Proyecto 3-Análisis Estadístico
Estrada, J., Jaimes, A. y Cantero, A., Acendra, L.
2/11/2021
INTRODUCCIÓN
La estadística se ocupa de la recolección, agrupación, presentación, análisis e interpretación de datos. La Estadística no son sólo los resultados de encuestas, ni el cálculo de unos porcentajes, la Estadística es un método científico que pretende sacar conclusiones a partir de unas observaciones hechas y de esta forma establecer tendencias para modelar regresiones lineales y predicciones con cierto grado de certeza. El presente informe corresponde al tercer corte de nuestro curso de análisis estadístico. Se realizó una primera parte que consistía en correr todos los algoritmos de la sección 9 del texto “Hands on Time Series Analysis with R” y, por otro lado, se realizó un asegunda parte que constaba en repetir lo estudiado en la sección 9 del libro “Hands on Time Series Analysis with R”, pero ahora con una serie de datos geológicos. Cabe resaltar que todo esto fue desarrollado con ayuda del software R estudio, con el cual hemos trabajado a lo largo del curso.
Parte 1 - USgas
Primero graficaremos nuestra serie de tiempo asociada al consumo de gas en E.E.U.U.
library(TSstudio)## Warning: package 'TSstudio' was built under R version 4.1.1 data(USgas)ts_plot(USgas,
title = "CONSUMO DE GAS MENSUAL EN USA",
Ytitle = "Pies cubicos/Billones ",
Xtitle = "Año",
color = "Red")En esta parte lo que haremos es observar las estructuras de cada componente de una forma mas especifica con la funcion ts_decompose().
DESCOMPOSICIÓN DE SERIES DE TIEMPO ADITIVAS-USgas
ts_decompose(USgas)En el anterior grafico se puede observar como la tendencia de la serie entre 2000 y 2010 es plana y para el futuro tiene un crecimiento lineal.
Utilizaremos la función ts_to_prophet del paquete TSstudio para transformar la serie de tiempo (ts.obj) en un data.frame.
MODELO DE REGRESIÓN
USgas_df <- ts_to_prophet(USgas)
head(USgas_df)## ds y
## 1 2000-01-01 2510.5
## 2 2000-02-01 2330.7
## 3 2000-03-01 2050.6
## 4 2000-04-01 1783.3
## 5 2000-05-01 1632.9
## 6 2000-06-01 1513.1USgas_df$trend <- 1:nrow(USgas_df)
library(lubridate)## Warning: package 'lubridate' was built under R version 4.1.1##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionUSgas_df$seasonal <- factor(month(USgas_df$ds, label = T), ordered = FALSE)
head(USgas_df)## ds y trend seasonal
## 1 2000-01-01 2510.5 1 ene
## 2 2000-02-01 2330.7 2 feb
## 3 2000-03-01 2050.6 3 mar
## 4 2000-04-01 1783.3 4 abr
## 5 2000-05-01 1632.9 5 may
## 6 2000-06-01 1513.1 6 junCuando el objeto ya esta transformado en data.frame, se inician las caracteristicas de entrada para la regresion, se crea la tendencia para la serie.
USgas_df$trend <- 1:nrow(USgas_df)
head(USgas_df)## ds y trend seasonal
## 1 2000-01-01 2510.5 1 ene
## 2 2000-02-01 2330.7 2 feb
## 3 2000-03-01 2050.6 3 mar
## 4 2000-04-01 1783.3 4 abr
## 5 2000-05-01 1632.9 5 may
## 6 2000-06-01 1513.1 6 junPara finalizar antes de retroceder la serie con las caracteristicas dadas, se dividen las series y se establecen los ultimos 12 meses como particion de prueba.
h <- 12
train <- USgas_df[1:(nrow(USgas_df) - h), ]
test <- USgas_df[(nrow(USgas_df) - h + 1):nrow(USgas_df), ]tail(train)## ds y trend seasonal
## 221 2018-05-01 2050.9 221 may
## 222 2018-06-01 2058.7 222 jun
## 223 2018-07-01 2344.6 223 jul
## 224 2018-08-01 2307.7 224 ago
## 225 2018-09-01 2151.5 225 sept
## 226 2018-10-01 2279.1 226 octhead(test)## ds y trend seasonal
## 227 2018-11-01 2709.9 227 nov
## 228 2018-12-01 2993.1 228 dic
## 229 2019-01-01 3399.9 229 ene
## 230 2019-02-01 2999.2 230 feb
## 231 2019-03-01 2899.9 231 mar
## 232 2019-04-01 2201.1 232 abrModelado de la tendencia de la serie y componentes estacionales.
Lo primero que se hace es modelar la tendencia de la serie mediante una regresion de esta misma junto con la variable de tendencia.
md_trend <- lm(y ~ trend, data = train)Utilizaremos la funcion de resumen para revisar los detalles del modelo.
summary(md_trend)##
## Call:
## lm(formula = y ~ trend, data = train)
##
## Residuals:
## Min 1Q Median 3Q Max
## -547.2 -307.4 -153.2 333.1 1052.6
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1751.0074 52.6435 33.26 < 2e-16 ***
## trend 2.4489 0.4021 6.09 4.86e-09 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 394.4 on 224 degrees of freedom
## Multiple R-squared: 0.1421, Adjusted R-squared: 0.1382
## F-statistic: 37.09 on 1 and 224 DF, p-value: 4.861e-09Ahora usaremos lo siguiente para predecir los valores ajustados y pronosticados del modelo de tendencia que entrenamos.
train$yhat <- predict(md_trend, newdata = train)
test$yhat <- predict(md_trend, newdata = test)Creamos una funcion de utilidad para poder trazar la serie junto con la salida del modelo, para esto se usa el paquete plotly.
library(plotly)## Warning: package 'plotly' was built under R version 4.1.1## Loading required package: ggplot2##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutplot_lm <- function(data, train, test, title = NULL){
p <- plot_ly(data = data,
x = ~ ds,
y = ~ y,
type = "scatter",
mode = "line",
name = "Actual") %>%
add_lines(x = ~ train$ds,
y = ~ train$yhat,
line = list(color = "red"),
name = "Fitted") %>%
add_lines(x = ~ test$ds,
y = ~ test$yhat,
line = list(color = "green", dash = "dot", width = 3),
name = "Forecasted") %>%
layout(title = title,
xaxis = list(title = "Year"),
yaxis = list(title = "Billion Cubic Feet"),
legend = list(x = 0.05, y = 0.95))
return(p)
}Se establecen las entradas para la funcion plot_lm con la salida del modelo.
plot_lm(data = USgas_df,
train = train,
test = test,
)En general, el modelo fue capaz de capturar el movimiento general de la tendencia, pero una lÃnea la tendencia puede no captar la ruptura estructural de la tendencia que ocurrió alrededor de 2010.
Para poder analisar la comparacion, medimos la tasa de error del modelo en la formacion y los conjuntos de pruebas.
mape_trend <- c(mean(abs(train$y - train$yhat) / train$y),
mean(abs(test$y - test$yhat) / test$y))
mape_trend## [1] 0.1644088 0.1299951Para realizar el modelado y el pronostico para el componente estacional se sigue el proceso aplicado con la tendencia, al hacer una regresion de la serie con la variable estacional que creamos antes de:
md_seasonal <- lm(y ~ seasonal, data = train)
summary(md_seasonal)##
## Call:
## lm(formula = y ~ seasonal, data = train)
##
## Residuals:
## Min 1Q Median 3Q Max
## -608.98 -162.34 -50.77 148.40 566.89
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2774.28 49.75 55.759 < 2e-16 ***
## seasonalfeb -297.92 70.36 -4.234 3.41e-05 ***
## seasonalmar -479.10 70.36 -6.809 9.77e-11 ***
## seasonalabr -905.28 70.36 -12.866 < 2e-16 ***
## seasonalmay -1088.42 70.36 -15.468 < 2e-16 ***
## seasonaljun -1105.49 70.36 -15.711 < 2e-16 ***
## seasonaljul -939.35 70.36 -13.350 < 2e-16 ***
## seasonalago -914.12 70.36 -12.991 < 2e-16 ***
## seasonalsept -1114.74 70.36 -15.843 < 2e-16 ***
## seasonaloct -1022.21 70.36 -14.527 < 2e-16 ***
## seasonalnov -797.53 71.33 -11.180 < 2e-16 ***
## seasonaldic -256.67 71.33 -3.598 0.000398 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 216.9 on 214 degrees of freedom
## Multiple R-squared: 0.7521, Adjusted R-squared: 0.7394
## F-statistic: 59.04 on 11 and 214 DF, p-value: < 2.2e-16Como hacemos una regresión de la variable dependiente con una variable categórica, el modelo de regresión crea coeficientes para 11 de las 12 categorías, que son las incluidas con los valores de pendiente.
Haremos actualización de los valores de yhat con la función de predicción antes de trazar el modelo ajustado y los valores de pronóstico con la función plot_lm.
train$yhat <- predict(md_seasonal, newdata = train)
test$yhat <- predict(md_seasonal, newdata = test)Ahora usaremos la función plot_lm para visualizar el modelo ajustado y los valores de pronóstico.
plot_lm(data = USgas_df,
train = train,
test = test,
title = "Predicción del componente estacional de la serie")Ahora midamos la puntuación MAPE del modelo en las particiones de entrenamiento y prueba.
mape_md1 <- c(mean(abs(train$y - train$yhat) / train$y),
mean(abs(test$y - test$yhat) / test$y))
mape_md1## [1] 0.08628973 0.21502100La alta tasa de error en el conjunto de prueba está relacionada con el componente de tendencia que no se incluido en el modelo. El siguiente paso es unir los dos componentes en un modelo y pronosticar los valores de las características de la serie.
md1 <- lm(y ~ seasonal + trend, data = train)
summary(md1)##
## Call:
## lm(formula = y ~ seasonal + trend, data = train)
##
## Residuals:
## Min 1Q Median 3Q Max
## -514.73 -77.17 -17.70 85.80 336.95
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2488.8994 32.6011 76.344 < 2e-16 ***
## seasonalfeb -300.5392 41.4864 -7.244 7.84e-12 ***
## seasonalmar -484.3363 41.4870 -11.674 < 2e-16 ***
## seasonalabr -913.1334 41.4880 -22.010 < 2e-16 ***
## seasonalmay -1098.8884 41.4895 -26.486 < 2e-16 ***
## seasonaljun -1118.5855 41.4913 -26.960 < 2e-16 ***
## seasonaljul -955.0563 41.4936 -23.017 < 2e-16 ***
## seasonalago -932.4482 41.4962 -22.471 < 2e-16 ***
## seasonalsept -1135.6874 41.4993 -27.366 < 2e-16 ***
## seasonaloct -1045.7687 41.5028 -25.198 < 2e-16 ***
## seasonalnov -808.0016 42.0617 -19.210 < 2e-16 ***
## seasonaldic -269.7642 42.0635 -6.413 9.05e-10 ***
## trend 2.6182 0.1305 20.065 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 127.9 on 213 degrees of freedom
## Multiple R-squared: 0.9142, Adjusted R-squared: 0.9094
## F-statistic: 189.2 on 12 and 213 DF, p-value: < 2.2e-16Agregar el polinomio de segundo grado al modelo de regresión no dio como resultado una mejora de la bondad de ajuste del modelo. En el otro modelo, como se puede ver en el siguiente gráfico de salida del modelo, este simple cambio en la estructura del modelo nos permite capturar el desglose estructural de la tendencia a lo largo del tiempo.
md2 <- lm(y ~ seasonal + trend + I(trend^2), data = train)
summary(md2)##
## Call:
## lm(formula = y ~ seasonal + trend + I(trend^2), data = train)
##
## Residuals:
## Min 1Q Median 3Q Max
## -468.47 -54.66 -2.21 63.11 294.32
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.635e+03 3.224e+01 81.738 < 2e-16 ***
## seasonalfeb -3.004e+02 3.540e+01 -8.487 3.69e-15 ***
## seasonalmar -4.841e+02 3.540e+01 -13.676 < 2e-16 ***
## seasonalabr -9.128e+02 3.540e+01 -25.787 < 2e-16 ***
## seasonalmay -1.099e+03 3.540e+01 -31.033 < 2e-16 ***
## seasonaljun -1.118e+03 3.540e+01 -31.588 < 2e-16 ***
## seasonaljul -9.547e+02 3.540e+01 -26.968 < 2e-16 ***
## seasonalago -9.322e+02 3.541e+01 -26.329 < 2e-16 ***
## seasonalsept -1.136e+03 3.541e+01 -32.070 < 2e-16 ***
## seasonaloct -1.046e+03 3.541e+01 -29.532 < 2e-16 ***
## seasonalnov -8.001e+02 3.590e+01 -22.286 < 2e-16 ***
## seasonaldic -2.618e+02 3.590e+01 -7.293 5.95e-12 ***
## trend -1.270e+00 4.472e-01 -2.840 0.00494 **
## I(trend^2) 1.713e-02 1.908e-03 8.977 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 109.1 on 212 degrees of freedom
## Multiple R-squared: 0.9379, Adjusted R-squared: 0.9341
## F-statistic: 246.1 on 13 and 212 DF, p-value: < 2.2e-16train$yhat <- predict(md2, newdata = train)
test$yhat <- predict(md2, newdata = test)plot_lm(data = USgas_df,
train = train,
test = test,
title = "Predecir la tendencia (polinomio) y los componentes estacionales
de la Serie")Como podemos ver en el modelo que sigue la puntuación de MAPE, el error en el conjunto de pruebas se redujo lo que significa que la precisión del modelo mejoró significativamente al agregar la tendencia polinomial al modelo de regresión.
mape_md2 <- c(mean(abs(train$y - train$yhat) / train$y),
mean(abs(test$y - test$yhat) / test$y))
mape_md2## [1] 0.03688770 0.04212618Función tslm
Hasta ahora, hemos visto el proceso manual de transformar un objeto ts en una regresión lineal formato del modelo de previsión. La función tslm del paquete de pronóstico proporciona una función para transformar un objeto ts en un modelo de pronóstico de regresión lineal. Utilizando el tslm, puede configurar el componente de regresión junto con otras funciones.
Ahora repetiremos el ejemplo anterior y pronosticaremos las últimas 12 observaciones.
Dividamos la serie en particiones de entrenamiento y prueba usando la función ts_split.
USgas_split <- ts_split(USgas, sample.out = h)
train.ts <- USgas_split$train
test.ts <- USgas_split$testDplicaremos la misma fórmula que usamos para crear la previsión md2 del modelo anterior usando la función tslm.
library(forecast)## Warning: package 'forecast' was built under R version 4.1.1## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoomd3 <- tslm(train.ts ~ season + trend + I(trend^2))
summary(md3)##
## Call:
## tslm(formula = train.ts ~ season + trend + I(trend^2))
##
## Residuals:
## Min 1Q Median 3Q Max
## -468.47 -54.66 -2.21 63.11 294.32
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.635e+03 3.224e+01 81.738 < 2e-16 ***
## season2 -3.004e+02 3.540e+01 -8.487 3.69e-15 ***
## season3 -4.841e+02 3.540e+01 -13.676 < 2e-16 ***
## season4 -9.128e+02 3.540e+01 -25.787 < 2e-16 ***
## season5 -1.099e+03 3.540e+01 -31.033 < 2e-16 ***
## season6 -1.118e+03 3.540e+01 -31.588 < 2e-16 ***
## season7 -9.547e+02 3.540e+01 -26.968 < 2e-16 ***
## season8 -9.322e+02 3.541e+01 -26.329 < 2e-16 ***
## season9 -1.136e+03 3.541e+01 -32.070 < 2e-16 ***
## season10 -1.046e+03 3.541e+01 -29.532 < 2e-16 ***
## season11 -8.001e+02 3.590e+01 -22.286 < 2e-16 ***
## season12 -2.618e+02 3.590e+01 -7.293 5.95e-12 ***
## trend -1.270e+00 4.472e-01 -2.840 0.00494 **
## I(trend^2) 1.713e-02 1.908e-03 8.977 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 109.1 on 212 degrees of freedom
## Multiple R-squared: 0.9379, Adjusted R-squared: 0.9341
## F-statistic: 246.1 on 13 and 212 DF, p-value: < 2.2e-16Ambos modelos (md2 y md3) son idénticos.
MODELADO DE EVENTOS ÚNICOS Y EVENTOS NO ESTACIONALES
La regresión de un modelo tslm con variables externas requiere un objeto data.frame separado con las variables correspondientes.
El siguiente ejemplo demuestra el proceso de creación de una variable binaria externa que es igual a 0 antes del año 2010 y 1 después, usando la tabla USgas_df.
r <- which(USgas_df$ds == as.Date("2014-01-01"))
USgas_df$s_break <- ifelse(year(USgas_df$ds) >= 2010, 1, 0)
USgas_df$s_break[r] <- 1Usaremos la nueva función para remodelar la serie USgas.
md3 <- tslm(USgas ~ season + trend + I(trend^2) + s_break, data = USgas_df)
summary(md3)##
## Call:
## tslm(formula = USgas ~ season + trend + I(trend^2) + s_break,
## data = USgas_df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -469.25 -50.68 -2.66 63.63 275.89
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.661e+03 3.200e+01 83.164 < 2e-16 ***
## season2 -3.054e+02 3.448e+01 -8.858 2.61e-16 ***
## season3 -4.849e+02 3.448e+01 -14.062 < 2e-16 ***
## season4 -9.272e+02 3.449e+01 -26.885 < 2e-16 ***
## season5 -1.108e+03 3.449e+01 -32.114 < 2e-16 ***
## season6 -1.127e+03 3.450e+01 -32.660 < 2e-16 ***
## season7 -9.568e+02 3.450e+01 -27.730 < 2e-16 ***
## season8 -9.340e+02 3.451e+01 -27.061 < 2e-16 ***
## season9 -1.138e+03 3.452e+01 -32.972 < 2e-16 ***
## season10 -1.040e+03 3.453e+01 -30.122 < 2e-16 ***
## season11 -7.896e+02 3.497e+01 -22.577 < 2e-16 ***
## season12 -2.649e+02 3.498e+01 -7.571 9.72e-13 ***
## trend -1.928e+00 4.479e-01 -4.304 2.51e-05 ***
## I(trend^2) 1.862e-02 1.676e-03 11.113 < 2e-16 ***
## s_break 6.060e+01 2.836e+01 2.137 0.0337 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 109 on 223 degrees of freedom
## Multiple R-squared: 0.9423, Adjusted R-squared: 0.9387
## F-statistic: 260.3 on 14 and 223 DF, p-value: < 2.2e-16La variable de ruptura estructural es estadísticamente significativo, con un nivel de 0,01. Asimismo, en el caso de valores atípicos o festivos. La codificación en caliente se puede aplicar estableciendo una variable binaria que sea igual a 1 siempre que ocurra un evento atípico o recurrente no estacional, y 0 en caso contrario.
La serie UKgrid
La serie UKgrid representa la demanda de electricidad de la red nacional en el Reino Unido, y es disponible en el paquete UKgrid. Esta serie representa una serie de datos de alta frecuencia con frecuencia de media hora. Utilizaremos la función extract_grid de UKgrid paquete para definir la serie, características principales (por ejemplo, formato de datos, variables, frecuencia, etc.). Esta función de transformación nos permite agregar la serie frecuencia de media hora a una frecuencia más baja, como por hora, diaria o mensual. Como el nuestro.
El objetivo aquí es pronosticar la demanda diaria en los próximos 365 días, configuraremos la serie a la frecuencia diaria utilizando la estructura data.frame.
library(UKgrid)## Warning: package 'UKgrid' was built under R version 4.1.1UKdaily <- extract_grid(type = "data.frame",
columns = "ND",
aggregate = "daily")Usaremos la función head para revisar las variables de la serie.
head(UKdaily)## TIMESTAMP ND
## 1 2005-04-01 1920069
## 2 2005-04-02 1674699
## 3 2005-04-03 1631352
## 4 2005-04-04 1916693
## 5 2005-04-05 1952082
## 6 2005-04-06 1964584Usaremos la función ts_plot para trazar y revisar la estructura de la serie.
ts_plot(UKdaily,
title = "La demanda nacional de electricidad del Reino Unido",
Ytitle = "MW",
Xtitle = "Año")Como puede ver en el gráfico anterior, la serie tiene una clara tendencia bajista y tiene una cadena patrón estacional.
La evidencia de esos patrones se puede ver en el siguiente mapa de calor de la serie desde 2016 usando la función ts_heatmap del paquete TSstudio.
ts_heatmap(UKdaily[which(year(UKdaily$TIMESTAMP) >= 2016),],
title = "Reino Unido:mapa de calor diario de la demanda de la red nacional")Como puede ver en el mapa de calor de la serie, la demanda general aumenta durante las semanas de invierno (por ejemplo, las semanas del calendario 1 a 12 y las semanas 44 a 52). Además, puedes observar el cambio de la serie durante los días de las semanas, a medida que aumenta la demanda durante los días laborables de la semana y disminuye durante el fin de semana.
REPROCESAMIENTO E INGENIERÍA PARA LA SERIE UKdaily
Utilizaremos el paquete dplyr.
library(dplyr)## Warning: package 'dplyr' was built under R version 4.1.1##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionUKdaily <- UKdaily %>%
mutate(wday = wday(TIMESTAMP, label = TRUE),
month = month(TIMESTAMP, label = TRUE),
lag365 = dplyr::lag(ND, 365)) %>%
filter(!is.na(lag365)) %>%
arrange(TIMESTAMP)Revisemos la estructura de la tabla UKdaily.
str(UKdaily)## 'data.frame': 4939 obs. of 5 variables:
## $ TIMESTAMP: Date, format: "2006-04-01" "2006-04-02" ...
## $ ND : int 1718405 1691341 1960325 2023886 2026204 2008422 1981175 1770440 1749715 2012865 ...
## $ wday : Ord.factor w/ 7 levels "dom\\."<"lun\\."<..: 7 1 2 3 4 5 6 7 1 2 ...
## $ month : Ord.factor w/ 12 levels "ene"<"feb"<"mar"<..: 4 4 4 4 4 4 4 4 4 4 ...
## $ lag365 : int 1920069 1674699 1631352 1916693 1952082 1964584 1990895 2003982 1811436 1684720 ...Como la entrada de la función tslm debe estar en formato ts (al menos para la serie), convertiremos la serie a un objeto ts. Usaremos la primera marca de tiempo de la serie y el año y yday (el día del año) funciona desde el paquete lubridate para establecer el inicio del objeto punto.
start_date <- min(UKdaily$TIMESTAMP)
start <- c(year(start_date), yday(start_date))Usaremos la función ts de las estadísticas package para configurar el objeto ts.
UK_ts <- ts(UKdaily$ND,
start = start,
frequency = 365)Después de transformar la serie en un objeto ts, podemos retroceder y confirmar la suposición hicimos sobre el nivel de correlación.
library(TSstudio)
data(USgas)
acf(USgas, lag.max = 365*4)
PREPROCESAMIENTO E INGENIERÍA DE CARACTERÍSTICAS DE LA SERIE UKdaily
Se establecerá la serie como diaria y se crearan dos características:
Indicador del día de la semana.
Indicador del mes del año.
Además, se creará una variable de rezago con un rezago de 365 observaciones. Utilizaremos el paquete dplyr para crear esas características:
library(dplyr)
UKdaily <- UKdaily %>%
mutate(wday = wday(TIMESTAMP, label = TRUE),
month = month(TIMESTAMP, label = TRUE),
lag365 = dplyr::lag(ND, 365)) %>%
filter(!is.na(lag365)) %>%
arrange(TIMESTAMP)Revisemos la estructura de la tabla de UKdaily después de añadir estas novedades:
str(UKdaily)## 'data.frame': 4574 obs. of 5 variables:
## $ TIMESTAMP: Date, format: "2007-04-01" "2007-04-02" ...
## $ ND : int 1652967 1892867 1965391 1949273 1873243 1640689 1558475 1469730 1539367 1757983 ...
## $ wday : Ord.factor w/ 7 levels "dom\\."<"lun\\."<..: 1 2 3 4 5 6 7 1 2 3 ...
## $ month : Ord.factor w/ 12 levels "ene"<"feb"<"mar"<..: 4 4 4 4 4 4 4 4 4 4 ...
## $ lag365 : int 1718405 1691341 1960325 2023886 2026204 2008422 1981175 1770440 1749715 2012865 ...Como la entrada de la función tslm debe estar en formato ts , convertiremos la serie en un objeto ts. Utilizaremos la primera marca de tiempo de la serie y las funciones year y yday del paquete lubridate para establecer el punto de partida del objeto del objeto:
start_date <- min(UKdaily$TIMESTAMP)
start <- c(year(start_date), yday(start_date))utilizaremos la función ts del paquete stats para establecer el objeto ts:
UK_ts <- ts(UKdaily$ND,
start = start,
frequency = 365)Después de transformar la serie en un objeto ts,revisaremos la correlación de la serie con sus rezagos de los últimos cuatro años:
library(TSstudio)
data(USgas)
acf(USgas, lag.max = 365*4)
h <- 365Dividiremos la serie en una partición de entrenamiento y otra de prueba con la función ts_split que es la función ts_split:
UKpartitions <- ts_split(UK_ts, sample.out = h)
train_ts <- UKpartitions$train
test_ts <- UKpartitions$testDe manera similar, tenemos que dividir las características que creamos para el modelo de regresión en una partición de entrenamiento y otra de prueba siguiendo exactamente el mismo orden que utilizamos para el objeto ts correspondiente. Utilizaremos la funcionalidad del índice data.frame para establecer la tabla UKdaily en las particiones de entrenamiento y prueba:
train_df <- UKdaily[1:(nrow(UKdaily) - h), ]
test_df <- UKdaily[(nrow(UKdaily) - h + 1):nrow(UKdaily), ]La comparación de dichos 3 modelos se basará en los próximos criterios Rendimiento del modelo en el grupo de entrenamiento y de prueba usando la puntuación MAPE Visualización de los valores ajustados y pronosticados ante los valores reales de la seriem usando la funcionalidad test_forecast.
Comenzaremos con el modelo de referencia, haciendo una regresión de la serie con sus componentes estacionales y de tendencia tendencia:
md_tslm1 <- tslm(train_ts ~ season + trend)A continuación, utilizaremos el modelo entrenado, md_tslm1, para prever los próximos 365 días de la serie, correspondientes a las observaciones de la partición de prueba, utilizando la función de previsión de previsión:
fc_tslm1 <- forecast(md_tslm1, h = h)Comparemos el rendimiento del modelo en los conjuntos de entrenamiento y de prueba utilizando la función función test_forecast:
test_forecast(actual = UK_ts,
forecast.obj = fc_tslm1,
test = test_ts)Obtenemos el siguiente resultado:
accuracy(fc_tslm1, test_ts)## ME RMSE MAE MPE MAPE MASE
## Training set 1.001888e-11 120203.5 98954.20 -0.5662043 6.252541 0.8216331
## Test set -1.217197e+04 124508.9 99613.43 -1.4961334 7.359922 0.8271068
## ACF1 Theil's U
## Training set 0.5298788 NA
## Test set 0.5284213 1.082417Ahora se mejorara la presición añadiendo las carracteristicas de semana, mes y año.
Obtenemos el siguiente resultado:
md_tslm2 <- tslm(train_ts ~ season + trend + wday + month,
data = train_df)Por último, añadamos la variable de retardo al modelo, y repitamos el mismo proceso que anterior:
md_tslm3 <- tslm(train_ts ~ season + trend + wday + month + lag365,
data = train_df)
fc_tslm3 <- forecast(md_tslm3, h = h, newdata = test_df)El rendimiento del tercer modelo puede verse en el siguiente gráfico:
test_forecast(actual = UK_ts,
forecast.obj = fc_tslm3,
test = test_ts)Obtenemos el siguiente resultado:
accuracy(fc_tslm3, test_ts)## ME RMSE MAE MPE MAPE MASE
## Training set -8.618470e-12 70380.53 52310.90 -0.1745672 3.206451 0.4343461
## Test set -1.225745e+04 80961.57 65209.86 -0.9822721 4.657522 0.5414482
## ACF1 Theil's U
## Training set 0.7546910 NA
## Test set 0.6162899 0.6835517Los resultados del tercer modelo muestran una pequeña mejora en la precisión del modelo con un 2,81% en el conjunto de entrenamiento y un 5,07% en el conjunto de pruebas.
SELECCIÓN DE MODELOS
Los modelos son semejantes, con una pequeña virtud para el tercer modelo. Sin embargo, el uso del retaro hace que se tengan en cuenta menos datos.
Obtenemos el siguiente resultado:
summary(md_tslm3)$coefficients %>% tail(1)## Estimate Std. Error t value Pr(>|t|)
## lag365 -0.06998885 0.01643666 -4.258095 2.111293e-05Del mismo modo, podemos aplicar una única prueba ANOVA con la función anova del paquete paquete stats, y comprobar si la variable adicional es significativa:
Obtenemos el siguiente resultado:
anova(md_tslm3)## Analysis of Variance Table
##
## Response: train_ts
## Df Sum Sq Mean Sq F value Pr(>F)
## season 364 1.3311e+14 3.6569e+11 67.0897 < 2.2e-16 ***
## trend 1 6.0449e+13 6.0449e+13 11090.1792 < 2.2e-16 ***
## wday 6 3.9754e+13 6.6257e+12 1215.5607 < 2.2e-16 ***
## month 11 1.1356e+11 1.0323e+10 1.8939 0.03549 *
## lag365 1 9.8829e+10 9.8829e+10 18.1314 2.111e-05 ***
## Residuals 3825 2.0849e+13 5.4507e+09
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1El siguiente paso es volver a entrenar el modelo en todas las series y pronosticar lo siguiente. 365 días:
final_md <- tslm(UK_ts ~ season + trend + wday + month + lag365,
data = UKdaily)FINALIZACIÓN DE LA PREVISIÓN
Finalicemos el proceso creando un data.frame con los valores de yday, month y lag365 para las observaciones futuras:
UK_fc_df <- data.frame(date = seq.Date(from = max(UKdaily$TIMESTAMP) +
days(1),
by = "day",
length.out = h))A continuación, podemos utilizar la variable date para crear las variables wday y month con el paquete paquete lubridate:
UK_fc_df$wday <- factor(wday(UK_fc_df$date, label = TRUE), ordered = FALSE)
UK_fc_df$month <- factor(month(UK_fc_df$date, label = TRUE), ordered =
FALSE)
UK_fc_df$lag365 <- tail(UKdaily$ND, h)Utilicemos la función de previsión para crear la previsión:
UKgrid_fc <- forecast(final_md, h = h, newdata = UK_fc_df)Por último, pero no menos importante, trazaremos la previsión final con la función plot_forecast del paquete TSstudio:
plot_forecast(UKgrid_fc,
title = "Previsión de la demanda nacional de electricidad en el Reino Unido",
Ytitle = "MW",
Xtitle = "año")Parte 2 - Data eventos sísmicos
Cargamos la base de datos correspondiente a eventos sísmicos y creamos un data.frame para esta, llamado data
data <- data.frame(read.csv("D:/Materias/Septimo Semestre/Analisis estadistico/database.csv"))Seleccionamos del data.frame llamado df las columnas Date y Magnitude de data con la función Select() y utilizando la función na.omit borramos todas las filas del data.frame que incluyan valores NA
library(dplyr)
library(zoo)##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericdf <- data.frame(select(data, Date, Magnitude))
df <- na.omit(df)Ahora, establecemos un formato de fecha en la columna Date perteneciente a df, este formato corresponde a dia/mes/año. Y posteriormente creamos una serie de tiempo tt.
df$Date <- as.Date(df$Date, format = "%d/%m/%Y")
tt <- ts(df$Magnitude, start = format(df$Date[1], "%Y"), freq = 180)Graficaremos nuestra serie de tiempo asociada a sismos.
Para ello utilizaremos la función ts-plot de la librería TSstudio
library(TSstudio)
ts_plot(tt,
title = "Eventos Sismicos",
Ytitle = "Magnitud",
Xtitle = "Año")DESCOMPOSICIÓN DE SERIES DE TIEMPO ADITIVAS-Sismos
Ahora, utilizando la función ts_decompose podremos analizar la estructura de los componentes de la serie tt con mayor profundidad.
ts_decompose(tt)Puede ver en el Gráfico anterior que la tendencia de la serie tiene su punto más alto en los valores alrededor de 1960, y posterior a su decrecimiento hasta los 70’s donde presenta su valor más bajo en 1974, luego presenta un comportamiento bastante similar en cuanto a un aumento gradual. Por lo tanto, la tendencia general entre 1965 y 2016 no es estrictamente lineal.
MODELO DE REGRESIÓN
Ahora bien, para usar la función lm deberemos primero transformar la serie de un objeto de serie de tiempo (ts.obj) a un data.frame, por lo que usaremos la función ts_to_prophet de la libreria TSstudio.
df <- ts_to_prophet(df)
head(df)## Date Magnitude
## 1 1965-02-01 6.0
## 2 1965-04-01 5.8
## 3 1965-05-01 6.2
## 4 1965-08-01 5.8
## 5 1965-09-01 5.8
## 6 1965-10-01 6.7df$trend <- 1:nrow(df)
library(lubridate)
df$seasonal <- factor(month(df$Date, label = T), ordered = FALSE)
head(df)## Date Magnitude trend seasonal
## 1 1965-02-01 6.0 1 feb
## 2 1965-04-01 5.8 2 abr
## 3 1965-05-01 6.2 3 may
## 4 1965-08-01 5.8 4 ago
## 5 1965-09-01 5.8 5 sept
## 6 1965-10-01 6.7 6 octPosterior a la transformación de la serie en un data.frame, podemos empezar a crear las características de entrada. Primero se creará es la tendencia de la serie.
df$trend <- 1:nrow(df)
head(df)## Date Magnitude trend seasonal
## 1 1965-02-01 6.0 1 feb
## 2 1965-04-01 5.8 2 abr
## 3 1965-05-01 6.2 3 may
## 4 1965-08-01 5.8 4 ago
## 5 1965-09-01 5.8 5 sept
## 6 1965-10-01 6.7 6 octLuego, con esas características dividiremos la serie en una partición de entrenamiento y una de prueba. Estableceremos los últimos 12 meses de la serie como partición de prueba
df <- na.omit(df)
h <- 12
train <- df[1:(nrow(df) - h), ]
test <- df[(nrow(df) - h + 1):nrow(df), ]tail(train)## Date Magnitude trend seasonal
## 23366 2016-06-12 5.9 23366 jun
## 23367 2016-06-12 6.5 23367 jun
## 23368 2016-08-12 6.0 23368 ago
## 23369 2016-08-12 6.6 23369 ago
## 23370 2016-08-12 7.8 23370 ago
## 23371 2016-08-12 5.7 23371 agohead(test)## Date Magnitude trend seasonal
## 23372 2016-08-12 5.5 23372 ago
## 23373 2016-08-12 6.5 23373 ago
## 23374 2016-09-12 6.9 23374 sept
## 23375 2016-09-12 5.5 23375 sept
## 23376 2016-09-12 5.5 23376 sept
## 23377 2016-09-12 5.8 23377 septComponentes estacionales y Modelado de la tendencia de la serie
Ahora, para modelar la tendencia de la serie haremos uso de la regresión con la variable tendencia en la partición de entrenamiento.
md_trend <- lm(Magnitude ~ trend, data = train)Con la función Summary podemos revisar los detalles, a continuación:
summary(md_trend)##
## Call:
## lm(formula = Magnitude ~ trend, data = train)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.4032 -0.2911 -0.1654 0.1339 3.2306
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.903e+00 8.872e-03 665.409 <2e-16 ***
## trend -1.650e-06 6.509e-07 -2.534 0.0113 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4239 on 9187 degrees of freedom
## Multiple R-squared: 0.0006987, Adjusted R-squared: 0.0005899
## F-statistic: 6.424 on 1 and 9187 DF, p-value: 0.01128Ahora, lo siguiente para predecir los valores ajustados y pronosticados del modelo de tendencia es:
train$yhat <- predict(md_trend, newdata = train)
test$yhat <- predict(md_trend, newdata = test)Ahora crearemos una función de utilidad para trazar la serie y la salida del modelo. Esta hace parte de la librería plotly
library(plotly)
plot_lm <- function(data, train, test, title = NULL){
p <- plot_ly(data = df,
x = ~ Date,
y = ~ Magnitude,
type = "scatter",
mode = "line",
name = "Actual") %>%
add_lines(x = ~ train$Date,
y = ~ train$yhat,
line = list(color = "blue"),
name = "Fitted") %>%
add_lines(x = ~ test$Date,
y = ~ test$yhat,
line = list(color = "red", dash = "dot", width = 3),
name = "Forecasted") %>%
layout(title = title,
xaxis = list(title = "Año"),
yaxis = list(title = "Magnitud"),
legend = list(x = 0.05, y = 1))
return(p)
}Ahora, establecemos las entradas de la función plot_lm con la salida del modelo.
plot_lm(data = df,
train = train,
test = test,
)En general, el modelo no capta el movimiento general de la tendencia.
Para el análisis de comparación hallaremos las tasas de error de la siguiente forma:
mape_trend <- c(mean(abs(train$Magnitude - train$yhat) / train$Magnitude),
mean(abs(test$Magnitude - test$yhat) / test$Magnitude))
mape_trend## [1] 0.05164860 0.05688446El modelado y pronóstico del componente estacional sigue el mismo procedimiento usado.Se aplicará con la tendencia, por lo que al hacer una regresión de la serie con la variable estacional tendremos:
md_seasonal <- lm(Magnitude ~ seasonal, data = train)
summary(md_seasonal)##
## Call:
## lm(formula = Magnitude ~ seasonal, data = train)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.4037 -0.2929 -0.1670 0.1330 3.2128
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.868486 0.015254 384.730 <2e-16 ***
## seasonalfeb -0.001489 0.022078 -0.067 0.946
## seasonalmar 0.022281 0.021510 1.036 0.300
## seasonalabr 0.035257 0.021872 1.612 0.107
## seasonalmay 0.008757 0.021600 0.405 0.685
## seasonaljun 0.027412 0.021766 1.259 0.208
## seasonaljul 0.024451 0.021503 1.137 0.256
## seasonalago 0.005760 0.021887 0.263 0.792
## seasonalsept 0.025731 0.022053 1.167 0.243
## seasonaloct 0.007529 0.021642 0.348 0.728
## seasonalnov 0.018745 0.020781 0.902 0.367
## seasonaldic 0.008701 0.021435 0.406 0.685
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4241 on 9177 degrees of freedom
## Multiple R-squared: 0.0006977, Adjusted R-squared: -0.0005001
## F-statistic: 0.5825 on 11 and 9177 DF, p-value: 0.8448Como hacemos una regresión de la variable dependiente con una variable categórica el modelo de refresión crea coeficientes para las categorías, que son las incluidas con los valores dependientes. Como se observa, para el modelo estacional todos los coeficientes son significativos.
Antes de trazar el modelo ajustado y valores pronosticados haremos una actualización de los valores de yhat con la función predict()
train$yhat <- predict(md_seasonal, newdata = train)
test$yhat <- predict(md_seasonal, newdata = test)Ahora usaremos la función plor_lm para graficar el modelo ajustado y los valores pronosticados.
plot_lm(data = df,
train = train,
test = test,
title = "Predicción del componente estacional de la serie")Ahora, mediremos la puntuación MAPE del modelo en la prueba y las particiones de entrenamiento.
mape_md1 <- c(mean(abs(train$Magnitude - train$yhat) / train$Magnitude),
mean(abs(test$Magnitude - test$yhat) / test$Magnitude))
mape_md1## [1] 0.05164878 0.05915471La tasa de error en el conjunto de prueba está relacionada con el componente de rendencia que no se ha incluido en el modelo. El siguiente paso es unir los componentes y pronosticar los valores de las características de la serie.
md1 <- lm(Magnitude ~ seasonal + trend, data = train)
summary(md1)##
## Call:
## lm(formula = Magnitude ~ seasonal + trend, data = train)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.4207 -0.2916 -0.1510 0.1475 3.2252
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.888e+00 1.709e-02 344.439 <2e-16 ***
## seasonalfeb -1.501e-03 2.207e-02 -0.068 0.9458
## seasonalmar 2.254e-02 2.150e-02 1.048 0.2945
## seasonalabr 3.376e-02 2.187e-02 1.543 0.1228
## seasonalmay 8.279e-03 2.159e-02 0.383 0.7014
## seasonaljun 2.721e-02 2.176e-02 1.251 0.2111
## seasonaljul 2.455e-02 2.150e-02 1.142 0.2535
## seasonalago 5.195e-03 2.188e-02 0.237 0.8123
## seasonalsept 2.558e-02 2.205e-02 1.160 0.2459
## seasonaloct 7.478e-03 2.164e-02 0.346 0.7296
## seasonalnov 2.059e-02 2.079e-02 0.991 0.3219
## seasonaldic 8.561e-03 2.143e-02 0.400 0.6895
## trend -1.644e-06 6.526e-07 -2.519 0.0118 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.424 on 9176 degrees of freedom
## Multiple R-squared: 0.001388, Adjusted R-squared: 8.232e-05
## F-statistic: 1.063 on 12 and 9176 DF, p-value: 0.3871Agregar el polinomio de segundo grado al modelo de regresión no arrojó como resultado una mejora del ajuste del modelo.
En el otro modelo, como se puede ver en el siguiente gráfico de salida del modelo, este simple cambio en la estructura del modelo nos permite capturar el desglose estructural de la tendenciaen el tiempo.
md2 <- lm(Magnitude ~ seasonal + trend + I(trend^2), data = train)
summary(md2)##
## Call:
## lm(formula = Magnitude ~ seasonal + trend + I(trend^2), data = train)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.4655 -0.2943 -0.1470 0.1534 3.2092
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.940e+00 1.956e-02 303.677 < 2e-16 ***
## seasonalfeb 2.050e-04 2.204e-02 0.009 0.993
## seasonalmar 2.450e-02 2.147e-02 1.141 0.254
## seasonalabr 3.455e-02 2.184e-02 1.582 0.114
## seasonalmay 1.051e-02 2.156e-02 0.487 0.626
## seasonaljun 2.931e-02 2.173e-02 1.349 0.177
## seasonaljul 2.485e-02 2.146e-02 1.158 0.247
## seasonalago 7.440e-03 2.185e-02 0.340 0.734
## seasonalsept 2.813e-02 2.202e-02 1.278 0.201
## seasonaloct 8.841e-03 2.160e-02 0.409 0.682
## seasonalnov 1.904e-02 2.076e-02 0.917 0.359
## seasonaldic 7.649e-03 2.140e-02 0.357 0.721
## trend -1.529e-05 2.603e-06 -5.874 4.41e-09 ***
## I(trend^2) 5.843e-10 1.079e-10 5.415 6.30e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4233 on 9175 degrees of freedom
## Multiple R-squared: 0.004569, Adjusted R-squared: 0.003159
## F-statistic: 3.239 on 13 and 9175 DF, p-value: 6.446e-05train$yhat <- predict(md2, newdata = train)
test$yhat <- predict(md2, newdata = test)plot_lm(data = df,
train = train,
test = test,
title = "Predecir la tendencia (polinomio) y los componentes estacionales
de la Serie")Aquí podemos observar que el modelo que sigue la puntuación de MAPE se ha vuelto concavo hacia arriba mostrando la tendencia diminutiva que se presenta hasta alrededor de 1990.
mape_md2 <- c(mean(abs(train$Magnitude - train$yhat) / train$Magnitude),
mean(abs(test$Magnitude - test$yhat) / test$Magnitude))
mape_md2## [1] 0.05158082 0.06244063Función tslm
Hemos visto el proceso manual de transformar un objeto ts en una regresión lineal. Ahora, la función tslm() de la librería de pronostic() brinda una función para transformar un objeto ts (ts.obj) en un modelo de pronóstico de regresión lineal. Utilizando el tslm(), puede configurar el componente de regresión junto con otras funciones.
Ahora se repetirá el ejemplo anterior
Primero, dividamos la serie en particiones de entrenamiento y prueba usando la función ts_split().
df_split <- ts_split(tt, sample.out = h)
train.ts <- df_split$train
test.ts <- df_split$testA continuación, aplicaremos la misma fórmula que usamos para crear la previsión md2 del modelo anterior usando la función tslm.
library(forecast)
md3 <- tslm(train.ts ~ season + trend + I(trend^2))
summary(md3)##
## Call:
## tslm(formula = train.ts ~ season + trend + I(trend^2))
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.5330 -0.2997 -0.1314 0.1622 3.2119
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.950e+00 3.783e-02 157.293 <2e-16 ***
## season2 3.823e-02 5.236e-02 0.730 0.4652
## season3 -8.689e-03 5.236e-02 -0.166 0.8682
## season4 -2.746e-02 5.236e-02 -0.524 0.6000
## season5 -4.415e-02 5.236e-02 -0.843 0.3991
## season6 9.009e-03 5.236e-02 0.172 0.8634
## season7 5.132e-02 5.236e-02 0.980 0.3270
## season8 2.594e-02 5.236e-02 0.495 0.6203
## season9 -7.293e-03 5.236e-02 -0.139 0.8892
## season10 1.671e-02 5.236e-02 0.319 0.7496
## season11 -9.674e-03 5.236e-02 -0.185 0.8534
## season12 4.517e-02 5.236e-02 0.863 0.3882
## season13 2.518e-02 5.236e-02 0.481 0.6306
## season14 2.902e-02 5.236e-02 0.554 0.5793
## season15 -5.590e-03 5.236e-02 -0.107 0.9150
## season16 2.210e-02 5.236e-02 0.422 0.6729
## season17 7.518e-02 5.236e-02 1.436 0.1510
## season18 4.903e-02 5.236e-02 0.936 0.3490
## season19 1.926e-02 5.236e-02 0.368 0.7129
## season20 -5.635e-02 5.236e-02 -1.076 0.2818
## season21 9.806e-03 5.236e-02 0.187 0.8514
## season22 -2.173e-02 5.236e-02 -0.415 0.6781
## season23 1.904e-02 5.236e-02 0.364 0.7161
## season24 3.196e-03 5.236e-02 0.061 0.9513
## season25 1.659e-03 5.236e-02 0.032 0.9747
## season26 -4.103e-02 5.236e-02 -0.784 0.4332
## season27 -1.788e-02 5.236e-02 -0.341 0.7328
## season28 1.597e-02 5.236e-02 0.305 0.7603
## season29 -2.488e-03 5.236e-02 -0.048 0.9621
## season30 1.444e-02 5.236e-02 0.276 0.7827
## season31 -2.402e-02 5.236e-02 -0.459 0.6464
## season32 5.983e-02 5.236e-02 1.143 0.2532
## season33 1.906e-02 5.236e-02 0.364 0.7159
## season34 6.752e-02 5.236e-02 1.290 0.1972
## season35 -1.232e-02 5.236e-02 -0.235 0.8139
## season36 -4.094e-02 5.236e-02 -0.782 0.4343
## season37 -1.632e-02 5.236e-02 -0.312 0.7553
## season38 -2.401e-02 5.236e-02 -0.459 0.6465
## season39 3.984e-02 5.236e-02 0.761 0.4467
## season40 6.292e-02 5.236e-02 1.202 0.2295
## season41 -2.708e-02 5.236e-02 -0.517 0.6050
## season42 2.907e-02 5.236e-02 0.555 0.5787
## season43 -1.092e-02 5.236e-02 -0.209 0.8347
## season44 6.001e-03 5.236e-02 0.115 0.9088
## season45 2.908e-02 5.236e-02 0.555 0.5786
## season46 2.139e-02 5.236e-02 0.409 0.6829
## season47 2.062e-02 5.236e-02 0.394 0.6937
## season48 -1.092e-02 5.236e-02 -0.208 0.8349
## season49 1.447e-02 5.236e-02 0.276 0.7822
## season50 -1.768e-02 5.236e-02 -0.338 0.7356
## season51 2.832e-02 5.236e-02 0.541 0.5886
## season52 6.246e-03 5.236e-02 0.119 0.9050
## season53 -1.244e-02 5.236e-02 -0.238 0.8121
## season54 1.217e-02 5.236e-02 0.232 0.8162
## season55 -2.244e-02 5.236e-02 -0.429 0.6682
## season56 8.330e-03 5.236e-02 0.159 0.8736
## season57 2.518e-02 5.236e-02 0.481 0.6306
## season58 2.833e-02 5.236e-02 0.541 0.5884
## season59 1.618e-02 5.236e-02 0.309 0.7573
## season60 6.064e-02 5.236e-02 1.158 0.2467
## season61 5.142e-02 5.236e-02 0.982 0.3261
## season62 -3.397e-02 5.236e-02 -0.649 0.5165
## season63 5.603e-02 5.236e-02 1.070 0.2845
## season64 -6.858e-02 5.236e-02 -1.310 0.1903
## season65 6.531e-04 5.236e-02 0.012 0.9900
## season66 -2.204e-02 5.236e-02 -0.421 0.6738
## season67 5.604e-02 5.236e-02 1.070 0.2845
## season68 -5.434e-02 5.236e-02 -1.038 0.2993
## season69 6.601e-04 5.236e-02 0.013 0.9899
## season70 2.989e-02 5.236e-02 0.571 0.5680
## season71 -1.472e-02 5.236e-02 -0.281 0.7786
## season72 -5.972e-02 5.236e-02 -1.141 0.2540
## season73 3.582e-02 5.236e-02 0.684 0.4939
## season74 -8.023e-03 5.236e-02 -0.153 0.8782
## season75 -5.702e-02 5.236e-02 -1.089 0.2761
## season76 -1.625e-02 5.236e-02 -0.310 0.7563
## season77 1.111e-01 5.236e-02 2.123 0.0338 *
## season78 3.221e-02 5.236e-02 0.615 0.5384
## season79 -1.548e-02 5.236e-02 -0.296 0.7675
## season80 -5.624e-02 5.236e-02 -1.074 0.2827
## season81 7.914e-02 5.236e-02 1.512 0.1306
## season82 1.145e-02 5.236e-02 0.219 0.8269
## season83 -4.239e-02 5.236e-02 -0.810 0.4181
## season84 4.146e-02 5.236e-02 0.792 0.4285
## season85 -9.004e-03 5.236e-02 -0.172 0.8635
## season86 5.931e-02 5.236e-02 1.133 0.2573
## season87 5.069e-02 5.236e-02 0.968 0.3329
## season88 6.931e-04 5.236e-02 0.013 0.9894
## season89 -1.700e-02 5.236e-02 -0.325 0.7454
## season90 3.773e-03 5.236e-02 0.072 0.9425
## season91 8.301e-02 5.236e-02 1.585 0.1129
## season92 -4.007e-02 5.236e-02 -0.765 0.4441
## season93 1.101e-02 5.236e-02 0.210 0.8335
## season94 -4.160e-02 5.236e-02 -0.795 0.4268
## season95 -1.529e-02 5.236e-02 -0.292 0.7702
## season96 1.763e-02 5.236e-02 0.337 0.7363
## season97 5.009e-02 5.236e-02 0.957 0.3387
## season98 2.748e-02 5.236e-02 0.525 0.5997
## season99 9.943e-03 5.236e-02 0.190 0.8494
## season100 3.687e-02 5.236e-02 0.704 0.4813
## season101 1.533e-02 5.236e-02 0.293 0.7697
## season102 1.687e-02 5.236e-02 0.322 0.7473
## season103 -1.082e-02 5.236e-02 -0.207 0.8363
## season104 3.226e-02 5.236e-02 0.616 0.5378
## season105 5.380e-02 5.236e-02 1.028 0.3042
## season106 1.109e-03 5.236e-02 0.021 0.9831
## season107 -3.081e-02 5.236e-02 -0.589 0.5562
## season108 4.611e-02 5.236e-02 0.881 0.3785
## season109 2.458e-02 5.236e-02 0.469 0.6388
## season110 2.381e-02 5.236e-02 0.455 0.6493
## season111 1.150e-02 5.236e-02 0.220 0.8261
## season112 9.535e-02 5.236e-02 1.821 0.0686 .
## season113 -2.003e-02 5.236e-02 -0.383 0.7020
## season114 2.381e-02 5.236e-02 0.455 0.6492
## season115 -1.234e-02 5.236e-02 -0.236 0.8137
## season116 5.536e-02 5.236e-02 1.057 0.2904
## season117 1.613e-02 5.236e-02 0.308 0.7581
## season118 1.921e-02 5.236e-02 0.367 0.7137
## season119 -4.310e-02 5.236e-02 -0.823 0.4104
## season120 3.055e-03 5.236e-02 0.058 0.9535
## season121 3.860e-02 5.236e-02 0.737 0.4610
## season122 4.537e-02 5.236e-02 0.867 0.3862
## season123 -4.632e-03 5.236e-02 -0.088 0.9295
## season124 6.908e-03 5.236e-02 0.132 0.8950
## season125 6.845e-02 5.236e-02 1.307 0.1911
## season126 5.922e-02 5.236e-02 1.131 0.2580
## season127 -2.232e-02 5.236e-02 -0.426 0.6699
## season128 6.538e-02 5.236e-02 1.249 0.2118
## season129 5.538e-02 5.236e-02 1.058 0.2902
## season130 -2.039e-02 5.236e-02 -0.389 0.6970
## season131 6.000e-02 5.236e-02 1.146 0.2518
## season132 -2.540e-03 5.236e-02 -0.049 0.9613
## season133 3.846e-03 5.236e-02 0.073 0.9414
## season134 -3.000e-02 5.236e-02 -0.573 0.5667
## season135 9.234e-03 5.236e-02 0.176 0.8600
## season136 -5.230e-02 5.236e-02 -0.999 0.3178
## season137 6.161e-03 5.236e-02 0.118 0.9063
## season138 -3.145e-02 5.236e-02 -0.601 0.5480
## season139 -2.922e-02 5.236e-02 -0.558 0.5768
## season140 -7.574e-04 5.236e-02 -0.014 0.9885
## season141 -3.691e-02 5.236e-02 -0.705 0.4808
## season142 5.848e-02 5.236e-02 1.117 0.2640
## season143 -2.360e-02 5.236e-02 -0.451 0.6522
## season144 -5.366e-03 5.236e-02 -0.102 0.9184
## season145 -1.536e-02 5.236e-02 -0.293 0.7692
## season146 -3.306e-02 5.236e-02 -0.631 0.5278
## season147 1.464e-02 5.236e-02 0.280 0.7798
## season148 5.464e-02 5.236e-02 1.044 0.2967
## season149 -7.896e-03 5.236e-02 -0.151 0.8801
## season150 -3.689e-02 5.236e-02 -0.705 0.4810
## season151 5.234e-02 5.236e-02 1.000 0.3175
## season152 -1.305e-02 5.236e-02 -0.249 0.8032
## season153 1.572e-03 5.236e-02 0.030 0.9761
## season154 -2.535e-02 5.236e-02 -0.484 0.6283
## season155 -4.250e-04 5.236e-02 -0.008 0.9935
## season156 -1.688e-02 5.236e-02 -0.323 0.7471
## season157 -3.688e-02 5.236e-02 -0.704 0.4811
## season158 -5.996e-02 5.236e-02 -1.145 0.2521
## season159 -6.226e-02 5.236e-02 -1.189 0.2343
## season160 1.466e-02 5.236e-02 0.280 0.7795
## season161 1.235e-02 5.236e-02 0.236 0.8135
## season162 9.697e-02 5.236e-02 1.852 0.0640 .
## season163 -1.841e-02 5.236e-02 -0.352 0.7251
## season164 3.467e-02 5.236e-02 0.662 0.5079
## season165 3.544e-02 5.236e-02 0.677 0.4985
## season166 -6.099e-03 5.236e-02 -0.116 0.9073
## season167 7.390e-02 5.236e-02 1.412 0.1581
## season168 4.673e-03 5.236e-02 0.089 0.9289
## season169 2.929e-02 5.236e-02 0.559 0.5759
## season170 2.391e-02 5.236e-02 0.457 0.6479
## season171 -2.378e-02 5.236e-02 -0.454 0.6496
## season172 9.160e-02 5.236e-02 1.750 0.0802 .
## season173 6.314e-02 5.236e-02 1.206 0.2278
## season174 -3.270e-02 5.236e-02 -0.625 0.5322
## season175 -1.762e-02 5.236e-02 -0.337 0.7364
## season176 -3.454e-02 5.236e-02 -0.660 0.5094
## season177 3.007e-02 5.236e-02 0.574 0.5657
## season178 6.069e-02 5.236e-02 1.159 0.2464
## season179 7.292e-02 5.236e-02 1.393 0.1637
## season180 -2.762e-02 5.236e-02 -0.527 0.5979
## trend -1.637e-05 1.634e-06 -10.020 <2e-16 ***
## I(trend^2) 6.262e-10 6.761e-11 9.262 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4221 on 23218 degrees of freedom
## Multiple R-squared: 0.01186, Adjusted R-squared: 0.004156
## F-statistic: 1.54 on 181 and 23218 DF, p-value: 4.66e-06Modelado de eventos únicos y eventos no estacionales.
La regresión de un modelo tslm() con variables externas requiere un data.frame separado con las variables correspondientes.
El siguiente ejemplo muestra el proceso de creación de una variable binaria externa que es igual a 0 antes del año 2010 y 1 después, usando la tabla df.
r <- which(df$Date == as.Date("1965-01-02"))
df$s_break <- ifelse(year(df$Date) >= 1965, 1, 0)
df$s_break[r] <- 1
tt## Time Series:
## Start = c(1965, 1)
## End = c(2095, 12)
## Frequency = 180
## [1] 6.00 5.80 6.20 5.80 5.80 6.70 5.90 6.00 6.00 5.80 5.90 8.20 5.50 5.60
## [15] 6.00 6.10 8.70 6.00 5.70 5.80 5.90 5.90 5.70 5.70 5.70 5.60 7.30 6.50
## [29] 5.60 6.40 5.80 5.80 5.80 5.70 5.70 6.30 5.70 6.00 5.60 6.40 6.20 5.60
## [43] 5.70 5.70 6.30 5.80 5.70 5.70 5.80 5.90 5.60 6.00 5.80 5.80 5.90 5.70
## [57] 5.70 5.60 5.60 5.90 5.80 5.80 7.00 6.20 6.20 5.60 6.00 5.90 5.70 5.50
## [71] 5.60 5.70 5.60 5.80 5.60 6.70 6.30 5.70 5.50 5.60 5.80 5.60 5.60 5.80
## [85] 6.00 6.10 5.70 7.40 5.80 6.40 6.00 6.30 5.70 6.00 6.30 6.50 6.20 6.20
## [99] 5.70 5.80 7.40 6.40 5.90 7.60 6.80 5.90 5.80 5.70 5.60 6.10 5.70 5.70
## [113] 6.20 6.10 6.00 6.20 5.70 6.50 6.30 5.90 5.70 5.60 5.60 6.00 5.90 6.10
## [127] 6.10 6.00 5.80 6.00 5.70 5.60 6.10 6.00 6.10 5.80 6.70 6.00 5.60 5.80
## [141] 5.80 5.90 5.70 6.20 5.70 6.10 5.80 5.90 6.70 5.60 5.60 5.50 7.70 5.70
## [155] 6.10 6.00 5.90 5.80 6.00 5.90 5.70 5.90 5.60 5.60 7.00 7.20 5.50 5.60
## [169] 5.70 5.60 5.70 5.70 5.50 5.90 6.10 5.90 5.60 5.90 6.20 5.90 5.60 5.50
## [183] 5.90 6.30 6.50 5.80 5.70 6.50 5.90 6.00 5.80 5.70 6.10 7.80 5.90 5.80
## [197] 6.30 5.60 6.30 5.70 5.70 6.00 5.90 5.70 5.50 5.50 5.60 5.70 5.60 6.80
## [211] 5.70 5.60 5.60 5.90 7.30 5.70 6.50 7.20 5.80 6.90 6.00 7.60 6.90 6.80
## [225] 5.90 5.80 6.10 7.40 7.20 6.20 6.00 6.00 5.70 6.20 6.10 5.80 6.20 6.70
## [239] 6.70 6.10 5.60 6.00 7.40 5.80 5.70 5.80 5.70 5.80 5.50 5.90 7.00 5.70
## [253] 6.20 6.20 6.10 6.30 5.90 6.10 5.80 6.00 6.50 5.80 5.90 6.80 6.00 6.70
## [267] 5.90 5.90 6.30 5.60 5.70 5.80 5.60 6.50 6.10 6.80 6.20 6.00 5.90 5.90
## [281] 5.90 5.80 5.60 5.70 5.70 6.30 6.10 5.60 5.90 5.60 6.70 5.60 6.70 6.10
## [295] 5.90 6.20 6.40 6.50 5.70 5.70 6.10 5.90 6.00 5.70 5.60 6.50 6.00 5.80
## [309] 6.50 5.70 5.90 6.20 5.60 5.80 5.60 5.80 6.20 5.90 5.80 5.80 5.60 6.70
## [323] 6.30 6.00 6.40 6.20 5.90 6.00 5.60 5.80 6.30 5.80 6.10 5.60 6.20 5.90
## [337] 5.80 5.60 5.80 5.80 5.90 6.00 5.70 5.80 5.80 6.20 5.80 5.60 6.00 5.60
## [351] 5.70 5.70 5.70 5.80 6.40 6.20 6.40 5.90 6.50 6.50 6.30 5.80 5.80 6.50
## [365] 6.00 5.90 6.60 6.60 5.70 5.90 6.00 5.60 6.90 6.00 5.60 5.60 6.00 5.70
## [379] 5.80 5.90 6.70 6.30 6.50 6.20 6.20 5.60 5.80 7.50 6.70 5.60 6.60 5.60
## [393] 6.20 6.80 6.20 5.90 6.00 5.90 5.70 6.00 6.00 5.70 5.80 6.30 5.60 5.70
## [407] 6.20 5.80 5.70 6.10 5.70 6.30 5.90 6.20 6.00 6.00 6.00 5.90 5.90 5.80
## [421] 6.50 6.10 6.40 6.10 5.60 6.20 6.00 6.20 5.60 5.80 5.70 6.10 5.70 5.60
## [435] 5.90 6.00 6.10 5.50 5.70 5.70 5.70 5.70 6.10 5.80 5.80 5.50 5.80 6.00
## [449] 5.60 6.60 6.00 6.20 5.60 6.80 5.70 5.60 6.10 6.70 7.10 6.80 5.90 5.70
## [463] 5.80 5.50 7.00 5.60 6.00 5.70 6.30 5.60 6.00 6.40 5.80 6.80 5.80 6.10
## [477] 6.00 5.70 6.40 5.60 6.40 5.70 5.80 6.00 6.20 6.90 5.70 6.90 5.60 6.35
## [491] 6.00 6.00 5.90 5.80 5.60 6.00 6.00 5.80 5.70 6.20 5.70 5.60 5.80 6.10
## [505] 6.00 6.80 5.70 5.80 6.20 6.10 6.00 5.90 6.30 5.70 5.80 6.00 5.70 5.60
## [519] 7.70 5.60 5.90 6.30 5.90 6.70 6.20 6.20 5.70 6.00 5.90 6.30 6.90 5.60
## [533] 6.10 6.10 6.00 5.80 5.70 5.70 8.10 7.00 5.70 6.70 5.90 6.00 6.40 6.10
## [547] 5.60 5.60 6.00 6.30 5.60 5.90 5.80 5.90 5.70 5.60 6.80 5.70 5.90 5.70
## [561] 6.30 6.30 5.70 5.70 6.30 5.62 6.30 6.60 5.60 7.70 5.60 7.80 7.10 6.50
## [575] 5.90 5.60 6.00 6.10 5.60 5.80 5.60 5.50 7.00 5.80 5.90 5.90 5.60 6.00
## [589] 5.70 5.70 6.10 6.20 6.00 6.20 6.60 5.50 5.90 5.90 6.40 6.30 6.00 5.70
## [603] 6.50 6.00 6.80 5.60 5.80 5.60 5.60 6.10 5.60 5.70 7.00 7.00 6.80 5.80
## [617] 7.00 6.50 5.60 6.30 5.90 5.50 5.80 6.00 5.90 5.90 6.00 6.00 5.70 5.70
## [631] 6.60 5.90 5.90 5.90 5.90 5.70 5.60 5.70 6.20 5.70 6.20 6.70 5.80 5.70
## [645] 6.70 5.90 5.70 6.10 6.40 6.20 6.10 5.80 6.10 5.90 5.90 5.70 5.80 6.00
## [659] 5.70 6.10 6.10 6.70 5.60 5.80 5.70 6.20 5.70 5.70 5.80 6.20 5.90 5.80
## [673] 5.70 5.60 6.10 5.70 6.70 5.80 5.80 5.90 5.80 5.80 5.60 5.60 5.70 5.80
## [687] 6.00 5.70 6.20 5.60 6.00 6.10 5.90 5.70 5.70 6.20 5.80 5.60 5.70 5.80
## [701] 5.60 5.70 5.50 6.50 6.10 5.70 6.10 5.70 5.70 6.10 6.20 6.40 6.10 7.40
## [715] 6.20 6.80 6.60 5.70 5.70 5.90 5.60 6.70 5.70 6.30 5.70 6.30 5.70 5.70
## [729] 5.60 6.00 5.70 5.80 6.60 6.60 5.70 5.60 5.80 6.20 5.60 6.40 5.80 6.00
## [743] 5.70 7.00 6.50 5.70 5.90 6.10 6.70 6.30 5.60 5.80 5.80 5.60 5.80 6.10
## [757] 6.30 7.00 5.70 6.20 6.20 5.90 6.20 6.20 5.90 5.70 6.20 6.80 5.60 5.70
## [771] 5.90 7.20 5.60 5.60 5.80 6.00 7.10 5.70 5.70 6.00 5.70 6.80 5.70 5.70
## [785] 5.60 6.00 6.70 5.60 6.10 5.60 5.60 5.60 5.80 6.20 5.90 6.40 5.90 6.30
## [799] 5.70 5.80 6.40 5.70 5.90 6.50 6.50 5.70 5.70 5.60 5.60 6.70 6.30 5.60
## [813] 5.80 5.60 6.60 5.80 5.70 6.00 5.70 7.30 5.90 6.40 6.20 7.20 6.30 6.70
## [827] 6.50 5.70 5.90 6.10 5.80 6.40 5.70 6.00 6.10 5.70 6.00 5.60 6.20 6.40
## [841] 6.70 5.70 5.70 6.10 6.50 6.80 5.60 7.40 6.10 5.90 6.30 5.60 5.70 5.80
## [855] 6.60 5.60 5.60 5.60 7.30 5.70 5.70 7.20 5.80 6.20 5.60 5.70 5.60 7.10
## [869] 5.80 5.90 6.30 5.90 5.70 6.30 6.10 6.30 5.70 5.50 5.80 6.40 6.10 5.60
## [883] 5.70 6.10 5.80 5.60 5.70 7.50 6.80 5.90 6.60 5.60 5.80 6.30 6.30 6.20
## [897] 6.20 5.63 6.10 5.50 5.90 5.70 5.70 5.70 5.60 6.40 5.70 5.80 6.70 5.60
## [911] 5.60 8.20 6.00 5.80 6.10 7.90 6.50 5.70 6.10 5.70 6.10 6.50 6.10 6.30
## [925] 6.10 5.80 6.30 6.10 5.90 7.00 5.80 6.90 7.00 5.90 5.60 6.30 5.80 6.00
## [939] 6.00 7.20 6.60 6.20 5.70 6.10 5.90 7.50 5.70 5.90 6.40 5.80 5.70 5.60
## [953] 6.70 6.20 5.70 5.90 6.20 5.70 7.00 5.70 6.30 5.60 6.20 5.70 5.70 5.60
## [967] 6.20 5.70 5.90 6.30 6.30 6.40 6.80 5.80 5.70 5.70 6.10 5.80 5.80 5.90
## [981] 6.10 6.40 5.70 6.00 6.30 5.80 6.00 5.90 6.00 6.00 5.90 5.80 5.70 6.00
## [995] 5.60 6.00 7.30 5.80 5.70 6.10 6.30 6.20 6.50 5.70 7.60 5.90 7.30 6.70
## [1009] 6.40 6.10 6.80 5.80 5.80 7.60 5.80 6.50 5.90 5.80 5.70 6.00 5.80 5.70
## [1023] 5.70 6.00 7.20 5.60 5.90 5.60 6.00 7.30 5.80 5.80 6.50 6.20 6.30 5.70
## [1037] 5.70 5.70 5.80 5.50 5.90 6.40 7.10 6.20 6.30 5.50 5.60 5.70 6.30 6.10
## [1051] 5.90 6.10 6.20 6.00 6.80 6.10 6.00 5.80 6.50 6.70 5.70 6.20 6.00 5.60
## [1065] 6.10 7.10 6.00 6.40 6.10 5.80 6.00 6.20 7.30 6.50 6.10 5.60 6.10 6.00
## [1079] 6.50 5.90 5.70 6.20 6.00 7.00 5.70 6.30 5.70 5.60 6.40 5.80 6.70 6.10
## [1093] 5.90 6.50 6.10 5.90 5.80 6.20 5.90 6.10 5.60 6.20 6.10 5.60 5.60 6.40
## [1107] 5.90 6.40 5.60 5.80 6.40 5.80 5.70 6.10 6.00 6.60 5.70 5.80 6.00 5.70
## [1121] 5.90 5.60 5.90 6.20 6.20 6.30 5.80 5.80 6.00 5.52 5.60 5.60 5.60 5.60
## [1135] 6.00 5.50 5.90 5.80 7.00 6.90 5.60 5.90 5.80 6.40 6.40 7.00 7.10 6.20
## [1149] 5.90 5.60 6.70 6.00 6.10 6.20 6.00 7.60 6.40 6.00 5.60 5.70 6.00 5.70
## [1163] 5.80 6.80 6.10 6.20 7.20 5.90 6.10 7.20 5.70 6.30 6.30 6.30 6.00 7.00
## [1177] 6.20 5.70 7.80 6.20 5.80 6.00 6.20 6.20 5.70 6.30 5.70 6.00 5.70 5.80
## [1191] 5.70 6.00 5.60 6.50 5.70 6.10 5.70 5.80 6.00 5.80 5.90 6.10 6.00 6.60
## [1205] 6.70 6.20 6.10 5.60 6.60 6.70 5.70 5.90 5.60 6.10 6.30 5.80 5.50 5.70
## [1219] 5.70 5.80 5.70 6.40 6.10 5.60 6.50 6.20 6.00 5.90 5.70 5.60 7.00 6.20
## [1233] 6.00 5.60 5.80 6.00 6.20 5.60 5.70 5.90 5.70 6.20 6.00 5.70 5.60 6.40
## [1247] 6.90 5.60 6.00 5.60 6.00 5.50 5.60 5.90 6.00 5.70 6.20 6.10 5.80 5.80
## [1261] 6.10 6.40 5.80 6.50 6.80 5.80 5.60 5.60 5.70 5.70 5.80 5.70 5.50 5.90
## [1275] 6.10 6.00 5.80 5.80 5.90 5.60 6.00 6.20 5.90 6.90 5.60 6.40 5.60 5.70
## [1289] 5.60 6.10 6.10 5.60 5.70 5.60 5.70 5.70 5.60 5.70 6.30 5.80 5.90 5.60
## [1303] 5.60 6.30 6.90 6.10 5.60 5.90 6.10 6.60 6.20 6.20 7.50 5.70 5.80 5.60
## [1317] 6.20 6.20 6.10 6.80 6.80 5.60 6.00 6.10 6.80 5.80 5.80 5.60 6.00 5.80
## [1331] 6.10 6.30 5.80 7.10 6.30 6.10 6.10 5.80 5.60 5.90 6.50 6.70 6.10 6.00
## [1345] 5.60 5.80 6.60 6.30 5.90 5.80 5.80 5.80 5.60 5.70 5.60 6.00 5.80 6.40
## [1359] 5.70 6.10 5.70 5.90 6.00 5.70 5.90 5.70 6.10 6.20 6.00 5.70 6.30 5.60
## [1373] 6.70 5.50 5.70 5.80 5.60 5.50 5.50 5.50 5.82 6.00 5.80 5.70 6.10 5.60
## [1387] 6.20 6.00 5.50 6.10 6.80 5.60 6.00 5.80 5.80 6.30 6.20 6.60 5.80 6.00
## [1401] 6.30 5.70 5.70 5.80 5.60 5.90 6.30 5.60 5.60 5.90 5.70 5.70 5.80 5.60
## [1415] 5.60 5.80 6.10 6.30 6.10 5.60 6.60 6.60 6.00 6.00 6.60 5.70 5.60 5.80
## [1429] 6.00 5.70 7.60 7.40 6.10 6.00 6.00 5.80 5.90 5.80 5.70 5.60 6.20 5.60
## [1443] 5.60 6.10 5.80 6.30 5.60 5.90 7.20 5.60 6.10 5.60 5.70 5.70 5.90 6.30
## [1457] 5.60 7.10 5.90 6.30 6.00 6.80 5.80 7.20 5.70 5.70 6.00 6.00 5.60 5.80
## [1471] 6.80 5.70 6.40 6.70 5.70 5.60 6.50 5.70 5.80 6.10 5.90 5.70 6.00 5.80
## [1485] 5.70 6.40 5.80 6.00 5.70 6.70 6.00 6.00 6.10 6.00 6.00 5.80 6.50 5.90
## [1499] 5.90 5.60 5.80 6.00 5.70 5.80 5.60 5.80 6.10 5.80 5.90 6.10 6.10 5.70
## [1513] 7.10 5.60 6.20 5.60 6.10 5.70 5.90 6.60 6.20 5.80 5.70 6.00 6.00 5.80
## [1527] 6.30 5.70 5.60 5.70 5.70 6.00 5.54 6.70 6.00 6.90 6.60 6.80 5.70 5.90
## [1541] 5.70 5.90 6.00 7.40 5.60 5.80 6.30 5.90 6.50 5.70 5.80 5.70 6.10 5.80
## [1555] 6.90 5.70 5.60 5.80 5.70 6.20 6.00 6.70 5.60 6.10 5.90 6.10 6.00 6.60
## [1569] 5.80 5.60 5.70 6.00 5.80 5.70 5.60 6.60 7.30 5.90 5.80 6.60 6.00 5.80
## [1583] 5.90 5.80 5.90 5.60 6.10 6.20 6.10 5.60 6.10 6.70 5.80 6.30 5.70 6.10
## [1597] 5.80 5.80 7.10 5.90 6.20 6.00 5.60 6.00 6.30 5.80 7.90 6.10 5.60 6.20
## [1611] 5.80 5.70 5.80 5.70 6.40 6.30 5.70 5.60 5.90 6.00 6.60 7.30 5.60 5.90
## [1625] 7.00 7.20 5.80 6.00 5.80 6.50 6.20 5.60 6.00 5.80 7.40 6.20 5.70 5.60
## [1639] 6.60 5.50 6.40 5.60 5.60 6.00 6.10 5.80 6.10 5.70 6.10 5.80 5.80 6.10
## [1653] 6.30 6.10 6.20 5.60 7.00 6.20 6.30 6.00 7.00 6.70 6.60 8.00 5.70 5.90
## [1667] 5.60 5.80 6.10 6.00 6.40 6.30 6.90 5.70 6.00 6.50 6.50 5.60 5.80 5.90
## [1681] 6.00 5.80 6.40 5.90 6.00 5.90 6.50 5.90 5.60 5.80 7.30 6.60 6.10 6.50
## [1695] 5.90 6.40 5.70 5.80 6.00 5.70 6.40 6.10 5.70 6.60 5.80 6.50 5.70 5.60
## [1709] 6.30 6.00 6.00 5.60 5.80 5.80 5.90 6.30 6.30 6.50 6.20 5.80 5.70 6.40
## [1723] 6.10 6.20 5.60 5.60 5.70 5.80 6.40 5.70 6.00 6.90 5.90 5.70 5.60 5.80
## [1737] 5.60 6.10 6.70 5.50 5.60 6.30 5.80 6.50 5.80 6.20 5.80 5.60 5.90 5.70
## [1751] 6.00 5.60 5.90 5.60 5.80 5.60 5.60 5.70 5.90 5.70 5.70 5.90 6.00 6.00
## [1765] 6.40 5.60 6.20 6.00 5.60 5.70 7.00 5.70 5.80 6.50 5.80 5.60 6.50 6.70
## [1779] 6.50 5.70 7.20 5.70 5.60 5.70 5.70 5.60 5.90 5.80 5.70 6.00 5.80 6.20
## [1793] 5.90 5.80 5.60 5.90 5.90 6.60 6.70 5.90 5.60 6.00 7.10 5.70 5.80 5.60
## [1807] 5.80 6.20 7.70 6.60 6.00 6.00 6.20 5.80 5.90 6.00 5.70 5.80 5.90 5.90
## [1821] 5.90 5.90 5.70 5.50 5.50 6.00 5.80 5.70 5.50 5.60 6.20 6.40 5.70 5.60
## [1835] 6.90 6.10 5.60 5.60 7.00 5.90 5.90 5.90 5.80 7.00 5.90 5.60 7.00 6.60
## [1849] 5.80 5.80 5.80 5.50 5.70 5.80 6.50 5.80 5.70 6.90 5.60 5.80 5.60 5.70
## [1863] 6.00 5.80 5.90 6.10 6.60 6.20 5.70 5.60 6.40 6.10 5.70 5.50 5.60 5.80
## [1877] 5.50 6.30 6.20 6.20 5.80 5.70 6.00 5.70 5.60 5.90 6.30 5.80 5.60 5.70
## [1891] 5.70 5.50 5.80 6.50 6.10 5.70 6.10 5.50 6.10 5.50 6.60 5.60 7.00 5.60
## [1905] 5.80 6.10 5.50 5.50 5.60 5.90 5.80 5.70 5.70 5.70 6.40 5.50 6.00 5.80
## [1919] 7.00 5.50 6.00 6.40 6.00 6.00 6.60 5.60 5.50 5.70 5.80 5.60 6.20 5.60
## [1933] 5.70 5.60 6.70 5.60 6.00 7.00 5.50 5.70 5.60 6.90 5.60 5.90 6.10 5.60
## [1947] 5.70 6.20 5.60 6.00 6.30 5.80 6.10 5.50 5.70 5.70 5.70 5.50 6.00 5.80
## [1961] 6.50 6.80 5.70 6.00 5.70 6.00 6.30 5.60 6.40 5.50 5.60 5.90 6.10 5.60
## [1975] 5.60 5.50 5.80 6.20 7.80 5.90 5.90 6.40 5.50 8.00 5.80 6.00 5.60 6.10
## [1989] 5.50 6.50 5.60 5.50 6.20 5.50 5.60 6.60 7.00 5.90 6.30 5.50 5.80 5.90
## [2003] 5.70 5.80 5.60 6.40 5.60 6.40 8.10 6.00 6.60 7.00 6.00 6.10 5.90 5.50
## [2017] 5.80 6.30 5.80 5.90 6.00 5.70 7.40 5.80 5.90 5.60 6.60 5.50 6.50 5.80
## [2031] 5.60 5.60 5.80 5.70 5.70 5.90 7.10 5.60 5.50 5.90 6.90 5.60 5.60 6.50
## [2045] 6.30 5.70 6.00 5.50 6.20 5.50 5.80 6.20 5.60 6.60 6.50 5.90 5.70 5.80
## [2059] 5.60 5.60 6.30 6.40 6.00 5.70 6.50 6.20 5.80 5.80 5.50 5.80 5.60 5.60
## [2073] 5.60 5.90 7.30 5.70 5.70 6.10 5.70 5.60 6.80 6.50 5.70 6.20 6.00 6.00
## [2087] 5.50 6.00 5.50 6.30 6.00 7.00 5.50 5.90 5.50 6.40 5.80 6.80 5.70 5.80
## [2101] 5.60 5.80 5.70 6.60 6.20 5.60 5.80 6.50 5.80 6.00 6.00 6.00 6.70 6.80
## [2115] 5.50 5.70 5.50 5.60 5.70 5.50 5.80 6.60 5.50 6.20 5.60 6.10 5.80 5.80
## [2129] 5.50 6.30 6.60 5.70 6.50 6.20 6.40 5.70 5.50 6.80 5.70 6.10 6.70 5.70
## [2143] 5.70 6.20 5.70 5.60 5.90 6.20 5.60 5.80 5.60 6.50 5.80 7.10 6.10 6.10
## [2157] 6.00 5.50 7.30 5.60 5.90 5.80 6.60 6.30 5.50 6.00 6.20 5.80 5.50 5.60
## [2171] 6.10 5.80 6.00 5.60 6.50 7.60 5.60 5.60 6.30 5.80 5.50 5.60 5.80 5.90
## [2185] 5.70 6.00 5.70 6.80 5.80 5.80 6.90 5.70 6.10 6.00 5.60 6.70 5.80 6.00
## [2199] 6.40 5.70 5.90 5.90 6.20 5.70 6.60 6.60 6.20 6.10 5.80 6.30 7.00 6.10
## [2213] 5.70 7.30 7.10 5.50 6.50 6.30 5.70 5.80 5.60 5.60 5.80 5.80 6.10 6.00
## [2227] 6.00 5.90 5.80 7.40 5.80 5.60 5.60 5.50 5.60 5.80 5.80 5.80 5.50 6.30
## [2241] 5.70 7.20 6.00 6.00 5.90 5.70 5.90 5.60 5.70 6.60 5.90 5.60 5.70 5.50
## [2255] 5.70 5.80 6.20 6.40 5.90 5.50 6.80 5.90 5.70 6.40 5.70 6.00 5.70 6.50
## [2269] 6.30 5.50 5.70 7.20 5.80 6.10 6.40 6.00 5.60 6.70 5.70 6.80 5.50 5.60
## [2283] 5.60 5.70 6.60 6.60 5.50 6.30 5.90 6.00 5.70 6.30 5.70 7.00 5.60 7.50
## [2297] 5.80 6.00 5.60 7.20 5.60 6.00 5.60 6.10 5.60 5.60 6.90 6.30 5.60 6.60
## [2311] 5.60 6.30 5.70 5.60 6.00 5.80 5.80 5.70 5.90 5.70 5.70 5.60 5.60 5.80
## [2325] 5.50 6.20 5.50 6.90 7.10 6.00 5.50 5.90 6.30 5.60 5.50 5.70 6.00 5.60
## [2339] 5.70 5.70 6.70 5.70 7.70 5.70 5.50 5.80 5.60 6.20 5.80 5.60 6.00 6.30
## [2353] 5.80 5.80 5.60 5.50 5.60 5.70 5.60 5.70 6.00 5.90 5.60 5.90 5.60 5.60
## [2367] 5.60 5.80 6.00 5.70 5.90 6.50 5.70 6.20 5.50 6.00 6.00 7.60 5.90 5.90
## [2381] 5.90 5.60 6.30 5.50 6.10 6.40 5.60 5.60 5.90 6.60 6.10 6.10 6.00 5.70
## [2395] 6.30 5.70 6.10 5.60 5.60 5.90 5.90 5.80 5.60 5.60 5.80 7.50 6.10 5.70
## [2409] 5.60 6.20 5.80 5.70 5.70 5.70 5.60 6.10 5.70 6.50 5.50 5.80 5.50 6.00
## [2423] 6.20 6.20 6.20 5.80 6.00 6.50 5.50 5.90 6.30 6.30 5.60 5.80 5.80 6.00
## [2437] 6.20 6.30 5.60 5.70 6.10 6.10 6.40 5.70 5.60 5.80 6.00 5.70 5.60 6.50
## [2451] 5.60 5.60 6.10 5.80 5.50 5.50 5.70 5.60 6.30 6.40 6.80 5.50 6.00 6.20
## [2465] 5.90 5.90 5.50 5.50 6.30 5.70 5.70 5.50 5.50 6.10 5.90 5.60 5.90 5.50
## [2479] 6.00 5.90 5.90 6.00 6.70 5.50 5.60 5.60 5.60 5.50 6.30 5.70 6.30 5.90
## [2493] 5.50 6.30 5.50 5.80 7.00 5.50 5.50 6.40 5.80 6.00 6.10 5.80 5.60 5.60
## [2507] 5.90 5.80 6.10 5.90 5.60 6.20 6.60 5.80 5.90 5.90 5.70 5.70 5.50 5.80
## [2521] 5.70 5.90 5.60 5.70 5.70 5.70 5.80 5.60 6.30 5.80 8.00 5.70 6.00 6.10
## [2535] 5.60 5.90 7.40 5.60 6.00 5.70 5.90 5.90 5.80 6.00 5.60 5.80 5.60 6.10
## [2549] 5.50 5.90 6.20 6.10 5.80 5.80 5.70 5.50 5.90 6.40 5.70 5.60 5.60 5.90
## [2563] 5.80 5.50 6.50 6.00 6.30 5.80 5.70 5.50 6.00 6.00 5.60 5.70 6.10 6.00
## [2577] 5.50 5.60 5.50 6.20 6.10 5.80 5.90 5.70 5.70 5.80 5.50 5.70 6.80 5.60
## [2591] 5.50 6.10 5.80 5.60 6.00 5.70 7.50 6.00 6.10 5.60 5.70 7.40 5.70 5.80
## [2605] 6.10 5.60 5.50 5.50 5.50 5.90 5.90 5.70 6.30 5.80 5.60 5.50 5.50 5.50
## [2619] 5.60 5.70 5.60 5.70 5.50 5.70 6.00 6.40 5.90 7.20 5.50 5.50 5.50 5.50
## [2633] 5.50 6.10 5.60 5.60 6.00 5.50 5.60 5.50 5.70 5.50 6.10 5.50 5.80 5.80
## [2647] 6.30 5.50 5.60 6.00 7.00 5.70 6.50 5.50 5.80 5.60 5.70 5.50 5.90 5.90
## [2661] 5.60 5.60 5.70 5.50 6.00 5.70 5.60 5.50 6.00 5.50 5.90 6.20 5.60 5.80
## [2675] 6.60 6.70 5.60 6.40 5.50 5.60 5.80 5.60 6.10 6.50 5.50 5.50 6.40 5.60
## [2689] 5.50 5.50 5.50 6.50 5.70 5.70 6.00 6.10 5.50 5.50 5.90 5.60 5.50 5.90
## [2703] 5.90 5.50 5.50 5.60 5.90 5.50 5.80 5.70 5.50 5.50 5.80 5.50 5.80 5.90
## [2717] 5.70 6.00 5.70 5.90 6.30 5.80 6.10 5.64 5.80 5.50 5.70 5.50 6.30 6.00
## [2731] 5.50 5.50 5.50 5.70 5.80 5.60 5.90 5.80 5.50 5.60 5.60 7.70 5.90 5.50
## [2745] 5.50 5.60 5.50 5.70 5.60 6.00 5.70 5.80 5.60 5.80 5.60 5.50 5.50 5.50
## [2759] 5.50 7.10 5.80 5.50 5.80 5.50 5.70 5.70 5.80 6.60 5.50 5.50 5.70 5.90
## [2773] 6.70 5.60 6.00 6.50 6.00 5.80 5.50 6.00 5.60 5.60 5.70 5.70 5.50 5.70
## [2787] 5.50 6.90 5.90 5.50 5.70 5.70 5.80 5.50 5.50 5.80 5.90 6.30 5.60 5.50
## [2801] 5.60 5.50 5.60 5.60 5.50 5.70 5.50 5.50 6.30 6.00 6.10 5.70 5.60 5.50
## [2815] 6.10 6.10 6.10 5.90 6.30 5.50 5.70 6.00 5.90 6.10 6.00 5.70 6.40 5.50
## [2829] 5.80 5.60 6.10 5.60 5.70 6.00 5.90 5.70 5.70 5.80 5.80 5.60 5.70 6.80
## [2843] 6.80 5.60 5.80 5.70 5.90 5.60 5.80 5.50 5.50 5.60 5.50 5.60 5.50 5.90
## [2857] 6.00 5.50 5.80 6.80 5.80 5.60 5.50 5.80 6.40 6.00 6.10 6.00 5.60 5.90
## [2871] 5.60 5.70 5.60 5.60 6.30 5.50 6.00 5.60 5.50 6.50 5.50 5.90 5.60 5.60
## [2885] 5.50 5.60 6.50 6.70 5.60 7.00 6.40 6.30 5.50 6.00 5.80 5.60 6.10 6.90
## [2899] 5.50 5.70 5.70 5.90 5.50 5.80 5.50 5.50 5.50 6.40 6.30 6.10 5.70 5.60
## [2913] 5.60 6.00 5.50 5.90 5.50 5.60 5.50 5.80 5.50 5.90 6.10 5.70 5.60 5.70
## [2927] 5.70 5.90 5.90 5.90 5.70 5.70 5.70 5.80 5.50 5.60 6.00 5.50 5.50 5.90
## [2941] 5.90 5.90 5.50 5.60 5.50 5.70 5.50 6.80 6.30 5.50 5.50 6.00 5.80 5.60
## [2955] 5.60 6.00 5.80 5.50 5.70 5.70 5.60 6.40 7.50 5.60 5.60 5.50 5.60 5.50
## [2969] 5.60 7.20 5.80 5.50 6.00 6.20 6.60 5.70 6.40 5.70 5.50 5.50 6.30 5.60
## [2983] 5.50 5.80 6.10 7.20 5.70 6.20 5.50 5.50 5.50 5.60 5.60 5.70 5.60 5.70
## [2997] 5.50 5.60 5.70 6.10 5.90 6.10 5.50 5.70 6.30 5.60 5.60 5.60 7.00 7.10
## [3011] 5.70 5.60 5.80 5.60 5.60 5.80 5.50 5.60 5.90 5.60 5.70 6.50 5.80 5.80
## [3025] 5.50 5.50 5.80 5.60 6.00 6.10 5.60 6.10 5.50 6.00 5.90 5.60 5.50 5.90
## [3039] 5.50 6.20 5.70 6.20 5.60 6.10 5.50 5.80 6.30 5.50 6.50 6.60 5.60 5.50
## [3053] 5.90 5.50 5.60 5.80 5.70 6.00 5.50 5.50 5.60 6.10 5.60 6.10 5.90 5.70
## [3067] 5.70 5.60 5.70 5.60 5.70 5.50 5.70 6.00 5.50 5.50 5.50 5.60 5.50 5.50
## [3081] 5.50 5.90 5.50 5.60 5.50 5.50 5.50 5.50 5.60 5.80 6.10 5.50 5.50 5.50
## [3095] 5.60 5.60 5.70 6.00 5.80 6.50 5.50 5.90 6.10 6.80 6.00 6.40 5.90 5.50
## [3109] 5.80 5.60 5.50 5.60 5.70 5.50 6.10 5.60 6.00 5.80 6.00 5.50 6.00 5.70
## [3123] 5.50 6.20 5.60 5.70 5.90 6.30 5.50 6.00 5.50 5.70 5.50 6.00 5.90 5.70
## [3137] 6.10 5.50 5.60 5.70 5.50 6.60 5.90 5.50 6.00 5.50 5.70 5.50 6.10 5.60
## [3151] 6.60 5.50 5.60 5.90 6.10 5.70 5.70 5.90 5.60 7.20 6.60 6.70 5.60 6.00
## [3165] 7.30 5.50 5.70 5.90 5.80 5.90 5.60 5.70 5.50 5.60 5.50 5.80 5.50 5.60
## [3179] 5.90 5.60 5.80 6.20 5.50 6.50 5.60 5.60 6.10 6.30 6.00 5.70 5.60 5.70
## [3193] 5.60 6.00 5.60 5.50 7.30 5.60 5.80 6.10 5.70 5.80 5.70 5.50 5.70 5.50
## [3207] 5.60 5.50 5.60 5.80 7.10 5.60 5.80 5.90 5.70 5.90 5.90 5.50 6.40 5.50
## [3221] 5.70 5.70 5.90 5.60 5.60 5.60 5.60 5.50 5.70 6.50 5.50 5.70 5.50 5.50
## [3235] 5.80 5.50 5.80 5.60 5.50 5.50 5.60 5.80 5.50 5.80 6.30 5.80 6.20 6.10
## [3249] 5.80 5.60 6.70 5.70 5.70 7.60 5.90 6.00 7.50 6.40 6.20 6.20 6.00 5.60
## [3263] 6.10 6.00 5.50 5.70 5.50 5.70 6.90 5.50 5.60 5.70 5.50 5.50 5.70 5.80
## [3277] 6.00 5.70 5.60 7.20 5.60 5.50 5.70 6.30 6.50 5.80 6.70 5.60 6.00 5.50
## [3291] 7.20 6.10 6.10 5.80 5.60 5.50 5.80 5.90 5.60 5.80 5.60 5.50 5.70 6.10
## [3305] 5.60 6.90 6.00 5.55 5.50 6.10 5.80 5.50 6.10 5.50 5.50 5.50 5.80 6.50
## [3319] 6.90 6.00 5.80 5.50 5.70 5.50 5.90 5.80 5.80 6.10 5.60 6.80 5.80 5.60
## [3333] 6.20 5.50 5.60 6.10 5.50 5.90 5.70 5.70 5.60 5.50 5.70 5.50 5.80 6.00
## [3347] 6.00 5.70 5.90 6.50 5.60 6.00 5.80 5.80 5.70 5.60 6.80 6.00 5.90 5.50
## [3361] 5.50 5.80 6.50 5.70 5.90 7.60 5.50 5.60 7.00 5.70 6.40 5.60 5.70 5.90
## [3375] 5.70 5.80 6.50 6.20 5.60 5.60 5.50 5.50 5.60 5.50 5.50 5.70 5.90 5.90
## [3389] 5.50 5.50 5.70 6.60 5.60 5.60 5.90 6.10 6.90 6.10 5.50 5.50 5.50 5.90
## [3403] 5.50 6.00 5.50 6.20 5.80 6.60 5.50 5.50 5.90 5.80 6.70 5.50 6.10 5.60
## [3417] 6.30 5.50 5.60 5.60 5.50 5.50 5.60 6.10 5.50 5.50 5.50 6.20 6.20 5.80
## [3431] 6.30 5.50 5.50 6.30 5.50 5.60 5.90 5.70 6.50 5.80 5.50 5.50 6.20 6.10
## [3445] 6.20 5.60 5.60 6.30 5.90 5.60 5.60 5.50 5.80 6.10 5.60 5.90 5.50 5.80
## [3459] 7.70 5.50 6.30 5.50 5.70 6.00 5.50 5.80 5.60 6.20 5.50 5.50 5.60 5.60
## [3473] 5.60 7.90 5.60 6.10 5.80 5.60 5.60 6.10 5.70 5.80 5.80 5.50 5.60 5.90
## [3487] 5.80 5.80 5.50 5.60 7.00 5.50 5.60 5.80 5.70 5.80 6.40 5.60 5.70 6.00
## [3501] 5.60 6.10 6.20 5.70 5.60 5.50 6.50 5.50 5.50 5.90 6.10 6.20 5.50 5.60
## [3515] 5.50 5.60 5.52 6.20 5.90 5.70 5.60 5.60 5.90 6.50 6.50 5.80 6.20 5.80
## [3529] 5.90 5.50 5.70 5.60 5.60 6.50 6.20 6.10 5.60 5.80 5.50 7.90 5.50 7.70
## [3543] 5.60 5.60 6.70 5.80 6.80 6.10 5.90 5.50 5.50 5.50 5.50 5.50 6.10 5.50
## [3557] 5.70 5.60 5.50 5.80 5.50 5.70 5.50 6.10 5.70 5.50 5.70 5.50 5.80 5.70
## [3571] 5.70 5.80 6.20 5.90 5.70 5.60 6.30 5.60 5.50 6.20 5.60 5.60 5.70 5.80
## [3585] 5.50 6.60 5.70 5.60 5.60 5.80 5.70 5.90 5.80 6.40 5.90 6.00 5.70 5.60
## [3599] 5.70 5.60 5.50 5.70 5.60 5.50 5.90 5.60 6.70 5.50 5.50 6.40 5.60 5.60
## [3613] 5.60 5.60 5.50 6.10 5.80 5.60 5.60 5.50 5.50 5.60 6.50 6.10 5.70 5.60
## [3627] 5.50 6.10 5.70 5.80 5.60 6.00 7.00 6.00 5.80 5.80 6.70 6.00 5.50 5.50
## [3641] 5.80 6.40 5.50 5.80 5.50 7.00 5.60 5.60 6.70 5.60 5.50 5.60 6.00 7.80
## [3655] 6.10 5.70 5.50 5.80 5.60 6.30 5.70 6.70 6.50 6.50 6.10 6.30 5.90 5.80
## [3669] 5.50 6.10 5.70 5.90 6.30 5.67 5.80 5.50 5.50 5.80 5.50 5.70 7.20 5.50
## [3683] 5.70 6.10 5.50 5.80 5.70 5.50 6.10 5.70 5.70 5.80 5.50 5.50 5.60 5.90
## [3697] 6.10 5.50 5.50 5.50 5.90 5.60 5.80 5.50 5.80 5.80 5.70 5.70 5.80 6.10
## [3711] 5.60 5.50 5.60 6.20 5.80 7.10 5.70 6.30 5.60 5.50 5.70 5.80 5.80 5.80
## [3725] 5.70 6.20 5.60 6.00 5.70 5.50 6.20 5.80 5.50 5.60 6.00 6.00 5.50 5.50
## [3739] 5.70 5.80 5.70 6.60 7.80 5.70 5.50 5.60 5.90 6.50 5.50 6.20 5.50 5.70
## [3753] 5.50 5.70 5.84 5.50 6.00 6.00 5.60 5.60 5.70 5.70 5.50 5.80 6.10 5.70
## [3767] 5.60 6.40 5.70 6.30 8.00 5.50 6.20 6.30 5.70 5.70 6.20 5.50 5.50 5.80
## [3781] 6.10 5.60 5.50 5.80 5.90 5.60 5.50 5.70 5.80 7.00 5.80 5.80 5.60 5.70
## [3795] 5.50 5.60 5.60 5.60 6.40 5.90 6.20 5.60 5.90 5.50 6.00 5.50 5.50 5.90
## [3809] 5.60 5.50 5.60 5.50 5.70 5.70 5.60 5.50 5.80 5.70 6.00 7.50 5.50 5.80
## [3823] 5.60 6.00 5.70 5.60 5.50 5.50 5.60 5.90 5.50 5.81 5.60 5.50 5.80 6.00
## [3837] 5.50 5.90 5.90 6.10 5.70 6.20 5.50 5.60 5.90 5.50 5.60 6.00 5.60 5.90
## [3851] 5.80 6.00 5.50 6.00 5.60 5.70 6.00 6.40 5.50 5.80 6.10 5.60 5.90 6.10
## [3865] 5.84 5.52 5.60 5.70 5.50 6.80 5.90 5.80 5.80 5.70 5.50 5.90 5.80 5.50
## [3879] 5.50 5.80 6.50 5.50 5.80 5.50 5.80 5.60 5.50 5.50 5.50 6.40 5.50 5.50
## [3893] 7.00 6.20 6.70 5.50 6.00 5.70 5.50 5.50 6.20 5.60 5.50 5.50 5.50 5.50
## [3907] 5.70 5.50 6.00 5.50 5.50 5.80 5.60 6.10 5.70 5.50 5.50 5.50 5.50 6.60
## [3921] 5.80 6.80 5.60 6.50 5.90 5.50 5.80 5.60 5.90 5.80 6.10 6.60 6.40 5.50
## [3935] 5.70 5.60 5.60 6.60 5.50 7.00 6.20 5.90 5.80 5.50 5.90 5.90 5.50 5.80
## [3949] 5.80 5.90 5.80 5.90 5.70 5.50 5.70 5.70 5.50 5.50 5.60 6.90 7.00 5.50
## [3963] 6.00 6.20 5.50 5.80 5.60 6.20 5.70 5.50 6.20 5.80 5.50 6.40 6.40 5.60
## [3977] 5.90 5.60 5.50 5.50 5.70 5.60 6.30 5.60 6.10 5.60 5.60 5.70 6.10 5.80
## [3991] 7.00 5.80 5.80 5.80 5.50 5.50 7.10 5.90 6.50 5.90 5.60 6.10 5.50 5.90
## [4005] 5.80 5.50 5.70 5.60 5.80 6.70 5.70 7.00 5.50 5.60 6.50 5.90 5.50 5.60
## [4019] 6.60 5.80 5.80 6.30 5.90 5.60 5.60 5.60 6.20 6.20 7.50 7.40 6.00 5.70
## [4033] 6.10 6.10 5.80 5.90 6.20 6.90 5.80 5.60 5.50 5.60 5.60 5.50 5.80 6.40
## [4047] 6.90 7.90 5.80 5.60 5.80 6.00 6.80 5.50 5.60 5.60 5.60 5.70 5.70 5.80
## [4061] 5.50 5.50 5.60 6.00 6.40 5.50 5.90 6.70 5.80 5.60 5.60 5.80 5.50 5.60
## [4075] 5.60 5.90 5.90 5.90 5.70 5.60 5.60 5.70 5.50 5.50 5.50 5.90 5.50 5.50
## [4089] 5.50 5.60 5.50 5.50 5.70 5.50 5.80 6.00 5.90 5.70 5.90 5.50 5.70 5.60
## [4103] 6.10 5.70 5.70 5.50 5.70 5.50 5.60 5.80 6.00 6.50 5.50 5.60 5.50 5.50
## [4117] 5.50 5.50 5.50 6.30 5.70 5.60 5.70 5.50 6.00 5.70 5.50 5.60 5.60 5.50
## [4131] 5.50 5.50 5.80 7.10 5.60 5.70 5.80 6.50 5.70 5.50 5.50 6.50 6.20 5.50
## [4145] 6.80 5.90 5.50 6.00 5.70 5.50 5.50 5.50 5.80 6.30 6.20 5.50 6.50 6.30
## [4159] 5.60 6.00 6.00 5.90 5.70 5.50 7.30 5.50 5.60 6.00 5.50 6.30 5.50 5.70
## [4173] 6.10 6.50 5.50 5.60 5.60 5.50 5.50 5.50 5.90 5.90 5.50 5.50 5.70 5.50
## [4187] 5.50 5.90 5.90 5.90 6.30 5.60 5.50 5.50 5.60 5.80 5.60 5.50 6.70 5.50
## [4201] 5.80 5.50 5.60 5.50 5.80 5.80 5.70 6.10 6.30 6.30 5.50 5.70 6.60 5.50
## [4215] 5.50 5.70 5.60 5.50 5.60 5.60 5.50 5.60 5.90 6.30 6.00 5.90 5.90 5.80
## [4229] 5.60 5.60 5.70 5.70 5.60 5.60 6.10 5.50 6.00 6.20 5.70 6.30 5.70 5.80
## [4243] 5.50 6.10 5.70 5.60 6.00 6.00 6.70 5.50 5.50 5.50 5.90 5.60 5.70 5.50
## [4257] 5.50 6.10 6.40 5.50 5.70 5.80 5.60 5.60 6.00 5.90 5.50 5.60 5.80 5.80
## [4271] 7.00 5.60 6.00 5.50 5.80 5.90 5.60 6.90 5.80 5.60 5.90 5.50 6.30 5.50
## [4285] 6.00 5.80 5.50 6.00 5.60 5.70 5.80 6.20 5.80 7.60 6.00 5.60 5.90 5.50
## [4299] 5.50 5.50 5.60 5.50 5.70 5.50 5.70 5.70 5.50 6.70 5.90 7.50 7.50 5.70
## [4313] 6.10 5.50 5.70 5.50 5.50 6.20 7.50 5.80 6.00 5.60 6.00 5.60 5.50 5.50
## [4327] 5.60 5.70 5.60 5.70 5.80 5.70 5.80 5.70 5.50 5.50 5.60 5.60 5.70 5.70
## [4341] 5.70 5.50 5.70 5.70 5.90 5.90 5.70 5.60 5.50 6.00 5.60 5.70 5.50 5.60
## [4355] 5.80 5.50 5.50 5.50 5.50 5.60 6.00 5.70 5.60 5.50 5.70 5.70 5.60 6.80
## [4369] 5.50 5.50 5.50 5.60 5.70 6.00 5.60 6.00 5.80 5.90 5.50 5.80 5.80 5.60
## [4383] 5.50 5.50 6.10 5.50 5.70 5.60 5.50 5.50 5.70 5.60 5.50 5.60 6.70 5.60
## [4397] 6.90 5.50 6.00 6.20 7.20 5.60 5.50 6.10 5.70 5.70 5.80 5.70 6.30 5.90
## [4411] 5.50 5.70 5.60 5.70 5.50 5.70 6.10 7.90 6.10 5.50 5.60 5.80 5.80 5.80
## [4425] 5.80 5.70 5.90 5.80 6.00 5.80 6.10 5.50 5.70 5.70 5.60 5.50 5.70 5.60
## [4439] 6.10 6.10 5.50 5.50 5.70 7.10 5.60 6.80 5.50 5.50 5.50 5.50 6.20 5.60
## [4453] 5.50 6.40 5.70 5.60 5.60 6.00 6.50 6.40 5.60 6.40 5.50 6.60 5.50 5.90
## [4467] 5.50 5.70 5.50 5.50 5.60 5.50 5.60 5.50 5.60 5.90 5.60 5.60 6.00 6.00
## [4481] 5.90 5.50 6.10 5.60 5.60 5.50 5.90 5.50 5.50 5.70 5.60 6.00 5.50 5.60
## [4495] 5.70 5.60 5.50 5.50 5.60 5.60 5.50 5.80 5.70 5.60 5.50 5.60 5.70 5.60
## [4509] 6.30 5.50 5.60 5.80 5.70 5.80 5.70 5.50 5.50 5.50 5.60 5.60 7.20 5.60
## [4523] 5.70 5.90 5.70 5.50 5.60 5.70 5.80 5.50 5.60 6.70 5.50 5.60 5.50 5.50
## [4537] 5.70 6.10 5.60 5.60 5.50 5.70 5.60 5.50 5.60 5.50 5.90 5.70 5.60 5.60
## [4551] 6.30 5.50 6.70 5.60 5.60 5.50 5.70 5.50 5.60 5.50 5.50 6.50 5.90 5.50
## [4565] 5.60 5.80 5.90 5.60 7.40 6.00 5.60 5.90 5.60 5.70 5.50 5.50 5.80 6.00
## [4579] 6.30 6.00 5.70 5.70 5.50 5.50 5.70 6.00 5.50 5.60 5.60 5.50 5.80 5.50
## [4593] 5.90 5.50 5.70 5.80 5.90 6.20 5.90 5.60 5.60 5.90 5.70 6.10 5.60 5.60
## [4607] 5.60 6.40 5.70 5.60 5.60 5.60 5.60 5.50 5.80 5.80 5.80 5.60 6.80 5.70
## [4621] 5.50 5.60 5.50 5.70 5.90 6.00 5.50 6.60 5.90 5.60 5.90 5.50 5.60 5.50
## [4635] 6.00 5.60 6.00 6.60 5.50 6.30 5.70 6.10 5.60 5.80 5.50 5.70 5.80 5.90
## [4649] 5.70 5.70 6.40 5.50 6.00 5.60 5.50 5.70 5.60 5.70 5.50 5.50 5.80 5.50
## [4663] 5.70 5.90 5.50 5.60 5.70 5.70 7.20 5.50 6.00 6.20 5.50 6.60 6.10 5.70
## [4677] 5.80 5.60 5.50 5.50 5.80 5.70 5.50 5.80 5.60 6.10 5.60 5.90 6.30 5.60
## [4691] 5.70 5.90 5.60 5.50 5.60 5.90 5.50 5.50 6.20 6.20 6.30 6.20 5.70 5.50
## [4705] 6.00 6.90 5.50 5.50 5.90 5.70 5.80 5.70 5.50 5.70 5.50 5.60 5.50 5.50
## [4719] 5.50 6.10 5.90 5.50 5.70 5.60 6.40 5.70 5.70 5.80 6.70 5.60 6.60 6.80
## [4733] 5.60 5.60 6.40 5.80 5.90 7.50 5.50 6.00 5.80 5.90 6.80 5.50 6.10 7.60
## [4747] 5.60 5.50 7.10 5.60 5.70 5.70 5.60 5.50 5.50 5.50 5.50 5.90 5.80 5.50
## [4761] 5.90 5.50 5.70 6.20 6.00 5.60 5.50 6.10 5.90 5.80 5.70 6.70 5.90 5.60
## [4775] 5.60 6.60 5.50 5.70 5.50 5.70 5.60 5.50 6.00 5.50 5.50 5.90 5.80 5.90
## [4789] 5.50 5.80 6.20 5.80 5.50 5.50 5.80 5.70 5.50 5.70 5.50 5.90 5.60 5.50
## [4803] 6.70 5.90 5.60 5.70 5.80 5.50 5.60 5.50 5.50 5.60 5.80 5.90 6.30 5.50
## [4817] 5.60 5.50 5.70 6.70 5.50 5.50 5.60 6.80 5.90 5.60 6.00 5.60 5.50 5.70
## [4831] 5.90 6.00 5.50 6.00 5.50 5.90 5.60 6.20 6.10 5.70 5.70 7.70 5.80 6.30
## [4845] 6.90 5.90 5.70 5.60 5.80 5.60 6.00 7.00 5.60 6.40 5.70 5.90 5.90 5.50
## [4859] 5.50 6.40 5.80 5.60 5.50 5.50 5.70 5.60 5.50 6.40 5.50 5.50 5.70 5.80
## [4873] 5.60 5.80 5.80 5.80 5.50 6.00 5.70 5.70 5.50 6.00 7.40 5.60 5.50 6.10
## [4887] 5.80 5.70 5.50 5.60 5.50 5.70 6.30 6.10 6.10 5.80 5.70 5.90 5.70 5.60
## [4901] 5.60 5.50 5.50 5.90 6.00 5.50 5.50 5.50 5.80 5.60 5.80 5.80 6.40 5.50
## [4915] 5.60 5.60 5.70 5.50 5.60 5.70 6.20 7.00 5.50 5.60 5.90 5.70 5.90 5.60
## [4929] 6.20 5.50 6.10 5.50 5.70 5.50 6.00 5.50 6.00 5.60 5.90 5.60 5.70 5.60
## [4943] 5.90 5.60 5.50 5.50 6.00 6.00 7.40 5.70 5.50 5.50 5.50 6.30 5.60 5.70
## [4957] 5.80 5.60 5.50 5.60 5.50 5.70 5.70 5.60 5.70 5.80 5.50 5.90 5.60 5.80
## [4971] 5.80 5.50 5.50 5.60 5.60 5.50 5.60 5.50 5.90 5.50 5.70 5.60 6.80 5.60
## [4985] 5.60 6.10 6.90 6.00 5.60 5.70 7.10 6.10 5.50 5.70 5.80 5.60 5.70 5.90
## [4999] 5.60 5.70 5.50 5.50 5.60 5.90 6.00 5.50 7.70 5.70 5.90 5.50 6.00 5.80
## [5013] 5.50 5.50 5.90 5.80 6.70 5.70 5.60 5.70 5.50 5.90 6.90 5.60 6.20 6.00
## [5027] 5.60 6.00 6.50 5.60 5.60 5.70 5.60 5.70 6.30 5.80 5.50 7.00 6.50 5.60
## [5041] 5.60 5.70 5.50 5.60 5.50 5.80 5.60 5.90 6.20 5.60 5.50 6.70 6.10 5.50
## [5055] 6.00 5.70 5.50 5.50 5.50 6.40 5.50 6.60 5.60 5.50 6.30 6.00 5.80 5.50
## [5069] 5.70 5.80 6.20 5.60 5.50 5.50 5.50 5.50 6.10 6.70 5.50 5.80 6.20 6.90
## [5083] 5.50 5.50 6.10 5.50 6.40 5.50 5.60 5.50 5.70 5.50 5.60 7.10 5.60 5.90
## [5097] 5.50 6.00 6.10 5.50 6.10 5.50 7.60 5.50 6.20 5.50 5.80 5.50 6.20 6.00
## [5111] 5.50 5.60 5.60 6.10 5.90 5.80 5.50 5.60 5.70 5.60 5.70 5.60 5.50 5.50
## [5125] 6.80 6.50 6.90 5.70 5.90 5.50 5.60 5.80 5.90 5.90 6.00 6.00 5.60 5.80
## [5139] 5.60 5.80 6.10 5.50 5.80 6.00 6.40 5.80 5.60 5.90 5.60 5.60 5.90 5.60
## [5153] 5.50 5.90 5.70 5.60 5.90 5.60 6.20 5.80 6.10 5.70 5.80 6.40 5.60 5.90
## [5167] 5.70 6.00 5.70 5.50 5.50 5.70 5.60 5.50 6.20 6.20 5.50 5.50 5.80 5.90
## [5181] 5.80 6.10 5.60 6.10 5.70 5.60 5.50 6.00 6.00 5.80 5.50 5.80 5.90 5.80
## [5195] 5.60 5.60 5.50 6.30 6.30 5.60 6.20 5.90 5.60 5.70 6.10 5.60 5.60 6.50
## [5209] 6.00 5.60 5.70 5.80 5.60 5.60 5.50 5.50 6.10 5.80 5.50 5.90 5.60 5.70
## [5223] 5.50 5.70 5.70 5.50 5.90 6.90 5.50 6.00 5.50 5.50 5.50 5.80 6.10 6.40
## [5237] 5.80 5.60 5.90 5.80 5.60 5.80 5.80 5.60 6.10 6.10 5.70 5.50 6.10 6.10
## [5251] 5.60 6.40 5.90 6.60 5.50 6.00 7.10 5.50 5.80 5.50 5.60 5.50 5.50 5.80
## [5265] 5.50 7.90 5.60 5.50 5.90 5.60 5.90 5.50 5.60 5.50 5.60 5.60 5.90 5.50
## [5279] 5.90 5.50 5.70 5.80 5.90 6.20 5.70 5.50 5.60 5.80 5.90 5.80 5.90 5.50
## [5293] 6.80 5.60 5.60 5.60 5.50 5.50 5.90 5.60 7.40 5.50 6.40 5.60 5.80 5.70
## [5307] 5.60 6.10 5.80 6.00 6.00 5.50 5.80 5.60 6.20 5.60 6.30 5.50 5.90 7.10
## [5321] 5.60 5.70 5.80 5.50 5.50 5.80 5.50 5.50 6.80 6.60 6.00 5.50 5.60 5.80
## [5335] 5.70 6.10 6.10 5.70 5.50 5.90 5.70 6.10 5.70 5.70 5.50 6.10 5.80 5.60
## [5349] 5.50 6.30 6.60 6.60 5.60 6.90 5.80 5.60 6.10 5.60 5.50 5.80 6.40 6.20
## [5363] 5.50 7.10 5.80 5.50 6.00 5.70 5.60 6.00 5.50 5.60 5.50 6.10 7.70 5.50
## [5377] 5.70 5.50 5.80 5.50 5.50 6.60 5.50 5.50 6.30 5.50 5.50 5.50 6.10 5.80
## [5391] 5.80 5.60 5.60 5.60 5.80 5.50 5.50 6.70 6.00 5.70 5.70 5.80 5.80 5.60
## [5405] 5.70 5.50 5.90 6.00 5.60 5.70 6.00 5.60 5.50 5.60 5.70 5.90 5.50 5.80
## [5419] 5.80 5.50 5.60 5.60 5.70 5.70 5.80 5.50 5.90 5.60 6.40 5.60 6.20 5.80
## [5433] 6.50 5.80 5.50 5.90 5.60 6.10 6.00 5.60 5.50 5.50 5.50 5.50 5.60 5.50
## [5447] 6.20 5.90 7.00 5.60 5.90 5.50 5.50 5.60 5.90 6.60 5.90 5.60 5.60 6.10
## [5461] 6.30 5.70 5.50 5.50 5.90 5.70 5.60 6.00 6.70 5.50 5.50 5.60 5.70 5.70
## [5475] 5.60 6.90 6.10 6.30 5.80 5.60 5.50 5.80 5.90 5.80 6.30 6.20 5.70 6.10
## [5489] 5.90 5.70 5.60 5.70 5.60 5.50 5.50 6.20 5.90 6.70 6.10 5.70 5.80 5.70
## [5503] 6.20 5.60 5.70 5.60 5.50 5.60 5.50 5.50 5.50 5.80 6.20 5.80 5.80 6.40
## [5517] 5.70 5.70 5.50 6.10 6.10 6.10 5.80 5.70 5.80 5.60 5.50 5.80 5.50 6.10
## [5531] 6.00 6.47 6.10 5.70 6.10 5.70 6.10 6.31 6.20 5.70 5.50 5.70 5.70 5.50
## [5545] 5.70 6.30 5.90 6.00 5.60 5.80 5.80 5.60 5.80 5.50 5.50 5.60 5.60 5.60
## [5559] 5.50 5.50 6.00 5.60 6.00 5.80 6.50 6.80 5.50 5.60 5.90 6.10 5.50 5.60
## [5573] 5.60 6.00 5.70 6.20 6.00 5.70 5.70 6.50 5.70 6.20 5.70 5.50 5.50 5.90
## [5587] 7.50 5.60 6.40 6.30 5.90 5.90 6.70 5.60 5.60 6.60 6.50 7.90 5.70 5.60
## [5601] 5.60 6.10 5.90 5.50 6.00 5.70 5.70 5.90 6.10 5.50 5.80 5.50 6.70 5.70
## [5615] 6.50 5.90 6.30 5.50 6.40 5.70 5.50 5.60 5.80 6.30 5.50 6.20 5.50 5.50
## [5629] 5.60 5.50 5.80 5.52 5.50 5.50 5.60 6.20 5.80 5.60 5.70 5.50 5.60 5.60
## [5643] 6.00 5.50 6.50 5.90 5.60 6.00 5.50 6.00 5.60 5.70 5.50 5.50 5.50 6.30
## [5657] 5.60 5.50 6.00 7.30 5.90 6.20 5.80 5.90 5.50 5.80 5.80 5.60 5.70 5.60
## [5671] 5.80 6.70 5.50 5.60 6.40 6.70 7.20 5.50 6.50 6.10 5.60 5.50 5.60 5.50
## [5685] 6.20 5.50 5.60 6.40 6.20 5.80 5.60 6.10 5.90 5.60 5.60 7.20 5.70 6.70
## [5699] 5.90 5.60 5.60 6.10 5.70 5.80 5.70 5.50 6.90 5.80 5.50 5.70 6.00 5.50
## [5713] 5.60 5.60 5.50 5.70 5.90 5.60 6.10 5.60 5.60 5.50 5.90 5.60 5.80 6.30
## [5727] 5.50 5.50 6.00 6.80 5.80 5.80 6.10 6.20 5.50 5.90 5.50 5.90 5.60 5.60
## [5741] 5.50 5.50 5.90 6.50 5.60 5.70 6.10 5.50 5.70 5.60 5.60 5.50 5.70 5.70
## [5755] 5.60 5.50 5.70 5.50 6.00 5.80 5.90 7.00 6.20 6.90 6.10 5.70 6.70 6.10
## [5769] 5.60 5.50 5.50 6.40 6.30 5.90 6.80 6.80 5.60 5.50 5.60 5.60 5.60 7.00
## [5783] 5.70 5.60 5.80 5.60 5.60 5.70 5.90 5.70 5.70 5.60 5.50 5.60 5.60 5.60
## [5797] 5.60 6.70 5.70 5.90 6.00 5.90 5.60 5.70 6.20 5.90 5.70 5.60 5.90 5.90
## [5811] 5.90 5.70 6.70 6.40 5.60 5.70 6.00 5.90 5.50 6.40 5.70 5.70 6.40 5.50
## [5825] 5.70 5.70 5.60 5.50 5.50 5.60 5.60 5.80 6.00 6.20 5.50 5.50 5.60 5.50
## [5839] 5.70 5.80 6.10 5.50 5.60 5.90 5.50 5.90 5.50 5.80 5.60 5.90 6.20 5.80
## [5853] 5.50 5.70 5.70 5.80 5.60 5.90 5.50 5.70 6.90 6.10 5.90 5.70 5.70 5.75
## [5867] 5.50 6.50 6.00 6.10 6.30 6.40 6.00 5.50 5.90 6.00 5.50 5.50 5.80 5.50
## [5881] 7.60 5.70 5.90 6.00 5.60 5.70 6.00 6.00 6.40 5.50 5.90 5.70 6.00 6.70
## [5895] 6.00 5.50 5.60 5.50 5.80 5.60 6.00 5.70 5.60 7.00 6.40 5.50 5.50 5.60
## [5909] 5.50 6.10 7.00 5.50 5.50 5.50 5.80 5.60 5.60 5.50 5.50 7.10 6.20 5.70
## [5923] 5.60 5.90 5.50 5.50 5.50 5.60 5.80 5.60 5.50 5.60 5.80 5.50 5.80 6.00
## [5937] 5.90 5.70 5.70 5.80 7.70 5.60 5.70 5.60 5.50 5.50 5.80 6.60 5.60 6.60
## [5951] 6.00 5.80 6.20 5.80 5.70 5.60 6.20 6.00 5.60 5.80 5.90 5.90 5.80 6.60
## [5965] 5.60 5.60 5.60 5.50 5.60 5.60 6.00 5.70 5.50 5.90 6.10 5.50 5.70 6.00
## [5979] 5.90 6.00 5.90 5.90 5.70 5.90 6.30 5.70 5.80 5.80 6.00 6.40 5.60 6.00
## [5993] 7.20 5.50 5.70 6.10 5.90 6.00 5.80 6.00 5.70 5.60 5.50 5.70 7.30 6.20
## [6007] 5.50 5.70 5.60 6.20 6.30 5.80 5.50 6.90 6.80 6.00 5.80 5.50 5.60 5.50
## [6021] 5.60 6.00 5.50 6.20 5.90 5.80 6.00 5.50 6.50 5.90 6.70 6.20 5.60 5.80
## [6035] 5.90 5.50 5.50 5.80 5.60 5.70 5.70 5.90 5.60 5.70 5.60 6.10 5.50 5.70
## [6049] 6.30 5.50 5.90 5.50 5.70 5.80 7.20 5.50 5.60 6.80 5.50 5.50 7.10 6.20
## [6063] 5.90 6.50 5.60 5.50 5.50 6.70 6.50 6.10 5.80 6.00 5.50 5.80 5.80 5.70
## [6077] 5.70 7.10 5.90 5.80 6.00 6.00 5.50 5.60 5.90 5.60 6.00 5.60 6.80 5.50
## [6091] 5.50 6.30 6.20 5.50 5.70 5.60 5.50 5.90 6.50 6.00 5.80 6.40 6.10 5.70
## [6105] 5.60 6.10 5.80 6.00 5.50 5.50 5.60 5.50 5.90 5.60 5.60 5.70 5.70 5.50
## [6119] 6.80 6.50 5.50 5.50 5.60 5.50 5.90 5.60 5.60 5.50 6.00 5.70 5.60 5.50
## [6133] 5.90 5.60 6.00 6.40 5.70 5.60 5.50 6.70 5.80 5.90 5.60 6.00 5.60 5.70
## [6147] 5.50 5.60 6.00 6.10 5.70 6.30 5.90 6.00 5.50 5.50 6.50 5.50 5.50 5.50
## [6161] 5.60 5.60 5.90 5.60 6.10 5.50 5.50 6.00 6.20 5.50 5.70 5.50 5.90 5.50
## [6175] 5.80 5.70 5.60 6.10 5.70 5.50 5.70 6.50 5.50 5.60 5.50 5.90 6.70 5.50
## [6189] 5.70 5.60 5.70 5.50 5.90 5.60 5.50 5.90 5.90 5.80 5.70 6.40 6.40 5.90
## [6203] 6.10 6.40 5.80 5.70 5.60 5.70 5.50 6.90 7.00 5.60 5.90 5.60 6.30 5.50
## [6217] 5.90 5.60 5.50 5.60 6.20 5.60 5.60 6.30 5.60 5.60 5.80 6.10 6.90 6.00
## [6231] 6.10 7.10 5.50 5.60 5.70 5.60 5.50 7.00 5.50 5.50 5.60 6.20 5.50 5.60
## [6245] 7.10 6.20 5.50 5.60 5.70 5.70 6.40 5.50 5.90 5.60 7.00 5.90 5.50 5.70
## [6259] 6.40 5.50 5.60 5.50 5.50 5.60 6.50 5.60 5.50 5.90 5.50 5.50 6.40 5.70
## [6273] 5.60 6.80 5.70 5.60 6.10 5.80 5.60 6.10 5.80 5.70 5.50 6.30 6.30 5.50
## [6287] 6.10 5.60 6.80 5.70 5.50 5.90 5.50 6.40 6.30 5.50 5.60 6.20 5.60 6.10
## [6301] 5.90 5.80 5.80 5.50 5.90 6.10 5.60 5.50 5.50 5.50 5.50 5.60 5.60 6.40
## [6315] 5.50 5.60 5.60 5.50 5.60 6.00 5.60 5.50 5.80 6.20 5.50 5.60 5.70 5.50
## [6329] 5.50 5.90 5.90 5.50 5.50 5.60 5.50 5.60 5.50 5.70 5.80 6.30 5.60 5.50
## [6343] 5.60 5.50 6.10 5.60 5.50 5.70 6.60 5.60 6.70 5.60 5.70 6.30 5.60 5.50
## [6357] 5.50 5.60 5.60 5.50 5.50 5.60 6.60 6.10 5.70 5.70 5.60 5.50 5.90 5.60
## [6371] 5.50 5.50 5.80 6.30 5.80 5.50 6.60 6.50 5.60 5.50 5.70 5.50 5.70 7.20
## [6385] 5.50 5.60 5.90 5.50 5.50 5.50 5.90 6.00 6.30 5.90 5.50 5.90 6.30 5.80
## [6399] 5.50 5.70 5.50 5.60 5.50 5.90 5.70 5.50 6.30 6.00 5.60 5.50 6.00 5.80
## [6413] 6.30 5.50 5.50 5.50 5.60 5.60 5.80 6.40 6.10 6.10 5.70 5.60 5.70 5.60
## [6427] 5.80 5.60 5.50 5.60 5.70 6.70 7.00 5.50 6.50 5.60 5.50 5.50 6.00 6.10
## [6441] 5.50 5.50 6.30 5.50 5.70 5.50 5.80 6.80 5.80 6.40 7.00 5.60 5.60 5.60
## [6455] 5.50 5.50 5.70 5.60 5.50 5.50 5.50 5.80 5.50 5.50 5.70 6.00 5.70 5.70
## [6469] 6.30 6.20 5.70 6.20 6.50 5.90 5.80 5.80 6.40 5.50 5.70 5.90 6.90 6.40
## [6483] 5.50 5.90 6.10 5.50 5.60 5.50 5.70 5.80 5.90 6.20 5.60 5.70 6.00 6.70
## [6497] 5.80 5.50 5.50 5.50 6.70 5.60 5.60 5.70 7.60 5.50 5.70 5.50 6.40 5.60
## [6511] 6.70 5.60 5.50 6.40 6.00 6.40 5.60 5.50 5.50 5.50 5.50 7.10 5.50 5.60
## [6525] 6.90 5.90 5.60 5.90 6.50 6.20 5.60 5.50 5.50 6.70 5.80 6.10 5.70 5.70
## [6539] 7.00 5.90 5.90 5.80 5.60 5.80 5.70 6.20 7.00 5.60 5.70 5.60 5.50 5.50
## [6553] 5.60 5.60 6.40 5.50 5.70 5.90 5.60 5.60 5.80 6.50 6.20 5.60 5.70 6.30
## [6567] 6.70 5.50 5.50 5.70 5.50 5.60 5.80 6.00 5.50 6.10 6.10 5.60 6.50 6.70
## [6581] 6.20 5.70 5.70 5.60 5.50 6.50 5.70 5.70 5.50 5.70 5.90 7.40 5.70 5.80
## [6595] 5.50 5.60 5.60 5.60 5.60 5.60 5.50 6.60 6.10 5.70 6.20 5.70 5.50 6.00
## [6609] 6.30 6.10 5.50 5.60 5.70 6.10 5.70 5.50 5.60 5.50 5.50 5.50 5.50 6.70
## [6623] 5.50 6.40 5.90 5.60 6.30 6.70 6.90 5.60 5.50 5.50 5.90 5.60 5.50 5.50
## [6637] 5.60 5.50 5.70 5.90 6.50 5.50 5.90 5.50 6.40 6.10 5.60 5.70 5.80 6.20
## [6651] 5.80 5.50 6.90 5.50 5.90 6.40 6.60 6.30 5.70 5.50 5.60 5.50 5.60 5.70
## [6665] 5.50 5.60 5.80 5.50 6.20 6.40 5.60 5.50 5.70 5.70 5.60 6.30 5.50 5.60
## [6679] 5.50 5.70 5.60 5.80 5.70 6.80 6.00 5.70 5.50 5.60 5.70 5.60 5.90 5.90
## [6693] 5.50 7.10 6.50 5.90 5.50 5.90 5.90 5.50 5.50 5.50 5.80 5.70 5.50 6.50
## [6707] 6.00 5.50 5.80 6.10 5.60 5.80 5.50 5.90 5.50 5.50 6.40 5.70 5.50 6.20
## [6721] 5.60 5.50 5.60 6.30 6.30 6.00 5.60 6.10 6.70 5.50 5.50 5.60 6.30 5.80
## [6735] 5.60 5.50 6.10 5.80 5.50 5.60 5.50 5.50 5.60 6.00 5.50 7.40 5.70 6.00
## [6749] 5.50 5.50 6.10 5.80 6.70 5.60 5.70 5.50 5.70 5.50 5.50 5.60 6.50 6.50
## [6763] 6.10 5.90 6.30 6.40 5.50 7.20 6.30 6.50 5.50 5.50 5.60 6.50 6.10 5.60
## [6777] 6.60 5.90 6.90 5.50 5.60 6.80 5.50 5.70 6.40 5.90 5.50 5.60 5.70 6.10
## [6791] 6.60 6.40 5.50 5.60 5.60 5.90 5.90 5.50 6.60 6.70 5.50 6.10 5.50 6.10
## [6805] 5.60 6.60 5.50 5.60 7.30 6.20 6.10 5.50 6.00 5.50 5.60 5.60 5.70 6.00
## [6819] 6.00 5.80 7.30 5.60 7.00 6.20 6.30 5.50 5.50 5.50 5.50 6.30 5.60 6.40
## [6833] 5.50 5.50 6.40 5.50 5.80 6.10 6.20 6.40 5.70 5.50 5.80 5.66 5.50 6.20
## [6847] 5.90 6.90 5.90 6.20 5.50 6.40 6.30 5.60 5.60 5.70 5.60 5.50 5.60 5.80
## [6861] 5.50 5.60 5.60 7.40 5.50 5.50 7.20 6.00 6.40 6.40 5.70 5.70 5.90 5.50
## [6875] 7.00 5.80 5.60 5.50 5.60 5.60 5.70 5.50 6.30 5.50 5.60 5.60 5.70 5.60
## [6889] 5.60 5.60 5.60 6.20 6.10 5.60 5.50 5.90 5.90 5.70 5.50 5.60 5.50 6.10
## [6903] 5.80 5.60 5.60 5.50 6.40 6.10 5.60 5.90 5.60 5.60 7.60 6.40 6.00 5.60
## [6917] 5.70 5.50 6.40 6.00 6.10 5.50 5.80 5.50 5.70 5.60 5.80 5.50 5.70 5.80
## [6931] 5.80 6.10 5.70 5.70 5.70 6.00 5.50 6.00 7.30 5.60 5.70 5.50 7.40 5.70
## [6945] 5.70 6.00 6.00 5.50 6.20 5.70 5.50 6.00 5.50 5.70 5.50 5.50 7.00 5.50
## [6959] 5.50 5.90 6.10 5.70 5.70 5.80 5.60 6.00 7.20 5.50 6.50 5.60 5.70 5.90
## [6973] 5.90 5.80 5.50 5.80 5.50 5.90 5.60 5.50 5.50 5.50 6.10 6.80 5.60 5.50
## [6987] 6.10 5.50 5.70 5.70 5.50 6.50 5.50 5.70 6.30 6.00 6.40 6.20 5.50 6.50
## [7001] 5.90 5.50 6.90 6.20 6.10 5.90 6.30 5.70 5.60 5.70 5.70 5.70 5.70 5.60
## [7015] 5.60 5.50 5.50 5.60 5.60 6.00 5.60 5.60 5.90 6.20 5.60 5.50 5.70 5.50
## [7029] 5.50 5.60 5.60 5.50 5.50 5.70 5.90 6.90 6.90 5.60 5.50 6.00 6.10 5.50
## [7043] 5.60 5.50 6.40 6.20 6.00 6.70 5.60 6.40 5.70 5.60 5.60 5.60 5.60 5.50
## [7057] 7.10 5.50 5.50 5.80 5.50 5.60 5.70 6.20 5.60 6.10 6.20 5.80 5.70 5.70
## [7071] 5.50 6.60 6.10 5.70 6.50 5.50 5.70 6.20 5.60 5.70 6.40 6.90 6.10 5.80
## [7085] 5.50 5.70 5.90 6.20 5.50 5.60 5.60 5.60 6.40 5.50 5.60 5.80 5.50 5.50
## [7099] 5.60 6.60 5.70 5.60 5.50 6.70 5.50 5.50 5.60 5.90 5.50 6.20 5.50 6.20
## [7113] 5.60 6.00 5.50 5.50 5.90 5.50 5.50 5.80 6.40 5.80 5.90 5.60 5.60 5.50
## [7127] 5.80 5.50 5.50 5.50 5.90 7.40 6.90 5.50 6.20 5.50 5.60 5.60 5.80 5.80
## [7141] 5.50 5.50 5.50 5.50 5.50 5.50 5.70 5.60 5.80 5.80 6.20 5.80 5.70 5.60
## [7155] 6.40 5.60 5.80 5.80 5.90 6.10 5.60 6.40 6.30 5.70 5.70 5.50 6.00 5.70
## [7169] 5.80 5.90 6.70 6.60 6.10 5.50 6.20 5.70 5.50 5.70 5.50 6.20 6.30 5.50
## [7183] 6.80 6.00 5.70 5.60 5.80 5.50 5.50 5.50 5.70 5.70 5.70 5.50 5.50 5.70
## [7197] 6.10 5.80 6.10 5.90 5.50 5.70 5.60 5.80 6.60 6.00 6.10 6.00 5.90 5.50
## [7211] 5.50 6.30 5.50 5.50 5.80 5.70 5.60 5.60 5.60 5.50 5.70 6.30 5.80 6.10
## [7225] 6.40 6.10 5.50 5.50 7.20 6.00 5.80 5.60 5.70 5.80 6.20 5.50 5.50 5.50
## [7239] 5.50 5.90 5.50 5.70 6.30 6.10 6.20 5.60 6.60 6.60 5.80 5.50 7.10 5.70
## [7253] 6.30 5.50 5.70 5.70 5.50 5.90 5.90 5.60 5.70 5.60 5.90 5.50 5.70 5.60
## [7267] 5.60 5.60 5.50 5.50 7.10 6.30 5.50 5.50 5.50 7.10 5.70 5.70 6.70 5.60
## [7281] 5.60 6.20 5.80 5.90 5.70 7.50 6.40 6.10 6.00 5.80 6.50 6.40 6.80 6.00
## [7295] 5.82 6.10 5.60 5.50 5.50 5.50 5.60 5.60 5.90 5.70 5.70 5.50 5.80 6.40
## [7309] 6.20 6.40 5.70 5.70 5.60 5.60 5.80 6.10 5.90 5.60 5.70 6.40 5.60 5.50
## [7323] 6.10 5.90 6.20 6.00 5.70 6.00 5.60 6.20 6.20 5.90 5.60 6.00 6.70 5.50
## [7337] 5.70 5.70 5.60 5.50 5.50 5.80 6.80 6.00 5.80 5.60 6.00 6.00 5.70 5.60
## [7351] 5.80 5.60 6.20 5.70 5.60 5.60 5.50 5.70 5.50 5.70 6.10 5.80 5.60 6.20
## [7365] 5.70 5.50 5.50 5.50 5.90 6.10 5.80 6.30 6.90 5.60 5.60 5.60 5.60 5.90
## [7379] 6.20 5.70 6.10 5.60 6.30 5.80 5.80 5.50 5.50 6.00 5.90 5.70 5.60 5.50
## [7393] 5.60 5.60 5.50 5.50 5.60 5.50 5.70 5.60 5.60 6.30 5.70 5.50 6.00 5.70
## [7407] 5.50 5.80 6.10 5.50 5.60 6.40 5.90 6.70 5.50 8.00 6.40 5.90 5.50 7.40
## [7421] 6.20 6.60 6.30 5.60 6.30 5.70 6.30 5.70 6.20 5.60 6.20 5.70 5.70 5.90
## [7435] 5.50 5.90 5.60 5.50 6.20 5.80 5.70 5.50 5.50 5.50 5.80 5.60 5.60 5.80
## [7449] 6.50 5.60 5.50 5.90 5.60 6.50 5.60 6.70 6.50 5.50 6.70 5.80 5.50 6.40
## [7463] 5.70 5.60 5.50 5.70 6.50 5.50 6.20 5.60 5.60 6.10 6.40 5.70 5.70 5.60
## [7477] 6.20 5.50 6.50 5.60 5.50 6.40 5.90 6.00 7.20 6.20 6.30 5.50 5.90 5.70
## [7491] 6.00 5.90 7.00 5.80 5.60 5.80 5.80 6.10 6.30 5.60 6.00 7.00 6.10 5.60
## [7505] 5.90 6.00 5.60 5.60 5.50 5.60 5.60 5.90 5.60 6.00 5.90 5.80 5.60 5.70
## [7519] 6.60 6.40 5.60 5.90 5.90 5.70 6.20 5.50 5.70 5.50 5.70 5.80 5.60 6.30
## [7533] 6.00 7.20 5.80 5.60 6.00 6.40 5.70 6.50 5.50 6.30 5.50 6.00 5.60 5.90
## [7547] 6.30 5.80 6.20 5.80 5.80 5.60 5.70 5.50 6.00 5.60 5.80 5.80 5.90 5.50
## [7561] 6.30 5.50 6.70 6.20 5.50 5.70 6.30 6.60 5.60 5.50 5.50 5.50 5.60 6.40
## [7575] 5.50 5.50 5.90 6.00 5.50 5.60 6.00 5.70 6.50 5.60 6.00 5.50 6.40 5.90
## [7589] 5.50 5.60 5.60 5.60 6.00 5.50 5.50 5.60 5.90 6.40 7.30 5.50 6.50 5.60
## [7603] 5.50 6.30 5.50 5.50 6.00 5.90 6.30 5.70 6.10 5.50 5.50 5.60 6.00 5.50
## [7617] 6.10 6.00 6.00 5.90 5.70 5.80 6.80 5.60 5.70 6.00 6.40 5.60 7.40 5.60
## [7631] 5.70 5.50 6.40 6.40 5.90 5.60 5.66 5.50 5.60 5.90 5.60 6.20 5.60 5.60
## [7645] 5.60 6.10 6.10 5.60 5.70 6.10 6.30 6.20 6.50 5.70 5.60 5.60 5.50 5.50
## [7659] 5.60 5.60 5.50 6.00 5.70 5.90 6.40 5.60 7.00 5.50 5.60 5.60 5.90 5.70
## [7673] 5.60 6.60 5.70 5.50 5.70 5.60 5.50 5.80 5.70 5.50 5.60 6.50 6.40 5.50
## [7687] 5.80 5.90 6.00 6.20 5.90 6.30 5.50 6.30 6.00 5.70 5.90 5.70 5.50 8.00
## [7701] 5.50 7.60 5.50 5.60 5.80 5.90 5.70 5.50 6.90 5.70 6.70 6.10 5.60 5.60
## [7715] 5.70 5.50 5.70 5.50 6.10 5.90 5.60 6.70 6.20 5.80 6.50 6.60 6.30 5.80
## [7729] 6.40 5.80 5.50 5.80 5.90 5.50 5.50 5.70 5.60 6.00 6.00 5.80 5.70 5.90
## [7743] 6.30 6.40 5.90 5.80 6.20 6.50 5.70 6.20 5.50 5.70 6.20 6.50 6.10 6.20
## [7757] 5.70 5.80 5.90 5.60 6.30 5.50 6.10 6.50 7.10 6.00 5.60 5.60 5.50 6.20
## [7771] 5.50 5.50 5.70 5.80 5.60 5.60 5.50 7.00 5.50 5.60 7.00 5.90 5.60 5.50
## [7785] 5.50 6.00 5.50 5.80 6.00 5.50 5.60 6.30 5.80 6.30 5.60 6.60 5.70 5.70
## [7799] 5.80 5.70 5.50 5.80 7.10 6.50 6.30 6.00 6.00 6.90 5.50 6.20 5.90 5.80
## [7813] 5.80 5.70 5.70 5.50 6.10 6.50 6.30 6.20 6.10 5.50 5.80 5.60 5.50 6.10
## [7827] 5.60 5.90 5.70 5.60 5.70 5.50 5.60 5.70 5.50 5.60 6.00 7.10 5.80 5.50
## [7841] 6.00 5.70 5.70 5.50 5.60 6.30 5.60 5.70 5.50 5.50 6.00 5.50 6.00 5.70
## [7855] 5.60 5.90 6.50 5.60 5.50 5.90 6.20 5.90 5.70 5.60 5.80 5.70 5.50 5.90
## [7869] 6.00 5.80 5.80 5.50 5.90 6.20 5.50 5.80 5.50 5.80 5.60 5.70 5.70 5.80
## [7883] 6.10 6.50 5.50 5.90 5.80 6.40 5.70 5.50 6.10 5.50 6.00 6.20 6.30 5.70
## [7897] 5.70 5.50 5.50 5.50 5.90 5.60 5.60 5.80 6.10 6.30 6.70 5.50 5.80 5.50
## [7911] 5.70 6.30 6.00 5.70 5.80 5.50 5.80 5.60 5.70 5.60 5.70 6.00 5.60 5.60
## [7925] 5.70 5.80 6.20 6.00 5.70 6.50 5.70 6.40 5.50 5.50 5.90 6.30 6.80 5.90
## [7939] 5.90 5.50 5.50 5.90 6.00 5.60 7.00 5.60 5.70 5.60 5.80 6.10 5.60 6.80
## [7953] 6.10 5.90 5.50 5.70 5.80 5.50 6.30 8.00 5.60 5.70 5.50 5.60 5.70 5.80
## [7967] 5.70 5.90 5.60 5.50 5.80 6.40 6.40 5.60 5.60 5.90 5.90 5.80 5.60 5.50
## [7981] 6.60 5.70 5.70 5.50 5.80 5.60 5.90 5.50 6.40 5.60 5.90 6.50 5.80 6.20
## [7995] 5.50 5.50 5.50 6.30 5.50 5.70 6.00 5.90 6.80 7.10 5.50 5.50 6.00 5.70
## [8009] 5.50 5.60 5.70 5.60 6.00 5.70 5.90 5.70 6.10 5.60 5.80 5.60 5.80 6.10
## [8023] 5.80 6.00 6.30 5.50 5.60 5.70 5.80 5.70 5.50 7.10 5.80 5.50 6.00 6.60
## [8037] 6.50 6.80 5.90 6.10 5.60 6.10 5.90 5.60 6.60 7.20 6.40 5.80 6.00 6.50
## [8051] 5.50 6.10 5.60 5.60 5.70 5.70 5.80 5.90 6.10 5.70 5.90 5.90 5.80 5.80
## [8065] 5.50 5.70 5.70 5.50 6.10 5.50 6.00 6.00 6.50 5.70 6.00 6.00 5.50 6.80
## [8079] 5.90 5.60 5.70 5.50 5.90 5.90 6.60 5.50 5.60 5.50 5.60 6.30 6.00 6.00
## [8093] 5.90 5.84 5.50 5.50 6.40 6.35 5.70 5.60 5.50 5.90 5.80 5.60 6.10 5.50
## [8107] 5.90 5.70 5.50 5.50 5.70 5.80 5.50 5.50 5.60 5.60 5.50 5.90 5.80 5.70
## [8121] 5.50 6.20 5.50 5.60 5.50 5.80 5.80 7.50 5.70 5.90 5.80 6.30 6.40 6.10
## [8135] 6.40 6.30 5.50 6.20 5.80 5.50 6.30 5.50 6.40 5.50 5.50 6.60 5.50 5.60
## [8149] 5.50 6.00 5.90 5.70 5.70 7.20 5.90 6.10 5.70 5.60 5.60 5.60 6.50 5.80
## [8163] 6.50 6.30 6.50 6.00 5.50 6.10 5.80 5.60 6.70 5.90 5.60 5.50 5.60 6.20
## [8177] 5.70 5.50 5.90 5.60 6.00 6.00 5.60 5.50 5.90 5.50 5.50 5.60 5.60 5.60
## [8191] 5.70 5.70 5.50 5.60 6.20 6.80 5.60 5.60 5.50 6.40 5.60 5.50 5.70 5.50
## [8205] 7.70 5.70 5.70 6.10 5.50 5.90 5.80 5.50 5.80 5.60 5.60 5.70 5.50 5.90
## [8219] 5.90 5.70 6.00 5.60 6.20 6.00 6.70 6.50 5.80 5.80 5.50 6.40 6.00 6.30
## [8233] 6.40 5.60 5.70 5.90 5.50 5.60 5.60 7.20 5.70 5.70 5.60 5.70 5.80 5.90
## [8247] 6.20 5.50 5.60 5.90 6.00 6.00 5.60 5.80 5.50 7.40 5.50 6.30 5.80 5.50
## [8261] 5.50 5.50 5.50 5.60 5.60 6.00 5.80 6.80 5.60 5.80 5.70 6.00 6.10 6.00
## [8275] 5.90 5.50 5.60 5.50 5.80 6.00 5.50 5.70 5.60 5.80 5.60 6.10 6.10 5.80
## [8289] 5.60 5.50 6.50 6.10 5.50 6.50 5.50 5.60 6.40 6.40 6.30 5.80 5.50 5.60
## [8303] 5.70 6.30 5.80 5.60 5.60 6.00 5.60 5.50 6.20 6.30 6.70 5.80 5.90 6.30
## [8317] 6.80 5.70 5.70 6.60 6.50 5.50 5.70 6.00 5.80 6.00 6.80 5.50 5.50 5.60
## [8331] 5.90 5.70 5.90 5.60 5.90 6.20 5.50 5.80 5.50 5.80 5.90 6.40 5.50 7.00
## [8345] 5.60 5.60 5.90 5.50 5.50 5.50 6.40 6.80 5.60 6.20 6.20 7.40 5.50 5.80
## [8359] 5.60 5.70 5.60 6.00 6.50 5.50 5.50 6.00 6.40 6.10 6.80 5.70 5.70 5.90
## [8373] 5.50 5.70 5.70 5.50 6.20 5.70 6.80 5.50 6.20 5.50 5.50 6.20 6.90 6.00
## [8387] 5.60 6.10 5.60 5.80 6.90 5.70 5.60 6.50 5.80 6.20 5.50 5.70 5.50 7.60
## [8401] 5.60 5.60 7.00 5.50 6.40 7.20 5.50 6.10 6.00 6.20 5.60 5.70 5.90 5.70
## [8415] 5.80 5.60 5.60 5.80 5.50 5.50 6.10 5.50 5.50 5.50 5.60 5.60 6.20 5.60
## [8429] 5.90 5.50 5.90 5.50 5.50 5.60 5.50 5.60 6.00 5.70 6.10 6.70 5.60 5.80
## [8443] 5.70 6.60 6.40 5.80 6.20 6.10 5.70 5.60 6.20 6.10 5.70 5.70 5.70 7.00
## [8457] 5.60 6.20 6.00 5.50 6.70 5.50 5.50 6.40 6.30 5.70 5.60 5.70 6.10 5.70
## [8471] 5.70 5.90 6.10 5.50 6.00 5.80 6.10 6.70 5.60 6.90 6.40 5.70 5.80 5.50
## [8485] 5.80 5.70 6.50 5.60 5.70 5.70 5.50 6.20 6.20 5.60 6.80 6.50 6.80 5.60
## [8499] 5.60 5.50 5.50 6.50 5.80 6.70 5.50 6.10 5.80 6.00 5.50 5.60 5.50 6.30
## [8513] 6.80 5.50 6.00 6.30 5.70 5.60 6.20 5.60 5.60 5.70 6.00 5.50 5.70 5.50
## [8527] 5.50 5.60 5.60 5.80 5.50 6.20 5.50 6.10 5.80 5.50 5.60 6.50 6.30 5.80
## [8541] 6.30 5.60 5.60 5.60 5.80 6.20 5.50 5.60 6.00 5.80 6.20 5.60 5.50 5.50
## [8555] 5.60 5.50 5.60 7.10 5.90 6.30 5.70 6.10 5.70 5.50 6.50 5.50 5.50 5.80
## [8569] 5.70 6.50 5.80 5.80 5.80 5.70 6.10 6.60 6.20 5.60 5.60 5.60 5.60 5.80
## [8583] 5.70 5.60 5.90 6.70 6.60 5.70 5.70 5.70 6.50 5.50 5.70 6.00 6.40 5.60
## [8597] 5.60 5.50 6.00 5.90 5.70 6.20 5.90 5.80 5.80 6.20 5.50 5.80 5.60 5.60
## [8611] 5.70 5.60 5.60 5.60 5.90 5.90 5.70 5.70 5.50 5.60 6.00 5.90 5.80 5.70
## [8625] 5.60 5.60 5.70 7.20 5.60 5.60 5.60 5.70 5.70 6.10 5.70 5.90 5.70 5.60
## [8639] 6.60 5.60 6.00 6.00 6.50 6.10 6.10 5.90 5.90 5.50 6.10 6.70 7.40 6.80
## [8653] 5.90 6.30 5.70 5.70 5.70 6.60 5.70 6.00 5.80 5.60 5.50 5.60 5.80 5.50
## [8667] 6.00 5.60 6.00 5.60 6.10 5.60 5.60 5.70 6.40 6.00 5.50 5.80 6.20 6.10
## [8681] 5.90 5.50 5.50 5.50 5.60 6.10 6.80 6.60 5.50 6.50 5.80 5.60 5.90 5.80
## [8695] 5.60 5.90 6.40 6.10 6.20 5.70 5.90 5.60 7.30 5.60 6.50 5.60 6.30 5.50
## [8709] 5.90 5.60 7.00 5.50 5.60 5.50 5.70 5.70 5.90 7.40 5.50 5.50 6.00 5.60
## [8723] 5.70 5.50 5.70 6.30 6.80 5.70 5.80 6.40 6.00 5.60 6.80 5.90 6.20 5.50
## [8737] 5.90 6.20 5.70 5.70 6.00 6.20 5.50 5.80 5.50 5.80 5.90 6.20 6.00 5.60
## [8751] 6.50 6.90 5.50 5.50 5.80 6.40 5.70 5.90 5.50 5.50 6.00 6.20 5.50 5.50
## [8765] 5.50 6.50 6.60 5.90 6.10 6.70 6.20 6.10 5.60 5.50 5.50 6.20 6.30 5.50
## [8779] 5.50 5.60 7.90 5.90 5.50 5.80 6.40 5.50 6.30 6.20 5.60 5.50 5.80 5.60
## [8793] 5.50 6.00 6.40 6.10 5.60 6.00 5.50 6.70 6.00 5.50 5.90 5.50 5.50 5.60
## [8807] 5.60 5.90 6.10 5.90 5.50 5.80 5.50 6.00 5.90 5.60 5.90 6.60 5.50 5.50
## [8821] 5.60 5.60 5.90 5.80 5.50 6.40 5.80 5.50 5.90 5.50 5.60 5.70 7.00 5.90
## [8835] 5.90 5.50 6.20 6.30 6.30 6.70 5.80 5.50 5.50 5.80 5.90 5.50 5.50 5.60
## [8849] 5.50 5.50 6.10 5.90 5.60 6.00 5.70 5.70 5.50 5.50 5.70 5.70 5.50 7.20
## [8863] 6.50 5.90 6.20 6.50 6.20 6.50 5.60 6.40 5.90 5.80 5.50 5.60 5.80 5.50
## [8877] 5.70 6.10 5.60 6.00 5.60 5.70 5.90 5.90 5.50 6.50 5.50 5.50 5.60 6.70
## [8891] 5.90 5.60 7.30 5.60 5.50 5.60 5.50 6.80 5.50 5.50 6.90 5.50 5.90 5.70
## [8905] 5.50 5.70 7.80 6.20 5.60 5.90 5.80 5.50 6.00 6.70 5.60 6.60 5.50 6.00
## [8919] 5.80 5.90 5.90 5.90 5.50 5.50 5.60 5.90 5.70 5.50 5.90 5.90 5.60 6.20
## [8933] 5.80 5.70 5.80 6.50 5.50 5.50 6.20 5.60 5.70 5.50 6.20 5.50 5.50 5.90
## [8947] 5.80 5.90 5.50 6.20 5.70 6.30 6.10 5.90 6.00 5.90 5.80 5.60 5.80 5.60
## [8961] 5.70 6.40 6.10 5.60 5.50 5.50 5.70 7.10 6.20 5.50 5.80 5.70 5.60 6.30
## [8975] 5.50 5.70 5.90 5.50 5.50 5.50 5.50 6.30 5.90 5.80 5.70 5.70 6.20 6.10
## [8989] 5.90 6.10 6.40 5.70 5.60 6.30 6.10 5.70 5.60 6.60 5.90 5.70 5.50 6.00
## [9003] 5.60 5.90 5.50 5.50 5.70 5.50 6.10 6.20 5.80 5.50 5.70 5.50 5.70 5.70
## [9017] 6.10 5.60 6.10 5.90 5.70 6.00 5.50 5.60 5.60 5.60 5.70 5.60 6.90 5.80
## [9031] 5.50 6.70 6.50 5.80 5.60 5.50 6.30 6.50 5.70 5.80 5.70 5.70 6.70 5.50
## [9045] 6.20 5.60 5.70 5.50 5.50 5.70 5.90 5.60 5.70 5.50 6.00 6.00 5.70 5.90
## [9059] 6.30 5.70 6.60 5.50 5.80 5.60 6.80 5.90 5.60 6.30 5.50 5.90 5.60 5.70
## [9073] 5.60 6.00 5.60 5.70 5.70 5.60 5.70 5.50 5.90 5.50 6.00 6.40 5.50 5.60
## [9087] 5.50 5.90 5.50 5.90 6.60 7.00 5.60 7.00 5.60 5.60 5.60 6.70 6.00 6.20
## [9101] 5.60 5.80 5.50 6.60 5.90 5.70 5.60 5.50 5.70 5.50 5.50 7.30 6.10 6.30
## [9115] 5.50 5.60 5.60 7.60 5.90 6.60 5.60 6.00 6.80 5.60 6.20 5.50 5.80 6.10
## [9129] 5.50 5.80 5.70 6.10 6.70 5.50 6.10 5.50 6.00 6.10 5.70 5.50 5.60 5.90
## [9143] 5.90 6.90 5.60 5.50 5.50 5.60 5.80 5.70 5.80 5.80 5.70 5.50 5.50 5.60
## [9157] 6.70 5.90 5.50 5.50 5.80 5.50 5.50 5.60 5.90 5.60 6.10 6.00 6.20 5.60
## [9171] 5.70 5.60 5.80 5.50 5.70 5.60 5.60 5.50 5.90 5.70 5.60 5.50 5.60 5.50
## [9185] 5.70 5.70 5.80 6.30 5.50 6.10 5.60 5.90 7.10 5.90 5.60 5.80 5.60 5.60
## [9199] 6.30 5.70 5.70 6.00 5.90 5.50 5.60 5.60 5.60 5.70 5.90 5.60 5.50 5.50
## [9213] 5.80 5.60 5.90 5.60 6.30 5.70 6.60 5.90 6.00 5.70 5.60 6.20 5.90 5.60
## [9227] 6.20 5.70 5.50 7.70 6.40 5.80 5.90 6.80 5.70 6.00 5.60 5.50 5.70 6.70
## [9241] 5.50 6.00 5.50 5.80 5.50 6.60 5.50 6.60 6.10 5.60 5.50 5.50 5.90 5.90
## [9255] 5.50 5.60 6.30 5.60 5.90 5.60 5.50 5.50 5.60 5.70 6.10 5.90 5.70 5.50
## [9269] 5.50 5.90 5.80 5.80 6.40 5.90 5.80 6.80 5.90 5.60 5.50 6.20 5.90 5.70
## [9283] 5.60 5.70 6.00 5.50 5.80 5.50 6.40 5.50 5.60 5.90 5.60 5.50 5.50 5.60
## [9297] 5.70 5.70 5.70 6.10 5.50 5.80 6.20 5.90 5.80 5.70 5.80 5.60 6.00 5.50
## [9311] 5.80 6.50 6.70 5.50 6.10 5.60 5.90 5.60 5.60 6.40 6.00 5.90 5.90 5.80
## [9325] 5.70 5.50 5.70 6.10 6.20 5.50 5.50 5.90 6.30 5.60 5.50 5.50 5.80 5.80
## [9339] 6.30 6.20 5.50 5.50 5.50 5.60 5.70 5.60 5.70 7.10 5.60 5.50 5.60 5.90
## [9353] 5.80 5.60 5.80 5.80 5.60 5.90 5.50 5.60 5.60 5.50 6.50 5.50 5.60 6.20
## [9367] 5.50 5.50 5.60 5.50 5.60 6.00 5.60 6.00 5.60 5.50 5.70 6.80 6.40 5.90
## [9381] 6.50 6.20 5.90 5.80 5.50 6.10 5.90 5.50 5.70 6.10 5.70 5.80 6.20 5.50
## [9395] 6.90 5.60 6.00 5.50 5.70 5.70 5.90 6.20 5.60 5.50 5.90 5.60 5.50 6.00
## [9409] 5.60 5.60 6.20 6.90 5.60 5.50 6.00 5.50 6.80 5.80 5.90 5.50 5.50 5.70
## [9423] 6.40 5.60 5.50 5.60 5.70 6.30 6.10 5.80 5.80 5.50 5.60 5.50 6.40 5.50
## [9437] 5.50 5.80 6.10 5.60 5.80 6.90 5.50 6.30 5.50 5.60 5.60 6.00 5.70 6.00
## [9451] 6.10 6.00 6.00 5.70 5.50 5.50 5.50 6.20 5.80 5.50 5.70 7.10 5.60 5.60
## [9465] 6.30 5.50 5.60 5.70 7.00 5.60 6.00 5.70 5.50 6.10 5.60 5.90 6.00 5.70
## [9479] 5.60 6.30 5.50 6.30 5.60 5.90 8.20 5.60 5.50 6.00 5.50 5.70 5.80 6.30
## [9493] 5.60 5.90 6.00 5.90 5.80 5.50 5.70 5.60 6.10 6.00 5.80 5.80 5.90 5.70
## [9507] 5.60 5.90 6.40 5.50 5.80 5.60 5.70 5.50 6.20 5.80 5.50 5.60 5.60 5.50
## [9521] 5.70 5.50 5.50 5.80 5.60 6.40 5.60 5.50 5.70 5.70 5.70 5.50 6.30 6.40
## [9535] 6.50 5.90 5.80 5.80 5.50 5.60 6.40 6.10 5.90 5.80 5.80 5.70 5.60 5.50
## [9549] 5.80 5.70 5.50 5.80 5.80 6.70 5.60 5.60 5.60 6.50 5.60 6.00 6.00 5.80
## [9563] 5.90 5.80 5.90 6.80 6.30 5.90 5.70 5.70 5.50 5.80 6.60 6.00 5.80 5.60
## [9577] 5.70 5.70 5.60 6.10 5.80 5.70 6.10 5.90 5.60 5.50 6.30 5.50 5.60 5.60
## [9591] 5.60 5.50 6.50 5.60 6.10 6.10 5.80 5.70 6.10 6.40 6.10 5.80 6.60 6.30
## [9605] 5.50 5.60 6.50 5.50 5.60 5.50 5.90 5.50 6.40 5.50 5.50 7.10 5.70 5.60
## [9619] 5.60 5.70 6.00 5.60 6.00 5.90 5.80 5.90 5.50 5.60 5.50 5.80 6.40 5.50
## [9633] 6.20 5.50 5.70 5.50 6.50 5.90 6.10 6.20 5.90 5.80 6.20 6.10 5.50 6.50
## [9647] 5.80 5.70 5.80 5.50 5.50 6.10 6.80 6.20 6.10 5.60 5.70 5.50 5.80 5.50
## [9661] 5.60 5.60 6.00 6.30 6.90 5.50 6.10 5.70 5.60 5.60 5.60 6.00 5.50 5.60
## [9675] 5.60 6.10 5.50 6.20 5.60 6.40 6.90 5.90 6.90 5.50 5.50 6.00 5.60 5.80
## [9689] 5.60 5.60 6.10 5.60 5.50 5.50 7.40 6.00 5.50 5.50 5.50 6.00 5.50 5.90
## [9703] 5.50 5.90 5.50 5.50 6.10 5.60 5.60 5.80 5.50 5.70 6.20 5.80 5.80 6.10
## [9717] 5.90 5.50 5.90 6.30 5.70 5.50 5.80 5.50 5.60 5.50 6.10 5.60 5.60 5.60
## [9731] 6.30 6.10 5.60 5.60 5.50 5.60 6.60 6.00 5.80 5.60 6.00 7.10 5.50 5.50
## [9745] 6.20 5.60 6.70 5.90 6.10 6.00 5.60 7.60 6.00 5.70 5.60 5.50 5.50 5.50
## [9759] 5.50 5.60 5.70 5.90 5.60 5.90 5.80 5.50 5.50 6.50 5.90 5.80 5.50 5.50
## [9773] 5.60 6.00 5.50 6.30 6.00 5.60 5.90 5.80 5.50 6.70 5.60 5.80 6.50 5.80
## [9787] 5.50 6.00 6.00 5.50 6.00 5.50 5.80 5.70 6.30 5.70 5.80 5.90 5.50 5.50
## [9801] 5.60 5.70 6.00 5.50 5.70 6.10 5.70 5.70 5.60 5.60 5.60 5.70 6.00 5.50
## [9815] 5.70 6.00 5.70 5.80 5.50 5.50 6.20 5.60 5.90 5.50 5.60 5.50 6.00 5.80
## [9829] 5.80 5.50 5.80 6.30 6.80 6.60 6.00 5.90 5.70 5.60 5.70 5.70 5.50 5.50
## [9843] 5.60 5.90 6.10 5.60 5.90 6.30 6.90 6.40 5.60 5.60 5.70 5.80 5.80 5.50
## [9857] 6.20 5.60 5.70 6.10 5.90 5.70 5.51 5.80 5.60 7.60 6.20 6.60 6.10 7.10
## [9871] 6.20 5.70 5.50 5.90 5.70 5.50 5.60 5.50 5.50 6.40 5.70 5.50 5.50 5.60
## [9885] 5.50 5.70 6.50 6.10 5.50 5.80 5.50 6.60 5.60 5.60 5.50 6.40 7.30 6.30
## [9899] 5.70 5.80 5.90 5.60 6.00 5.80 5.70 6.20 6.80 5.90 5.50 7.60 5.70 5.50
## [9913] 5.70 5.70 5.50 5.80 5.80 5.60 5.50 6.00 5.50 6.30 5.80 5.50 6.00 5.50
## [9927] 5.60 5.80 6.10 5.50 5.70 5.70 6.00 6.10 7.80 5.60 5.60 5.70 6.50 5.50
## [9941] 6.00 6.50 5.50 5.50 6.30 5.50 5.70 6.30 6.50 6.30 5.60 6.00 5.50 6.40
## [9955] 5.70 5.60 6.00 5.60 5.60 5.80 6.60 6.60 6.40 5.80 5.70 6.50 5.70 6.00
## [9969] 5.50 5.80 5.90 5.50 6.30 5.60 7.20 5.80 6.40 6.20 6.00 5.50 6.00 5.50
## [9983] 5.70 5.60 5.50 5.80 5.70 5.90 5.80 5.50 7.20 5.70 6.30 6.10 5.50 5.60
## [9997] 6.10 6.50 7.10 7.10 5.50 5.90 5.80 5.80 5.90 5.90 6.10 6.60 7.00 5.70
## [10011] 6.30 6.00 6.30 5.50 5.50 5.50 6.50 5.60 5.60 5.70 6.50 5.50 5.50 5.60
## [10025] 5.60 5.80 7.10 5.60 6.60 5.50 6.00 5.60 5.60 6.00 6.10 5.60 5.50 5.60
## [10039] 5.60 7.40 5.80 5.50 5.50 5.50 5.70 6.20 6.90 5.80 5.70 6.30 5.50 5.70
## [10053] 5.50 5.60 5.60 5.50 5.60 5.60 5.60 5.70 5.90 6.60 5.80 6.40 5.50 5.50
## [10067] 5.60 6.00 6.00 5.80 5.50 5.50 6.40 6.60 5.70 5.60 5.70 7.70 5.60 5.60
## [10081] 5.70 5.70 5.70 6.10 6.50 5.70 5.60 5.50 5.70 5.80 5.70 6.30 5.50 5.60
## [10095] 5.50 5.60 5.50 5.90 7.20 5.60 5.60 5.50 5.80 5.70 6.00 5.80 6.20 6.50
## [10109] 6.10 6.40 5.60 5.50 5.50 5.80 6.20 5.90 5.50 5.50 5.50 5.50 7.10 5.50
## [10123] 5.50 6.30 5.50 5.50 6.20 5.70 6.70 5.70 6.20 6.00 5.70 5.70 5.70 5.90
## [10137] 6.00 5.50 5.50 5.60 6.40 5.50 5.50 5.70 5.90 5.60 5.70 5.50 5.50 6.60
## [10151] 5.60 5.80 6.00 5.50 5.70 5.80 5.60 5.60 5.70 5.50 6.00 5.50 6.00 5.70
## [10165] 5.80 5.50 5.80 5.60 6.00 5.50 5.60 5.50 5.80 6.40 5.70 5.60 5.60 6.00
## [10179] 6.40 6.50 6.50 6.20 5.90 5.60 5.60 6.70 5.60 5.50 5.50 6.10 5.90 5.80
## [10193] 5.60 5.50 5.70 5.50 6.60 6.10 5.90 5.60 6.80 5.90 5.80 7.00 5.70 5.60
## [10207] 5.50 5.50 5.80 5.70 5.80 6.50 5.90 6.10 5.50 5.50 5.50 5.60 5.60 5.70
## [10221] 5.50 5.50 5.60 5.80 5.50 6.60 5.70 7.10 5.70 5.70 5.50 5.50 6.40 5.90
## [10235] 5.50 5.60 6.70 5.80 5.60 5.70 5.60 5.50 5.80 5.60 6.00 6.30 5.70 5.50
## [10249] 6.10 5.70 5.80 5.50 5.60 5.60 5.60 6.10 5.80 5.50 5.90 5.60 5.50 6.10
## [10263] 5.90 5.50 5.50 6.00 5.50 6.40 5.80 5.60 6.30 6.20 6.70 5.50 5.90 5.70
## [10277] 5.60 5.50 5.50 5.70 5.70 5.50 6.30 5.50 5.60 6.00 5.50 5.60 5.90 6.80
## [10291] 6.10 5.50 5.60 5.50 6.00 5.70 5.60 5.60 5.90 5.70 5.90 5.60 5.70 5.50
## [10305] 5.90 6.10 5.60 7.50 5.50 5.60 6.30 5.80 6.00 5.50 5.90 6.20 5.70 5.80
## [10319] 7.00 6.20 5.50 6.20 5.80 5.70 5.60 5.60 5.80 5.80 5.50 6.00 5.50 5.80
## [10333] 5.70 6.30 5.50 5.60 6.00 5.70 6.40 5.50 6.30 6.40 5.50 5.50 5.50 5.50
## [10347] 5.70 5.90 5.60 5.60 5.80 6.90 5.70 5.50 5.70 6.10 6.90 6.40 6.20 6.00
## [10361] 5.80 5.70 5.50 5.50 5.90 5.90 6.00 5.50 6.10 6.00 7.00 5.70 5.60 5.90
## [10375] 5.50 6.70 5.70 5.50 5.70 5.60 6.00 5.60 5.80 6.20 5.50 5.60 6.20 5.70
## [10389] 5.70 5.60 6.60 5.60 5.90 5.70 5.50 5.80 6.00 5.70 6.40 5.70 5.80 5.70
## [10403] 6.30 5.60 6.00 6.20 5.80 5.60 5.50 6.30 5.50 5.80 5.80 5.60 5.50 5.50
## [10417] 6.00 5.60 5.80 5.80 5.60 6.30 6.50 7.10 5.50 6.30 5.80 5.50 6.70 5.90
## [10431] 5.60 5.80 5.80 5.60 5.50 5.80 6.00 5.60 5.50 6.00 5.50 6.10 5.90 5.50
## [10445] 5.60 7.60 5.80 5.80 6.30 6.20 5.50 6.20 5.60 7.00 5.90 5.50 6.10 6.00
## [10459] 5.70 5.50 6.30 5.50 6.00 6.70 5.60 6.20 5.70 5.50 5.70 5.50 5.60 6.10
## [10473] 5.50 5.50 5.60 6.30 5.50 5.50 6.00 6.40 5.50 7.00 5.90 5.50 6.60 5.80
## [10487] 6.80 5.70 5.50 7.00 5.60 5.80 5.60 5.50 5.60 5.60 6.90 7.00 5.50 6.40
## [10501] 5.90 5.50 5.50 5.80 5.80 5.90 5.50 6.30 6.60 5.70 5.60 5.70 6.10 5.50
## [10515] 5.90 5.80 5.50 7.50 5.60 5.80 6.20 7.30 5.60 5.60 5.50 5.60 5.80 5.50
## [10529] 5.70 6.00 6.40 5.70 5.70 6.90 5.60 6.10 5.90 7.00 5.50 5.60 5.80 5.50
## [10543] 5.60 6.90 6.20 6.70 5.60 5.50 5.70 5.80 5.50 5.60 5.90 5.80 5.60 5.60
## [10557] 5.80 5.50 5.70 5.80 5.70 5.50 5.70 5.50 5.70 5.50 6.00 5.90 6.00 5.50
## [10571] 6.70 5.50 5.90 5.70 5.50 6.00 6.50 5.50 5.70 6.30 5.60 6.10 5.60 6.00
## [10585] 7.00 5.50 5.50 5.70 5.50 5.80 5.70 5.80 5.90 5.50 5.90 5.50 5.70 5.50
## [10599] 5.60 5.50 6.40 6.40 6.30 5.50 5.50 5.60 5.50 5.50 5.80 5.80 5.90 5.50
## [10613] 6.20 5.50 6.10 5.50 5.70 6.60 7.00 5.60 5.60 5.70 5.50 5.60 6.00 5.60
## [10627] 5.60 5.60 6.30 5.90 6.30 7.20 6.40 6.10 6.20 5.90 6.10 5.50 6.50 5.60
## [10641] 5.60 5.50 6.80 5.50 5.60 5.50 6.00 5.70 5.50 5.80 5.60 5.50 6.20 5.50
## [10655] 6.00 6.60 5.70 6.00 5.60 6.20 5.70 6.20 6.50 5.80 6.30 5.60 5.50 6.00
## [10669] 5.90 5.80 5.60 6.80 5.50 5.90 7.20 5.60 6.10 5.50 6.30 5.50 5.60 6.00
## [10683] 6.40 5.80 5.60 5.50 5.80 6.30 5.50 5.50 5.90 6.00 5.60 5.50 5.60 5.50
## [10697] 6.40 6.50 5.60 5.70 6.60 5.50 6.00 5.50 6.50 5.50 5.50 6.40 6.30 5.70
## [10711] 5.60 5.90 6.30 5.70 5.50 6.80 5.80 5.60 5.60 5.60 5.70 7.60 5.80 5.50
## [10725] 5.50 5.50 5.50 5.50 5.60 6.00 7.20 5.80 6.40 6.60 5.80 5.60 5.90 5.50
## [10739] 6.40 6.10 5.80 5.60 5.70 5.60 5.70 5.90 6.10 5.60 5.70 5.50 6.70 5.70
## [10753] 5.60 5.50 5.80 5.90 5.90 5.50 5.80 6.00 6.30 5.80 5.70 5.90 5.50 5.50
## [10767] 6.50 5.60 5.70 5.60 5.60 5.70 5.50 6.80 6.00 5.60 6.00 6.20 6.20 5.50
## [10781] 6.00 5.70 5.50 6.00 5.50 5.80 6.00 6.70 5.80 5.60 5.50 6.90 6.00 5.80
## [10795] 5.60 5.90 5.50 6.40 6.20 6.40 6.60 6.20 5.50 5.60 6.10 5.50 6.40 6.70
## [10809] 6.10 5.90 5.90 5.60 5.50 6.30 5.50 5.80 5.60 6.00 6.00 5.60 5.50 6.00
## [10823] 5.60 5.50 5.60 5.50 5.50 5.90 6.30 5.50 5.50 5.60 5.50 6.50 5.50 5.80
## [10837] 5.70 5.70 6.10 5.50 5.80 6.70 5.70 6.00 6.00 6.00 5.70 6.00 5.90 5.60
## [10851] 5.70 5.50 6.10 5.80 5.80 6.60 5.50 6.20 5.70 5.50 6.10 5.60 5.70 6.10
## [10865] 6.20 5.50 6.20 5.60 5.90 7.20 5.60 6.45 6.57 5.70 5.90 5.90 5.50 5.80
## [10879] 5.50 5.50 6.10 5.50 6.00 5.80 5.60 5.50 5.70 6.70 5.60 5.60 5.70 7.20
## [10893] 6.20 5.50 6.10 5.80 6.10 5.70 7.10 7.30 5.90 6.10 6.30 5.60 5.80 5.50
## [10907] 6.30 6.50 5.50 6.00 5.50 5.90 5.60 5.70 5.50 5.60 6.20 5.70 6.00 5.50
## [10921] 5.70 6.80 5.80 5.60 7.00 6.00 5.80 5.80 5.60 6.00 5.50 6.00 6.30 5.90
## [10935] 5.50 5.70 5.50 5.50 5.90 6.20 5.60 6.20 5.70 6.00 5.60 6.00 5.50 5.60
## [10949] 6.10 5.60 5.50 5.70 6.00 5.80 5.50 5.60 5.60 6.30 5.70 5.80 6.00 6.20
## [10963] 5.80 6.20 6.50 5.70 5.80 5.60 6.10 5.70 5.50 5.90 5.70 6.50 5.90 5.90
## [10977] 5.60 7.30 5.77 5.70 5.53 6.30 5.90 5.50 5.69 5.60 5.60 5.80 6.50 7.20
## [10991] 5.67 6.20 5.70 5.80 6.20 6.30 6.00 5.50 5.60 5.70 5.90 5.80 5.60 5.80
## [11005] 5.50 5.50 5.80 6.90 6.10 5.50 6.40 5.90 5.80 5.80 5.50 6.10 5.70 5.50
## [11019] 5.60 6.00 5.50 6.70 5.60 5.50 5.80 5.50 5.90 5.60 5.70 5.70 5.60 5.60
## [11033] 5.60 6.20 6.10 5.50 5.50 5.50 5.80 6.30 6.60 5.60 6.10 5.70 6.40 5.70
## [11047] 5.70 5.60 5.80 6.90 6.20 6.10 5.70 5.50 5.50 5.50 6.40 5.80 6.20 5.90
## [11061] 6.30 5.50 5.90 6.10 7.30 6.10 6.30 6.60 5.50 6.20 6.10 5.50 5.90 5.60
## [11075] 5.60 5.50 6.90 6.30 6.40 5.90 7.70 5.50 5.50 6.70 5.60 5.60 5.70 6.00
## [11089] 5.50 6.00 5.70 5.50 5.60 6.10 5.70 6.00 5.90 5.70 5.60 5.50 6.40 5.60
## [11103] 5.60 5.60 5.50 5.50 5.70 5.50 5.70 6.30 5.60 5.60 5.80 5.60 5.50 6.10
## [11117] 5.60 5.50 5.60 5.60 5.70 6.70 5.50 5.90 5.70 5.80 6.00 5.50 6.40 6.00
## [11131] 6.60 6.10 5.70 5.60 6.10 5.50 5.50 5.50 6.20 5.80 5.50 7.40 5.60 5.80
## [11145] 6.80 5.50 5.60 6.50 5.50 6.70 5.60 6.20 7.20 5.60 5.80 5.50 5.70 6.20
## [11159] 6.00 5.50 6.20 6.60 5.50 6.50 5.60 5.60 5.50 6.40 5.80 5.70 6.20 6.40
## [11173] 5.70 6.60 5.60 5.50 5.50 6.00 5.50 6.20 6.50 5.60 6.50 6.10 5.60 6.40
## [11187] 5.90 6.40 6.00 5.50 6.20 6.10 6.70 5.60 5.50 5.70 5.80 5.80 5.50 6.20
## [11201] 5.90 5.60 6.30 5.80 5.50 5.70 5.90 5.50 5.90 5.50 6.60 5.60 5.80 5.60
## [11215] 5.80 5.70 5.90 5.70 5.50 5.90 5.50 5.70 5.80 6.50 5.80 6.00 6.00 5.50
## [11229] 5.50 5.50 5.80 5.70 5.50 6.00 5.60 5.70 6.00 5.90 5.70 5.60 7.80 5.70
## [11243] 6.10 5.50 5.70 5.90 5.90 5.60 5.70 6.10 5.50 5.80 6.10 5.50 7.30 5.50
## [11257] 5.70 5.70 5.80 5.70 6.30 5.80 5.90 5.70 6.80 5.70 6.00 5.50 5.50 5.60
## [11271] 5.80 6.40 5.60 5.50 5.70 5.80 5.90 6.00 5.70 5.60 5.60 5.50 5.50 5.50
## [11285] 6.70 5.50 5.70 5.50 5.50 6.30 6.10 7.60 5.60 6.40 5.90 5.90 6.60 5.60
## [11299] 5.90 6.20 5.90 5.80 6.40 5.50 5.70 5.60 5.70 5.70 5.60 5.70 5.60 5.70
## [11313] 5.60 5.50 5.50 5.50 5.90 5.70 6.60 5.70 5.50 5.60 5.80 6.20 5.90 5.60
## [11327] 6.30 5.50 5.70 5.70 5.50 5.60 5.70 5.70 5.70 5.50 6.20 5.90 5.60 6.00
## [11341] 5.70 5.70 7.10 6.00 6.60 6.70 5.60 5.60 5.50 6.20 6.30 6.50 5.70 5.60
## [11355] 6.40 5.50 5.50 5.70 6.70 5.60 5.60 5.80 6.00 5.60 6.30 6.20 6.30 5.70
## [11369] 5.50 6.00 5.60 5.60 5.50 5.90 5.70 5.80 5.70 5.50 5.70 5.70 6.00 6.30
## [11383] 5.50 5.80 5.70 5.50 5.60 5.50 5.70 5.80 5.90 5.60 5.60 5.50 6.90 6.30
## [11397] 6.30 6.30 6.80 5.90 5.80 6.30 6.00 5.50 5.50 5.50 5.50 5.60 6.40 5.50
## [11411] 5.70 5.50 5.70 5.70 6.10 5.80 5.60 5.70 7.00 5.50 5.50 6.90 5.60 5.80
## [11425] 6.00 6.10 5.60 5.70 6.90 6.60 5.70 5.70 6.40 5.80 6.10 5.50 6.80 5.50
## [11439] 5.60 5.80 5.70 5.70 6.20 7.00 5.60 6.20 5.70 5.80 5.50 5.60 5.50 6.40
## [11453] 5.80 5.70 6.10 5.60 5.70 5.50 5.90 5.80 5.80 5.70 6.10 5.60 5.60 6.00
## [11467] 5.50 6.50 5.80 5.50 7.50 6.30 5.60 6.10 5.70 5.90 6.10 6.30 5.60 5.50
## [11481] 5.50 6.20 5.60 5.70 6.60 5.90 6.70 6.00 5.80 5.70 5.80 5.80 5.50 5.50
## [11495] 5.50 6.40 6.70 5.70 5.90 5.60 5.60 6.40 5.50 5.70 5.50 6.00 5.90 6.10
## [11509] 5.80 6.60 5.80 7.70 5.60 6.30 6.00 5.80 5.60 5.70 5.70 5.50 5.80 5.50
## [11523] 5.70 5.60 6.10 6.00 5.70 5.70 5.60 5.80 6.00 5.60 6.20 5.50 5.60 6.00
## [11537] 6.10 5.70 6.50 5.50 5.60 6.40 6.70 6.50 5.50 7.80 5.70 5.70 6.40 7.00
## [11551] 7.00 6.40 5.60 5.60 6.20 5.80 6.30 5.80 5.60 6.00 5.50 5.60 5.90 5.50
## [11565] 6.20 5.50 5.50 5.70 6.10 5.80 6.20 5.60 5.70 5.90 5.90 5.90 5.70 6.30
## [11579] 5.50 6.80 5.50 5.60 6.00 6.20 6.60 6.50 5.70 5.80 6.00 7.20 5.50 5.70
## [11593] 5.60 5.60 5.70 6.00 5.90 5.70 6.30 5.60 5.50 5.80 5.90 5.70 5.60 5.50
## [11607] 5.70 5.60 5.50 5.60 5.50 6.30 5.50 5.50 6.40 6.30 5.60 6.00 5.90 5.90
## [11621] 6.00 5.80 5.70 6.10 6.30 5.80 5.60 6.60 5.50 5.50 6.40 6.00 5.90 6.20
## [11635] 6.50 6.10 5.80 6.00 5.60 5.80 6.00 5.90 6.60 5.80 5.50 5.60 6.00 6.90
## [11649] 5.50 5.50 6.90 6.50 6.00 6.00 6.30 5.80 5.50 6.00 5.50 5.60 5.70 5.60
## [11663] 6.70 5.80 5.90 6.70 6.10 5.90 5.80 5.50 5.80 5.50 5.70 5.80 5.70 5.60
## [11677] 5.60 6.20 5.50 5.60 5.90 6.00 6.00 5.60 5.60 6.00 7.00 5.50 5.80 5.60
## [11691] 5.50 6.00 6.50 5.60 5.80 5.90 5.90 5.90 6.00 5.70 6.20 5.80 5.50 5.80
## [11705] 5.90 5.60 5.60 5.70 5.60 5.50 5.50 5.50 5.60 5.90 5.60 6.90 6.80 5.70
## [11719] 6.10 5.60 5.90 5.90 5.80 5.70 6.00 5.70 5.50 6.10 5.70 6.30 5.80 5.90
## [11733] 7.00 5.90 6.50 5.80 5.50 5.60 5.70 5.70 6.10 6.00 5.50 5.50 5.60 5.80
## [11747] 5.70 5.60 6.90 6.10 5.50 5.50 5.70 5.70 5.70 6.70 5.89 5.80 5.58 6.80
## [11761] 6.10 5.50 5.80 7.00 6.00 5.60 5.70 6.30 5.50 6.00 5.60 6.10 5.50 5.80
## [11775] 5.50 5.60 5.60 6.20 5.70 5.50 5.60 5.50 6.90 5.50 6.70 7.00 5.70 5.70
## [11789] 5.90 6.00 6.90 5.60 5.60 6.50 5.70 6.00 5.50 6.30 6.40 5.90 6.10 5.60
## [11803] 5.50 5.80 6.30 6.00 6.00 5.70 5.90 5.50 5.70 6.10 5.50 5.80 5.90 5.70
## [11817] 6.30 6.10 5.70 6.10 5.60 5.60 6.10 5.80 5.60 5.90 5.80 7.60 6.00 5.50
## [11831] 5.50 5.60 5.60 6.00 7.00 6.90 6.40 5.50 5.60 5.70 5.70 5.50 5.50 5.50
## [11845] 5.90 6.50 5.50 5.50 5.80 5.70 5.60 5.80 6.20 5.50 5.90 6.20 6.40 6.00
## [11859] 6.10 5.90 5.50 5.80 6.50 5.70 5.50 5.50 5.60 5.60 5.60 5.50 5.70 6.70
## [11873] 5.90 5.60 5.90 5.80 6.70 6.20 5.50 5.70 5.60 5.80 5.80 6.30 6.00 5.50
## [11887] 5.60 6.90 5.90 6.10 5.80 6.10 5.50 6.20 6.20 5.80 5.90 5.70 5.50 5.50
## [11901] 5.60 5.70 5.90 5.50 6.90 5.70 6.50 6.10 5.60 5.90 5.60 5.90 5.90 6.20
## [11915] 5.70 5.50 5.50 5.50 5.50 6.30 6.20 5.60 6.10 5.60 5.90 5.50 5.60 6.60
## [11929] 5.50 5.80 6.50 5.70 5.60 5.90 5.50 6.00 5.60 6.50 5.60 6.00 7.80 5.60
## [11943] 5.80 5.60 6.60 5.90 5.90 5.60 5.50 6.50 5.60 5.50 6.40 6.10 5.60 5.50
## [11957] 5.60 6.80 5.50 8.20 6.10 6.20 5.80 5.80 5.80 5.60 5.80 6.20 5.60 5.60
## [11971] 5.60 6.20 5.50 6.10 5.90 6.00 6.80 5.50 6.00 5.90 5.70 5.50 5.50 6.10
## [11985] 5.60 5.90 6.30 5.60 5.60 5.60 5.60 5.50 5.80 5.50 6.50 5.90 5.90 5.50
## [11999] 5.90 5.70 5.60 7.20 5.60 6.70 6.50 5.90 5.70 5.50 5.70 5.60 5.70 5.50
## [12013] 5.60 5.50 7.30 5.80 6.00 5.50 5.90 5.60 5.60 6.40 5.60 6.60 5.70 5.80
## [12027] 5.80 5.90 5.60 5.90 5.80 5.60 6.20 5.50 5.50 6.20 5.60 5.50 5.60 6.10
## [12041] 5.50 5.50 5.50 5.50 5.90 5.80 6.00 6.30 5.90 5.50 5.50 5.70 5.80 5.90
## [12055] 5.90 5.70 6.60 5.90 6.50 5.80 5.60 6.20 6.00 6.20 5.60 5.50 5.50 5.50
## [12069] 5.50 5.60 5.60 6.60 5.80 5.70 5.70 6.20 6.20 7.00 5.90 5.80 5.60 5.50
## [12083] 5.70 6.30 5.60 5.60 5.60 5.50 5.70 5.60 5.50 5.70 6.00 5.70 5.90 5.70
## [12097] 6.00 5.50 6.10 6.10 5.80 5.50 5.50 6.00 6.80 5.70 5.80 5.50 6.10 6.20
## [12111] 5.80 6.60 6.00 5.50 5.80 5.50 5.70 6.50 6.20 8.30 6.10 5.60 5.90 5.70
## [12125] 6.30 5.50 6.30 6.00 6.00 6.00 5.70 5.50 5.50 5.80 5.70 5.50 5.70 6.00
## [12139] 6.10 5.60 5.50 5.60 6.00 5.50 6.80 7.30 5.90 6.10 5.60 5.80 5.70 5.80
## [12153] 5.90 6.40 5.50 6.40 6.10 5.60 6.70 5.90 5.50 6.00 5.50 5.50 6.00 5.50
## [12167] 6.30 6.70 5.80 5.90 5.60 5.60 5.90 6.20 5.60 5.50 5.70 5.70 5.80 6.10
## [12181] 5.50 6.50 5.60 5.60 5.50 5.80 5.50 5.80 7.10 5.50 6.50 6.00 5.80 5.50
## [12195] 5.60 5.90 6.30 6.10 5.90 5.60 5.50 5.70 5.50 5.50 5.50 5.50 6.00 5.50
## [12209] 5.70 6.00 6.50 5.70 6.30 5.60 5.50 5.50 6.10 5.70 5.60 6.50 5.80 5.80
## [12223] 5.70 5.70 5.50 5.50 5.50 5.50 6.40 5.50 5.60 7.80 5.60 5.70 5.70 5.70
## [12237] 5.70 6.20 5.70 6.40 5.80 5.50 5.50 6.30 5.50 6.00 6.50 5.60 5.90 6.00
## [12251] 5.70 5.50 5.80 7.00 6.00 5.60 6.00 5.50 5.60 5.60 5.60 6.00 5.60 5.70
## [12265] 5.60 6.00 6.30 5.70 6.90 6.30 5.50 5.60 5.90 6.50 5.80 5.60 5.70 5.90
## [12279] 6.20 6.30 5.60 5.70 5.70 5.50 5.80 5.60 6.20 5.70 5.50 5.50 5.50 6.80
## [12293] 5.60 5.60 5.50 5.80 6.00 6.40 5.50 6.00 7.10 5.60 5.90 5.90 5.70 5.60
## [12307] 6.40 5.70 5.60 6.50 5.60 5.60 5.70 5.60 5.60 6.00 5.90 6.30 6.30 5.70
## [12321] 5.50 6.70 5.60 6.00 5.50 5.90 5.50 5.50 6.00 6.60 5.80 5.50 5.50 6.20
## [12335] 6.20 6.20 6.10 5.90 5.60 5.70 6.00 5.60 5.70 5.90 6.10 6.20 5.70 5.90
## [12349] 6.00 5.80 5.50 5.60 6.20 5.70 5.50 5.50 6.10 6.90 5.80 5.60 5.60 5.50
## [12363] 5.80 5.50 5.80 5.50 5.60 5.60 6.20 6.30 5.50 5.60 5.50 5.80 6.20 5.70
## [12377] 6.00 5.70 5.90 5.60 5.80 5.80 5.70 5.50 7.40 6.10 5.50 5.50 5.90 6.20
## [12391] 5.50 5.60 6.20 5.60 6.10 5.70 6.50 5.50 5.60 5.90 6.20 5.50 5.50 6.80
## [12405] 6.10 5.60 5.70 5.80 6.60 6.00 6.90 6.80 7.20 6.80 5.50 5.70 6.50 6.80
## [12419] 6.10 5.50 5.70 6.00 5.60 6.20 5.50 5.50 6.90 6.20 6.10 5.90 5.70 6.70
## [12433] 5.50 6.20 6.10 7.10 6.10 5.70 5.60 5.90 5.90 6.40 6.00 5.50 5.50 6.40
## [12447] 5.90 6.60 5.90 6.90 6.10 5.90 5.70 7.70 5.80 5.50 6.10 5.50 5.50 6.50
## [12461] 5.60 5.70 5.60 6.80 5.50 5.90 5.50 5.50 5.60 5.50 6.30 5.80 6.10 5.50
## [12475] 5.60 6.80 5.60 5.50 5.90 5.60 5.70 6.50 7.10 5.50 5.50 5.70 5.60 5.70
## [12489] 6.30 5.70 5.50 5.60 5.60 6.40 5.50 5.50 5.60 5.80 5.60 5.50 5.60 5.70
## [12503] 5.50 6.60 5.60 6.50 5.70 5.70 5.60 5.50 5.50 6.70 5.60 5.50 5.80 5.80
## [12517] 6.80 6.20 6.00 5.50 5.60 5.80 5.70 5.50 6.00 5.50 5.80 6.00 6.60 5.80
## [12531] 6.20 5.70 5.70 5.50 7.20 6.10 5.60 5.60 5.70 5.50 6.00 6.00 5.60 6.00
## [12545] 5.80 5.90 5.50 6.80 5.50 6.50 5.90 5.90 5.50 5.80 5.50 5.90 5.50 6.00
## [12559] 5.80 5.60 5.50 5.60 5.50 5.70 5.70 6.40 6.00 6.40 5.50 5.70 5.60 8.00
## [12573] 5.80 5.90 6.00 5.80 5.60 5.50 6.20 5.70 6.00 5.80 5.80 6.40 5.80 5.70
## [12587] 5.60 5.70 5.60 5.50 5.70 6.20 5.50 5.50 5.50 5.50 5.50 6.70 5.70 5.50
## [12601] 5.60 7.70 5.90 5.90 5.70 5.80 5.60 6.60 5.70 5.60 7.20 5.50 6.40 6.00
## [12615] 5.60 6.10 6.40 5.70 5.80 5.60 6.20 5.60 5.90 6.60 5.50 5.60 5.50 7.10
## [12629] 6.30 6.20 5.80 6.10 6.20 5.50 6.00 6.00 5.70 5.70 6.60 6.40 6.10 5.80
## [12643] 6.40 5.60 5.90 5.60 6.00 5.90 6.30 5.60 5.90 5.60 5.60 5.90 7.40 6.10
## [12657] 5.60 5.60 6.00 6.00 5.70 5.60 5.60 5.80 5.50 5.75 6.20 5.50 5.60 6.00
## [12671] 6.00 5.60 6.50 5.70 5.70 5.50 5.90 5.80 5.50 6.00 5.50 6.40 6.10 5.60
## [12685] 6.10 7.00 5.60 6.50 5.70 5.50 5.60 5.90 5.80 6.00 5.80 6.40 5.90 6.80
## [12699] 5.80 5.70 5.70 5.60 6.30 8.00 6.00 5.60 6.00 6.10 5.60 6.20 6.10 6.10
## [12713] 5.70 6.30 7.10 5.50 6.10 6.30 6.80 5.60 5.70 6.10 7.20 5.50 5.70 5.90
## [12727] 6.20 5.60 5.50 5.70 5.80 5.50 5.80 6.00 6.10 5.60 5.80 5.80 6.70 5.70
## [12741] 5.80 5.60 6.30 5.70 5.50 5.80 6.90 6.00 5.70 6.30 6.00 5.50 5.80 5.50
## [12755] 5.50 5.50 5.70 5.80 5.60 5.50 5.70 7.20 5.80 5.50 5.70 6.20 6.60 5.50
## [12769] 5.60 5.80 5.50 6.30 5.80 5.80 6.00 5.60 6.30 6.60 6.60 5.50 5.60 7.90
## [12783] 5.50 5.80 5.70 6.40 5.60 5.90 5.60 5.50 5.60 5.70 5.90 5.70 5.50 6.50
## [12797] 5.60 6.40 5.80 5.80 5.50 5.90 5.90 5.60 6.00 5.50 5.50 6.40 6.20 6.20
## [12811] 6.40 5.70 5.80 6.10 5.60 5.50 5.80 5.50 5.50 5.70 5.50 6.50 5.50 6.10
## [12825] 5.60 5.80 7.10 5.90 5.80 5.70 5.70 5.70 6.10 6.30 5.70 5.70 5.80 6.00
## [12839] 7.90 5.60 6.60 5.50 5.50 5.50 5.50 5.70 5.60 5.60 5.50 5.90 5.90 5.60
## [12853] 5.90 5.90 5.70 5.70 6.10 5.60 5.50 5.60 5.60 6.20 5.50 6.00 5.70 6.10
## [12867] 6.40 5.60 6.00 5.50 6.20 5.80 6.60 5.60 5.90 5.50 5.60 5.50 5.70 6.10
## [12881] 5.60 5.70 7.20 6.00 6.10 6.10 5.80 5.70 5.60 6.60 6.00 6.70 8.20 5.50
## [12895] 5.50 6.00 5.80 5.80 5.50 6.50 5.70 6.50 5.90 6.40 5.60 5.50 5.50 6.60
## [12909] 5.70 6.00 5.50 5.80 7.50 6.00 6.30 6.20 7.10 5.70 6.20 5.90 5.50 5.50
## [12923] 5.80 6.40 5.70 5.50 6.10 5.70 6.60 5.50 6.70 5.90 5.50 6.30 5.90 5.80
## [12937] 5.60 5.50 5.50 5.50 5.60 6.10 5.70 5.70 5.70 5.60 5.90 5.60 6.70 6.70
## [12951] 6.10 5.80 6.30 5.80 5.90 5.60 6.80 5.80 5.80 5.50 5.50 5.80 6.10 5.60
## [12965] 6.00 6.10 5.60 5.80 5.50 6.00 5.80 5.50 5.50 6.10 5.70 6.30 5.50 5.50
## [12979] 6.00 5.50 5.80 5.70 5.90 5.50 5.60 5.60 5.70 5.80 5.50 5.70 5.90 5.80
## [12993] 5.90 5.50 7.20 5.50 5.50 5.80 6.60 5.70 5.50 5.50 5.60 5.60 5.50 5.60
## [13007] 5.50 5.50 5.50 6.20 7.20 5.70 6.10 6.10 5.60 6.00 5.50 5.50 6.60 5.60
## [13021] 6.00 5.70 5.60 5.50 5.50 6.00 5.50 6.20 5.80 5.50 5.70 5.80 6.30 5.60
## [13035] 5.70 5.70 5.70 5.70 6.20 6.00 5.50 5.50 5.60 7.00 5.80 6.00 6.10 6.00
## [13049] 5.60 5.90 5.90 5.50 5.60 6.30 5.90 6.50 6.50 5.60 6.70 7.90 5.60 7.30
## [13063] 5.50 5.60 5.90 5.80 5.60 5.50 7.10 5.50 5.80 5.50 5.60 5.50 5.50 6.10
## [13077] 7.90 6.00 5.60 6.70 6.40 6.20 5.70 5.50 5.90 6.30 5.50 5.60 5.60 5.90
## [13091] 5.80 6.10 5.50 5.50 5.70 5.90 5.90 5.60 5.60 5.60 6.20 5.70 5.90 6.30
## [13105] 6.80 6.50 6.60 5.80 6.20 5.90 5.90 5.60 7.00 5.60 6.50 6.20 5.90 5.70
## [13119] 6.10 5.90 6.00 5.50 6.10 5.50 5.50 5.60 5.60 6.90 5.90 6.70 6.30 7.40
## [13133] 5.60 5.50 5.80 5.80 5.50 5.70 5.70 6.20 6.00 5.50 5.70 5.70 6.10 6.00
## [13147] 5.70 5.70 5.70 5.60 5.80 5.70 6.20 5.50 5.60 5.80 6.00 6.10 5.90 5.50
## [13161] 6.00 5.50 5.90 5.80 5.50 5.70 5.90 6.00 5.60 5.50 5.90 5.90 5.50 5.50
## [13175] 5.60 5.50 5.90 5.90 5.50 5.50 5.70 6.20 6.90 5.60 6.20 5.70 6.00 6.80
## [13189] 5.90 6.20 5.50 5.60 5.80 5.50 5.60 5.60 5.60 6.00 5.80 5.70 5.80 6.20
## [13203] 5.50 5.80 5.90 6.40 5.90 5.90 5.50 5.60 5.50 5.70 5.70 5.70 5.60 5.50
## [13217] 6.40 6.60 6.60 6.10 5.80 5.80 5.70 5.90 5.70 5.60 5.60 5.80 5.50 5.80
## [13231] 5.60 5.70 6.30 5.60 5.50 5.50 5.50 6.40 5.50 5.60 6.40 6.00 5.60 5.60
## [13245] 5.50 5.60 6.20 5.50 6.10 5.60 5.80 6.80 5.70 5.70 6.30 6.10 5.90 5.80
## [13259] 5.90 6.80 5.50 5.50 6.00 5.50 6.60 5.80 5.60 5.50 5.50 5.70 6.70 6.90
## [13273] 5.60 5.60 5.80 5.80 5.60 5.50 6.10 5.70 5.70 5.60 5.50 5.60 5.90 5.70
## [13287] 5.60 5.80 5.70 5.80 5.60 5.90 6.30 5.50 6.80 6.00 5.50 6.60 5.50 6.10
## [13301] 5.50 5.50 5.60 5.50 5.60 5.60 6.20 6.00 7.70 5.60 5.50 6.10 6.00 5.50
## [13315] 6.00 5.50 5.70 5.60 6.20 5.80 5.50 5.70 6.00 5.70 5.60 6.00 6.10 6.90
## [13329] 6.10 5.90 5.80 5.80 5.90 5.60 5.90 5.50 5.60 6.30 5.50 6.20 5.50 6.70
## [13343] 6.20 5.70 5.50 5.80 5.50 5.70 5.50 6.10 6.00 6.70 5.60 5.90 5.50 5.60
## [13357] 5.50 5.60 5.70 5.50 5.50 5.50 5.60 5.50 5.50 5.50 6.50 5.80 5.50 5.80
## [13371] 5.80 6.30 5.50 5.50 5.80 6.00 5.70 6.40 5.80 6.00 5.60 5.50 5.80 5.50
## [13385] 7.20 5.70 5.60 5.50 6.20 6.30 5.80 5.50 5.90 5.70 5.90 5.50 5.60 5.70
## [13399] 7.10 5.60 6.20 5.60 5.50 6.50 6.40 5.70 5.50 6.10 5.90 5.90 5.50 5.60
## [13413] 5.80 5.50 6.00 6.10 5.60 5.60 5.50 5.70 6.10 5.50 7.10 6.00 5.90 6.10
## [13427] 5.60 5.60 5.60 5.60 5.70 5.50 5.90 6.20 5.50 5.60 5.70 6.10 5.70 6.90
## [13441] 5.60 5.90 5.80 5.60 5.50 6.40 5.80 5.90 6.30 5.80 5.70 5.50 5.90 5.70
## [13455] 5.50 5.70 6.10 6.70 6.10 5.80 5.60 5.70 5.50 5.50 6.10 6.20 6.20 6.10
## [13469] 5.70 5.50 6.50 5.50 5.90 6.00 5.60 5.80 5.70 5.50 5.60 5.50 5.80 5.50
## [13483] 6.20 5.50 6.00 5.60 5.50 5.50 5.80 5.50 5.60 5.60 5.50 5.50 5.60 5.50
## [13497] 7.70 6.10 6.20 6.00 5.70 5.50 5.50 5.90 5.50 5.90 6.70 5.60 5.80 5.70
## [13511] 6.00 6.50 5.60 5.90 5.80 5.60 6.10 5.50 6.80 5.50 6.90 5.50 6.90 5.50
## [13525] 5.50 6.00 5.60 6.00 5.60 5.50 6.00 7.30 5.60 6.50 5.90 5.60 5.90 5.60
## [13539] 6.10 6.50 5.50 5.50 6.00 5.70 5.50 5.50 5.60 5.80 5.90 5.60 6.80 6.00
## [13553] 5.80 6.50 6.10 5.80 5.50 7.10 6.10 6.40 5.60 5.60 6.50 5.60 5.60 5.60
## [13567] 5.50 6.10 5.70 5.60 6.00 6.50 5.80 5.50 5.60 6.10 5.50 6.40 5.60 5.60
## [13581] 5.90 6.40 5.80 5.90 5.90 5.80 6.30 5.90 5.60 5.70 5.80 5.50 6.80 6.10
## [13595] 5.80 5.80 5.50 5.90 5.80 5.90 7.00 5.90 6.00 6.10 5.60 5.90 6.90 5.70
## [13609] 6.10 6.10 5.50 6.00 5.50 5.70 6.20 6.10 5.50 6.30 5.80 5.90 5.50 6.00
## [13623] 5.60 6.10 6.00 5.50 5.50 5.60 5.60 6.60 6.30 6.20 5.50 5.50 6.30 5.70
## [13637] 6.00 5.70 5.50 6.00 6.50 5.60 5.60 5.60 5.50 5.60 5.70 5.90 5.50 6.50
## [13651] 6.60 5.50 5.80 5.60 5.50 6.80 6.10 6.80 5.70 5.50 5.80 6.10 5.60 5.50
## [13665] 5.60 5.90 6.20 6.00 5.60 5.60 5.70 7.00 5.60 5.60 5.60 5.90 5.60 5.80
## [13679] 6.00 5.60 5.50 5.70 6.00 5.50 6.00 5.90 5.60 5.60 6.20 5.50 5.60 5.50
## [13693] 5.50 5.70 5.70 5.50 6.30 5.80 6.50 5.60 6.10 5.50 5.90 5.50 5.70 5.90
## [13707] 5.50 5.50 6.00 5.50 6.40 7.80 5.50 7.10 5.70 6.40 5.50 6.20 6.00 5.50
## [13721] 5.80 5.50 5.60 5.70 5.50 5.60 5.80 5.70 5.60 5.90 7.20 5.60 5.90 5.60
## [13735] 5.50 5.60 5.50 6.20 6.10 5.60 5.90 5.60 5.60 5.60 5.60 5.90 5.60 7.50
## [13749] 6.50 5.60 5.50 6.20 5.50 5.60 5.50 5.60 6.00 6.10 5.60 7.00 5.60 5.50
## [13763] 6.60 5.80 5.70 5.50 5.50 6.10 5.50 5.60 5.60 5.70 7.00 5.50 5.50 6.70
## [13777] 5.70 5.80 5.70 5.50 5.50 6.00 5.50 5.50 5.50 7.80 5.70 5.60 5.50 6.40
## [13791] 5.50 5.80 5.50 5.60 5.70 6.10 5.90 6.20 5.60 5.70 5.60 5.70 6.40 5.60
## [13805] 5.60 5.70 5.70 5.60 5.60 5.90 5.90 5.50 6.00 5.70 5.80 6.60 6.30 5.50
## [13819] 5.70 6.10 5.80 5.50 5.90 7.20 6.10 5.60 5.50 5.50 5.80 5.90 5.60 6.20
## [13833] 5.70 5.80 6.30 5.90 6.30 5.80 7.50 5.60 5.70 6.40 6.60 5.50 5.70 5.60
## [13847] 6.60 6.70 5.50 5.90 5.50 5.80 6.60 6.00 5.90 5.90 5.70 5.70 5.70 5.50
## [13861] 6.20 5.80 5.70 5.70 5.60 5.90 5.60 5.50 5.50 5.70 5.90 6.00 5.50 6.30
## [13875] 6.50 5.50 7.10 5.80 6.00 6.40 5.90 5.50 5.50 5.90 6.40 5.90 5.50 5.50
## [13889] 5.50 5.60 5.50 5.50 5.50 6.80 5.50 5.90 6.50 5.60 6.40 5.60 5.60 5.50
## [13903] 5.60 5.80 5.70 5.60 5.50 6.10 5.50 5.50 5.80 5.70 5.70 5.50 5.50 6.60
## [13917] 5.80 5.50 5.60 6.70 5.50 6.20 5.90 6.10 5.50 8.10 6.40 5.80 5.60 5.80
## [13931] 5.70 5.60 6.10 7.20 5.60 5.60 5.70 7.00 5.80 6.70 5.80 5.60 6.60 5.60
## [13945] 5.50 5.80 5.50 5.80 6.20 5.90 6.20 5.50 5.60 5.50 5.80 6.10 5.80 5.50
## [13959] 5.60 6.00 5.70 6.30 6.20 5.70 5.70 5.50 5.60 5.50 5.50 5.60 7.50 5.80
## [13973] 6.30 5.80 5.80 5.70 5.70 5.60 5.50 6.60 5.50 6.00 5.50 6.00 6.90 5.50
## [13987] 5.50 5.50 5.60 6.70 6.30 6.60 5.60 5.50 6.00 5.60 5.70 6.00 6.00 5.70
## [14001] 5.50 5.60 5.50 5.50 6.60 6.20 6.40 5.80 5.50 5.50 5.50 5.90 6.30 5.50
## [14015] 5.50 5.80 5.70 6.20 5.60 6.30 6.00 5.50 5.70 5.70 5.50 5.60 6.00 5.60
## [14029] 6.30 6.30 5.50 5.50 5.50 6.20 6.00 6.90 6.20 5.50 5.50 5.50 5.50 5.60
## [14043] 7.00 5.50 5.70 7.00 5.60 5.90 5.70 5.50 6.10 5.50 6.00 5.80 6.10 6.30
## [14057] 6.40 6.70 6.10 6.00 5.50 5.60 5.50 5.80 5.80 7.20 6.20 5.60 5.50 5.90
## [14071] 6.00 5.50 5.80 5.50 5.50 5.60 5.60 5.70 7.10 6.30 5.60 5.50 6.10 6.70
## [14085] 5.90 6.40 6.10 6.00 6.30 5.70 6.10 5.60 5.60 5.60 5.50 6.80 5.50 5.90
## [14099] 6.60 5.60 5.60 5.80 5.70 5.60 6.10 5.50 5.80 5.60 5.80 5.60 5.60 6.10
## [14113] 6.10 6.30 5.60 5.70 5.50 5.50 5.60 5.50 6.00 6.40 6.00 5.60 5.70 6.60
## [14127] 6.20 5.50 5.80 5.80 6.00 5.70 5.50 5.80 5.60 6.20 5.70 5.50 5.50 5.50
## [14141] 6.20 5.50 5.50 6.00 5.70 5.90 6.00 5.90 6.30 5.50 5.50 5.80 5.50 5.70
## [14155] 5.90 5.50 5.70 5.70 5.90 6.60 5.70 5.50 5.70 5.50 5.90 5.60 5.90 5.50
## [14169] 5.70 6.40 5.70 6.70 7.00 5.60 5.60 5.70 6.00 6.30 5.50 5.50 5.80 5.90
## [14183] 6.00 5.60 5.70 6.30 5.50 5.60 5.50 6.10 6.20 5.70 5.50 5.50 5.90 7.70
## [14197] 5.70 5.80 5.70 5.90 5.80 6.60 5.80 5.50 5.70 5.50 5.50 5.50 6.00 6.00
## [14211] 6.00 5.60 6.20 5.60 5.60 5.60 5.60 5.60 6.10 6.80 5.60 5.60 5.70 5.50
## [14225] 6.00 5.50 5.60 5.60 5.90 6.00 5.80 6.00 5.50 5.50 5.70 7.00 5.80 6.40
## [14239] 6.10 6.30 5.80 6.10 5.50 5.50 5.80 5.50 5.90 5.70 6.60 6.40 5.90 5.50
## [14253] 5.50 5.70 5.70 5.60 5.70 6.30 5.80 5.80 5.70 5.90 5.90 5.80 6.00 7.30
## [14267] 5.90 6.00 5.50 5.60 6.20 6.00 5.50 5.80 5.60 5.50 5.50 5.70 6.40 5.90
## [14281] 6.20 5.50 5.80 5.50 5.90 5.60 5.60 5.70 5.50 5.90 5.60 5.90 6.60 5.60
## [14295] 5.50 7.10 5.80 6.00 5.90 5.70 6.10 5.80 5.80 6.90 5.60 5.50 5.50 5.50
## [14309] 5.80 5.90 6.90 5.50 5.90 5.90 5.80 5.60 5.60 5.50 5.60 5.50 5.60 5.80
## [14323] 6.60 5.80 5.60 5.80 5.80 6.30 6.20 6.20 5.50 6.80 6.00 7.40 5.60 5.90
## [14337] 6.40 5.50 5.50 7.10 5.60 6.20 6.00 5.90 6.80 5.80 5.70 5.80 5.50 5.50
## [14351] 6.50 5.60 5.70 5.70 6.00 5.90 5.80 5.60 5.60 5.80 6.10 5.50 6.20 5.60
## [14365] 6.20 5.90 5.70 6.10 5.70 5.70 7.10 6.00 5.60 5.70 6.20 5.50 5.50 5.50
## [14379] 7.10 6.40 5.50 6.60 5.60 6.10 5.80 5.80 5.90 5.50 5.70 6.10 5.70 5.60
## [14393] 5.60 5.80 5.60 5.60 5.70 5.80 6.30 5.70 5.50 5.50 5.80 5.60 5.50 5.80
## [14407] 7.00 5.80 5.90 6.40 5.70 5.60 5.50 6.30 5.70 5.50 5.60 5.60 5.60 6.00
## [14421] 5.60 5.70 5.50 5.70 6.00 5.80 5.80 5.50 6.10 6.10 5.70 5.60 6.30 5.60
## [14435] 6.70 5.70 5.70 5.60 5.60 5.50 6.00 6.50 5.50 5.50 5.60 5.70 5.60 6.20
## [14449] 5.70 5.60 5.50 5.50 6.10 6.30 5.50 5.50 6.50 5.90 5.94 5.50 5.70 5.90
## [14463] 5.90 5.60 5.60 5.50 5.50 5.60 5.60 5.50 6.20 5.50 5.60 5.50 5.80 5.60
## [14477] 6.40 5.90 7.60 5.70 6.90 5.70 5.70 5.80 6.20 6.40 6.60 5.70 5.90 5.50
## [14491] 6.20 5.80 5.70 5.60 6.30 6.00 6.00 5.50 5.50 5.50 5.80 6.00 5.90 5.60
## [14505] 5.90 5.50 5.50 6.40 6.30 5.50 5.60 5.60 6.00 5.90 5.80 5.90 5.50 7.70
## [14519] 6.30 6.10 6.30 6.10 6.20 6.40 5.60 6.40 5.80 6.50 5.70 6.10 6.00 7.50
## [14533] 5.80 5.70 5.70 5.60 5.70 5.60 5.50 5.70 5.90 5.60 6.10 5.70 5.50 6.40
## [14547] 5.50 7.10 5.77 5.60 6.30 5.80 5.60 5.90 5.60 6.30 6.00 5.60 5.90 5.50
## [14561] 5.80 6.20 5.60 5.50 5.70 5.60 6.30 5.70 5.60 6.50 5.50 5.60 6.10 5.70
## [14575] 6.20 7.20 5.50 5.90 5.70 7.00 6.10 6.90 6.30 5.70 6.00 5.90 7.00 5.90
## [14589] 5.90 6.20 5.50 5.60 5.70 6.00 5.90 7.50 5.70 5.60 5.50 5.90 5.90 5.50
## [14603] 5.90 5.70 5.60 6.40 5.70 6.60 5.80 5.80 6.30 5.60 5.50 5.50 5.70 5.60
## [14617] 5.70 5.70 5.50 5.70 7.00 5.60 6.40 6.40 6.10 6.40 5.60 6.50 5.70 5.70
## [14631] 7.30 5.80 5.70 5.90 5.80 5.70 6.30 5.70 6.00 5.60 6.00 5.50 5.70 6.20
## [14645] 6.00 5.90 5.70 5.50 6.50 5.70 6.00 5.60 5.70 6.30 6.10 5.50 5.80 6.20
## [14659] 5.70 5.90 5.90 6.90 5.90 5.70 5.70 6.20 5.60 5.60 6.00 5.50 5.80 5.80
## [14673] 5.60 6.10 5.50 5.50 5.60 5.80 6.10 6.20 5.50 6.40 5.60 6.40 7.20 5.50
## [14687] 6.50 5.70 6.20 5.50 5.50 5.90 5.80 6.00 5.90 5.70 5.80 5.60 5.80 5.50
## [14701] 6.00 5.80 5.50 5.80 6.10 5.70 5.80 5.50 5.80 5.50 5.60 5.50 5.80 5.50
## [14715] 6.30 5.50 6.80 6.00 5.50 5.60 5.70 5.50 5.50 5.50 6.60 5.50 5.60 5.90
## [14729] 5.90 6.00 5.70 5.90 5.70 5.90 5.60 5.70 5.70 5.70 5.50 5.60 5.50 7.10
## [14743] 5.60 5.50 6.20 6.10 5.70 6.00 6.00 6.00 5.80 5.60 5.50 6.40 6.60 6.40
## [14757] 5.90 6.10 5.50 5.50 5.50 5.50 6.30 5.70 5.60 5.60 5.90 5.50 5.70 5.60
## [14771] 5.50 5.50 5.50 5.90 5.70 5.50 5.60 5.60 7.60 5.80 5.60 5.70 5.60 5.50
## [14785] 6.20 5.50 5.50 5.70 6.30 5.60 5.80 5.70 5.90 5.60 5.60 5.50 5.50 5.80
## [14799] 5.70 6.00 6.00 5.50 5.50 7.00 6.10 5.60 5.60 5.60 5.50 5.70 5.50 5.90
## [14813] 5.60 5.50 6.00 7.60 5.60 6.50 5.50 5.70 6.30 5.70 5.60 5.60 6.10 5.70
## [14827] 5.50 5.60 7.20 6.30 5.60 6.30 5.50 5.90 5.50 5.60 6.00 5.90 5.80 5.70
## [14841] 6.00 5.60 5.90 6.20 5.50 6.20 7.90 6.70 6.00 5.50 5.80 5.80 5.50 6.00
## [14855] 6.20 5.60 6.40 5.90 5.50 6.30 6.70 5.50 6.30 5.50 5.50 6.00 6.10 5.50
## [14869] 5.80 6.30 5.50 5.90 5.50 6.40 5.50 6.60 5.70 6.40 5.90 5.50 6.30 6.00
## [14883] 6.10 6.40 5.60 6.50 5.70 7.90 5.70 5.60 5.80 6.50 5.90 5.50 5.80 5.50
## [14897] 6.00 5.80 5.50 5.60 5.90 5.70 6.10 5.70 5.60 5.50 5.90 5.90 5.90 5.90
## [14911] 5.80 5.80 6.60 5.50 5.60 5.60 6.10 5.60 5.70 5.90 5.60 6.40 6.60 5.80
## [14925] 6.10 6.30 5.70 6.00 6.40 5.50 5.70 5.50 5.90 5.50 5.70 5.60 5.70 5.90
## [14939] 5.50 5.60 5.50 5.80 5.70 5.70 5.60 6.50 5.50 6.20 6.20 5.80 5.90 5.60
## [14953] 6.60 5.60 5.60 5.80 5.60 6.80 5.50 5.50 7.40 5.70 6.50 5.70 6.30 6.50
## [14967] 6.40 6.00 5.60 5.50 6.00 6.60 5.80 5.80 5.60 5.70 5.70 5.50 5.70 5.70
## [14981] 5.50 6.10 5.70 5.90 5.50 5.50 5.50 5.80 5.50 5.60 5.60 6.80 6.10 6.00
## [14995] 6.30 5.70 6.00 5.50 5.70 6.00 5.80 5.50 5.80 5.50 5.70 5.60 5.90 5.50
## [15009] 5.80 5.50 6.10 5.50 5.50 6.30 6.10 6.00 6.20 5.50 5.50 5.60 5.90 5.50
## [15023] 5.60 5.50 6.20 5.50 5.70 5.50 5.90 6.40 5.90 6.40 5.60 5.80 6.50 5.80
## [15037] 5.70 6.30 5.80 6.20 7.00 5.80 6.10 6.10 6.70 5.90 5.70 5.90 5.60 5.80
## [15051] 5.60 5.60 5.50 5.50 5.60 5.80 5.50 5.50 6.30 6.00 5.60 5.90 5.90 5.60
## [15065] 5.50 5.70 5.70 6.00 6.80 6.10 5.50 5.50 5.50 6.10 5.80 5.60 5.70 5.60
## [15079] 7.00 5.80 5.50 5.60 5.80 6.00 5.50 5.60 5.50 5.70 6.20 5.90 6.10 5.80
## [15093] 5.80 5.60 5.90 6.80 6.00 6.20 5.50 6.50 5.70 5.50 5.70 5.90 5.70 5.50
## [15107] 5.70 5.80 5.50 6.00 5.60 5.60 5.50 5.90 5.60 5.70 8.00 5.80 5.70 5.80
## [15121] 6.00 5.60 5.80 5.50 7.80 6.50 5.50 5.70 5.60 5.50 5.50 6.20 5.50 5.50
## [15135] 5.60 5.70 5.50 5.80 5.70 7.80 5.70 5.50 6.60 5.80 5.70 6.80 5.70 5.70
## [15149] 5.50 6.10 5.70 6.00 5.50 6.10 5.90 5.70 6.20 5.80 6.10 5.50 5.70 5.70
## [15163] 5.50 5.60 6.30 5.80 5.60 6.80 6.50 5.50 6.30 5.80 5.80 5.70 6.10 5.70
## [15177] 5.70 5.90 7.00 6.50 5.80 5.50 5.50 5.80 5.50 5.50 5.70 5.70 5.50 6.10
## [15191] 5.70 5.50 6.00 5.60 5.50 5.60 6.60 5.70 5.70 6.20 6.50 5.50 5.70 6.60
## [15205] 6.40 6.00 5.50 5.70 5.50 5.60 5.90 6.20 6.00 5.60 5.70 5.70 5.60 5.90
## [15219] 5.80 6.20 5.50 7.50 6.80 6.40 5.50 6.00 5.90 5.70 5.50 5.50 5.60 5.70
## [15233] 5.90 5.60 5.60 7.10 7.00 6.00 5.90 5.70 5.50 5.50 5.60 7.70 5.90 5.70
## [15247] 5.60 6.40 5.80 5.70 5.70 6.00 6.90 5.60 5.70 5.50 5.60 6.00 6.30 6.00
## [15261] 5.50 5.60 5.90 5.90 5.60 5.60 5.60 5.70 5.50 5.60 7.70 5.50 5.60 5.50
## [15275] 5.80 6.20 5.60 6.00 5.70 5.50 5.80 5.70 5.80 5.80 5.50 6.60 7.40 5.60
## [15289] 5.60 6.10 6.20 5.60 6.10 5.50 5.50 5.50 6.20 6.00 5.80 5.70 5.70 5.50
## [15303] 5.60 5.50 5.60 5.50 7.10 5.80 6.20 5.90 5.60 6.20 6.10 5.60 5.80 5.60
## [15317] 6.70 6.30 5.60 6.10 6.80 5.80 5.90 5.50 5.50 5.90 6.40 5.70 6.00 5.80
## [15331] 5.60 5.80 5.70 6.00 6.00 6.00 5.90 5.80 5.50 5.70 6.50 5.80 5.90 5.50
## [15345] 6.00 6.80 5.80 5.50 5.50 5.50 5.50 5.70 5.50 5.60 6.40 5.50 5.80 6.20
## [15359] 5.50 6.70 5.60 6.20 5.60 5.60 6.00 5.60 5.90 5.90 6.00 6.20 6.70 5.60
## [15373] 5.50 5.60 5.80 5.50 5.80 5.50 5.50 5.70 5.50 6.00 5.70 6.90 6.20 5.50
## [15387] 5.80 5.70 5.60 5.70 6.20 5.50 5.70 5.50 6.30 5.50 5.70 5.60 5.50 5.90
## [15401] 5.60 6.00 6.30 5.50 5.60 5.50 5.50 6.70 6.30 6.40 6.00 5.50 6.40 5.70
## [15415] 5.90 7.20 5.70 6.40 5.50 6.00 5.60 5.60 5.50 5.60 5.90 5.70 5.50 6.50
## [15429] 5.90 6.00 6.00 6.00 5.80 5.50 6.00 5.70 5.70 5.70 5.70 5.50 8.40 5.80
## [15443] 5.80 6.10 5.70 5.50 5.90 5.60 5.50 5.60 6.00 5.70 5.50 5.50 6.70 6.10
## [15457] 5.70 5.50 5.50 6.10 5.90 6.10 5.60 5.90 5.60 6.50 6.50 5.60 5.50 6.20
## [15471] 5.90 5.70 5.60 6.60 5.50 5.60 7.60 6.20 5.70 5.70 5.50 5.90 5.90 6.00
## [15485] 5.60 5.80 6.40 5.50 5.60 6.50 6.80 5.60 5.50 5.70 5.80 5.70 5.70 5.50
## [15499] 6.30 5.90 5.90 5.70 6.70 5.60 5.60 5.60 5.80 5.60 5.60 5.50 5.50 5.70
## [15513] 5.50 5.50 5.60 5.70 6.40 5.60 5.50 5.90 7.10 6.20 5.50 5.80 6.10 5.70
## [15527] 6.10 5.90 5.60 5.60 5.80 6.10 6.30 5.90 5.50 5.80 5.90 5.90 5.60 6.50
## [15541] 5.50 6.50 5.60 5.70 5.50 5.50 6.00 5.50 6.00 5.50 5.80 5.50 6.00 5.50
## [15555] 5.50 5.60 5.60 5.90 5.50 5.90 6.40 5.50 5.60 6.20 5.60 6.20 5.90 5.60
## [15569] 5.70 5.90 6.20 5.90 6.50 6.40 5.50 5.90 5.50 5.50 6.10 7.00 6.00 5.80
## [15583] 5.70 5.50 5.60 6.00 5.60 7.50 5.50 6.70 5.70 5.50 5.70 5.60 5.50 5.80
## [15597] 6.10 5.60 5.60 5.70 5.50 5.60 7.00 5.70 6.30 5.60 6.10 5.50 5.50 5.70
## [15611] 6.10 6.00 5.50 7.80 5.60 6.30 5.70 5.90 5.60 6.20 5.80 6.30 6.20 6.10
## [15625] 5.60 6.00 5.50 6.40 5.60 5.70 5.60 6.00 6.50 6.40 5.80 5.60 5.70 5.70
## [15639] 5.60 5.80 5.60 5.50 6.20 5.70 6.10 6.10 7.10 5.70 5.50 5.50 6.80 5.60
## [15653] 5.50 5.60 6.00 5.90 6.80 5.90 6.20 5.90 6.00 5.70 5.60 5.70 6.00 6.30
## [15667] 5.60 5.50 6.20 7.20 5.70 5.60 6.20 6.60 5.50 5.50 5.50 5.60 5.60 5.70
## [15681] 5.90 5.70 6.70 5.50 5.80 5.60 6.40 5.80 5.80 6.00 6.10 6.20 5.50 6.40
## [15695] 5.70 5.50 5.50 5.80 5.50 6.20 5.50 5.70 5.80 5.70 6.10 6.20 5.90 6.00
## [15709] 5.50 5.80 5.90 5.50 6.50 5.50 6.00 6.60 5.50 5.70 5.50 5.90 5.50 5.70
## [15723] 5.60 5.80 5.50 5.80 6.00 5.50 6.10 5.70 5.50 5.50 5.50 5.70 5.70 5.60
## [15737] 5.60 6.30 5.50 5.50 5.90 5.90 6.30 7.40 5.50 5.50 7.50 5.60 5.60 6.00
## [15751] 6.00 5.60 5.60 5.80 5.70 5.90 5.50 5.50 5.60 5.70 5.90 6.00 5.60 5.60
## [15765] 5.50 5.50 6.10 5.90 5.60 5.50 5.50 5.70 5.50 6.10 6.40 5.60 6.50 5.90
## [15779] 5.50 7.10 5.60 6.40 5.90 5.70 5.70 6.20 5.80 6.20 5.90 6.20 5.90 5.50
## [15793] 5.50 5.60 6.80 5.80 6.70 5.90 6.00 5.70 5.70 5.90 5.60 5.60 5.70 6.20
## [15807] 5.50 5.80 5.70 7.10 5.60 5.50 5.60 5.80 5.70 5.90 5.50 6.20 5.90 5.60
## [15821] 5.70 5.90 5.50 5.80 5.50 6.20 5.90 6.20 5.70 5.50 5.50 5.70 5.50 5.90
## [15835] 5.70 6.00 5.50 5.70 6.40 5.90 6.00 6.10 5.60 5.50 5.90 5.60 5.70 6.30
## [15849] 5.60 5.60 5.60 5.50 5.70 6.10 5.50 5.60 5.60 6.60 5.60 5.50 5.50 5.90
## [15863] 6.40 5.90 5.80 5.80 6.00 6.70 6.60 5.50 5.50 6.00 5.70 5.70 6.50 5.60
## [15877] 5.50 6.50 6.00 7.30 6.20 5.60 6.50 5.80 5.50 6.20 5.70 5.60 5.90 5.80
## [15891] 5.80 5.80 5.50 5.60 5.60 6.10 5.70 5.90 5.70 5.50 5.50 5.60 5.60 6.20
## [15905] 5.50 6.50 6.30 5.80 5.70 5.60 5.90 6.00 5.60 5.80 6.00 5.90 5.50 6.10
## [15919] 5.70 5.50 6.00 5.80 5.80 5.60 6.30 6.50 6.20 5.50 7.70 5.90 7.70 6.10
## [15933] 5.50 5.60 6.30 5.50 5.50 6.10 5.80 5.50 5.80 5.60 5.60 5.80 5.60 5.50
## [15947] 6.00 5.50 5.70 5.80 5.60 5.50 6.00 6.00 5.50 5.70 6.00 7.60 5.60 5.50
## [15961] 5.50 6.50 5.80 6.40 5.50 6.30 5.80 5.60 6.00 5.50 5.70 5.50 6.00 6.40
## [15975] 5.50 5.50 5.70 5.60 6.30 6.10 6.30 6.30 5.60 5.70 5.50 5.60 5.70 5.70
## [15989] 5.50 5.60 5.80 5.90 6.50 6.00 6.30 5.60 6.30 5.70 5.70 6.00 5.50 7.60
## [16003] 5.50 5.50 6.70 6.00 5.90 6.00 5.50 5.50 6.90 6.10 6.10 6.10 6.20 6.00
## [16017] 6.20 6.30 6.10 6.00 6.30 5.50 6.20 5.50 6.70 5.80 5.60 6.20 5.50 5.70
## [16031] 5.50 5.50 5.60 6.10 5.90 5.50 5.80 7.40 5.80 6.30 5.60 6.40 5.60 7.90
## [16045] 5.60 5.50 5.60 6.60 6.00 5.50 5.70 5.60 5.70 6.20 5.80 5.60 5.60 5.90
## [16059] 6.60 5.60 5.50 5.50 5.80 7.30 6.30 5.80 6.10 5.60 5.50 5.90 5.50 5.50
## [16073] 5.90 5.90 5.50 5.70 5.90 5.60 5.60 5.60 6.00 5.50 6.10 5.50 6.30 5.80
## [16087] 6.70 5.50 5.50 5.60 5.60 6.20 5.70 5.60 6.10 5.60 6.30 5.70 6.00 5.70
## [16101] 5.50 5.50 5.70 5.50 5.90 5.60 5.50 6.30 5.60 5.50 6.50 5.60 6.00 5.70
## [16115] 5.70 5.70 5.70 5.50 6.00 5.50 5.50 5.90 6.70 5.70 5.50 6.30 5.70 5.50
## [16129] 5.80 5.50 5.50 7.30 5.60 5.80 6.50 7.60 5.70 5.90 5.50 5.50 5.50 6.10
## [16143] 6.40 5.60 5.80 5.60 5.60 5.60 5.60 5.50 5.70 6.30 5.60 5.50 5.50 6.20
## [16157] 5.60 5.70 5.60 5.70 5.80 6.30 5.60 6.60 5.90 5.60 5.60 5.90 5.50 6.30
## [16171] 5.50 6.00 6.20 5.50 5.60 5.80 5.60 5.80 5.50 6.00 6.40 5.90 6.80 5.70
## [16185] 5.70 6.40 5.90 6.30 6.40 5.90 6.10 5.80 7.10 5.50 6.20 6.20 5.60 5.50
## [16199] 5.60 5.50 5.50 5.80 6.50 5.50 5.90 5.70 6.20 5.90 5.50 5.60 6.20 6.20
## [16213] 6.30 5.60 5.70 5.50 5.50 5.90 5.80 5.50 5.70 5.80 5.80 5.50 5.60 6.20
## [16227] 5.60 5.50 6.40 5.50 6.50 5.60 5.60 5.60 5.60 6.10 5.60 6.30 6.00 5.80
## [16241] 5.50 6.00 5.50 5.50 6.40 5.60 6.20 5.50 6.70 6.00 5.80 6.40 6.40 6.20
## [16255] 5.70 5.90 6.30 6.10 5.50 6.30 6.70 6.00 5.80 5.50 5.50 6.00 6.10 5.50
## [16269] 6.80 5.70 5.50 5.50 5.60 5.90 5.60 5.90 7.00 5.50 7.00 6.90 5.90 5.50
## [16283] 5.70 5.80 6.20 5.60 5.70 5.60 5.50 5.60 6.00 5.80 5.80 5.60 6.60 5.80
## [16297] 6.00 6.30 5.50 5.70 5.80 5.80 6.50 5.50 6.90 5.50 5.60 7.10 6.80 5.90
## [16311] 6.90 5.60 5.70 6.00 6.30 5.70 5.50 6.00 6.00 5.60 5.90 6.00 5.70 6.10
## [16325] 5.50 5.70 5.80 5.80 5.60 5.60 5.50 5.80 5.70 5.90 6.00 5.60 5.50 5.70
## [16339] 6.50 7.60 5.60 6.00 5.90 6.40 6.00 5.60 5.50 6.00 5.80 5.50 5.80 6.40
## [16353] 5.50 6.10 5.50 5.70 5.50 5.70 5.50 6.60 6.80 6.00 5.50 5.70 5.50 5.60
## [16367] 5.50 5.50 5.80 5.70 5.50 5.60 7.60 5.60 5.50 6.00 5.50 5.70 6.00 6.00
## [16381] 6.30 5.50 5.90 5.50 5.50 5.50 5.90 7.20 5.70 5.90 5.50 5.50 5.50 6.00
## [16395] 5.80 5.60 5.70 5.50 5.50 5.70 6.20 6.00 5.50 5.50 5.50 5.50 5.50 6.00
## [16409] 5.50 5.50 6.20 5.80 5.70 6.40 5.50 5.70 5.90 5.50 6.10 5.60 5.70 5.90
## [16423] 6.40 5.90 5.90 5.80 5.50 5.50 6.00 6.00 5.50 5.50 5.90 5.60 5.70 5.60
## [16437] 5.80 5.70 5.50 5.50 6.60 6.00 6.40 5.60 5.80 5.70 8.30 5.50 5.60 5.70
## [16451] 5.50 7.40 5.60 5.60 5.90 6.00 7.30 6.40 5.70 5.60 5.60 6.50 5.50 5.60
## [16465] 5.60 6.00 6.40 6.00 5.60 5.60 6.70 5.90 5.80 5.50 6.20 6.70 5.90 5.80
## [16479] 5.60 6.20 5.80 5.70 5.60 5.70 6.00 6.00 5.60 6.40 5.80 6.40 5.60 5.80
## [16493] 6.30 5.60 5.80 5.60 5.90 5.80 5.80 6.00 5.60 5.90 5.50 5.90 5.70 7.00
## [16507] 5.90 6.40 5.50 5.60 6.00 5.80 6.60 5.50 5.60 5.80 6.60 6.10 6.10 6.00
## [16521] 6.20 5.60 5.60 6.40 6.00 6.10 5.70 5.60 5.80 5.50 7.80 5.50 5.50 5.80
## [16535] 6.50 5.60 5.90 5.50 5.70 5.80 5.60 6.60 5.50 5.60 5.70 5.60 5.50 5.50
## [16549] 5.50 6.00 5.60 5.90 5.50 6.70 5.60 6.20 6.80 5.80 5.50 5.50 5.70 5.70
## [16563] 5.70 5.90 5.50 5.60 6.60 5.60 6.48 6.50 5.80 5.60 5.70 5.50 6.50 6.00
## [16577] 6.50 6.00 6.60 5.50 5.70 6.80 6.10 7.30 6.70 6.30 5.50 5.90 5.50 6.10
## [16591] 5.70 5.90 5.90 5.50 5.80 6.10 5.70 6.00 6.10 5.80 6.40 5.50 7.10 6.10
## [16605] 5.60 5.60 5.50 5.60 5.80 6.30 5.50 5.70 6.20 5.90 6.00 5.50 5.80 5.50
## [16619] 5.60 6.20 5.60 6.20 5.60 5.60 5.50 5.50 5.50 5.90 5.50 5.90 6.70 5.60
## [16633] 5.60 5.80 5.50 5.70 6.70 5.50 6.10 5.50 5.70 5.50 5.50 5.80 5.90 5.80
## [16647] 6.10 7.00 5.90 5.60 7.30 5.60 6.70 5.50 5.50 5.60 5.70 5.70 5.80 5.50
## [16661] 5.50 5.50 5.90 6.00 6.60 6.00 5.70 6.30 6.40 5.50 5.80 5.90 5.60 5.50
## [16675] 6.30 6.00 5.70 5.60 6.20 5.50 5.60 5.60 5.50 5.50 5.60 6.00 5.60 5.80
## [16689] 5.60 6.00 5.60 5.90 5.80 6.20 5.70 6.00 5.80 5.60 6.10 5.50 6.10 6.10
## [16703] 5.50 5.50 5.50 6.20 5.70 5.60 5.80 5.50 5.70 5.50 5.60 5.60 5.80 5.90
## [16717] 6.00 5.60 5.50 5.60 5.50 5.50 5.80 6.00 5.80 6.20 6.60 5.50 6.40 5.50
## [16731] 5.50 6.50 5.50 5.80 5.70 6.20 6.10 5.50 6.00 6.20 5.70 6.00 6.30 5.70
## [16745] 5.60 5.70 6.00 5.50 6.00 5.60 5.60 5.80 5.70 5.60 6.00 5.70 6.00 6.70
## [16759] 6.10 5.80 5.60 5.80 5.80 6.00 5.60 5.70 6.20 5.60 6.60 5.70 5.70 5.50
## [16773] 5.90 5.50 5.50 5.60 5.50 5.70 6.30 5.50 5.60 5.60 6.10 5.50 6.40 5.80
## [16787] 5.50 5.50 5.60 5.80 5.60 5.80 5.90 5.80 6.20 5.60 5.50 5.80 5.70 5.50
## [16801] 6.30 5.80 6.50 5.50 5.90 5.70 6.20 5.60 5.80 5.60 5.60 5.90 5.90 5.50
## [16815] 6.40 5.90 6.90 5.80 5.60 5.70 5.80 5.90 6.10 5.70 5.80 5.90 5.60 6.10
## [16829] 6.80 5.60 6.30 5.50 6.30 6.20 5.80 5.60 5.60 5.70 5.60 5.70 5.80 6.40
## [16843] 5.70 6.00 5.70 6.20 6.10 5.50 5.50 7.10 5.90 6.20 5.60 5.70 5.60 6.40
## [16857] 5.80 5.90 6.10 5.50 7.30 5.60 6.50 5.50 5.70 5.90 5.60 5.70 5.50 5.60
## [16871] 5.60 6.00 5.80 5.60 5.60 5.60 5.50 5.60 6.00 5.90 5.60 6.00 5.50 5.70
## [16885] 5.70 5.80 5.60 5.70 5.90 5.50 5.50 5.50 5.50 5.90 6.50 5.60 5.60 5.70
## [16899] 5.50 5.70 5.70 5.70 5.80 5.60 6.20 5.60 5.70 5.90 7.20 7.40 6.50 5.70
## [16913] 6.90 5.80 5.70 5.50 5.60 5.60 6.60 6.40 5.70 5.60 5.90 6.10 5.60 6.00
## [16927] 5.60 6.10 5.60 6.10 5.60 5.50 6.00 5.50 5.70 5.70 5.60 6.20 5.50 5.50
## [16941] 5.90 5.90 5.90 5.50 6.40 5.97 5.80 5.50 5.60 5.60 5.90 5.50 6.00 5.50
## [16955] 5.80 6.20 5.50 5.60 6.80 6.50 5.80 5.90 7.00 5.90 5.50 5.80 5.90 5.70
## [16969] 5.50 5.50 5.80 6.70 5.80 6.10 5.50 5.60 6.60 5.70 6.10 5.80 6.30 5.60
## [16983] 5.70 5.70 5.50 5.50 5.70 5.50 5.60 5.60 5.50 6.00 6.40 5.50 6.00 5.90
## [16997] 5.50 5.70 5.70 6.70 5.60 6.00 5.90 6.00 5.70 6.20 5.80 5.50 5.60 6.30
## [17011] 5.50 6.90 5.60 5.70 6.10 5.90 6.70 5.50 7.50 5.50 5.50 6.40 6.10 5.80
## [17025] 5.60 5.60 5.90 5.80 5.60 5.50 7.20 6.10 5.80 6.60 5.70 5.50 6.40 6.30
## [17039] 6.00 6.30 7.10 5.50 5.90 7.10 5.90 5.50 5.70 5.80 6.60 6.20 7.00 5.90
## [17053] 5.60 5.60 5.70 5.80 5.70 6.80 6.10 5.80 5.80 5.50 5.50 5.50 5.50 6.00
## [17067] 5.80 6.80 5.80 6.20 5.60 5.80 5.80 5.50 5.70 5.80 5.50 5.80 5.60 6.10
## [17081] 8.10 5.60 5.80 9.10 5.50 6.10 6.00 6.10 5.80 5.50 5.50 5.70 6.00 5.60
## [17095] 5.70 5.70 5.70 5.80 5.60 5.70 5.80 5.70 5.50 5.90 5.60 5.50 5.80 5.60
## [17109] 5.70 5.50 5.80 7.20 5.70 5.50 5.60 5.70 6.00 5.50 6.60 5.50 6.30 5.50
## [17123] 5.50 6.20 5.90 5.70 6.00 5.50 5.50 5.60 5.70 6.10 5.50 5.50 5.80 5.50
## [17137] 5.80 5.60 5.60 5.50 5.60 6.10 5.70 5.70 5.60 5.50 5.80 5.70 5.50 5.80
## [17151] 5.80 5.90 6.10 6.20 5.90 5.70 5.70 5.70 5.60 5.70 6.10 5.60 6.00 5.90
## [17165] 5.70 5.70 6.70 5.50 6.10 5.50 5.90 6.40 6.10 6.10 5.70 5.50 5.90 5.70
## [17179] 5.50 5.50 5.70 5.50 5.60 5.50 6.00 6.10 5.50 5.50 6.80 5.50 6.10 5.60
## [17193] 5.50 6.00 6.20 6.60 6.10 5.70 6.30 5.80 6.60 5.70 6.00 5.90 5.80 5.50
## [17207] 5.70 5.50 6.40 5.50 5.50 6.30 5.80 6.30 5.60 6.10 5.80 5.90 5.60 5.60
## [17221] 6.20 5.50 5.70 5.50 5.50 5.50 5.50 5.90 5.60 5.50 5.50 5.70 5.60 6.10
## [17235] 6.20 5.50 5.50 5.60 5.60 5.50 5.70 5.60 5.50 5.50 5.70 5.60 5.50 5.50
## [17249] 5.50 6.30 5.60 5.50 6.60 6.00 7.10 5.90 5.60 6.10 6.70 6.00 6.30 5.50
## [17263] 5.70 5.60 6.30 5.50 5.80 5.80 6.10 6.50 5.50 5.90 6.60 5.60 5.70 5.50
## [17277] 5.50 5.60 6.50 5.50 6.40 5.80 5.60 5.50 5.60 6.00 5.60 5.70 5.60 5.60
## [17291] 5.70 5.70 6.80 5.70 5.60 5.90 5.60 7.10 5.90 5.70 5.70 5.90 6.10 6.30
## [17305] 5.60 5.60 5.50 5.50 5.60 6.00 5.50 5.80 5.60 5.80 5.50 5.50 5.60 6.10
## [17319] 5.70 6.10 6.30 6.60 5.80 6.90 6.40 5.80 5.70 5.80 6.10 8.60 5.80 5.90
## [17333] 5.50 6.10 5.80 5.70 5.60 5.50 5.90 5.50 5.70 5.70 6.30 5.60 6.10 5.90
## [17347] 6.00 5.80 5.60 6.10 6.00 5.60 6.30 5.60 5.60 5.60 5.90 6.30 5.70 6.10
## [17361] 6.10 5.80 6.00 5.70 6.70 5.70 6.50 5.50 5.80 5.60 5.50 6.40 5.90 6.10
## [17375] 5.50 5.50 6.60 6.00 6.70 5.70 5.60 5.90 6.40 5.80 5.50 5.90 5.50 5.90
## [17389] 5.50 5.60 5.60 5.60 5.60 5.60 6.20 5.90 5.90 5.50 6.50 5.90 5.90 5.50
## [17403] 6.30 6.50 5.70 6.70 5.70 5.90 6.60 6.00 6.20 5.70 6.10 5.50 6.90 6.00
## [17417] 6.30 5.60 5.70 5.50 5.90 5.70 5.50 5.70 5.80 5.60 6.10 5.80 5.50 6.10
## [17431] 5.60 5.60 5.70 5.80 6.10 5.60 5.80 5.60 5.50 5.60 5.60 6.00 5.90 5.80
## [17445] 7.80 5.70 5.60 6.80 5.60 7.20 6.20 6.40 6.60 5.70 5.70 5.80 5.50 5.80
## [17459] 5.50 5.70 6.20 5.80 5.60 5.90 5.60 5.50 6.60 5.80 6.30 6.70 5.60 5.90
## [17473] 5.60 5.60 5.90 5.80 5.90 6.10 5.70 5.60 5.60 6.00 5.70 5.50 5.90 5.70
## [17487] 5.50 5.80 5.50 5.50 5.90 6.00 5.50 5.60 7.20 5.60 5.50 5.60 5.60 5.80
## [17501] 5.90 5.60 5.50 6.00 5.80 5.70 5.60 5.90 6.30 5.80 5.80 5.60 5.80 5.50
## [17515] 6.00 5.50 6.20 6.00 5.80 5.50 5.90 6.10 5.50 6.10 6.20 5.60 6.00 5.80
## [17529] 5.60 7.20 5.50 5.50 5.80 5.90 6.10 5.70 5.70 6.20 6.10 5.60 6.10 5.50
## [17543] 5.60 5.50 5.70 5.70 5.60 5.60 6.00 6.20 5.80 5.60 5.50 5.70 5.50 5.70
## [17557] 7.60 5.80 5.60 5.60 5.80 5.70 5.50 5.70 5.60 5.70 6.10 5.80 5.90 5.50
## [17571] 6.10 5.60 5.60 5.60 7.50 6.60 6.20 5.70 5.80 5.60 5.80 5.50 5.70 5.90
## [17585] 5.70 7.60 5.90 5.70 5.80 5.60 5.60 5.70 5.60 5.50 6.40 5.60 5.70 5.70
## [17599] 5.70 5.50 5.80 5.90 5.70 5.50 5.70 6.10 6.40 5.70 5.50 5.70 5.80 5.70
## [17613] 5.70 5.70 5.60 6.30 5.60 5.90 5.70 5.50 5.50 5.90 5.50 5.90 6.50 5.50
## [17627] 5.70 5.70 5.70 5.60 5.50 6.40 5.50 5.50 5.50 5.90 5.50 5.90 5.90 5.90
## [17641] 7.00 5.70 5.70 6.80 5.70 6.50 6.20 5.50 6.10 5.60 5.50 5.70 6.20 5.50
## [17655] 5.60 5.80 5.50 5.90 5.50 5.60 5.70 5.50 6.00 5.50 6.40 5.50 6.50 5.70
## [17669] 5.90 5.70 5.50 6.80 6.40 6.10 5.50 5.60 5.60 5.50 5.70 6.60 5.60 5.60
## [17683] 6.50 6.70 5.60 5.70 6.00 5.70 6.10 5.50 6.30 6.00 5.50 6.30 6.10 5.70
## [17697] 6.10 5.60 5.50 5.70 7.40 5.60 7.20 5.80 6.60 5.50 5.70 6.10 5.50 6.70
## [17711] 5.50 5.60 6.10 5.70 5.80 5.70 5.70 5.60 6.40 5.60 6.20 5.50 5.50 5.60
## [17725] 5.60 7.60 5.70 5.90 5.60 6.70 5.70 5.60 6.10 5.90 5.50 5.60 5.70 5.60
## [17739] 5.90 5.50 5.50 5.50 6.30 5.80 5.60 5.80 5.90 6.20 5.50 7.00 5.70 6.20
## [17753] 5.80 5.50 6.10 6.40 6.00 6.00 5.80 5.50 5.60 6.00 5.60 5.70 6.10 5.60
## [17767] 5.60 6.20 6.20 5.80 5.50 5.90 6.00 6.10 5.60 5.80 5.50 6.70 5.60 5.60
## [17781] 5.60 5.60 5.60 5.60 5.50 5.90 5.50 5.50 5.80 5.70 6.10 6.00 5.90 5.50
## [17795] 5.50 5.50 5.60 5.60 5.90 6.10 6.50 5.50 6.20 5.70 6.10 5.50 5.50 5.60
## [17809] 5.60 5.50 6.00 5.60 5.50 5.80 5.50 6.50 5.50 5.80 5.70 5.50 5.50 6.00
## [17823] 5.70 5.50 5.60 5.90 6.00 5.70 5.70 6.10 5.60 6.20 5.70 5.60 7.60 6.10
## [17837] 6.10 6.10 5.50 6.30 6.10 5.80 6.60 5.70 6.10 5.50 6.70 6.00 5.70 5.80
## [17851] 5.90 6.50 5.80 5.70 5.70 5.90 5.50 5.70 8.00 5.90 6.00 5.50 5.90 5.60
## [17865] 6.00 5.60 6.10 5.50 5.90 5.80 6.40 5.50 5.60 5.50 5.70 7.40 6.80 5.70
## [17879] 6.00 5.80 5.70 6.30 6.00 6.60 6.20 6.10 5.60 5.50 5.50 5.70 5.50 5.60
## [17893] 6.30 6.50 5.70 5.70 5.70 5.50 5.60 5.70 5.90 6.00 6.00 5.70 6.10 5.50
## [17907] 5.90 5.90 6.30 6.50 6.00 5.60 5.80 5.60 5.60 5.50 5.50 6.00 5.60 6.00
## [17921] 6.00 6.30 5.50 6.20 6.30 5.70 5.50 5.80 6.30 5.80 5.60 5.50 5.50 5.80
## [17935] 5.50 5.60 5.80 5.60 5.50 5.80 5.70 6.00 5.50 6.60 5.50 5.70 5.70 5.50
## [17949] 5.70 5.80 6.20 5.70 7.70 5.60 5.50 5.70 6.00 5.90 5.50 5.90 5.70 5.50
## [17963] 6.10 5.90 5.70 5.50 5.60 5.70 5.60 5.50 5.70 5.50 6.10 6.40 5.90 6.00
## [17977] 5.80 5.50 6.30 5.90 5.60 5.50 5.80 5.90 5.60 5.50 5.70 5.90 5.50 5.60
## [17991] 5.60 5.90 6.80 6.10 6.20 5.50 5.60 5.90 5.70 5.70 6.10 5.90 5.90 5.70
## [18005] 5.60 5.60 6.00 7.00 5.90 5.50 5.60 6.50 6.60 5.70 5.70 5.60 5.80 5.70
## [18019] 5.80 5.50 5.50 6.80 5.70 5.90 5.70 5.50 5.90 5.80 5.70 6.30 5.90 5.50
## [18033] 6.00 5.50 5.80 5.90 6.30 6.20 5.80 5.70 5.90 6.00 6.00 5.70 5.70 5.70
## [18047] 5.90 6.90 5.60 6.10 5.50 5.50 6.00 6.60 6.00 5.50 6.50 6.30 5.70 5.70
## [18061] 5.70 5.80 6.30 5.90 5.70 6.00 6.00 5.80 5.70 5.70 6.40 5.90 6.70 6.10
## [18075] 5.80 5.50 6.70 5.90 6.40 5.70 6.70 5.80 5.80 5.60 5.90 6.10 5.70 5.80
## [18089] 6.40 6.10 5.80 6.00 5.60 5.50 5.50 5.50 5.60 6.00 5.80 6.60 5.60 5.90
## [18103] 6.20 5.90 6.80 5.50 6.20 6.10 5.70 5.50 5.50 8.30 5.60 5.60 5.50 6.00
## [18117] 6.00 6.20 5.50 6.40 6.70 5.50 5.70 5.90 5.70 5.50 6.00 5.50 5.50 5.90
## [18131] 5.70 5.50 5.60 5.50 5.70 6.00 5.50 6.10 5.60 6.20 5.50 5.90 5.90 5.70
## [18145] 5.50 5.50 6.10 5.60 5.60 5.60 5.50 5.90 5.50 5.70 5.50 5.70 6.20 5.60
## [18159] 5.50 6.00 6.20 5.60 6.30 6.30 5.80 5.60 5.70 6.00 5.50 5.80 5.80 5.70
## [18173] 6.40 5.80 5.50 5.50 5.70 6.30 5.50 5.60 5.80 5.50 5.80 5.80 5.80 5.60
## [18187] 5.50 5.50 6.20 5.50 5.70 5.60 5.80 5.80 7.10 6.90 5.50 6.00 5.70 5.60
## [18201] 6.00 6.60 5.50 5.60 5.60 5.80 6.10 6.00 6.30 5.70 6.00 8.10 5.50 5.80
## [18215] 6.00 5.50 5.90 5.60 5.60 6.00 5.60 6.20 5.90 5.80 5.70 6.20 7.50 5.60
## [18229] 5.50 5.50 5.60 6.20 5.50 5.50 5.70 5.90 5.80 5.50 5.70 5.50 5.90 5.60
## [18243] 5.60 6.00 5.50 5.60 5.60 5.60 5.80 6.90 6.60 6.50 5.50 5.50 5.50 5.60
## [18257] 6.20 6.20 5.60 5.80 5.50 5.50 5.50 5.50 5.50 5.90 6.00 6.10 5.60 5.50
## [18271] 5.90 5.60 5.70 6.00 5.70 5.60 5.70 5.50 5.70 5.60 5.80 5.50 6.70 6.00
## [18285] 5.50 5.70 5.70 6.30 5.50 5.50 5.90 5.70 5.50 5.70 6.20 6.00 5.90 5.70
## [18299] 5.60 6.40 6.30 5.90 5.50 6.10 6.20 6.00 5.70 5.60 5.60 5.50 5.70 5.80
## [18313] 5.80 5.60 5.50 5.80 5.60 6.00 5.50 5.60 5.50 6.20 6.00 5.50 6.20 5.70
## [18327] 5.50 5.90 5.80 5.80 5.70 7.10 6.70 6.90 5.70 5.50 5.50 5.80 5.60 5.80
## [18341] 5.50 5.70 6.20 5.60 5.70 5.70 8.10 6.10 6.60 5.50 5.50 6.90 6.00 5.80
## [18355] 5.60 5.70 5.70 6.10 5.60 5.90 6.10 6.20 5.60 5.60 5.60 5.50 5.60 6.20
## [18369] 5.50 5.50 5.60 6.20 5.50 6.10 5.50 5.60 6.20 5.60 6.00 6.40 5.60 5.50
## [18383] 6.20 6.50 5.90 5.70 5.70 6.30 5.50 5.90 5.90 5.90 6.10 6.10 5.90 5.80
## [18397] 5.50 5.50 6.00 6.00 5.50 6.10 5.50 5.80 6.40 5.60 5.60 5.50 6.10 5.70
## [18411] 6.30 6.00 5.50 5.70 5.50 6.10 6.10 6.20 5.70 6.40 5.90 5.80 6.10 5.50
## [18425] 6.20 5.60 5.70 5.80 5.50 5.60 5.60 5.50 6.20 6.10 5.50 6.50 6.10 5.60
## [18439] 6.10 5.50 5.70 5.60 5.50 5.90 5.50 5.80 5.50 5.60 6.30 5.50 5.70 5.50
## [18453] 6.00 5.50 5.70 5.70 5.60 5.60 5.50 5.90 5.50 5.60 6.10 5.70 6.10 5.50
## [18467] 5.50 5.50 5.50 6.40 5.50 6.10 5.80 5.70 5.80 6.20 5.80 5.50 5.50 5.60
## [18481] 6.70 5.50 5.90 5.50 5.80 5.60 5.50 5.60 5.90 5.70 5.80 5.70 6.30 5.80
## [18495] 5.50 5.50 5.60 5.60 6.50 6.00 6.70 5.80 5.50 5.70 5.60 5.80 5.60 5.90
## [18509] 6.30 6.10 5.70 5.60 6.10 5.70 6.00 6.10 6.10 5.90 6.60 5.70 6.80 6.10
## [18523] 5.90 6.10 5.70 5.60 5.60 6.10 6.40 5.70 5.80 5.80 5.90 5.50 5.70 5.50
## [18537] 5.80 6.10 6.90 5.70 5.70 6.10 5.50 5.90 5.50 5.60 5.60 5.90 6.20 5.50
## [18551] 7.20 6.20 6.70 5.80 5.60 5.50 5.50 5.70 5.60 5.60 5.90 6.10 6.00 6.00
## [18565] 6.10 7.50 5.60 5.70 6.00 6.10 5.50 5.50 6.50 8.00 5.60 5.80 5.80 5.80
## [18579] 5.60 6.40 6.50 6.00 5.50 5.50 5.80 6.40 5.60 5.90 6.00 5.70 5.50 5.80
## [18593] 5.50 5.60 5.60 5.70 6.40 5.70 6.50 5.60 5.70 6.10 5.70 5.60 5.50 5.50
## [18607] 5.60 6.10 7.20 6.30 6.20 6.20 5.90 6.80 5.50 8.40 5.50 5.60 5.90 5.80
## [18621] 7.90 5.70 6.50 7.00 5.50 6.30 5.50 6.00 5.50 6.00 5.70 6.40 5.80 5.90
## [18635] 5.60 5.50 5.50 5.60 6.00 6.70 5.70 5.50 5.50 5.70 5.60 6.20 5.90 6.80
## [18649] 5.60 6.10 5.60 6.10 5.50 5.70 6.30 6.50 5.50 5.50 5.50 5.80 5.90 7.50
## [18663] 5.70 6.00 5.50 5.70 5.60 6.90 7.40 6.60 5.50 5.90 5.90 6.30 5.60 6.20
## [18677] 5.70 6.50 6.10 5.80 5.70 6.00 5.90 5.60 5.70 5.50 6.10 6.80 6.10 6.60
## [18691] 5.50 5.70 5.50 6.00 5.50 5.60 5.80 6.80 5.60 5.50 5.60 6.10 5.50 5.50
## [18705] 5.50 5.60 5.60 7.20 6.00 5.50 5.60 5.70 5.80 5.60 6.10 5.60 5.70 5.50
## [18719] 5.50 6.60 5.70 5.90 5.50 5.50 5.70 7.70 5.70 5.50 6.30 6.80 5.60 5.80
## [18733] 6.80 5.50 5.50 5.90 6.00 5.70 6.30 6.00 5.80 5.90 6.00 5.90 6.10 5.70
## [18747] 5.80 6.80 5.80 5.90 5.50 5.60 5.50 5.60 5.60 5.90 6.50 6.00 6.50 5.90
## [18761] 5.70 5.80 5.90 6.60 6.30 7.40 5.90 5.90 5.70 5.60 5.80 5.90 5.90 5.60
## [18775] 5.50 5.80 5.60 5.60 7.80 5.70 5.90 5.80 6.00 6.20 6.20 5.50 6.00 6.40
## [18789] 5.90 6.70 7.20 5.60 5.50 5.90 5.60 5.50 6.60 5.70 5.60 5.70 6.30 6.20
## [18803] 6.10 6.10 5.80 6.40 5.50 5.60 5.60 5.60 5.60 5.90 5.70 5.60 6.30 5.80
## [18817] 6.00 5.60 5.70 5.70 6.60 6.40 5.70 6.20 5.90 5.60 5.60 5.80 6.40 6.10
## [18831] 6.30 5.70 5.90 6.50 5.90 5.50 5.60 5.50 6.10 5.80 6.00 6.10 6.20 5.50
## [18845] 5.50 5.90 5.90 5.60 6.20 5.50 5.80 5.50 6.00 5.90 5.60 5.50 6.30 5.90
## [18859] 5.80 5.60 5.70 6.90 6.00 6.60 5.50 6.50 6.20 6.90 6.50 5.70 6.10 7.40
## [18873] 5.50 5.60 6.20 6.10 6.20 5.60 5.70 5.60 6.80 6.50 7.20 6.60 6.70 5.90
## [18887] 5.50 6.20 5.60 5.70 5.60 5.70 5.60 5.80 6.20 6.50 6.00 6.90 5.60 5.50
## [18901] 5.90 5.50 5.60 5.60 6.40 6.30 6.00 5.70 6.00 6.00 5.70 5.60 6.20 6.10
## [18915] 7.20 5.60 6.20 5.50 6.20 5.50 5.60 5.60 5.60 5.60 5.70 5.80 5.70 5.50
## [18929] 5.50 6.30 5.50 5.70 5.70 5.70 5.50 5.80 5.50 6.40 6.30 7.30 6.30 5.80
## [18943] 5.50 5.50 5.50 5.50 5.50 5.90 6.10 7.10 5.70 5.50 5.50 6.00 6.10 5.70
## [18957] 6.40 6.30 6.60 5.70 5.80 5.50 6.30 5.80 6.10 6.30 6.00 5.60 5.50 6.00
## [18971] 5.70 6.50 6.10 5.60 5.80 6.10 6.40 6.10 5.80 5.90 5.70 6.60 5.80 5.50
## [18985] 6.20 6.10 6.90 5.60 6.80 5.60 7.90 5.70 5.70 5.80 5.50 6.10 5.60 5.80
## [18999] 5.70 5.90 5.60 5.80 5.70 5.90 5.70 6.00 6.30 5.60 5.70 5.50 6.50 5.70
## [19013] 5.50 5.90 5.90 6.10 6.00 5.60 5.90 5.70 5.70 6.30 5.80 5.70 6.40 5.80
## [19027] 5.50 6.30 6.50 5.60 6.20 5.90 5.80 6.00 5.70 6.00 5.80 6.00 5.50 6.40
## [19041] 5.90 5.60 5.50 5.90 6.90 5.50 5.90 6.00 5.90 5.50 5.50 5.60 5.80 6.10
## [19055] 5.60 5.50 5.70 5.70 5.50 6.20 6.60 5.90 6.10 5.50 5.50 6.00 7.00 5.60
## [19069] 6.20 5.80 7.70 5.70 5.70 5.50 6.00 6.20 5.70 5.50 6.20 5.60 6.40 5.70
## [19083] 5.70 5.50 5.50 5.70 7.00 6.60 5.50 6.20 6.40 5.50 5.80 6.00 6.80 5.50
## [19097] 6.20 5.70 5.90 5.50 5.90 5.90 6.00 5.80 5.60 5.70 5.60 5.50 5.80 5.50
## [19111] 6.30 6.00 5.90 5.50 5.80 5.60 5.80 6.50 5.50 6.30 6.20 5.70 6.00 5.90
## [19125] 5.70 5.70 5.50 5.50 6.00 5.70 5.60 5.50 5.70 5.70 6.10 6.00 6.00 5.80
## [19139] 5.50 6.70 5.70 6.40 6.30 5.70 5.80 5.90 6.30 6.40 6.00 5.50 5.60 6.00
## [19153] 5.70 5.60 6.30 5.70 5.80 5.60 5.80 5.80 6.20 6.90 5.50 5.90 5.60 5.50
## [19167] 6.10 6.60 5.70 6.60 6.80 5.80 5.90 5.60 5.70 5.60 5.50 5.80 5.70 6.00
## [19181] 5.90 5.60 5.60 6.40 6.00 5.70 5.70 5.90 5.50 7.00 5.70 5.50 5.80 5.60
## [19195] 5.70 5.60 5.60 5.70 5.50 6.10 6.70 5.90 5.60 6.00 6.30 5.70 5.50 5.90
## [19209] 5.60 5.80 6.10 5.50 6.20 6.70 5.80 5.70 6.90 5.60 5.90 5.60 6.40 5.70
## [19223] 6.30 5.70 5.70 5.60 5.60 6.00 6.40 5.70 6.40 5.50 6.10 6.00 5.80 5.70
## [19237] 6.10 5.70 5.70 5.60 6.30 5.70 5.90 6.40 5.70 5.50 6.20 6.00 5.50 6.30
## [19251] 5.60 5.50 5.90 5.80 5.50 7.40 5.60 5.50 5.60 5.70 5.50 6.30 5.80 6.10
## [19265] 5.60 6.30 6.40 5.70 5.70 6.30 5.70 5.50 5.60 7.30 5.60 5.60 5.60 5.50
## [19279] 5.90 5.90 6.00 5.60 5.90 5.80 5.50 5.50 5.70 6.40 5.60 5.50 6.30 6.80
## [19293] 5.70 6.10 5.70 5.70 6.00 5.70 5.90 5.90 5.60 5.50 5.80 5.60 6.20 6.00
## [19307] 5.90 5.70 6.30 5.60 5.50 5.80 5.90 5.90 6.00 5.50 6.30 5.80 5.80 5.80
## [19321] 5.90 5.80 5.50 5.60 5.50 7.70 5.60 6.60 5.60 7.40 5.50 5.70 5.90 5.70
## [19335] 5.50 6.00 5.60 5.50 6.10 5.70 6.00 6.70 5.60 5.70 7.40 5.80 5.80 6.40
## [19349] 6.60 6.00 5.60 5.50 6.10 6.10 6.10 5.90 5.60 5.80 5.80 5.80 5.70 5.90
## [19363] 5.50 5.70 5.70 5.50 5.60 5.70 5.50 5.70 6.00 5.60 6.00 5.50 5.70 7.20
## [19377] 5.50 5.50 5.60 6.00 5.50 5.50 5.90 5.50 5.60 6.00 5.60 6.00 6.30 5.70
## [19391] 5.80 5.60 5.70 6.10 5.50 6.00 5.90 5.60 7.00 5.60 5.50 5.50 5.50 6.00
## [19405] 5.90 5.60 5.70 5.50 5.50 5.50 5.50 6.30 5.50 5.60 5.90 5.50 5.80 6.50
## [19419] 5.50 5.50 5.90 5.90 5.50 6.30 5.80 5.70 5.50 5.90 6.30 5.70 5.50 7.60
## [19433] 5.50 5.50 5.80 5.50 5.70 5.80 5.90 6.00 6.00 5.70 5.80 5.50 6.40 5.60
## [19447] 5.60 5.70 6.30 5.90 5.50 5.50 5.80 5.60 6.30 5.60 6.90 5.50 5.60 5.60
## [19461] 5.50 5.90 5.70 5.70 6.30 5.80 6.70 5.50 6.10 5.70 5.80 5.70 6.60 6.10
## [19475] 5.60 5.60 5.80 6.20 5.70 5.70 5.50 6.10 5.80 5.60 5.90 5.60 6.30 5.50
## [19489] 5.50 5.50 6.10 6.10 5.50 5.80 5.70 5.80 6.50 5.90 5.60 5.50 5.80 5.70
## [19503] 5.70 5.50 5.60 5.50 6.00 5.60 5.60 5.50 5.50 7.30 5.50 5.70 5.70 5.50
## [19517] 6.30 5.70 5.50 5.50 5.70 5.60 5.60 6.00 6.40 5.70 5.70 5.80 6.00 5.50
## [19531] 5.50 5.50 5.60 5.70 5.50 6.00 5.50 6.10 6.10 5.60 5.80 5.50 5.50 5.70
## [19545] 5.60 6.70 5.60 5.70 6.40 5.80 6.00 6.10 5.50 6.10 5.70 5.70 6.10 6.00
## [19559] 5.70 5.50 6.10 5.90 6.30 5.70 7.80 5.70 6.10 5.80 5.70 5.60 5.70 5.50
## [19573] 5.80 5.90 5.60 5.60 5.80 5.70 5.60 5.50 5.50 5.80 5.70 6.10 6.10 5.50
## [19587] 6.90 6.20 6.10 6.10 5.80 5.60 5.50 5.50 7.10 6.60 5.70 7.50 6.20 5.50
## [19601] 5.50 5.50 5.70 6.60 5.50 5.90 5.80 5.60 5.80 5.50 5.60 6.70 5.80 5.50
## [19615] 6.70 6.10 5.70 5.90 5.60 6.30 5.50 6.00 5.70 5.50 5.50 6.90 6.30 5.60
## [19629] 5.60 6.60 5.80 7.00 5.50 6.20 6.20 5.90 5.80 5.50 6.20 6.00 5.80 5.70
## [19643] 6.00 5.50 5.60 6.40 6.20 5.90 5.70 5.80 5.60 5.70 5.60 6.10 5.70 5.60
## [19657] 5.60 6.00 6.40 5.60 5.80 8.10 6.00 5.60 5.60 5.60 5.80 5.70 5.50 5.50
## [19671] 6.00 5.50 7.60 5.50 5.90 6.60 5.80 5.50 5.50 6.10 5.50 6.00 5.50 6.10
## [19685] 5.50 5.50 6.60 5.60 5.50 5.70 5.50 5.70 5.80 6.80 7.70 5.80 7.80 5.60
## [19699] 5.50 6.80 7.40 5.50 5.70 5.80 5.90 5.80 6.80 6.00 6.10 6.00 5.70 5.60
## [19713] 5.60 5.60 5.60 5.80 5.60 5.90 6.00 6.00 5.70 6.20 6.20 5.50 5.70 6.50
## [19727] 5.70 6.00 6.40 6.30 5.50 5.50 6.00 6.00 5.70 6.10 5.70 5.60 5.60 5.50
## [19741] 5.70 5.80 6.00 6.00 6.20 5.80 6.00 6.90 5.60 6.00 5.60 6.00 5.50 5.70
## [19755] 6.20 6.80 5.90 5.80 6.20 5.80 5.50 5.90 5.60 5.60 6.00 5.50 5.50 5.50
## [19769] 6.60 5.60 5.50 7.30 5.70 6.00 5.70 5.80 6.50 5.80 5.60 6.20 6.60 5.80
## [19783] 5.50 5.50 6.40 5.90 6.20 5.60 5.70 6.80 5.60 5.90 6.00 6.00 6.10 5.50
## [19797] 5.70 5.60 5.50 6.00 5.80 5.90 5.60 6.40 6.40 6.00 6.30 5.60 5.50 5.60
## [19811] 5.50 6.00 5.50 5.50 5.60 5.50 5.80 5.80 6.40 5.50 6.00 6.00 5.70 5.70
## [19825] 6.30 5.60 5.60 5.60 6.10 5.60 5.70 5.60 5.50 5.80 5.60 6.00 5.60 5.50
## [19839] 6.10 5.80 5.70 6.60 7.10 5.60 5.80 6.80 6.80 6.00 5.70 5.70 5.60 5.60
## [19853] 5.60 6.20 6.50 5.50 7.00 6.00 5.70 5.60 5.60 5.80 5.50 5.80 5.80 5.50
## [19867] 5.90 5.70 5.60 5.50 5.60 5.70 6.30 5.60 5.90 5.50 5.70 5.60 5.90 5.90
## [19881] 5.50 5.60 5.50 5.50 5.60 5.50 5.60 5.90 5.80 5.90 5.90 5.80 5.50 5.60
## [19895] 5.60 6.20 5.60 5.88 6.20 6.00 5.50 6.30 5.60 5.90 5.60 5.70 6.10 5.50
## [19909] 5.50 5.80 5.50 5.80 6.10 6.20 5.90 6.90 5.80 5.50 5.70 6.00 5.60 5.50
## [19923] 5.60 5.70 5.60 5.50 5.70 7.00 8.80 5.60 5.60 6.00 6.20 5.60 5.80 6.00
## [19937] 5.60 5.60 5.50 6.00 5.50 7.40 5.60 6.10 5.70 5.50 5.60 5.60 5.80 5.60
## [19951] 6.00 6.00 5.90 5.50 5.50 6.30 5.50 5.50 6.10 5.50 5.60 5.70 6.20 5.80
## [19965] 5.90 6.00 5.70 5.90 5.60 6.20 5.90 5.70 5.80 5.50 5.60 6.10 5.80 6.30
## [19979] 6.00 6.50 6.30 6.10 6.60 6.80 5.50 5.70 6.30 5.90 6.10 5.60 6.10 5.80
## [19993] 5.80 5.60 5.60 6.90 7.00 5.60 6.00 5.60 5.80 5.50 5.90 5.80 5.60 5.80
## [20007] 6.40 6.50 5.50 5.60 5.80 5.60 6.20 6.70 5.90 5.80 5.60 5.60 5.50 6.60
## [20021] 5.60 5.50 5.90 5.70 6.00 5.70 6.30 5.70 6.00 5.60 5.70 6.60 5.60 6.00
## [20035] 5.60 7.20 5.70 6.20 5.80 7.80 6.00 5.80 5.80 5.50 6.00 5.80 6.90 6.30
## [20049] 5.70 5.50 6.90 6.10 5.60 5.70 5.70 5.70 5.50 6.20 5.60 5.60 5.60 6.10
## [20063] 6.00 6.00 5.60 6.50 5.60 5.80 6.50 6.30 5.90 6.10 5.50 6.30 5.90 6.50
## [20077] 5.70 6.20 5.80 5.60 5.50 5.90 5.70 7.20 5.70 5.80 5.80 6.00 6.00 6.00
## [20091] 5.60 5.90 5.90 5.70 6.10 6.50 5.50 6.30 6.50 7.20 5.60 6.10 5.80 5.80
## [20105] 6.00 6.50 6.00 5.60 5.70 5.90 5.90 5.60 5.60 5.50 5.50 6.00 5.60 5.80
## [20119] 5.70 5.50 7.50 5.90 5.72 5.60 6.20 7.00 6.60 6.00 6.20 5.90 5.60 5.80
## [20133] 5.50 6.10 6.70 5.90 5.60 5.80 5.80 5.50 5.50 6.40 6.30 5.80 6.30 5.70
## [20147] 6.30 5.90 5.80 5.60 6.30 5.70 6.30 5.70 6.60 5.60 5.80 5.50 5.60 6.70
## [20161] 6.90 7.30 6.00 5.70 5.50 5.80 6.30 5.80 5.60 5.50 6.10 6.10 7.30 5.50
## [20175] 7.60 5.80 5.80 7.50 6.60 5.90 5.60 5.60 5.60 5.50 5.60 6.60 6.30 5.50
## [20189] 5.50 5.50 5.50 5.80 6.30 5.60 6.00 6.50 5.50 6.40 7.00 6.00 5.90 5.50
## [20203] 5.50 7.30 5.90 5.90 5.90 5.50 5.50 7.10 5.50 6.90 5.60 6.20 5.70 5.60
## [20217] 5.60 6.60 5.50 5.50 6.30 6.30 6.20 6.30 5.50 6.10 5.90 5.60 5.50 5.50
## [20231] 6.20 5.80 5.50 5.50 5.50 5.70 6.50 7.00 5.60 5.50 6.10 5.50 5.60 5.50
## [20245] 5.70 5.50 5.50 6.30 5.50 5.60 6.30 5.50 6.20 5.80 5.80 5.80 5.90 5.60
## [20259] 5.80 6.30 5.70 5.60 5.60 5.50 5.50 5.60 6.00 5.80 5.50 5.90 5.50 6.20
## [20273] 7.00 5.80 5.50 5.60 5.80 5.50 5.50 5.50 6.30 5.70 6.40 6.00 5.70 6.20
## [20287] 5.80 5.50 5.90 5.90 5.90 5.60 5.60 5.90 5.90 5.90 5.90 5.80 5.90 5.50
## [20301] 6.70 5.80 5.60 5.80 5.50 5.80 7.80 6.30 5.70 5.90 5.60 5.60 5.80 6.40
## [20315] 5.80 5.50 5.60 5.80 5.50 5.50 5.50 6.00 6.10 5.50 5.80 5.60 6.50 5.50
## [20329] 5.70 5.60 5.50 5.80 5.50 5.50 5.90 5.50 5.90 5.70 6.00 5.60 5.90 6.10
## [20343] 5.50 5.80 5.70 5.70 6.80 5.50 5.70 5.60 6.10 6.60 5.90 5.70 5.90 5.70
## [20357] 5.80 6.30 5.90 5.50 5.50 5.50 5.60 5.60 6.20 5.70 6.00 5.50 5.60 5.90
## [20371] 5.90 5.70 6.70 5.60 5.80 7.40 5.50 5.50 5.60 5.60 6.40 6.40 5.60 5.50
## [20385] 5.90 7.30 5.50 5.60 6.00 5.50 5.60 5.50 6.30 6.40 5.50 5.50 5.60 5.50
## [20399] 7.00 5.70 7.20 5.60 5.60 6.10 5.50 5.50 5.60 6.50 5.70 5.50 6.10 5.50
## [20413] 5.60 5.90 5.60 5.50 6.40 5.50 7.00 5.90 5.80 5.70 5.70 6.00 5.90 7.20
## [20427] 5.60 5.90 5.70 6.00 6.10 5.70 5.60 5.50 6.20 5.60 6.20 5.50 5.50 6.00
## [20441] 5.60 5.90 5.90 6.20 5.90 5.80 5.60 6.40 6.50 6.60 6.90 5.90 6.10 5.70
## [20455] 5.60 5.60 6.10 5.80 6.00 5.50 6.70 6.10 5.50 5.60 5.50 6.10 5.60 6.50
## [20469] 5.50 6.10 5.50 5.60 5.50 5.70 5.60 5.90 5.90 5.80 5.70 5.60 5.50 6.00
## [20483] 5.70 5.50 5.60 6.30 6.50 6.30 7.30 5.70 5.70 5.60 6.00 5.90 6.00 6.50
## [20497] 6.40 5.50 5.60 6.50 5.70 9.10 6.30 6.40 6.30 5.90 6.20 5.90 5.80 6.30
## [20511] 6.40 6.70 5.90 6.20 6.20 6.30 7.90 6.60 6.50 6.20 6.20 7.70 6.10 5.90
## [20525] 5.80 5.60 5.80 5.50 5.80 5.90 6.20 6.10 5.80 5.50 5.90 6.00 6.30 5.70
## [20539] 5.80 5.60 5.80 5.70 5.60 5.70 5.60 5.80 5.90 6.30 5.80 5.90 6.10 6.10
## [20553] 6.30 6.00 5.70 5.70 5.80 5.70 5.80 5.70 5.60 5.70 5.90 5.70 5.60 6.20
## [20567] 6.10 6.50 6.10 6.00 6.00 6.00 5.60 5.50 5.90 5.60 5.60 5.50 5.50 5.50
## [20581] 6.00 5.70 5.90 5.60 5.60 5.50 5.50 5.50 5.70 5.80 5.70 5.80 6.60 5.70
## [20595] 5.80 5.50 5.60 5.90 5.80 5.60 5.50 5.60 5.50 5.50 5.70 5.50 5.50 5.80
## [20609] 5.50 6.30 5.50 6.00 5.50 5.50 5.60 5.50 5.70 5.80 6.20 6.00 5.50 5.50
## [20623] 5.70 6.20 6.10 5.70 5.50 5.70 5.50 5.80 5.80 5.50 6.50 5.90 5.80 5.90
## [20637] 5.50 5.70 5.50 5.60 5.70 5.90 6.10 5.60 5.60 5.80 5.80 5.80 6.10 6.10
## [20651] 5.80 5.70 5.60 5.70 5.60 5.50 6.00 5.60 5.80 5.50 6.00 6.00 6.10 5.70
## [20665] 5.70 5.70 5.50 6.20 6.20 5.60 5.80 5.50 5.80 5.50 5.50 5.50 5.90 5.70
## [20679] 5.60 6.00 5.80 5.70 5.80 5.50 5.70 6.40 6.10 6.40 5.60 5.60 5.70 5.80
## [20693] 5.90 5.60 5.50 5.50 5.50 5.80 6.90 5.70 6.20 6.00 5.60 6.20 6.10 5.50
## [20707] 5.70 6.30 6.00 5.90 6.00 5.50 5.50 5.90 6.40 6.70 5.80 5.90 6.00 6.60
## [20721] 7.10 5.80 5.90 6.60 5.80 5.50 5.50 6.20 5.90 5.60 6.00 5.50 5.50 5.70
## [20735] 5.70 5.80 5.70 5.70 5.80 5.50 5.70 6.60 5.70 5.80 6.20 5.60 5.60 5.50
## [20749] 6.80 5.90 5.60 5.60 6.10 5.60 5.50 5.50 5.70 5.50 5.80 5.70 6.10 5.80
## [20763] 5.50 5.50 5.60 5.70 5.70 6.00 5.60 5.80 5.50 5.50 5.70 5.90 5.70 5.60
## [20777] 6.80 5.90 5.50 5.50 5.70 5.50 5.60 5.50 5.70 5.90 6.10 5.90 6.10 6.40
## [20791] 5.50 5.70 5.70 5.50 5.50 5.80 5.80 5.70 5.90 5.90 5.60 5.60 5.70 5.80
## [20805] 5.50 5.70 5.50 5.50 5.90 6.30 6.10 5.50 5.50 6.40 5.90 5.60 5.90 5.50
## [20819] 5.60 5.60 5.90 6.30 5.50 5.60 5.70 5.50 6.40 5.60 5.70 5.50 5.50 5.50
## [20833] 6.40 5.70 6.00 5.70 6.70 7.30 6.10 5.50 5.60 5.50 6.30 5.60 5.50 5.50
## [20847] 5.80 5.80 5.50 5.60 5.70 5.50 5.60 5.60 5.70 5.50 5.70 5.70 7.60 5.60
## [20861] 5.50 5.70 5.80 5.50 5.60 5.50 5.90 5.60 5.90 6.00 6.00 7.00 5.70 5.90
## [20875] 5.50 5.60 5.70 6.40 5.50 5.60 5.50 5.50 6.10 6.00 5.80 5.90 5.60 6.10
## [20889] 5.50 5.80 5.50 6.10 6.00 6.00 5.90 5.50 6.30 5.70 5.50 6.30 6.30 5.60
## [20903] 5.90 5.60 5.80 6.00 5.90 5.60 5.70 6.70 5.50 6.30 6.10 5.50 6.60 5.70
## [20917] 5.90 5.60 5.70 5.70 5.80 6.10 5.70 5.50 5.60 5.60 5.70 6.00 5.70 5.60
## [20931] 5.80 5.50 5.50 5.80 5.60 5.70 6.10 5.60 5.70 6.10 6.20 6.20 5.60 5.50
## [20945] 7.20 6.50 7.10 5.60 5.50 5.60 5.80 5.70 5.70 5.90 6.10 5.80 7.00 6.20
## [20959] 5.90 5.50 5.70 5.60 5.60 6.90 5.60 5.50 6.00 6.90 6.70 5.80 6.40 5.80
## [20973] 7.00 5.80 6.20 5.80 6.70 5.50 5.90 6.40 5.80 5.90 5.70 5.80 5.70 6.00
## [20987] 6.10 6.10 5.50 7.30 5.50 6.70 5.70 5.90 5.80 5.70 5.70 5.60 6.90 5.60
## [21001] 5.60 5.70 5.50 6.40 5.90 5.60 5.60 5.60 5.50 5.80 5.90 5.60 6.10 5.70
## [21015] 5.90 5.50 5.60 5.50 5.70 6.10 5.60 6.50 6.00 5.50 6.10 6.10 7.40 7.10
## [21029] 5.60 5.60 5.70 5.90 5.70 5.60 6.00 6.90 5.60 5.60 5.70 5.60 5.70 5.50
## [21043] 5.80 5.60 6.30 6.10 5.80 5.90 5.70 5.70 5.70 5.60 5.80 6.00 6.90 5.60
## [21057] 5.70 6.00 5.60 5.60 6.30 5.50 5.70 5.70 6.00 5.60 5.80 5.60 5.70 5.80
## [21071] 5.50 5.70 5.70 6.60 5.50 6.10 6.20 5.80 6.10 5.90 6.00 5.60 5.60 5.50
## [21085] 5.60 5.50 5.60 5.70 5.80 6.10 5.70 6.50 5.70 6.20 6.00 5.80 7.10 5.50
## [21099] 6.00 5.60 5.80 5.70 5.70 5.50 5.80 5.90 5.90 6.00 5.50 6.60 5.70 6.80
## [21113] 5.60 5.50 5.50 5.70 6.40 7.20 5.50 5.50 5.60 5.80 5.90 6.60 6.00 5.60
## [21127] 5.70 5.60 5.80 5.70 5.90 5.70 6.20 6.00 5.50 6.10 6.30 5.50 5.60 5.60
## [21141] 5.90 6.40 5.60 5.60 7.10 5.50 6.10 5.70 5.80 5.60 5.60 5.50 6.10 6.10
## [21155] 6.70 5.60 6.00 5.80 5.50 5.90 5.90 5.70 5.60 5.50 5.90 5.60 5.50 5.80
## [21169] 6.40 5.80 5.80 5.60 5.50 5.90 5.50 6.00 5.60 6.70 5.60 5.60 6.60 5.50
## [21183] 5.70 6.10 5.60 5.60 5.90 6.70 5.50 5.60 5.50 5.50 6.90 6.10 5.60 6.00
## [21197] 6.20 5.50 5.80 5.50 5.80 5.90 6.10 7.40 6.60 5.50 5.70 7.10 5.60 5.50
## [21211] 6.00 6.10 5.50 5.70 5.70 6.00 6.10 5.50 5.80 8.60 5.80 5.50 5.90 6.00
## [21225] 8.20 5.70 5.50 5.50 6.00 6.50 5.80 6.00 7.00 5.50 5.70 6.20 5.60 5.80
## [21239] 6.20 6.20 5.80 5.80 6.70 6.80 5.60 6.20 5.50 5.70 5.90 5.80 6.70 5.70
## [21253] 6.00 5.60 6.00 5.70 5.60 5.60 5.50 5.60 5.50 5.70 5.60 6.60 5.60 5.70
## [21267] 5.80 5.60 5.60 5.70 5.50 5.50 5.70 6.00 5.80 5.50 5.70 5.60 5.60 5.50
## [21281] 5.50 5.90 5.70 6.20 5.70 6.30 5.80 5.90 6.00 5.60 6.30 5.60 5.90 6.00
## [21295] 5.90 6.10 6.00 6.70 5.90 5.60 5.80 5.80 5.50 5.60 5.50 5.80 5.90 5.50
## [21309] 6.30 6.30 5.90 5.70 6.10 5.50 6.00 5.80 6.10 5.90 6.00 5.70 5.50 5.50
## [21323] 5.50 5.70 5.90 5.70 6.30 6.00 5.60 5.50 5.50 5.70 6.10 5.50 6.00 5.50
## [21337] 5.70 5.50 5.80 6.30 5.50 5.60 5.70 5.50 6.30 6.30 5.70 6.00 5.60 5.60
## [21351] 5.70 5.70 5.80 5.70 5.50 5.50 5.60 5.90 5.90 5.60 6.00 5.80 5.60 5.60
## [21365] 5.90 5.60 6.40 6.40 6.70 5.50 5.60 6.50 5.70 5.60 5.90 5.50 6.10 6.10
## [21379] 5.50 5.80 5.90 5.60 6.20 6.40 6.20 6.20 5.50 7.70 5.50 5.60 5.80 5.50
## [21393] 6.30 5.70 5.80 5.70 5.60 6.20 5.60 5.70 5.50 5.60 5.90 5.60 6.60 7.30
## [21407] 5.50 5.50 5.50 5.60 6.80 7.60 5.60 5.50 5.80 6.10 5.70 6.00 7.60 5.60
## [21421] 5.70 5.50 5.70 6.10 5.70 5.90 5.50 5.60 5.90 5.50 5.50 6.20 5.50 5.70
## [21435] 5.50 5.70 5.50 5.50 5.60 6.30 6.40 5.80 5.50 7.30 6.10 5.50 5.70 5.70
## [21449] 5.50 5.50 5.60 5.70 5.90 6.10 5.60 6.60 5.50 6.60 5.80 5.70 5.50 5.50
## [21463] 5.60 5.50 5.60 5.60 6.00 5.90 5.60 5.50 6.20 5.50 5.90 5.60 5.80 6.50
## [21477] 5.60 7.80 5.50 6.30 5.60 5.50 5.70 6.20 5.70 5.50 6.10 5.60 5.60 5.70
## [21491] 5.60 5.60 5.50 7.40 5.70 5.60 6.10 6.00 6.80 5.80 5.50 6.50 6.30 6.10
## [21505] 5.60 5.70 6.10 5.60 5.90 6.10 5.50 5.60 6.50 5.60 5.90 6.00 5.90 5.90
## [21519] 5.70 5.60 5.60 5.50 5.90 5.50 5.70 6.10 5.60 5.80 5.80 5.50 7.30 6.20
## [21533] 5.50 6.30 5.70 5.60 5.60 7.10 6.00 5.50 6.30 5.80 6.00 6.10 5.60 6.10
## [21547] 5.90 5.70 6.70 5.50 5.70 5.50 5.90 5.50 5.70 5.50 5.60 7.50 5.70 5.70
## [21561] 5.80 5.60 5.70 5.70 5.50 6.10 5.50 5.50 5.50 6.10 5.70 6.10 6.80 6.10
## [21575] 6.10 5.80 5.50 5.50 5.90 5.80 6.00 6.30 6.40 5.80 6.90 5.50 6.00 5.50
## [21589] 6.00 8.00 5.90 5.60 7.10 5.50 5.50 5.60 5.50 5.50 7.00 5.60 5.50 5.60
## [21603] 5.50 5.60 5.50 6.10 5.90 5.90 6.00 5.80 6.00 5.90 5.60 5.80 5.60 6.00
## [21617] 5.80 5.80 6.70 5.80 5.50 5.50 6.80 5.80 7.10 5.70 5.70 5.50 5.50 6.90
## [21631] 6.60 5.50 5.60 5.60 6.00 5.70 5.70 5.50 5.60 6.60 5.70 6.10 5.80 5.50
## [21645] 5.70 5.50 5.90 5.50 5.70 5.60 5.60 6.10 5.90 5.90 5.60 5.50 5.80 5.70
## [21659] 5.90 6.90 5.80 6.40 6.50 5.60 5.80 5.50 5.50 5.50 5.80 5.50 5.70 6.50
## [21673] 5.50 5.50 5.50 5.80 5.50 5.90 5.50 5.90 6.10 6.20 5.50 5.50 5.90 5.50
## [21687] 5.60 5.50 5.60 6.00 5.50 5.90 6.30 5.50 5.80 7.00 5.50 6.40 5.80 5.50
## [21701] 5.70 5.80 6.00 6.60 5.70 7.70 6.60 5.60 5.50 5.60 5.90 5.50 5.50 7.20
## [21715] 5.80 6.10 6.60 5.70 5.90 5.80 6.10 6.10 5.60 6.00 5.50 6.50 5.50 6.10
## [21729] 5.60 5.90 5.70 5.50 5.50 6.00 5.70 6.10 5.50 6.40 5.50 5.80 5.50 5.50
## [21743] 6.80 5.60 5.50 5.70 5.60 5.70 5.60 6.00 5.50 6.10 5.50 6.40 6.00 5.90
## [21757] 5.70 5.70 6.10 5.50 5.80 7.40 6.30 5.60 5.70 8.30 5.50 5.90 6.70 5.50
## [21771] 5.70 5.90 5.70 5.60 5.50 5.60 5.50 6.20 5.50 5.50 6.10 5.90 5.80 5.60
## [21785] 5.50 5.60 5.60 6.70 6.00 6.20 6.50 5.50 5.80 5.70 6.00 5.60 5.60 5.50
## [21799] 5.70 5.70 6.60 5.50 5.70 5.70 6.10 5.50 5.50 5.50 5.60 5.80 5.70 6.10
## [21813] 6.00 7.30 5.60 6.60 5.70 5.70 5.50 5.60 5.50 5.60 5.60 5.80 7.30 5.90
## [21827] 5.70 6.00 5.50 5.50 5.70 5.50 5.90 6.50 5.90 6.30 5.90 6.10 6.30 5.50
## [21841] 6.00 5.80 5.50 5.80 5.60 5.80 5.70 5.70 5.70 6.00 6.10 5.50 6.20 5.70
## [21855] 6.70 6.50 5.50 5.90 5.90 6.10 5.70 6.20 5.80 5.80 5.80 6.20 5.70 5.80
## [21869] 7.00 5.50 5.60 6.00 5.50 6.50 5.70 5.70 5.90 6.10 5.50 6.50 6.00 6.50
## [21883] 5.80 5.70 6.00 6.00 5.60 5.90 5.50 5.90 6.40 5.60 6.10 5.90 6.10 5.50
## [21897] 5.70 6.10 5.80 5.50 7.70 5.80 5.60 5.50 6.10 5.50 7.10 5.50 6.80 5.50
## [21911] 6.50 5.50 6.70 5.70 6.40 6.00 6.20 5.70 6.20 6.00 6.60 5.50 5.50 5.60
## [21925] 7.10 5.60 5.70 6.80 6.60 5.60 5.50 5.50 6.00 5.50 6.70 7.10 5.70 5.50
## [21939] 5.50 5.90 5.80 6.20 6.30 6.60 6.00 6.20 5.70 5.80 5.60 5.90 5.50 5.70
## [21953] 5.50 5.50 5.50 5.60 5.60 6.40 5.80 6.10 5.50 6.90 5.50 5.70 5.50 5.50
## [21967] 7.70 5.80 5.70 5.50 5.60 6.00 5.90 6.00 5.70 5.50 5.60 5.50 5.80 6.50
## [21981] 6.00 5.60 7.00 6.00 5.50 5.50 5.80 6.40 5.50 6.00 5.60 5.50 5.60 5.70
## [21995] 6.00 5.60 5.50 5.50 5.80 5.50 5.70 6.20 5.70 5.50 5.50 5.50 5.60 5.60
## [22009] 5.80 5.60 5.90 5.80 5.90 5.60 5.50 5.70 5.70 6.50 5.70 5.50 5.50 5.70
## [22023] 5.70 5.80 5.60 5.50 6.40 5.50 6.10 6.10 5.50 5.60 5.50 5.80 5.70 6.10
## [22037] 6.10 5.60 5.60 5.60 5.60 6.10 5.70 6.50 6.00 5.60 5.80 5.90 5.50 5.50
## [22051] 6.50 5.70 6.00 5.50 6.90 5.70 5.60 5.60 5.60 5.50 5.60 6.50 5.80 5.90
## [22065] 5.50 5.60 5.60 5.50 5.50 6.10 6.20 5.80 6.50 6.00 5.70 6.30 5.60 5.60
## [22079] 5.70 5.60 5.80 6.80 5.90 6.40 6.10 5.60 6.30 5.50 5.50 5.50 6.10 6.30
## [22093] 6.70 6.40 5.80 5.80 5.80 5.80 5.80 5.50 5.60 5.80 6.40 5.50 6.20 5.60
## [22107] 5.90 6.30 5.70 5.60 5.70 6.30 5.50 6.00 5.70 5.60 5.50 5.90 5.60 5.60
## [22121] 8.20 6.90 5.80 5.70 5.60 5.60 5.50 6.00 5.50 6.50 7.70 5.50 5.50 6.40
## [22135] 5.70 6.30 6.00 5.60 5.60 5.70 5.60 5.60 5.80 6.10 6.20 7.10 6.50 5.70
## [22149] 5.70 6.60 6.10 5.80 7.60 5.80 5.60 5.70 5.50 7.40 5.70 5.60 6.60 5.80
## [22163] 5.60 6.80 5.60 5.80 5.60 6.20 6.10 7.20 5.60 5.80 6.60 7.50 5.80 5.60
## [22177] 5.80 5.50 6.20 5.90 5.80 5.60 5.60 6.50 5.90 5.70 6.10 5.70 6.60 5.90
## [22191] 5.60 5.70 5.60 5.50 5.60 6.60 6.30 6.00 6.10 6.30 6.00 6.40 5.90 6.00
## [22205] 5.60 5.90 5.80 5.60 6.50 6.50 5.60 6.10 6.30 6.30 5.50 5.90 5.50 5.60
## [22219] 5.70 5.50 5.70 6.00 5.60 5.60 5.50 5.80 5.50 5.70 5.60 5.80 6.00 5.50
## [22233] 5.80 5.70 5.50 5.70 6.90 5.90 5.80 5.90 5.50 5.70 5.60 6.20 5.70 5.60
## [22247] 5.70 5.90 5.50 5.50 5.50 5.50 5.80 5.60 6.50 5.50 5.50 5.60 5.70 5.70
## [22261] 5.70 6.20 5.80 5.60 5.80 6.90 6.50 6.70 7.90 5.70 5.60 6.00 6.00 5.60
## [22275] 5.90 6.00 5.80 6.30 5.70 6.20 6.90 5.80 6.00 6.40 6.70 5.90 5.60 6.20
## [22289] 5.60 6.00 5.70 5.80 5.70 6.30 5.50 6.50 5.70 6.00 5.80 6.90 5.50 6.20
## [22303] 5.80 6.50 5.60 5.60 5.80 5.50 5.50 6.30 5.80 5.70 5.60 6.00 6.20 6.00
## [22317] 6.20 6.90 5.60 6.10 5.80 6.00 5.60 5.60 6.30 6.00 5.50 5.90 5.80 5.50
## [22331] 5.50 5.60 6.90 5.70 5.70 6.20 6.20 6.10 5.60 5.50 5.50 5.50 5.60 5.60
## [22345] 6.20 5.60 6.00 5.60 5.50 5.50 5.90 5.50 5.60 6.40 6.02 5.50 6.80 5.50
## [22359] 5.60 5.90 5.80 5.80 5.50 5.50 5.80 5.50 5.70 5.90 6.00 5.80 6.10 5.90
## [22373] 6.20 5.50 6.20 5.90 5.60 5.50 5.50 5.50 6.70 5.50 5.50 5.50 5.70 5.50
## [22387] 6.20 6.10 6.20 5.50 5.70 5.60 5.50 5.50 6.00 5.70 5.50 5.50 5.60 5.50
## [22401] 5.70 5.50 6.10 6.10 5.60 7.00 6.60 5.70 5.70 5.60 6.10 5.50 5.60 5.80
## [22415] 7.30 5.70 5.50 5.70 5.50 5.80 5.70 5.60 5.60 5.80 5.70 5.50 6.00 5.70
## [22429] 5.80 6.00 7.10 6.00 5.50 6.30 5.50 6.60 5.90 5.60 5.70 5.50 6.00 5.50
## [22443] 7.10 5.90 5.90 5.50 6.70 5.80 5.50 6.10 5.60 5.80 5.60 5.60 5.80 6.50
## [22457] 5.90 6.20 5.60 5.60 5.60 6.80 5.60 5.60 5.80 5.70 6.60 5.50 5.60 5.60
## [22471] 6.00 6.00 6.60 5.60 5.90 6.10 6.60 5.60 5.70 6.10 5.50 5.80 5.90 5.50
## [22485] 5.60 5.90 6.30 5.80 5.50 5.90 5.90 5.50 6.10 5.60 6.00 5.80 5.50 5.50
## [22499] 5.60 5.60 6.50 5.70 5.60 5.50 5.90 5.50 5.60 5.60 5.50 5.50 5.70 5.50
## [22513] 5.50 5.70 6.80 5.60 5.70 6.20 5.73 5.60 6.00 5.50 5.50 5.70 5.60 5.90
## [22527] 6.30 5.50 5.50 5.70 5.60 5.50 6.70 5.80 5.50 7.10 6.20 6.20 6.70 5.50
## [22541] 5.50 5.50 5.50 6.10 5.50 6.40 6.20 6.00 5.50 6.20 5.80 5.70 5.90 7.00
## [22555] 5.70 5.60 5.50 5.50 6.10 6.00 5.60 5.60 5.80 6.20 5.50 5.80 6.10 5.90
## [22569] 5.50 6.20 6.20 5.60 5.50 6.40 5.50 5.50 5.60 5.50 5.90 5.60 7.50 5.70
## [22583] 6.00 6.40 6.50 5.90 5.80 5.60 5.70 6.00 5.50 5.90 5.50 5.90 5.50 6.30
## [22597] 5.70 5.50 5.60 6.00 6.50 6.40 5.70 6.00 6.10 6.20 6.10 6.20 7.80 6.10
## [22611] 5.60 6.60 5.50 5.70 6.70 5.60 6.10 5.50 5.80 6.70 6.80 6.00 5.70 6.00
## [22625] 5.50 5.90 5.60 5.70 7.50 5.80 5.60 5.80 5.50 7.10 5.70 5.90 5.60 6.00
## [22639] 7.30 5.50 6.30 6.80 6.00 5.50 5.60 5.70 5.70 5.80 6.70 6.00 6.80 5.70
## [22653] 6.90 6.80 5.90 6.30 6.20 5.80 5.60 5.80 5.70 6.70 5.90 7.80 6.00 6.20
## [22667] 5.80 5.90 6.00 5.60 6.10 5.60 5.80 6.00 5.70 5.70 6.00 5.50 5.80 5.70
## [22681] 5.90 7.00 6.40 5.50 5.70 5.90 6.00 5.50 6.50 5.50 5.60 5.70 6.00 5.50
## [22695] 5.80 5.50 6.00 5.70 6.00 6.40 5.50 6.10 5.60 5.80 6.30 5.60 5.60 5.90
## [22709] 5.70 5.80 5.60 5.50 6.70 5.50 5.50 5.70 6.50 5.80 7.00 5.70 5.50 5.50
## [22723] 5.90 5.80 6.90 5.90 5.70 5.90 5.50 5.60 5.70 7.00 5.90 6.30 5.50 5.60
## [22737] 5.70 5.70 5.70 6.00 5.80 5.50 5.60 5.60 5.70 5.80 6.60 5.90 5.60 5.90
## [22751] 5.50 5.70 5.50 5.60 6.50 6.00 5.60 5.60 5.60 5.70 5.50 6.40 5.70 5.70
## [22765] 5.70 5.80 5.50 5.70 6.00 5.80 5.60 6.00 5.70 5.50 5.50 5.80 6.00 6.30
## [22779] 5.90 5.80 5.70 5.50 5.90 6.00 5.50 5.90 5.50 5.60 6.70 6.30 6.10 8.30
## [22793] 6.40 6.10 5.60 5.70 6.10 7.00 5.70 5.50 5.90 5.80 6.40 5.50 6.50 5.70
## [22807] 6.70 5.50 5.50 5.50 5.90 5.90 5.70 5.50 5.60 6.20 6.00 6.10 5.70 6.20
## [22821] 5.60 6.10 6.60 5.50 5.60 6.00 5.70 6.60 5.80 6.30 5.50 5.50 5.90 5.50
## [22835] 5.90 5.70 5.80 5.90 5.50 5.90 5.70 5.50 5.50 6.10 5.60 5.60 6.00 5.60
## [22849] 5.80 5.60 6.00 5.80 5.70 5.60 7.10 5.60 6.20 6.00 5.80 5.50 5.80 5.90
## [22863] 7.50 5.80 5.80 5.50 5.80 5.70 6.50 5.60 5.50 6.20 6.80 5.70 5.50 5.70
## [22877] 5.70 5.50 5.60 5.70 6.60 5.60 5.50 6.50 5.60 6.90 6.90 5.60 5.50 5.80
## [22891] 5.60 6.70 5.70 5.80 5.90 6.50 5.60 6.80 5.80 6.10 5.80 5.70 5.60 6.00
## [22905] 5.50 7.60 7.60 5.70 6.70 5.60 6.20 5.60 5.60 5.80 5.50 5.50 5.80 7.10
## [22919] 5.60 7.20 5.50 5.50 5.70 5.60 6.90 6.10 5.50 5.70 5.50 6.60 6.00 5.70
## [22933] 5.80 6.10 5.70 5.80 6.20 5.80 5.80 6.30 5.60 5.80 5.80 6.30 5.80 5.80
## [22947] 6.70 5.80 6.00 5.70 5.70 5.60 6.50 6.20 5.90 5.70 5.90 6.10 6.70 5.60
## [22961] 5.50 5.60 5.60 5.80 5.60 5.90 5.50 6.60 5.60 7.10 5.70 6.30 5.50 6.10
## [22975] 5.50 5.70 7.20 5.50 5.70 6.10 6.20 5.70 6.40 5.70 5.80 6.40 6.30 6.30
## [22989] 5.80 5.70 6.00 5.90 5.70 6.10 6.00 5.60 5.80 5.50 5.60 6.00 5.80 5.70
## [23003] 6.10 5.50 5.60 7.80 5.60 5.60 5.90 5.60 5.50 5.90 5.60 6.30 5.50 5.60
## [23017] 5.60 5.50 5.60 5.50 5.60 5.50 6.00 5.70 5.60 6.00 6.40 5.60 5.60 5.80
## [23031] 5.50 5.50 5.50 5.50 5.90 6.20 5.90 6.90 5.90 5.80 6.70 5.90 6.10 5.50
## [23045] 6.70 5.70 5.50 6.60 5.60 5.60 5.80 5.50 6.90 6.00 5.80 5.90 6.20 6.00
## [23059] 6.40 5.60 5.60 6.10 7.00 5.70 5.50 5.50 7.80 5.50 5.80 5.70 5.60 5.50
## [23073] 5.90 6.20 5.60 6.20 6.00 5.60 5.90 6.00 5.90 5.70 5.50 5.70 6.00 5.60
## [23087] 6.00 5.50 7.00 6.60 5.80 5.70 5.60 5.70 5.50 5.70 5.50 5.60 5.60 5.80
## [23101] 5.50 5.80 5.70 5.50 5.60 5.80 5.80 5.50 6.70 6.90 6.00 5.50 5.90 5.50
## [23115] 6.40 6.90 7.20 5.70 6.40 5.90 5.70 5.50 6.60 5.80 5.80 6.30 5.60 6.10
## [23129] 5.50 5.50 6.30 5.50 6.30 5.90 6.10 6.10 6.20 5.50 5.80 5.70 5.60 6.20
## [23143] 5.60 5.70 5.70 5.70 5.70 6.30 5.60 6.00 6.10 6.30 5.50 5.80 5.50 5.50
## [23157] 6.40 5.70 5.70 5.50 5.80 6.00 5.90 5.80 5.50 5.60 5.80 6.00 5.60 5.90
## [23171] 6.30 5.60 5.90 6.30 5.90 5.80 5.60 5.50 5.80 6.10 5.80 5.50 5.50 5.60
## [23185] 5.90 5.70 5.80 5.50 6.10 6.40 5.90 5.80 5.90 7.70 5.60 5.60 5.90 5.60
## [23199] 5.60 5.60 6.20 6.30 5.50 7.20 6.10 5.50 5.70 5.60 5.50 5.60 5.70 6.00
## [23213] 5.50 7.40 5.70 5.80 5.50 5.50 6.00 5.80 6.10 5.60 6.00 5.80 6.20 5.60
## [23227] 6.80 5.60 5.90 5.50 7.10 6.80 5.80 7.00 5.50 5.50 5.70 6.10 5.50 5.50
## [23241] 5.50 5.50 5.50 5.50 5.64 5.80 5.50 5.80 5.90 6.10 5.60 6.10 5.60 6.10
## [23255] 5.90 5.80 6.00 6.00 5.70 5.50 6.00 5.50 5.80 5.80 6.10 5.50 5.60 6.20
## [23269] 6.30 5.60 5.60 5.90 5.70 6.40 6.90 5.60 5.70 5.50 5.50 5.60 5.70 5.50
## [23283] 5.80 5.60 5.60 5.80 5.80 5.60 5.60 5.50 6.30 5.50 6.80 5.90 5.90 5.60
## [23297] 6.60 5.60 5.60 6.20 5.90 5.60 5.50 5.80 6.10 5.50 6.10 5.60 5.80 5.90
## [23311] 6.00 5.90 5.80 6.60 5.60 6.00 6.30 5.80 5.70 6.00 5.90 5.70 5.60 6.10
## [23325] 5.90 5.60 7.80 5.70 5.50 6.50 5.80 5.70 6.10 6.20 5.70 5.70 6.50 5.60
## [23339] 5.70 5.50 5.50 5.80 5.70 5.50 5.60 6.40 5.50 6.90 5.90 5.50 5.80 5.90
## [23353] 6.90 5.50 5.60 6.60 5.50 5.50 5.70 5.50 6.20 5.90 5.50 5.70 6.30 5.90
## [23367] 6.50 6.00 6.60 7.80 5.70 5.50 6.50 6.90 5.50 5.50 5.80 5.50 5.60 5.80
## [23381] 6.00 5.80 5.50 6.00 5.50 5.50 7.90 5.60 6.30 5.90 5.50 5.90 6.20 5.50
## [23395] 6.40 6.40 5.60 6.00 5.50 6.70 5.90 6.00 5.80 7.60 5.60 5.60 5.60 5.60
## [23409] 5.50 5.90 6.30 5.50La serie será entonces remodelada
df2 <- df[seq(from = 1, to = 9201, by = 1), 1:5]df2$Date <- as.Date(df2$Date, format = "%Y-%m-%d")
tt <- ts(df$Magnitude, start = format(df$Date[1], "%Y"), freq = 180)
md3 <- tslm(tt ~ season + trend + I(trend^2) + s_break, data = df2)
summary(md3)##
## Call:
## tslm(formula = tt ~ season + trend + I(trend^2) + s_break, data = df2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.6165 -0.2928 -0.1301 0.1636 3.0828
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.959e+00 5.999e-02 99.342 < 2e-16 ***
## season2 -4.807e-02 8.304e-02 -0.579 0.5627
## season3 3.851e-03 8.304e-02 0.046 0.9630
## season4 2.886e-02 8.304e-02 0.348 0.7282
## season5 -2.844e-02 8.304e-02 -0.342 0.7320
## season6 -5.574e-02 8.304e-02 -0.671 0.5021
## season7 8.272e-02 8.304e-02 0.996 0.3192
## season8 -5.744e-03 8.304e-02 -0.069 0.9449
## season9 -3.459e-02 8.304e-02 -0.417 0.6770
## season10 1.541e-02 8.304e-02 0.186 0.8528
## season11 1.154e-01 8.304e-02 1.390 0.1646
## season12 -7.304e-02 8.304e-02 -0.879 0.3792
## season13 -3.457e-02 8.304e-02 -0.416 0.6772
## season14 -3.649e-02 8.304e-02 -0.439 0.6604
## season15 2.313e-02 8.304e-02 0.279 0.7806
## season16 4.429e-02 8.304e-02 0.533 0.5938
## season17 -1.038e-01 8.304e-02 -1.250 0.2114
## season18 -3.839e-02 8.304e-02 -0.462 0.6438
## season19 5.199e-02 8.304e-02 0.626 0.5313
## season20 5.390e-02 8.304e-02 0.649 0.5163
## season21 1.962e-01 8.304e-02 2.363 0.0182 *
## season22 1.615e-02 8.345e-02 0.194 0.8466
## season23 3.066e-02 8.345e-02 0.367 0.7134
## season24 5.342e-02 8.345e-02 0.640 0.5221
## season25 -3.679e-02 8.345e-02 -0.441 0.6593
## season26 -7.012e-02 8.345e-02 -0.840 0.4008
## season27 -1.325e-02 8.345e-02 -0.159 0.8738
## season28 2.989e-02 8.345e-02 0.358 0.7202
## season29 -1.480e-03 8.345e-02 -0.018 0.9859
## season30 1.618e-02 8.345e-02 0.194 0.8462
## season31 -2.499e-02 8.345e-02 -0.299 0.7646
## season32 6.384e-03 8.345e-02 0.076 0.9390
## season33 -2.890e-02 8.345e-02 -0.346 0.7291
## season34 -5.634e-02 8.345e-02 -0.675 0.4996
## season35 -3.084e-02 8.345e-02 -0.370 0.7117
## season36 -8.485e-03 8.345e-02 -0.102 0.9190
## season37 1.035e-02 8.345e-02 0.124 0.9013
## season38 -3.279e-02 8.345e-02 -0.393 0.6944
## season39 6.132e-02 8.345e-02 0.735 0.4624
## season40 1.427e-02 8.345e-02 0.171 0.8642
## season41 -4.847e-02 8.345e-02 -0.581 0.5614
## season42 3.780e-02 8.345e-02 0.453 0.6505
## season43 5.348e-02 8.345e-02 0.641 0.5216
## season44 -5.340e-03 8.345e-02 -0.064 0.9490
## season45 -2.885e-02 8.345e-02 -0.346 0.7295
## season46 8.095e-02 8.345e-02 0.970 0.3320
## season47 1.552e-03 8.345e-02 0.019 0.9852
## season48 5.744e-02 8.345e-02 0.688 0.4913
## season49 2.999e-02 8.345e-02 0.359 0.7193
## season50 -7.981e-02 8.345e-02 -0.956 0.3389
## season51 1.823e-02 8.345e-02 0.219 0.8270
## season52 -1.163e-01 8.345e-02 -1.393 0.1636
## season53 -5.287e-03 8.345e-02 -0.063 0.9495
## season54 9.471e-02 8.345e-02 1.135 0.2564
## season55 -5.822e-02 8.345e-02 -0.698 0.4854
## season56 -3.861e-02 8.345e-02 -0.463 0.6436
## season57 1.261e-01 8.345e-02 1.511 0.1308
## season58 -7.222e-03 8.345e-02 -0.087 0.9310
## season59 -9.963e-03 8.345e-02 -0.119 0.9050
## season60 3.593e-02 8.345e-02 0.431 0.6668
## season61 -3.282e-03 8.345e-02 -0.039 0.9686
## season62 -9.163e-03 8.345e-02 -0.110 0.9126
## season63 -3.465e-02 8.345e-02 -0.415 0.6780
## season64 -2.484e-02 8.345e-02 -0.298 0.7660
## season65 -2.482e-02 8.345e-02 -0.297 0.7661
## season66 -5.816e-02 8.345e-02 -0.697 0.4859
## season67 -1.894e-02 8.345e-02 -0.227 0.8205
## season68 -4.444e-02 8.345e-02 -0.533 0.5944
## season69 2.615e-02 8.345e-02 0.313 0.7540
## season70 -6.601e-02 8.345e-02 -0.791 0.4289
## season71 -7.581e-02 8.345e-02 -0.908 0.3637
## season72 -2.874e-02 8.345e-02 -0.344 0.7306
## season73 -1.272e-03 8.345e-02 -0.015 0.9878
## season74 3.600e-02 8.345e-02 0.431 0.6662
## season75 -6.400e-02 8.345e-02 -0.767 0.4431
## season76 -5.223e-02 8.345e-02 -0.626 0.5314
## season77 8.699e-02 8.345e-02 1.042 0.2972
## season78 -6.203e-02 8.345e-02 -0.743 0.4573
## season79 3.405e-02 8.345e-02 0.408 0.6833
## season80 5.954e-02 8.345e-02 0.713 0.4756
## season81 -1.130e-01 8.345e-02 -1.354 0.1757
## season82 1.641e-02 8.345e-02 0.197 0.8441
## season83 -3.320e-02 8.345e-02 -0.398 0.6908
## season84 8.897e-02 8.345e-02 1.066 0.2864
## season85 -2.084e-02 8.345e-02 -0.250 0.8028
## season86 2.446e-02 8.345e-02 0.293 0.7695
## season87 -2.671e-02 8.345e-02 -0.320 0.7489
## season88 -4.240e-02 8.345e-02 -0.508 0.6114
## season89 3.605e-02 8.345e-02 0.432 0.6657
## season90 4.587e-02 8.345e-02 0.550 0.5826
## season91 4.000e-02 8.345e-02 0.479 0.6317
## season92 8.511e-02 8.345e-02 1.020 0.3078
## season93 -3.120e-03 8.345e-02 -0.037 0.9702
## season94 1.258e-02 8.345e-02 0.151 0.8802
## season95 -1.266e-01 8.345e-02 -1.518 0.1292
## season96 8.709e-02 8.345e-02 1.044 0.2967
## season97 -1.290e-02 8.345e-02 -0.155 0.8771
## season98 -7.759e-02 8.345e-02 -0.930 0.3525
## season99 2.829e-02 8.345e-02 0.339 0.7346
## season100 8.711e-02 8.345e-02 1.044 0.2966
## season101 2.436e-02 8.345e-02 0.292 0.7703
## season102 -4.230e-02 8.345e-02 -0.507 0.6123
## season103 -7.562e-02 8.345e-02 -0.906 0.3648
## season104 -8.948e-03 8.345e-02 -0.107 0.9146
## season105 -1.148e-01 8.345e-02 -1.376 0.1689
## season106 -2.854e-02 8.345e-02 -0.342 0.7323
## season107 2.635e-02 8.345e-02 0.316 0.7522
## season108 5.576e-02 8.345e-02 0.668 0.5040
## season109 4.008e-02 8.345e-02 0.480 0.6310
## season110 9.695e-02 8.345e-02 1.162 0.2454
## season111 -8.344e-02 8.345e-02 -1.000 0.3174
## season112 -2.854e-02 8.345e-02 -0.342 0.7324
## season113 4.817e-03 8.345e-02 0.058 0.9540
## season114 7.345e-02 8.345e-02 0.880 0.3788
## season115 -1.674e-02 8.345e-02 -0.201 0.8410
## season116 -3.243e-02 8.345e-02 -0.389 0.6976
## season117 9.502e-02 8.345e-02 1.139 0.2549
## season118 -5.988e-02 8.345e-02 -0.718 0.4730
## season119 1.463e-02 8.345e-02 0.175 0.8608
## season120 -5.398e-02 8.345e-02 -0.647 0.5177
## season121 5.582e-02 8.345e-02 0.669 0.5036
## season122 7.543e-02 8.345e-02 0.904 0.3661
## season123 1.068e-01 8.345e-02 1.280 0.2006
## season124 8.916e-02 8.345e-02 1.068 0.2853
## season125 8.776e-03 8.345e-02 0.105 0.9163
## season126 -2.063e-02 8.345e-02 -0.247 0.8047
## season127 -7.749e-02 8.345e-02 -0.929 0.3531
## season128 1.074e-02 8.345e-02 0.129 0.8975
## season129 -1.669e-02 8.345e-02 -0.200 0.8415
## season130 1.861e-02 8.345e-02 0.223 0.8236
## season131 -9.119e-02 8.345e-02 -1.093 0.2745
## season132 2.059e-02 8.345e-02 0.247 0.8051
## season133 -6.863e-03 8.345e-02 -0.082 0.9345
## season134 2.842e-02 8.345e-02 0.341 0.7334
## season135 -1.324e-01 8.345e-02 -1.586 0.1128
## season136 -4.803e-02 8.345e-02 -0.576 0.5649
## season137 -1.245e-01 8.345e-02 -1.492 0.1357
## season138 -3.431e-02 8.345e-02 -0.411 0.6809
## season139 4.608e-02 8.345e-02 0.552 0.5808
## season140 1.472e-02 8.345e-02 0.176 0.8600
## season141 -8.528e-02 8.345e-02 -1.022 0.3068
## season142 -1.088e-01 8.345e-02 -1.304 0.1923
## season143 9.709e-02 8.345e-02 1.163 0.2447
## season144 3.043e-02 8.345e-02 0.365 0.7153
## season145 -1.191e-02 8.345e-02 -0.143 0.8865
## season146 -1.072e-02 8.345e-02 -0.129 0.8977
## season147 -2.641e-02 8.345e-02 -0.316 0.7517
## season148 5.987e-02 8.345e-02 0.717 0.4731
## season149 -3.228e-02 8.345e-02 -0.387 0.6989
## season150 -1.264e-01 8.345e-02 -1.515 0.1299
## season151 1.478e-02 8.345e-02 0.177 0.8594
## season152 6.942e-03 8.345e-02 0.083 0.9337
## season153 -4.599e-02 8.345e-02 -0.551 0.5815
## season154 7.753e-02 8.345e-02 0.929 0.3529
## season155 3.439e-02 8.345e-02 0.412 0.6803
## season156 -1.658e-02 8.345e-02 -0.199 0.8425
## season157 -1.107e-01 8.345e-02 -1.326 0.1847
## season158 -4.009e-02 8.345e-02 -0.480 0.6310
## season159 4.620e-02 8.345e-02 0.554 0.5799
## season160 -6.949e-02 8.345e-02 -0.833 0.4050
## season161 -1.205e-01 8.345e-02 -1.444 0.1489
## season162 2.464e-02 8.345e-02 0.295 0.7678
## season163 -5.771e-02 8.345e-02 -0.692 0.4892
## season164 7.562e-02 8.345e-02 0.906 0.3649
## season165 -3.613e-02 8.345e-02 -0.433 0.6651
## season166 -6.750e-02 8.345e-02 -0.809 0.4186
## season167 3.445e-02 8.345e-02 0.413 0.6797
## season168 4.426e-02 8.345e-02 0.530 0.5958
## season169 2.465e-02 8.345e-02 0.295 0.7677
## season170 -1.008e-01 8.345e-02 -1.208 0.2269
## season171 -3.026e-02 8.345e-02 -0.363 0.7169
## season172 2.071e-02 8.345e-02 0.248 0.8040
## season173 -1.240e-03 8.345e-02 -0.015 0.9881
## season174 3.249e-02 8.345e-02 0.389 0.6970
## season175 5.995e-02 8.345e-02 0.718 0.4725
## season176 4.231e-02 8.345e-02 0.507 0.6121
## season177 -6.160e-02 8.345e-02 -0.738 0.4605
## season178 -2.826e-02 8.345e-02 -0.339 0.7349
## season179 -4.591e-02 8.345e-02 -0.550 0.5822
## season180 5.082e-03 8.345e-02 0.061 0.9514
## trend -1.510e-05 2.597e-06 -5.814 6.32e-09 ***
## I(trend^2) 5.744e-10 1.075e-10 5.346 9.23e-08 ***
## s_break NA NA NA NA
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4234 on 9019 degrees of freedom
## Multiple R-squared: 0.02228, Adjusted R-squared: 0.002657
## F-statistic: 1.135 on 181 and 9019 DF, p-value: 0.1048Como se puede ver en el resumen del modelo anterior, la variable de ruptura estructural es estadísticamente significativa, con un nivel de 0,01. Así mismo, en el caso de valores atípicos o festivos.
La codificación en caliente se puede aplicar estableciendo una variable binaria que sea igual a 1 siempre que ocurra un evento atípico o recurrente no estacional, y 0 en caso contrario.
Pronóstico
El objetivo ahora es pronosticar las magnitude de terremotos en los próximos 365 días. Para ello configuraremos la serie a la frecuencia diaria utilizando la estructura data.frame.
Funciones a usar: - head() - ts_plot
Ahora, crearemos una serie de tiempo td con una frecuencia de 365 para graficar el periodo comprendido entre 1984-1990
df3 <- df[seq(from = 1, to = 9201, by = 365),1:2]
df3$Magnitude <- as.numeric(df3$Magnitude)
df3$Date <- as.Date(df3$Date, format = "%Y-%m-%d")
td <- ts(df$Magnitude, start = format(df$Date[1], "%Y"), freq = 365)ts_heatmap(td, last = 1968, wday = TRUE, color = "darkreds",
title = "Terremotos: Mapa de calor según la Magnitud de terremotos diario [1984-1990]")Como podemos observar en el mapa de calor de la serie, la Magnitud de los sismos aumenta principalmente alrededor del día 300 de cada año.
Preprocesamiento e ingeniería de características de la Serie
Con el paquete dplyr() para crearán estas características.
Revisemos la estructura de la tabla después de agregar esas nuevas características.
str(df3)## 'data.frame': 26 obs. of 2 variables:
## $ Date : Date, format: "1965-02-01" "1968-03-02" ...
## $ Magnitude: num 6 5.8 6.2 5.5 7.8 5.5 6.7 6.4 6.5 6.5 ...Como la entrada de la función tslm() debe estar en formato ts (al menos para la serie), convertimos la serie a un objeto ts.
start_date <- min(df3$Date)
start <- c(year(start_date), yday(start_date))Usaremos la función ts para configurar el objeto ts.
ts <- ts(df3$Magnitude,
start = start,
frequency = 365)Después de transformar la serie en un objeto ts, podemos retroceder y confirmar la suposición que hicimos sobre el nivel de correlación entre la serie y sus rezagos estacionales. Para ello utilizaremos la función ts_acf().
library(TSstudio)
data(data)## Warning in data(data): data set 'data' not foundacf(df3, lag.max = 365*4)
Revisemos la estructura de la tabla:
str(df3)## 'data.frame': 26 obs. of 2 variables:
## $ Date : Date, format: "1965-02-01" "1968-03-02" ...
## $ Magnitude: num 6 5.8 6.2 5.5 7.8 5.5 6.7 6.4 6.5 6.5 ...Como la entrada de la función tslm() debe estar en formato ts , convertiremos la serie en un objeto ts. Utilizaremos la primera marca de tiempo de la serie y las funciones year y yday del paquete lubridate para establecer el punto de partida del objeto:
start_date <- min(df3$Date)
start <- c(year(start_date), yday(start_date))utilizaremos la función ts del paquete stats para establecer el objeto ts:
ts <- ts(df$Magnitude,
start = start,
frequency = 180)Después de transformar la serie en un objeto ts se revisará la correlación de la serie con sus rezagos.
library(TSstudio)
data(td)## Warning in data(td): data set 'td' not foundacf(td, lag.max = 180*4)
Ahora, dividiremos la serie en una partición de entrenamiento y otra de prueba. Para ello usaremos la función ts_split():
h <- 10
partitions <- ts_split(ts, sample.out = h)
train_ts <- partitions$train
test_ts <- partitions$testDe manera similar, tenemos que dividir las características que creamos para el modelo de regresión en una partición de entrenamiento y otra de prueba siguiendo exactamente el mismo orden que utilizamos para el objeto ts correspondiente.
train_df <- df3[1:(nrow(df3) - h), ]
test_df <- df3[(nrow(df3) - h + 1):nrow(df3), ]ENTRENAMIENTO Y PRUEBA DEL MODELO DE PREVISIÓN
Ya creadas las propiedades del modelo, podemos empezar el proceso de del modelo de previsión.
Los siguientes 2 modelos:
Modelo de alusión: Regresión de la serie con el elemento estacional y de tendencia usando las propiedades incorporadas de la funcionalidad tslm().
Modelo multiestacional con desfase estacional: Usando, además de los indicadores estacionales, la variable de retardo estacional.
La comparación de dichos 2 modelos se basará en los próximos criterios de rendimiento del modelo en el grupo de entrenamiento y de prueba usando la puntuación MAPE, Visualización de los valores ajustados y pronosticados ante los valores reales de la seriem usando la función test_forecast.
Comenzando con el modelo de referencia, haciendo una regresión de la serie con sus componentes estacionales y de tendencia:
train_ts## Time Series:
## Start = c(1965, 32)
## End = c(2016, 42)
## Frequency = 180
## [1] 6.00 5.80 6.20 5.80 5.80 6.70 5.90 5.60 6.00 6.10 8.70 6.00 5.70 5.80
## [15] 5.90 5.90 5.70 5.70 5.70 5.60 7.30 6.50 5.60 6.40 5.80 5.80 5.80 5.70
## [29] 5.70 6.30 5.70 6.00 5.60 6.40 6.20 5.60 5.70 5.70 6.30 5.80 5.70 5.70
## [43] 5.80 5.90 5.60 6.00 5.80 5.90 5.70 5.50 5.60 5.70 5.60 5.80 5.60 6.70
## [57] 6.30 5.70 5.50 5.60 5.80 5.60 5.60 5.80 6.00 6.10 5.90 5.80 5.70 5.60
## [71] 6.10 5.70 5.70 6.20 6.10 6.00 6.20 5.70 6.50 6.30 5.90 5.70 5.60 5.60
## [85] 5.80 5.80 5.90 5.70 6.20 5.70 6.10 5.70 5.90 5.60 5.60 7.00 7.20 5.50
## [99] 5.60 5.70 5.60 5.70 5.70 5.50 5.90 6.10 7.80 5.90 5.80 6.30 5.60 6.30
## [113] 5.70 5.70 5.90 7.30 5.70 6.50 7.20 5.80 6.90 6.00 7.60 6.90 6.80 5.90
## [127] 5.80 5.50 5.90 7.00 5.70 6.20 6.20 6.10 6.30 6.80 6.20 6.00 5.90 5.90
## [141] 5.90 5.80 5.60 6.70 6.10 5.90 6.20 6.40 5.80 5.60 6.70 6.30 6.00 6.40
## [155] 6.20 5.90 5.80 5.90 6.00 5.70 5.70 5.80 6.40 6.20 6.40 5.90 6.50 6.50
## [169] 6.30 5.80 5.80 6.50 5.80 5.90 6.70 6.30 6.50 6.20 6.20 5.60 5.80 7.50
## [183] 5.70 5.80 6.30 5.60 5.70 6.20 5.80 5.70 6.10 5.70 6.30 6.40 6.10 5.60
## [197] 6.20 6.00 6.20 5.60 5.80 5.80 5.50 5.80 6.00 5.60 6.60 6.00 6.20 5.60
## [211] 6.80 5.70 5.60 6.40 5.80 6.80 5.80 6.10 6.00 5.70 6.00 6.20 6.90 5.70
## [225] 6.90 5.60 6.35 6.00 6.00 5.90 5.80 7.70 5.60 5.90 6.30 5.90 6.90 5.60
## [239] 6.10 6.10 6.00 5.80 6.00 6.40 6.10 5.60 5.60 6.00 6.30 6.80 5.70 5.90
## [253] 5.70 6.30 6.50 5.90 5.60 6.00 6.10 5.60 5.80 5.60 5.50 7.00 5.80 5.90
## [267] 5.90 5.60 6.00 5.70 5.70 6.10 6.10 5.60 5.70 7.00 6.00 5.70 5.70 6.60
## [281] 5.90 5.90 5.90 5.90 6.10 5.80 6.10 5.90 5.90 5.70 5.80 6.00 5.70 6.10
## [295] 6.10 6.70 5.60 6.20 5.90 5.80 5.70 5.60 6.10 5.80 5.60 5.60 5.70 5.80
## [309] 6.00 6.50 6.10 5.70 6.10 5.70 5.70 6.10 5.70 5.90 5.60 6.70 5.70 5.70
## [323] 7.00 6.50 5.70 5.90 6.10 6.70 6.30 6.20 6.80 5.60 5.70 5.90 7.20 5.60
## [337] 5.60 5.80 6.00 5.70 5.60 6.00 6.70 5.60 6.10 5.60 5.60 5.60 5.80 6.20
## [351] 5.90 6.40 6.30 5.60 5.80 5.60 6.60 5.90 6.10 5.80 6.40 5.70 6.00 5.60
## [365] 5.70 5.80 6.60 5.60 5.60 5.60 7.30 5.90 5.70 6.30 6.10 6.30 5.70 5.50
## [379] 5.80 6.40 7.50 6.80 5.90 6.60 5.90 5.70 5.70 5.70 5.60 6.40 5.70 5.80
## [393] 5.80 5.70 5.60 6.70 6.20 5.70 5.90 6.20 5.70 7.00 5.70 6.30 6.10 6.40
## [407] 5.70 6.00 6.30 5.80 6.00 5.90 6.00 6.00 5.70 7.60 5.90 7.30 6.70 6.40
## [421] 6.10 6.80 5.80 5.80 7.60 5.80 6.50 5.90 5.80 5.70 6.00 6.20 6.30 5.50
## [435] 5.60 5.70 6.30 6.10 5.90 6.10 5.80 6.00 6.20 7.30 6.50 6.10 5.60 6.10
## [449] 6.00 6.50 6.10 5.90 5.80 5.70 6.10 6.00 6.60 5.70 5.80 6.00 5.70 5.90
## [463] 5.60 5.60 6.00 5.50 5.90 5.80 7.00 6.90 5.60 5.90 5.70 6.00 5.70 5.80
## [477] 6.80 6.10 6.20 7.20 5.90 6.10 7.20 5.80 6.00 6.20 6.20 5.70 6.30 5.70
## [491] 6.00 5.70 5.90 5.60 6.10 6.30 5.80 5.50 5.70 5.70 5.80 6.20 6.00 5.80
## [505] 5.80 6.10 5.80 5.80 5.90 5.60 6.00 6.20 6.30 5.80 5.90 5.60 5.60 6.30
## [519] 6.90 6.10 5.60 5.90 6.10 6.60 6.20 6.20 7.50 5.70 5.80 5.60 6.20 6.20
## [533] 6.10 6.80 6.80 5.60 6.00 6.10 6.80 5.80 5.80 5.60 6.00 5.70 5.90 6.00
## [547] 5.70 5.90 5.70 6.10 6.20 6.00 5.70 6.30 5.60 6.70 5.50 6.60 5.80 6.00
## [561] 6.30 5.70 5.70 5.80 6.60 6.00 6.00 6.60 5.70 5.60 5.80 5.80 5.90 5.80
## [575] 5.70 5.60 6.20 5.60 7.10 5.90 6.30 6.00 6.80 5.80 7.20 5.70 5.70 6.00
## [589] 5.70 6.00 5.80 5.70 6.40 5.80 6.00 5.70 6.70 6.00 6.00 6.10 6.00 6.00
## [603] 5.80 6.20 5.60 6.10 5.70 5.90 6.60 6.20 5.80 5.70 6.00 5.70 5.90 6.00
## [617] 7.40 5.60 5.80 6.30 5.90 6.50 5.70 5.80 5.70 6.10 5.80 6.90 5.70 5.60
## [631] 5.90 5.80 5.90 5.60 6.10 6.20 6.10 6.20 5.80 5.70 5.80 5.70 6.40 6.30
## [645] 5.70 5.60 5.90 6.00 6.60 7.30 5.60 5.90 5.60 6.00 6.10 5.80 6.10 5.70
## [659] 6.10 5.80 5.80 5.70 5.90 5.60 5.80 6.10 6.00 6.40 6.30 6.90 5.70 6.00
## [673] 6.50 6.50 5.60 6.60 6.10 6.50 5.90 6.00 5.60 5.80 5.80 5.90 6.30 6.30
## [687] 6.50 6.20 5.90 5.70 5.60 5.80 5.60 6.10 6.70 5.50 5.60 6.30 5.60 6.20
## [701] 6.00 5.60 5.70 7.00 5.70 5.80 6.50 5.80 5.60 6.50 6.70 6.50 5.70 7.20
## [715] 5.70 5.60 5.70 5.70 5.60 6.00 7.10 5.70 5.80 5.60 5.80 6.20 7.70 6.60
## [729] 6.00 6.00 6.20 5.80 5.90 6.00 5.70 5.80 5.90 6.10 5.60 5.60 7.00 5.90
## [743] 5.90 5.90 5.80 7.00 5.90 5.60 7.00 6.60 5.80 5.80 5.80 5.50 5.80 5.90
## [757] 5.50 5.80 6.50 6.10 5.70 6.10 5.50 6.10 5.50 6.60 5.60 7.00 5.60 5.80
## [771] 6.10 5.80 7.00 5.50 6.00 6.40 6.00 6.00 6.60 5.60 5.50 5.70 5.80 5.60
## [785] 6.20 5.60 5.70 5.50 5.70 5.70 5.70 5.50 6.00 5.80 6.50 6.80 5.90 6.10
## [799] 5.60 5.60 5.50 5.80 6.20 7.80 5.90 5.90 6.40 5.50 5.90 7.10 5.60 5.50
## [813] 5.90 6.90 5.60 5.60 6.50 6.30 5.70 6.00 5.50 6.20 5.50 5.80 5.60 5.60
## [827] 5.90 7.30 5.70 5.70 6.10 5.70 5.60 6.80 6.50 5.70 6.20 6.00 6.00 6.00
## [841] 6.00 6.70 6.80 5.50 5.70 5.50 5.60 5.70 5.70 5.60 5.90 6.20 5.60 5.80
## [855] 6.60 6.30 5.50 6.00 6.20 5.80 5.50 5.60 6.10 5.80 6.00 5.60 6.50 6.80
## [869] 5.80 5.80 6.90 5.70 6.10 6.00 5.60 6.70 5.80 6.00 6.40 5.70 5.80 5.60
## [883] 5.60 5.80 5.80 6.10 6.00 6.00 6.00 5.90 5.70 5.90 5.60 5.70 6.60 5.90
## [897] 6.40 6.00 5.60 6.70 5.70 6.80 5.50 5.60 5.60 5.70 6.60 6.60 5.50 5.60
## [911] 6.10 5.60 5.60 6.90 6.30 5.60 6.60 5.60 6.30 5.70 5.60 6.00 5.80 5.80
## [925] 5.70 5.90 5.70 5.60 5.50 5.70 6.00 5.60 5.70 5.70 6.70 5.70 7.70 5.70
## [939] 5.50 5.80 5.60 6.20 5.60 5.70 5.60 5.70 6.00 5.90 5.60 5.90 5.60 5.60
## [953] 5.60 6.30 5.50 6.10 6.40 5.60 5.60 5.90 6.60 6.10 6.10 6.00 5.70 6.30
## [967] 5.70 6.10 5.60 5.60 5.90 5.90 6.00 6.20 6.20 6.20 5.80 6.00 6.50 5.50
## [981] 5.90 6.30 6.30 5.60 5.80 5.80 6.00 6.20 6.30 5.60 5.70 6.10 5.90 5.50
## [995] 5.50 6.30 5.70 5.70 5.50 5.50 6.10 5.50 5.80 7.00 5.50 5.50 6.40 5.80
## [1009] 6.00 6.10 5.80 5.60 5.60 5.90 5.80 6.10 5.90 5.60 6.20 5.80 8.00 5.70
## [1023] 6.00 6.10 5.60 5.90 7.40 5.60 6.00 5.70 5.90 5.90 5.80 6.00 5.60 5.80
## [1037] 5.60 6.10 5.50 5.90 6.20 6.10 5.80 5.80 5.70 6.00 5.50 5.60 5.50 6.20
## [1051] 6.10 5.80 5.90 5.70 5.70 6.10 5.60 5.70 7.40 5.70 5.80 6.10 5.60 5.50
## [1065] 5.50 5.50 5.50 6.10 5.60 5.60 6.00 5.50 5.60 5.50 5.70 5.50 6.10 5.90
## [1079] 6.20 5.60 5.80 6.60 6.70 5.60 6.40 5.50 5.60 5.80 5.60 6.10 5.90 5.60
## [1093] 5.50 5.90 5.90 5.50 5.50 5.60 5.90 6.30 5.80 6.10 5.64 5.80 5.50 5.70
## [1107] 5.50 6.30 6.00 6.70 5.60 6.00 6.50 6.00 5.80 5.50 6.00 5.60 5.60 5.70
## [1121] 5.70 5.50 5.70 5.50 6.10 5.70 5.60 5.50 6.10 6.10 6.10 5.90 6.30 5.50
## [1135] 5.70 6.00 5.90 6.10 5.60 5.80 5.50 5.50 5.60 5.50 5.60 5.50 5.90 6.00
## [1149] 5.50 5.80 6.80 5.60 5.60 5.50 5.60 6.50 6.70 5.60 7.00 6.40 6.30 5.70
## [1163] 5.90 5.50 5.80 5.50 5.50 5.50 6.40 6.30 6.10 5.70 5.60 5.60 6.00 5.50
## [1177] 5.90 5.90 5.90 5.90 5.50 5.60 5.50 5.70 5.50 6.80 6.30 5.50 5.50 6.40
## [1191] 5.70 5.50 5.50 6.30 5.60 5.50 5.80 6.10 7.20 5.70 6.20 5.50 7.10 5.70
## [1205] 5.60 5.80 5.60 5.60 5.80 5.50 5.60 5.90 5.60 5.70 6.50 5.80 5.80 5.50
## [1219] 5.50 5.60 6.10 5.50 5.80 6.30 5.50 6.50 6.60 5.60 5.50 5.90 5.50 5.70
## [1233] 5.50 5.70 6.00 5.50 5.50 5.50 5.50 5.50 5.50 5.60 5.60 5.70 6.00 5.80
## [1247] 6.50 5.50 5.90 6.10 6.80 6.00 6.40 5.90 5.50 5.80 5.50 6.00 5.50 5.70
## [1261] 5.50 6.00 5.90 5.70 6.10 5.50 5.90 5.60 7.20 6.60 6.70 5.60 6.00 5.60
## [1275] 6.10 6.30 6.00 5.70 5.60 5.70 5.60 6.00 5.60 5.50 7.30 5.60 5.80 6.10
## [1289] 5.70 5.70 5.90 5.60 5.60 5.60 5.60 5.50 5.70 6.50 5.50 5.70 5.50 5.50
## [1303] 5.80 5.50 5.70 5.70 7.60 5.90 6.00 7.50 6.40 6.20 6.20 6.00 5.60 6.10
## [1317] 6.00 6.70 5.60 6.00 5.50 7.20 6.10 6.10 5.80 5.60 5.50 5.80 5.50 5.80
## [1331] 6.50 6.90 6.00 5.80 5.50 5.70 5.90 5.70 5.70 5.60 5.50 5.70 5.50 5.80
## [1345] 6.00 6.00 5.90 7.60 5.50 5.60 7.00 5.70 6.40 5.60 5.50 5.70 6.60 5.60
## [1359] 5.60 5.90 6.10 5.60 5.60 5.50 5.50 5.60 6.10 5.50 5.50 5.50 6.20 6.20
## [1373] 5.80 6.30 5.50 5.50 6.30 5.50 5.60 5.90 5.50 5.80 6.10 5.60 5.90 5.50
## [1387] 5.80 7.70 5.50 5.70 5.80 5.80 5.50 5.60 5.90 5.80 5.80 5.50 5.60 7.00
## [1401] 5.50 5.60 5.80 5.70 5.70 5.60 5.60 5.90 6.50 6.50 5.80 6.20 5.80 5.90
## [1415] 5.50 5.70 5.60 5.70 5.80 6.20 5.90 5.70 5.60 6.30 5.60 5.50 6.20 5.60
## [1429] 5.60 5.70 5.60 5.50 5.90 5.60 6.70 5.50 5.50 6.40 5.60 7.00 6.00 5.80
## [1443] 5.80 6.70 6.00 5.50 5.50 5.80 6.40 5.50 5.80 5.50 7.00 5.60 5.60 6.70
## [1457] 5.60 5.50 5.60 6.00 7.80 6.10 5.70 5.70 6.10 5.50 5.80 5.70 5.50 6.10
## [1471] 5.70 5.70 5.80 5.50 5.50 5.60 5.60 5.50 5.70 5.80 5.80 5.80 5.70 6.20
## [1485] 5.60 6.00 6.20 5.50 5.70 5.50 5.70 5.84 5.50 6.00 6.00 5.60 5.60 5.70
## [1499] 5.70 5.50 5.80 6.10 5.70 5.60 5.60 5.50 5.70 5.70 5.60 5.50 5.80 5.70
## [1513] 6.00 7.50 5.50 5.80 5.60 6.00 5.70 5.60 5.50 5.50 5.60 5.90 5.50 5.81
## [1527] 5.60 5.60 5.70 6.00 6.40 5.50 5.80 6.10 5.60 5.90 5.80 5.50 5.80 5.60
## [1541] 5.50 5.50 5.50 6.40 5.50 5.50 7.00 6.20 6.70 5.50 6.00 5.70 5.50 5.50
## [1555] 5.50 5.50 6.60 5.80 6.80 5.60 6.50 5.90 5.50 5.80 5.60 5.90 5.80 6.10
## [1569] 6.60 6.40 5.80 5.60 6.20 5.70 5.50 6.20 5.80 5.50 6.40 6.40 5.60 5.90
## [1583] 5.60 5.50 5.50 5.90 5.80 5.50 5.70 5.60 5.80 6.70 5.70 7.00 5.50 6.90
## [1597] 5.80 5.60 5.50 5.60 5.60 5.50 5.80 6.40 5.70 5.60 5.60 5.70 5.50 5.50
## [1611] 5.50 5.90 5.50 5.50 5.50 5.60 5.50 5.60 5.50 5.50 5.50 5.50 5.50 6.30
## [1625] 5.70 5.60 5.70 5.50 6.00 5.80 6.50 5.70 5.50 5.50 6.50 6.20 5.50 6.80
## [1639] 5.90 5.50 6.00 5.70 5.50 5.50 5.50 5.60 5.60 5.50 5.50 5.50 5.90 5.90
## [1653] 5.50 5.50 5.70 5.50 5.50 5.90 5.90 5.70 6.10 6.30 6.30 5.50 5.70 6.60
## [1667] 5.50 5.50 5.70 5.60 5.50 5.60 5.50 6.00 6.20 5.70 6.30 5.50 5.50 6.10
## [1681] 6.40 5.50 5.70 5.80 5.60 5.60 6.00 5.90 5.50 5.60 5.80 6.20 5.80 7.60
## [1695] 6.00 5.60 5.90 5.50 5.50 5.50 5.60 5.50 5.50 5.60 5.70 5.60 5.70 5.80
## [1709] 5.70 5.70 5.50 5.60 5.80 5.50 5.50 5.50 5.80 5.90 5.50 5.80 5.80 5.60
## [1723] 5.50 5.50 6.10 5.50 5.70 5.60 5.60 5.50 6.10 5.70 5.70 5.80 5.70 6.30
## [1737] 5.90 5.50 5.70 5.60 5.60 6.00 6.50 6.40 5.60 6.40 5.50 6.60 5.50 5.90
## [1751] 5.50 5.70 5.50 5.50 5.60 5.50 5.60 5.50 5.60 5.90 5.60 5.60 6.00 5.60
## [1765] 5.60 5.50 5.80 5.70 5.60 5.50 5.60 5.70 5.60 6.30 5.50 5.60 5.80 5.70
## [1779] 5.80 5.70 5.50 5.50 5.50 5.60 5.60 7.20 5.60 5.50 6.70 5.60 5.60 5.50
## [1793] 5.70 5.50 5.70 5.80 5.90 6.20 5.90 5.60 5.60 5.90 5.70 6.10 5.60 5.60
## [1807] 5.60 5.50 5.60 5.50 6.00 5.60 5.50 5.80 5.50 5.70 5.90 5.50 5.60 5.70
## [1821] 5.70 7.20 5.50 6.00 6.20 5.50 6.60 6.10 5.70 5.80 5.50 6.20 6.20 6.30
## [1835] 6.20 5.70 5.50 6.00 6.90 5.50 5.50 5.90 5.70 5.80 5.70 5.50 5.70 5.50
## [1849] 5.60 5.50 6.20 6.00 5.60 5.50 6.10 5.90 5.80 5.70 6.70 5.90 5.60 5.60
## [1863] 6.60 5.50 5.50 5.80 5.70 5.50 5.70 5.50 5.90 5.60 5.50 5.70 5.90 6.00
## [1877] 5.50 6.00 5.50 5.90 5.60 6.20 6.10 5.70 5.70 7.70 6.40 5.50 5.50 5.70
## [1891] 5.80 5.60 5.80 5.80 5.50 5.60 5.50 5.70 6.30 6.10 6.10 5.80 5.70 5.90
## [1905] 5.70 5.60 5.60 5.50 5.50 5.90 6.00 5.50 5.90 5.60 6.20 5.50 6.10 5.50
## [1919] 5.70 5.50 6.00 5.50 6.00 5.60 5.90 5.60 5.70 5.60 5.90 5.60 5.60 5.70
## [1933] 5.80 5.50 5.90 6.80 5.60 5.60 6.10 6.90 6.00 5.60 5.70 7.10 6.10 5.50
## [1947] 5.70 5.80 5.60 5.70 5.50 6.00 5.80 5.50 5.50 5.90 5.80 6.70 5.70 5.60
## [1961] 5.70 5.50 5.90 6.90 5.60 5.70 5.50 5.60 5.50 5.80 5.60 5.90 6.20 5.80
## [1975] 6.20 5.60 5.50 5.50 5.50 5.50 6.10 5.60 5.90 5.50 6.00 6.10 5.50 6.10
## [1989] 5.50 5.60 5.70 5.60 5.50 5.50 6.80 6.00 6.40 5.80 5.60 5.90 5.60 5.60
## [2003] 5.90 5.60 5.50 6.10 5.70 5.60 5.50 6.00 6.00 5.80 5.50 5.80 6.50 6.00
## [2017] 5.60 5.70 5.80 5.60 5.60 5.50 5.50 6.10 5.80 5.50 5.50 5.80 6.10 6.40
## [2031] 5.80 5.60 5.90 5.80 5.60 5.80 5.80 5.50 5.60 5.50 5.50 5.80 5.50 7.90
## [2045] 5.60 5.50 5.60 5.60 5.60 5.50 5.50 5.90 5.60 7.40 5.50 5.80 5.70 6.10
## [2059] 6.10 5.70 5.50 5.90 5.70 6.10 5.70 5.70 5.50 6.10 5.80 5.60 5.50 5.50
## [2073] 6.00 5.70 5.60 6.00 5.50 5.60 5.50 6.10 7.70 5.50 5.70 6.70 6.00 5.70
## [2087] 5.70 5.80 5.80 5.60 5.70 5.50 5.90 6.00 6.40 5.60 6.20 5.80 6.50 5.80
## [2101] 5.50 5.90 5.60 6.30 5.70 5.50 5.50 5.90 5.70 5.60 6.00 6.70 5.50 5.50
## [2115] 6.10 5.90 5.70 5.60 5.70 5.60 5.50 5.50 6.20 5.80 6.20 5.80 5.80 6.40
## [2129] 5.70 5.70 5.50 6.10 5.70 5.70 5.50 5.70 6.30 5.90 6.00 5.60 5.80 5.80
## [2143] 5.60 5.80 5.50 5.50 5.60 5.70 5.50 5.50 5.90 7.50 5.60 6.40 6.30 5.90
## [2157] 5.90 6.70 5.60 6.30 5.50 6.40 5.50 5.80 5.52 5.50 5.50 5.50 6.00 5.60
## [2171] 5.70 5.50 5.50 5.50 6.30 5.60 5.50 6.00 7.30 5.90 6.20 5.80 5.90 5.60
## [2185] 6.10 5.90 5.60 5.60 7.20 5.70 6.70 5.90 5.50 5.60 5.60 5.50 5.70 5.90
## [2199] 5.60 6.10 5.60 5.60 5.50 5.70 6.10 5.50 5.70 5.60 5.60 5.50 5.70 5.70
## [2213] 5.60 5.50 5.70 5.60 5.60 5.70 5.90 5.70 5.70 5.60 5.50 5.90 5.50 6.40
## [2227] 5.70 5.70 6.40 5.50 5.70 5.70 5.60 5.50 5.50 5.90 5.50 5.80 5.60 5.90
## [2241] 6.20 5.80 5.50 5.70 6.30 6.40 6.00 5.50 5.90 6.00 6.00 6.40 5.50 5.90
## [2255] 5.70 6.00 6.70 5.60 7.00 6.40 5.50 5.50 5.70 5.60 5.90 5.50 5.80 7.70
## [2269] 5.60 5.70 5.60 5.50 5.50 5.80 6.60 5.60 6.60 6.00 5.80 6.20 5.80 5.70
## [2283] 5.60 6.20 5.90 5.70 5.90 6.30 5.70 5.80 5.80 6.00 6.40 5.60 5.50 5.70
## [2297] 5.60 6.20 6.30 5.80 5.50 6.90 6.80 6.00 5.80 5.50 5.60 5.50 5.60 5.70
## [2311] 5.70 5.90 5.60 5.70 5.60 6.10 5.50 5.70 6.30 5.50 5.50 6.70 6.50 6.10
## [2325] 5.80 6.00 5.50 5.80 5.80 5.70 5.70 7.10 5.90 5.80 6.00 5.50 5.60 5.50
## [2339] 5.90 5.60 5.50 6.00 5.70 5.60 5.50 5.90 5.60 6.00 6.40 5.70 5.50 5.50
## [2353] 6.50 5.50 5.50 5.50 5.60 5.60 5.90 5.60 6.10 5.50 6.50 5.50 5.60 5.50
## [2367] 5.90 6.70 5.50 5.70 5.60 6.10 6.40 5.80 5.70 5.60 5.70 5.50 6.90 7.00
## [2381] 5.60 5.90 5.60 6.30 5.50 6.00 6.10 7.10 5.50 5.60 5.70 5.60 5.50 7.00
## [2395] 5.50 5.50 5.90 5.60 7.00 5.90 5.50 5.70 6.40 5.50 5.60 5.50 5.50 5.60
## [2409] 6.50 5.60 5.50 5.60 6.10 5.80 5.70 5.50 6.30 6.30 5.50 6.10 5.60 6.80
## [2423] 5.70 5.50 5.90 5.50 5.60 5.50 5.60 6.00 5.60 5.50 5.80 6.20 5.50 5.60
## [2437] 5.70 5.70 5.80 6.30 5.60 5.50 5.50 5.50 5.60 6.60 6.10 5.70 5.70 5.60
## [2451] 5.50 5.90 5.60 5.50 5.50 6.30 5.50 5.50 5.50 5.60 5.60 5.80 6.40 6.10
## [2465] 6.10 5.70 5.60 5.70 5.50 5.50 5.50 5.80 5.50 5.50 5.70 6.00 5.70 5.70
## [2479] 6.30 5.60 5.50 5.70 5.80 5.90 6.20 5.60 5.70 6.00 6.70 5.80 5.50 7.10
## [2493] 5.50 5.60 6.90 5.90 5.60 5.90 6.50 6.20 5.60 5.50 5.50 6.70 5.80 6.10
## [2507] 5.70 5.70 7.00 6.20 5.60 5.70 6.30 6.70 5.50 5.50 5.70 5.50 5.60 5.80
## [2521] 6.00 5.50 6.10 6.10 5.60 6.50 6.70 6.20 5.70 5.70 5.60 5.50 6.60 6.10
## [2535] 5.70 6.20 5.70 5.50 6.00 6.30 6.10 5.50 5.60 5.70 6.10 5.70 5.50 5.60
## [2549] 5.50 5.70 5.90 6.50 5.50 5.90 5.50 6.40 6.10 5.60 5.70 5.80 6.20 5.80
## [2563] 5.50 6.90 5.50 5.90 6.40 6.60 5.60 6.30 5.50 5.60 5.50 5.70 5.60 5.80
## [2577] 5.70 6.80 6.00 5.70 5.50 5.60 5.70 5.80 5.50 5.90 5.50 5.50 6.40 5.70
## [2591] 5.50 6.20 5.50 5.60 6.00 5.50 7.40 5.70 6.00 5.50 5.50 6.10 5.80 6.70
## [2605] 5.60 5.70 5.50 5.70 5.90 5.50 5.60 5.70 6.10 6.60 6.40 5.50 5.60 5.60
## [2619] 5.60 7.00 6.20 6.30 5.50 5.50 5.50 5.50 6.30 5.60 6.40 5.50 5.50 6.40
## [2633] 5.50 7.20 6.00 6.40 6.40 5.70 5.70 5.90 5.50 7.00 5.80 5.60 5.50 5.60
## [2647] 6.40 6.10 5.60 5.90 5.60 5.60 7.60 6.40 6.00 5.60 5.70 6.00 5.50 6.00
## [2661] 7.30 5.60 5.70 5.50 7.40 5.70 5.70 6.00 6.00 5.50 6.20 5.50 5.90 5.60
## [2675] 5.50 5.50 5.50 6.10 6.80 5.60 5.50 5.50 5.50 5.60 5.60 6.00 5.60 5.60
## [2689] 5.90 6.20 5.60 5.50 5.70 5.50 5.50 5.80 5.50 5.60 5.70 6.20 5.60 6.10
## [2703] 6.20 5.80 5.70 5.60 6.40 5.50 5.60 5.80 5.50 5.50 5.60 6.60 5.70 5.60
## [2717] 5.50 6.70 5.50 5.50 5.60 5.90 5.50 5.50 5.50 5.90 7.40 6.90 5.50 6.20
## [2731] 5.50 5.60 5.60 5.70 5.70 5.50 6.00 5.70 5.80 5.90 6.70 6.60 6.10 5.50
## [2745] 5.90 5.50 5.50 6.30 5.50 5.50 5.80 5.70 5.60 5.60 5.60 5.50 5.70 6.30
## [2759] 5.80 7.10 5.70 6.30 5.50 5.70 5.70 5.50 5.90 5.90 5.60 5.70 5.60 5.90
## [2773] 5.50 5.70 5.60 5.60 5.60 5.50 5.80 6.40 6.20 6.40 5.70 5.70 5.60 5.60
## [2787] 5.80 6.10 5.90 5.60 5.70 6.40 5.60 6.00 5.70 5.60 5.80 5.60 6.20 5.70
## [2801] 5.60 5.60 5.50 5.70 5.50 5.70 6.10 5.80 5.60 6.20 5.70 5.80 5.50 5.50
## [2815] 6.00 5.90 5.70 5.60 5.50 5.60 6.40 5.90 6.70 5.50 8.00 6.40 5.90 5.50
## [2829] 7.40 6.20 6.60 6.30 5.60 6.30 5.70 6.30 5.70 6.20 5.60 6.20 5.70 5.70
## [2843] 5.90 5.50 5.90 5.60 5.50 6.20 5.80 5.70 5.50 5.50 5.50 5.80 5.60 5.60
## [2857] 5.80 5.70 5.60 6.20 5.50 6.50 5.60 5.50 6.40 5.90 6.00 7.20 6.20 6.30
## [2871] 5.50 5.90 5.70 6.00 6.60 6.40 5.60 5.90 5.90 5.70 6.20 5.50 5.70 5.50
## [2885] 5.70 5.80 5.60 6.30 6.00 7.20 5.80 5.60 5.80 5.80 5.90 5.50 6.30 5.50
## [2899] 6.70 6.20 5.50 5.70 6.30 6.60 5.60 5.50 5.50 5.50 5.60 6.40 5.50 5.50
## [2913] 5.90 5.50 5.50 5.60 5.90 6.40 7.30 5.50 6.50 5.60 5.50 6.30 5.50 5.50
## [2927] 6.00 5.90 6.30 5.70 6.10 5.50 5.70 5.50 6.40 6.40 5.90 5.60 5.66 5.50
## [2941] 5.60 5.90 5.60 6.20 5.60 5.60 5.60 6.10 6.10 5.60 5.70 6.10 6.30 6.20
## [2955] 6.50 5.70 5.50 5.70 5.60 5.50 5.80 5.70 5.50 5.60 6.50 6.40 5.50 5.80
## [2969] 5.90 6.00 6.20 5.70 5.50 5.70 5.50 6.10 5.90 5.60 6.70 6.20 5.80 6.50
## [2983] 6.60 6.30 5.80 6.40 5.70 6.20 5.50 5.70 6.20 6.50 6.10 6.20 5.70 5.80
## [2997] 5.90 5.60 6.30 5.50 5.80 6.00 5.50 5.60 5.50 6.10 5.60 5.90 5.70 5.60
## [3011] 5.70 5.50 5.60 5.70 5.90 6.50 5.60 5.50 5.90 6.20 5.90 5.70 5.60 5.80
## [3025] 5.60 5.70 5.70 5.80 6.10 6.50 5.50 5.90 5.80 6.40 5.70 5.50 6.00 5.60
## [3039] 5.60 5.70 5.80 6.20 6.00 5.70 5.80 6.10 5.60 6.80 6.10 5.90 5.50 5.70
## [3053] 5.80 5.50 6.30 8.00 5.60 5.70 5.50 5.60 5.70 5.80 5.70 5.90 5.60 5.50
## [3067] 5.80 6.40 6.40 5.60 5.60 5.90 5.90 5.80 5.60 5.50 6.60 5.70 5.70 5.50
## [3081] 6.00 5.70 5.90 5.70 6.10 5.60 5.80 5.60 5.80 6.10 5.80 6.00 6.30 5.50
## [3095] 6.10 5.70 5.90 5.90 5.80 5.80 5.50 5.70 5.70 5.50 6.10 5.50 6.00 6.00
## [3109] 6.50 5.70 6.00 6.00 5.50 6.80 5.90 5.60 5.70 5.50 5.90 5.50 5.60 5.60
## [3123] 5.50 5.90 5.80 5.70 5.50 6.20 5.50 5.60 5.50 5.80 6.10 5.70 5.60 5.60
## [3137] 5.60 6.50 5.80 6.50 5.60 5.50 5.90 5.50 5.50 5.60 5.60 5.60 5.70 5.70
## [3151] 5.70 5.70 5.60 5.70 5.80 5.90 6.20 5.50 5.60 5.90 6.00 6.00 5.60 6.10
## [3165] 6.00 5.90 5.50 5.60 5.50 5.80 6.00 5.50 5.70 5.60 5.80 5.60 6.10 6.10
## [3179] 5.60 5.50 6.20 6.30 6.70 5.80 5.90 6.30 6.80 5.70 5.70 6.60 6.50 5.60
## [3193] 5.60 5.90 5.50 5.50 5.50 6.40 6.80 5.60 6.20 6.20 7.40 5.50 5.80 5.60
## [3207] 5.70 5.60 6.00 6.50 5.50 5.50 6.00 6.40 6.10 6.50 5.80 6.20 5.50 5.70
## [3221] 5.50 7.60 5.60 5.60 7.00 5.50 6.40 7.20 5.50 6.10 6.00 6.20 5.60 5.70
## [3235] 5.90 5.70 5.80 5.60 5.60 5.80 5.50 5.50 6.10 5.50 7.00 5.60 6.20 6.00
## [3249] 5.50 6.70 5.50 5.50 6.40 6.30 5.70 5.60 5.70 5.50 6.20 6.20 5.60 6.80
## [3263] 6.50 6.80 5.60 5.60 5.50 5.50 6.50 5.80 6.70 5.50 6.10 5.50 5.50 5.60
## [3277] 5.60 5.80 5.50 6.20 5.50 6.10 5.80 5.50 5.60 6.50 6.30 5.80 6.30 5.60
## [3291] 5.60 5.60 5.80 6.20 5.50 5.60 5.80 5.70 5.60 5.90 6.70 6.60 5.70 5.70
## [3305] 5.70 6.50 5.50 5.70 6.00 6.40 5.60 5.60 5.50 5.90 5.80 5.70 5.60 5.60
## [3319] 5.70 7.20 5.60 5.60 5.60 5.70 5.70 6.10 5.70 5.90 5.70 5.60 6.70 7.40
## [3333] 6.80 5.90 6.30 5.70 5.70 5.70 6.60 5.70 6.00 5.80 5.60 5.50 5.60 5.80
## [3347] 5.60 5.90 5.80 5.60 5.90 6.40 6.10 6.20 5.70 5.90 5.60 7.30 5.60 6.50
## [3361] 5.60 6.30 5.50 5.90 5.60 7.00 5.50 6.20 5.50 5.90 6.20 5.70 5.70 6.00
## [3375] 6.20 5.50 5.80 5.50 5.50 5.80 6.40 5.50 6.30 6.20 5.60 5.50 5.80 5.60
## [3389] 5.50 6.00 6.40 6.00 5.90 5.60 5.90 6.60 5.70 5.50 5.50 5.70 5.70 5.50
## [3403] 7.20 6.50 5.90 6.20 6.50 6.20 6.50 5.60 6.40 5.90 5.80 5.50 5.60 5.80
## [3417] 5.50 5.70 5.50 5.90 5.70 5.50 5.70 7.80 6.20 5.60 5.90 5.80 5.50 6.00
## [3431] 6.70 5.60 6.60 5.50 6.00 5.80 5.90 5.70 6.30 6.10 5.90 6.00 5.90 5.80
## [3445] 5.60 5.80 5.60 5.70 6.40 6.10 5.60 5.50 5.50 5.70 7.10 6.20 6.10 5.90
## [3459] 6.10 6.40 5.70 5.60 6.30 6.10 5.70 5.60 6.60 5.90 5.70 5.50 6.00 5.60
## [3473] 5.90 5.50 5.50 5.50 6.70 6.50 5.80 5.60 5.50 6.30 6.50 5.70 5.70 5.90
## [3487] 6.30 5.70 6.60 5.50 5.80 5.60 6.80 5.90 5.60 6.30 5.50 5.90 5.60 5.70
## [3501] 5.60 6.00 5.60 5.70 5.60 5.50 5.70 5.50 5.50 7.30 6.10 6.30 5.50 5.60
## [3515] 5.60 7.60 5.90 6.60 5.60 6.00 6.80 5.60 6.20 5.50 5.80 6.10 5.50 5.60
## [3529] 6.70 5.90 5.50 5.50 5.80 5.50 5.50 5.60 6.30 5.50 6.10 5.60 5.90 7.10
## [3543] 5.90 5.60 5.80 5.60 5.60 6.30 5.70 6.30 5.70 6.60 5.90 6.00 5.70 5.60
## [3557] 6.20 5.90 5.60 6.20 5.70 5.50 7.70 6.40 5.80 5.90 6.80 5.70 6.00 5.60
## [3571] 5.50 5.50 5.90 5.80 5.80 6.40 5.90 5.80 6.80 5.90 5.60 5.50 6.20 5.90
## [3585] 5.70 5.60 5.70 6.20 5.90 5.80 5.70 5.80 5.60 6.00 5.50 5.80 6.50 6.70
## [3599] 5.50 6.10 5.50 5.80 5.80 6.30 6.20 5.50 5.50 5.50 5.60 5.70 5.60 5.70
## [3613] 7.10 5.60 5.50 5.60 5.90 5.80 5.60 5.80 5.80 5.60 5.90 5.90 5.80 5.50
## [3627] 6.10 5.90 5.50 5.70 6.10 5.70 5.80 6.20 5.50 6.90 5.60 5.60 6.20 6.90
## [3641] 5.60 5.50 6.00 5.50 6.80 5.70 5.50 5.50 5.50 6.20 5.80 5.50 5.70 7.10
## [3655] 5.60 5.60 6.30 5.50 5.60 5.50 5.80 5.60 5.70 5.50 6.20 5.80 5.50 5.60
## [3669] 6.40 6.10 5.90 5.80 5.80 5.70 5.60 5.50 5.80 5.70 5.50 5.80 6.30 5.90
## [3683] 5.70 5.70 5.50 5.80 6.60 6.00 5.80 5.60 5.70 5.70 5.60 6.10 5.80 5.70
## [3697] 6.10 5.90 5.60 5.50 5.90 5.50 6.40 5.50 5.50 7.10 5.70 5.60 5.60 5.70
## [3711] 6.00 5.60 6.00 5.90 5.80 5.90 5.50 5.60 5.50 5.50 5.50 6.10 6.80 6.20
## [3725] 6.10 5.60 5.70 5.50 5.80 6.10 5.60 5.50 5.50 7.40 6.00 5.50 5.50 5.50
## [3739] 6.00 5.50 5.90 5.50 5.90 5.50 5.50 6.10 5.60 5.60 5.60 5.50 5.60 6.60
## [3753] 6.00 5.80 5.60 6.00 7.10 5.50 5.50 6.20 5.60 6.70 5.90 6.10 5.60 5.80
## [3767] 6.50 5.80 5.50 6.00 6.00 5.50 6.00 5.50 5.80 5.70 6.30 5.70 5.80 5.90
## [3781] 5.50 5.50 5.60 5.70 5.50 6.00 5.80 5.80 5.50 5.80 6.30 6.80 6.60 6.00
## [3795] 5.90 5.70 5.60 5.70 5.70 5.50 5.50 5.80 5.60 7.60 6.20 6.60 6.10 7.10
## [3809] 6.20 5.70 5.50 5.90 5.70 5.50 5.60 5.50 5.50 6.40 5.70 5.70 6.20 6.80
## [3823] 5.90 5.50 7.60 5.70 5.50 5.70 5.70 5.50 5.80 5.80 5.60 5.50 6.00 5.50
## [3837] 6.30 5.80 5.50 6.00 5.50 5.60 5.80 6.10 5.80 6.60 6.60 6.40 5.80 5.70
## [3851] 6.50 5.70 6.00 5.50 5.80 5.90 5.50 6.30 5.60 7.20 5.80 6.30 5.50 5.50
## [3865] 5.50 6.50 5.60 5.60 5.70 6.50 5.50 5.50 5.60 5.60 5.60 5.50 5.60 5.60
## [3879] 5.60 5.70 5.90 6.60 5.80 6.40 5.50 5.50 5.60 6.00 6.00 5.80 5.70 6.00
## [3893] 5.80 6.20 6.50 6.10 6.40 5.60 5.50 5.50 5.80 6.20 5.90 5.50 5.50 5.50
## [3907] 5.50 7.10 6.60 5.60 5.80 6.00 5.50 5.70 5.80 5.60 5.60 5.70 5.50 6.00
## [3921] 5.50 6.00 5.70 5.80 5.50 5.80 5.90 5.80 5.60 5.50 5.70 5.50 6.60 6.10
## [3935] 5.70 5.50 5.50 5.60 5.80 5.50 6.60 5.70 7.10 5.70 5.70 5.50 5.50 6.40
## [3949] 5.50 5.90 5.60 5.50 6.10 5.90 5.50 5.50 6.00 5.50 6.40 5.80 6.30 5.80
## [3963] 6.00 5.50 5.90 6.20 5.70 5.80 7.00 6.20 5.50 6.20 5.80 5.70 5.60 5.70
## [3977] 5.50 5.70 6.10 6.90 6.40 6.20 6.00 5.80 6.20 5.50 5.60 6.20 5.70 5.70
## [3991] 5.60 6.60 5.60 5.90 5.70 5.50 5.80 6.00 5.70 6.40 5.50 6.00 5.60 5.80
## [4005] 5.80 5.60 6.30 6.50 7.10 5.50 6.30 5.80 5.50 6.70 5.90 5.60 5.80 5.80
## [4019] 5.60 5.50 5.50 6.30 5.50 6.00 6.70 5.60 6.20 5.70 5.50 5.70 5.50 5.60
## [4033] 6.10 5.50 5.50 5.60 6.30 5.50 5.50 5.50 5.60 5.60 6.90 7.00 5.50 6.40
## [4047] 5.90 5.50 5.50 5.80 5.80 6.00 6.40 5.70 5.70 6.90 5.60 6.10 5.90 7.00
## [4061] 5.50 5.60 5.80 5.50 5.60 5.70 5.50 5.70 5.50 6.00 5.90 6.00 5.50 6.70
## [4075] 5.50 5.90 5.70 5.60 5.50 6.40 6.40 6.30 5.50 5.50 5.60 5.50 5.50 5.80
## [4089] 5.60 5.70 5.50 5.60 6.00 5.60 5.60 5.60 6.30 6.00 6.60 5.70 6.00 5.60
## [4103] 6.20 5.70 6.20 6.50 5.80 6.30 5.60 5.50 6.00 5.90 5.80 5.50 5.80 6.30
## [4117] 5.50 5.50 5.90 6.00 5.60 5.50 5.60 5.50 6.40 6.50 5.60 5.70 6.10 5.80
## [4131] 5.60 5.70 5.60 5.70 5.80 6.00 6.30 5.80 5.70 5.90 5.50 5.50 6.50 5.60
## [4145] 5.70 5.60 5.60 5.70 5.50 5.50 6.90 6.00 5.80 5.60 5.90 5.50 6.40 6.20
## [4159] 6.40 6.60 6.20 5.50 5.60 6.10 5.50 5.50 5.50 5.60 5.50 6.50 5.50 5.80
## [4173] 5.70 5.70 6.10 5.50 5.80 6.70 5.70 6.00 6.00 6.00 5.70 6.00 5.90 5.60
## [4187] 5.50 5.50 6.10 5.50 6.00 5.80 5.60 5.50 5.70 6.70 5.50 5.70 5.50 5.50
## [4201] 5.90 6.20 5.60 6.20 5.70 6.00 5.60 6.00 5.50 5.60 6.10 5.60 5.50 5.70
## [4215] 6.00 5.80 5.50 5.60 5.60 5.80 6.50 7.20 5.67 6.20 5.70 5.80 5.50 5.80
## [4229] 6.30 6.60 5.60 6.10 5.70 6.40 5.70 5.70 5.60 5.80 6.90 6.20 6.10 5.70
## [4243] 5.50 5.50 5.50 6.40 5.80 5.90 7.70 5.50 5.50 6.70 5.60 5.60 5.70 6.00
## [4257] 5.50 6.00 5.70 5.50 5.60 6.10 5.70 6.00 5.90 5.70 5.60 5.50 6.40 5.60
## [4271] 5.60 5.60 6.10 5.50 5.50 5.50 6.20 5.80 5.50 7.40 5.60 5.80 5.60 6.40
## [4285] 5.90 6.40 6.00 5.50 6.20 6.10 6.70 5.60 5.50 5.70 5.80 5.80 5.50 6.20
## [4299] 5.90 5.60 6.30 6.00 5.50 5.50 5.50 5.80 5.70 5.50 6.00 5.60 5.70 6.00
## [4313] 5.90 5.70 5.60 7.80 5.70 6.10 5.60 5.50 5.70 5.80 5.90 6.00 5.70 5.60
## [4327] 5.60 5.50 5.50 5.50 6.70 5.50 5.70 5.70 5.60 5.70 5.60 5.50 5.50 5.50
## [4341] 5.90 5.70 6.60 5.70 5.50 5.60 5.80 6.20 5.90 5.60 6.00 5.70 5.70 7.10
## [4355] 6.00 6.60 6.70 5.60 5.60 5.50 6.20 6.30 6.50 5.70 5.60 6.40 5.50 5.70
## [4369] 5.70 6.00 6.30 5.50 5.80 5.70 5.50 5.60 5.50 5.70 5.50 5.60 6.40 5.50
## [4383] 5.70 5.50 5.70 5.70 6.10 5.80 5.60 5.70 7.00 5.50 5.50 5.90 5.80 5.80
## [4397] 5.70 6.10 5.60 5.60 6.00 5.50 6.50 5.80 5.50 7.50 6.30 5.60 6.10 5.70
## [4411] 5.90 6.10 6.30 5.70 5.90 5.60 5.60 6.40 5.50 5.70 5.50 6.00 5.90 6.10
## [4425] 5.80 6.60 5.80 7.70 5.60 6.30 6.00 5.50 5.60 6.00 6.10 5.70 6.50 5.50
## [4439] 5.60 6.40 6.70 6.50 5.50 7.80 5.70 5.70 6.40 7.00 7.00 6.40 5.60 5.60
## [4453] 6.20 5.80 5.90 5.70 6.30 5.50 6.80 5.50 5.60 6.00 6.20 6.60 6.50 5.70
## [4467] 5.80 6.00 7.20 5.50 5.70 5.60 5.60 5.70 6.00 5.90 6.10 5.80 6.00 5.60
## [4481] 5.80 6.00 5.90 6.60 5.80 5.50 5.60 6.00 6.90 5.70 5.60 5.60 6.20 5.50
## [4495] 5.60 5.90 6.00 6.00 5.60 5.60 5.70 5.60 5.50 5.50 5.50 5.60 5.90 5.60
## [4509] 6.90 6.80 5.70 6.10 5.60 5.90 5.90 5.70 5.70 6.10 6.00 5.50 5.50 5.60
## [4523] 5.80 5.70 5.60 6.90 6.10 5.50 5.50 5.60 6.10 5.50 5.80 5.50 5.60 5.60
## [4537] 6.20 5.70 5.50 5.60 5.50 6.90 5.50 6.70 7.00 6.10 5.80 5.60 5.90 5.80
## [4551] 7.60 6.00 5.50 5.50 5.60 5.60 5.50 5.50 5.80 5.70 5.60 5.80 6.20 5.50
## [4565] 5.90 6.20 6.40 6.00 6.10 5.90 5.50 6.10 5.80 6.10 5.50 6.20 6.20 5.80
## [4579] 5.90 5.70 5.50 5.50 5.60 5.70 5.90 5.50 6.90 5.70 6.50 6.10 5.60 7.80
## [4593] 5.60 5.80 5.60 6.60 5.90 5.90 5.60 5.50 6.50 5.60 5.50 6.40 6.10 5.60
## [4607] 5.50 5.60 6.80 5.50 8.20 6.10 6.20 5.80 5.80 5.80 5.60 5.60 5.60 5.60
## [4621] 5.50 5.80 5.50 6.50 5.90 5.90 5.50 5.90 5.70 5.60 5.90 5.80 5.60 6.20
## [4635] 5.50 5.50 6.20 5.60 5.50 5.60 6.10 5.50 5.50 5.50 5.50 5.90 5.80 7.00
## [4649] 5.90 5.80 5.60 5.50 5.70 6.30 5.60 5.60 5.60 5.50 5.70 5.60 5.50 5.70
## [4663] 6.00 5.70 5.90 5.70 6.00 5.50 5.50 5.70 6.50 6.20 8.30 6.10 5.60 5.90
## [4677] 5.70 6.30 5.50 6.30 6.00 6.00 6.00 5.70 5.50 5.50 5.80 5.70 5.50 5.70
## [4691] 6.00 6.10 5.60 5.50 5.60 6.00 5.50 6.80 7.30 5.90 6.10 5.60 5.80 5.70
## [4705] 5.80 5.90 6.40 5.50 5.70 5.70 5.80 6.10 5.50 6.50 5.60 5.60 5.50 5.80
## [4719] 5.50 5.80 5.50 5.50 6.00 5.50 5.70 6.00 6.50 5.70 6.30 5.60 6.50 5.60
## [4733] 5.90 6.00 5.70 5.50 5.80 7.00 6.00 5.60 6.00 5.50 5.60 5.60 5.60 6.00
## [4747] 5.50 5.80 6.00 6.40 5.50 6.00 7.10 5.60 5.90 5.90 5.70 5.60 6.40 5.70
## [4761] 5.60 6.50 5.60 5.60 5.70 5.60 5.60 5.60 5.70 5.90 6.10 6.20 5.70 5.90
## [4775] 6.00 6.00 5.70 5.90 5.60 5.80 5.80 5.70 5.50 7.40 6.10 5.50 5.50 5.90
## [4789] 6.20 5.50 5.60 5.70 6.70 5.50 6.20 6.10 7.10 6.10 5.70 5.60 5.90 5.90
## [4803] 6.40 6.00 5.50 5.50 6.40 5.90 5.50 5.50 5.60 5.80 5.60 5.50 5.60 5.70
## [4817] 5.70 5.50 7.20 6.10 5.60 5.60 5.70 5.50 6.00 6.00 5.60 6.00 5.80 5.90
## [4831] 5.50 6.80 5.50 6.50 5.90 6.00 5.80 5.80 6.40 5.80 5.70 5.60 5.70 5.60
## [4845] 5.50 5.70 6.20 5.50 5.50 5.50 5.50 5.50 5.90 5.60 6.00 5.90 6.30 5.60
## [4859] 5.90 5.60 5.60 6.40 6.10 5.60 6.10 7.00 5.60 6.50 5.70 5.50 5.60 5.90
## [4873] 5.80 6.00 5.80 6.40 5.90 6.80 5.80 5.70 5.70 5.60 6.30 8.00 6.00 5.60
## [4887] 6.00 6.70 5.70 5.80 5.60 6.30 5.70 5.50 5.80 6.90 6.00 5.70 6.60 6.60
## [4901] 5.50 5.60 7.90 5.50 5.80 5.70 6.40 5.60 5.90 5.60 5.50 5.60 5.70 5.90
## [4915] 5.70 5.50 6.50 5.60 6.40 5.80 5.80 5.50 5.90 5.90 5.60 6.00 5.50 5.50
## [4929] 6.40 6.20 6.20 6.40 5.70 5.80 6.10 6.00 7.90 5.60 6.60 5.50 5.50 5.50
## [4943] 5.50 5.70 5.60 5.60 5.50 5.90 5.90 5.60 5.90 5.90 5.50 6.20 5.80 6.60
## [4957] 5.60 5.90 5.50 5.60 5.50 5.70 6.10 5.60 5.70 7.20 6.00 6.10 6.10 6.10
## [4971] 5.70 6.60 5.50 6.70 5.90 5.50 6.30 5.90 5.80 5.60 5.50 5.50 5.50 5.60
## [4985] 6.10 5.70 5.70 5.70 5.60 5.90 5.50 5.80 5.70 5.90 5.50 5.60 5.60 5.70
## [4999] 5.80 5.50 5.70 5.90 5.80 5.90 6.10 6.10 5.60 6.00 5.50 5.50 6.60 5.60
## [5013] 6.00 5.70 5.60 5.50 5.50 6.00 5.50 6.20 5.80 5.50 5.70 5.80 6.30 5.60
## [5027] 5.50 5.60 7.00 5.80 6.00 6.10 6.00 5.60 5.90 5.90 5.50 5.60 6.30 5.90
## [5041] 6.50 6.50 5.60 6.70 7.90 5.60 7.30 5.50 5.60 5.90 5.80 5.60 5.50 7.10
## [5055] 5.50 5.80 5.50 5.60 5.50 5.70 5.90 5.90 5.60 5.60 5.60 6.20 5.70 5.90
## [5069] 5.60 6.90 5.90 6.70 6.30 7.40 5.60 5.50 5.80 5.80 5.50 5.70 5.70 6.20
## [5083] 6.00 5.50 5.70 5.70 6.10 6.00 5.90 5.90 5.50 5.50 5.70 6.20 6.90 5.60
## [5097] 6.20 5.70 6.00 6.80 5.90 6.20 5.50 5.60 5.80 5.50 5.60 5.60 5.60 6.00
## [5111] 5.80 5.70 5.80 6.20 6.40 5.50 5.60 6.40 6.00 5.60 5.60 5.50 5.60 6.20
## [5125] 5.50 6.10 5.60 5.80 6.80 5.70 5.70 6.30 6.10 5.90 5.90 5.70 5.60 5.80
## [5139] 5.70 5.80 5.60 5.90 6.30 5.50 6.80 6.00 5.50 6.60 5.50 6.10 5.50 5.50
## [5153] 5.60 5.50 5.60 5.60 6.20 6.00 7.70 5.60 5.50 6.20 5.50 6.70 6.20 5.70
## [5167] 5.50 5.80 5.50 5.70 5.50 6.10 6.00 6.70 5.60 5.90 5.50 5.80 6.00 5.60
## [5181] 5.50 5.80 5.50 7.20 5.60 5.50 6.50 6.40 5.70 5.50 6.10 5.90 5.90 5.50
## [5195] 5.60 5.60 5.60 5.60 5.70 5.50 5.90 6.20 5.50 5.60 5.70 6.10 5.70 6.90
## [5209] 6.10 6.20 6.20 6.10 5.70 5.50 6.50 5.50 5.90 6.00 5.60 5.80 5.70 5.50
## [5223] 5.60 5.50 5.80 5.50 6.20 5.50 6.00 6.90 5.50 6.90 5.50 5.50 6.00 5.60
## [5237] 6.00 5.60 5.50 6.00 7.30 5.60 6.50 5.90 5.60 5.90 5.60 5.60 5.60 5.50
## [5251] 6.10 5.70 5.60 6.00 6.50 5.80 5.50 5.60 6.10 5.50 6.80 6.10 5.80 5.80
## [5265] 5.50 5.90 5.80 5.90 7.00 5.90 6.00 5.60 6.10 6.00 5.50 5.50 5.60 5.60
## [5279] 6.60 6.30 5.60 5.50 6.80 6.10 6.80 5.70 5.50 5.80 6.10 5.60 5.50 5.60
## [5293] 5.90 5.50 5.60 5.50 5.50 5.70 5.70 5.50 6.30 5.80 6.50 5.60 6.10 5.50
## [5307] 5.90 5.50 5.70 5.90 5.50 5.50 6.00 5.50 5.60 5.50 5.60 5.50 6.20 6.10
## [5321] 5.60 5.90 5.60 5.60 5.60 5.60 5.90 5.60 7.50 6.50 5.60 5.50 6.20 5.50
## [5335] 5.60 5.50 5.50 6.00 5.50 5.50 5.50 7.80 5.70 5.60 5.50 6.40 5.50 5.80
## [5349] 5.50 5.60 5.70 6.10 5.90 6.20 5.60 5.70 5.60 5.70 6.40 5.60 6.30 5.90
## [5363] 6.30 5.80 7.50 5.60 5.70 6.40 6.60 5.50 5.70 5.60 6.60 6.70 6.40 5.90
## [5377] 5.50 5.50 5.90 6.40 5.90 5.50 5.50 5.50 5.60 5.50 5.50 6.10 5.50 5.50
## [5391] 5.80 5.70 5.70 7.00 5.80 6.70 5.80 5.60 6.60 5.60 5.50 5.80 5.50 5.80
## [5405] 6.20 5.90 6.20 5.50 5.60 5.50 5.80 5.50 5.50 5.60 7.50 5.80 6.30 5.80
## [5419] 5.80 5.70 5.70 5.60 6.40 5.80 5.50 5.50 5.50 5.90 6.30 5.50 5.50 5.80
## [5433] 5.50 5.50 5.50 6.20 6.00 6.90 6.20 5.50 5.50 5.50 5.50 5.60 5.50 5.80
## [5447] 5.80 7.20 6.20 5.60 5.50 5.90 6.00 5.60 5.60 5.50 6.80 5.50 5.90 6.60
## [5461] 5.60 5.60 5.80 5.70 5.60 6.10 5.50 5.80 5.60 5.80 5.60 5.60 6.00 5.70
## [5475] 5.50 5.80 5.60 6.20 5.70 5.50 5.50 5.50 6.20 5.50 5.50 6.00 5.70 5.90
## [5489] 6.00 5.90 6.30 5.50 5.70 5.50 5.90 5.60 5.90 5.50 5.70 6.40 5.70 6.70
## [5503] 7.00 5.60 5.60 5.70 5.70 5.90 5.80 6.60 5.80 5.50 5.70 5.50 5.70 5.50
## [5517] 6.00 5.50 5.60 5.60 5.90 6.00 5.60 5.70 6.30 5.80 5.80 5.70 5.90 5.90
## [5531] 5.80 6.00 7.30 5.90 6.00 5.50 5.60 5.70 5.50 5.90 5.60 5.90 6.60 5.60
## [5545] 5.50 7.10 5.80 6.00 5.90 5.70 6.10 5.80 5.80 6.90 5.60 6.20 6.20 5.50
## [5559] 6.80 6.00 7.40 5.60 5.90 6.40 5.50 5.50 7.10 5.60 6.20 6.00 5.90 5.60
## [5573] 5.80 6.10 5.50 6.20 5.60 6.20 5.90 5.70 6.10 5.70 5.70 7.10 6.00 5.60
## [5587] 5.70 6.20 5.70 5.80 6.30 5.70 5.50 5.50 5.80 5.60 5.50 5.80 5.50 5.70
## [5601] 6.00 5.80 5.80 5.50 6.10 6.10 5.70 5.60 6.30 5.60 6.70 5.70 5.70 6.50
## [5615] 5.90 5.94 5.50 5.70 5.90 5.90 5.60 5.60 5.50 5.50 5.60 5.60 5.50 6.20
## [5629] 5.50 5.60 6.00 5.50 5.50 5.50 5.80 6.00 5.90 5.80 5.70 5.70 5.60 5.70
## [5643] 5.60 5.50 5.70 5.90 5.60 6.10 5.70 5.50 6.30 5.70 5.60 6.50 5.50 5.60
## [5657] 6.10 5.70 6.20 7.20 5.50 6.30 5.60 5.50 5.50 5.70 5.60 5.70 5.70 5.50
## [5671] 5.70 7.00 5.60 6.40 6.40 6.10 6.40 5.60 6.50 5.70 5.70 7.30 5.80 5.70
## [5685] 6.00 5.50 5.80 5.80 5.60 6.10 5.50 5.50 5.60 5.80 6.10 6.20 5.50 6.40
## [5699] 5.60 6.40 7.20 5.50 6.50 5.70 5.70 5.50 5.50 5.50 6.60 5.50 5.60 5.90
## [5713] 5.90 5.80 5.60 5.50 6.40 6.60 6.40 5.90 6.10 5.50 5.50 5.50 5.50 6.30
## [5727] 5.60 5.70 5.60 5.50 6.20 5.50 5.50 5.70 6.30 5.60 5.80 5.70 5.60 5.50
## [5741] 6.00 7.60 5.60 6.50 5.50 5.70 6.30 5.70 5.60 5.60 6.10 5.70 5.50 5.60
## [5755] 7.20 6.30 6.20 5.50 6.20 7.90 6.70 6.00 5.50 5.80 5.80 5.50 6.00 6.20
## [5769] 5.60 6.40 5.90 5.50 6.30 6.70 5.50 6.30 5.50 5.50 6.00 6.10 5.50 5.80
## [5783] 6.30 5.50 5.90 5.50 6.40 5.50 6.60 5.70 6.10 5.70 5.60 5.50 5.90 5.90
## [5797] 5.90 5.90 5.80 5.80 6.60 5.50 5.80 5.90 5.60 6.60 5.60 5.60 5.80 5.60
## [5811] 6.80 5.50 5.50 7.40 5.70 6.50 5.70 6.30 6.50 6.40 6.00 5.60 6.00 5.50
## [5825] 5.70 6.00 5.80 5.50 5.80 5.50 5.70 5.60 5.90 5.50 5.80 5.50 6.10 5.50
## [5839] 5.50 6.30 6.10 6.00 5.80 6.50 5.80 5.70 6.30 5.80 6.20 7.00 5.80 6.10
## [5853] 6.10 6.70 5.90 5.70 5.90 5.60 5.80 5.60 5.60 5.50 5.90 6.10 5.80 5.80
## [5867] 5.60 5.90 6.80 6.00 6.20 5.50 6.50 5.70 5.50 5.70 5.90 5.70 5.50 5.80
## [5881] 5.70 6.10 5.70 5.70 5.90 7.00 6.50 5.80 5.50 5.50 5.80 5.50 5.50 5.70
## [5895] 5.70 5.50 6.10 7.50 6.80 6.40 5.50 6.00 5.90 5.70 5.50 5.50 5.60 5.70
## [5909] 5.90 5.60 5.60 7.10 7.00 6.00 5.90 5.70 5.50 5.50 5.60 6.00 5.70 5.50
## [5923] 5.80 5.70 5.80 5.80 5.50 5.80 5.90 5.50 5.50 5.90 6.40 5.70 6.00 5.80
## [5937] 5.60 5.80 5.50 5.70 5.50 5.60 6.40 5.50 5.80 6.20 5.50 6.70 5.60 5.80
## [5951] 5.70 5.60 5.70 6.20 5.50 5.70 5.50 6.30 5.50 5.90 7.20 5.70 6.40 5.50
## [5965] 6.00 5.60 5.60 6.10 5.60 5.90 5.60 6.50 6.50 5.60 5.50 6.20 5.90 5.70
## [5979] 5.60 6.60 5.50 5.60 7.60 6.20 5.70 6.30 5.90 5.90 5.70 6.70 5.60 5.60
## [5993] 5.60 5.80 5.60 5.60 5.50 5.50 5.70 5.50 5.50 5.60 6.10 6.30 5.90 5.50
## [6007] 5.80 5.90 5.90 5.60 6.50 5.50 6.50 5.60 5.70 5.60 6.20 5.90 5.60 5.70
## [6021] 5.90 6.20 5.90 6.50 6.40 5.50 5.90 5.50 5.50 6.10 7.00 6.30 5.60 6.10
## [6035] 5.50 5.50 5.70 5.60 6.00 6.50 6.40 5.80 5.60 5.70 5.70 5.60 5.80 5.60
## [6049] 5.50 6.20 5.70 6.10 6.10 7.10 6.00 6.30 5.60 5.50 6.20 7.20 5.70 5.60
## [6063] 6.20 6.60 5.50 5.50 5.50 5.60 5.60 5.70 5.90 5.70 6.70 5.50 5.80 5.90
## [6077] 5.50 6.50 5.50 6.00 6.60 5.50 5.70 5.50 5.90 5.50 5.70 5.60 5.80 5.50
## [6091] 5.50 5.90 5.90 6.30 7.40 5.50 5.50 7.50 5.60 5.60 6.00 6.00 5.60 5.60
## [6105] 5.80 5.70 6.40 5.90 5.70 5.70 6.20 5.80 6.20 5.90 6.20 5.90 5.60 5.80
## [6119] 5.70 5.90 5.50 6.20 5.90 5.60 5.70 5.90 5.90 5.60 5.70 6.30 5.60 5.60
## [6133] 5.60 5.50 5.70 6.10 5.50 5.60 5.60 5.80 5.50 6.20 5.70 5.60 5.90 5.80
## [6147] 6.30 5.80 5.70 5.60 5.90 6.00 5.60 5.80 6.00 5.90 5.50 6.10 5.70 5.50
## [6161] 6.00 5.50 6.00 5.50 5.70 5.80 5.60 5.50 6.00 6.00 5.50 5.70 6.00 7.60
## [6175] 5.60 5.50 5.50 5.60 5.80 5.90 6.50 6.00 6.30 5.60 6.30 5.70 5.70 6.00
## [6189] 5.50 7.60 5.50 5.50 6.70 6.00 5.90 6.00 5.50 5.50 6.90 6.10 5.50 5.80
## [6203] 7.40 5.80 6.30 5.60 6.40 5.60 7.90 5.60 5.50 5.60 6.60 6.00 5.50 5.70
## [6217] 5.60 5.70 6.20 5.90 5.90 5.50 5.70 5.90 5.60 5.60 5.60 6.00 5.50 6.10
## [6231] 5.50 6.30 5.80 6.70 5.50 5.50 5.60 5.50 6.50 5.60 6.00 5.70 5.70 5.70
## [6245] 5.70 5.50 6.00 5.50 5.50 5.90 6.70 5.70 5.50 5.60 5.80 5.60 5.60 5.60
## [6259] 5.60 5.50 5.70 6.30 5.60 5.50 5.50 6.20 6.00 6.20 5.50 5.60 5.80 5.60
## [6273] 5.80 5.50 6.00 6.40 5.90 6.80 5.70 5.70 6.40 6.30 5.60 5.70 5.50 5.50
## [6287] 5.90 5.80 5.50 5.70 5.80 5.80 5.50 5.60 6.20 5.50 6.40 5.60 6.20 5.50
## [6301] 6.70 6.00 5.80 6.40 6.40 6.20 5.70 5.90 6.30 6.10 5.50 5.70 5.60 5.50
## [6315] 5.60 6.00 5.80 5.80 5.60 6.60 5.80 6.00 6.30 5.50 6.00 6.00 5.60 5.90
## [6329] 6.00 5.70 6.10 5.50 5.70 5.80 5.80 5.60 5.60 5.50 5.80 5.70 5.90 6.00
## [6343] 5.50 5.80 5.70 5.50 5.60 7.60 5.60 5.50 6.00 5.50 5.70 6.00 6.00 5.80
## [6357] 5.70 6.40 5.50 5.70 5.90 5.50 6.10 5.60 5.70 5.90 6.40 5.90 5.90 5.80
## [6371] 5.50 5.50 6.00 6.00 5.50 5.50 5.90 5.60 6.70 5.90 5.80 5.50 6.20 6.70
## [6385] 5.90 5.80 5.60 6.20 5.80 5.70 5.60 5.70 5.90 6.40 5.50 5.60 6.00 5.80
## [6399] 6.60 5.50 5.60 5.80 6.60 6.10 6.10 6.00 6.20 5.60 5.60 6.40 6.00 5.60
## [6413] 5.90 5.50 6.70 5.60 6.20 6.80 5.80 5.50 5.50 5.70 5.70 5.50 5.80 6.10
## [6427] 5.70 6.00 6.10 5.80 6.40 5.50 7.10 6.10 5.60 5.60 5.50 5.60 5.80 6.30
## [6441] 5.50 5.70 6.20 5.90 6.00 5.50 5.80 5.80 5.90 5.80 6.10 7.00 5.90 5.60
## [6455] 7.30 5.60 6.70 5.50 5.50 5.60 5.70 5.70 5.80 5.60 6.20 5.50 5.60 5.60
## [6469] 5.50 5.50 5.60 6.00 5.60 5.80 5.60 6.00 5.60 5.90 5.80 6.20 5.70 6.00
## [6483] 5.80 5.60 5.50 5.50 5.80 6.00 5.80 6.20 6.60 5.50 6.40 5.50 5.50 6.50
## [6497] 5.50 5.80 5.70 6.20 6.10 5.60 6.60 5.70 5.70 5.50 5.90 5.50 5.50 5.60
## [6511] 5.50 5.70 6.30 5.50 5.60 5.60 6.10 5.50 5.70 6.20 5.60 5.80 5.60 5.60
## [6525] 5.90 5.90 5.50 6.40 5.90 6.90 5.80 5.60 6.20 5.80 5.60 5.60 5.70 5.60
## [6539] 5.70 5.80 6.40 5.70 6.00 5.70 6.20 6.10 5.60 6.00 5.80 5.60 5.60 5.60
## [6553] 5.50 5.60 6.00 5.90 5.60 6.00 5.50 5.70 5.70 5.80 5.70 5.80 5.60 6.20
## [6567] 5.60 5.70 5.90 7.20 7.40 6.50 5.70 6.90 5.80 5.70 5.50 5.60 5.60 6.60
## [6581] 6.40 5.70 5.60 5.90 6.10 5.60 6.00 5.60 6.10 5.60 5.60 5.90 5.50 6.00
## [6595] 5.50 5.80 6.20 5.50 5.60 6.80 6.50 5.80 5.90 7.00 5.90 5.50 5.80 5.90
## [6609] 5.70 5.50 5.70 6.70 5.60 6.00 5.90 6.00 5.70 6.20 5.80 5.50 5.60 6.30
## [6623] 5.50 6.90 5.60 5.70 6.10 5.90 6.70 5.50 7.50 5.50 5.50 6.40 6.10 5.80
## [6637] 5.60 5.60 5.60 5.60 5.70 5.80 5.70 6.80 6.10 5.80 5.80 5.50 5.50 5.50
## [6651] 5.70 5.70 6.70 5.50 6.10 5.50 5.90 6.40 6.10 6.10 5.70 5.50 5.90 5.70
## [6665] 5.50 5.50 5.70 5.50 5.60 5.50 6.00 6.10 5.50 5.50 6.80 5.50 5.50 5.50
## [6679] 6.30 5.60 5.50 6.60 6.00 7.10 5.90 5.60 6.10 6.70 6.00 6.30 5.50 5.70
## [6693] 5.60 6.30 5.50 5.60 7.10 5.90 5.70 5.70 5.90 6.10 6.30 5.60 5.60 5.50
## [6707] 5.50 5.60 5.60 6.10 6.00 5.60 6.30 5.60 5.60 5.60 5.90 6.30 5.70 6.10
## [6721] 6.10 5.80 6.00 5.70 6.70 5.70 6.50 5.50 5.80 5.60 5.50 6.40 5.90 6.10
## [6735] 5.50 5.50 6.60 6.00 6.70 5.90 5.90 5.50 6.50 5.90 5.90 5.50 6.30 6.50
## [6749] 5.70 5.80 5.60 6.10 5.80 5.50 6.10 5.60 5.60 5.70 5.80 6.10 5.60 5.80
## [6763] 5.60 5.50 5.60 5.60 6.00 5.60 5.50 6.60 5.80 6.30 6.70 5.60 5.90 5.60
## [6777] 5.60 5.90 5.80 5.90 6.10 5.70 5.60 5.60 6.00 5.70 5.70 5.60 5.90 6.30
## [6791] 5.80 5.80 5.60 5.80 5.50 6.00 5.50 6.20 6.00 5.80 5.50 5.90 6.10 5.50
## [6805] 6.10 6.20 5.60 5.60 5.50 5.70 5.70 5.60 5.60 6.00 6.20 5.80 5.60 5.50
## [6819] 5.70 5.50 5.70 7.60 5.80 5.60 5.60 5.80 5.70 5.60 5.80 5.50 5.70 5.90
## [6833] 5.70 7.60 5.90 5.70 5.80 5.60 5.60 5.70 5.60 5.50 6.40 5.60 5.70 5.70
## [6847] 5.70 5.50 5.80 5.90 5.70 5.70 5.60 5.50 6.40 5.50 5.50 5.50 5.90 5.50
## [6861] 5.90 5.90 5.50 6.50 5.70 5.90 5.70 5.50 6.80 6.40 6.10 5.50 5.60 5.60
## [6875] 5.50 5.70 6.60 5.60 5.60 6.50 5.60 5.50 5.70 7.40 5.60 7.20 5.80 6.60
## [6889] 5.50 5.70 6.10 5.50 6.70 5.50 5.60 5.60 6.70 5.70 5.60 6.10 5.90 5.50
## [6903] 5.60 5.70 5.60 5.90 5.50 5.50 5.50 5.80 5.50 5.60 6.00 5.60 5.70 6.10
## [6917] 5.60 5.60 6.20 6.20 5.80 5.50 5.90 6.00 6.10 5.60 5.80 5.70 6.10 5.50
## [6931] 5.50 5.60 5.60 5.50 6.00 5.60 5.50 5.80 5.50 6.50 5.50 5.80 5.70 5.50
## [6945] 5.50 6.00 5.70 5.70 5.70 5.90 5.50 5.70 8.00 5.90 6.00 5.50 5.90 5.60
## [6959] 6.00 5.60 6.10 5.50 5.90 5.80 6.40 5.50 5.60 5.50 6.00 6.00 5.70 6.10
## [6973] 5.50 5.90 5.90 6.30 5.50 5.50 5.80 5.50 5.60 5.80 5.60 5.50 5.80 5.70
## [6987] 6.00 5.50 6.60 5.50 5.70 5.70 5.50 5.70 5.90 5.50 5.60 5.60 5.90 6.80
## [7001] 6.10 6.20 5.50 5.50 6.80 5.70 5.90 5.70 5.50 5.90 5.80 5.70 6.30 5.90
## [7015] 5.50 6.00 5.50 6.50 6.30 5.70 5.70 5.70 5.80 6.30 5.90 5.70 6.00 6.00
## [7029] 5.80 5.70 5.70 6.40 6.00 5.80 6.60 5.60 5.90 6.20 5.90 6.30 6.30 5.80
## [7043] 5.60 5.70 6.00 5.50 5.80 5.80 5.70 6.40 5.80 5.50 5.50 5.70 6.30 5.50
## [7057] 5.80 6.10 6.00 6.30 5.70 6.00 5.50 5.60 6.20 6.20 5.60 5.80 5.50 5.50
## [7071] 5.50 5.50 5.50 5.90 6.00 6.10 6.00 5.90 5.70 5.60 6.40 6.30 5.90 5.50
## [7085] 6.10 6.20 6.00 5.70 5.60 5.60 5.50 5.70 5.80 5.80 5.60 5.50 5.80 5.60
## [7099] 5.70 8.10 6.10 6.60 5.50 5.50 6.90 6.00 5.80 5.60 5.70 5.70 6.10 5.60
## [7113] 5.90 6.10 6.20 5.60 5.60 5.60 5.50 5.60 6.20 5.50 5.50 5.60 6.20 5.50
## [7127] 6.10 5.50 5.60 6.20 5.60 6.00 6.40 5.60 5.50 6.20 6.50 5.90 5.70 5.70
## [7141] 6.30 5.50 5.90 5.90 5.90 6.10 6.10 5.90 5.80 5.50 5.50 6.00 5.70 5.80
## [7155] 5.50 5.60 5.60 5.50 6.20 6.10 5.50 6.50 6.10 5.60 6.10 5.50 5.70 5.60
## [7169] 5.50 5.90 5.50 6.10 5.80 5.70 5.80 6.20 5.80 5.50 5.50 5.80 5.60 5.90
## [7183] 6.30 6.10 5.70 5.60 6.10 5.50 7.20 6.20 6.70 5.80 5.60 5.50 5.50 5.70
## [7197] 5.60 5.60 5.90 6.10 6.00 6.00 6.10 7.50 5.60 5.70 6.00 6.10 7.20 6.30
## [7211] 6.20 6.20 5.90 6.80 5.50 8.40 5.50 5.60 5.90 5.80 7.90 5.90 5.90 6.30
## [7225] 5.60 6.20 5.70 6.50 6.10 5.80 5.70 6.00 5.90 5.60 5.70 5.50 5.60 5.70
## [7239] 5.80 5.60 6.10 5.60 5.70 5.50 5.50 6.60 5.70 5.90 5.50 5.50 5.70 5.90
## [7253] 5.90 5.70 5.60 5.80 5.90 5.90 5.60 5.50 5.80 5.60 5.60 7.80 5.70 5.90
## [7267] 5.80 5.60 6.30 5.80 6.00 5.60 5.70 5.70 6.60 6.40 5.70 6.20 5.90 5.60
## [7281] 5.60 5.80 6.40 6.10 6.30 5.50 6.00 5.90 5.60 5.50 6.30 5.90 5.80 5.60
## [7295] 5.70 6.90 6.00 6.60 5.50 6.50 5.70 5.60 5.80 6.20 6.50 6.00 6.90 5.60
## [7309] 5.50 5.90 5.50 5.60 5.60 6.40 6.30 5.70 5.70 5.70 5.50 5.80 5.50 6.40
## [7323] 6.30 7.30 6.30 5.80 5.50 5.50 5.50 5.50 5.50 5.90 6.10 7.10 5.70 5.50
## [7337] 5.50 5.70 6.60 5.80 5.50 6.20 6.10 6.90 5.60 6.80 5.60 7.90 5.70 5.70
## [7351] 5.80 5.50 6.10 5.60 5.50 6.30 6.50 5.60 6.20 5.90 5.80 6.00 5.70 6.00
## [7365] 5.80 6.00 5.50 6.40 5.90 5.60 5.50 5.90 5.60 6.20 5.80 7.70 5.70 5.70
## [7379] 5.50 6.00 6.20 5.70 5.50 5.70 5.60 5.50 5.80 5.50 6.30 6.00 5.90 5.50
## [7393] 5.80 5.60 5.80 6.50 5.50 6.30 6.20 5.70 6.00 5.90 6.00 5.70 5.60 6.30
## [7407] 5.70 5.80 5.60 5.80 5.80 6.20 6.90 5.50 5.90 5.60 5.50 6.10 6.60 5.70
## [7421] 6.60 6.80 5.80 5.90 5.70 5.50 5.80 5.60 5.70 5.60 5.60 5.70 5.50 6.10
## [7435] 6.70 5.90 5.60 6.00 6.30 5.70 5.50 5.90 5.60 5.80 6.10 5.50 6.20 6.00
## [7449] 5.80 5.70 6.10 5.70 5.70 5.60 6.30 5.70 5.90 6.40 5.70 5.50 6.20 6.00
## [7463] 5.50 6.30 5.90 5.80 5.50 5.50 5.70 6.40 5.60 5.50 6.30 6.80 5.70 6.10
## [7477] 5.70 5.70 6.00 5.70 5.90 5.80 5.50 5.60 5.50 7.70 5.60 6.60 5.60 7.40
## [7491] 5.50 5.70 5.90 5.70 5.50 6.00 5.60 5.50 6.10 5.70 6.00 5.60 6.00 5.50
## [7505] 5.70 7.20 5.50 5.50 5.60 6.00 5.50 5.50 5.90 5.50 5.60 6.00 5.60 6.00
## [7519] 6.30 5.70 5.80 5.50 5.60 5.90 5.50 5.80 6.50 5.50 5.50 5.90 5.90 5.50
## [7533] 6.30 6.40 5.60 5.60 5.70 6.30 5.90 5.50 5.50 5.80 5.60 6.30 5.60 6.90
## [7547] 5.50 5.60 5.90 5.60 6.30 5.50 5.50 5.50 6.10 6.10 5.50 5.80 6.30 5.70
## [7561] 5.50 5.50 5.70 5.60 5.60 6.00 6.40 5.70 5.70 5.80 6.00 5.50 5.50 5.50
## [7575] 5.60 5.70 5.50 6.00 6.40 5.80 6.00 6.10 5.50 6.10 5.70 5.70 6.10 6.00
## [7589] 5.70 5.50 6.10 6.10 6.10 5.50 6.90 6.20 6.10 6.10 5.80 5.60 5.50 5.50
## [7603] 7.10 6.60 5.70 7.50 6.20 5.50 5.50 5.50 5.70 6.60 7.00 5.50 6.20 6.20
## [7617] 5.90 5.80 5.50 6.20 6.00 5.80 5.70 6.00 5.50 5.60 6.40 6.60 5.80 5.50
## [7631] 5.50 6.10 5.50 6.00 5.50 6.10 5.50 5.50 6.60 5.60 5.50 5.70 5.50 5.70
## [7645] 5.80 6.80 7.70 5.80 7.80 5.60 5.50 6.80 7.40 5.50 5.70 5.80 5.90 5.80
## [7659] 6.80 6.00 6.10 6.00 5.70 5.60 5.60 5.60 5.60 5.80 5.60 5.90 6.00 6.00
## [7673] 5.70 6.20 6.20 5.50 5.70 5.80 6.20 5.80 5.50 5.90 5.60 5.60 6.00 5.50
## [7687] 5.50 5.50 6.60 5.60 5.50 7.30 5.70 6.00 5.70 5.80 5.60 5.50 6.00 5.80
## [7701] 5.90 5.60 6.40 6.40 6.00 6.30 5.60 5.50 5.60 6.10 5.80 5.70 6.60 7.10
## [7715] 5.60 5.80 6.80 6.80 6.00 5.70 5.70 5.60 5.60 5.60 6.20 6.50 5.50 7.00
## [7729] 6.00 5.70 6.20 5.60 5.88 6.20 6.00 5.50 6.30 5.60 5.90 5.60 5.70 6.10
## [7743] 5.50 5.50 5.80 5.50 5.80 5.70 5.80 5.50 5.60 6.10 5.80 6.30 6.00 6.50
## [7757] 6.30 6.10 6.60 6.80 5.50 5.70 6.30 5.90 6.10 5.60 6.10 5.80 5.80 5.60
## [7771] 5.60 6.90 7.00 5.60 6.00 5.60 5.80 5.50 5.60 6.00 5.60 7.20 5.70 6.20
## [7785] 5.80 7.80 6.00 5.80 5.80 5.50 6.00 5.80 6.90 6.30 5.70 5.90 6.10 5.50
## [7799] 6.30 5.90 6.50 5.70 6.20 5.80 5.60 5.50 5.90 5.70 7.20 6.00 5.60 5.70
## [7813] 5.90 5.90 5.60 5.60 5.50 5.50 6.00 5.60 5.80 5.70 5.50 7.50 5.80 6.30
## [7827] 5.70 6.30 5.90 5.80 5.60 6.30 5.70 6.30 5.80 6.30 5.60 6.00 6.50 5.50
## [7841] 6.40 7.00 6.00 5.90 5.50 5.50 7.30 5.90 5.90 5.90 5.50 5.50 7.10 5.50
## [7855] 5.70 6.50 7.00 5.60 5.50 6.10 5.50 5.60 5.50 5.70 5.50 5.50 6.30 5.50
## [7869] 5.60 6.30 5.50 6.20 5.80 5.80 5.50 5.50 5.50 6.30 5.70 6.40 6.00 5.70
## [7883] 6.20 5.80 5.50 5.90 5.90 5.90 5.50 5.60 5.80 5.50 5.50 5.50 6.00 6.10
## [7897] 5.50 5.80 5.60 6.50 5.50 5.70 5.60 5.50 5.80 5.60 6.10 6.60 5.90 5.70
## [7911] 5.90 5.70 5.80 6.30 5.90 5.50 5.50 5.50 5.60 5.60 7.00 5.70 7.20 5.60
## [7925] 5.60 6.10 5.50 5.50 5.60 6.50 5.70 5.50 6.10 5.50 5.60 5.90 5.60 5.50
## [7939] 6.40 5.60 5.90 5.90 6.20 5.90 5.80 5.60 6.40 6.50 6.60 6.90 5.90 6.10
## [7953] 5.70 5.60 5.60 6.10 6.00 5.70 5.50 5.60 6.30 6.50 6.30 7.30 5.70 5.70
## [7967] 5.60 6.00 5.90 6.00 6.50 6.40 5.50 5.60 6.50 5.70 9.10 6.30 6.40 6.30
## [7981] 5.90 6.20 5.90 5.80 6.30 6.40 6.70 5.90 6.20 6.20 6.30 7.90 6.60 6.50
## [7995] 6.20 6.20 7.70 6.10 5.90 5.80 5.60 5.80 5.50 5.80 5.90 6.20 6.10 5.80
## [8009] 5.50 5.90 6.00 6.30 5.70 5.80 5.60 5.80 5.70 5.60 5.70 5.60 5.80 5.90
## [8023] 6.30 5.80 5.90 6.10 6.10 6.30 6.00 5.70 5.70 5.80 5.70 5.80 5.70 5.60
## [8037] 5.70 5.90 5.70 5.60 6.20 6.10 6.50 6.10 6.00 6.00 6.00 5.60 5.50 5.90
## [8051] 5.60 5.60 5.50 5.50 5.50 6.00 5.70 5.90 5.60 5.60 5.50 5.50 5.50 5.70
## [8065] 5.80 5.70 5.80 6.60 5.70 5.80 5.50 5.60 5.90 5.80 5.60 5.50 5.60 5.50
## [8079] 5.50 5.70 5.50 5.50 5.80 5.50 6.30 5.50 6.00 5.50 5.50 5.60 5.50 5.70
## [8093] 5.80 6.20 6.00 5.50 5.50 5.70 6.20 6.10 5.70 5.50 5.70 5.50 5.80 5.80
## [8107] 5.50 6.50 5.90 5.80 5.90 5.50 5.70 5.50 5.60 5.70 5.90 6.10 5.60 5.60
## [8121] 5.80 5.80 5.80 6.10 5.90 6.00 5.50 5.50 5.90 6.40 6.70 5.80 5.90 6.00
## [8135] 6.60 7.10 5.80 5.90 6.60 5.80 5.50 5.50 6.20 5.90 5.60 5.80 5.50 5.50
## [8149] 5.60 5.70 5.70 6.00 5.60 5.80 5.50 5.50 5.70 5.90 5.70 5.60 6.80 5.90
## [8163] 5.50 5.50 5.70 5.50 5.60 6.30 6.10 5.50 5.50 6.40 5.90 5.60 5.90 5.50
## [8177] 5.60 5.60 5.60 5.60 5.70 5.50 5.70 5.70 7.60 5.60 5.50 5.70 5.80 5.50
## [8191] 5.60 5.50 5.90 5.60 5.90 6.00 6.00 7.00 5.70 5.90 5.50 5.60 5.70 6.40
## [8205] 5.50 5.60 5.70 5.90 5.60 5.70 5.70 5.80 6.10 5.70 5.50 5.60 5.60 5.70
## [8219] 6.00 5.70 5.60 5.80 5.50 6.00 6.90 6.70 5.80 6.40 5.80 7.00 5.80 6.20
## [8233] 5.80 6.70 5.50 5.90 6.40 5.80 5.90 5.60 5.60 5.50 5.80 5.90 5.60 6.10
## [8247] 5.70 5.90 5.50 5.60 5.50 5.70 5.60 6.30 6.10 5.80 5.90 5.70 5.70 5.70
## [8261] 5.60 5.80 6.00 6.90 5.60 5.70 6.00 5.60 5.60 5.50 5.60 5.50 5.60 5.70
## [8275] 5.80 6.10 5.70 6.50 5.70 6.20 6.80 5.60 5.50 5.50 5.70 6.40 7.20 5.50
## [8289] 5.50 5.60 5.60 7.10 5.50 6.10 5.70 5.80 5.60 5.60 5.50 6.10 6.10 6.70
## [8303] 5.60 6.00 5.80 5.50 5.90 5.90 5.70 5.60 5.50 6.60 5.50 5.70 6.10 5.60
## [8317] 5.60 5.90 6.70 5.50 5.60 5.50 5.70 5.70 6.00 6.10 5.50 5.80 8.60 5.80
## [8331] 5.50 5.90 6.00 8.20 5.70 5.50 5.50 6.00 6.50 5.80 6.00 7.00 5.50 5.50
## [8345] 5.70 6.00 5.80 5.50 5.70 5.60 5.60 5.50 5.50 5.90 5.70 5.50 5.80 5.90
## [8359] 5.50 6.30 6.30 5.90 5.70 6.10 5.50 6.00 5.80 6.10 5.90 6.00 5.70 5.50
## [8373] 5.60 5.70 5.50 6.30 6.30 5.70 6.00 5.60 5.60 5.70 5.70 5.80 5.70 5.50
## [8387] 5.50 6.10 6.10 5.50 5.80 5.90 5.60 6.20 6.40 6.20 6.20 5.50 5.50 5.80
## [8401] 6.10 5.70 6.00 7.60 5.60 5.70 5.50 5.70 6.10 5.70 5.90 5.50 5.60 5.90
## [8415] 5.50 6.10 5.50 5.70 5.70 5.50 5.50 5.60 5.70 5.90 6.10 5.60 6.60 5.50
## [8429] 6.60 5.70 5.50 6.10 5.60 5.60 5.70 5.60 5.60 5.50 7.40 5.70 5.60 6.10
## [8443] 6.00 6.80 5.80 5.50 6.50 6.30 6.10 5.60 5.80 5.80 5.50 7.30 6.20 5.50
## [8457] 6.30 5.70 5.60 5.60 7.10 6.00 5.60 7.50 5.70 5.70 5.80 5.60 5.70 5.80
## [8471] 6.00 6.30 6.40 5.80 6.90 5.50 6.00 5.50 6.00 8.00 5.90 5.60 7.10 5.50
## [8485] 5.50 5.60 5.50 5.50 7.00 5.60 5.50 5.60 5.50 5.60 5.50 6.10 5.90 5.90
## [8499] 6.00 5.80 6.00 5.90 5.60 5.80 5.60 6.00 5.80 5.80 6.70 5.80 5.50 5.50
## [8513] 6.80 5.80 7.10 5.70 5.70 5.50 5.50 6.90 6.60 5.50 5.60 5.60 6.00 5.70
## [8527] 5.70 5.50 6.40 6.50 5.60 5.80 5.50 5.50 5.50 5.80 5.50 5.70 6.50 5.50
## [8541] 5.50 6.00 5.50 5.90 6.30 5.50 5.80 7.00 5.50 6.40 5.80 5.50 5.70 5.80
## [8555] 5.70 5.50 5.50 6.00 5.70 6.10 5.50 6.40 5.50 5.80 5.50 5.50 5.50 5.60
## [8569] 5.50 6.20 5.50 5.50 6.10 5.90 5.80 5.60 5.50 5.60 6.10 5.50 5.50 5.50
## [8583] 5.60 5.80 5.70 6.10 6.00 7.30 5.60 6.60 5.70 5.70 5.50 5.60 5.50 5.60
## [8597] 5.60 6.00 5.80 5.50 5.80 5.60 5.80 5.70 5.70 5.70 6.00 6.10 5.50 6.20
## [8611] 5.70 6.50 5.70 5.70 5.90 6.10 5.50 6.50 6.00 6.50 5.80 5.70 6.00 6.00
## [8625] 5.60 5.90 5.50 5.90 6.40 5.60 6.10 6.70 5.70 6.40 6.00 6.20 5.70 6.20
## [8639] 6.00 6.60 5.50 5.50 6.00 6.20 5.70 5.80 5.60 5.90 5.50 5.70 5.50 5.50
## [8653] 5.50 5.60 5.60 6.40 6.40 5.50 6.00 5.60 5.50 5.60 5.70 6.00 6.50 5.70
## [8667] 5.50 5.50 5.70 5.70 5.80 5.60 5.50 6.10 5.70 6.50 6.00 5.60 5.80 5.90
## [8681] 5.50 5.50 6.50 5.70 6.00 5.50 6.90 5.70 5.60 5.60 6.20 5.80 6.50 6.00
## [8695] 5.70 6.30 5.60 5.60 5.70 5.60 5.80 6.80 5.90 6.40 6.10 5.60 8.20 6.90
## [8709] 5.80 5.70 5.60 5.60 5.50 6.00 5.50 6.50 7.70 5.50 5.50 6.40 5.70 6.30
## [8723] 6.00 5.60 5.60 5.70 5.60 5.60 5.80 6.10 6.20 7.10 6.50 5.70 5.70 6.60
## [8737] 6.10 5.80 7.60 5.80 6.60 5.90 5.60 5.70 5.60 5.50 5.60 6.60 6.30 6.00
## [8751] 6.10 6.30 6.00 6.40 5.90 6.00 5.60 5.90 5.80 5.60 6.50 5.70 5.60 5.70
## [8765] 5.90 5.50 5.50 5.50 5.50 5.60 6.00 5.70 5.80 5.70 6.30 5.50 6.50 5.70
## [8779] 6.00 5.80 6.90 5.50 6.20 5.80 6.50 5.60 5.60 5.50 5.50 5.60 6.90 5.70
## [8793] 5.70 6.20 6.20 6.10 5.60 5.50 5.50 5.50 5.50 5.80 5.50 5.70 5.90 6.00
## [8807] 5.80 6.10 5.90 6.20 5.50 6.20 5.90 5.60 6.00 5.70 5.50 5.50 5.60 5.50
## [8821] 5.70 5.50 6.10 6.10 5.60 7.00 6.60 5.70 5.70 5.60 6.10 5.50 5.60 5.80
## [8835] 6.00 7.10 6.00 5.50 6.30 5.50 6.60 5.90 5.60 5.70 5.50 5.70 6.60 5.50
## [8849] 5.60 5.60 6.00 6.00 6.60 5.60 5.90 6.10 6.60 5.60 5.70 6.10 5.50 5.80
## [8863] 5.50 5.60 5.60 6.50 5.70 5.60 5.50 5.90 5.50 5.60 5.50 5.70 5.60 5.90
## [8877] 6.30 5.50 5.50 5.70 5.60 5.50 6.70 5.80 5.50 5.60 5.50 5.50 6.10 6.00
## [8891] 5.60 5.60 5.80 6.20 5.50 5.90 5.50 5.90 5.50 6.30 5.70 5.50 6.80 6.00
## [8905] 5.70 6.00 5.50 5.90 5.60 5.70 7.50 5.80 5.60 5.80 5.50 7.10 5.70 5.90
## [8919] 5.60 6.00 7.30 5.50 6.30 6.80 5.80 5.90 6.00 5.60 6.10 5.60 5.80 6.00
## [8933] 5.70 5.70 6.00 5.70 6.00 6.40 5.50 6.10 5.60 5.80 6.30 5.60 5.60 5.90
## [8947] 5.70 5.80 5.60 5.50 6.70 5.50 5.50 5.70 5.70 6.00 5.80 5.50 5.60 5.60
## [8961] 5.70 5.80 6.60 5.90 5.60 5.90 5.50 5.70 5.50 5.60 6.50 5.60 6.00 5.70
## [8975] 5.50 5.50 5.80 6.00 6.30 5.90 5.80 5.70 5.50 5.90 6.00 5.50 5.90 5.50
## [8989] 5.80 5.90 5.50 5.90 5.70 5.50 5.50 6.10 5.60 5.60 5.80 5.50 5.80 5.70
## [9003] 6.50 5.60 5.50 6.20 6.80 5.70 5.50 5.70 5.70 5.50 5.60 5.70 6.60 5.60
## [9017] 5.50 6.50 5.60 6.90 6.90 5.60 5.50 5.80 5.80 7.10 5.60 7.20 5.50 5.50
## [9031] 5.70 5.60 6.90 6.10 5.50 5.70 5.50 6.30 5.80 5.80 6.70 5.80 6.00 5.70
## [9045] 5.70 5.60 6.50 6.20 5.90 5.70 6.20 5.70 6.40 5.70 5.80 6.40 6.30 6.30
## [9059] 5.60 7.80 5.60 5.60 5.90 5.60 5.50 5.90 5.60 6.30 5.90 6.20 5.90 6.90
## [9073] 5.90 5.80 6.70 5.90 6.10 5.50 6.70 5.70 5.50 6.60 5.60 5.60 5.80 5.50
## [9087] 5.70 5.60 5.70 5.50 5.70 5.50 5.60 5.60 5.80 5.50 5.80 5.70 5.50 6.60
## [9101] 5.80 5.80 6.30 5.60 6.10 5.50 5.50 6.30 5.50 6.30 5.90 6.10 6.10 6.20
## [9115] 5.50 5.80 5.90 5.80 5.50 5.60 5.80 6.00 5.60 5.90 6.30 5.60 5.60 5.60
## [9129] 6.20 6.30 5.50 7.20 6.10 7.00 5.50 5.50 5.70 6.10 5.50 5.50 5.50 5.50
## [9143] 5.50 5.50 5.64 5.80 5.50 5.80 5.90 6.10 5.60 6.10 5.60 6.10 5.90 5.80
## [9157] 5.60 5.70 5.50 5.80 5.60 5.60 5.80 5.80 5.60 5.60 6.00 6.30 5.80 5.70
## [9171] 6.00 5.90 5.70 5.60 6.10 5.90 5.60 5.50 6.20 5.90 5.50 5.70 6.30 5.90
## [9185] 6.50 6.00 6.60 7.80 5.70 5.50 6.50md_tslm1 <- tslm(train_ts ~ season + trend)A continuación, utilizaremos el modelo entrenado, md_tslm1, para prever los próximos 365 días de la serie, correspondientes a las observaciones de la partición de prueba, utilizando la función de previsión:
fc_tslm1 <- forecast(md_tslm1, h = h)Comparemos el rendimiento del modelo en los conjuntos de entrenamiento y de prueba utilizando la función test_forecast():
test_forecast(actual = ts,
forecast.obj = fc_tslm1,
test = test_ts)Obtenemos el siguiente resultado:
accuracy(fc_tslm1, test_ts)## ME RMSE MAE MPE MAPE MASE
## Training set -1.897646e-17 0.4198586 0.3115015 -0.4563603 5.126011 0.7311948
## Test set -8.945715e-02 0.4548797 0.3305370 -2.0245952 5.553355 0.7758774
## ACF1 Theil's U
## Training set 0.02010647 NA
## Test set -0.09907900 0.6610147Ahora, se mejora la precisión agregando la característica trend
md_tslm2 <- tslm(train_ts ~ season + trend,
data = train_df)Ahora, añadidamos la variable de retardo al modelo, y repitamos el mismo proceso anterior:
md_tslm3 <- tslm(train_ts ~ season + trend,
data = train_df)
fc_tslm3 <- forecast(md_tslm3, h = h, newdata = test_df)El rendimiento del tercer modelo puede verse en el siguiente gráfico:
test_forecast(actual = ts,
forecast.obj = fc_tslm3,
test = test_ts)Obtenemos el siguiente resultado:
accuracy(fc_tslm3, test_ts)## ME RMSE MAE MPE MAPE MASE
## Training set -1.897646e-17 0.4198586 0.3115015 -0.4563603 5.126011 0.7311948
## Test set -8.945715e-02 0.4548797 0.3305370 -2.0245952 5.553355 0.7758774
## ACF1 Theil's U
## Training set 0.02010647 NA
## Test set -0.09907900 0.6610147Los resultados del segundo modelo muestran una pequeña mejora en la precisión.
SELECCION DE MODELOS
Los 3 mod0elos son semejantes, con una pequeña virtud para el segundo modelo, deberíamos entonces pensar en las desventajas de usar la variable de retardo, la cual es la périda de visualizaciones y cabe destacar que en el caso de que la varibale no fuera estadísticamente significativa, no poseería ningún sentido emplearla por lo que no sería aplicada.
Obtenemos el siguiente resultado:
summary(md_tslm3)$coefficients %>% tail(1)## Estimate Std. Error t value Pr(>|t|)
## trend -4.138114e-06 1.667391e-06 -2.48179 0.0130905Del mismo modo, podemos aplicar una única prueba ANOVA con la función anova del paquete paquete stats, y comprobar si la variable adicional es significativa y Optenemos el siguiente resultado:
anova(md_tslm3)## Analysis of Variance Table
##
## Response: train_ts
## Df Sum Sq Mean Sq F value Pr(>F)
## season 179 30.89 0.17255 0.9596 0.63670
## trend 1 1.11 1.10758 6.1593 0.01309 *
## Residuals 9010 1620.20 0.17982
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1El siguiente paso es volver a entrenar el modelo en todas las series y pronosticar lo siguiente. 365 días:
final_md <- tslm(ts ~ season + trend,
data = df)FINALIZACIÓN DE LA PREVISIÓN
Finalicemos el proceso creando un data.frame con los valores de yday, month y lag365 para las observaciones futuras:
TE_fc_df <- data.frame(date = seq.Date(from = max(df$Date) +
days(1),
by = "day",
length.out = h))A continuación, podemos utilizar la variable date para crear las variables wday y month con el paquete paquete lubridate:
TE_fc_df$wday <- factor(wday(TE_fc_df$date, label = TRUE), ordered = FALSE)
TE_fc_df$month <- factor(month(TE_fc_df$date, label = TRUE), ordered =
FALSE)
TE_fc_df$lag365 <- tail(df$Magnitude, h)Utilicemos la función de previsión para crear la previsión:
TEgrid_fc <- forecast(final_md, h = h, newdata = TE_fc_df)Y por último, trazaremos la previsión final con la función plot_forecast del paquete TSstudio:
plot_forecast(TEgrid_fc,
title = "Previsión Sismos",
Ytitle = "Magnitud",
Xtitle = "Año")CONCLUSIÓN
Al finalizar este informe, damos por cumplido todos los objetivos planteados. Se realizaron cada una de las partes pedidas por el profesor de la asignatura, todo esto apoyándonos en los conocimientos adquiridos en el curso de análisis estadístico y con ayuda de herramientas tecnológicas como lo es el software R studio y herramientas físicas como ordenadores. También se logró reforzar las temáticas desarrolladas en clase, familiarizándonos con el software R studio y por último, pero no menos importante, se promovió el trabajo en equipo durante la realización del presente informe.