Estadística descriptiva III
GLG-213
Universidad Mayor de San Andrés
Distribuciones bidimensionales
• Estudio de 2 o mas características de un
individuo o elemento
• En muchas situaciones las 2 características
están relacionadas entre sí
• Por ejemplo estatura y peso de personas, o 2
observaciones: un modelo y un fenómeno
natural, la ocurrencia
𝒌 𝒍
de dos minerales, etc.
𝒏𝒊𝒋 = 𝒏
𝒊=𝟏 𝒋=𝟏
Universidad Mayor de San Andrés
Tablas bidimensionales
La tabla que describe las n observaciones tiene doble entrada. Las filas con
los valores de y y las columnas con los valores x. Los cuadros interiores
describen las frecuencias compuestas entre las filas y las columnas .
Yi YTabla
1
bidimensional
Y2 de
Y3frecuencias
Y4 absolutas
… 𝑙
𝑛𝑖𝑗 = 𝑛𝑖 .
Xi 𝑗 =1
X1 F11 F12 … … … F1i
X2 F21 F22 … … … F2i
…. … … … … … …
𝒌 𝒍
𝑘
𝑛𝑖𝑗 = 𝑛.𝑗
Ci1 Ci2 … … … 𝑛. . = 𝒏𝒊𝒋 = 𝒏
𝒊=𝟏 𝒋=𝟏
𝑖=1
Universidad Mayor de San Andrés
Tablas bidimensionales
x1, x2,…xk las k modalidades o valores de la variable x
y1, y2,…yl las l modalidades o valores de la variable y
• Sean nij el numero de observaciones que presentan a la vez la modalidad o
valor xi de la variable x y la modalidad o valor yj de la variable y. La suma
de las frecuencias absolutas nij es igual al total de las observaciones:
Universidad Mayor de San Andrés
Tablas bidimensionales
Ejemplo:
Supongamos que la población masculina de 7 ciudades se ha clasificado en casados
y solteros, obteniéndose la siguiente tabla:
ciudades y A B C D E F G
condición x
Casados 133 164 155 106 153 123 146
Solteros 36 57 40 37 55 39 36
Obtener:
1. La tabla de distribución de frecuencias relativas
2. La distribución marginal de x y de y
3. El porcentaje de casados y solteros
4. La tabla de distribución de frecuencias acumuladas absolutas
Universidad Mayor de San Andrés
Tabla bidimensional absoluta
ciudades y A B C D E F G
condición x
Casados 133 164 155 106 153 123 146
Solteros 36 57 40 37 55 39 36
𝑙
Distribuciones marginales de frecuencia absolutas para x
𝑛𝑖𝑗 = 𝑛𝑖 .
se designa por un punto el total según el índice i o j. (“i” filas “j” columnas). 𝑗 =1
𝒌 𝒍
𝑘
𝑛. . = 𝒏𝒊𝒋 = 𝒏
𝑛𝑖𝑗 = 𝑛.𝑗
𝒊=𝟏 𝒋=𝟏
𝑖=1
Distribuciones marginales de frecuencia absolutas para y
Tabla bidimensional relativa
ciudades y A B C D E F G
condición x
Casados 133 164 155 106 153 123 146
Solteros 36 57 40 37 55 39 36
l
Distribuciones marginales de frecuencia relativas para x hij = hi .
j=1
k
k l
hij = h.j 𝐡. . = hij = 1
j=1 Distribuciones marginales de frecuencia relativas para y
Universidad Mayor de San Andrés i=1 j=1
Las frecuencias acumuladas absolutas bidimensionales
Universidad Mayor de San Andrés
Distribución marginal para “x” e “y”
Distribución marginal para x Distribución marginal para y
Ciudades y n.j h.i
Condición x nj. hi.
A 169 0.132
Casado 980 0.766 B 221 0.173
Soltero 300 0.234 C 195 0.152
D 143 0.112
total 1280 1
E 208 0.163
F 162 0.126
G 182 0.142
El porcentaje de casados es 76.6% total 1280 1
El porcentaje de solteros es 23.4%
Universidad Mayor de San Andrés
Asociaciones lineales: Covarianza
• La medida de asociación lineal más simple entre dos variables x e y es la
covarianza
Sea (xi, yj) con i=1,2,…,k: j=1,2,…,l los distintos valores de la variable
bidimensional (x,y), con frecuencias absolutas nij, 1,2, …k; j = 1,2,…l.
La covarianza entre las variables “x” e “y” se define como:
𝑘 𝑙
1
𝐶𝑜𝑣 𝑥, 𝑦 = 𝑛𝑖𝑗 𝑥𝑖 𝑦𝑗 − 𝑥 𝑦
𝑛
𝑖=1 𝑗 =1
Universidad Mayor de San Andrés
Correlación lineal-covarianza
• La covarianza mide la relación lineal entre x e
y. Podemos ilustrarlo así:
a. Covarianza positiva b. Covarianza negativa
Universidad Mayor de San Andrés
Correlación lineal-covarianza
c. Covarianza próxima a 0 d. Covarianza próxima a 0
Universidad Mayor de San Andrés
Asociaciones lineales: Varianza
• La varianza de la suma de dos variables x e y es igual
a la suma de las varianzas más el doble de su
covarianza:
𝑉 𝑥 + 𝑦 = 𝑉 𝑥 + 𝑉 𝑦 + 2𝐶𝑜𝑣 𝑥, 𝑦
𝑉 𝑥 − 𝑦 = 𝑉 𝑥 + 𝑉 𝑦 − 2𝐶𝑜𝑣 𝑥, 𝑦
Universidad Mayor de San Andrés
Ejemplo de covarianza
Ejemplo
Dos jueces x e y de un concurso asignaron separadamente a los 10 finalistas del
concurso los siguientes puntajes:
x 3 10 9 1 2 4 6 5 8 7
y 3 8 10 4 1 2 5 6 7 9
• Hallar la covarianza dada por los jueces bajo el supuesto de que emitieron su juicio
con absoluta independencia
• Hallar el coeficiente de relación
Universidad Mayor de San Andrés
Ejemplo de covarianza
• En este caso la covarianza esta dada por:
(xi − x)(yi − y) xi yi
Cov x, y = = − xy
n n
xi yi xiyi xi2 y i2
3 3 9 9 9 55
10 8 80 100 64 X= = 5.5
10
9 10 90 81 100
1 4 4 1 16 55
Y= = 5.5
2 1 2 4 1 10
4 2 8 16 4 372
COV X, Y = − 5.5 5.5 = 37.2 − 30.25 = 6.95
6 5 30 36 25 10
5 6 30 25 36
8 7 56 64 49
7 9 63 49 81
55 55 372 385 385
• En este caso indica una dependencia positiva directa, ya que la covarianza
también nos da el signo de la relación
Universidad Mayor de San Andrés
Ejemplo de covarianza
• Los análisis químicos realizados a unos minerales dan los
siguientes datos:
Isotopo 1 Isotopo 2
plagioclasa 0.05124 0.705505
anfibol 0.13912 0.70627
biotita 0.95322 0.713847
felds K 0.58489 0.710418
roca total 0.33975 0.708154
• Encontrar la covarianza de estos datos
Universidad Mayor de San Andrés
Ejemplo de covarianza
Isotopo A Isotopo B
plagioclasa 0.05124 0.705505
anfibol 0.13912 0.70627
biotita 0.95322 0.713847
felds K 0.58489 0.710418
roca total 0.33975 0.708154
• Usamos la formula:
(xi − x)(yi − y) xi yi
Cov x, y = = − xy
n n
Isotopo A Isotopo B
A*B
Mineral 1 0.05124 0.705505 0.03615008
Mineral 2 0.13912 0.70627 0.09825628
Mineral 3 0.95322 0.713847 0.68045324
Mineral 4 0.58489 0.710418 0.41551638
Roca A 0.33975 0.708154 0.24059532
media 0.41 0.71 1.4709713
Covarianza 9.87E-04
n 5
Ejemplo de covarianza y varianza
• Clasificar estos datos formando una tabla bidimensional de frecuencias de acuerdo
a los siguientes intervalos: (15-20), (20-25), (25-30), (30-35), (35-40)
• Confeccionar las marcas de clases de cada variable (valores intermdios)
• Calcular las frecuencias absolutas acumuladas
• Calcular las frecuencias absolutas marginales
• Calcular x, y, S x2 , S y2
• Calcular la Cov(x,y)
• V(x+y), V(x-y)
Edad del padre 37 31 26 27 32 17 25 23 24 33 17 22 33 26 36 23 39 38 24 35
Edad de la madre 36 26 26 29 30 16 17 18 27 37 28 17 31 27 22 27 23 21 30 17
Frecuencia 2 7 8 2 4 1 4 6 3 1 2 9 10 2 12 2 10 12 1 2
Universidad Mayor de San Andrés
Ejemplo de covarianza, varianza
• Encontramos las marcas de clase:
15 20 20 25
x1 : x1 17.5; x2 : x2 22.5...
2 2
15 20 20 25
y1 : y1 17.5; y2 : y2 22.5...
2 2
Universidad Mayor de San Andrés
Ejemplo de covarianza, varianza
• Construimos la tabla bidimensional de frecuencias absolutas
edad de la madre y
edad del padre x (15-20) (20-25) (25-30) (30-35) (35-40) Total
(15-20)
1 0 2 0 0 3
(20-25)
15 0 5 1 0 21
(25-30)
4 0 12 0 0 16
(30-35)
0 0 7 14 1 22
(35-40)
2 34 0 0 2 38
Total
22 34 26 15 3 100
Universidad Mayor de San Andrés
Ejemplo de covarianza y varianza
• Elaboramos una tabla de frecuencias absolutas acumuladas
edad de la madre y
edad del padre x (15-20) (20-25) (25-30) (30-35) (35-40) Total
(15-20)
1 0 2 0 0 3
(20-25)
15 0 5 1 0 21
(25-30)
4 0 12 0 0 16
(30-35)
0 0 7 14 1 22
(35-40)
2 34 0 0 2 38
Total
22 34 26 15 3 100
edad de la madre y
(15-20) (20-25) (25-30) (30-35) (35-40) 𝑁22 = 𝑛11 + 𝑛21 + 𝑛12 + 𝑛22
edad del padre x
(15-20)
1 1 3 3 3 𝑁44 = 𝑛11 + 𝑛21 + 𝑛31 + 𝑛41 +
(20-25) 𝑛12 + 𝑛22 + 𝑛32 + 𝑛42 +
16 16 23 24 24
(25-30) 𝑛13 + 𝑛23 + 𝑛33 + 𝑛43 +
20 20 39 40 40
(30-35)
𝑛14 + 𝑛24 + 𝑛34 + 𝑛44
20 20 46 61 62
(35-40)
22 56 82 97 100
Ejemplo de covarianza y varianza
• Elaboramos las tablas de frecuencias marginales
Frecuencia absoluta marginal para x Frecuencia absoluta marginal para y
xi ni. Ni. yi n.j N.i
17.5 3 3 17.5 22 22
22.5 21 24 22.5 34 56
27.5 16 40 27.5 26 82
32.5 22 62 32.5 15 97
37.5 38 100 37.5 3 100
100 100
Universidad Mayor de San Andrés
Ejemplo de covarianza y varianza
2 2
• Para hallar x, y, S x , S y construimos una tabla conjunta y añadimos unos parámetros
para la varianza y la covarianza
y 17.5 22.5 27.5 32.5 37.5 ni. u1i u1ini. u1i2ni.
x
17.5 1 0 2 0 0 3 -2 -6 12
22.5 15 0 5 1 0 21 -1 -21 21
27.5 4 0 12 0 0 16 0 0 0
32.5 0 0 7 14 1 22 1 22 22
37.5 2 34 0 0 2 38 2 76 152
n.j 22 34 26 15 3 n=100 71 207
u2j -2 -1 0 1 2
u2j n.j -44 -34 0 15 6 -57
u2j2 n.j 88 34 0 15 12 149
Universidad Mayor de San Andrés
Método abreviado para obtener la media aritmética
Si la amplitud de la clase es constante esto es y2´ − y1´ = y3´ − y2´ = ym
´ ´
− ym−1 = c en el caso
discreto cuando las y1 están especiados a una distancia constante.
1.1. Se
Se elige
elige el
elorigen
origendel
deltrabajo Ot, O
trabajo sit,elsinumero de observaciones
el numero es impar,
de observaciones es Oimpar,
t será el
Ovalor
t será el valor
central, sisielelnúmero
central, númerodedeobservaciones
observaciones es par, Ot será
es par, Otelserá
queel
tenga
quelatenga
mayorlafrecuencia
mayor frecuencia
2. Se toma le amplitud constante de los intervalos como unidad para medir las
2. Se toma le amplitud constante de los intervaos como unidad para medir las
desviaciones, respecto al origen Ot, o sea:
desviaciones, respecto al origen yOt,−o Osea:
i t
Ot = , i = 1,2, … , m.
c
3. Se calcula la media aritmética de la variable “u”, es decir:
𝑚 𝑚
1 1 yi − Ot
𝑀 𝑢 = 𝑛𝑖 𝑑𝑖 = 𝑛𝑖
𝑛 𝑛 c
𝑖=1 𝑖=1
𝑚 𝑚 𝑚
1 1 1 1
= 𝑛𝑖 (yi − Ot ) = 𝑛𝑖 yi − 𝑛𝑖 Ot =
𝑛𝑐 𝑐 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1
𝑚
1 𝑖=1 𝑛𝑖 1
𝑀 𝑦 − Ot = 𝑀 𝑦 − Ot
𝑐 𝑛 𝑐
𝑑𝑒 𝑑𝑜𝑛𝑑𝑒: 𝑀 𝑦 = 𝑐𝑀 𝑢 + Ot
Universidad Mayor de San Andrés
Ejemplo de covarianza, varianza
2 2
• Para hallar x, y, S x , S y construimos una tabla conjunta y añadimos unos parámetros
para la varianza y la covarianza
Ot1
y 17.5 22.5 27.5 32.5 37.5 ni. u1i u1ini. u1i2ni.
x
17.5 1 0 2 0 0 3 -2 -6 12
22.5 15 0 5 1 0 21 -1 -21 21
Ot2 27.5 4 0 12 0 0 16 0 0 0
32.5 0 0 7 14 1 22 1 22 22
37.5 2 34 0 0 2 38 2 76 152
n.j 22 34 26 15 3 n=100 71 207
u2j -2 -1 0 1 2
u2j n.j -44 -34 0 15 6 -57
u2j2 n.j 88 34 0 15 12 149
Universidad Mayor de San Andrés
Ejemplo de covarianza y varianza
• Hallamos x, y usando nuestra tabla y el método
corto:
71
𝑥 = 𝑂𝑡1 + 𝑐1 𝑀 𝑢1 = 27.5 + 5 = 31.05
100
m
i=1 u 1i n i.
donde M u1 =
n
−57
𝑦 = 𝑂𝑡2 + 𝑐2 𝑀 𝑢2 = 27.5 + 5 = 24.65
100
m
i=1 u 2j n .i
donde M u2 =
n
Universidad Mayor de San Andrés
Ejemplo de covarianza y varianza
Las varianzas S 2
x , S y2 se calculan también con ayuda
de la tabla:
𝑘 2
2
𝑐12 2 2
25 71
𝑆𝑥 = 𝑢1𝑖 𝑛𝑖. − 𝑢𝑖 = 207 − = 39.5429
𝑛−1 99 100
𝑖=1
𝑙 2
2
𝑐22 2 2
25 −57
𝑆𝑥 = 𝑢1𝑖 𝑛.𝑗 − 𝑢2 = 149 − = 29.4217
𝑛−1 99 100
𝑗 =1
Universidad Mayor de San Andrés
Ejemplo de covarianza y varianza
• Revisamos una propiedad de la varianza:
Propiedad
Cov(ax+b,cy+d))=acCov(x,y)
xi − Ot1 yi − Ot2
Si u1i = c1 ; u2j = c2 , entonces:
Cov x, y = Cov(c1 u1 + Ot1 , c2 u2 + Ot2 ) = c1 c2 Cov ui u2 ;
Universidad Mayor de San Andrés
y recordamos también que:
𝑘 𝑙
1
𝐶𝑜𝑣 𝑥, 𝑦 = 𝑛𝑖𝑗 𝑥𝑖 𝑦𝑗 − 𝑥 𝑦
𝑛
𝑖=1 𝑗 =1
por lo que:
5 5
1
𝐶𝑜𝑣 𝑥, 𝑦 = 𝑐1 𝑐2 𝑛𝑖𝑗 𝑢1𝑖 𝑢2𝑗 − 𝑢1 𝑢2
𝑛
𝑖=1 𝑗 =1
Universidad Mayor de San Andrés
5 5
1
𝐶𝑜𝑣 Hallamos
𝑥, 𝑦 = 𝑐1 𝑐2 𝑛𝑖𝑗 𝑢1𝑖 𝑢2𝑗 −con
𝑢1 𝑢2 la ayuda de la tabla
𝑛
𝑖=1 𝑗 =1
y 17.5 22.5 27.5 32.5 37.5 ni. u1i u1ini. u1i2ni.
x
17.5 1 0 2 0 0 3 -2 -6 12
22.5 15 0 5 1 0 21 -1 -21 21
27.5 4 0 12 0 0 16 0 0 0
32.5 0 0 7 14 1 22 1 22 22
37.5 2 34 0 0 2 38 2 76 152
n.j 22 34 26 15 3 n=100 71 207
u2j -2 -1 0 1 2
u2j n.j -44 -34 0 15 6 -57
u2j2 n.j 88 34 0 15 12 149
5 5
nij u1i u2j = 1 −2 −2 + 15 −1 −2 + 4 0 −2 + 0 1 −2 + 2 2 −2 +
i=1 j=1
0 −2 −1 + 0 −1 −1 + 0 0 −1 + 0 1 −1 + 34 2 −1 +
2 −2 0 + 5 −1 0 + 12 0 0 + 7 1 0 + 0 2 0 +
0 −2 1 + 1 −1 1 + 0 0 1 + 14 1 1 + 0 2 1 +
0 −2 2 + 0 −1 2 + 0 0 2 + 1 1 2 + 2 2 2 = −19
5 5
1 −19 71 −57
Cov x, y = c1 c2 nij u1i u2j − u1 u2 = 5x5 − = 5.3675
n 100 100 100
i=1 j=1
Universidad Mayor de San Andrés
Ejemplo de covarianza y varianza
Por último encontramos las varianzas bidimensionales, para el caso de la suma:
𝑉 𝑥 + 𝑦 = 𝑉 𝑥 + 𝑉 𝑦 + 2𝐶𝑜𝑣 𝑥, 𝑦
𝑦 + 2𝐶𝑜𝑣 𝑥, 𝑦 = 39.5429 + 29.4217 + 2 5.3675 = 79.6996
y la resta de las dos variables:
𝑉 𝑥 − 𝑦 = 𝑉 𝑥 + 𝑉 𝑦 − 2𝐶𝑜𝑣 𝑥, 𝑦
= 39.5429 + 29.4217 − 10.735 = 58.2296
Universidad Mayor de San Andrés
Correlación lineal-coeficiente de correlación
El coeficiente de correlación (o índice de correlación lineal de Pearson entre dos variables x e y
se define por:
Cov(x, y)
r=
Sx Sy
donde Sx y S y son las desviaciones típicas de x e y respectivamente
1. Si existe una relación lineal exacta entre ambas variables y todos los puntos están en la línea
y=a+bx, el coeficiente de correlación es igual a 1 (si b>0) ó -1 (si b<0)
2. Si no existe relación lineal exacta: -1 < r > 1,
3. Si r=0, cuando no hay relación entre x e y
Universidad Mayor de San Andrés
Correlación lineal-coeficiente de correlación
• De la tabla obtenemos las desviaciones típicas:
𝑥𝑖2 385
xi yi xiyi xi2 y i2 𝑠𝑥2 = − 𝑥2 = − (5.5)2 = 8.25
𝑛 10
3 3 9 9 9
10 8 80 100 64 𝑦𝑖2 385
9 10 90 81 100 𝑠𝑦2 = − 𝑦2 = − (5.5)2 = 8.25
𝑛 10
1 4 4 1 16
2 1 2 4 1
Por lo tanto el coeficiente de correlación es:
4 2 8 16 4
6 5 30 36 25 Cov(x, y) 6.95
5 6 30 25 36 r= = = 0.84
Sx Sy 8.25 8.25
8 7 56 64 49
7 9 63 49 81 Correlacion de alto grado, pues el coeficiente r esta entre -1 a +1
55 55 372 385 385
Universidad Mayor de San Andrés
Regresión lineal-mínimos cuadrados
• La regresión trata de estmar los parámetros a y b de la recta y = a + bx
basándonos en los datos (xi, yi), (x2, y2),… (xn, yn).
• Se halla la recta L, donde la suma de los cuadrados de las diferencias de
las ordenadas yi y a+bxi de los puntos observados (xi, yi) y los puntos de la
recta L, (xi, a+bxi) sea mínima.
𝑛
2 sea mínima
𝑆𝐶𝐷 = 𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 )
𝑖=1
Universidad Mayor de San Andrés
Regresión lineal-mínimos cuadrados
y = a + bx
yi, xi
yi 𝑎 = 𝑦 − 𝑏𝑥
𝐶𝑜𝑣(𝑥, 𝑦)
𝑏=
a+bxi 𝑉(𝑥)
xi, a+bxi
𝐶𝑜𝑣 𝑥,𝑦
𝑦=𝑦+ (𝑥 − 𝑥 )
𝑉 𝑥
r2=bb’ Coeficiente de correlación = 1
xi si la correlación es perfecta
𝐶𝑜𝑣(𝑥, 𝑦) 𝑥2
𝑏′ = 𝑉 𝑥 = − 𝑥2
𝑉(𝑦) 𝑛
𝑦2
𝑉 𝑦 = − 𝑦2
𝑛
Universidad Mayor de San Andrés
Regresión lineal-mínimos cuadrados
Una fábrica de cierta marca de refrescos ha tomado al azar 10 semanas al
año, observando la temperatura media correspondiente (en grados
centígrados) a cada una de ellas y la cantidad de refrescos pedidos
durante cada uno de dichos períodos. Obteniendo:
Temp media grados C 10 28 12 31 30 19 24 5 9 15
cantidad de refrescos 21 65 19 72 75 39 67 11 12 24
• Calcular la recta de ajuste, grado de dependencia de la temperatura (x)
sobre la cantidad de refrescos (y)
• El coeficiente de determinación y el coeficiente de correlación ¿se podria
planificar la producciòn con es te coeficiente?
Universidad Mayor de San Andrés
Regresión lineal-mínimos cuadrados
Cov x,y
x y xy x2 y2 y =y+ V x
(x − x)
10 21 210 100 441
28 65 1820 784 4225 183
x= 10
=18.3
12 19 228 144 361
31 72 2232 961 5184 405
y= =40.5
30 75 2250 900 5625 10
19 39 741 361 1521
24 67 1608 576 4489
5 11 55 25 121
9 12 108 81 144 xy 9612
15 24 360 225 576 Cov x, y = − xy = −(18.3)(40.5)=961.2−741.15=220.5
n 10
183 405 9612 4157 22687
𝑥2 4157
𝑉(𝑥) = −x= − (18.3)2 = 415.7 − 334.89 = 80.81
𝑛 10
220.05
𝑦 = 40.5 + 𝑥 − 18.3 = 40.5 + 2.723(𝑥 − 18.3)
80.81
𝑦 = −9.331 + 2.723𝑥
Universidad Mayor de San Andrés
Regresión lineal-mínimos cuadrados
𝑟 2 = 𝑏𝑏`
Cov x, y
𝑏= = 2.73
𝑉(𝑥)
Cov x, y
𝑏` =
𝑉(𝑦)
𝑦2 22687
𝑉(𝑦) = −y= − (40.5)2 = 2268.7 − 1640.25 = 628.45
𝑛 10
220.05
𝑏` = = 0.35
628.45
𝑟 2 = 2.723 0.35 = 0.95305
𝑟 = 𝑏𝑏` = 0.976 (𝑟 𝑒𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑎 𝑦𝑎 𝑞𝑢𝑒 𝑏 > 0)
Alto grado de relación entre x e y
Si se puede planificar la producción a atravéz de la recta de regresión mínimo cuadrado, pues
sabemos que el 95.3% de las variaciones de y están explicadas por variable independiente x, es un
porcentaje alto
Universidad Mayor de San Andrés
Determinar el coeficiente de correlación entre los siguientes análisis reportados:
Análisis
Análisis de rutina supervisado
xi (g Au/t) s
yi (g Au/t)
15.1 38.2
46.3 27.6
51.1 54.9
67.2 68.8
71.1 54.6
85 50.3
93.6 87.2
98.3 67
114.4 90.1
127.2 84.3
131.5 103.2
137.1 83.2
145 117.4
154.2 106.8
164.4 127.1
187.3 130.7
192.2 144.9
205.1 141
219.3 145.2
220.8 165.3
