UNIVERSIDAD NACIONAL AGRARIA LA MOLINA ESCUELA DE POST GRADO MAESTRA EN RECURSOS HDRICOS MENCIN: INGENIERA DE RECURSOS HDRICOS

MTODOS ESTADSTICOS EN HIDROLOGA

TRABAJO SEMESTRAL

ANLISIS DE SERIES DE TIEMPO DE CAUDALES DEL RIO RAMIS SPSS

- Aplicacin PROFESOR
PRESENTADO POR

:
:

Dr. GUERRERO S., Pedro

VERGARA SATURNO, Lucio E.

Cdigo N 20090742

Lima, Diciembre del 2009

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

I. RESUMEN En este trabajo semestral de aplicacin del artculo se recoge un anlisis de series de valores mensuales de caudales histricos aforados en m3/s que corresponde a la estacin Puente Ramis, situada en el ro Ramis. Los registros se hicieron durante periodos de tiempo entre 1964 y 2002, obtenindose 39 aos de registro. Para realizar la identificacin, estimacin y verificacin, tanto del modelo estacional como del no estacional, se ha utilizado el mtodo de BoxJenkins. El modelo estacional se ha identificado como ARIMA (2, 1, 0), para la serie en mencin. Los resultados del anlisis muestran que la componente estacional es un factor significativo y explica en parte que se den valores de la media anual de caudales. Asimismo, el anlisis de la componente estacional confirma el rgimen de caudales caracterizado por, inviernos y veranos.

II. OBJETIVO Analizar la serie temporal de los caudales del Ro Ramis entre 1964 y 2002 con el objeto de entender y describir los procesos aleatorios que generan las observaciones, predecir valores futuros de la variable y el control ptimo de esta clase de procesos.

III. MARCO TEORICO

Series de Tiempo El anlisis de las series temporales se enmarca en los procesos estocsticos. Una sucesin de variables aleatorias Xt (t= 1, 2,,n), donde cada valor observado puede considerarse una muestra aleatoria de tamao uno de la variable. Adems Xa y Xb estn separadas por k retardos si |a b| = k. Se denomina funcin de autocorrelacin (ACF) de un proceso a la que describe las correlaciones en dos variables cualesquiera del proceso:
(t , k ) Corr ( X t , X t k )

t,k

Para poder aplicar la metodologa se debe convertir este proceso estocstico en un proceso estacionario. Un proceso estocstico es estacionario si: - La media de Xt es constante - La varianza de Xt es constante

Ing. Lucio E. Vergara Saturno

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

- La correlacin entre Xt y Xt+k depende nicamente del nmero de retardos k. Para ajustar el modelo se analizan los residuos que se obtienen en un proceso que se denomina de ruido blanco (at). Un proceso estocstico es ruido blanco si: - La esperanza de at es igual a cero - La varianza de at es constante - La Correlacin de los ak es igual a cero - at sigue una distribucin normal

Modelos Estacionales Hasta el momento solamente se ha analizado la parte regular del modelo ARIMA. Sin embargo, muchas series hidrometeorolgicas presentan un elevado componente estacional, por lo que esta parte estacional tambin tendr un modelo ARIMA. En este caso tambin se sigue el proceso descrito antes, con la diferencia de que los retardos que se deben analizar son el retardo 12, 24 y 36 en el caso de series mensuales y los retardos 4, 8 y 12 para las series trimestrales.

La notacin del modelo ARIMA con parte estacional es la siguiente: ARIMA (p,d,q)(P,D,Q)s Donde: p: Nmero de parmetros autorregresivos. d: Nmero de diferenciaciones para que la serie sea estacionaria. q: Nmero de parmetros de medias mviles. P: Nmero de parmetros autorregresivos en la parte estacional. D: Nmero de diferenciaciones para que la serie sea estacionaria, en la parte estacional. Q: Nmero de parmetros de medias mviles en la parte estacional. s: Periodicidad de serie (s=12 serie mensual, s=4 serie trimestral).

Ing. Lucio E. Vergara Saturno

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

IV. METODOLOGIA El nombre de estos modelos ARIMA procede de las siglas en ingls de Autorregresive, Integrated and Moving Average. Su significado es Modelos integrados (I) autorregresivos (AR) y de medias mviles (MA).

Las etapas que se siguen en la elaboracin de un modelo ARIMA con fines predictivos son las siguientes: identificacin, estimacin, verificacin y pronstico.

1. Ingreso de Datos: Se incorporan los datos disponibles (en este caso mensuales) como un vector, es decir en una nica columna con el nombre x=caudal (m3/s). 2. Grfica de la serie: Con el graficador de SPSS se representa la serie histrica a fin de decidir la estacionariedad de la serie. 3. Transformaciones: En muchos casos conviene, antes de aplicar el mtodo, transformar la serie original x, segn una serie de alternativas que ofrece el programa. Esta transformacin es imprescindible en caso de que la varianza no sea constante. 4. Eliminacin de la tendencia: La observacin del grfico indicar si existe o no tendencia. 5. Identificacin del modelo: Determinar el tipo de modelo ms adecuado para la serie. La decisin se tomara en base de los correlogramas de las funciones de autocorrelacin (ACF) y de autocorrelacin parcial (PACF) que corresponden a los procesos autoregresivos y de medias mviles de las componentes regular y estacional. En caso de duda puede considerarse varias alternativas que, luego de contrastarse su validez se define el modelo adecuado. 6. Estimacin de los coeficientes del modelo como se trata de un proceso iterativo de clculo, pueden indicarse valores iniciales. 7. Contraste de validez del modelo: Se usan procedimientos para evaluar el o los modelos preseleccionados, contraste de significacin de parmetros, covarianza entre estimadores, coeficiente de correlacin, suma de cuadrado de errores, etc.

Ing. Lucio E. Vergara Saturno

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

8. Anlisis de los errores: Las diferencias entre los valores observados y los estimados por el modelo es una fuente de inters para valorarlo. 9. Seleccin del modelo: con los resultados de las etapas anteriores se decide sobre el modelo definitivo. 10. Prediccin: el modelo seleccionado se usar como frmula de prediccin.

Para el procesamiento de la informacin se utiliz el paquete SPSS (Statistics Package Social Science), versin 15.0.

V. RESULTADOS Una primera aproximacin al anlisis de la serie se realiza graficando la serie original CAUDAL (Grfico N 1). En ella se observa gran variabilidad, con valores muy altos en algunos meses. Tambin se visualiza el fuerte efecto estacional en cada uno de los 39 aos de la serie, con valores modales en febrero-marzo de cada ao y depresiones en los meses de invierno.
Grfico N 1: Serie temporal de caudales de ro Ramis. Perodo 1964-2002

500,00

400,00

Caudal (m3/s)

300,00

200,00

100,00

0,00
JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY 1964 1965 1967 1969 1970 1972 1974 1975 1977 1979 1980 1982 1984 1985 1987 1989 1990 1992 1994 1995 1997 1999 2000 2002

Fecha

Ing. Lucio E. Vergara Saturno

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

Grfico N 2: Serie de Caudales del ro Ramis transformada por Logaritmo Natural. Perodo 1964 -2002.

6,00

Serie Transformada

4,00

2,00

0,00
JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY JAN SEP MAY 1964 1965 1967 1969 1970 1972 1974 1975 1977 1979 1980 1982 1984 1985 1987 1989 1990 1992 1994 1995 1997 1999 2000 2002

Fecha

Para lograr que la media sea constante, se debe diferenciar regularmente la serie tantas veces como sea necesario para estabilizarla, identificando de esta forma el parmetro d. Como adems la serie es estacional, se tomarn diferencias de ciclo para eliminarla, identificando este parmetro como D. En la serie objeto de estudio se consider d= 0 y D = 1. Para analizar la estabilidad de la varianza en la serie transformada se aplica la prueba de Levene (Prueba de homogeneidad de las varianzas), obtenindose una significacin de p=0.064, es decir que no hay evidencia para rechazar la hiptesis nula de homogeneidad.
Prueba de homogeneidad de varianzas Serie Transformada Estadstico de Levene 1.396 gl1 38 gl2 429 Sig. .064

Para determinar si la serie presenta tendencia se recurre a la funcin de autocorrelacin simple. (Grfico N 3)

Ing. Lucio E. Vergara Saturno

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

Grafico N 3: Funcin de autocorrelacin simple de la serie de caudales sobre los 60 primeros retardos. Ro Ramis 1964-2002

Serie Transformada

1,0

Coeficiente Lmite de confianza superior Lmite de confianza inferior

0,5

ACF

0,0

-0,5

-1,0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59

Nm. de retardos

Las lneas paralelas al eje que pasa por el valor cero, corresponden a los lmites del intervalo de confianza al 95 % para el cero del coeficiente de correlacin. Si la serie presentara tendencia creciente o decreciente, el grfico mostrara un decrecimiento lento hacia 0. Sin embargo en este caso, se observa que los retardos de mltiplos de 12 (12, 24, 36, etc) presentan estructura positiva con decrecimiento hacia 0; lo que corrobora la estacionalidad de periodo 12 que mostraba el grfico de la serie original. Dado que la serie no presenta tendencia, no ser necesario diferenciarla y el parmetro d ser igual a 0. Se considera ahora las funciones de autocorrelacin simple y parcial sobre los 16 primeros retardos despus de tomar una diferenciacin estacional (D=1) que se presenta en el Grfico N 4. Los parmetros P y Q se estiman a partir de estas funciones. La serie observada tiene estacionalidad de perodo 12, y por lo tanto el modelo se ajustara a un ARIMA (p, d, q) (P, D, Q)12.

Ing. Lucio E. Vergara Saturno

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

Como los dos primeros coeficientes de la PACF son no nulos y el resto tienden a cero, y en tanto los coeficientes en la ACF decrecen con el retardo en forma exponencial o sinusoidal, el modelo ser autoregresivo AR(p), de orden P=2 y Q=0.
Grafico N 4: Funciones de autocorrelacin simple y parcial de la serie caudales, diferenciada estacionalmente sobre los 16 primeros retardos.
1,0

Serie Transformada
Coeficiente Lmite de confianza superior Lmite de confianza inferior

0,5

ACF

0,0

-0,5

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Nm. de retardos

Serie Transformada
Coeficiente Lmite de confianza superior Lmite de confianza inferior

1,0

0,5

ACF parcial

0,0

-0,5

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Nm. de retardos

Ing. Lucio E. Vergara Saturno

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

Para obtener los valores de P y Q, se realiza similar anlisis que el determinado para p y q, pero con cinco retardos solamente, que se presenta en el grfico N 5. Se observa en el ACF dos valores no significativos, lo que determina que p=2 y q=0.
Grfico N 5: Funcin de autocorrelacin y de autocorrelacin parcial de la serie de caudales diferenciada estacionalmente sobre los 5 primeros retardos estacionales.
Serie Transformada
Coeficiente Lmite de confianza superior Lmite de confianza inferior

Serie Transformada
Coeficiente Lmite de confianza superior Lmite de confianza inferior

1,0

1,0

0,5

0,5

ACF parcial

ACF

0,0

0,0

-0,5

-0,5

-1,0 1 2 3 4 5

-1,0 1 2 3 4 5

Nm. de retardos

Nm. de retardos

El modelo obtenido ser entonces ARIMA (2, 0, 0)(2, 1, 0)12. Corresponde ahora calcular los parmetros que respondan a las ecuaciones del modelo. En el Cuadro N 1 se observa la estimacin de los parmetros del modelo seleccionado, indicndose en la columna B los valores para cada uno de los coeficientes del modelo y en la ltima columna la significacin de las estimaciones.
Cuadro N 1: Calculo de las variables del modelo ARIMA y su significacin

Estimaciones de los parmetros Estimaciones .630 -.095 -.688 -.430 .010 Error tpico .047 .047 .043 .043 .023 t 13.411 -1.996 -15.955 -9.968 .426 Sig. aprox. .000 .046 .000 .000 .670

Retardos no estacionales Retardos estacionales Constante

AR1 AR2 Seasonal AR1 Seasonal AR2

Se ha utilizado el algoritmo de Melard para la estimacin.

Ing. Lucio E. Vergara Saturno

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

La constante calculada en el modelo no tiene una significacin cercana a uno, por lo que no puede eliminarse y realizar el ajuste del modelo sin considerarla, este constante.

Se efecto luego la validacin del modelo utilizando los errores que se obtienen como diferencia entre los valores de la serie Transformada y la resultante del modelo (Anexo). Se verific que la media sea igual a cero y la varianza estable. La primera es consecuencia de los mtodos de estimacin de los coeficientes del modelo, en tanto que la estabilidad de las varianzas fue comprobada al inicio de este anlisis. Tambin se verific la normalidad de los errores a travs de la prueba de KolmogorovSmirnov a un nivel de significacin 5 % (p= 0.124).
Prueba de Kolmogorov-Smirnov para una muestra Error para LnQ de ARIMA, MOD_11, CON N Parmetros normales(a,b) Media Desviacin tpica Diferencias ms extremas Absoluta Positiva Negativa Z de Kolmogorov-Smirnov Sig. asintt. (bilateral) a La distribucin de contraste es la Normal. b Se han calculado a partir de los datos. 456 .0011897 .47583990 .055 .046 -.055 1.180 .124

VI. CONCLUSIONES

El modelo desarrollado permite realizar predicciones para perodos de tiempo anteriores y posteriores al considerado en este anlisis (1964-2002). Del Grfico N 1 puede observarse la excesiva variabilidad de la serie, lo que dificulta la obtencin de un modelo que contemple tales variaciones. Si bien el modelo es perfectible en el sentido de que se pueden introducir variables que no responden a ningn patrn sistemtico de comportamiento (ARIMA con intervencin), los resultados que se presentan en el Anexo I,

Ing. Lucio E. Vergara Saturno

10

Trabajo Semestral

Curso: Mtodos Estadsticos en Hidrologa

muestran que los valores obtenidos a travs del modelo no difieren de los valores de la serie original transformada. As mismo, el anlisis del fuerte efecto estacional de las series muestra la existencia de un patrn semestral sobre el rgimen de caudales del ro Ramis de la estacin Puente Ramis que viene a confirmar los resultados obtenidos con tcnicas de anlisis mas sofisticados. Al respecto conviene aclarar que para volver a la serie de los datos del caudal en (m3/s) debe aplicarse la funcin inversa del Logaritmo Natural, con la cual se ajust el modelo.

VII. PAGINA WEB

Ferrn Aranaz, Magdalena. (1996). SPSS para Windows: Programacin y anlisis estadstico. McGraw-Hill, Madrid, Espaa,. Captulo 20 Series temporales, pg 451 a 512 y Captulo 6 Pruebas Estadstica para una muestra, pg. 135 a 140. Box, G. E. P.,Jenkins, G. M. (1976). Time series analysis Forecasting and control (rev.ed.) Holder-Day, San Francisco. Norusis, M. J. (1994). SPSS para Windows, Versin 6.0. Chicago. Leiva, R (2002). Introduccin al anlisis a la Serie de Tiempo. Universidad Nacional de Cuyo. Ctedra de Estadstica II. http://fce.uncu.edu.ar Prez, Csar (2001). Tcnicas Estadsticas con SPSS. Prentice Hall. Madrid Captulo 18 Anlisis de series temporales, pg. 535 a 557.

Ing. Lucio E. Vergara Saturno

11

ANEXO I

CAUDAL MEDIO MENSUAL (m3/s)

ESTACION
CUENCA RIO TIPO AO 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 N' DATOS MEDIA DESV.STD MIN MAX MEDIANA RAMIS RAMIS HLG ENE 149 91 96 50 76 104 88 156 159 147 165 112 258 64 250 293 112 157 294 59 165 224 361 211 89 144 92 112 153 132 215 113 79 170 85 68 98 322 85 39 148.7 76.9 50 361 132 FEB 320 232 149 67 224 125 265 435 199 247 367 307 241 88 305 226 184 266 145 97 329 203 410 134 163 176 70 89 122 143 273 81 181 310 167 157 253 277 263 39 212.6 92.6 67 435 203 MAR 198 81 143 175 153 55 251 252 153 267 301 252 208 302 220 202 223 305 220 61 219 262 410 87 266 213 86 85 110 159 168 216 114 282 142 236 234 338 282 39 203.4 81.1 55 410 216 ABR 148 63 40 54 60 61 198 65 120 187 139 125 77 120 130 148 125 159 150 21 142 218 198 57 264 140 41 80 37 96 162 100 98 147 87 172 59 149 169 39 118.1 55.8 21 264 125

PUENTE RAMIS
LATITUD LONGITUD ALTITUD MAY 40 47 46 22 29 24 55 30 37 66 49 46 27 25 45 67 33 41 49 15 44 76 41 31 61 74 15 35 11 53 72 32 31 45 23 68 29 58 78 39 42.8 17.8 11 78 41 JUN 20 23 24 13 18 13 20 18 20 30 26 19 20 14 21 32 15 14 16 9 16 33 31 15 35 50 18 17 5 16 25 15 14 22 12 23 17 31 29 39 20.7 8.3 5 50 19 1515'19.3" 6952'05.5" 3850 MSNM JUL 12 18 10 9 11 11 11 13 15 20 18 13 14 9 13 16 11 5 11 6 8 7 14 13 22 30 12 13 8 11 17 10 11 15 10 15 14 14 20 39 13.1 4.7 5 30 13 AGO 7 15 14 8 8 10 8 10 10 14 12 9 11 6 8 8 7 4 5 5 9 3 14 13 19 13 11 12 8 10 11 10 8 13 9 11 12 11 16 39 10.1 3.3 3 19 10 SET 8 12 16 9 9 9 10 8 7 13 19 16 11 4 4 3 3 3 6 5 2 6 10 13 16 14 20 11 8 6 10 8 8 12 8 10 11 10 14 39 9.5 4.3 2 20 9

CODIGO
REGION PROV DIST OCT 9 11 11 12 11 8 10 9 7 19 15 9 10 7 7 8 18 4 21 5 2 8 16 15 13 25 17 8 7 12 9 8 7 13 11 16 18 12 19 39 11.5 4.9 2 25 11 NOV 11 20 25 12 35 7 8 11 20 15 14 24 9 35 24 12 27 15 77 3 53 153 14 34 11 19 72 9 9 69 17 14 14 42 21 12 14 18 53 39 27.0 27.4 3 153 17

012203
PUNO HUANCANE HUANCANE DIC 25 73 76 52 54 25 63 27 43 25 36 62 19 39 153 48 25 54 77 11 135 148 15 52 15 45 50 24 33 121 53 23 47 48 34 19 29 27 131 39 52.2 37.0 11 153 45 MEDIA 78.9 57.2 54.2 40.3 57.3 37.7 82.3 86.2 65.8 87.5 96.8 82.8 75.4 59.4 98.3 88.6 65.3 85.6 89.3 24.8 93.7 111.8 127.8 56.3 81.2 78.6 42.0 41.3 42.6 69.0 86.0 52.5 51.0 93.3 50.8 67.3 65.7 105.6 96.6 39 72.5 22.7 24.8 127.8 75.4

COMPARACION DE LA SERIE DE CAUDALES DEL RIO RAMIS TRANSFORMADA POR LOGARITMO NATURAL Y LOS VALORES OBTENIDOS POR EL MODELO ARIMA (70 primeros casos) CASO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 AO 1964 1964 1964 1964 1964 1964 1964 1964 1964 1964 1964 1964 1965 1965 1965 1965 1965 1965 1965 1965 1965 1965 1965 1965 1966 1966 1966 1966 1966 1966 1966 1966 1966 1966 1966 1966 1967 1967 1967 1967 1967 1967 1967 1967 1967 1967 1967 1967 1968 1968 1968 1968 1968 1968 1968 1968 1968 1968 1968 1968 1969 1969 1969 1969 1969 1969 1969 1969 1969 1969 MES 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 FECHA CAUDAL (m3/s) JAN 1964 149 Feb-64 320 Mar-64 198 APR 1964 148 May-64 40 Jun-64 20 Jul-64 12 AUG 1964 7 Sep-64 8 Oct-64 9 Nov-64 11 DEC 1964 25 JAN 1965 91 Feb-65 232 Mar-65 81 APR 1965 63 May-65 47 Jun-65 23 Jul-65 18 AUG 1965 15 Sep-65 12 Oct-65 11 Nov-65 20 DEC 1965 73 JAN 1966 96 Feb-66 149 Mar-66 143 APR 1966 40 May-66 46 Jun-66 24 Jul-66 10 AUG 1966 14 Sep-66 16 Oct-66 11 Nov-66 25 DEC 1966 76 JAN 1967 50 Feb-67 67 Mar-67 175 APR 1967 54 May-67 22 Jun-67 13 Jul-67 9 AUG 1967 8 Sep-67 9 Oct-67 12 Nov-67 12 DEC 1967 52 JAN 1968 76 Feb-68 224 Mar-68 153 APR 1968 60 May-68 29 Jun-68 18 Jul-68 11 AUG 1968 8 Sep-68 9 Oct-68 11 Nov-68 35 DEC 1968 54 JAN 1969 104 Feb-69 125 Mar-69 55 APR 1969 61 May-69 24 Jun-69 13 Jul-69 11 AUG 1969 10 Sep-69 9 Oct-69 8 Ln(Q) 5 5.77 5.29 5 3.69 3 2.48 1.95 2.08 2.2 2.4 3.22 4.51 5.45 4.39 4.14 3.85 3.14 2.89 2.71 2.48 2.4 3 4.29 4.56 5 4.96 3.69 3.83 3.18 2.3 2.64 2.77 2.4 3.22 4.33 3.91 4.2 5.16 3.99 3.09 2.56 2.2 2.08 2.2 2.48 2.48 3.95 4.33 5.41 5.03 4.09 3.37 2.89 2.4 2.08 2.2 2.4 3.56 3.99 4.64 4.83 4.01 4.11 3.18 2.56 2.4 2.3 2.2 2.08 MODEL . . . . . . . . . . . . 5.01374 5.48862 5.13683 4.46902 3.23997 3.1832 2.56361 2.19612 2.53424 2.40553 2.53768 3.66604 5.20752 5.4262 4.4721 4.70454 3.22117 3.19254 2.7669 2.09278 2.52756 2.5993 2.76678 4.16343 4.96112 4.90825 4.26141 4.62758 3.52441 2.70381 2.27683 2.20632 2.26559 2.21972 2.94606 3.63143 4.44712 4.94009 5.08531 4.1006 3.66732 2.81558 2.50585 2.43264 2.22941 2.3024 2.91227 4.62404 4.14057 5.15645 4.95431 3.26325 3.73909 2.7198 2.11449 2.42296 2.43457 2.27558 ERROR . . . . . . . . . . . . -0.50288 -0.04188 -0.74238 -0.32588 0.61018 -0.0477 0.32676 0.51193 -0.04934 -0.00764 0.45805 0.62442 -0.64317 -0.42225 0.49074 -1.01566 0.60747 -0.01448 -0.46432 0.54628 0.24503 -0.20141 0.45209 0.16731 -1.0491 -0.70356 0.90338 -0.6386 -0.43337 -0.13886 -0.07961 -0.12688 -0.06836 0.26518 -0.46115 0.31981 -0.11638 0.47156 -0.05487 -0.00625 -0.30003 0.07479 -0.10795 -0.3532 -0.03219 0.0955 0.64308 -0.63505 0.50382 -0.32814 -0.94698 0.84763 -0.56103 -0.15485 0.28341 -0.12037 -0.23735 -0.19614