UNI-EPIES ANLISIS MULTIVARIANTE I

DENSIDAD NORMAL MULTIVARIADA

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Si X se distribuye como una normal p-variada con parmetros media y

variancia poblacional y 2 respectivamente.

Denotaremos por: X Np(, 2)

1
1
(x-) -1(x-)
2
f(X) = e
(2)p/2 1/2

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Contorno de Densidad Constante - Curvas de Nivel

f(x1,x2)

x2
Toda X tal que (x-) -1(x-) = c2

0 x1

Elipsoide centrado en

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Enfoque Geomtrico

Los Contornos de Densidad Constante para una Distribucin Normal

p-variada son elipsoides definidos por X tal que:

(x-) -1(x-) = c2

Estos Elipsoides estn centrados en y tienen ejes c i ei

donde ei = i ei para i = 1, 2, ..., p

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Enfoque Estadstico

El elipsoide de valores X satisface la relacin (x-) -1(x-) 2p()

con probabilidad 1 -

Formulando en trminos probabilsticos:

P( (x-) -1(x-) 2p() ) = 1-

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Por ejemplo, el 50% y 90% de probabilidad de los contornos mostrados

x2 x2

2 2

1 x1 1 x1

11 = 22 , 12=0 11 = 22 , 12=0.75

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

PROPIEDADES

Si X es una v.a. (px1) con distribucin normal p-variada y parmetros

media y matriz de covarianzas y respectivamente.
1 Una combinacin lineal de las componentes de X tiene distribucin normal

2 Una cantidad q de combinaciones lineales de los componentes de X

tienen distribucin normal multivariada

3 Toda particin de X tiene distribucin normal

4 Las distribuciones condicionales de las componentes son Normales

Multivariadas

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

PROPIEDADES PARA PARTICIONES INDEPENDIENTES

1 Si X1(q1x1) y X2 (q2x1) son independientes, entonces siempre es cierto

que Cov(X1,X2)=0 es una matriz cero de q1xq2

2 Si X(px1) es particionado y su correspondiente vector de medias y matriz

varianza-covarianza:

X(1) (1) 11 12
X= = pp = tal que, 22 >0
X(2) (2) 21 22

Entonces, X(1) y X(2) son independientes si y slo si 21 = 0

3 Si X1(q1x1) y X2 (q2x1) son independientes y distribuidos como Nq1((1), 11) y

Nq2((2), 22) respectivamente, entonces,

X(1) es normal multivariada

X(2)
Lic. Luis Huamanchumo de la Cuba
UNI-EPIES ANLISIS MULTIVARIANTE I

PRUEBAS DE NORMALIDAD Y DETECCIN DE

OUTLIERS MULTIVARIADOS

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

PRUEBAS DE NORMALIDAD

1. Grfico Q-Q (Chi-cuadrado)

2. Indicadores de Mardia

3. Enfoque del Anlisis de Componentes Principales

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

GRFICO Q-Q

Sea la distancia de xj al centro de gravedad de la nube (x) igual a dj2:

dj2 = ( xj x ) S-1( xj x )

Pasos:

1. Ordenar las distancias dj2 ascendentemente: d(1)2 d(2)2 d(n)2

2. Graficar los pares: (qc,p((j )/n), d(j)2)

Donde: qc,p((j )/n) 2((n-j+1/2)/n)

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Cuatro mediciones experimentales de rigidez

FUENTE: Johnson, R. y Wichern, D. 2002. pp. 187-192

dj2 = ( xj x ) S-1( xj x )

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Grfico Q-Q

16

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

CURTOSIS Y ASIMETRA MULTIVARIADO DE MARDIA

n n n
1p =
1
n2
i=1 j=1
mij3 y 2p =
1
n m
i=1
i
4

donde

mi2 = ( xi x ) S-1 ( xi x ) y

mij = ( xi x ) S-1 ( xj x )

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

En muestras grandes desde una poblacin normal multivariada:

n 1p

( p(p+1)(p+2)/6 )
6

2p N( p(p+2) , 8p(p+2)/n )

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

ENFOQUE DEL ANLISIS DE COMPONENTES

PRINCIPALES

Si un conjunto de variables tiene distribucin normal

conjunta, entonces cualquier combinacin lineal de stas
variables tambin tendr distribucin normal conjunta

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Pasos:

1. Obtener las componentes principales si (x1, x2, , xp) se

distribuyen como una normal p-variada

y1 = L1tX = l11X1 + l21X2 + ... + lp1Xp

y2 = L2tX = l12X1 + l22X2 + ... + lp2Xp

. .
. .
. .
yp = LptX = l1pX1 + l2pX2 + ... + lppXp

2. Probar que las distribuciones marginales de y1, y2, , yp son normales

3. Comprobar que las variables originales (x) estn altamente

correlacionadas. Esto origina una gran rotacin de la transformacin
ACP con respecto a los ejes x.

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

y2 x2
Se cumple la necesidad
pero no la suficiencia

y1

x1

x2
y2
Casi imposible que las
y1 distribucin conjunta de
las xs no sea normal

x1

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

DETECCIN DE OUTLIERS

1. Distancia de Mahalanobis

2. Distancia extrema de Wilks

3. Enfoque del Anlisis de Componentes Principales

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

DETECCIN DE OUTLIERS

Pasos para detectar outliers

1. Construir un grfico de puntos para cada variable

2. Construir un grfico de puntos para cada dos variables

3. Calcular los valores estandarizados Z= zjk =HXD-1/2

4. Calcular la distancia de Mahalanobis al cuadrado: dj2 = ( xj x ) S-1( xj x )

Examinar las distancias inusualmente grandes. En la grfica Q-Q stas

seran las ms distantes al origen

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Dos outliers, uno univariado y otro bivariado

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Cuatro mediciones experimentales de rigidez

2 (0.005)=14.86
4

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Grficos de dispersin bivariados (observaciones 9 y 16 en rojo)

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

PRUEBA DE DISTANCIA EXTREMA DE WILKS

Prueba Wilks I.- Ratio de Varianzas Generalizadas (ri)

S(i)
r i2 =
S

donde S(i) denota la matriz de covarianzas muestral omitiendo xi

r i2 0 , entonces, xi es un outlier potencial

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

PRUEBA DE DISTANCIA EXTREMA DE WILKS

(Continuacin)

Prueba Wilks II.- Distancia bi2

bi2 = ( xi x(i) ) S(i)-1 ( xi x(i) )

donde,
x(i) denota la media muestral omitiendo la observacin xi

Ordenar ascendentemente las observaciones sobre la base de las distancias

mi2 es equivalente a hacerlo mediante bi2

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

PRUEBA DE DISTANCIA EXTREMA DE WILKS

(Continuacin)
Prueba Wilks III.- Prueba Estadstica para un Outlier Multivariado con
cambio de posicin

bi2 = ( xi x(i) ) S(i)-1 ( xi x(i) )

Suponiendo normalidad multivariada y la hiptesis:

Cambio slo en
Ho: xk Np( , ) k = 1, , n

H1: xi Np( i , ) ki k = 1, , n

donde ( n 1 ) bi2
Ti2 = corresponde a la prueba T2 de Hotelling
n
El valor ms grande de T2 (T2max) sobre la muestra se puede utilizar
para probar la presencia de un outlier

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

PRUEBA DE DISTANCIA EXTREMA DE WILKS

(Continuacin)
Prueba Wilks IV.- Prueba Estadstica para un Outlier Multivariado con
cambio de escala
bi2 = ( xi x(i) ) S(i)-1 ( xi x(i) )
Suponiendo normalidad multivariada y la hiptesis:

Cambio slo en Ho: xk Np( , ) k = 1, , n

H1: xi Np( , ci ) ki k = 1, , n

donde ( n 1 ) bi2
Ti2 = corresponde a la prueba T2 de Hotelling
n
Si xi correspondiente a T2max tiene la
( n -1 p ) T2i misma distribucin normal multivariada
~ F ( p, n p -1 ) que las restantes (n-1) observaciones
( n 2 )p

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

PRUEBA DE DISTANCIA EXTREMA DE WILKS

MULTIPLES OUTLIERS MULTIVARIADOS

Mtodo I.- Ratio de Varianzas Generalizadas (ri)

S(i)
ri2 =
S

donde S(i) denota la matriz de covarianzas muestral omitiendo las t

observaciones xi1 , xi2 , , xit (determinados a priori como outliers
potenciales)

r i2 0 , entonces, existen t outliers potenciales

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

CASO
Rendimiento Semanal de 10 Portafolios de Inversin Homogneos

X1 X2 X3 X4 X5 X6 X7 X8 X9 XIO X1 X2 X3 X4 X5 X6 X7 X8 X9 XIO
1 1,99 3,00 3,55 6,94 6,51 9,91 12,71 8,57 9,27 7,67 26 1,52 1,48 1,81 -1,20 -2,88 -1,79 -4,56 -3,02 -4,81 -5,11
2 4,46 6,57 9,28 13,68 15,00 18,35 19,23 18,93 17,13 16,88 27 -0,31 -0,17 -0,32 -0,54 1,18 -0,26 -3,02 -2,56 -0,67 -0,18
3 1,78 2,76 3,63 9,30 15,19 11,67 20,20 20,59 22,49 30,52 28 2,16 1,39 2,51 -0,08 1,52 -0,32 -0,41 -0,59 2,27 24,86
4 -0,16 -1,86 -0,34 -1,66 1,89 3,72 3,27 3,38 8,60 3,27 29 -0,67 0,54 -0,66 -0,07 -1,31 -1,10 -0,29 3,66 -2,75 -2,54
5 -0,35 -0,44 1,33 1,34 3,89 2,91 7,37 8,19 11,57 41,35 30 1,02 2,53 2,12 2,40 0,75 4,21 0,78 -0,65 -1,51 1,19
6 1,52 1,12 -0,22 1,24 7,32 5,59 0,96 -0,12 0,17 6,98 31 0,40 0,04 -0,30 -0,54 -1,11 -2,50 2,13 6,39 1,16 1,01
7 2,13 2,75 1,19 3,00 0,28 -0,44 1,55 -1,57 0,65 5,62 32 -0,16 -1,33 -2,58 -2,12 0,37 -2,45 -0,77 -3,79 -3,77 -2,85
8 1,29 1,77 2,75 1,98 -0,14 -2,10 -2,42 2,09 -1,01 -0,02 33 -0,21 -0,33 1,24 -0,16 -2,23 -3,74 1,79 -1,03 2,09 -0,37
9 1,31 -0,64 -2,97 -4,84 -6,54 -5,16 -5,87 -4,49 -5,43 -5,04 34 0,93 0,17 -0,18 0,60 4,35 0,96 -0,25 -1,32 1,36 -2,31
10 1,83 1,21 -0,93 -0,42 1,93 1,71 1,80 1,15 4,11 10,89 35 0,73 0,78 0,31 0,76 -1,15 3,61 0,78 -2,15 -0,16 -1,42
11 1,15 0,67 -0,93 0,55 -1,54 -1,90 -2,09 -0,30 3,01 176,80 36 1,00 -0,24 -0,01 2,43 4,46 -0,82 4,71 2,41 4,67 3,54
12 -0,48 -0,02 -3,10 -1,77 -0,52 -2,14 -4,05 -5,60 -3,50 -2,77 37 2,13 1,69 1,89 -0,78 -3,34 1,30 -1,35 -1,20 -0,20 -0,74
13 0,41 1,28 0,01 2,84 0,39 0,34 0,01 -0,72 1,93 -1,72 38 -0,73 -1,75 -1,37 -0,74 -3,90 -5,26 -5,53 -2,55 -5,19 -0,59
14 1,51 0,20 1,64 0,52 1,81 -0,31 1,63 2,63 4,78 -0,74 39 2,12 0,83 -0,43 -0,52 0,34 -1,60 -3,25 -4,34 -5,17 -1,76
15 0,11 0,45 1,97 -0,38 0,54 0,15 2,77 -1,85 0,16 -2,01 40 -0,54 -2,58 -2,68 -3,22 -3,32 -1,80 -2,95 -3,32 -4,10 -2,34
16 3,24 3,32 4,16 2,10 1,74 5,20 1,13 5,48 2,38 2,31 41 0,25 0,01 -1,02 -2,55 0,17 1,76 1,93 1,14 -0,11 -4,09
17 2,25 2,22 0,83 5,38 0,29 -1,34 -0,78 4,74 -3,04 0,28 42 -0,17 -0,53 0,05 0,35 -3,29 -0,23 -2,07 -0,11 -5,92 1,62
18 1,94 0,94 0,74 -0,83 -2,21 3,29 2,57 -0,21 -2,69 5,54 43 -0,65 -2,12 -1,54 -3,30 -3,90 -4,67 -4,93 -3,26 -3,85 -4,06
19 2,77 2,98 4,76 4,32 8,66 6,15 8,24 11,14 7,67 7,11 44 -1,16 -1,76 -2,66 -1,70 -3,80 -6,79 -4,75 -1,45 -4,63 -3,40
20 1,70 2,79 3,68 5,52 3,94 0,38 4,34 2,72 5,64 8,37 45 0,99 0,50 -1,17 -2,30 1,01 -1,28 -2,14 -3,00 -2,50 16,03
21 -0,14 -0,80 -0,56 1,55 0,27 0,56 1,42 -2,46 -0,67 0,89 46 1,36 2,37 0,50 0,59 4,43 -1,96 1,57 1,91 1,01 1,36
22 1,21 2,99 1,73 2,54 4,12 4,17 -1,17 4,68 1,59 1,63 47 0,93 0,04 -1,09 -0,49 -2,20 2,31 8,88 -0,89 -0,82 0,85
23 0,35 -1,59 -1,31 0,75 0,57 1,15 1,19 0,43 -0,62 0,07 48 1,30 -0,28 0,33 -2,84 -2,31 -3,43 -2,41 -3,96 -1,88 -2,63
24 -0,27 -0,90 1,15 0,89 -0,39 1,81 -1,19 -1,23 1,68 -2,46 49 1,82 2,00 5,00 4,42 3,30 2,45 4,50 10,86 4,57 -3,31
25 0,84 3,25 1,41 0,76 0,64 -0,12 1,07 0,49 1,37 1,46 50 0,31 -0,28 -0,50 -3,15 1,72 -1,43 -1,86 -4,43 -3,05 -4,87

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

Distancia de Mahalanobis y Prueba T2 Hotelling para Outliers Multivairados

Step 1 Step 2 Step 3 Step 4 Step 5

2 2 2 2 2
No. m F p-value m F p-value m F p-value m F p-value m F p-value
1 7.720 0.729 0.928 7.819 0.739 0.917 7.656 0.719 0.931 8.767 0.847 0.775 8.740 0.843 0.779
2 19.168 2.505 0.000 18.844 2.456 0.000 18.466 2.394 0.000 20.763 2.961 0.000 20.408 2.904 0.000
3 20.339 2.767 0.000 20.075 2.731 0.000 24.962 4.191 0.000
4 14.470 1. 634 0.030 15.467 1.806 0.013 15.750 1.864 0.010 18.289 2.37 0.001 18.047 2.343 0.001
5 10.675 1. 086 0.389 26.008 4.493 0.000
6 13.402 1. 468 0.069 13.375 1.467 0.072 13.128 1.434 0.089 12.877 1.399 0.108 12.736 1.381 0.120
7 8.623 0.832 0.805 8.799 0.853 0.772 8.621 0.831 0.803 8.425 0.807 0.833 8.611 0.828 0.801
8 5.080 0.451 0.999 5.980 0.439 0.999 4.863 0.427 0.999 4.939 0.433 0.999 5.152 0.452 0.999
9 13.257 1.446 0.077 12.987 1.409 0.096 12.971 1.410 0.099 12.987 1.416 0.100 12.824 1.394 0.114
10 9.169 0.897 0.702 9.289 0.911 0.676 9.457 0.932 0.641 11.367 1.181 0.276 12.798 1.391 0.116
11 44.867 42.340 0.000
12 8.094 0.771 0.886 7.929 0.751 0.904 7.808 0.737 0.916 7.622 0.715 0.933 7.986 0.755 0.893
13 8.583 0.828 0.812 8.620 0.831 0.804 8.589 0.827 0.808 8.426 0.807 0.833 9.007 0.875 0.730
14 5.414 0.484 0.999 6.539 0.599 0.991 6.563 0.600 0.990 6.467 0.588 0.991 6.308 0.570 0.994
15 6.669 0.614 0.988 6.695 0.615 0.987 6.599 0.604 0.989 6.806 0.625 0.982 6.809 0.624 0.982
16 9.634 0.954 0.604 9.428 0.928 0.647 9.346 0.918 0.664 9.397 0.924 0.653 9.252 0.905 0.681
17 18.288 2.322 0.000 18.332 2.348 0.000 18.622 2.428 0.000 18.222 2.361 0.001 18.222 2.381 0.001
18 8.818 0.855 0.770 9.481 0.935 0.636 9.476 0.934 0.637 9.407 0.925 0.651 10.133 1.017 0.500
19 9.481 0.935 0.637 9.712 0.963 0.587 9.529 0.941 0.626 10.074 1. 009 0.512 10.081 1.010 0.511
20 10.083 1.010 0.508 9.929 0.991 0.541 9.819 0.977 0.565 9.907 0.988 0.546 11.274 1.170 0.292
21 5.869 0.530 0.998 5.744 0.516 0.999 5.619 0.502 0.999 5.479 0.486 0.999 5.339 0.471 0.999
22 11. 284 1.166 0.283 11.041 1.135 0.325 10.800 1.103 0.369 10.675 1.087 0.393 10.569 1.074 0.415
23 7.001 0.650 0.977 6.843 0.631 0.982 6.703 0.615 0.986 6.623 0.605 0.988 6.559 0.597 0.989
24 8.604 0.830 0,808 8.658 0.836 0.798 8.516 0.818 0.820 8.381 0.802 0.840 8.179 0.777 0.868
25 12.191 1.291 0.163 12.011 1.268 0.185 11.764 1. 235 0.218 11.540 1. 205 0.250 11. 268 1.169 0.293

Lic. Luis Huamanchumo de la Cuba

UNI-EPIES ANLISIS MULTIVARIANTE I

(Continuacin)

Step 1 Step 2 Step 3 Step 4 Step 5

No. m2 F p-value m2 F p-value m2 F p-value m2 F p-value m2 F p-value
26 4.736 0.417 0.999 4.631 0.405 0.999 4.746 0.415 0.999 7.351 0.684 0.955 7.170 0.663 0.965
27 4.135 0.359 1.000 4.040 0.349 1.000 4.019 0.345 1.000 3.913 0.334 1. 000 3.860 0.334 1.000
28 6.696 0.617 0.988 15.565 1.823 0.012 23.129 3.585 0.000 24.145 3.977 0.000
29 11. 202 1.155 0.296 10.980 1.127 0.335 10.918 1.119 0.348 10.995 1.130 0.336 11.184 1.157 0.306
30 7.126 0.663 0.971 7.101 0.659 0.972 6.934 0.640 0.978 7.300 0.679 0.958 7.125 0.658 0.968
31 9.296 0.913 0.676 9.243 0.906 0.686 9.273 0.909 0.679 10.678 1.088 0.393 10.431 1. 056 0.441
32 5.570 0.500 0.999 5.570 0.498 0.999 5.606 0.501 0.999 5.490 0.487 0.999 5.619 0.499 0.999
33 10.709 1.090 0.383 10.823 1.106 0.363 10.916 1.119 0.348 10.702 1.091 0.388 10.898 1.118 0.354
34 5.068 0.449 0.999 5.780 0.520 0.998 6.530 0.597 0.990 6.408 0.582 0.992 6.764 0.619 0.983
35 5.806 0.524 0.998 5.709 0.512 0.999 5.613 0.501 0.999 5.702 0.509 0.999 5.894 0.527 0.998
36 8.264 0.791 0.862 8.483 0.815 0.827 8.410 0.806 0.837 9.219 0.902 0.689 9.006 0.875 0.730
37 8.589 0.829 0.811 8.405 0.806
0.840 8.232 0.785 0.864 8.770 0.848 0.775 8.641 0.831 0.796
38 6.206 0.565 0.996 6.668 0.613 0.988 7.103 0.658 0.971 6.933 0.638 0.978 7.341 0.682 0.954
39 7.091 0.660 0.973 6.974 0.646 0.977 7.951 0.753 0.900 9,377 0.921 0.657 9.176 0.896 0.697
40 5.210 0.464 0.999 5.089 0.450 0.999 5.075 0.447 0.999 4.947 0.433 0.999 4.820 0.419 0.999
41 6.411 0.587 0.993 7.508 0.704 0.945 7.440 0.695 0.950 7.295 0.678 0.959 8.268 0.787 0.855
42 8.793 0.852 0.775 10.019 1.002 0.522 10.662 1.085 0.394 10.510 1.066 0.425 10.800 1.105 0,372
43 3.624 0.311 1.000 3.559 0.304 1. 000 3.626 0.309 1.000 3.580 0.303 1.000 3.564 0.301 1. 00
44 7.066 0.657 0.974 6.911 0.639 0.980 6.966 0.643 0.977 6.995 0.645 0.975 6.927 0.625 0.981
45 4.264 0.371 1. 000 9.138 0.893 0.707 12.197 1. 296 0.167 12.838 1.393 0.111 23.039 3.671 0.000
46 10.446 1. 056 0.434 10.574 1.073 0.410 10.626 1.080 0.401 10.540 1.070 0.419 10.315 1.040 0.464
47 21.411 3.026 0.000 21.062 2.971 0.000 20.655 2.901 0.000 20.196 2.817 0.000 20.134 2.833 0.000
48 5.656 0.508 0.999 5.726 0.514 0.999 5.687 0.509 0.999 6.305 0.571 0.994 6.369 0.577 0.993
49 10.690 1.088 0.386 12.118 1.283 0.173 12.173 1.283 0.168 11.894 1. 255 0.203 12.087 1. 285 0.183

50 9.133 0.893 0.709 9.696 0.961 0.591 9.863 0.982 0.556 10.457 1.059 0.435 10.347 1.045 0.458

Lic. Luis Huamanchumo de la Cuba