2.1.试叙述多元联合分布和边际分布之间的关系。
解:多元联合分布讨论多个随机变量联合到一起的概率分布状况,
的联合分布密度函数是一个p维的函数,而边际分布讨论是
的子向量的概率分布,其概率密度函数的维数小于p。
2.2设二维随机向量
服从二元正态分布,写出其联合分布。
解:设
的均值向量为
,协方差矩阵为
,则其联合分布密度函数为
。
2.3已知随机向量
的联合密度函数为
其中
,
。求
(1)随机变量
和
的边缘密度函数、均值和方差;
(2)随机变量
和
的协方差和相关系数;
(3)判断
和
是否相互独立。
(1)解:随机变量
和
的边缘密度函数、均值和方差;
所以 由于
服从均匀分布,则均值为
,方差为
。
同理,由于
服从均匀分布
,则均值为
,方差为
。
(2)解:随机变量
和
的协方差和相关系数;
(3)解:判断
和
是否相互独立。
和
由于
,所以不独立。
2.4设
服从正态分布,已知其协方差矩阵(为对角阵,证明其分量是相互独立的随机变量。
解: 因为
的密度函数为
又由于
则
则其分量是相互独立。
2.6 渐近无偏性、有效性和一致性;
2.7 设总体服从正态分布,
,有样本
。由于
是相互独立的正态分布随机向量之和,所以
也服从正态分布。又
EMBED Equation.DSMT4 所以
。
2.8
1:
EMBED Equation.DSMT4
EMBED Equation.DSMT4
。
方法2:
EMBED Equation.DSMT4
。 故
为
的无偏估计。
2.9.设
是从多元正态分布
抽出的一个简单随机样本,试求
的分布。
证明: 设
为一正交矩阵,即
。
令
,
所以
。且有
,
,
。
所以
独立同
分布。又因为
因为
又因为
EMBED Equation.3
EMBED Equation.DSMT4
所以原式
EMBED Equation.DSMT4
故
,由于
独立同正态分布
,所以
2.10.设
是来自
的简单随机样本,
,
(1)已知
且
,求
和
的估计。
(2)已知
求
和
的估计。
解:(1)
,
(2)
EMBED Equation.DSMT4
解之,得
,
第三章
3.1 试述多元统计
中的各种均值向量和协差阵检验的基本思想和步骤。
其基本思想和步骤均可归纳为:
第一,提出待检验的假设和H1;第二,给出检验的统计量及其服从的分布;
第三,给定检验水平,查统计量的分布表,确定相应的临界 值,从而得到否定域;
第四,根据样本观测值计算出统计量的值,看是否落入否定域中,以便对待判假设做出决策(拒绝或接受)。
均值向量的检验:
统计量 拒绝域
均值向量的检验:
在单一变量中
当
已知
当
未知
(
作为
的估计量)
一个正态总体
协差阵
已知
协差阵
未知
(
)
两个正态总体
有共同已知协差阵
有共同未知协差阵
(其中
)
协差阵不等
协差阵不等
多个正态总体
单因素方差
多因素方差
协差阵的检验
检验
检验
EMBED Equation.DSMT4
统计量
3.2 试述多元统计中霍特林分布和威尔克斯分布分别与一元统计中t分布和F分布的关系。
答:(!)霍特林分布是t分布对于多元变量的推广。
而若设
,
且
与
相互独立,
,则称统计量的分布为非中心霍特林T2分布。
若
,
且
与
相互独立,令
,则
。
(2)威尔克斯分布在实际应用中经常把统计量化为
统计量进而化为
统计量,利用
统计量来解决多元统计分析中有关检验问题。
与
统计量的关系
统计量及分别
任意
任意
1
任意
任意
2
1
任意
任意
2
任意
任意
3.3 试述威尔克斯统计量在多元方差分析中的重要意义。
答:威尔克斯统计量在多元方差分析中是用于检验均值的统计量。
用似然比原则构成的检验统计量为
给定检验水平
,查Wilks分布表,确定临界值,然后作出统计判断。
第四章
4.1 简述欧几里得距离与马氏距离的区别和联系。
答: 设p维欧几里得空间中的两点X=和Y=。则欧几里得距离为。欧几里得距离的局限有①在多元数据分析中,其度量不合理。②会受到实际问题中量纲的影响。
设X,Y是来自均值向量为,协方差为的总体G中的p维样本。则马氏距离为D(X,Y)=。当即单位阵时,D(X,Y)==即欧几里得距离。
因此,在一定程度上,欧几里得距离是马氏距离的特殊情况,马氏距离是欧几里得距离的推广。
4.2 试述判别分析的实质。
答:判别分析就是希望利用已经测得的变量数据,找出一种判别函数,使得这一函数具有某种最优性质,能把属于不同类别的样本点尽可能地区别开来。设R1,R2,…,Rk是p维空间R p的k个子集,如果它们互不相交,且它们的和集为,则称为的一个划分。判别分析问题实质上就是在某种意义上,以最优的性质对p维空间构造一个“划分”,这个“划分”就构成了一个判别规则。
4.3 简述距离判别法的基本思想和方法。
答:距离判别问题分为①两个总体的距离判别问题和②多个总体的判别问题。其基本思想都是分别计算样本与各个总体的距离(马氏距离),将距离近的判别为一类。
①两个总体的距离判别问题
设有协方差矩阵∑相等的两个总体G1和G2,其均值分别是(1和( 2,对于一个新的样品X,要判断它来自哪个总体。计算新样品X到两个总体的马氏距离D2(X,G1)和D2(X,G2),则
X ,D2(X,G1)D2(X,G2)
X ,D2(X,G1)> D2(X,G2,
具体分析,
记
则判别规则为
X ,W(X)
X ,W(X)<0
②多个总体的判别问题。
设有
个总体
,其均值和协方差矩阵分别是和
,且
。计算样本到每个总体的马氏距离,到哪个总体的距离最小就属于哪个总体。
具体分析,
取
,
,
。
可以取线性判别函数为
,
相应的判别规则为
若
4.4 简述贝叶斯判别法的基本思想和方法。
基本思想:设k个总体,其各自的分布密度函数
,假设k个总体各自出现的概率分别为
,
,
。设将本来属于
总体的样品错判到总体
时造成的损失为
,。
设
个总体相应的
维样本空间为
。
在规则
下,将属于的样品错判为
的概率为
则这种判别规则下样品错判后所造成的平均损失为
则用规则
来进行判别所造成的总平均损失为
贝叶斯判别法则,就是要选择一种划分,使总平均损失
达到极小。
基本方法:
EMBED Equation.3
令
,则
若有另一划分
,
则在两种划分下的总平均损失之差为
因为在
上
对一切
成立,故上式小于或等于零,是贝叶斯判别的解。
从而得到的划分
为
4.5 简述费希尔判别法的基本思想和方法。
答:基本思想:从
个总体中抽取具有
个指标的样品观测数据,借助方差分析的思想构造一个线性判别函数
系数
可使得总体之间区别最大,而使每个总体内部的离差最小。将新样品的
个指标值代入线性判别函数式中求出
值,然后根据判别一定的规则,就可以判别新的样品属于哪个总体。
4.6 试析距离判别法、贝叶斯判别法和费希尔判别法的异同。
答:① 费希尔判别与距离判别对判别变量的分布类型无要求。二者只是要求有各类母体的两阶矩存在。而贝叶斯判别必须知道判别变量的分布类型。因此前两者相对来说较为简单。
② 当k=2时,若则费希尔判别与距离判别等价。当判别变量服从正态分布时,二者与贝叶斯判别也等价。
③ 当时,费希尔判别用作为共同协差阵,实际看成等协差阵,此与距离判别、贝叶斯判别不同。
④ 距离判别可以看为贝叶斯判别的特殊情形。贝叶斯判别的判别规则是 X ,W(X)
X ,W(X)
说明为什么这样构造?
答:对样品进行聚类分析时,用距离来测定样品之间的相似程度。因为我们把n个样本看作p维空间的n个点。点之间的距离即可代表样品间的相似度。常用的距离为
(一)闵可夫斯基距离:
q取不同值,分为
(1)绝对距离(
),
(2)欧氏距离(
),
(3)切比雪夫距离(
),
(二)马氏距离
(三)兰氏距离
对变量的相似性,我们更多地要了解变量的变化趋势或变化方向,因此用相关性进行衡量。
将变量看作p维空间的向量,一般用
(一)夹角余弦
(二)相关系数
5.4 在进行系统聚类时,不同类间距离计算方法有何区别?选择距离公式应遵循哪些原则?
答: 设dij表示样品Xi与Xj之间距离,用Dij表示类Gi与Gj之间的距离。
(1). 最短距离法
(2)最长距离法
(3)中间距离法
其中
(4)重心法
(5)类平均法
(6)可变类平均法
其中(是可变的且( <1
(7)可变法
其中(是可变的且( <1
(8)离差平方和法
通常选择距离公式应注意遵循以下的基本原则:
(1)要考虑所选择的距离公式在实际应用中有明确的意义。如欧氏距离就有非常明确的空间距离概念。马氏距离有消除量纲影响的作用。
(2)要综合考虑对样本观测数据的预处理和将要采用的聚类分析方法。如在进行聚类分析之前已经对变量作了
化处理,则通常就可采用欧氏距离。
(3)要考虑研究对象的特点和计算量的大小。样品间距离公式的选择是一个比较复杂且带有一定主观性的问题,我们应根据研究对象的特点不同做出具体分折。实际中,聚类分析前不妨试探性地多选择几个距离公式分别进行聚类,然后对聚类分析的结果进行对比分析,以确定最合适的距离测度方法。
5.5试述K均值法与系统聚类法的异同。
答:相同:K—均值法和系统聚类法一样,都是以距离的远近亲疏为标准进行聚类的。
不同:系统聚类对不同的类数产生一系列的聚类结果,而K—均值法只能产生指定类数的聚类结果。
具体类数的确定,离不开实践经验的积累;有时也可以借助系统聚类法以一部分样品为对象进行聚类,其结果作为K—均值法确定类数的参考。
5.6 试述K均值法与系统聚类有何区别?试述有序聚类法的基本思想。
答:K均值法的基本思想是将每一个样品分配给最近中心(均值)的类中。系统聚类对不同的类数产生一系列的聚类结果,而K—均值法只能产生指定类数的聚类结果。具体类数的确定,有时也可以借助系统聚类法以一部分样品为对象进行聚类,其结果作为K均值法确定类数的参考。
有序聚类就是解决样品的次序不能变动时的聚类分析问题。如果用
表示
个有序的样品,则每一类必须是这样的形式,即
,其中
且
,简记为
。在同一类中的样品是次序相邻的。一般的步骤是(1)计算直径{D(i,j)}。(2)计算最小分类损失函数{L[p(l,k)]}。(3)确定分类个数k。(4)最优分类。
5.7 检测某类产品的重量, 抽了六个样品, 每个样品只测了一个指标,分别为1,2,3,6,9,11.试用最短距离法,重心法进行聚类分析。
(1)用最短距离法进行聚类分析。
采用绝对值距离,计算样品间距离阵
0
1 0
2 1 0
5 4 3 0
8 7 6 3 0
10 9 8 5 2 0
由上表易知 中最小元素是 于是将,,聚为一类,记为
计算距离阵
0
3 0
6 3 0
8 5 2 0
中最小元素是=2 于是将,聚为一类,记为
计算样本距离阵
0
3 0
6 3 0
中最小元素是 于是将,聚为一类,记为
因此,
(2)用重心法进行聚类分析
计算样品间平方距离阵
0
1 0
4 1 0
25 16 9 0
64 49 36 9 0
100 81 64 25 4 0
易知 中最小元素是 于是将,,聚为一类,记为
计算距离阵
0
16 0
49 9 0
81 25 4 0
注:计算方法,其他以此类推。
中最小元素是=4 于是将,聚为一类,记为
计算样本距离阵
0
16 0
64 16 0
中最小元素是 于是将,聚为一类,记为
因此,
第六章
6.1 试述主成分分析的基本思想。
答:我们处理的问题多是多指标变量问题,由于多个变量之间往往存在着一定程度的相关性,人们希望能通过线性组合的方式从这些指标中尽可能快的提取信息。当第一个组合不能提取更多信息时,再考虑第二个线性组合。继续这个过程,直到提取的信息与原指标差不多时为止。这就是主成分分析的基本思想。
6.2 主成分分析的作用体现在何处?
答:一般说来,在主成分分析适用的场合,用较少的主成分就可以得到较多的信息量。以各个主成分为分量,就得到一个更低维的随机向量;主成分分析的作用就是在降低数据“维数”的同时又保留了原数据的大部分信息。
6.3 简述主成分分析中累积贡献率的具体含义。
答:主成分分析把
个原始变量
的总方差
分解成了
个相互独立的变量
的方差之和
。主成分分析的目的是减少变量的个数,所以一般不会使用所有
个主成分的,忽略一些带有较小方差的主成分将不会给总方差带来太大的影响。这里我们称
为第
个主成分
的贡献率。第一主成分的贡献率最大,这表明
综合原始变量
的能力最强,而
的综合能力依次递减。若只取
个主成分,则称
为主成分
的累计贡献率,累计贡献率表明
综合
的能力。通常取
,使得累计贡献率达到一个较高的百分数(如85%以上)。
6.4 在主成分分析中“原变量方差之和等于新的变量的方差之和”是否正确? 说明理由。
答:这个说法是正确的。
,
即原变量方差之和等于新的变量的方差之和
6.5 试述根据协差阵进行主成分分析和根据相关阵进行主成分分析的区别。
答:从相关阵求得的主成分与协差阵求得的主成分一般情况是不相同的。从协方差矩阵出发的,其结果受变量单位的影响。主成分倾向于多归纳方差大的变量的信息,对于方差小的变量就可能体现得不够,也存在“大数吃小数”的问题。实际表明,这种差异有时很大。我们认为,如果各指标之间的数量级相差悬殊,特别是各指标有不同的物理量纲的话,较为合理的做法是使用R代替∑。对于研究经济问题所涉及的变量单位大都不统一,采用R代替∑后,可以看作是用标准化的数据做分析,这样使得主成分有现实经济意义,不仅便于剖析实际问题,又可以避免突出数值大的变量。
6.6 已知X=()’的协差阵为 试进行主成分分析。
解:=0
计算得,
当时,
同理,计算得 ,时,
易知相互正交
单位化向量得,
,
综上所述,
第一主成分为
第二主成分为
第三主成分为
6.7 设X=()’的协方差阵(p为
, 0
资料
K=(kij) r (c变换成矩阵Z=(zij) r (c,使得zij对因素A和列因素B具有对等性。通过变换。得
,
。
(3)对因素B 进行因子分析。
计算出
的特征向量 及其相应的特征向量
计算出因素B的因子)
(4)对因素A 进行因子分析。
计算出
的特征向量 及其相应的特征向量
计算出因素A的因子
(5)选取因素B 的第一、第二公因子
选取因素A 的第一、第二公因子
将B因素的c个水平,,
A因素的r个水平
同时反应到相同坐标轴的因子平面上上
(6)根据因素A和因素B各个水平在平面图上的分布,描述两因素及各个水平之间的相关关系。
8.4在进行相应分析时,应注意哪些问题?
答:要注意通过独立性检验判定是否有必要进行相应分析。因此在进行相应分析前应做独立性检验。
独立性检验中,
:因素
和因素
是独立的;
:因素
和因素
不独立
由上面的假设所构造的统计量为
其中
,拒绝区域为
应该注意几个问题。
第一,这里的
是原始列联资料
通过相应变换以后得到的资料阵
的元素。说明
与
统计量有着内在的联系。
第二,关于因素
和因素
各水平构成的协差阵
和
,
,这里
表示矩阵的迹。
第三,独立性检验只能判断因素
和因素
是否独立。如果因素
和因素
独立,则没有必要进行相应分析;如果因素
和因素
不独立,可以进一步通过相应分析考察两因素各个水平之间的相关关系。
� EMBED Word.Document.8 ���
� EMBED Word.Document.8 ���
� EMBED Word.Document.8 ���
� EMBED Word.Document.8 ���
� EMBED Word.Document.8 ���
� EMBED Word.Document.8 ���
� EMBED Word.Document.8 ���
_1393941882.unknown
_1393941994.unknown
_1393942046.unknown
_1393942089.unknown
_1393942116.unknown
_1393942132.unknown
_1393942140.unknown
_1393942144.unknown
_1393942148.unknown
_1393942150.unknown
_1393942151.unknown
_1393942152.unknown
_1393942149.unknown
_1393942146.unknown
_1393942147.unknown
_1393942145.unknown
_1393942142.unknown
_1393942143.unknown
_1393942141.unknown
_1393942136.unknown
_1393942138.unknown
_1393942139.unknown
_1393942137.unknown
_1393942134.unknown
_1393942135.unknown
_1393942133.unknown
_1393942124.unknown
_1393942128.unknown
_1393942130.unknown
_1393942131.unknown
_1393942129.unknown
_1393942126.unknown
_1393942127.unknown
_1393942125.unknown
_1393942120.unknown
_1393942122.unknown
_1393942123.unknown
_1393942121.unknown
_1393942118.unknown
_1393942119.unknown
_1393942117.unknown
_1393942097.unknown
_1393942112.unknown
_1393942114.unknown
_1393942115.unknown
_1393942113.unknown
_1393942099.unknown
_1393942100.unknown
_1393942098.unknown
_1393942093.unknown
_1393942095.unknown
_1393942096.unknown
_1393942094.unknown
_1393942091.unknown
_1393942092.unknown
_1393942090.unknown
_1393942073.unknown
_1393942081.unknown
_1393942085.unknown
_1393942087.unknown
_1393942088.unknown
_1393942086.unknown
_1393942083.unknown
_1393942084.unknown
_1393942082.unknown
_1393942077.unknown
_1393942079.unknown
_1393942080.unknown
_1393942078.unknown
_1393942075.unknown
_1393942076.unknown
_1393942074.unknown
_1393942065.unknown
_1393942069.unknown
_1393942071.unknown
_1393942072.unknown
_1393942070.unknown
_1393942067.unknown
_1393942068.unknown
_1393942066.unknown
_1393942061.unknown
_1393942063.unknown
_1393942064.unknown
_1393942062.unknown
_1393942059.unknown
_1393942060.unknown
_1393942058.unknown
_1393942030.unknown
_1393942038.unknown
_1393942042.unknown
_1393942044.unknown
_1393942045.unknown
_1393942043.unknown
_1393942040.unknown
_1393942041.unknown
_1393942039.unknown
_1393942034.unknown
_1393942036.unknown
_1393942037.unknown
_1393942035.unknown
_1393942032.unknown
_1393942033.unknown
_1393942031.unknown
_1393942003.unknown
_1393942007.unknown
_1393942028.unknown
_1393942029.unknown
_1393942008.unknown
_1393942005.unknown
_1393942006.unknown
_1393942004.unknown
_1393941998.unknown
_1393942001.unknown
_1393942002.unknown
_1393942000.unknown
_1393941999.doc
_1202733005.unknown
_1393941996.unknown
_1393941997.unknown
_1393941995.unknown
_1393941914.unknown
_1393941930.unknown
_1393941980.unknown
_1393941989.unknown
_1393941991.unknown
_1393941993.unknown
_1393941992.doc
_1172261044.unknown
_1393941990.unknown
_1393941984.doc
_1202413647.unknown
_1393941987.unknown
_1393941988.unknown
_1393941985.doc
_1202413737.unknown
_1393941986.doc
_1172258308.unknown
_1393941982.unknown
_1393941983.doc
_1202413133.unknown
_1393941981.doc
_1202413349.unknown
_1393941976.unknown
_1393941978.unknown
_1393941979.unknown
_1393941977.unknown
_1393941932.unknown
_1393941975.unknown
_1393941931.unknown
_1393941922.unknown
_1393941926.unknown
_1393941928.unknown
_1393941929.unknown
_1393941927.unknown
_1393941924.unknown
_1393941925.unknown
_1393941923.unknown
_1393941918.unknown
_1393941920.unknown
_1393941921.unknown
_1393941919.unknown
_1393941916.unknown
_1393941917.unknown
_1393941915.unknown
_1393941898.unknown
_1393941906.unknown
_1393941910.unknown
_1393941912.unknown
_1393941913.unknown
_1393941911.unknown
_1393941908.unknown
_1393941909.unknown
_1393941907.unknown
_1393941902.unknown
_1393941904.unknown
_1393941905.unknown
_1393941903.unknown
_1393941900.unknown
_1393941901.unknown
_1393941899.unknown
_1393941890.unknown
_1393941894.unknown
_1393941896.unknown
_1393941897.unknown
_1393941895.unknown
_1393941892.unknown
_1393941893.unknown
_1393941891.unknown
_1393941886.unknown
_1393941888.unknown
_1393941889.unknown
_1393941887.unknown
_1393941884.unknown
_1393941885.unknown
_1393941883.unknown
_1393941815.unknown
_1393941847.unknown
_1393941863.unknown
_1393941874.unknown
_1393941878.unknown
_1393941880.unknown
_1393941881.unknown
_1393941879.unknown
_1393941876.unknown
_1393941877.unknown
_1393941875.unknown
_1393941867.unknown
_1393941872.unknown
_1393941873.unknown
_1393941868.unknown
_1393941865.unknown
_1393941866.unknown
_1393941864.unknown
_1393941855.unknown
_1393941859.unknown
_1393941861.unknown
_1393941862.unknown
_1393941860.unknown
_1393941857.unknown
_1393941858.unknown
_1393941856.unknown
_1393941851.unknown
_1393941853.unknown
_1393941854.unknown
_1393941852.unknown
_1393941849.unknown
_1393941850.unknown
_1393941848.unknown
_1393941831.unknown
_1393941839.unknown
_1393941843.unknown
_1393941845.unknown
_1393941846.unknown
_1393941844.unknown
_1393941841.unknown
_1393941842.unknown
_1393941840.unknown
_1393941835.unknown
_1393941837.unknown
_1393941838.unknown
_1393941836.unknown
_1393941833.unknown
_1393941834.unknown
_1393941832.unknown
_1393941823.unknown
_1393941827.unknown
_1393941829.unknown
_1393941830.unknown
_1393941828.unknown
_1393941825.unknown
_1393941826.unknown
_1393941824.unknown
_1393941819.unknown
_1393941821.unknown
_1393941822.unknown
_1393941820.unknown
_1393941817.unknown
_1393941818.unknown
_1393941816.unknown
_1381550144.unknown
_1382283006.unknown
_1393941807.unknown
_1393941811.unknown
_1393941813.unknown
_1393941814.unknown
_1393941812.unknown
_1393941809.unknown
_1393941810.unknown
_1393941808.unknown
_1393941803.unknown
_1393941805.unknown
_1393941806.unknown
_1393941804.unknown
_1393941801.unknown
_1393941802.unknown
_1393941800.unknown
_1381556076.unknown
_1382274288.unknown
_1382282499.unknown
_1382282864.unknown
_1382274601.unknown
_1382274695.unknown
_1381556485.unknown
_1382175694.unknown
_1382185337.unknown
_1381556526.unknown
_1381556697.unknown
_1381556463.unknown
_1381555451.unknown
_1381556011.unknown
_1381556032.unknown
_1381555946.unknown
_1381555205.unknown
_1381555354.unknown
_1381555100.unknown
_1319396174.unknown
_1319626752.unknown
_1350930055.unknown
_1381549905.unknown
_1381550043.unknown
_1350930155.unknown
_1350929212.unknown
_1350929418.unknown
_1350929457.unknown
_1350929650.unknown
_1350929327.unknown
_1350928833.unknown
_1319400432.unknown
_1319626549.unknown
_1319626742.unknown
_1319626511.unknown
_1319625816.unknown
_1319399853.unknown
_1319400393.unknown
_1319396416.unknown
_1314276864.unknown
_1319395985.unknown
_1319396067.unknown
_1319396102.unknown
_1319396018.unknown
_1314341778.unknown
_1319394108.unknown
_1319395836.unknown
_1314341989.unknown
_1316584789.unknown
_1314342029.unknown
_1314342043.unknown
_1314342069.unknown
_1314342001.unknown
_1314341935.unknown
_1314341970.unknown
_1314341844.unknown
_1314302523.unknown
_1314302644.unknown
_1314341678.unknown
_1314302564.unknown
_1314300364.unknown
_1314301709.unknown
_1314276885.unknown
_1153631652.unknown
_1153632647.unknown
_1153639669.unknown
_1314276065.unknown
_1314276164.unknown
_1314276282.unknown
_1314276158.unknown
_1153642662.unknown
_1153642709.unknown
_1153639711.unknown
_1153633074.unknown
_1153633090.unknown
_1153633666.unknown
_1153633001.unknown
_1153631981.unknown
_1153632044.unknown
_1153632066.unknown
_1153632036.unknown
_1153631691.unknown
_1153631702.unknown
_1153631796.unknown
_1153631666.unknown
_1153630964.unknown
_1153631579.unknown
_1153631600.unknown
_1153631372.unknown
_1150270602.unknown
_1153630766.unknown
_1153630915.unknown
_1150278239.unknown
_1150278474.unknown
_1150265454.unknown
_1150265505.unknown
_1150265678.unknown
_1150265781.unknown
_1150265525.unknown
_1150265468.unknown
_1150265428.unknown