Sunteți pe pagina 1din 30

Academia de Studii

Economice
Facultatea de Cibernetic, Statistic i Informatic Economic

Proiect Analiza Datelor

Student: Ionescu Andreea Gabriela, grupa 1043

Bucureti
-2015-

Cuprins
Descrierea datelor analizate.......................................................................................................... 3
Analiza componentelor principale.................................................................................................. 7
Analiza cluster......................................................................................................................... 14
Analiza discriminant............................................................................................................... 21

Descrierea datelor analizate


Datele alese pentru analiz sunt date relevante pentru determinarea calitii vieii n 80 de ri din
ntreaga lume. Datele ce vor fi analizate sunt date de tip profil, deoarece reprezint rezultate ale unor
msurtori efectuate n acelai timp ( anul 2011 ) asupra a 7 caracteristici ce sunt supuse studiului. Pentru
caracterisiticile analizate voi utiliza urmtoarele prescutri:
PIB = Produs intern brut per capita ($);
VM = Venitul mediu ( PPP $ brut );
CASP = Cheltuieli asigurate pentru sntate per capita ($);
CE = Cheltuieli privind educaia ( % PIB );
DAV = Durata ateptat a vieii ( ani );
RC = Rata criminalitii ( calculat la 100000 persoane )
ECL = Exportul pe cap de locuitor ( $ )

Importarea cu succes a datelor n SAS:

Afiarea datelor importate n SAS cu procedura PROC PRINT:


Analiza
statistic
a
variabilelor.
Msurile au fost
obinute
cu
ajutorul
procedurii PROC
UNIVARIATE.

Lowest

PIB

VM

CASP

CE

DAV

RC

ECL

1924
3056
3475
4666
5425
66
214
295
325
333
51
51
61
108
119
1.1
1.73
1.91
2.59
2.6
54
60
61
61
65
0.2
0.2
0.3
0.6
0.6
16
189
194
247

Obs.
1
16
41
65
26
1
31
40
39
55
16
1
40
41
31
29
1
20
61
60
38
1
30
2
40
70
47
43
41
28
1
16
27
65

Highest

Obs.

63181
64363
73823
78762
90333
3969
3983
4089
4297
4519
6304
7452
8895
8980
9055
7.81
7.9
8.58
8.74
14.20
83
83
83.3
84
84.6
30.8
31
39.3
39.9
53.7
32750
32760
35250
40250

29
57
14
70
50
25
29
50
42
28
25
50
68
28
57
43
21
65
25
53
8
74
43
69
47
22
2
46
37
80
59
57
29
28

Media

Abatere standard

26110

18685

1699

1190

1967

2310

4.93

1.90

76

5.86

6.14

10

9080

12542

250

40

78264

70

n tabelul precedent sunt sintetizate principalele msuri de analiz statistic a variabilelor: media i
abaterea standard. Valoarea PIB-ului per capita n cele 80 de ri este, n medie 26110 $. Msura n care
observaiile se abat de la medie este exprimat cu ajutorul abaterii standard. Astfel, pentru PIB, abaterea
standard este de 18865. Aceast valoare a abaterii standard este foarte mare i se datoreaz n mare parte
observaiilor de tip outlier, afiate n tabel n coloanele Lowest i Highest. Observm c, printre altele,
observaia 1 este de tip lowest, adic este foarte mic n comparaie cu celelalte observa ii, iar observa ia
29 este de tip highest, adic este foarte mare fa de celelalte observaii.
Valoarea venitului mediu n cele 80 de ri este, n medie 1699 $. Msura n care observa iile se
abat de la medie este exprimat cu ajutorul abaterii standard. Astfel, pentru venitul mediu, abaterea
standard este de 1190. Aceast valoare a abaterii standard este foarte mare i se datoreaz n mare parte
observaiilor de tip outlier. Observm c, printre altele, observaia 1 este de tip lowest, adic este foarte
mic n comparaie cu celelalte observaii, iar observaia 25 este de tip highest, adic este foarte mare fa
de celelalte observaii.
n mod asemntor se interpreteaz valorile msurilor de analiz statistic pentru fiecare dintre
celelalte caracterisitici. Se observ c observaia 1 apare n coloana Lowest pentru toate caracterisiticile.
Aceast observaie corespunde rii Afghanistan i ar trebui eliminat din tabelul de analiz. Interesant de
remarcat este faptul c observaia 70 se regsete i la coloana Lowest pentru rata criminalit ii, dar i la
coloana Highest pentru PIB i exportul pe cap de locuitor. Acest lucru indic o corela ie foarte bun ntre
atributele respective, deoarece este de ateptat ca ntr-o ar n care PIB-ul i exportul per capita sunt
foarte mari, adic standardul de via este destul de crescut, rata criminalit ii fie extrem de sczut.
Aceast ar este Singapore.

Afiarea matricei de corelaie cu procedura PROC CORR

Se observ c exist corelaie ntre date. Ca exemplu, ntre rata criminalit ii i PIB corela ia
datelor este invers i n procent de 32.83 %, adic atunci cnd PIB-ul crete, rata criminalit ii scade.
ntre venitul mediu i cheltuielile cu asigurarea de sntate exist o corela ie direct i puternic (82%).
n afar de rata criminalitii, toate variabilele sunt corelate direct ntre ele. O rat mare a criminalit ii
este ne arat faptul c n acea ar nivelul de siguran i de calitate al vie ii nu este crescut. Pentru toate
celelalte caracterisitici, cu ct valoarea obseraiilor corespunztoare este mai mare, cu att calitatea vie ii
din acea ar este mai ridicat.

Standardizarea variabilelor cu procedura PROC STANDARD:

Datele se standardizeaz pentru a putea efectua analiza componenetelor principale, care este
sensibil la schimbarea unitii de msur.

Analiza componentelor principale

este o metod de reducere a redundanei


informaiei. Este o tehnologie de analiz undimiensional care are ca scop extragerea informa iei
obiecteor din analiz i redarea acesteia ntr-o form mai simpl i neredundant prin intermediul unor
variabile (care sunt mai puine), numite componente principale.

Covariana este considerat a fi o expresie numeric a gradului de asociere a dou caracteristici ca


urmare a faptului c, n toate cazurile n care dou variabile sunt semnificativ legate ntre ele, o varia ie
ntr-un sens a uneia dintre ele va determina o variaie proporional de acelai sens (n cazul legturii
directe) sau de sens contrar (n cazul legturii inverse) a celeilalte variabile. Observm din matricea de
covarian rezultat, ca variaie n sens pozitiv la PIB-ului determin o variaie n acelai sens a venitului
mediu, a cheltuielilor legate de sntate, a cheltuielilor pentru educaie, a duratei de via i a exportului
pe cap de locuitor. n schimb, variaia ratei criminalitii determin o varia ie n sens invers a tuturor
celorlalte atribute. Ca exemplu, variaia venitului mediu determin n procent de 82.8% varia ia n acela i
sens a cheltuielior asigurate pentru sntate. La fel se interpreteaz pentru toate celelalte atribute.

Prima component principal aduce cel mai mare grad de informa ie, iar ultima component
principal aduce cel mai mic grad de informaie. Prima component principal aduce 55.12% din gradul
de informaie. Voi reine n analiz, conform criteriului procentului de acoperire, primele 3 componente
principale deoarece, cumulativ, aduc un grad de informaie de 82.44% (adic mai mare dect 70-75%),
adic ponderea variaiei n variana total a primelor 3 componente principale este de 82.44%. Acest lucru
nseamn o pierdere informaional n proporie de 17.66%.

Prima component principal este mai corelat cu variabila PIB (45.26%), venit mediu(45.63%),
cheltuieli pentru sntate (CASP) (44.84%) i exportul pe cap de locuitor (40.08%). Aceast component
prinicpal ar putea fi intepretat ntr-o nou dimensiune: cea a bugetului rii. A doua component
principal este mai corelat cu cheltuielile pentru educaie (86.15%), iar a treia component principal
este mai corelat cu rata criminalitii (91.79%).
Reprezentarea grafic a componentelor principale

Criteriul pantei se bazeaz pe reprezenatarea grafic a valorilor proprii n care abscisa are eticheta
Principal Component iar ordonata reprezinta valorile (eigenvalues).Valoarea k se determin prin
efectuarea unei taieturi astfel ncat la dreapta s rman o poriune cu panta apropiata de 0. Numrul de
componente principale este dat de primul numar de la stanga. Observm din graficul de mai sus c ne
putem opri la k=3 componente principale.

Gruparea rilor n noul spaiu determinat de primele dou componente principale.

Se identific cteva grupuri de ri mai apropiate, precum i ri distan ate unele de celelate, cum ar
fi Luxemburg, Brunei, Emiratele Arabe Unite, Singapore i cteva din rile nordice din Europa. Aceast
distanare este datorat valorilor PIB-ului i a venitului mediul mult mai crescute dect n restul rilor
analizate.

Scorurile principale sunt coordonatele pe care le iau obiectele n noua reprezentare dat de componentele
reinute n analiz.

Scorurile principale sunt mai puin afectate de erori n compara ite cu msurtorile originale.
Deoarece acestea sunt mai robuste n raport cu perturbaiile introduse de erori, le fae s devin mai
importnte din punct de vedere informaional dect observaiile originale. Elemenetele matrice de
covarian pot fi interpretate, deoarece variabilele sunt standardizate, ca msur a contribuiei pe care
fiecare variabila o are la formarea varianei componentei principale. Cu ct aceste elemente sunt mai mari
cu atat este mai adecvat i mai complet exprimat informaia din variabilele initiale n componentele
principale. Pe baza acestei matrici se pot atribui semnificaii componentelor principale.

Sintetizarea statisticilor calculate pentru componentele principale

Analiza CLUSTER
Analiza cluster este o tehnic de clasificare n care afectarea formelor sau obiectelor se face
progresiv i de asemenea, nu se cunoaste numrul de clase. Criteriul general de clasificare se determin
astfel nct acesta s asigure o variabilitate minima n interiorul claselor i o variabilitate maxima ntre
clase. Se efectueaz gruparea n clustere prin metoda lui Ward: clusterizare ierarhic, n care numrul de
clustere nu este cunoscut apriori. Metoda lui Ward evalueaz distana dintre 2 clustere ca sum total a
ptratelor abaterilor la nivelul configuraiei cluster rezultate din comasarea celor 2 clustere pentru care se

evalueaz distana. Aceast metod exprim distanele din punct de vedere al minimizrii variabilitii
intracluster (sau maximizrii variabilitii intercluster). Voi folosi doar variabilele care au cea mai mare
pondere n primele dou componente principale: PIB, VM, CASP, CE, ECL.

n tabelul de mai sus se regsesc valorile proprii din matricea de covarian . Primele dou coloane
listeaz valorile proprii i diferena dintre valoarea proprie i valoarea proprie care o succede. Ultimele
dou coloane afieaz proporia individual i cumulativ a variaiei asociate cu fiecare valoare proprie.
Abaterea ptratic a distanelor ntre observaii este de 3.16.

n tabelul de mai sus sunt afiate ultimele 20 de generaii din istoria clusterului. n prima coloane
avem numrul clusterului i numele clusterelor care se comaseaz. Observaiile sunt identificate prin id
(OB14), fie prin CLn, unde n reprezint numrul clusterului. n coloana de frecven sunt afiate numrul
de observaii din noul cluster. n urmtoarea coloan, R ptrat semiparial, este reprezentat descreterea
proporiei varainei pe msur ce se comaseaz cele dou clustere. n coloana Cubic Clustering Criterion,
o valoare ntr 2 i 4 indic un numr optim de clase, iar o valoare ntre 0 i 2 indic un numr acceptabil
de clase. O valoare mare n coloana Pseudo F ne indic un numr acceptabil de clustere. n coloana lui
Pseudo T ptrat, caut cea mai brusc cretere a valorii acestuia (n cazul acesta, de la 28 la 63.7) i astfel
rezult c cel mai acceptabil numr de clustere ar fi dou.
Pentru a stabili un numr bun de clustere trebuie ca cel puin dou criterii s ne indice acelai
numr de clustere.

Dendograma

Dendograma conine o
mulime de T soluii (ierarhie cluster) din care trebuie extras o anumit soluia particular. Ob inerea
unei astfel de soluii se face prin efectuarea unei trieturi n dendogram dup o dreapt paralel cu
abscisa. Numrul de clustere dintr-o soluie individual obinut n acest fel este dat de numrul de
intersecii dintre dreapta dup care se face tietura i ramurile arborelui de clasificare. Cu ct tietura se
face mai aproapte de trunchi, cu att soluia are mai puine clustere.

Recalculm componentele principale, pentru a putea desena primul plan principal, vizualiznd
cele 3 clase calculate mai nainte.

Observm c cea
mai

puternic corelaie

exist ntre venitul mediu i cheltuielile asigurate pentru sntate (82.86%), iar cea mai slab corela ie
ntre cheltuielile pentru educaie i exportul per capita.

Putem reine doar dou componente principale n analiz, deoarece primele dou componenente
preiau 84.83 % din variana iniial.

n graficul de mai sus se evideniaz clasele n raport cu primele dou componente principale.
Astfel, OB29, adic ara Emiratele Arabe Unite face parte din clasa 2, OB14, adic Brunei, face parte din
clasa 3, iar OB1, adic Afganistan, face parte din clasa 1.

Analiza DISCRIMINANT

Analiza discriminant reprezint procesul de utilizare a unei game variate de metode, tehnici i
algoritmi n scopul de a determina care dintre caracteristicile unor anumite obiecte au cea mai mare
relevan din punct de vedere al recunoaterii apartenenei acestor obiecte la anumite clase aprioric
definite i de a stabili apartenena cea mai probabil a obiectelor la diferite clase. Stabilirea apartenenei
obiectelor unei populaii la anumite clase are la baz proprietile sau caracteristicile obiectelor
respective, care sunt reprezentate la nivel formal prin intermediul unor variabile. n general, se poate
spune c analiza discriminant se ocup cu rezolvarea urmtoarelor trei categorii de probleme:
determinarea acelui set optimal de caracteristici ale unor obiecte, care s permit cea mai bun
discriminare ntre dou sau mai multe tipuri de obiecte;
utilizarea variabilelor din setul optimal de caracteristici pentru deducerea unor criterii sau reguli pe baza
crora se poate face separarea populaiei studiate pe clase sau grupe distincte;
utilizarea setului de caracteristici cu cea mai mare putere discriminatorie i a criteriilor de separare
identificate pentru clasificarea unor obiecte, a cror apartenen nu este cunoscut, n grupele sau clasele
populaiei studiate; clasificarea de noi obiecte, pe baza variabilelor discriminant i a criteriilor de
separare, este cunoscut sub numele de predicie.

Funciile discriminant de tip Fisher


Fundamentul teoretic al analizei discriminante de tip Fisher este reprezentat de analiza varianei.
Criteriul lui Fisher definete o modalitate de deducere a funciilor discriminant pe baza analizei
comparative dintre variabilitatea intragrupal i variabilitatea intergrupa|, la nivelul claselor sau
grupelor populaiei analizate. Funciile discriminant deduse pe baza criteriului lui Fisher se mai numesc
i funcii scor i sunt funcii liniare.
O funcie discriminat de tip Fisher se determin ca o combinaie liniar de variabilele
discriminant, combinaie ai crei coeficieni sunt componente ale unui vector propriu al matricii
1

.
w

.Din aceast modalitate de definire rezult, n mod implicit, c pot fi identificate mai multe

funcii discriminant. Numrul maxim posibil de funcii discriminant care pot fi identificate pe baza
criteriului lui Fisher este egal cu numrul de valori proprii distincte i strict pozitive ale matricii
1

.
w

. Deoarece aceast matrice este de dimeniune

nxn , n situaia n care ea

este strict pozitiv definit i are rangul maxim, rezult c numrul total de funcii discriminant care pot fi
determinate este egal cu n.

Notm cele n valori proprii ale matricii

.
w

cu i vom presupune c ele sunt ordonate din

punct de vedere al valorilor pe care le au:

Vom nota cu

valorile proprii

( 1)

(2)

, , ,

(n)

1, 2, .. , n

cei n vectori proprii ai matricii

. .
w

, asociai, n ordine, cu

. Prima funcie discriminat se

definete cu ajutorul vectorului propriu

(1) , care corespunde celei mai mari valori proprii i are forma

urmtoare:
Deoarece aceast funcie corespunde celei mai mari valori posibile a raportului dintre variana
intergrupal i variana intragrupal, ea asigur cea mai bun separabilitate a claselor. Aceasta
nseamn c proieciile obiectelor pe noua ax determina| de vectorul de coeficieni pot fi separate pe
clase care se difereniaz n cel mai mare grad posibil i care au cel mai mare grad posibil de omogenitate.
n mod similar, cea de-a doua funcie discriminat se definete cu ajutorul vectorului propriu care
corespunde celei de-a doua valori proprii, respectiv:
Fiind determinat pe baza celei de-a doua valori proprii a matricii , aceast funcie discriminat
corespunde unei valori mai reduse a raportului dintre variana intergrupal i variana intragrupal. n
consecin, ea asigur o rezoluie mai mic din punct de vedere al separabilitii claselor mulimii .
Din acest punct de vedere, este posibil ca proieciilor obiectelor pe noua ax care are ca suport vectorul
de

(2)

s le corespund clase care sunt i mai puin omogene i se difereniaz i mai puin ntre

ele. Cu ajutorul vectorului propriu asociat cu cea mai mic valoare proprie, adic vectorul

(n)

, se

determin ultima funcie discriminant, respectiv:

Prin comparaie cu celelalte funcii discriminant, aceast ultim funcie discriminat asigur cea
mai proast separabilitate ntre clasele mulimii . Puterea de separabilitate din ce n ce mai mic pe
care o au funciile discriminant

d 1, d 2, . , dn

, conduce la ideea necesitii de a selecta n analiz

numai un anumit numr de funcii discriminant, n ordinea puterii lor de discriminare. Numrul efectiv
al funciilor discriminant care trebuie reinute n analiz, depinde n mod direct de numrul de clase i

de numrul de variabile discriminant. Se pot defini funciile discriminant liniare i variabilele


discriminant sub forma urmtoare:
Funciile discriminant (Fisher) sunt combinaii liniare de variabilele descriptor, de forma:
1

unde X este vectorul variabilelor descriptor, iar este vector propriu al matricii
funciilor

discriminant

se

numesc

..
w

scoruri

Valorile

descriminant.

Variabilele discriminant sunt combinaii liniare de variabile descriptor, de forma

Media i variana variabilelor discriminant sunt:


Odat ce funciile discriminat au fost estimate, ele pot fi utilizate pentru efectuarea de predicii cu
privire la apartenena unor noi obiecte la clasele de predicie.
Prin utilizarea procedurii DISCRIM din SAS datele de intrare vor fi privite ca un set de date de
antrenate , de nvare. Pe baza acestui set de antrenare poate fi determinate n continuare apartenten a
formei la clas pentru o alt observaie. Functia discriminant sau criteriul de clasificare este determinat ca
o msur a distanelor ptrate generalizate.
Am observat datele i ncadrarea lor n clustere i am ajuns la concluzia c n clusterul 1 sunt
ncadrate rile n care calitatea vieii este sczut, n clusterul 2 sunt ncadrate rile n care calitatea vieii
este medie, iar n clusterul 3 sunt ncadrate rile n care calitatea vie ii este ridicat. Cteva exemple de
ri din custerul 1: Afganistan, Bolivia sau Combodgia, din clusterul 2: Lituania, Croaia, Polonia, iar din
clusterul 3: Germania, Canada, Islanda.

Noua matrice constituie setul de nv are (matricea observa iilor plus coloana claselor). Func ia
discrim evalueaz performana unui criteriu de discriminare prin evaluarea erorilor (probabilit ile
clasificarilor greite). n tabelul de mai jos vizualizm frecvena, proporia i probabilitatea aprioric
pentru fiecare dintre cele 3 clase:

n tabelele precedente avem matricea distantelor ptrate generalizate i funcia discriminant ce se


poate citi de pe liniile matricii, acetia reprezentnd coeficienii claselor. Conform matricei distan elor,
ntre clusterul 1 i clusterul 2 distanta este de 38.91, ntre clusterul 1 i clusterul 3 distan a este de 8.57,
iar ntre clusterul 2 i clusterul 3 distana este de 13.76.

Modul

n care un clasificator

asigur

clasificarea obiectelor

cu apartenen

cunoscut

descris

intermediul

prin

poate

fi

unei

matrici,

numit

corectitudinii

clasificrii, unde pe

linii

clasele reale, iar pe

avem

matricea

coloane avem

clasele

Astfel, din 44

de

clasa 1 42 au

fost corect ncadrate

(adica 95.45%), iar 2

clasa

predictate.

observaii

din

observaii au fost ncadrate greit n clasa 3 (adica4.55%).


Din 18 observaii care aparin clasei reale 2, 17 au fost corect ncadrate (94,44%), iar o observaie
a fostpredictat greit n clasa 3 (5.56%). Din 18 observaii care aparin clasei reale 3, 17 (94.44%) au fost
corect predictate, iar o observaie a fost ncadrat greit n clasa 1 (5.56%). De asemenea se poate observa
ca 53.75% din observaii au fost predictate n clasa 1, 21.25% au fost predictate n clasa 2, iar 25% au fost
predictate n clasa 3.

Rata erorilor: 4.55% din observaii au fost ncadrate greit n clasa 1, 5.56% din observaii au fost
predictate greit n clasa 2 i 5.56% din observaii au fost predictate greit n clasa 3.

Anexe

Datele utilizate:

Tara

PIB

VM

CASP

CE

DAV

RC

ECL

Afganistan
Africa de Sud
Albania
Algeria
Arabia Saudita
Argentina
Armenia
Australia
Austria
Belarus
Belgia
Bolivia
Brazilia
Brunei
Bulgaria
Cambodgia
Canada
Cehia
Chile
China
Cipru
Columbia
Coreea de Sud
Croaia
Danemarca
Ecuador
Egipt
Elveia
Emiratele Arabe
Unite
Estonia
Filipine
Finlanda
Frana
Georgia
Germania
Grecia
Guatemala
Guineea
Ecuatorial
Guyana
India
Indonezia
Irlanda
Islanda
Israel
Italia
Jamaica
Japonia
Letonia
Lituania

1924
12507
10596
13788
51779
22363
7034
45138
44402
17623
40760
5928
14987
73823
16518
3056
43253
27347
22534
11868
28748
12776
33791
20222
43080
5424
10870
53977

66
1838
500
583
361
1108
471
2610
3437
959
3035
350
778
988
750
725
2724
1786
1021
656
2605
692
2903
1756
3969
752
548
4519

51
645
228
279
795
995
150
6140
5407
339
4711
149
1056
939
516
51
5741
1432
1103
322
1949
530
1703
908
6304
635
152
8980

1.73
5.98
3.27
4.34
5.61
5.78
3.21
5.12
5.98
5.25
6.57
7.6
5.62
3.27
4.58
2.6
5
4.36
4.2
1.91
7.9
4.49
5.05
4.42
8.74
4.89
3.76
5.36

60
61
74
73.12
74.3
76
74.4
83
81.5
72.5
81
69
76.2
79
74.5
66
82.5
78
79.5
76
81.2
74.6
81
77.5
79.5
76.19
73.2
82.8

6.5
31
5
0.7
0.8
5.5
1.8
1.1
0.9
5.1
1.6
12.1
25.2
2
1.9
6.5
1.6
1
3.1
1
2
30.8
0.9
1.2
0.8
12.4
3.4
0.6

16
1981
387
2100
12576
1825
265
11787
20424
3350
30209
258
497
25539
2960
189
13231
12590
4000
1410
1664
506
13348
2800
20000
636
194
40250

63181
26052
6597
40045
39813
7156
43475
25126
7290

3983
1267
214
2925
2886
603
2720
2300
433

1343
1010
119
4232
4690
333
4683
2044
226

1.1
6.12
2.65
6.81
5.9
2.71
5.06
4.09
2.8

79.2
61
73
81
82.3
74.5
81
81
71.5

2.6
5
8.8
1.6
1
4.3
0.8
1.7
39.9

35250
9820
704
10766
8989
313
18865
2425
313

33767
6573
5450
3475
44663
9635
36151
34103
8487
36654
22832
25374

2500
325
295
662
4297
2431
1804
2445
1135
2522
1098
1109

1138
235
61
108
3708
3872
2289
3032
318
4752
792
859

3.07
3.59
3.33
3
6.5
7.81
5.85
4.7
6.08
3.78
5.03
5.67

54
70.5
65
72
81.4
83.3
82.1
81.37
74.8
84.6
74.5
75.9

19.3
17
3.5
0.6
1.2
0.3
1.8
0.9
39.3
0.3
4.7
6.7

20395
1624
250
847
25652
21500
7060
8750
601
6197
3750
7250

Luxemburg
Macedonia
Malaezia
Maldive
Malta
Maroc
Mexic
Republica
Moldova
Norvegia
Noua Zeelanda
Olanda
Paraguay
Peru
Polonia
Portugalia
Regatul Unit
Romania
Rusia
Serbia
Singapore
Slovacia
Slovenia
Spania
SUA
Suedia
Thailanda
Turcia
Ucraina
Ungaria
Uruguay
Venezuela

90333
12587
23160
11903
30567
7356
17390

4089
1345
961
416
1996
333
609

7452
327
410
558
1835
190
618

3.2
3.5
5.13
14.2
6.7
5.38
5.31

82
75
75.7
77.2
81
72.51
77.2

0.8
1.4
2.3
3.9
2.8
2.2
21.5

28534
2150
5560
476
8670
373
3312

4666
64363
33626
46440
8064
11775
23273
25643
36208
17440
24298
12465
78762
26616
28512
31942
53001
43407
14136
18874
8651
23236
19679
18453

438
3678
2283
3965
350
2250
1536
3432
3065
794
1215
1058
2616
1385
2669
2352
3263
3023
489
1713
686
1374
1016
1125

239
9055
3292
5737
392
337
854
1905
3647
420
669
561
2526
1326
1942
2808
8895
5319
215
665
293
987
1308
593

8.58
7.32
7.24
5.92
4.12
2.59
5.09
5.79
5.6
4.32
4.1
4.71
3.1
4.09
5.7
5.01
5.43
7.26
3.75
2.86
5.28
5.12
2.88
3.63

71
81.9
81.7
81.5
74.7
74.7
77.5
80
81
74
70.5
74
84
76.3
80
82.5
79.8
83
74.9
74.4
71
75
77.3
75

6.5
2.2
0.9
0.9
9.7
9.6
1.2
1.2
1
1.7
9.2
1.2
0.2
1.4
0.7
0.8
4.7
0.7
5
2.6
4.3
1.3
7.9
53.7

247
32760
6725
32750
508
570
5039
5450
7582
2800
3639
1650
78264
14570
16640
6596
4752
19687
2266
1897
1400
10700
1800
1800