1.1. Problemas de regresin lineal simple con ordenador.
Problema 4.1. Los datos de la tabla adjunta proporcionan la distancia en lnea recta (LR) y por carretera (DC) entre veinte pares de puntos geogrcos (localidades) de She eld.
1. Existe una relacin lineal entre las dos variables?
2. Es sucientemente bueno el modelo de regresin lineal que explica la variable de inters DC en funcin de la variable regresora LR?. Estimar el modelo de regresin lineal. Calcular intervalos de conanza al 90 % para los parmetros del modelo.
3. Calcular la tabla ANOVA del modelo. Conclusiones que se obtienen.
4. Predecir la distancia por carretera entre dos ciudades cuya distancia en lnea recta es 25. Calcular un intervalo de prediccin al 90 %. Repetir el apartado si la distancia (LR) es 50.
Desarrollo del Problema 4.1. En primer lugar se representa la grca de dispersin de la nube de puntos que permite tener una primera idea acerca de la forma del modelo de regresin. Se utiliza el siguiente mdulo de Statgraphics
graficos > graficos de dispersion > grafico x-y
Un estudio detallado del modelo lineal simple ajustado se obtiene en
dependencia > regresion simple
Dentro de este mdulo, en el apartado resumen del procedimiento, se obtiene la recta de regresin estimada (estimacin de los coecientes de 0 y 1; desviaciones tpicas, lo que permite calcular intervalos de conanza de los mismos y test de la t). Este apartado tambin proporciona la tabla ANOVA y los coecientes de determinacin. En este problema el coeciente de correlacin es r = 0 0 969, y se concluye que el ajuste lineal es bueno. El apartado predicciones permite calcular predicciones e intervalos de conanza de la media condicionada y de prediccin para una observacin determinada.
Si la recta de regresin se quiere comparar con otros modelos linealizables se puede hacer en el apartado comparacion de modelos alternativos
Este mdulo proporciona la correlacin de doce ajustes. Con los datos de este problema los ajustes doble recproco y multiplicativo mejoran ligeramente (en correlacin) a la regresin lineal y habra que evaluar la conveniencia de trabajar con ellos. Para calcular el ajuste de alguno de estos modelos linealizablesse utiliza el apartado de opciones en resumen del procedimiento. Este mdulo tambin proporciona las observaciones con residuos grandes (residuos atipicos), las observaciones inuyentes (puntos influyentes) y diferentes grcos que permiten evaluar la bondad del ajuste y el cumplimiento de las hiptesis bsicas.
Problema 4.2. (Datos simulados) Este problema consta de dos partes. En un primer apartado se simula un conjunto de datos bidimensionales (xi; yi) que siguen un modelo de regresin lineal simple con diseo jo. En el segundo apartado se estudia el modelo de regresin que mejor se ajusta a los datos simulados en el apartado anterior. La variable regresora X toma los valores 5; 8; 12; 15; 20; 22; 25; 27; 30 y 33: Para cada valor de X se tienen 15 observaciones de la variable respuesta Y; en total, 150 observaciones. Los valores se generan a partir del modelo matemtico Y = 40 + 1 0 5X + "; donde " sigue una distribucin N 0; 10 2 : Se seguirn los siguientes pasos: Prcticas y problemas de regresin lineal simple. 3
1. Generacin de la muestra.
2. Hacer un estudio estadstico bsico de la variable condicionada Y =X:
3. Calcular la recta de regresin ajustada a las observaciones simuladas: estimacin de los parmetros, tabla ANOVA, contraste de regresin y de linealidad, intervalos de conanza. Se obtienen resultados congruentes, la recta de regresin ajustada est prxima a la recta generadora de las observaciones?
4. Contrastar las hiptesis estructurales del modelo. Existen datos atpicos?
5. Hacer predicciones para X = 10; 20; 30; 40; 50; 100: Calcular intervalos de conanza y de prediccin.
6. Estudiar otros modelos linealizables.
Desarrollo del Problema 4.2. Para generar la muestra por simulacin se siguen los siguientes pasos:
- Generar la variable error = rnormal(150; 0; 10):
- Obtener la variable respuesta y = recta + error .
La muestra (simulada) se representa en un grco bidimensional segn el anlisis
graficos > graficos de dispersion > grafico x-y
Como se dispone de varias observaciones de la respuesta para cada valor de X se debe hacer un anlisis estadstico de la variable condicionada Y =X: Para ello se utiliza el mdulo
descripcion > datos numericos > analisis de subgrupo
Introducir codes = x. Igual que en el problema anterior el anlisis de regresin se realiza en
dependencia > regresion simple
En este problema se puede hacer una tabla ANOVA ms completa y el contraste de linealidad en la opcin contraste de falta de ajuste. El desarrollo del resto del problema es anlogo al anterior y como se dispone de un nmero relativamente grande de observaciones se puede hacer un estudio ms completo acerca del cumplimiento de las hiptesis del modelo. . i i=1 x i =
2;818
x 2
=
37 0 5733
s 2 x =
7 0 9797
sx
=
2 0 82484
i=1 yi
=
4;321 0 7
y
=
57 0 6227
i=1 y i =
296;397
y 2
=
3;951 0 96
s 2 y =
631 0 586
sy
=
25 0 1313
i=1 xiyi
=
28;362 0 5
xy
=
378 0 167
sxy
=
64 0 6995
s x =
64 0 6995
7 0 9797 =
8 0 108:
2
4 Modelos estadsticos aplicados. Juan Vilar
1.2. Problema resuelto de regresin lineal simple.
Problema 4.3. Los datos de la tabla adjunta muestran el tiempo de impresin (Y ) de trabajos que se han imprimido en impresoras de la marca PR. Se est interesado en estudiar la relacin existente entre la variable de inters tiempo de impresin de un trabajo y la variable explicativa (X) nmero de pginas del trabajo Utilizando estos datos ajustar un modelo de regresin.
Solucin Problema 4.3. Se calculan los estadsticos bsicos de las variables X e Y; n
=
75
Pn =1 xi
=
408
x = 5 0 44
P n 2
Pn
P n 2
Pn
Las estimaciones de los parmetros de la recta de regresin son ^1 = s xy
H0;reg : el modelo de regresin lineal ajustado no es inuyente H1 : el modelo ajustado es inuyente Tabla ANOVA Fuentes de variacin Suma de cuadrados Grados libertad Varianzas F test p value scE (modelo) 0 39;343 34 1 2 0 s^ = 39;343 34 e 0 F = 357 86 0 0 0000 scR (Residual) 0 8025 61 73 2 0 s^ = 109 94 R 0 s^R = 10 48
Se rechaza H0;lin y se deduce que el modelo lineal no es el que mejor se ajusta a la nube de observaciones.
Predicciones. Calcular intervalos de conanza al 90 % para el tiempo medio de impresin de los trabajos que tienen 6 y 12 hojas respectivamente. Calcular intervalos de prediccin al 90 % para el tiempo de impresin de un trabajo que tiene 6 hojas. Calcular el intervalo de prediccin para el tiempo de impresin de un trabajo de 12 hojas.
En la tabla adjunta se pueden comparar las longitudes de los intervalos calculados Longitudes de los intervalos calculados Int. Conanza de (E (Y =x)) Int. Prediccin de (Y =x) nm. equivalente de observaciones xt = 6 0 2 0568 0 17 593 0 72 1651 xq = 12 0 5 1011 0 18 202 0 11 7323
i=1 Xi
=
4;330;
P12
i=1 Yi
=
54 0 4;
P12
i=1 Y i =
290 0 62;
P12
12 Modelos estadsticos aplicados. Juan Vilar
1.3. Problemas propuestos de regresin lineal simple.
Problema 4.4. (este problema se puede resolver utilizando calculadora) En la tabla adjunta se presentan el nmero de pginas y el precio de doce libros tcnicos:
Con estos datos se obtiene: (X el nmero de pginas e Y el precio): P 12 2 i=1 X i =
1;714;700;
P 12 2 i=1 XiYi
=
20;663:
1. Ajustar una recta de regresin que explique el precio en funcin del nmero de pginas e interpretar los resultados.
2. Construir la tabla ANOVA asociada. Es el ajuste adecuado?
3. Calcular intervalos de conanza al 90 % para los parmetros del modelo.
4. Calcular un intervalo de conanza al 90 % para el precio de un libro de 500 pginas.
Problema 4.5. La resistencia del cemento (r) depende, entre otras cosas, del tiempo de secado del cemento (t). En un experimento se obtuvo la resistencia de bloques de cemento con diferente tiempo de secado los resultados fueron los siguientes (Hald, A. (1952) Statistical theory with engneering applications. Wiley & Sons). En base a esta muestra,
1. Analizar la posible existencia de una relacin entre estas dos variables.
2. Qu conclusiones se deducen del contraste de regresin y del contraste de linealidad?
4. Estudiar el modelo paramtrico propuesto por A. Hald que estudiba la relacin del logaritmo de la resistencia del cemento sobre la inversa del tiempo de secado.
Problema 4.6. La variable (Y ) representa, en miles, el nmero de asnos en Espaa y la (X) el tanto por ciento del presupuesto del Estado dedicado a Educacin.
1. Representar gracamente estos datos.
2. Construir la recta de regresin que explique el comportamiento de la variable tanto por ciento del presupuesto del Estado dedicado a Educacin en funcin de la variable el nmero de asnos en Espaa e interpretar los resultados
3. Es signicativo el coeciente de correlacin entre estas dos variables?
4. Los residuos asociados al ajuste de la regresin lineal son independientes?
5. Representar las variables X e Y frente al tiempo. Calcular los coecientes de cor- relacin y rectas de regresin de las variables X e Y respecto al tiempo. Nota: Estos datos son recogidos del texto de Daniel Pea Estadstica modelos y mtodos. Vol. 2. Modelos lineales y series temporales Alianza Universidad Textos. Es un claro ejemplo de variables entre las que existe una alta correlacin estadstica pero no existe relacin entre las mismas (correlaciones espreas), su relacin estadstica es debida a la relacin que ambas tienen con una tercera (el tiempo) y que no se tiene en cuenta en el estudio.
Problema 4.7. Se llev a cabo un estudio para determinar la relacin entre el nmero de aos de experiencia (X) y el salario mensual, en miles de pesetas, (Y ) entre los informticos de una regin espaola. Se tom una muestra aleatoria de 17 informticos y se obtuvieron los siguientes datos Exper. Salario Exper. Salario Exper. Salario 13 16 30 2 8 6 0 26 1 0 33 2 0 36 1 0 16 5 0 26 4 0 19 1 31 19 20 1 4 10 0 36 4 0 33 8 0 36 5 0 16 9 0 19 8 0 24 6 27 25 7 15 13 0 36 0 0 36 5 0 21 4 0 31 0 0 31 4 ao Y X ao Y X ao Y X 1920 1925 1930 1935 1940 1;006 1;162 1;479 805 795 0 5 5 0 4 8 0 7 8 0 8 2 0 8 6 1945 1950 1955 1960 1965 747 732 683 686 493 0 9 7 0 9 6 0 8 9 0 11 4 0 10 6 1970 1975 1980 476 386 368 0 12 7 0 11 5 0 11 4 14 Modelos estadsticos aplicados. Juan Vilar
1. Calcular la regresin lineal de la variable salario frente a aos de experiencia. Calcular intervalos de conanza al 95 % para los coecientes de este modelo.
2. Calcular el coeciente de correlacin lineal y el coeciente de determinacin. Con = 0 0 05 se puede rechazar la hiptesis de que el coeciente de determinacin es cero?
3. Calcular intervalos de conanza al 90 % y 95 % para la prediccin del salario de un informtico que tiene 8 aos de experiencia.
4. Se observa alguna anomala en el grco de los residuos frente a la regresora.
Problema 4.8. El siguiente conjunto de datos era tomado sobre grupos de tra- bajadoras de Inglaterra y Gals en el perodo de 1970-72. Cada grupo est formado por trabajadores de la misma profesin (mdicos, trabajadores textiles, decoradores,...etc,) y en cada uno de los veinticinco grupos muestrados se han observado dos variables: el ndice estandarizado de consumo de cigarrillos y el ndice de muertes por cncer de pulmn. (Occupational mortality: the registar generals decennial supplement for England and Wales, 1970-72, series Ds, n.1, London:HMSO,149).
1. Estudiar la regresin lineal del ndice de mortalidad frente al ndice de fumadores.
2. Calcular la tabla ANOVA. Conclusiones.
3. Comprobar si se verican las hiptesis del modelo.
Problema 4.9. Anscombe utiliz el siguiente conjunto de datos para demostrar la importancia de los grcos en el anlisis de regresin y correlacin. Hay cuatro conjuntos de datos bidimensionales (X; Y ), el vector X es el mismo para los tres primeros conjuntos.
1. Para cada uno de los cuatro conjuntos de datos, calcular la recta de regresin de Y frente a X y el coeciente de correlacin.
2. Para cada uno de los cuatro casos, dibujar la grca de Y frente a X y la grca de los residuos frente a las predicciones. Qu conclusiones se deducen? x y x y x y 77 137 117 94 116 102 111 93 88 84 116 123 128 155 101 118 113 104 102 91 104 107 112 113 110 125 88 104 129 86 96 144 139 113 133 115 105 87 91 100 76 66 146 128 115 79 85 120 60 51 Prcticas y problemas de regresin lineal simple. 15
Problema 4.10. Los datos de la tabla adjunta muestran la cantidad de ozono reg- istrada (Y ) y su presin parcial (X) para cada capa de altitud. Cada capa tiene aprox- imadamente un kilmetro de altura. Por conveniencia las capas se han escalado a un intervalo de -7 a +7.
1. Hacer una grca de estos datos, es razonable un ajuste lineal?
2. Ajustar una funcin de regresin lineal del ozono frente a la capa. Calcular la tabla ANOVA y los contrastes de regresin y de linealidad. Conclusiones.
3. Analizar detenidamente los residuos. Se verican las hiptesis estructurales del modelo? Son los datos homocedsticos?
4. Existe un modelo no lineal que mejore el ajuste lineal?.
ajuste. Utilizando bsicamente mtodos grcos (grco de residuos frente a predicciones, histograma, grco de normalidad, grco de residuos frente al ndice, correlograma,....) contratar si se verican las hiptesis bsicas estructurales del modelo de regresin lineal o indagar la existencia de posibles problemas en el ajuste.
Problema 4.12. En 34 lotes de 120 libras de cacahuetes se observ el nivel medio de aatoxin (partes por billn) (X) y el porcentaje de cacahuetes no contaminados (Y ) :
1. Analizar estos datos e investigar la relacin entre estas dos variables para predecir Y en funcin de X. Es adecuado el ajuste lineal?
2. Verican los residuos las hiptesis estructurales?
3. Intentar encontrar un ajuste paramtrico que mejore al lineal.
Problema 4.13. En quince casas de la ciudad de Milton Keynes se observ durante un perodo de tiempo la diferencia de temperatura promedio (en grados centgrados) entre la temperatura en la calle y la temperatura en casa, y el consumo de gas diario en kWh.
1. Hacer una grca de los datos. Existe relacin entre estas dos variables?
2. Se puede explicar el consumo de gas por una relacin lineal con la diferencia de temperatura?.
3. Ajustando un polinomio de mayor grado, se obtiene un mayor coeciente de deter- minacin?, qu modelo es preferible?.
1. Dibujar la grca de estas observaciones y calcular la recta de regresin de peso frente a altura y la de altura frente a peso.
2. En la regresin lineal de peso frente a altura, se observa alguna observacin atpica?.
3. Existen observaciones inuyentes?
4. Contrastar las hiptesis estructurales del modelo.
Problema 4.15. El contenido en hierro de las escorias de los altos hornos puede ser determinada por una prueba qumica en laboratorio o, de forma ms barata y rpida, por un test magntico. Se est interesado en estudiar la relacin entre los resultados del test qumico y del test magntico. En particular, se desea saber si a partir de los resultados del test magntico (X) se pueden estimar los resultados del test qumico (Y ) sobre el contenido del hierro. Para ello, se han realizado los dos test a un conjunto de lotes recogidos secuencialmente en el tiempo. Los resultados obtenidos son los de la tabla adjunta.
1. Analizar estos datos. Hacer un estudio descriptivo y grco de los mismos.
2. Estudiar la relacin entre los tests, es adecuado el ajuste lineal?
Problema 4.16. Utilizando los datos del chero problema-4-16 que contiene datos de variables de coches.
1. Estudiar la regresin lineal entre la variable mpg (miles per galon: inversa del con- sumo) y la regresora accel (aceleracin). Existe un ajuste mejor que el lineal?
2. Estudiar la regresin lineal entre mpg y la regresora weight (peso).
3. Estudiar la regresin lineal entre mpg y la regresora price (precio).
4. Estudiar la regresin lineal entre mpg y la regresora displace.
5. Estudiar la regresin lineal entre price y la regresora accel (aceleracin).
6. Utilizando un ajuste linealizable se mejoran los ajustes lineales estudiados?
7. Estudiar la existencia de datos atpicos y datos inuyentes en los ajustes lineales o linealizables obtenidos.
Problema 4.17. Los siguientes datos representan el Producto Nacional Bruto de USA (X) y los gastos de consumo (Y ) en miles de millones de dlares de 1972, entre los aos 1960-1980
1. Ajustar un modelo lineal e interpretar los coecientes de regresin estimados.
2. Hacer la grca de los residuos frente al tiempo. Estudiar la hiptesis de indepen- dencia.
3. Si existe una autocorrelacin positiva, transformar los datos y ajustar el modelo de regresin lineal a los datos (mnimos cuadrados generalizados).
Problema 4.18. Para las compaas de seguros de hogar tiene inters estimar el coste de reemplazar algunos objetos. Una de estas compaas estaba interesada en estimar el coste de reemplazar una coleccin de 1554 libros a partir de una muestra de 100 libros. El coste de los cien libros muestrales se obtena de los catlogos de las editoriales y si algn libro estaba descatalogado su valor se calculaba utilizando el precio de un libro de similares caractersticas. Los precios estn en peniques. Prcticas y problemas de regresin lineal simple. 19
Dado que el valor de los libros era muy variable, en un intento de conseguir una mayor exactitud, se utiliz como regresora para explicar el precio de un libro el ancho del lomo del mismo (medido en milmetros). El ancho total de los 1.554 libros era de 25.182 mm. Los datos de los cien libros se encuentran en el chero problema-4-18. En base a estos datos, se pide:
1. Analizar estadsticamente las variables precio y ancho del libro.
2. Existe una relacin entre ambas variables?
3. Estimar el coste de toda la coleccin. En una primera aproximacin sin tener en cuenta la variable ancho de los libros y, en segundo lugar, teniendo en cuenta esta variable.
Problema 4.19. El chero problema-4-19 contiene datos de dos nubes de pun- tos bidimensionales ((x; Y1) y (x; Y2)). Estos datos son debidos a Wampler y los gener por simulacin para comprobar cuando un determinado programa estadstico realiza con exactitud el ajuste por mnimos cuadrados.
1. Ajustar a estas dos nubes de puntos un polinomio.
2. Qu grado de polinomio se debe ajustar?, es el ajuste bueno? exacto?.
Problema 4.20. Los datos de la tabla adjunta son el conjunto clsico de datos del test psicolgico de Strong sobre retencin de memoria. Los datos se tomaban de la siguiente manera: un conjunto de individuos memorizaban una lista de objetos inconexos y pasado un tiempo la recordaba. La variable p indica el porcentage de retencin de memoria en promedio y la variable t es el tiempo transcurrido. El objetivo del estudio era explicar la variable p en funcin de t:
1. Analizar este conjunto de datos y estudiar la relacin de la variable p respecto a t:
2. Estudiar analtica y gracmente un modelo del tipo p = exp( t) que sugiere una prdida geomtrica de la memoria.
3.
Estudiar
analtica
y
gracmente
un
modelo
del
tipo
log
p
= 0 + 1 t:
Qu
inter-
pretacin tiene este modelo?, Qu ajuste es mejor?. t p t p t p t p 1 5 15 30 0 0 84 0 0 71 0 0 61 0 0 56 60 120 240 480 0 0 54 0 0 47 0 0 45 0 0 38 720 1440 2880 5760 0 0 36 0 0 26 0 0 20 0 0 16 10080 0 0 08 20 Modelos estadsticos aplicados. Juan Vilar
Problema 4.21. El chero problema-4-21 contiene datos de 78 ciervos de Escocia en los que se estudia el crecimiento de los dientes. Para todos los ciervos de un rebao se supone que el crecimiento de los dientes naliza a la misma edad y despus la velocidad de desgaste es la misma para todos los animales y constante en el tiempo. La aleatoriedad en los resultados es debida al peso de la corona en la madurez que sigue una distribucin normal y la edad de la madurez no es conocida con exactitud. A los ciervos de la muestra se les tomo la edad y el peso en gramos del primer molar. En base a estos datos:
1. Estudiar la relacin del peso respecto a la edad.
2. Hacer los contrastes de regresin y de linealidad.
3. Analizar los residuos, se verican las hiptesis bsicas?.
Problema 4.22. En los sitemas productivos de ovejas tiene un gran inters controlar las necesidades energticas de cada animal ya que inuyen en la prediccin de la produccin de carne. Por ello, se ha tomado una muestra de 64 ovejas australianas y, a cada una de ellas, se le control su peso x (en kilogramos), y sus necesidades energticas diarias Y medidas en Mcal/da. Los resultados de la muestra se presentan en el chero problema- 4-22. En base a estos datos muestrales:
1. Estudiar la relacin lineal de Y respecto a x:
2. Estimar la media de consumo energtico de las ovejas que pesan 30, 40, 50 y 60 Kgr. Calcular intervalos de conanza al 90 % para estos valores. Hacer el mismo clculo pero considerando la prediccin del consumo energtico de una oveja de ese peso. Calcular intervalos de prediccin.
Problema 4.23. El chero problema-4-23 contiene dos conjuntos de datos bidi- mensionales en los que no existe una relacin lineal pero si es fcil encontrar la relacin existente entre las dos variables. El primer conjunto tiene 25 observaciones de molinos de viento para la produccin de energa elctrica, la variable X1 mide la velocidad del viento y la variable Y 1 mide la corriente elctrica obtenida. El segundo conjunto tiene 19 observaciones relativas a la produccin del papel, la variable X2 mide la resistencia del papel fabricado y la variable Y 2 mide la proporcin de madera en la pulpa a partir de la cual se obtiene el papel.
1. En ambos casos, dibujar la grca de la nube de puntos.
2. Obtener el modelo de regresin que mejor se ajusta a la nube de observaciones. Existe ajustes que mejoran al lineal?, el ajuste realizado es sucientemente bueno?
3. Analizar los residuos de los modelos ajustados. En base a estos datos: Prcticas y problemas de regresin lineal simple. 21
Problema 4.24. El chero problema-4-24 contiene datos relativos al peso del cuer- po (X; en kilogramos) y el peso del cerebro (Y; en gramos) de 28 especies de animales. En base a estos datos: 1. Se observa en esta nube algn dato atpico? 2. Transformar los datos para que se pueda hacer una grca de los mismos. Realizar la grca de los datos transformados. 3. Ajustar un modelo de regresin lineal a los datos transformados. Es el ajuste adecuado? Interpretarlo. 4. En el modelo transformado Existen datos atpicos?.
Problema 4.25. La dureza de los rboles es difcil de medir directamente, sin em- bargo la densidad si es relativamente fcil de medir. Por ello es de gran inters disponer de un modelo que permita predecir la dureza de un rbol a partir de su densidad. Por este motivo se ha tomado una muestra de 36 eucaliptos australianos y se les midi su densidad (X) y su dureza (Y ). Los resultados obtenidos son los de la tabla adjunta.
1. Estudiar el modelo de regresin lineal de Y respecto a X: 2. Ajustar a estos datos un polinomio de grado a determinar. Se mejora de forma apreciable el ajuste lineal? 3. Con el mejor ajuste predecir la dureza de un rbol de densidad 20, 40, 60 y 80. 4. Calcular intervalos de conanza y de prediccin al 90 % para las estimaciones del apartado anterior. 5. Analizar los residuos del modelo ajustado. 6. Considerar una transformacin de los datos de la dureza (Y ) y ajustar un modelo de regresin. El modelo ajustado con los datos transformados mejora al ajuste polinmico? Densidad Dureza Densidad Dureza Densidad Dureza 0 24 7 0 24 8 0 27 3 0 28 4 0 28 4 0 29 0 0 30 3 0 32 7 0 35 6 0 38 5 0 38 8 0 39 3 484 427 413 517 549 648 587 704 979 914 1070 1020 0 39 4 0 39 9 0 40 3 0 40 6 0 40 7 0 40 7 0 42 9 0 45 8 0 46 9 0 48 2 0 51 5 0 51 5 1210 989 1160 1010 1100 1130 1270 1180 1400 1760 1710 2010 0 53 4 0 56 0 0 56 5 0 57 3 0 57 6 0 59 2 0 59 8 0 66 0 0 67 4 0 68 8 0 69 1 0 69 1 1880 1980 1820 2020 1980 2310 1940 3260 2700 2890 2740 3140