de variable en db
dbhm2<-mutate(dbhm1, female=ifelse(female==0,"mujer","hombre"))
dbhm2
wage educ exper tenure nonwhite female married numdep smsa northcen south
1 3.10 11 2 0 0 hombre 0 2 1 0 0
2 3.24 12 22 2 0 hombre 1 3 1 0 0
3 3.00 11 2 0 0 mujer 0 2 0 0 0
4 6.00 8 44 28 0 mujer 1 0 1 0 0
5 5.30 12 7 2 0 mujer 1 1 0 0 0
6 8.75 16 9 8 0 mujer 1 0 1 0 0
7 11.25 18 15 7 0 mujer 0 0 1 0 0
8 5.00 12 5 3 0 hombre 0 0 1 0 0
9 3.60 12 26 4 0 hombre 0 2 1 0 0
10 18.18 17 22 21 0 mujer 1 0 1 0 0
11 6.25 16 8 2 0 hombre 0 0 1 0 0
12 8.13 13 3 0 0 hombre 0 0 1 0 0
13 8.77 12 15 0 0 mujer 1 2 1 0 0
14 5.50 12 18 3 0 mujer 0 0 1 0 0
15 22.20 12 31 15 0 mujer 1 1 1 0 0
16 17.33 16 14 0 0 mujer 1 1 1 0 0
17 7.50 12 10 0 0 hombre 1 0 1 0 0
18 10.63 13 16 10 0 hombre 0 0 1 0 0
19 3.60 12 13 0 0 hombre 1 3 1 0 0
20 4.50 12 36 6 0 hombre 1 0 1 0 0
21 6.88 12 11 4 0 hombre 0 0 1 0 0
22 8.48 12 29 13 0 mujer 1 3 1 0 0
23 6.33 16 9 9 0 hombre 0 0 1 0 0
24 0.53 12 3 1 0 hombre 0 0 1 0 0
25 6.00 11 37 8 1 hombre 0 0 1 0 0
26 9.56 16 3 3 1 mujer 1 1 1 0 0
27 7.78 16 11 10 0 mujer 1 1 1 0 0
28 12.50 16 31 0 0 mujer 1 0 1 0 0
29 12.50 15 30 0 0 mujer 1 2 1 0 0
30 3.25 8 9 1 0 hombre 1 2 1 0 0
31 13.00 14 23 5 0 mujer 1 2 1 0 0
32 4.50 14 2 5 0 hombre 0 2 1 0 0
33 9.68 13 16 16 0 hombre 0 0 1 0 0
34 5.00 12 7 3 0 hombre 0 0 1 0 0
35 4.68 12 3 0 0 hombre 0 0 1 0 0
36 4.27 16 22 4 1 hombre 1 1 1 0 0
37 6.15 12 15 6 1 hombre 1 1 1 0 0
38 3.51 4 39 15 0 mujer 1 5 1 0 0
39 3.00 14 3 3 0 hombre 1 0 1 0 0
40 6.25 12 11 0 0 hombre 0 0 1 0 0
41 7.81 12 3 0 0 hombre 1 0 1 0 0
42 10.00 12 20 5 1 hombre 1 4 1 0 0
43 4.50 14 16 0 0 hombre 1 1 1 0 0
44 4.00 11 45 12 0 hombre 1 0 1 0 0
45 6.38 13 11 4 0 hombre 0 0 1 0 0
46 13.70 15 20 13 0 mujer 1 2 1 0 0
47 1.67 10 1 0 0 mujer 0 1 1 0 0
48 2.93 12 36 2 0 hombre 1 1 1 0 0
49 3.65 14 9 2 0 mujer 0 0 1 0 0
50 2.90 12 15 1 0 hombre 1 2 1 0 0
51 1.63 12 18 0 0 hombre 0 2 0 0 0
52 8.60 16 3 2 0 hombre 0 0 1 0 0
53 5.00 12 15 5 0 mujer 1 1 1 0 0
54 6.00 12 7 7 0 mujer 1 0 1 0 0
55 2.50 12 2 0 0 mujer 0 2 0 0 0
56 3.25 15 3 0 0 mujer 0 1 0 0 0
57 3.40 16 1 1 0 hombre 0 1 0 0 0
58 10.00 8 13 0 1 mujer 0 0 1 0 0
59 21.63 18 8 8 0 hombre 0 0 1 0 0
60 4.38 16 7 0 0 mujer 0 0 1 0 0
61 11.71 13 40 20 0 hombre 0 0 1 0 0
62 12.39 14 42 5 0 mujer 0 0 1 0 0
63 6.25 10 36 8 0 mujer 0 0 1 0 0
64 3.71 10 13 0 1 hombre 0 4 1 0 0
65 7.78 14 9 3 0 mujer 0 0 1 0 0
66 19.98 14 26 23 0 mujer 1 2 1 0 0
67 6.25 16 7 4 1 hombre 1 3 1 0 0
68 10.00 12 25 3 0 mujer 1 3 1 0 0
69 5.71 16 10 5 0 mujer 1 1 1 0 0
70 2.00 12 3 2 0 hombre 0 4 1 0 0
71 5.71 16 3 0 0 hombre 0 0 1 0 0
72 13.08 17 17 2 1 mujer 1 3 1 0 0
73 4.91 12 17 8 0 mujer 1 2 1 0 0
74 2.91 12 20 34 0 hombre 1 2 1 0 0
75 3.75 12 7 0 0 hombre 1 0 1 0 0
76 11.90 13 24 19 0 mujer 1 2 1 0 0
77 4.00 12 28 0 0 hombre 1 1 1 0 0
78 3.10 12 2 1 0 hombre 0 1 1 0 0
79 8.45 12 19 13 0 mujer 1 4 1 0 0
80 7.14 18 13 0 0 mujer 1 2 1 0 0
81 4.50 9 22 5 0 mujer 1 4 1 0 0
82 4.65 16 3 1 0 mujer 0 0 1 0 0
83 2.90 10 4 0 0 hombre 0 1 1 0 0
84 6.67 12 7 5 0 mujer 0 0 1 0 0
85 3.50 12 6 2 1 hombre 0 1 1 0 0
86 3.26 12 13 3 0 hombre 1 1 1 0 0
87 3.25 12 14 0 0 hombre 1 1 1 0 0
88 8.00 12 14 4 0 hombre 0 1 1 0 0
89 9.85 8 40 24 1 mujer 1 2 1 0 0
90 7.50 12 11 7 0 mujer 1 1 1 0 0
91 5.91 12 14 6 0 mujer 1 2 0 0 0
92 11.76 14 40 39 0 mujer 1 0 1 0 0
93 3.00 12 1 0 0 hombre 0 2 1 0 0
94 4.81 12 2 0 0 hombre 0 0 1 0 0
95 6.50 12 4 1 0 hombre 0 0 1 0 0
96 4.00 9 19 1 0 hombre 1 1 1 0 0
97 3.50 13 1 0 0 mujer 0 1 1 0 0
98 13.16 12 34 22 0 mujer 1 0 1 0 0
99 4.25 14 5 2 0 mujer 1 2 1 0 0
100 3.50 12 3 0 0 mujer 0 0 1 0 0
101 5.13 15 6 6 0 hombre 0 0 1 0 0
102 3.75 12 14 0 0 hombre 1 3 1 0 0
103 4.50 12 35 12 0 hombre 1 0 1 0 0
104 7.63 12 8 4 0 hombre 0 0 1 0 0
105 15.00 14 7 7 1 mujer 1 1 1 0 0
106 6.85 15 11 3 0 hombre 1 2 1 0 0
107 13.33 12 14 11 0 mujer 1 2 1 0 0
108 6.67 12 35 10 0 mujer 0 0 1 0 0
109 2.53 12 46 0 0 hombre 0 0 1 0 0
110 9.80 17 7 0 0 mujer 1 0 1 0 0
111 3.37 11 45 12 0 mujer 1 0 1 0 0
112 24.98 18 29 25 0 mujer 1 0 1 0 0
113 5.40 12 6 3 0 mujer 1 0 1 0 0
114 6.11 14 15 0 0 mujer 1 2 1 0 0
115 4.20 14 33 16 0 hombre 1 0 1 0 0
116 3.75 10 15 0 0 mujer 0 0 1 0 0
117 3.50 14 5 0 0 hombre 1 0 0 0 1
118 3.64 12 7 2 0 mujer 0 0 1 0 1
119 3.80 15 6 1 0 mujer 1 1 1 0 1
120 3.00 8 33 12 0 hombre 1 3 0 0 1
121 5.00 16 2 1 0 hombre 1 0 0 0 1
122 4.63 14 4 0 0 hombre 1 2 1 0 1
123 3.00 15 1 0 0 mujer 0 0 1 0 1
124 3.20 12 29 0 0 hombre 0 1 1 0 1
125 3.91 18 17 3 0 mujer 1 2 0 0 1
126 6.43 16 17 3 0 hombre 1 2 0 0 1
127 5.48 10 36 3 0 hombre 1 0 1 0 1
128 1.50 8 31 30 0 mujer 0 0 0 0 1
129 2.90 10 23 2 0 hombre 0 2 0 0 1
130 5.00 11 13 1 0 mujer 1 0 0 0 1
131 8.92 18 3 3 0 mujer 1 0 1 0 1
132 5.00 15 15 0 0 mujer 0 0 1 0 1
133 3.52 12 48 1 0 mujer 1 0 0 0 1
134 2.90 11 6 0 0 hombre 0 1 0 0 1
135 4.50 12 12 0 0 mujer 1 3 1 0 1
136 2.25 12 5 0 0 hombre 0 2 1 0 1
137 5.00 14 19 5 0 mujer 1 4 1 0 1
138 10.00 16 9 3 1 mujer 1 2 1 0 1
139 3.75 2 39 13 0 mujer 1 0 1 0 1
140 10.00 14 28 11 0 hombre 1 0 1 0 1
141 10.95 16 23 20 0 mujer 1 4 1 0 1
142 7.90 12 2 0 0 mujer 0 0 1 0 1
143 4.72 12 15 1 0 hombre 0 0 1 0 1
144 5.84 13 5 0 0 hombre 1 1 1 0 1
145 3.83 12 18 2 0 hombre 0 3 1 0 1
146 3.20 15 2 2 0 hombre 0 2 1 0 1
147 2.00 10 3 0 1 hombre 0 5 1 0 1
148 4.50 12 31 4 0 hombre 1 3 1 0 1
149 11.55 16 20 5 0 hombre 1 3 1 0 1
150 2.14 13 34 15 1 hombre 1 0 1 0 1
151 2.38 9 5 0 1 mujer 0 5 1 0 1
152 3.75 12 11 0 0 mujer 0 1 1 0 1
153 5.52 13 31 3 0 mujer 0 0 1 0 1
154 6.50 12 8 5 0 hombre 1 0 1 0 1
155 3.10 12 2 2 0 hombre 0 1 1 0 1
156 10.00 14 18 5 0 mujer 1 2 1 0 1
157 6.63 16 3 0 0 mujer 1 0 1 0 1
158 10.00 16 3 2 0 mujer 1 0 1 0 1
159 2.31 9 4 1 0 hombre 0 5 0 1 0
160 6.88 18 4 4 0 mujer 0 0 1 1 0
161 2.83 10 1 0 0 mujer 0 4 1 1 0
162 3.13 10 1 0 0 hombre 0 1 1 1 0
163 8.00 13 28 5 0 mujer 1 1 1 1 0
164 4.50 12 47 4 0 hombre 1 0 1 1 0
165 8.65 18 13 1 0 hombre 0 0 1 1 0
166 2.00 13 2 6 0 hombre 0 0 1 1 0
167 4.75 12 48 2 0 hombre 1 0 1 1 0
168 6.25 13 6 5 0 hombre 1 1 1 1 0
169 6.00 13 8 0 0 mujer 1 2 1 1 0
170 15.38 13 25 21 0 mujer 1 2 1 1 0
171 14.58 18 13 7 0 hombre 0 0 1 1 0
172 12.50 12 8 1 0 mujer 0 0 1 1 0
173 5.25 12 19 10 0 hombre 1 2 1 1 0
174 2.17 13 1 4 0 hombre 0 1 1 1 0
175 7.14 12 43 5 0 hombre 0 0 1 1 0
176 6.22 12 19 9 0 hombre 1 1 1 1 0
177 9.00 12 11 5 0 hombre 1 0 1 1 0
178 10.00 14 43 4 0 mujer 1 0 1 1 0
179 5.77 10 44 3 0 mujer 1 0 1 1 0
180 4.00 12 22 11 0 hombre 1 2 1 1 0
181 8.75 16 3 2 0 mujer 1 1 1 1 0
182 6.53 16 3 2 0 hombre 0 0 1 1 0
183 7.60 12 41 11 0 hombre 0 0 1 1 0
184 5.00 14 5 0 0 mujer 0 0 1 1 0
185 5.00 12 14 11 0 hombre 0 0 1 1 0
186 21.86 12 24 16 0 mujer 1 3 1 1 0
187 8.64 12 28 8 0 mujer 1 0 1 1 0
188 3.30 12 25 8 0 mujer 1 1 1 1 0
189 4.44 12 3 0 0 mujer 0 0 1 1 0
190 4.55 12 11 0 0 mujer 1 0 0 1 0
191 3.50 12 7 6 1 hombre 1 0 0 1 0
192 6.25 16 9 2 0 mujer 1 1 0 1 0
193 3.85 16 5 0 0 mujer 1 0 1 1 0
194 6.18 14 9 3 0 hombre 1 0 1 1 0
195 2.91 11 1 0 0 hombre 0 3 1 1 0
196 6.25 16 2 1 1 hombre 0 0 1 1 0
197 6.25 12 13 0 0 hombre 1 0 1 1 0
198 9.05 12 10 2 0 mujer 1 3 1 1 0
199 10.00 17 5 3 0 mujer 1 0 1 1 0
200 11.11 12 30 8 0 mujer 1 0 1 1 0
201 6.88 12 31 19 0 mujer 1 3 1 1 0
202 8.75 16 1 2 1 mujer 0 0 1 1 0
203 10.00 8 9 0 0 mujer 1 0 1 1 0
204 3.05 12 10 0 0 hombre 1 2 1 1 0
205 3.00 12 38 0 0 hombre 1 0 0 1 0
206 5.80 12 19 6 0 hombre 1 2 0 1 0
207 4.10 16 5 0 0 hombre 1 0 1 1 0
208 8.00 12 26 2 0 mujer 1 1 1 1 0
209 6.15 12 35 12 0 hombre 0 0 1 1 0
210 2.70 9 2 0 0 hombre 0 1 1 1 0
211 2.75 13 1 2 0 hombre 0 1 1 1 0
212 3.00 16 19 10 0 hombre 1 0 1 1 0
213 3.00 14 3 2 0 hombre 0 0 1 1 0
214 7.36 8 36 24 0 mujer 1 3 1 1 0
215 7.50 14 29 24 0 mujer 1 1 1 1 0
216 3.50 13 1 2 0 mujer 0 3 1 1 0
217 8.10 12 38 3 0 hombre 1 1 1 1 0
218 3.75 18 1 2 0 mujer 0 1 1 1 0
219 3.25 9 29 0 1 mujer 1 1 1 1 0
220 5.83 8 36 15 0 hombre 1 0 0 0 0
221 3.50 8 4 0 0 mujer 0 3 1 0 0
222 3.33 12 45 4 0 hombre 1 0 0 0 0
223 4.00 14 22 3 0 hombre 0 0 1 0 0
224 3.50 12 20 4 0 hombre 1 2 0 0 0
225 6.25 16 5 0 0 mujer 1 0 1 0 0
226 2.95 8 15 2 1 hombre 1 1 1 0 0
227 5.71 13 10 2 0 hombre 1 0 1 0 0
228 3.00 9 3 0 0 hombre 0 0 1 0 0
229 22.86 16 16 7 0 mujer 1 2 1 0 0
230 9.00 12 38 1 0 mujer 1 0 1 0 0
231 8.33 15 33 26 0 mujer 1 1 1 0 0
232 3.00 11 2 0 0 mujer 0 0 1 0 0
233 5.75 14 6 5 0 mujer 1 0 1 0 0
234 6.76 12 19 3 1 mujer 1 2 1 0 0
235 10.00 12 29 0 0 mujer 1 2 1 0 0
236 3.00 12 2 0 0 mujer 0 0 1 0 0
237 3.50 18 3 1 0 hombre 0 0 1 0 0
238 3.25 12 4 0 0 mujer 0 0 1 0 0
239 4.00 12 10 1 1 hombre 0 0 1 0 0
240 2.92 12 4 0 0 hombre 0 1 0 0 1
241 3.06 12 14 10 1 hombre 0 3 0 0 1
242 3.20 12 15 5 0 hombre 1 1 0 0 1
243 4.75 12 19 0 0 mujer 1 3 0 0 1
244 3.00 14 17 0 0 hombre 1 4 1 0 1
245 18.16 16 29 7 0 mujer 1 1 1 0 1
246 3.50 12 2 0 0 hombre 0 2 1 0 1
247 4.11 14 5 0 0 mujer 0 0 0 0 1
248 1.96 11 38 3 1 hombre 0 0 0 0 1
249 4.29 12 3 0 0 hombre 0 0 0 0 1
250 3.00 10 47 0 0 mujer 0 0 0 0 1
251 6.45 12 7 6 0 mujer 1 0 0 0 1
252 5.20 6 47 13 1 mujer 1 0 1 0 1
253 4.50 13 23 2 1 hombre 0 0 1 0 1
254 3.88 12 12 3 0 mujer 1 3 1 0 1
255 3.45 10 11 0 0 hombre 0 2 1 0 1
256 10.91 12 25 23 0 mujer 0 0 1 0 1
257 4.10 14 6 0 0 hombre 1 0 1 0 1
258 3.00 13 3 1 0 mujer 0 0 1 0 1
259 5.90 12 14 7 1 mujer 1 2 1 0 1
260 18.00 18 13 0 0 hombre 0 0 1 0 1
261 4.00 12 9 0 0 mujer 0 0 1 0 1
262 3.00 12 1 0 1 mujer 0 0 1 0 1
263 3.55 12 6 0 0 hombre 1 1 0 0 0
264 3.00 12 11 1 0 hombre 1 2 0 0 0
265 8.75 12 47 44 0 mujer 1 0 0 0 0
266 2.90 8 49 6 0 hombre 0 1 0 0 0
267 6.26 13 37 17 0 hombre 1 0 1 0 0
268 3.50 13 2 0 0 hombre 0 0 1 0 0
269 4.60 14 7 0 0 hombre 1 0 1 0 0
270 6.00 12 22 8 0 mujer 0 2 1 0 0
271 2.89 10 8 0 0 hombre 0 1 1 0 0
272 5.58 16 1 1 0 mujer 1 0 1 0 0
273 4.00 12 43 6 0 hombre 1 0 0 0 0
274 6.00 16 2 2 0 mujer 0 0 1 0 0
275 4.50 12 2 1 0 hombre 0 2 1 0 0
276 2.92 14 1 3 0 mujer 0 0 1 0 0
277 4.33 18 1 0 0 mujer 0 0 1 0 0
278 18.89 17 26 20 0 mujer 1 2 1 0 0
279 4.28 13 1 1 0 hombre 0 2 1 0 0
280 4.57 14 37 7 0 hombre 1 0 1 0 0
281 6.25 15 12 4 0 hombre 1 2 1 0 0
282 2.95 14 41 23 1 mujer 1 0 0 1 0
283 8.75 12 24 1 0 mujer 0 0 1 1 0
284 8.50 8 38 26 0 mujer 0 0 1 1 0
285 3.75 12 18 0 0 hombre 1 4 1 1 0
286 3.15 12 26 1 0 mujer 1 0 1 1 0
287 5.00 8 45 2 0 mujer 0 0 0 1 0
288 6.46 12 27 0 0 mujer 1 3 0 1 0
289 2.00 9 2 0 0 mujer 0 3 0 1 0
290 4.79 12 41 8 0 mujer 1 0 1 1 0
291 5.78 16 11 4 0 mujer 1 2 1 1 0
292 3.18 12 5 0 0 hombre 1 0 1 1 0
293 4.68 16 3 1 0 hombre 0 0 1 1 0
294 4.10 12 3 2 0 hombre 0 0 1 1 0
295 2.91 12 4 0 0 mujer 1 0 1 0 1
296 6.00 13 21 13 0 mujer 1 4 0 0 1
297 3.60 10 34 26 0 hombre 1 0 0 0 1
298 3.95 6 49 6 0 mujer 1 6 0 0 1
299 7.00 12 6 5 1 mujer 1 1 0 0 1
300 3.00 12 26 9 0 hombre 1 0 0 0 1
301 6.08 16 9 0 0 mujer 0 0 0 0 1
302 8.63 12 23 9 0 mujer 1 1 0 0 1
303 3.00 8 33 2 0 mujer 1 0 0 0 1
304 3.75 12 5 2 0 hombre 1 1 0 0 1
305 2.90 6 49 7 0 mujer 1 0 0 0 1
306 3.00 4 48 0 1 mujer 1 0 0 0 1
307 6.25 11 35 31 0 mujer 1 0 1 0 1
308 3.50 11 23 2 1 hombre 0 2 0 0 1
309 3.00 7 26 1 0 hombre 0 3 0 0 1
310 3.24 12 16 0 0 hombre 1 2 1 0 1
311 8.02 18 23 3 0 hombre 1 1 1 0 1
312 3.33 12 36 8 0 hombre 1 1 1 0 1
313 5.25 16 4 0 0 mujer 0 0 1 0 1
314 6.25 12 10 0 0 mujer 1 3 1 0 1
315 3.50 14 18 2 0 mujer 1 1 0 1 0
316 2.95 12 3 1 0 mujer 0 1 0 1 0
317 3.00 10 7 0 0 hombre 1 2 0 1 0
318 4.69 10 7 7 0 mujer 0 0 0 1 0
319 3.73 9 33 2 0 hombre 0 1 0 1 0
320 4.00 10 34 12 0 mujer 1 0 0 1 0
321 4.00 12 8 0 0 hombre 1 2 0 1 0
322 2.90 12 17 1 0 hombre 1 2 0 1 0
323 3.05 12 2 0 0 hombre 0 1 0 1 0
324 5.05 10 5 0 0 hombre 0 0 1 1 0
325 13.95 16 41 16 0 mujer 1 0 1 1 0
326 18.16 16 35 28 0 mujer 1 1 1 1 0
327 6.25 16 11 4 0 mujer 0 0 1 1 0
328 5.25 12 4 0 1 mujer 0 0 1 1 0
329 4.79 12 12 3 0 hombre 1 3 1 1 0
330 3.35 7 35 0 0 hombre 0 1 1 0 1
331 3.00 8 33 0 0 mujer 1 1 1 0 1
332 8.43 16 8 6 0 mujer 1 0 1 0 1
333 5.70 16 2 0 0 mujer 0 0 1 0 1
334 11.98 18 8 10 0 mujer 1 2 1 0 1
335 3.50 13 29 1 0 hombre 1 0 0 0 1
336 4.24 10 14 5 1 mujer 1 1 0 0 1
337 7.00 16 26 3 0 hombre 1 1 1 0 1
338 6.00 14 11 3 0 hombre 1 2 1 0 1
339 12.22 16 10 2 0 mujer 0 0 1 0 1
340 4.50 12 13 0 0 mujer 1 0 1 0 1
341 3.00 9 23 20 0 hombre 1 2 0 0 1
342 2.90 11 1 2 1 mujer 0 2 0 0 1
343 15.00 11 35 31 0 mujer 1 0 0 0 1
344 4.00 12 5 2 0 mujer 1 0 0 0 1
345 5.25 11 13 11 0 mujer 1 2 0 0 1
346 4.00 12 22 3 0 mujer 1 3 0 0 1
347 3.30 12 21 9 0 hombre 1 2 0 0 1
348 5.05 12 19 0 0 hombre 1 3 0 0 1
349 3.58 12 13 0 0 mujer 0 0 1 0 1
350 5.00 14 15 5 0 mujer 1 2 0 0 1
351 4.57 14 3 0 0 mujer 1 0 0 0 1
352 12.50 18 6 2 0 mujer 0 0 1 0 1
353 3.45 12 6 5 0 hombre 1 0 1 0 1
354 4.63 12 16 1 0 hombre 0 0 1 0 1
355 10.00 12 31 2 0 mujer 1 0 1 0 1
356 2.92 11 1 0 0 hombre 0 1 0 1 0
357 4.51 12 5 2 0 mujer 0 0 1 1 0
358 6.50 17 3 0 0 mujer 1 0 1 1 0
359 7.50 16 11 0 0 mujer 1 0 1 1 0
360 3.54 13 6 7 0 hombre 1 0 0 1 0
361 4.20 13 11 3 0 hombre 1 2 1 1 0
362 3.51 12 7 2 0 hombre 1 0 1 1 0
363 4.50 14 5 0 0 mujer 1 0 1 1 0
364 3.35 14 5 4 0 hombre 1 0 1 1 0
365 2.91 11 2 2 0 mujer 0 2 1 1 0
366 5.25 10 44 7 0 mujer 1 1 1 1 0
367 4.05 8 44 25 0 mujer 1 0 1 1 0
368 3.75 14 13 0 0 hombre 1 3 1 1 0
369 3.40 12 26 15 0 hombre 1 1 1 1 0
370 3.00 10 2 1 0 hombre 0 1 1 0 1
371 6.29 17 10 3 0 mujer 1 1 1 0 1
372 2.54 9 2 0 0 hombre 0 1 1 0 1
373 4.50 12 35 0 0 hombre 1 1 1 0 1
374 3.13 12 6 5 0 hombre 1 1 1 0 1
375 6.36 14 8 1 0 mujer 1 0 1 0 1
376 4.68 16 1 0 0 mujer 0 0 1 0 1
377 6.80 12 14 10 0 mujer 1 2 0 0 1
378 8.53 10 14 6 0 mujer 1 0 0 0 1
379 4.17 0 22 10 0 hombre 0 0 0 0 1
380 3.75 14 8 4 0 hombre 1 0 0 0 1
381 11.10 15 1 4 0 hombre 0 2 0 0 1
382 3.26 16 15 5 1 hombre 1 2 1 0 1
383 9.13 12 14 12 0 mujer 1 3 1 0 1
384 4.50 11 37 10 0 mujer 1 2 1 0 1
385 3.00 11 1 1 0 hombre 0 1 1 0 1
386 8.75 12 4 4 0 mujer 1 0 1 0 1
387 4.14 13 29 0 0 hombre 1 0 1 0 1
388 2.87 12 45 8 0 hombre 1 0 0 1 0
389 3.35 13 22 0 0 hombre 0 2 0 1 0
390 6.08 16 42 10 0 mujer 0 0 0 1 0
391 3.00 15 9 0 1 mujer 0 0 0 1 0
392 4.20 16 8 0 0 hombre 1 1 1 1 0
393 5.60 15 31 15 0 hombre 0 2 1 1 0
394 10.00 12 24 24 0 mujer 1 0 1 1 0
395 12.50 18 16 5 0 mujer 1 1 1 1 0
396 3.76 6 6 0 0 mujer 0 4 0 0 1
397 3.10 6 14 0 1 hombre 0 5 1 0 1
398 4.29 12 47 25 0 hombre 1 2 1 0 1
399 10.92 12 34 5 0 mujer 1 0 0 0 1
400 7.50 16 6 2 0 hombre 1 1 1 0 1
401 4.05 9 7 4 0 hombre 1 1 1 0 1
402 4.65 12 27 2 0 mujer 1 3 1 0 1
403 5.00 11 24 5 0 mujer 1 0 1 0 1
404 2.90 10 18 0 0 hombre 1 2 0 0 1
405 8.00 12 12 3 1 hombre 0 1 0 0 1
406 8.43 8 27 3 0 mujer 1 3 1 0 1
407 2.92 9 49 0 0 hombre 0 0 1 0 1
408 6.25 17 4 0 0 hombre 0 0 1 0 0
409 6.25 16 24 2 0 hombre 1 2 1 0 0
410 5.11 11 3 0 0 mujer 0 0 1 0 0
411 4.00 10 2 0 0 hombre 0 1 1 0 0
412 4.44 8 29 11 0 mujer 1 3 0 0 1
413 6.88 13 34 21 0 mujer 1 0 0 0 1
414 5.43 14 10 3 1 mujer 1 1 1 0 1
415 3.00 13 5 0 0 hombre 0 1 1 0 1
416 2.90 11 2 0 0 hombre 0 2 1 0 1
417 6.25 7 39 21 1 mujer 1 0 1 0 1
418 4.34 16 5 2 1 hombre 0 0 1 0 1
419 3.25 12 14 2 0 hombre 1 2 0 0 1
420 7.26 13 8 2 0 mujer 0 0 1 0 1
421 6.35 14 10 1 0 hombre 1 2 1 0 1
422 5.63 16 2 2 0 mujer 1 0 1 0 0
423 8.75 14 9 3 0 mujer 1 1 1 0 0
424 3.20 11 1 0 0 mujer 0 0 0 0 0
425 3.00 8 45 1 0 hombre 1 0 0 0 0
426 3.00 14 33 3 0 hombre 1 0 1 0 0
427 12.50 17 21 18 0 mujer 1 3 1 0 0
428 2.88 10 2 0 0 hombre 0 3 1 0 0
429 3.35 12 9 1 0 mujer 1 0 1 1 0
430 6.50 12 33 2 0 mujer 1 0 0 1 0
431 10.38 18 16 2 1 mujer 1 1 1 1 0
432 4.50 14 10 0 0 mujer 1 0 1 1 0
433 10.00 18 9 8 0 mujer 0 0 0 1 0
434 3.81 12 8 1 0 hombre 1 2 0 1 0
435 8.80 16 9 1 0 mujer 1 0 0 0 1
436 9.42 14 23 0 0 hombre 1 2 0 0 1
437 6.33 12 23 8 0 mujer 1 2 0 0 1
438 4.00 9 22 18 1 mujer 0 0 0 0 1
439 2.90 12 37 0 0 hombre 1 0 0 0 1
440 20.00 12 22 4 0 mujer 1 1 0 0 1
441 11.25 17 28 25 0 mujer 1 1 1 0 1
442 3.50 12 14 0 1 hombre 0 2 1 0 1
443 6.00 15 19 4 0 hombre 1 2 1 0 1
444 14.38 17 10 9 1 mujer 1 1 0 0 1
445 6.36 16 25 0 0 mujer 1 1 1 0 1
446 3.55 12 21 0 0 hombre 1 1 0 0 1
447 3.00 15 32 0 0 mujer 1 0 1 0 1
448 4.50 16 21 10 0 mujer 1 1 1 0 1
449 6.63 12 36 0 0 hombre 0 0 1 0 1
450 9.30 15 2 2 0 mujer 1 0 1 0 1
451 3.00 12 11 0 0 hombre 1 2 1 0 1
452 3.25 12 40 2 0 hombre 0 0 0 1 0
453 1.50 12 11 1 0 hombre 1 2 0 1 0
454 5.90 12 9 7 0 hombre 1 1 1 1 0
455 8.00 16 23 4 0 mujer 0 0 1 1 0
456 2.90 11 1 0 0 hombre 0 1 1 1 0
457 3.29 14 30 13 0 mujer 0 0 1 1 0
458 6.50 14 41 33 0 mujer 1 0 1 1 0
459 4.00 13 6 0 0 hombre 0 1 1 1 0
460 6.00 14 11 0 0 mujer 1 0 0 1 0
461 4.08 12 43 17 0 hombre 1 0 1 1 0
462 3.75 12 39 2 0 hombre 1 0 1 1 0
463 3.05 8 50 24 0 hombre 0 0 0 0 1
464 3.50 12 26 20 0 hombre 1 0 0 0 1
465 2.92 3 51 30 1 mujer 0 0 1 0 1
466 4.50 11 3 9 0 mujer 0 0 1 0 1
467 3.35 15 3 1 0 hombre 1 2 1 0 1
468 5.95 11 15 9 1 mujer 1 1 0 0 1
469 8.00 12 17 6 0 mujer 1 2 0 0 1
470 3.00 4 36 0 0 mujer 1 1 0 0 1
471 5.00 9 31 9 1 mujer 1 6 0 0 1
472 5.50 12 9 4 0 mujer 1 1 0 0 1
473 2.65 12 42 10 0 hombre 1 0 1 0 0
474 3.00 11 3 0 0 hombre 0 2 1 0 0
475 4.50 12 37 14 0 hombre 1 0 0 0 0
476 17.50 16 23 22 0 mujer 1 3 1 0 0
477 8.18 13 21 5 0 mujer 0 0 1 0 0
478 9.09 15 11 12 0 mujer 1 1 1 0 0
479 11.82 16 35 13 0 mujer 1 0 1 0 0
480 3.25 12 42 0 0 hombre 1 0 1 0 0
481 4.50 12 3 0 0 mujer 0 0 1 0 0
482 4.50 12 13 0 0 mujer 1 0 1 0 0
483 3.71 9 14 7 0 mujer 1 2 0 0 1
484 6.50 10 14 11 0 mujer 1 3 0 0 1
485 2.90 12 39 1 0 hombre 1 0 0 0 1
486 5.60 11 11 8 0 mujer 1 2 0 0 1
487 2.23 8 28 3 0 mujer 1 4 0 0 1
488 5.00 6 18 0 0 hombre 1 3 1 0 0
489 8.33 16 6 2 0 mujer 1 0 1 0 0
490 2.90 12 26 1 0 hombre 0 4 1 0 1
491 6.25 12 21 6 0 mujer 1 3 1 0 1
492 4.55 16 34 2 0 mujer 1 0 0 0 1
493 3.28 12 17 2 0 hombre 0 0 0 0 1
494 2.30 10 2 0 0 hombre 0 4 1 1 0
495 3.30 13 5 0 0 hombre 0 0 1 1 0
496 3.15 13 1 0 0 hombre 0 4 1 1 0
497 12.50 14 40 30 0 mujer 1 0 1 1 0
498 5.15 16 39 21 0 hombre 0 0 1 0 0
499 3.13 10 1 1 0 mujer 0 2 1 0 0
500 7.25 12 14 5 0 mujer 1 3 1 0 0
501 2.90 12 2 2 0 hombre 0 0 1 0 0
502 1.75 11 2 1 0 mujer 0 2 1 0 0
503 2.89 0 42 0 0 hombre 1 2 0 0 0
504 2.90 5 34 0 0 hombre 1 5 0 0 0
505 17.71 16 10 3 0 mujer 1 1 1 0 0
506 6.25 16 4 3 0 mujer 1 0 0 0 0
507 2.60 9 4 0 0 mujer 0 1 0 0 0
508 6.63 15 21 3 0 hombre 1 2 0 0 0
509 3.50 12 31 3 1 hombre 0 1 1 0 0
510 6.50 12 20 14 0 mujer 1 3 1 0 0
511 3.00 12 36 1 1 hombre 0 0 1 0 0
512 4.38 13 7 0 1 mujer 1 1 1 0 0
513 10.00 12 15 0 0 mujer 0 1 0 0 0
514 4.95 7 25 17 0 mujer 1 5 0 0 0
515 9.00 17 7 0 0 hombre 1 2 0 0 0
516 1.43 12 17 0 0 hombre 1 2 0 0 0
517 3.08 12 3 1 0 mujer 0 0 0 0 0
518 9.33 14 12 11 0 mujer 1 3 0 0 0
519 7.50 12 18 5 0 mujer 1 2 0 0 0
520 4.75 13 47 1 0 mujer 1 0 0 0 0
521 5.65 12 2 0 0 mujer 0 0 0 0 0
522 15.00 16 14 2 0 hombre 1 2 0 0 0
523 2.27 10 2 0 0 hombre 0 3 0 0 0
524 4.67 15 13 18 0 mujer 1 3 0 0 0
525 11.56 16 5 1 0 mujer 1 0 0 0 0
526 3.50 14 5 4 1 hombre 0 2 0 0 0
west construc ndurman trcommpu trade services profserv profocc clerocc
1 1 0 0 0 0 0 0 0 0
2 1 0 0 0 0 1 0 0 0
3 1 0 0 0 1 0 0 0 0
4 1 0 0 0 0 0 0 0 1
5 1 0 0 0 0 0 0 0 0
6 1 0 0 0 0 0 1 1 0
7 1 0 0 0 1 0 0 1 0
8 1 0 0 0 0 0 0 1 0
9 1 0 0 0 1 0 0 1 0
10 1 0 0 0 0 0 0 1 0
11 1 0 0 0 1 0 0 1 0
12 1 0 0 0 0 0 1 0 1
13 1 0 0 0 0 0 0 0 0
14 1 0 0 0 0 0 0 0 0
15 1 0 0 0 0 0 0 1 0
16 1 0 0 0 0 0 1 1 0
17 1 0 0 0 0 0 0 0 1
18 1 0 0 0 0 0 1 1 0
19 1 0 0 0 0 0 0 0 0
20 1 0 0 0 0 0 1 0 0
21 1 0 0 0 0 0 1 1 0
22 1 0 0 0 0 0 0 0 0
23 1 0 0 0 0 0 0 1 0
24 1 0 0 0 0 1 0 0 0
25 1 0 0 0 0 1 0 0 0
26 1 0 1 0 0 0 0 1 0
27 1 0 0 1 0 0 0 0 0
28 1 0 0 0 0 0 0 1 0
29 1 0 0 0 0 0 0 1 0
30 1 0 0 0 0 0 0 0 0
31 1 0 0 0 0 0 1 1 0
32 1 0 0 0 1 0 0 0 0
33 1 0 0 0 0 0 0 1 0
34 1 0 0 0 0 0 0 0 1
35 1 0 0 0 0 1 0 0 1
36 1 0 0 0 1 0 0 1 0
37 1 0 0 0 0 1 0 0 0
38 1 0 0 0 1 0 0 0 0
39 1 0 0 0 0 0 1 0 1
40 1 0 0 0 0 0 1 0 1
41 1 0 0 0 0 1 0 0 0
42 1 0 0 0 0 0 1 0 1
43 1 0 0 0 0 0 1 0 1
44 1 0 0 0 0 0 1 0 0
45 1 0 0 0 0 0 0 0 0
46 1 0 0 0 0 0 1 1 0
47 1 0 0 0 0 1 0 0 0
48 1 0 0 0 1 0 0 1 0
49 1 0 0 0 1 0 0 1 0
50 1 0 0 0 0 1 0 0 0
51 0 0 0 0 0 1 0 0 0
52 0 0 0 0 0 0 1 1 0
53 0 0 0 0 1 0 0 0 1
54 0 0 0 0 0 0 0 0 0
55 0 0 0 0 0 0 0 0 0
56 0 0 0 0 1 0 0 0 0
57 0 0 0 0 1 0 0 0 0
58 0 0 0 0 1 0 0 0 0
59 0 0 0 0 0 0 1 1 0
60 0 0 0 0 1 0 0 0 0
61 0 0 1 0 0 0 0 1 0
62 0 0 0 0 0 0 1 1 0
63 0 0 0 0 1 0 0 0 0
64 0 0 0 0 0 0 1 0 1
65 0 0 0 0 0 0 1 1 0
66 0 0 0 0 0 0 0 1 0
67 0 0 0 0 0 0 1 1 0
68 0 0 0 0 0 0 1 1 0
69 0 0 0 0 0 0 1 1 0
70 0 0 0 0 0 1 0 0 0
71 0 0 0 0 1 0 0 0 1
72 0 0 0 0 0 0 1 1 0
73 0 0 0 0 0 0 0 0 0
74 0 0 0 0 0 1 0 0 1
75 0 1 0 0 0 0 0 0 1
76 0 0 0 0 0 0 1 1 0
77 0 0 0 0 0 0 1 0 1
78 0 0 0 0 1 0 0 0 1
79 0 0 0 0 0 0 0 0 0
80 0 0 0 0 0 0 1 1 0
81 0 0 0 0 0 0 0 0 0
82 0 0 1 0 0 0 0 0 0
83 0 0 0 0 0 0 1 0 0
84 0 0 0 0 0 0 0 1 0
85 0 0 0 0 0 0 1 0 0
86 0 0 0 0 1 0 0 1 0
87 0 0 0 0 0 0 1 0 1
88 0 0 0 0 0 0 1 1 0
89 0 0 0 0 0 0 0 0 0
90 0 0 0 0 0 0 0 0 0
91 0 0 0 1 0 0 0 0 0
92 0 0 0 1 0 0 0 1 0
93 0 0 0 0 1 0 0 1 0
94 0 0 0 0 0 0 1 0 0
95 0 0 0 0 0 0 1 1 0
96 0 0 0 0 0 1 0 0 0
97 0 0 1 0 0 0 0 1 0
98 0 0 0 0 1 0 0 1 0
99 0 0 0 0 1 0 0 0 0
100 0 0 0 0 1 0 0 0 0
101 0 0 1 0 0 0 0 1 0
102 0 0 0 0 0 1 0 0 0
103 0 0 0 0 0 0 1 0 1
104 0 0 0 1 0 0 0 0 1
105 0 0 0 0 0 0 0 0 0
106 0 0 0 0 0 0 1 1 0
107 0 0 0 0 1 0 0 1 0
108 0 0 0 0 0 0 0 0 0
109 0 0 0 0 1 0 0 1 0
110 0 0 0 0 0 1 0 1 0
111 0 0 0 0 1 0 0 1 0
112 0 0 0 0 0 0 0 1 0
113 0 0 0 0 0 1 0 0 0
114 0 0 0 0 1 0 0 1 0
115 0 0 0 0 0 0 1 1 0
116 0 0 0 0 1 0 0 0 0
117 0 0 0 0 0 0 1 0 1
118 0 0 0 0 0 0 1 0 0
119 0 0 0 0 1 0 0 0 0
120 0 0 1 0 0 0 0 0 0
121 0 0 0 0 1 0 0 1 0
122 0 0 0 0 0 0 1 0 0
123 0 0 0 0 1 0 0 1 0
124 0 0 0 0 0 0 0 0 1
125 0 0 0 0 0 0 1 1 0
126 0 0 0 0 0 0 1 1 0
127 0 0 0 0 0 0 0 0 0
128 0 0 0 0 1 0 0 0 0
129 0 0 0 0 0 0 1 0 0
130 0 0 0 0 1 0 0 0 0
131 0 0 0 0 1 0 0 1 0
132 0 0 0 0 1 0 0 1 0
133 0 0 0 0 0 0 1 0 0
134 0 0 1 0 0 0 0 0 0
135 0 0 0 0 1 0 0 0 0
136 0 0 0 0 1 0 0 0 0
137 0 0 0 0 1 0 0 0 0
138 0 0 0 0 0 0 0 1 0
139 0 0 0 0 0 0 1 0 0
140 0 0 1 0 0 0 0 1 0
141 0 0 1 0 0 0 0 1 0
142 0 1 0 0 0 0 0 0 0
143 0 0 0 0 0 0 0 0 0
144 0 0 0 0 0 0 1 0 1
145 0 0 0 0 0 0 0 0 1
146 0 0 0 1 0 0 0 0 0
147 0 0 0 0 1 0 0 0 0
148 0 0 0 0 0 0 1 0 1
149 0 1 0 0 0 0 0 0 1
150 0 0 0 0 0 1 0 0 0
151 0 0 0 0 0 0 0 0 0
152 0 0 0 0 0 0 0 0 0
153 0 0 0 0 1 0 0 0 0
154 0 0 0 1 0 0 0 0 1
155 0 0 1 0 0 0 0 0 0
156 0 0 0 0 0 0 0 1 0
157 0 0 0 0 0 0 1 1 0
158 0 0 0 1 0 0 0 1 0
159 0 0 0 0 1 0 0 0 0
160 0 0 0 0 0 0 1 1 0
161 0 0 0 0 1 0 0 0 0
162 0 0 0 0 1 0 0 1 0
163 0 0 0 0 0 1 0 1 0
164 0 0 0 0 1 0 0 0 1
165 0 0 1 0 0 0 0 1 0
166 0 0 0 0 0 1 0 0 0
167 0 0 0 0 0 0 1 0 0
168 0 0 0 0 0 0 1 1 0
169 0 0 0 0 0 0 1 0 0
170 0 0 0 0 0 0 1 1 0
171 0 0 0 0 0 0 1 1 0
172 0 0 0 0 0 0 0 0 0
173 0 0 0 1 0 0 0 0 1
174 0 0 1 0 0 0 0 0 0
175 0 0 0 0 0 0 0 0 0
176 0 0 0 0 0 0 1 0 1
177 0 0 0 0 0 0 1 1 0
178 0 0 0 0 0 0 1 1 0
179 0 0 0 0 0 0 1 1 0
180 0 0 1 0 0 0 0 0 0
181 0 0 1 0 0 0 0 1 0
182 0 0 0 0 0 0 1 1 0
183 0 0 0 0 0 0 1 1 0
184 0 0 0 0 1 0 0 0 0
185 0 0 0 0 0 0 1 0 0
186 0 0 0 0 1 0 0 1 0
187 0 0 1 0 0 0 0 1 0
188 0 0 0 0 1 0 0 0 0
189 0 0 0 0 1 0 0 1 0
190 0 0 0 0 0 0 0 0 0
191 0 0 0 0 0 0 0 0 0
192 0 0 0 0 0 0 1 1 0
193 0 0 0 0 1 0 0 0 0
194 0 0 0 0 0 0 1 1 0
195 0 0 0 0 0 1 0 1 0
196 0 0 0 0 1 0 0 1 0
197 0 0 0 0 0 0 1 0 1
198 0 1 0 0 0 0 0 1 0
199 0 0 0 0 0 0 0 1 0
200 0 0 0 0 1 0 0 1 0
201 0 0 0 0 0 0 1 0 0
202 0 0 0 0 0 0 0 1 0
203 0 1 0 0 0 0 0 0 0
204 0 0 0 0 1 0 0 0 0
205 0 0 0 0 0 1 0 0 1
206 0 0 1 0 0 0 0 0 0
207 0 0 0 0 0 0 1 1 0
208 0 0 0 0 0 0 0 0 0
209 0 0 0 0 1 0 0 0 0
210 0 0 0 0 1 0 0 0 1
211 0 0 0 0 0 0 1 0 0
212 0 0 0 0 1 0 0 0 1
213 0 0 0 0 0 0 1 0 0
214 0 0 0 0 0 0 0 0 0
215 0 0 0 0 0 0 0 1 0
216 0 0 0 0 1 0 0 0 0
217 0 0 0 0 0 0 1 1 0
218 0 0 0 0 0 0 1 1 0
219 0 0 0 0 0 0 0 0 0
220 0 0 0 0 0 0 1 0 1
221 0 0 0 0 1 0 0 0 0
222 0 0 0 0 1 0 0 0 0
223 0 1 0 0 0 0 0 0 1
224 0 0 0 0 0 0 1 0 1
225 0 0 1 0 0 0 0 1 0
226 0 0 1 0 0 0 0 0 0
227 0 0 0 0 1 0 0 1 0
228 0 0 0 0 0 1 0 0 0
229 0 0 0 0 0 0 0 1 0
230 0 0 0 0 0 0 1 1 0
231 0 0 0 0 0 0 1 1 0
232 0 0 0 0 1 0 0 0 0
233 0 0 0 0 1 0 0 1 0
234 0 0 1 0 0 0 0 0 0
235 0 0 0 0 0 0 1 0 1
236 0 1 0 0 0 0 0 0 0
237 0 0 0 1 0 0 0 1 0
238 0 0 0 0 0 1 0 0 0
239 0 0 0 0 0 0 1 0 1
240 0 0 0 0 1 0 0 1 0
241 0 0 0 0 1 0 0 0 0
242 0 0 0 0 0 0 1 1 0
243 0 0 0 0 0 0 0 0 0
244 0 0 0 0 0 1 0 0 1
245 0 0 1 0 0 0 0 1 0
246 0 0 0 1 0 0 0 0 1
247 0 0 0 0 0 0 1 1 0
248 0 0 0 0 0 1 0 0 0
249 0 0 0 0 1 0 0 0 0
250 0 0 0 0 0 1 0 0 0
251 0 0 0 0 1 0 0 0 0
252 0 1 0 0 0 0 0 0 0
253 0 0 0 0 1 0 0 1 0
254 0 0 0 0 1 0 0 0 1
255 0 0 0 0 1 0 0 0 0
256 0 0 0 1 0 0 0 0 0
257 0 0 0 0 0 1 0 0 0
258 0 0 0 0 1 0 0 0 0
259 0 0 0 0 0 1 0 0 0
260 0 0 0 0 0 0 1 1 0
261 0 0 0 0 0 0 1 1 0
262 0 0 0 0 0 1 0 0 0
263 0 0 0 0 0 0 0 0 0
264 0 0 0 0 0 1 0 0 0
265 0 0 0 0 0 0 0 0 0
266 0 0 1 0 0 0 0 0 0
267 0 0 0 0 0 0 1 1 0
268 0 0 0 0 1 0 0 1 0
269 0 0 0 0 1 0 0 0 1
270 0 0 0 0 1 0 0 1 0
271 0 0 0 0 0 0 0 0 0
272 0 0 0 0 0 0 1 0 1
273 0 0 0 1 0 0 0 0 0
274 0 0 1 0 0 0 0 0 0
275 0 1 0 0 0 0 0 0 0
276 0 0 0 0 0 0 1 0 1
277 0 0 0 0 1 0 0 1 0
278 0 0 0 0 0 0 1 1 0
279 0 0 0 0 1 0 0 1 0
280 0 0 0 0 0 1 0 0 0
281 0 0 0 0 0 0 1 1 0
282 0 0 0 0 0 0 1 1 0
283 0 0 1 0 0 0 0 1 0
284 0 0 0 0 0 0 0 0 0
285 0 0 0 0 0 0 1 0 1
286 0 0 0 0 1 0 0 1 0
287 0 0 1 0 0 0 0 0 0
288 0 0 0 0 0 0 0 0 0
289 0 0 0 0 1 0 0 0 0
290 0 0 0 0 1 0 0 1 0
291 0 0 1 0 0 0 0 1 0
292 0 0 0 0 0 0 1 0 0
293 0 0 0 0 0 0 1 1 0
294 0 0 0 0 0 0 1 0 0
295 0 0 0 0 1 0 0 0 0
296 0 0 1 0 0 0 0 0 0
297 0 0 1 0 0 0 0 0 0
298 0 0 0 0 0 0 0 0 0
299 0 1 0 0 0 0 0 0 0
300 0 0 0 0 0 1 0 0 0
301 0 0 0 0 0 1 0 1 0
302 0 0 1 0 0 0 0 0 0
303 0 0 1 0 0 0 0 0 0
304 0 0 0 0 0 0 1 0 1
305 0 0 0 0 0 0 0 0 0
306 0 0 1 0 0 0 0 0 0
307 0 0 0 0 1 0 0 0 0
308 0 0 1 0 0 0 0 0 0
309 0 0 0 0 1 0 0 0 0
310 0 0 0 0 1 0 0 0 1
311 0 0 0 0 0 0 1 1 0
312 0 0 0 0 0 0 1 0 1
313 0 0 1 0 0 0 0 1 0
314 0 1 0 0 0 0 0 0 0
315 0 0 0 0 1 0 0 1 0
316 0 0 0 0 1 0 0 0 0
317 0 0 0 0 0 0 1 0 0
318 0 0 0 0 0 0 0 0 0
319 0 0 0 0 0 0 0 0 0
320 0 0 0 0 0 0 0 0 0
321 0 0 0 0 1 0 0 1 0
322 0 0 1 0 0 0 0 0 0
323 0 0 0 0 0 0 1 0 0
324 0 0 0 0 0 0 1 0 1
325 0 0 1 0 0 0 0 1 0
326 0 0 1 0 0 0 0 1 0
327 0 0 0 0 0 1 0 1 0
328 0 0 1 0 0 0 0 0 1
329 0 0 0 0 0 0 1 1 0
330 0 0 0 0 0 0 0 0 0
331 0 0 0 1 0 0 0 0 0
332 0 0 1 0 0 0 0 1 0
333 0 0 0 0 1 0 0 1 0
334 0 0 0 1 0 0 0 1 0
335 0 0 0 0 0 0 1 0 1
336 0 0 0 0 1 0 0 0 0
337 0 0 0 0 0 0 1 1 0
338 0 0 0 0 0 0 1 0 1
339 0 0 0 0 0 0 1 1 0
340 0 0 0 0 1 0 0 0 0
341 0 0 1 0 0 0 0 0 0
342 0 0 0 0 1 0 0 0 0
343 0 0 1 0 0 0 0 0 0
344 0 1 0 0 0 0 0 0 0
345 0 0 1 0 0 0 0 0 0
346 0 0 1 0 0 0 0 0 0
347 0 0 0 0 1 0 0 1 0
348 0 0 0 0 0 0 1 0 1
349 0 0 0 0 0 1 0 0 0
350 0 0 0 0 1 0 0 1 0
351 0 0 0 0 0 0 1 1 0
352 0 0 0 0 0 1 0 0 1
353 0 0 0 0 1 0 0 0 1
354 0 0 0 0 0 0 1 0 1
355 0 0 0 0 1 0 0 1 0
356 0 0 0 0 1 0 0 0 0
357 0 0 0 0 1 0 0 0 0
358 0 0 0 0 0 0 1 1 0
359 0 0 0 0 0 1 0 1 0
360 0 0 0 0 0 0 1 0 1
361 0 0 0 0 1 0 0 0 1
362 0 0 0 0 1 0 0 0 1
363 0 1 0 0 0 0 0 1 0
364 0 0 0 0 1 0 0 1 0
365 0 0 0 0 1 0 0 0 0
366 0 0 0 0 0 0 0 0 0
367 0 0 1 0 0 0 0 0 0
368 0 0 0 0 1 0 0 0 1
369 0 1 0 0 0 0 0 0 1
370 0 0 0 0 1 0 0 0 1
371 0 0 0 0 0 1 0 1 0
372 0 0 0 0 1 0 0 0 0
373 0 0 0 0 1 0 0 0 1
374 0 0 0 0 0 0 1 0 1
375 0 0 0 0 1 0 0 1 0
376 0 0 1 0 0 0 0 1 0
377 0 0 1 0 0 0 0 0 0
378 0 0 0 0 0 0 0 0 0
379 0 0 0 0 0 1 0 0 0
380 0 0 0 1 0 0 0 1 0
381 0 0 0 0 0 0 1 0 1
382 0 0 0 0 1 0 0 1 0
383 0 0 1 0 0 0 0 1 0
384 0 0 1 0 0 0 0 0 0
385 0 0 0 0 0 0 1 0 0
386 0 0 0 0 0 0 1 0 1
387 0 0 0 0 1 0 0 0 1
388 0 0 0 0 1 0 0 1 0
389 0 0 0 0 1 0 0 0 1
390 0 0 0 0 1 0 0 1 0
391 0 0 0 0 0 1 0 0 0
392 0 0 0 0 0 0 1 0 1
393 0 0 0 0 0 0 1 0 0
394 0 0 1 0 0 0 0 0 0
395 0 0 0 0 0 0 1 1 0
396 0 0 0 0 0 0 0 0 0
397 0 0 0 0 1 0 0 0 1
398 0 0 1 0 0 0 0 0 1
399 0 0 0 0 0 0 1 1 0
400 0 0 0 0 0 0 1 1 0
401 0 0 0 0 0 0 0 0 0
402 0 0 0 0 0 0 0 0 0
403 0 0 0 0 1 0 0 0 0
404 0 0 0 0 1 0 0 0 1
405 0 0 0 0 0 0 0 0 0
406 0 0 1 0 0 0 0 0 0
407 0 0 0 0 0 1 0 0 0
408 1 0 0 0 1 0 0 1 0
409 1 0 0 0 0 0 1 1 0
410 1 1 0 0 0 0 0 0 0
411 1 0 0 0 0 1 0 0 0
412 0 0 0 0 1 0 0 1 0
413 0 0 0 0 0 1 0 1 0
414 0 0 0 0 1 0 0 1 0
415 0 0 0 0 0 0 1 0 0
416 0 0 0 0 1 0 0 1 0
417 0 0 0 0 1 0 0 0 0
418 0 0 0 0 0 0 1 0 1
419 0 0 0 1 0 0 0 0 1
420 0 0 0 0 1 0 0 1 0
421 0 0 0 0 0 0 0 0 0
422 0 0 0 0 1 0 0 0 0
423 0 0 1 0 0 0 0 1 0
424 0 0 0 0 1 0 0 0 0
425 0 0 0 0 0 0 0 0 0
426 0 0 0 0 0 0 1 0 0
427 0 0 0 0 0 0 0 1 0
428 0 0 0 0 1 0 0 0 1
429 0 0 0 0 1 0 0 0 0
430 0 0 0 0 0 0 0 0 0
431 0 0 0 0 0 0 1 1 0
432 0 0 0 0 0 0 1 0 0
433 0 0 0 1 0 0 0 1 0
434 0 0 0 0 0 1 0 0 0
435 0 0 0 0 0 0 1 1 0
436 0 0 0 0 0 1 0 0 0
437 0 0 0 0 0 0 0 1 0
438 0 0 0 0 0 0 0 0 0
439 0 0 0 0 1 0 0 1 0
440 0 0 0 0 1 0 0 1 0
441 0 0 1 0 0 0 0 0 0
442 0 1 0 0 0 0 0 0 0
443 0 0 0 0 0 0 1 0 0
444 0 0 1 0 0 0 0 1 0
445 0 0 1 0 0 0 0 1 0
446 0 0 1 0 0 0 0 0 0
447 0 0 0 0 0 1 0 0 0
448 0 0 0 0 1 0 0 1 0
449 0 0 0 0 1 0 0 0 1
450 0 0 0 0 1 0 0 0 0
451 0 0 0 0 1 0 0 1 0
452 0 0 0 0 1 0 0 0 0
453 0 0 0 0 0 0 1 0 0
454 0 0 0 0 0 0 0 0 0
455 0 0 0 0 1 0 0 1 0
456 0 0 0 0 1 0 0 1 0
457 0 0 0 0 1 0 0 1 0
458 0 0 0 0 1 0 0 1 0
459 0 1 0 0 0 0 0 0 1
460 0 0 0 0 1 0 0 0 0
461 0 0 0 0 0 0 1 0 1
462 0 0 0 0 0 1 0 1 0
463 0 0 1 0 0 0 0 0 0
464 0 0 1 0 0 0 0 0 0
465 0 0 0 0 0 1 0 0 0
466 0 1 0 0 0 0 0 0 0
467 0 0 0 0 0 1 0 0 1
468 0 1 0 0 0 0 0 0 0
469 0 0 0 0 1 0 0 1 0
470 0 1 0 0 0 0 0 0 0
471 0 0 0 0 0 0 0 0 0
472 0 0 0 0 1 0 0 0 0
473 1 0 0 0 0 1 0 0 1
474 1 0 0 0 1 0 0 0 0
475 1 0 0 0 0 0 1 0 1
476 1 0 0 0 1 0 0 1 0
477 1 0 0 0 1 0 0 1 0
478 1 0 0 1 0 0 0 1 0
479 1 0 0 1 0 0 0 1 0
480 1 0 0 0 1 0 0 1 0
481 1 0 0 0 0 0 0 0 0
482 1 0 0 0 0 0 0 0 0
483 0 0 1 0 0 0 0 0 0
484 0 0 0 0 1 0 0 0 0
485 0 0 0 0 0 0 1 0 0
486 0 0 0 0 0 0 0 0 1
487 0 0 0 0 0 0 1 1 0
488 1 0 0 0 1 0 0 0 0
489 1 0 0 1 0 0 0 0 1
490 0 0 0 0 1 0 0 0 1
491 0 0 0 0 1 0 0 1 0
492 0 0 0 0 0 0 1 1 0
493 0 0 0 0 0 0 1 0 0
494 0 0 0 0 1 0 0 0 0
495 0 0 0 0 0 0 1 1 0
496 0 0 0 1 0 0 0 0 1
497 0 0 0 0 0 0 0 1 0
498 1 0 0 0 0 0 1 0 1
499 1 0 0 0 1 0 0 0 0
500 1 0 0 1 0 0 0 0 0
501 1 0 0 0 0 0 1 0 1
502 1 0 0 0 1 0 0 0 0
503 1 0 0 0 0 1 0 0 0
504 1 0 1 0 0 0 0 0 0
505 1 1 0 0 0 0 0 1 0
506 1 0 0 1 0 0 0 0 0
507 1 0 0 0 1 0 0 0 0
508 1 0 0 0 0 0 1 1 0
509 1 0 0 0 0 1 0 0 0
510 1 0 0 0 1 0 0 0 0
511 1 0 0 0 0 1 0 0 0
512 1 0 1 0 0 0 0 0 0
513 0 0 0 0 0 1 0 1 0
514 0 1 0 0 0 0 0 0 0
515 0 0 0 0 0 0 1 1 0
516 0 0 0 0 1 0 0 0 0
517 0 0 0 0 0 0 1 1 0
518 0 0 0 0 0 0 1 1 0
519 1 0 0 0 1 0 0 0 0
520 1 0 0 0 1 0 0 0 0
521 1 1 0 0 0 0 0 0 0
522 1 0 0 0 0 0 1 1 0
523 1 0 0 0 1 0 0 1 0
524 1 1 0 0 0 0 0 1 0
525 1 0 1 0 0 0 0 0 0
526 1 0 0 0 0 0 1 0 1
servocc lwage expersq tenursq
1 0 1.1314021 4 0
2 1 1.1755733 484 4
3 0 1.0986123 4 0
4 0 1.7917595 1936 784
5 0 1.6677068 49 4
6 0 2.1690538 81 64
7 0 2.4203682 225 49
8 0 1.6094379 25 9
9 0 1.2809339 676 16
10 0 2.9003222 484 441
11 0 1.8325815 64 4
12 0 2.0955610 9 0
13 0 2.1713369 225 0
14 0 1.7047480 324 9
15 0 3.1000924 961 225
16 0 2.8524392 196 0
17 0 2.0149031 100 0
18 0 2.3636801 256 100
19 0 1.2809339 169 0
20 1 1.5040774 1296 36
21 0 1.9286187 121 16
22 0 2.1377103 841 169
23 0 1.8453002 81 81
24 1 -0.6348783 9 1
25 0 1.7917595 1369 64
26 0 2.2575877 9 9
27 0 2.0515563 121 100
28 0 2.5257287 961 0
29 0 2.5257287 900 0
30 0 1.1786550 81 1
31 0 2.5649493 529 25
32 0 1.5040774 4 25
33 0 2.2700620 256 256
34 0 1.6094379 49 9
35 0 1.5432981 9 0
36 0 1.4516138 484 16
37 1 1.8164521 225 36
38 0 1.2556161 1521 225
39 0 1.0986123 9 9
40 0 1.8325815 121 0
41 1 2.0554049 9 0
42 0 2.3025851 400 25
43 0 1.5040774 256 0
44 1 1.3862944 2025 144
45 0 1.8531681 121 16
46 0 2.6173959 400 169
47 0 0.5128236 1 0
48 0 1.0750024 1296 4
49 0 1.2947272 81 4
50 1 1.0647107 225 1
51 1 0.4885800 324 0
52 0 2.1517622 9 4
53 0 1.6094379 225 25
54 0 1.7917595 49 49
55 0 0.9162908 4 0
56 1 1.1786550 9 0
57 1 1.2237755 1 1
58 0 2.3025851 169 0
59 0 3.0740812 64 64
60 1 1.4770488 49 0
61 0 2.4604433 1600 400
62 0 2.5168898 1764 25
63 1 1.8325815 1296 64
64 0 1.3110319 169 0
65 0 2.0515563 81 9
66 0 2.9947317 676 529
67 0 1.8325815 49 16
68 0 2.3025851 625 9
69 0 1.7422190 100 25
70 0 0.6931472 9 4
71 0 1.7422190 9 0
72 0 2.5710843 289 4
73 0 1.5912739 289 64
74 0 1.0681531 400 1156
75 0 1.3217559 49 0
76 0 2.4765384 576 361
77 0 1.3862944 784 0
78 0 1.1314021 4 1
79 0 2.1341665 361 169
80 0 1.9657128 169 0
81 0 1.5040774 484 25
82 0 1.5368673 9 1
83 1 1.0647107 16 0
84 0 1.8976198 49 25
85 1 1.2527629 36 4
86 0 1.1817272 169 9
87 0 1.1786550 196 0
88 0 2.0794415 196 16
89 0 2.2874715 1600 576
90 0 2.0149031 121 49
91 0 1.7766458 196 36
92 0 2.4647040 1600 1521
93 0 1.0986123 1 0
94 1 1.5706971 4 0
95 0 1.8718022 16 1
96 1 1.3862944 361 1
97 0 1.2527629 1 0
98 0 2.5771818 1156 484
99 0 1.4469190 25 4
100 1 1.2527629 9 0
101 0 1.6351057 36 36
102 1 1.3217559 196 0
103 0 1.5040774 1225 144
104 0 2.0320878 64 16
105 0 2.7080503 49 49
106 0 1.9242487 121 9
107 0 2.5900171 196 121
108 0 1.8976198 1225 100
109 0 0.9282193 2116 0
110 0 2.2823825 49 0
111 0 1.2149127 2025 144
112 0 3.2180755 841 625
113 0 1.6863990 36 9
114 0 1.8099267 225 0
115 0 1.4350845 1089 256
116 0 1.3217559 225 0
117 0 1.2527629 25 0
118 1 1.2919837 49 4
119 0 1.3350011 36 1
120 0 1.0986123 1089 144
121 0 1.6094379 4 1
122 1 1.5325569 16 0
123 0 1.0986123 1 0
124 0 1.1631508 841 0
125 0 1.3635374 289 9
126 0 1.8609746 289 9
127 0 1.7011051 1296 9
128 0 0.4054651 961 900
129 1 1.0647107 529 4
130 0 1.6094379 169 1
131 0 2.1882958 9 9
132 0 1.6094379 225 0
133 0 1.2584610 2304 1
134 0 1.0647107 36 0
135 0 1.5040774 144 0
136 1 0.8109302 25 0
137 0 1.6094379 361 25
138 0 2.3025851 81 9
139 1 1.3217559 1521 169
140 0 2.3025851 784 121
141 0 2.3933394 529 400
142 0 2.0668628 4 0
143 0 1.5518087 225 1
144 0 1.7647308 25 0
145 0 1.3428648 324 4
146 0 1.1631508 4 4
147 1 0.6931472 9 0
148 0 1.5040774 961 16
149 0 2.4466856 400 25
150 0 0.7608059 1156 225
151 1 0.8671005 25 0
152 0 1.3217559 121 0
153 0 1.7083778 961 9
154 0 1.8718022 64 25
155 0 1.1314021 4 4
156 0 2.3025851 324 25
157 0 1.8916048 9 0
158 0 2.3025851 9 4
159 1 0.8372475 16 1
160 0 1.9286187 16 16
161 0 1.0402766 1 0
162 0 1.1410331 1 0
163 0 2.0794415 784 25
164 0 1.5040774 2209 16
165 0 2.1575594 169 1
166 1 0.6931472 4 36
167 1 1.5581446 2304 4
168 0 1.8325815 36 25
169 1 1.7917595 64 0
170 0 2.7330680 625 441
171 0 2.6796508 169 49
172 0 2.5257287 64 1
173 0 1.6582280 361 100
174 1 0.7747272 1 16
175 0 1.9657128 1849 25
176 0 1.8277699 361 81
177 0 2.1972246 121 25
178 0 2.3025851 1849 16
179 0 1.7526721 1936 9
180 0 1.3862944 484 121
181 0 2.1690538 9 4
182 0 1.8764070 9 4
183 0 2.0281482 1681 121
184 0 1.6094379 25 0
185 1 1.6094379 196 121
186 0 3.0846586 576 256
187 0 2.1564026 784 64
188 0 1.1939224 625 64
189 0 1.4906543 9 0
190 0 1.5151273 121 0
191 0 1.2527629 49 36
192 0 1.8325815 81 4
193 0 1.3480731 25 0
194 0 1.8213183 81 9
195 0 1.0681531 1 0
196 0 1.8325815 4 1
197 0 1.8325815 169 0
198 0 2.2027647 100 4
199 0 2.3025851 25 9
200 0 2.4078455 900 64
201 1 1.9286187 961 361
202 0 2.1690538 1 4
203 0 2.3025851 81 0
204 0 1.1151416 100 0
205 0 1.0986123 1444 0
206 0 1.7578579 361 36
207 0 1.4109869 25 0
208 0 2.0794415 676 4
209 0 1.8164521 1225 144
210 0 0.9932518 4 0
211 1 1.0116010 1 4
212 0 1.0986123 361 100
213 1 1.0986123 9 4
214 0 1.9960599 1296 576
215 0 2.0149031 841 576
216 0 1.2527629 1 4
217 0 2.0918641 1444 9
218 0 1.3217559 1 4
219 0 1.1786550 841 0
220 0 1.7630169 1296 225
221 1 1.2527629 16 0
222 0 1.2029723 2025 16
223 0 1.3862944 484 9
224 0 1.2527629 400 16
225 0 1.8325815 25 0
226 0 1.0818052 225 4
227 0 1.7422190 100 4
228 0 1.0986123 9 0
229 0 3.1293886 256 49
230 0 2.1972246 1444 1
231 0 2.1198635 1089 676
232 0 1.0986123 4 0
233 0 1.7491999 36 25
234 0 1.9110229 361 9
235 0 2.3025851 841 0
236 0 1.0986123 4 0
237 0 1.2527629 9 1
238 0 1.1786550 16 0
239 0 1.3862944 100 1
240 0 1.0715836 16 0
241 0 1.1184149 196 100
242 0 1.1631508 225 25
243 0 1.5581446 361 0
244 0 1.0986123 289 0
245 0 2.8992214 841 49
246 0 1.2527629 4 0
247 0 1.4134231 25 0
248 0 0.6729445 1444 9
249 1 1.4562867 9 0
250 1 1.0986123 2209 0
251 0 1.8640801 49 36
252 0 1.6486586 2209 169
253 0 1.5040774 529 4
254 0 1.3558352 144 9
255 1 1.2383742 121 0
256 0 2.3896797 625 529
257 1 1.4109869 36 0
258 0 1.0986123 9 1
259 0 1.7749524 196 49
260 0 2.8903718 169 0
261 0 1.3862944 81 0
262 0 1.0986123 1 0
263 0 1.2669476 36 0
264 1 1.0986123 121 1
265 0 2.1690538 2209 1936
266 0 1.0647107 2401 36
267 0 1.8341802 1369 289
268 0 1.2527629 4 0
269 0 1.5260563 49 0
270 0 1.7917595 484 64
271 0 1.0612565 64 0
272 0 1.7191888 1 1
273 0 1.3862944 1849 36
274 0 1.7917595 4 4
275 0 1.5040774 4 1
276 0 1.0715836 1 9
277 0 1.4655675 1 0
278 0 2.9386327 676 400
279 0 1.4539530 1 1
280 1 1.5195132 1369 49
281 0 1.8325815 144 16
282 0 1.0818052 1681 529
283 0 2.1690538 576 1
284 0 2.1400661 1444 676
285 0 1.3217559 324 0
286 0 1.1474025 676 1
287 0 1.6094379 2025 4
288 0 1.8656293 729 0
289 1 0.6931472 4 0
290 0 1.5665303 1681 64
291 0 1.7544037 121 16
292 1 1.1568812 25 0
293 0 1.5432981 9 1
294 1 1.4109869 9 4
295 0 1.0681531 16 0
296 0 1.7917595 441 169
297 0 1.2809339 1156 676
298 0 1.3737156 2401 36
299 0 1.9459101 36 25
300 1 1.0986123 676 81
301 0 1.8050047 81 0
302 0 2.1552446 529 81
303 0 1.0986123 1089 4
304 0 1.3217559 25 4
305 1 1.0647107 2401 49
306 0 1.0986123 2304 0
307 0 1.8325815 1225 961
308 0 1.2527629 529 4
309 1 1.0986123 676 1
310 0 1.1755733 256 0
311 0 2.0819385 529 9
312 0 1.2029723 1296 64
313 0 1.6582280 16 0
314 0 1.8325815 100 0
315 0 1.2527629 324 4
316 0 1.0818052 9 1
317 1 1.0986123 49 0
318 0 1.5454326 49 49
319 0 1.3164083 1089 4
320 0 1.3862944 1156 144
321 0 1.3862944 64 0
322 0 1.0647107 289 1
323 1 1.1151416 4 0
324 0 1.6193882 25 0
325 0 2.6354795 1681 256
326 0 2.8992214 1225 784
327 0 1.8325815 121 16
328 0 1.6582280 16 0
329 0 1.5665303 144 9
330 0 1.2089603 1225 0
331 0 1.0986123 1089 0
332 0 2.1317968 64 36
333 0 1.7404661 4 0
334 0 2.4832385 64 100
335 0 1.2527629 841 1
336 0 1.4445633 196 25
337 0 1.9459101 676 9
338 0 1.7917595 121 9
339 0 2.5030739 100 4
340 0 1.5040774 169 0
341 0 1.0986123 529 400
342 1 1.0647107 1 4
343 0 2.7080503 1225 961
344 0 1.3862944 25 4
345 0 1.6582280 169 121
346 0 1.3862944 484 9
347 0 1.1939224 441 81
348 0 1.6193882 361 0
349 0 1.2753627 169 0
350 0 1.6094379 225 25
351 0 1.5195132 9 0
352 0 2.5257287 36 4
353 0 1.2383742 36 25
354 0 1.5325569 256 1
355 0 2.3025851 961 4
356 1 1.0715836 1 0
357 0 1.5062972 25 4
358 0 1.8718022 9 0
359 0 2.0149031 121 0
360 0 1.2641267 36 49
361 0 1.4350845 121 9
362 0 1.2556161 49 4
363 0 1.5040774 25 0
364 0 1.2089603 25 16
365 1 1.0681531 4 4
366 0 1.6582280 1936 49
367 1 1.3987169 1936 625
368 0 1.3217559 169 0
369 0 1.2237755 676 225
370 0 1.0986123 4 1
371 0 1.8389610 100 9
372 1 0.9321641 4 0
373 0 1.5040774 1225 0
374 0 1.1410331 36 25
375 0 1.8500284 64 1
376 0 1.5432981 1 0
377 0 1.9169227 196 100
378 0 2.1435893 196 36
379 0 1.4279160 484 100
380 0 1.3217559 64 16
381 0 2.4069452 1 16
382 0 1.1817272 225 25
383 0 2.2115657 196 144
384 0 1.5040774 1369 100
385 1 1.0986123 1 1
386 0 2.1690538 16 16
387 0 1.4206958 841 0
388 0 1.0543120 2025 64
389 0 1.2089603 484 0
390 0 1.8050047 1764 100
391 0 1.0986123 81 0
392 0 1.4350845 64 0
393 1 1.7227666 961 225
394 0 2.3025851 576 576
395 0 2.5257287 256 25
396 0 1.3244189 36 0
397 0 1.1314021 196 0
398 0 1.4562867 2209 625
399 0 2.3905959 1156 25
400 0 2.0149031 36 4
401 0 1.3987169 49 16
402 1 1.5368673 729 4
403 0 1.6094379 576 25
404 0 1.0647107 324 0
405 0 2.0794415 144 9
406 0 2.1317968 729 9
407 0 1.0715836 2401 0
408 0 1.8325815 16 0
409 0 1.8325815 576 4
410 0 1.6311995 9 0
411 0 1.3862944 4 0
412 0 1.4906543 841 121
413 0 1.9286187 1156 441
414 0 1.6919391 100 9
415 1 1.0986123 25 0
416 0 1.0647107 4 0
417 0 1.8325815 1521 441
418 0 1.4678744 25 4
419 0 1.1786550 196 4
420 0 1.9823799 64 4
421 0 1.8484548 100 1
422 1 1.7281095 4 4
423 0 2.1690538 81 9
424 1 1.1631508 1 0
425 0 1.0986123 2025 1
426 1 1.0986123 1089 9
427 0 2.5257287 441 324
428 0 1.0577903 4 0
429 0 1.2089603 81 1
430 0 1.8718022 1089 4
431 0 2.3398809 256 4
432 0 1.5040774 100 0
433 0 2.3025851 81 64
434 1 1.3376292 64 1
435 0 2.1747518 81 1
436 0 2.2428350 529 0
437 0 1.8453002 529 64
438 0 1.3862944 484 324
439 0 1.0647107 1369 0
440 0 2.9957323 484 16
441 0 2.4203682 784 625
442 0 1.2527629 196 0
443 1 1.7917595 361 16
444 0 2.6658382 100 81
445 0 1.8500284 625 0
446 0 1.2669476 441 0
447 1 1.0986123 1024 0
448 0 1.5040774 441 100
449 0 1.8916048 1296 0
450 0 2.2300143 4 4
451 0 1.0986123 121 0
452 1 1.1786550 1600 4
453 1 0.4054651 121 1
454 0 1.7749524 81 49
455 0 2.0794415 529 16
456 0 1.0647107 1 0
457 0 1.1908876 900 169
458 0 1.8718022 1681 1089
459 0 1.3862944 36 0
460 0 1.7917595 121 0
461 0 1.4060969 1849 289
462 0 1.3217559 1521 4
463 0 1.1151416 2500 576
464 0 1.2527629 676 400
465 1 1.0715836 2601 900
466 0 1.5040774 9 81
467 0 1.2089603 9 1
468 0 1.7833912 225 81
469 0 2.0794415 289 36
470 0 1.0986123 1296 0
471 0 1.6094379 961 81
472 0 1.7047480 81 16
473 0 0.9745597 1764 100
474 0 1.0986123 9 0
475 0 1.5040774 1369 196
476 0 2.8622010 529 484
477 0 2.1016922 441 25
478 0 2.2071750 121 144
479 0 2.4697931 1225 169
480 0 1.1786550 1764 0
481 0 1.5040774 9 0
482 0 1.5040774 169 0
483 0 1.3110319 196 49
484 0 1.8718022 196 121
485 1 1.0647107 1521 1
486 0 1.7227666 121 64
487 0 0.8020016 784 9
488 1 1.6094379 324 0
489 0 2.1198635 36 4
490 0 1.0647107 676 1
491 0 1.8325815 441 36
492 0 1.5151273 1156 4
493 1 1.1878434 289 4
494 1 0.8329091 4 0
495 0 1.1939224 25 0
496 0 1.1474025 1 0
497 0 2.5257287 1600 900
498 0 1.6389967 1521 441
499 1 1.1410331 1 1
500 0 1.9810015 196 25
501 0 1.0647107 4 4
502 1 0.5596158 4 1
503 0 1.0612565 1764 0
504 0 1.0647107 1156 0
505 0 2.8741293 100 9
506 1 1.8325815 16 9
507 0 0.9555114 16 0
508 0 1.8916048 441 9
509 0 1.2527629 961 9
510 0 1.8718022 400 196
511 0 1.0986123 1296 1
512 0 1.4770488 49 0
513 0 2.3025851 225 0
514 0 1.5993875 625 289
515 0 2.1972246 49 0
516 0 0.3576744 289 0
517 0 1.1249295 9 1
518 0 2.2332351 144 121
519 0 2.0149031 324 25
520 0 1.5581446 2209 1
521 0 1.7316556 4 0
522 0 2.7080503 196 4
523 0 0.8197798 4 0
524 0 1.5411590 169 324
525 0 2.4475510 25 1
526 0 1.2527629 25 16
ggplot(dbhm2, aes(x=female))+
geom_bar()+
labs(x = "genero",
y = "Cantidad",
title = "Cantidad de Hombres y Mujeres en la Muestra")
Para este ejercicio se empleo la base de datos BWGHT.RAW
2.1- ¿Cuántas mujeres hay en la muestra (male = 0) y cuántas de las informantes fumaron durante un embarazo?
2.2- ¿Cuál es la cantidad promedio de cigarros consumidos por día (cigs)? ¿Es el promedio, en este caso, una medida representativa de la mujer “típica”? Explique.
2.3- Entre las mujeres que fumaron durante el embarazo, ¿cuál es la cantidad promedio de cigarros consumidos por día? ¿Cuál es la relación de esto con su respuesta al inciso ii) y por qué?
2.4- Determine el promedio de fatheduc (años de educación del padre) en la muestra. ¿Por qué se emplean sólo 1 192 observaciones para calcular este promedio?
2.5- Dé el ingreso familiar promedio (famine) y su desviación estándar en dólares.
2.1- ¿Cuántas mujeres hay en la muestra (male = 0) y cuántas de las informantes fumaron durante un embarazo?
Pto2 <- data.frame(bwght)
Pto21H<- Pto2 %>%
select(male) %>%
filter(male==1)
Pto21M<- Pto2 %>%
select(male) %>%
filter(male==0)
Q_h1=count(Pto21H)
Q_m1=count(Pto21M)
conteo=table(Pto2$male)
conteo
0 1
665 723
## Cuantas Mujeres Informantes Fumaron durante el embarazo
Pto2 <- data.frame(bwght)
Pto22M<- Pto2 %>%
select(male,cigs) %>%
filter(male==0 & cigs!=0)
Pto22M
male cigs
1 0 10
2 0 40
3 0 10
4 0 3
5 0 20
6 0 10
7 0 8
8 0 4
9 0 10
10 0 12
11 0 10
12 0 10
13 0 20
14 0 20
15 0 40
16 0 20
17 0 10
18 0 12
19 0 8
20 0 15
21 0 10
22 0 10
23 0 20
24 0 10
25 0 20
26 0 4
27 0 15
28 0 15
29 0 20
30 0 5
31 0 10
32 0 6
33 0 5
34 0 20
35 0 5
36 0 20
37 0 20
38 0 20
39 0 10
40 0 20
41 0 7
42 0 20
43 0 10
44 0 20
45 0 5
46 0 15
47 0 7
48 0 1
49 0 15
50 0 10
51 0 10
52 0 20
53 0 10
54 0 3
55 0 10
56 0 2
57 0 20
58 0 10
59 0 5
60 0 10
61 0 10
62 0 30
63 0 30
64 0 4
65 0 10
66 0 3
67 0 3
68 0 20
69 0 7
70 0 5
71 0 10
72 0 20
73 0 5
74 0 7
75 0 4
76 0 15
77 0 15
78 0 10
79 0 20
80 0 20
81 0 10
82 0 15
83 0 20
84 0 5
85 0 6
86 0 20
87 0 20
88 0 10
89 0 20
90 0 10
91 0 6
92 0 2
93 0 20
94 0 4
95 0 6
96 0 3
97 0 5
98 0 6
99 0 20
100 0 8
101 0 10
102 0 12
103 0 10
104 0 20
105 0 40
106 0 10
107 0 20
108 0 5
109 0 9
110 0 10
111 0 3
112 0 10
Q_mfe<-count(Pto22M) ##R// Cuántas de las informantes fumaron durante un embarazo?
La cantidad de mujeres que hay en la muestra es:665
La cantidad de mujeres que fumaron durante el embarazo son: 112
##Pendinte Hacer Grafico
#Grafico de distribucion de densida de las mujeres
db3<-select(bwght,male, cigs) %>%
filter(male==0)
2.2- ¿Cuál es la cantidad promedio de cigarros consumidos por día (cigs)? ¿Es el promedio, en este caso, una medida representativa de la mujer “típica”? Explique.
## Punto 2.2
## ¿Cuál es la cantidad promedio de cigarros consumidos por día (cigs)?
## ¿Es el promedio, en este caso, una medida representativa de la mujer “típica”?
## hay que revisar la simetria de la información. se debe calcular grafico de histograma, calculo de la mediana, grafico de dispersion (relaciona 2 variables)
## grafico de puntos de una sola variable
## Explique.
Pto2 <- data.frame(bwght)
Q_pccd<-mean(Pto2$cigs, na.rm = T) ##R// El promedio de cigarros consumidos por dia (cigs)
Q_pccd ##R// El promedio de cigarros consumidos por dia (cigs)
[1] 2.087176
La cantidad promedio de cigarrillos consumidos por dia es: 2.0871758
2.3- Entre las mujeres que fumaron durante el embarazo, ¿cuál es la cantidad promedio de cigarros consumidos por día? ¿Cuál es la relación de esto con su respuesta al inciso ii) y por qué?
## Punto 2.3
## Entre las mujeres que fumaron durante el embarazo,
## ¿cuál es la cantidad promedio de cigarros consumidos por día?
## ¿Cuál es la relación de esto con su respuesta al inciso ii) y por qué?
Pto2 <- data.frame(bwght)
Pto22M<- Pto2 %>%
select(male,cigs) %>%
filter(male==0 & cigs!=0)
pcfm<-mean(Pto22M$cigs)
pcfm ##¿cuál es la cantidad promedio de cigarros consumidos por día?
[1] 12.41071
Entre las mujeres que fumaron durante el embarazo, la cantidad promedio de cigarrillos fumados por día fue de: 12.4107143
ggplot(Pto22M, aes(x = Pto22M$cigs)) +
geom_histogram(fill = "cornflowerblue",
color = "white",
bins = 20) +
labs(title="Cantidad de cigarrillos fumados por dia",
subtitle = "number of bins = 20",
x = "dia")
2.4- Determine el promedio de fatheduc (años de educación del padre) en la muestra. ¿Por qué se emplean sólo 1 192 observaciones para calcular este promedio?
## Punto 2.4
## Determine el promedio de fatheduc (años de educación del padre) en la muestra.
## ¿Por qué se emplean sólo 1192 observaciones para calcular este promedio?
names(bwght)
[1] "faminc" "cigtax" "cigprice" "bwght" "fatheduc" "motheduc"
[7] "parity" "male" "white" "cigs" "lbwght" "bwghtlbs"
[13] "packs" "lfaminc"
pfatheduc<- mean(bwght$fatheduc, na.rm = T)
pfatheduc ## Determine el promedio de fatheduc (años de educación del padre) en la muestra
[1] 13.18624
## ¿Por qué se emplean sólo 1192 observaciones para calcular este promedio?
## R// porque hay datos de educación del padre que no tiene infomracion, en tal caso la base de datos registra la información como NA
El Promedio de años de educación del padres en la muestra es:13.1862416
¿Por qué se emplean sólo 1192 observaciones para calcular este promedio? R// porque hay datos de educación del padre que no tiene infomracion, en tal caso la base de datos registra la información como “NA”
2.5- Dé el ingreso familiar promedio (famine) y su desviación estándar en dólares.
## Punto 2.5
## Dé el ingreso familiar promedio (famine) y su desviación estándar en dólares.
##
pingfam<- mean(bwght$faminc, na.rm = T)
pingfam
[1] 29.02666
sdpingfam <- sd(bwght$faminc, na.rm = T)
sdpingfam
[1] 18.73928
El ingreso familiar promedio es de:29.0266571 y su desviacion estandar es: 18.7392846
###PENDIENTE EL GRAFICO
Para este ejercicio se empleo la base de datos MEAP01
3.1- Determine los valores mayor y menor de math4. ¿Es lógico este intervalo? Explique.
3.2- ¿Cuántas escuelas tienen una tasa perfecta de aprobados en el examen de matemáticas? ¿A qué porcentaje del total de la muestra corresponde esta cantidad?
3.3- ¿En cuántas escuelas la tasa de aprobados en matemáticas es exactamente 50%?
3.4- Compare el promedio de las tasas de aprobados en matemáticas y en lectura. ¿Cuál de estas pruebas es más difícil de aprobar?
3.5- Encuentre la correlación entre math4 y read4. ¿Qué concluye?
3.6- La variable exppp es gasto por alumno. Determine el promedio y la desviación estándar de exppp. ¿Parece haber una gran variación en el gasto por alumno?
3.1- Determine los valores mayor y menor de math4. ¿Es lógico este intervalo? Explique.
## Actividad 2 Punto 3.1
## Determine los valores mayor y menor de math4. ¿Es lógico este intervalo? Explique.
Max_Math=max(meap01$math4)
Max_Math
[1] 100
Min_Math=min(meap01$math4)
Min_Math
[1] 0
## ¿Es lógico este intervalo? Explique.
## R// Si es logico porque la variable math4 refiere a un valor porcentual de satisfacción y este debe ir de 1 a 100%
Los valores maximo y minimo son 100 y 0 respectivamente.
¿Es lógico este intervalo? Explique. R// Si es logico porque la variable math4 refiere a un valor porcentual de satisfacción y este debe ir de 1 a 100%
3.2- ¿Cuántas escuelas tienen una tasa perfecta de aprobados en el examen de matemáticas? ¿A qué porcentaje del total de la muestra corresponde esta cantidad?
## Actividad 2 Punto 3.2
## ¿Cuántas escuelas tienen una tasa perfecta de aprobados en el examen de matemáticas?
## ¿A qué porcentaje del total de la muestra corresponde esta cantidad?
tpa<-50 ## se considero que la tasa perfecta de aprobados es de 50, puede cambiarse la variable si se requiere aumentar el nivel
tpa
[1] 50
Escap<-select(meap01, bcode, math4) %>%
filter(math4 >= tpa)
count(meap01) ## Numero Total de muestra
n
1 1823
count(Escap) ## numero del tasa perfecta de aprobación
n
1 1555
QE_TPA<-count(Escap) ## ¿Cuántas escuelas tienen una tasa perfecta de aprobados en el examen de matemáticas?
QE_TPA
n
1 1555
Porc.Total_m<-count(Escap)/count(meap01) ## ¿A qué porcentaje del total de la muestra corresponde esta cantidad? al 85%
Porc.Total_m1<-round(Porc.Total_m,2)*100
Porc.Total_m1
n
1 85
Para dar respuesta se definio que la Tasa Perfecta de Aprobados debe ser mayor que 50 en el examen de matematicas.
Dado la condición de la variable anterior TPA>50, se calculo la cantidad de escuelas que tienen una tasa perfecta de aprobados y dio como resultado 1555
La tasa Perfecta de Aprobados del examen de matematicas corresponde al 85% de la muestra
3.3- ¿En cuántas escuelas la tasa de aprobados en matemáticas es exactamente 50%?
## Actividad 2 Punto 3.3
##¿En cuántas escuelas la tasa de aprobados en matemáticas es exactamente 50%?
Escap<-select(meap01, bcode, math4) %>%
filter(math4 == 50)
Nestam=count(Escap) ## numero de escuelas donde la tasa de aprobados en matematicas es 50%
Nestam ## numero de escuelas donde la tasa de aprobados en matematicas es 50%
n
1 17
En 17 escuelas la tasa de aprobados de matematicas es de 50.
3.4- Compare el promedio de las tasas de aprobados en matemáticas y en lectura. ¿Cuál de estas pruebas es más difícil de aprobar?
## Actividad 2 Punto 3.4
## Compare el promedio de las tasas de aprobados en matemáticas y en lectura.
## ¿Cuál de estas pruebas es más difícil de aprobar?
ptaml<-select(meap01, math4, read4) %>%
summarize(P_math4=mean(meap01$math4, na.rm = T),P_read4=mean(meap01$read4, na.rm = T))
ptaml ## el promedio de tasa de aprobado es ptalm 71.909 y 60.061
P_math4 P_read4
1 71.909 60.06188
## ¿Cuál de estas pruebas es más difícil de aprobar?
## la prueba mas dificil de aprobar segun la informacion es la prueba de read4
Estos son los promedios 71.9089961, 60.061876 de tasa de matematica y lectura respectivamente
De acuerdo a los promedios mencionados anteriormente se puede concluir que la prueba más dificil de aprobar es la prueba de read4, es decir la prueba de lectura.
3.5- Encuentre la correlación entre math4 y read4. ¿Qué concluye?
## Actividad 2 Punto 3.5
## Encuentre la correlación entre math4 y read4. ¿Qué concluye?
## De acuerdo al concepto de correlación las variabels math4 y read4 tienen una correlacion positiva, esto sifgnifica que ambas variables tienden a incrementarse juntas
## Concluimos que en la medida que aumenten la aprobación de matematica (math4), entoncen aumentan la aprobacion de lectura (read4)
correlation(meap01$math4,meap01$read4, method = c("pearson"))
Pearson's product-moment correlation
data: meap01$math4 and meap01$read4
t = 66.80152 , df = 1821 , p-value = 0
alternative hypothesis: true rho is not equal to 0
sample estimates:
cor
0.8427281
correlation(meap01$math4,meap01$read4, method = c("kendall"))
Kendall's rank correlation tau
data: meap01$math4 and meap01$read4
z-norm = 40.8998 p-value = 0
alternative hypothesis: true rho is not equal to 0
sample estimates:
tau
0.640743
correlation(meap01$math4,meap01$read4, method = c("spearman"))
Spearman's rank correlation rho
data: meap01$math4 and meap01$read4
p-value = 0
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.821481
correlation(meap01$math4,meap01$read4, method = c("lin"))
Lin's concordance index
data: meap01$math4 and meap01$read4
t = 74.00204 , df = 1821 , p-value = 0
alternative hypothesis: true rho is not equal to 0
sample estimates:
cor
0.7113849
correlation(meap01$math4,meap01$read4, method = c("pearson"), alternative = "two.sided")
Pearson's product-moment correlation
data: meap01$math4 and meap01$read4
t = 66.80152 , df = 1821 , p-value = 0
alternative hypothesis: true rho is not equal to 0
sample estimates:
cor
0.8427281
Correl<-cor(meap01$math4,meap01$read4,)
Correl #Correlacion entre matematicas y lenguaje
[1] 0.8427281
La correlacción entre matematicas y lenguaje es de 0.8427281 lo cual significa que los datos estan correlacionados porque el valor tiende a 1. La correlacion es positiva, lo cual indica que los datos son crecientes, en la medida que aumentan los resultados de matematicas tambien aumentan los resultados en lectura.
3.6- La variable exppp es gasto por alumno. Determine el promedio y la desviación estándar de exppp. ¿Parece haber una gran variación en el gasto por alumno?
## La variable exppp es gasto por alumno.
## Determine el promedio y la desviación estándar de exppp.
## ¿Parece haber una gran variación en el gasto por alumno?
mean(meap01$exppp)
[1] 5194.865
median(meap01$exppp)
[1] 5078.253
Pgpa<-mean(meap01$exppp, na.rm = T) ##Promedio de exppp
sd(meap01$exppp)
[1] 1091.89
Sdgpa<-sd(meap01$exppp, na.rm=T) ##Desviacion estandar de exppp
El promedio de gasto por alumno es de 5194.8654783 La desviación estándar del gasto por alumno es de 1091.8895972
¿Parece haber una gran variación en el gasto por alumno?