Professional Documents
Culture Documents
cruzado-anidados
Modelo de diseos anidados
En algunas situaciones no se pueden combinar todos los niveles de un factor con todos
los niveles de otro, es decir, no se pueden determinar todos los posibles tratamientos que
aparecen al cruzar los factores.
Ejemplo.
Supongamos que en un centro de formacin profesional se estudia el porcentaje de
aprobados en una materia, en los grupos de maana y de tarde. Por la maana imparten
la asignatura dos personas y por la tarde tres. Cada persona da clase a tres grupos y se
supone que estos son rplicas (no son fuente de variacin).
As,
Factor A Turno (i = 1, 2)
Factor B Persona (j = 1, . . . , 5)
yij
Porcentaje de aprobados
Maana
. &
P1 P2 P3
g1 g1 g1
g2 g2 g2
g3 g3 g3
Tarde
. &
P4 P5
g1 g1
g2 g2
g3 g3
Modelo matemtico
Se dice que un factor B est anidado en otro factor A (o que sus niveles estn anidados
en los de A) cuando cada nivel del factor B aparece asociado a un nico nivel del factor
A. Se denota como B A.
A1
.
&
B1
B2
B3
obs. 1 obs. 1 obs. 1
obs. 2 obs. 2 obs. 2
obs. 3 obs. 3 obs. 3
A2
.
&
B4
B5
B6
obs. 1 obs. 1 obs. 1
obs. 2 obs. 2 obs. 2
obs. 3 obs. 3 obs. 3
Aa
.
&
Bm2 Bm1
Bm
obs. 1 obs. 1 obs. 1
obs. 2 obs. 2 obs. 2
obs. 3 obs. 3 obs. 3
para cada i,
j(i) = 0
j=1
a
X
i = 0
i=1
Se observa que j(i) representa el efecto medio adicional del nivel j-simo anidado en
el nivel i.
Por otro lado, b es el nmero de niveles anidados en cada nivel i, de modo que el
nmero total de niveles de B es a b y la suma de los efectos del factor B dentro de cada
nivel de A es 0.
2
mn = mn
yijk i j(i)
,i , j(i)
,i , j(i)
As,
XXX
= 2
yijk i j(i) = 0 =
= y
= 2
yijk i j(i) = 0 =
i
j=1 k=1
b
b X
n
X
j=1 k=1
yijk bn
y nbi = 0 =
i = yi y
Para cada i fijado y j fijado
X
= 2
yijk i j(i) = 0 =
j(i)
k=1
n
n
X
k=1
yijk n
y n (
yi y ) n j(i) = 0 =
j(i) = yij yi
De este modo,
yijk = y + (
yi y ) + (
yij yi ) = yij
El nmero total de observaciones es abn y el nmero total de parmetros a estimar es
1+(a1)+a(b1) = ab, luego el nmero de grados de libertad total es abnab = ab(n1).
De este modo, la estima de la varianza es
Pa Pb Pn
2
i=1
(yijk yij )2
.
ab(n 1)
j=1
k=1
Tabla ANOVA
Si se considera la suma de cuadrados total
SCT =
a X
b X
n
X
i=1 j=1 k=1
(yijk y )2
(yijk y )
b X
n
a X
X
i=1 j=1 k=1
(
yi y )2 +
b X
n
a X
X
i=1 j=1 k=1
b X
n
a X
X
i=1 j=1 k=1
(
yij yi )2 +
(yijk yij )2
entonces
SCT = SCA + SCB(A) + SCE
que puesto en trminos de totales queda
yij
yi
A1
B1 B2
y111 y121
..
..
.
.
A2
B3 B4
y211 y221
..
..
.
.
A3
B5 B5
y311 y321
..
..
.
.
y11n y12n
y11 y12
y1
y21n y22n
y21 y22
y2
y31n y32n
y31 y32
y3
SCT =
SCA =
a X
b X
n
X
2
yijk
1 2
y
abn
1 2
y
abn
y como SCB(A) =
Pa
i=1
SCB(A)i , entonces
1 X 2
1 XX 2
yij
y
SCB(A) =
n i=1 j=1
bn i=1 i
a
SCA
a1
SCE
ab(n1)
MCA
MCE
H0 : 1(i) = = b(i) = 0
H1 : algn j(i) 6= 0
en este caso,
F0 =
SCB(A)
a(b1)
SCE
ab(n1)
MCB(A)
MCE
H0 : 1(i) = = b(i) = 0
H1 : algn j(i) 6= 0
en este caso,
F0 =
SCB(A)i
b1
SCE
ab(n1)
MCB(A)i
MCE
S. C.
SCA
Factor B (B A) SCB(A)
Residual
SCE
Total
SCT
Si FB(A) =
MCB(A)
MCE
G. L.
a1
M. C.
MCA =
a(b 1)
ab(n 1)
abn 1
SCA
a1
SCB(A)
MCB(A) = a(b1)
SCE
MCE = ab(n1)
F
FA =
MCA
MCE
MC
FB(A) = MCB(A)
E
en i = 1, . . . , a contrastes individuales:
FB(A)i =
MCB(A)i
.
MCE
Ejemplo.
Un gelogo estudia el contenido en trazas radiactivas de cinco tipos diferentes de suelo.
Para ello recoge cuatro muestras de contenido en sustancias radiactivas en cuatro localidades diferentes que estn situadas sobre cada tipo de suelo. Se obtienen los siguientes
datos:
yij
yi
y
A
B
1 2 3 4 5 6 7 8
6 13 1 7 10 2 4 0
2 3 10 4 9 1 1 3
0 9 0 7 7 1 7 4
8 8 6 9 12 10 9 1
16 33 17 27 38 14 21 8
93
81
402
6
9 10
0 10
0 11
5
6
5
7
10 34
C
11
8
5
0
7
20
82
12
7
2
5
4
18
yij
yi
y
SCT =
13
11
0
6
4
21
14
5
10
8
3
26
15
1
8
9
4
22
88
E
16
0
8
6
5
19
17
1
4
7
9
21
18
6
7
0
3
16
19
3
0
2
2
7
58
20
3
7
4
0
14
402
a X
b X
n
X
i=1 j=1 k=1
2
yijk
1 2
y =
abn
= (62 + 132 + + 02 )
1
4022 = 969,95
80
1 2
1 X 2
y =
yi
SCA =
bn i=1
abn
a
1
1
(932 + + 582 ) 4022 = 45,75
16
80
1 X 2
1 XX 2
yij
y =
SCB(A) =
n i=1 j=1
bn i=1 i
a
1
1 2
(16 + + 142 ) (932 + + 582 ) = 282,875
4
16
S. C.
45,75
G. L.
a1=4
M. C. F
11,269 FA =
MCA
= 1,053
MCE
MCB(A)
FB(A) = MCE = 1,762
De este modo,
i=1
i=2
i=3
i=4
i=5
SCB(A)1
SCB(A)2
SCB(A)3
SCB(A)4
SCB(A)5
=
=
=
=
=
1
(162
4
1
(382
4
1
(102
4
1
(212
4
1
(212
4
1
+ 332 + 172 + 272 ) 16
932 = 50,18
1
2
2
2
+ 14 + 21 + 8 ) 16 832 = 126,18
1
+ 342 + 202 + 182 ) 16
822 = 74,75
1
2
2
2
+ 26 + 22 + 19 ) 16 882 = 6,5
1
+ 162 + 72 + 142 ) 16
582 = 25,25
S. C.
45,75
282,875
50,18
126,18
74,75
6,5
25,25
642
969,95
G. L. M. C.
4
11,269
15
18,858
3
16,726
3
42,06
3
24,92
3
2,16
3
8,41
60
10,7
79
F
FA = 1,053
FB(A) = 1,762
FB(A)1 = 1,56
FB(A)2 = 3,93
FB(A)1 = 2,33
FB(A)1 = 0,202
FB(A)1 = 0,786
Como
F3,60,00 1 = 2,18
existen diferencias significativas en los niveles B(2) y C(3), es decir, respecto a los terrenos
de tipo B y C las localidades tienen distinto nivel de sustancia radiactiva.
para todo i,
i N 0, 2
j(i) N 0, 2
ijk N 0, 2
yijk N , 2 + 2 + 2
E(MCA) = 2 + n 2 + bn 2
E(MCB(A)) = 2 + n 2
E(MCE) = 2
= MCE
2
MCB(A) MCE
=
n
MCA
MCB(A)
2
=
bn
Si FA =
MCA
> Fa1,a(b1); se rechaza la hiptesis nula, H0 2 = 0
MCB(A)
Si FB(A) =
MCB(A)
> Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 2 = 0
MCE
i = 0
i=1
para todo i,
j(i) N 0, 2
ijk N 0, 2
yijk N + i , 2 + 2
Xa
2i
bn
i=1
E(MCA) = 2 + n 2 +
a1
2
2
E(MCB(A))
=
+
n
E(MCE) = 2
= MCE
MCB(A) MCE
2 =
i = yi y
10
MCA
> Fa1,a(b1); se rechaza la hiptesis nula, H0 i = 0, i
MCB(A)
Si FB(A) =
MCB(A)
> Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 2 = 0
MCE
para todo i,
i N 0, 2
b
X
j(i) = 0
j=1
ijk N 0, 2
yijk N + j(i) , 2 + 2
E(MCA) = 2 + bn 2
Xa Xb
2j(i)
n
i=1
j=1
E(MCB(A)) = 2 +
a(b 1)
E(MCE) = 2
11
2 = MCE
MCA MCE
2 =
bn
= y y
ij
i
j(i)
MCA
> Fa1,a(b1); se rechaza la hiptesis nula, H0 2 = 0
MCE
Si FB(A) =
MCB(A)
> Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 i(i) = 0, i
MCE
.
T1
I1
I2
P1
T2 T3
I3 I5
I4 I6
&
T4
I7
I8
P2
.
&
T1 T2 T3 T4
Se observa que todos los niveles del factor posicin se cruzan con todos los niveles del
factor tamao y que el factor individuo tiene niveles distintos para cada uno de los cruces,
es decir, trabajan personas diferentes en cada caso. El esquema es P T y I (P T ).
i =
b
X
j=1
a
b
X
X
j =
()ij =
()ij = 0
i=1
(i, j) fijo
j=1
c
X
k(ij) = 0
k=1
13
= y
i = yi y
j = yj y
c ij = yij yi yj + y
()
2
X
c ij k(ij)
yijkl
i j ()
= 0 =
k(ij) i,j,k,l
2
n
X
grados de libertad
=
abcn 1
(
yi y )2
a1
(
yj y )2
b1
(
yij yi yj + y )2
ab a b + 1 = (a 1)(b 1)
(
yijk yij )2
abc ab = ab(c 1)
SCA = bcn
SCB = acn
i=1
b
X
SCAB = cn
j=1
b
a X
X
i=1 j=1
a X
b X
c
X
SCC(AB) = n
SCE =
n
a X
b X
c X
X
i=1 j=1 k=1 l=1
(yijkl yijk )2
La tabla ANOVA es
14
F. V.
Factor A
Factor B
Interaccin A*B
S. C.
SCA
SCB
SCAB
Factor C
Residual
Total
SCC(AB)
SCE
SCT
(CAB)
G. L.
a1
b1
(a1)(b1)
M. C.
A
MCA = SC
a1
SCB
MCB = b1
SCAB
MCAB = (a1)(b1)
F
MCA
FA = MC
E
B
FB = MC
MCE
AB
FAB = MC
MCE
SC
C(AB)
MCC(AB) = ab(c1)
SCE
MCE = abc(n1)
ab(c1)
abc(n1)
FC(AB) =
MCC(AB)
MCE
abcn1
E1 E2 E1 E2
Tienda 2
.
&
V
I
E 3 E4 E 3 E4
Se observa, aqu, que el factor C (empleado) no est anidado en el cruce de los factores
A y B (AB) porque no est combinado con una nica combinacin (i, j), ya que se supone
que estn los mismos empleados en verano e invierno.
As,
Empleados T iendas = C A
Empleados Ropa = C B
T iendas Ropa = A B
15
Modelo matemtico.
yijkl = + i + j + ()ij + k(i) + ()k(i)j + ijkl
donde
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , c
l = 1, . . . , n
sujeto a las restricciones
a
X
i =
i=1
b
X
a
b
X
X
j =
()ij =
()ij = 0
c
X
k(i) = 0
j=1
i=1
j=1
y para cada i
k=1
c
b
X
X
()k(i)j =
()k(i)j = 0
j=1
k=1
Se minimiza la suma de cuadrados de los errores para obtener los estimadores, derivando
con respecto a cada uno delo parmetros e igualando a 0. Se obtiene:
= y
i = yi y
j = yj y
c ij = yij yi yj + y
()
k(i) = yik yi
2
X
c ij k(i) ()k(i)j
yijkl
i j ()
= 0 =
()k(i)j i,j,k,l
X
2
= 0
yijkl yij yik + yi ()k(i)j
()k(i)j i,j,k,l
n
X
2
yijkl yij yik + yi ()k(i)j = 0 =
l=1
16
y queda
d
()
ijk yij yik + yi
k(i)j = y
n
a X
b X
c X
X
SCB = acn
abcn 1
(
yi y )2
a1
(
yj y )2
b1
ab a b + 1 =
= (a 1)(b 1)
ac a = a(c 1)
abc ab ac + a =
a(b 1)(c 1)
abcn abc =
= abc(n 1)
i=1
b
X
SCAB = cn
j=1
b
a X
X
(
yij yi yj + y )2
i=1 j=1
a X
c
X
SCC(A) = bn
(yijkl y )2
SCA = bcn
(
yik yi )2
i=1 k=1
b X
c
a X
X
SCBC(A) = n
SCE =
grados de libertad
n
a X
b X
c X
X
i=1 j=1 k=1 l=1
(
yijk yij yik + yi )2
(yijkl yijk )2
i =
b
X
j =
j=1
a
b
X
X
()ij =
()ij = 0
i=1
j=1
(i, j) fijo
k(ij) N(0, 2 )
ijkl N(0, 2 )
independientes entre s.
Las esperanzas de los cuadrados medios son:
Xa
2i
bcn
i=1
2
2
E[MCA] = + n +
aX
1
2j
acn
j=1
E[MCB] = 2 + n 2 +
bX
1 X
a
b
()2ij
cn
i=1
j=1
2
2
E[MCAB] = + n +
(a 1)(b 1)
2
2
E[MCC(AB)] = + n
E[MCE] = 2
2 = MCE
MCC(AB) MCE
2 =
n
MCA
> Fa1,ab(c1); se rechaza la hiptesis nula, H0 i = 0, i
MCC(AB)
Si FB =
MCB
> Fb1,ab(c1); se rechaza la hiptesis nula, H0 j = 0, j
MCC(AB)
Si FAB =
MCAB
> F(a1)(b1),ab(c1); se rechaza la hiptesis nula, H0 ()ij = 0, ij
MCC(AB)
Si FC(AB) =
MCC(AB)
> Fab(c1),abc(n1); se rechaza la hiptesis nula, H0 2 = 0
MCE
18
2
i=1 i
.
a1
a
2
1
2
1
Tipo Factor
Num. Niveles
Subndices
i
j
()ij
(ij)k
A
b
j
b
1
1
1
A
n
k
n
n
n
1
1. El trmino del error del modelo ij...m se representa como (ij...)m donde m es el
ndice de las replicaciones, es decir, fijados ij . . . se consideran m rplicas aleatorias.
2. Los subndices de cada trmino se subdividen en tres clases:
activos: estn en el trmino y no se encuentran entre parntesis.
pasivos: estn en el trmino pero se encuentran entre parntesis.
ausentes: No estn en el trmino aunque pertenecen al modelo.
3. En cada fila se escribe un 1 si uno de los subndices pasivos (tambin estn entre
parntesis los correspondientes a los anidados) del componente de la fila coincide
con el subndice de la columna.
19
Tipo Factor
Num. Niveles
Subndices
i
j
()ij
(ij)k
Pa
i=1
2
2
2
F A A
a b n
i j k
2i (a 1)
1
2
1 1
2
1 1 1
Tipo Factor
Num. Niveles
Subndices
i
j
()ij
(ij)k
En los huecos restantes, se escribe el nmero de niveles que tiene la columna correspondiente. Queda as la siguiente tabla:
F
a
i
Pa
2
(a
1)
0
i=1 i
2
a
2
1
2
1
Tipo Factor
Num. Niveles
Subndices
i
j
()ij
(ij)k
A
b
j
b
1
1
1
A
n
k
n
n
n
1
i i
E[MCA] = bn a1
+ n 2 + 2
E[MCB] = an 2 + n 2 + 2
E[MCAB] = n 2 + 2
E[MCE] = 2
MCA
para H0 i = 0, i
MCAB
FB =
MCB
para H0 2 = 0
MCAB
FAB =
MCAB
para H0 2 = 0
MCE
i
j
()ij
(ij)k
2
2
2
2
A
a
i
1
a
1
1
A
b
j
b
1
1
1
A
n
k
n
n
n
1
21
FA =
MCA
para H0 2 = 0, i
MCAB
FB =
MCB
para H0 2 = 0
MCAB
FAB =
MCAB
para H0 2 = 0
MCE
(b
1)
a
j
Pj=1
a Pb
2
i=1
j=1 ()ij (a 1)(b 1) 0
2
1
Tipo Factor
Num. Niveles
Subndices
i
j
()ij
(ij)k
F
b
j
b
0
0
1
A
n
k
n
n
n
1
2
i=1 i
+ 2
a1
Sb
2j
E[MCB] = an j=1
+ 2
b1
Sa Sb
2
j=1 ()ij
E[MCAB] = n i=1
(a1)(b1)
2
E[MCA] = bn
+ 2
E[MCE] =
MCA
para H0 i = 0, i
MCE
FB =
MCB
para H0 j = 0, j
MCE
FAB =
MCAB
para H0 ()ij = 0, i, j
MCE
donde
a
X
i = 0
i=1
para todo i,
j(i) N 0, 2
ijk N 0, 2
1
2
1
Tipo Factor
Num. Niveles
Subndices
i
j(i)
(ij)k
A
b
j
b
1
1
A
n
k
n
n
1
i=1 i
E[MCA] = bn a1
+ n 2 + 2
E[MCB(A)] = n 2 + 2
E[MCE] = 2
MCA
para H0 i = 0, i
MCB(A)
FB =
MCB(A)
para H0 2 = 0
MCE
23
donde
i N(0, 2 )
j N 0, 2
ij N 0, 2
donde todas las v.a. son independientes.
Tipo Factor
Num. Niveles
Subndices
i
j
ij
2
2
2
A
a
i
1
a
1
A
b
j
b
1
1
F*
1
k
1
1
1
(*) En este caso no hay rplicas aleatorias y hay un slo elemento fijo (k = 1) . De
este modo, k no es una rplica por lo que se pone ij .
Las medias de cuadrados son:
E[MCA] = b 2 + 2
E[MCB] = a 2 + 2
E[MCE] = 2
Por tanto, el contraste de hiptesis es:
FA =
MCA
para H0 2 = 0
MCE
24
donde
b
X
j=1
i N(0, 2 )
j = 0
ij N 0, 2
1
Tipo Factor
Num. Niveles
Subndices
i
j
ij
F
b
j
b
0
1
F*
1
k
1
1
1
(*) En este caso no hay rplicas aleatorias y hay un slo elemento fijo (k = 1) . De
este modo, k no es una rplica por lo que se pone ij .
Las medias de cuadrados son:
E[MCA] = bS2 + 2
E[MCB] = a
E[MCE] = 2
b
j=1
2j
b1
+ 2
MCA
para H0 2 = 0
MCE
25
Aplicacin con R
# Diseo anidado
datos <- read.table("datAnida.txt", header=T)
attach(datos)
terreno <- as.factor(terreno)
locali <- as.factor(locali)
# Dos formas de programarlo:
modelo <- aov(silice ~ terreno + terreno/locali)
# alternativamente:
modelo <- aov(silice ~ terreno + locali%in%terreno)
summary(modelo)
26
3 1 0
3 1 0
3 1 5
3 1 5
3 2 10
3 2 11
3 2 6
3 2 7
3 3 8
3 3 5
3 3 0
3 3 7
3 4 7
3 4 2
3 4 5
3 4 4
4 1 11
4 1 0
4 1 6
4 1 4
4 2 5
4 2 10
4 2 8
4 2 3
4 3 1
4 3 8
4 3 9
4 3 4
4 4 0
4 4 8
4 4 6
4 4 5
5 1 1
5 1 4
5 1 7
5 1 9
5 2 6
5 2 7
5 2 0
5 2 3
5 3 3
5 3 0
5 3 2
5 3 2
5 4 3
5 4 7
5 4 4
5 4 0
;
proc glm;
class terreno locali;
model silice=terreno locali(terreno);
contrast 'locali(terreno_A)'
locali(terreno) 1 -1 0
0 ,
locali(terreno) 1 0 -1
0 ,
locali(terreno) 1 0 0 -1 ;
contrast 'locali(terreno_B)'
locali(terreno) 0 0 0 0 1 -1 0
locali(terreno) 0 0 0 0 1 0 -1
locali(terreno) 0 0 0 0 1 0 0
0 ,
0 ,
-1 ;
27
contrast 'locali(terreno_C)'
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
1 -1 0
1 0 -1
1 0 0
0 ,
0 ,
-1 ;
contrast 'locali(terreno_D)'
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
1 -1 0
1 0 -1
1 0 0
0 ,
0 ,
-1 ;
contrast 'locali(terreno_E)'
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
1 -1 0
1 0 -1
1 0 0
0 ,
0 ,
-1 ;
means locali(terreno);
run;
ANOVA ANIDADO
The GLM Procedure
Class Level Information
Class
terreno
locali
Levels
5
4
Values
1 2 3 4 5
1 2 3 4
Number of observations
80
ANOVA ANIDADO
The GLM Procedure
Dependent Variable: silice
Source
DF
Sum of
Squares
Mean Square
F Value
Pr > F
Model
19
327.9500000
17.2605263
1.61
0.0823
Error
60
642.0000000
10.7000000
Corrected Total
79
969.9500000
R-Square
Coeff Var
Root MSE
silice Mean
0.338110
65.09623
3.271085
5.025000
Source
terreno
locali(terreno)
DF
4
15
Type I SS
45.0750000
282.8750000
Mean Square
11.2687500
18.8583333
F Value
1.05
1.76
Pr > F
0.3876
0.0625
Source
terreno
locali(terreno)
DF
4
15
Type III SS
45.0750000
282.8750000
Mean Square
11.2687500
18.8583333
F Value
1.05
1.76
Pr > F
0.3876
0.0625
28
Contrast
locali(terreno_A)
locali(terreno_B)
locali(terreno_C)
locali(terreno_D)
locali(terreno_E)
DF
3
3
3
3
3
Contrast SS
50.1875000
126.1875000
74.7500000
6.5000000
25.2500000
Level of
locali
Level of
terreno
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
1
1
1
2
2
2
2
3
3
3
3
4
4
4
4
5
5
5
5
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
Mean Square
16.7291667
42.0625000
24.9166667
2.1666667
8.4166667
F Value
1.56
3.93
2.33
0.20
0.79
Pr > F
0.2076
0.0125
0.0835
0.8943
0.5061
------------silice----------Mean
Std Dev
4.00000000
8.25000000
4.25000000
6.75000000
9.50000000
3.50000000
5.25000000
2.00000000
2.50000000
8.50000000
5.00000000
4.50000000
5.25000000
6.50000000
5.50000000
4.75000000
5.25000000
4.00000000
1.75000000
3.50000000
3.65148372
4.11298756
4.64578662
2.06155281
2.08166600
4.35889894
3.50000000
1.82574186
2.88675135
2.38047614
3.55902608
2.08166600
4.57347424
3.10912635
3.69684550
3.40342964
3.50000000
3.16227766
1.25830574
2.88675135
29