youainti
/
ClinicalTrialsEstimation
1
0
Fork 0
Code Issues 2 Pull Requests Packages Projects Releases 1 Wiki Activity
You cannot select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
lognorm_sigma_prior
main
exploring_fixed_effects
check_reversion
v1.0.0
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
ClinicalTrialsEstimation/r-analysis/The Effects of Recruitment ...

9015 lines
504 KiB
HTML
Raw Permalink Blame History Unescape Escape

This file contains ambiguous Unicode characters!

This file contains ambiguous Unicode characters that may be confused with others in your current locale. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to highlight these characters.

/
/
The Effects of Recruitment status on completion of clinical trials
Author
Will King
Setup
| <#cb1-1>library(knitr)
<#cb1-2>library(bayesplot)
|
//
|This is bayesplot version 1.11.1
|
|- Online documentation and vignettes at mc-stan.org/bayesplot
|
|- bayesplot theme set to bayesplot::theme_default()
|
| * Does _not_ affect other ggplot2 plots
|
| * See ?bayesplot_theme_set for details on theme setting
|
| <#cb7-1>available_mcmc(pattern = "_nuts_")
|
//
|bayesplot MCMC module:
(matching pattern '_nuts_')
mcmc_nuts_acceptance
mcmc_nuts_divergence
mcmc_nuts_energy
mcmc_nuts_stepsize
mcmc_nuts_treedepth
|
| <#cb9-1>library(ggplot2)
<#cb9-2>library(patchwork)
<#cb9-3>library(tidyverse)
|
//
|── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.1.4 ✔ readr 2.1.5
✔ forcats 1.0.0 ✔ stringr 1.5.1
✔ lubridate 1.9.4 ✔ tibble 3.2.1
✔ purrr 1.0.2 ✔ tidyr 1.3.1
|
|── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
|
| <#cb12-1>library(rstan)
|
//
|Loading required package: StanHeaders
rstan version 2.32.6 (Stan version 2.32.2)
For execution on a local, multicore CPU with excess RAM we recommend calling
options(mc.cores = parallel::detectCores()).
To avoid recompilation of unchanged Stan programs, we recommend calling
rstan_options(auto_write = TRUE)
For within-chain threading using `reduce_sum()` or `map_rect()` Stan functions,
change `threads_per_chain` option:
rstan_options(threads_per_chain = 1)
Attaching package: 'rstan'
The following object is masked from 'package:tidyr':
extract
|
| <#cb14-1>library(tidyr)
<#cb14-2>library(ghibli)
<#cb14-3>library(xtable)
<#cb14-4>#Resources: https://github.com/stan-dev/rstan/wiki/RStan-Getting-Started
<#cb14-5>
<#cb14-6>#save unchanged models instead of recompiling
<#cb14-7>rstan_options(auto_write = TRUE)
<#cb14-8>#allow for multithreaded sampling
<#cb14-9>options(mc.cores = parallel::detectCores())
<#cb14-10>
<#cb14-11>#test installation, shouldn't get any errors
<#cb14-12>#example(stan_model, package = "rstan", run.dontrun = TRUE)
|
//
| <#cb15-1>################ Pull data from database ######################
<#cb15-2>library(RPostgreSQL)
|
//
|Loading required package: DBI
|
| <#cb17-1>host <- 'aact_db-restored-2025-01-07'
<#cb17-2>
<#cb17-3>driver <- dbDriver("PostgreSQL")
<#cb17-4>
<#cb17-5>get_data <- function(driver) {
<#cb17-6>
<#cb17-7>con <- dbConnect(
<#cb17-8> driver,
<#cb17-9> user='root',
<#cb17-10> password='root',
<#cb17-11> dbname='aact_db',
<#cb17-12> host=host
<#cb17-13> )
<#cb17-14>on.exit(dbDisconnect(con))
<#cb17-15>
<#cb17-16>query <- dbSendQuery(
<#cb17-17> con,
<#cb17-18># "select * from formatted_data_with_planned_enrollment;"
<#cb17-19>"
<#cb17-20>select
<#cb17-21> fdqpe.nct_id
<#cb17-22> --,fdqpe.start_date
<#cb17-23> --,fdqpe.current_enrollment
<#cb17-24> --,fdqpe.enrollment_category
<#cb17-25> ,fdqpe.current_status
<#cb17-26> ,fdqpe.earliest_date_observed
<#cb17-27> ,fdqpe.elapsed_duration
<#cb17-28> ,fdqpe.n_brands as identical_brands
<#cb17-29> ,ntbtu.brand_name_counts
<#cb17-30> ,fdqpe.category_id
<#cb17-31> ,fdqpe.final_status
<#cb17-32> ,fdqpe.h_sdi_val
<#cb17-33> --,fdqpe.h_sdi_u95
<#cb17-34> --,fdqpe.h_sdi_l95
<#cb17-35> ,fdqpe.hm_sdi_val
<#cb17-36> --,fdqpe.hm_sdi_u95
<#cb17-37> --,fdqpe.hm_sdi_l95
<#cb17-38> ,fdqpe.m_sdi_val
<#cb17-39> --,fdqpe.m_sdi_u95
<#cb17-40> --,fdqpe.m_sdi_l95
<#cb17-41> ,fdqpe.lm_sdi_val
<#cb17-42> --,fdqpe.lm_sdi_u95
<#cb17-43> --,fdqpe.lm_sdi_l95
<#cb17-44> ,fdqpe.l_sdi_val
<#cb17-45> --,fdqpe.l_sdi_u95
<#cb17-46> --,fdqpe.l_sdi_l95
<#cb17-47>from formatted_data_with_planned_enrollment fdqpe
<#cb17-48> join \"Formularies\".nct_to_brand_counts_through_uspdc ntbtu
<#cb17-49> on fdqpe.nct_id = ntbtu.nct_id
<#cb17-50>order by fdqpe.nct_id, fdqpe.earliest_date_observed
<#cb17-51>;
<#cb17-52>"
<#cb17-53> )
<#cb17-54>df <- fetch(query, n = -1)
<#cb17-55>df <- na.omit(df)
<#cb17-56>
<#cb17-57>query2 <-dbSendQuery(con,"select count(*) from \"DiseaseBurden\".icd10_categories ic where \"level\"=1;")
<#cb17-58>n_categories <- fetch(query2, n = -1)
<#cb17-59>
<#cb17-60>return(list(data=df,ncat=n_categories))
<#cb17-61>}
<#cb17-62>
<#cb17-63>
<#cb17-64>get_counterfact_base <- function(driver) {
<#cb17-65>
<#cb17-66>con <- dbConnect(
<#cb17-67> driver,
<#cb17-68> user='root',
<#cb17-69> password='root',
<#cb17-70> dbname='aact_db',
<#cb17-71> host=host
<#cb17-72> )
<#cb17-73>on.exit(dbDisconnect(con))
<#cb17-74>
<#cb17-75>query <- dbSendQuery(
<#cb17-76> con,
<#cb17-77> "
<#cb17-78> with cte as (
<#cb17-79> --get last recruiting state
<#cb17-80> select fd.nct_id, max(fd.earliest_date_observed),min(fd2.earliest_date_observed) as tmstmp
<#cb17-81> from formatted_data fd
<#cb17-82> join formatted_data fd2
<#cb17-83> on fd.nct_id=fd2.nct_id and fd.earliest_date_observed < fd2.earliest_date_observed
<#cb17-84> where fd.current_status = 'Recruiting'
<#cb17-85> and fd2.current_status = 'Active, not recruiting'
<#cb17-86> group by fd.nct_id
<#cb17-87> )
<#cb17-88> select
<#cb17-89> fdqpe.nct_id
<#cb17-90> --,fdqpe.start_date
<#cb17-91> --,fdqpe.current_enrollment
<#cb17-92> --,fdqpe.enrollment_category
<#cb17-93> ,fdqpe.current_status
<#cb17-94> ,fdqpe.earliest_date_observed
<#cb17-95> ,fdqpe.elapsed_duration
<#cb17-96> ,fdqpe.n_brands as identical_brands
<#cb17-97> ,ntbtu.brand_name_counts
<#cb17-98> ,fdqpe.category_id
<#cb17-99> ,fdqpe.final_status
<#cb17-100> ,fdqpe.h_sdi_val
<#cb17-101> --,fdqpe.h_sdi_u95
<#cb17-102> --,fdqpe.h_sdi_l95
<#cb17-103> ,fdqpe.hm_sdi_val
<#cb17-104> --,fdqpe.hm_sdi_u95
<#cb17-105> --,fdqpe.hm_sdi_l95
<#cb17-106> ,fdqpe.m_sdi_val
<#cb17-107> --,fdqpe.m_sdi_u95
<#cb17-108> --,fdqpe.m_sdi_l95
<#cb17-109> ,fdqpe.lm_sdi_val
<#cb17-110> --,fdqpe.lm_sdi_u95
<#cb17-111> --,fdqpe.lm_sdi_l95
<#cb17-112> ,fdqpe.l_sdi_val
<#cb17-113> --,fdqpe.l_sdi_u95
<#cb17-114> --,fdqpe.l_sdi_l95
<#cb17-115> from formatted_data_with_planned_enrollment fdqpe
<#cb17-116> join \"Formularies\".nct_to_brand_counts_through_uspdc ntbtu
<#cb17-117> on fdqpe.nct_id = ntbtu.nct_id
<#cb17-118> join cte
<#cb17-119> on fdqpe.nct_id = cte.nct_id
<#cb17-120> and fdqpe.earliest_date_observed = cte.tmstmp
<#cb17-121> order by fdqpe.nct_id, fdqpe.earliest_date_observed
<#cb17-122> ;
<#cb17-123> "
<#cb17-124> )
<#cb17-125>df <- fetch(query, n = -1)
<#cb17-126>df <- na.omit(df)
<#cb17-127>
<#cb17-128>query2 <-dbSendQuery(con,"select count(*) from \"DiseaseBurden\".icd10_categories ic where \"level\"=1;")
<#cb17-129>n_categories <- fetch(query2, n = -1)
<#cb17-130>
<#cb17-131>return(list(data=df,ncat=n_categories))
<#cb17-132>}
<#cb17-133>
<#cb17-134>
<#cb17-135>d <- get_data(driver)
<#cb17-136>df <- d$data
<#cb17-137>n_categories <- d$ncat
<#cb17-138>
<#cb17-139>cf <- get_counterfact_base(driver)
<#cb17-140>df_counterfact_base <- cf$data
<#cb17-141>
<#cb17-142>
<#cb17-143>
<#cb17-144>################ Format Data ###########################
<#cb17-145>
<#cb17-146>data_formatter <- function(df) {
<#cb17-147>categories <- df["category_id"]
<#cb17-148>
<#cb17-149>x <- df["elapsed_duration"]
<#cb17-150>x["identical_brands"] <- asinh(df$identical_brands)
<#cb17-151>x["brand_name_counts"] <- asinh(df$brand_name_count)
<#cb17-152>x["h_sdi_val"] <- asinh(df$h_sdi_val)
<#cb17-153>x["hm_sdi_val"] <- asinh(df$hm_sdi_val)
<#cb17-154>x["m_sdi_val"] <- asinh(df$m_sdi_val)
<#cb17-155>x["lm_sdi_val"] <- asinh(df$lm_sdi_val)
<#cb17-156>x["l_sdi_val"] <- asinh(df$l_sdi_val)
<#cb17-157>
<#cb17-158>
<#cb17-159>#Setup fixed effects
<#cb17-160>x["status_NYR"] <- ifelse(df["current_status"]=="Not yet recruiting",1,0)
<#cb17-161>x["status_EBI"] <- ifelse(df["current_status"]=="Enrolling by invitation",1,0)
<#cb17-162>x["status_Rec"] <- ifelse(df["current_status"]=="Recruiting",1,0)
<#cb17-163>x["status_ANR"] <- ifelse(df["current_status"]=="Active, not recruiting",1,0)
<#cb17-164>
<#cb17-165>
<#cb17-166>y <- ifelse(df["final_status"]=="Terminated",1,0)
<#cb17-167>
<#cb17-168>#get category list
<#cb17-169>
<#cb17-170>
<#cb17-171>return(list(x=x,y=y))
<#cb17-172>}
<#cb17-173>
<#cb17-174>train <- data_formatter(df)
<#cb17-175>counterfact_base <- data_formatter(df_counterfact_base)
<#cb17-176>
<#cb17-177>categories <- df$category_id
<#cb17-178>
<#cb17-179>x <- train$x
<#cb17-180>y <- train$y
<#cb17-181>
<#cb17-182>x_cf_base <- counterfact_base$x
<#cb17-183>y_cf_base <- counterfact_base$y
<#cb17-184>cf_categories <- df_counterfact_base$category_id
|
//
Fit Model
| <#cb18-1>################################# FIT MODEL #########################################
<#cb18-2>inherited_cols <- c(
<#cb18-3> "elapsed_duration"
<#cb18-4> #,"identical_brands"
<#cb18-5> #,"brand_name_counts"
<#cb18-6> ,"h_sdi_val"
<#cb18-7> ,"hm_sdi_val"
<#cb18-8> ,"m_sdi_val"
<#cb18-9> ,"lm_sdi_val"
<#cb18-10> ,"l_sdi_val"
<#cb18-11> ,"status_NYR"# TODO: may need to remove
<#cb18-12> ,"status_EBI"
<#cb18-13> ,"status_Rec"
<#cb18-14> ,"status_ANR"
<#cb18-15>)
|
//
| <#cb19-1>beta_list <- list(
<#cb19-2> groups = c(
<#cb19-3> `1`="Infections & Parasites",
<#cb19-4> `2`="Neoplasms",
<#cb19-5> `3`="Blood & Immune system",
<#cb19-6> `4`="Endocrine, Nutritional, and Metabolic",
<#cb19-7> `5`="Mental & Behavioral",
<#cb19-8> `6`="Nervous System",
<#cb19-9> `7`="Eye and Adnexa",
<#cb19-10> `8`="Ear and Mastoid",
<#cb19-11> `9`="Circulatory",
<#cb19-12> `10`="Respiratory",
<#cb19-13> `11`="Digestive",
<#cb19-14> `12`="Skin & Subcutaneaous tissue",
<#cb19-15> `13`="Musculoskeletal",
<#cb19-16> `14`="Genitourinary",
<#cb19-17> `15`="Pregancy, Childbirth, & Puerperium",
<#cb19-18> `16`="Perinatal Period",
<#cb19-19> `17`="Congential",
<#cb19-20> `18`="Symptoms, Signs etc.",
<#cb19-21> `19`="Injury etc.",
<#cb19-22> `20`="External Causes",
<#cb19-23> `21`="Contact with Healthcare",
<#cb19-24> `22`="Special Purposes"
<#cb19-25> ),
<#cb19-26> parameters = c(
<#cb19-27> `1`="Elapsed Duration",
<#cb19-28> # brands
<#cb19-29> `2`="asinh(Generic Brands)",
<#cb19-30> `3`="asinh(Competitors USPDC)",
<#cb19-31> # population
<#cb19-32> `4`="asinh(High SDI)",
<#cb19-33> `5`="asinh(High-Medium SDI)",
<#cb19-34> `6`="asinh(Medium SDI)",
<#cb19-35> `7`="asinh(Low-Medium SDI)",
<#cb19-36> `8`="asinh(Low SDI)",
<#cb19-37> #Status
<#cb19-38> `9`="status_NYR",
<#cb19-39> `10`="status_EBI",
<#cb19-40> `11`="status_Rec",
<#cb19-41> `12`="status_ANR"
<#cb19-42> )
<#cb19-43>)
<#cb19-44>
<#cb19-45>get_parameters <- function(stem,class_list) {
<#cb19-46> #get categories and lengths
<#cb19-47> named <- names(class_list)
<#cb19-48> lengths <- sapply(named, (function (x) length(class_list[[x]])))
<#cb19-49>
<#cb19-50> #describe the grid needed
<#cb19-51> iter_list <- sapply(named, (function (x) 1:lengths[x]))
<#cb19-52>
<#cb19-53> #generate the list of parameters
<#cb19-54> pardf <- generate_parameter_df(stem, iter_list)
<#cb19-55>
<#cb19-56> #add columns with appropriate human-readable names
<#cb19-57> for (name in named) {
<#cb19-58> pardf[paste(name,"_hr",sep="")] <- as.factor(
<#cb19-59> sapply(pardf[name], (function (i) class_list[[name]][i]))
<#cb19-60> )
<#cb19-61> }
<#cb19-62>
<#cb19-63> return(pardf)
<#cb19-64>}
<#cb19-65>
<#cb19-66>generate_parameter_df <- function(stem, iter_list) {
<#cb19-67> grid <- expand.grid(iter_list)
<#cb19-68> grid["param_name"] <- grid %>% unite(x,colnames(grid),sep=",")
<#cb19-69> grid["param_name"] <- paste(stem,"[",grid$param_name,"]",sep="")
<#cb19-70> return(grid)
<#cb19-71>}
<#cb19-72>
<#cb19-73>group_mcmc_areas <- function(
<#cb19-74> stem,# = "beta"
<#cb19-75> class_list,# = beta_list
<#cb19-76> stanfit,# = fit
<#cb19-77> group_id,# = 2
<#cb19-78> rename=TRUE,
<#cb19-79> filter=NULL
<#cb19-80> ) {
<#cb19-81>
<#cb19-82> #get all parameter names
<#cb19-83> params <- get_parameters(stem,class_list)
<#cb19-84>
<#cb19-85> #filter down to parameters of interest
<#cb19-86> params <- filter(params,groups == group_id)
<#cb19-87> #Get dataframe with only the rows of interest
<#cb19-88> filtdata <- as.data.frame(stanfit)[params$param_name]
<#cb19-89> #rename columns
<#cb19-90> if (rename) dimnames(filtdata)[[2]] <- params$parameters_hr
<#cb19-91> #get group name for title
<#cb19-92> group_name <- class_list$groups[group_id]
<#cb19-93> #create area plot with appropriate title
<#cb19-94> p <- mcmc_areas(filtdata,prob = 0.8, prob_outer = 0.95) +
<#cb19-95> ggtitle(paste("Parameter distributions for ICD-10 class:",group_name)) +
<#cb19-96> geom_vline(xintercept=seq(-2,2,0.5),color="grey",alpha=0.750)
<#cb19-97>
<#cb19-98> d <- pivot_longer(filtdata, everything()) |>
<#cb19-99> group_by(name) |>
<#cb19-100> summarize(
<#cb19-101> mean=mean(value)
<#cb19-102> ,q025 = quantile(value,probs = 0.025)
<#cb19-103> ,q975 = quantile(value,probs = 0.975)
<#cb19-104> ,q05 = quantile(value,probs = 0.05)
<#cb19-105> ,q95 = quantile(value,probs = 0.95)
<#cb19-106> )
<#cb19-107> return(list(plot=p,quantiles=d,name=group_name))
<#cb19-108>}
<#cb19-109>
<#cb19-110>parameter_mcmc_areas <- function(
<#cb19-111> stem,# = "beta"
<#cb19-112> class_list,# = beta_list
<#cb19-113> stanfit,# = fit
<#cb19-114> parameter_id,# = 2
<#cb19-115> rename=TRUE
<#cb19-116> ) {
<#cb19-117> #get all parameter names
<#cb19-118> params <- get_parameters(stem,class_list)
<#cb19-119> #filter down to parameters of interest
<#cb19-120> params <- filter(params,parameters == parameter_id)
<#cb19-121> #Get dataframe with only the rows of interest
<#cb19-122> filtdata <- as.data.frame(stanfit)[params$param_name]
<#cb19-123> #rename columns
<#cb19-124> if (rename) dimnames(filtdata)[[2]] <- params$groups_hr
<#cb19-125> #get group name for title
<#cb19-126> parameter_name <- class_list$parameters[parameter_id]
<#cb19-127> #create area plot with appropriate title
<#cb19-128> p <- mcmc_areas(filtdata,prob = 0.8, prob_outer = 0.95) +
<#cb19-129> ggtitle(parameter_name,"Parameter Distribution") +
<#cb19-130> geom_vline(xintercept=seq(-2,2,0.5),color="grey",alpha=0.750)
<#cb19-131>
<#cb19-132> d <- pivot_longer(filtdata, everything()) |>
<#cb19-133> group_by(name) |>
<#cb19-134> summarize(
<#cb19-135> mean=mean(value)
<#cb19-136> ,q025 = quantile(value,probs = 0.025)
<#cb19-137> ,q975 = quantile(value,probs = 0.975)
<#cb19-138> ,q05 = quantile(value,probs = 0.05)
<#cb19-139> ,q95 = quantile(value,probs = 0.95)
<#cb19-140> )
<#cb19-141> return(list(plot=p,quantiles=d,name=parameter_name))
<#cb19-142>}
|
//
Plan: select all snapshots that are the first to have closed enrollment
(Rec -> ANR)
| <#cb20-1>#delay intervention
<#cb20-2>intervention_enrollment <- x_cf_base[c(inherited_cols,"brand_name_counts", "identical_brands")]
<#cb20-3>intervention_enrollment["status_ANR"] <- 0
<#cb20-4>intervention_enrollment["status_Rec"] <- 1
|
//
| <#cb21-1>counterfact_delay <- list(
<#cb21-2> D = ncol(x),#
<#cb21-3> N = nrow(x),
<#cb21-4> L = n_categories$count,
<#cb21-5> y = as.vector(y),
<#cb21-6> ll = as.vector(categories),
<#cb21-7> x = as.matrix(x),
<#cb21-8> mu_mean = 0,
<#cb21-9> mu_stdev = 0.05,
<#cb21-10> sigma_shape = 4,
<#cb21-11> sigma_rate = 20,
<#cb21-12> Nx = nrow(x_cf_base),
<#cb21-13> llx = as.vector(cf_categories),
<#cb21-14> counterfact_x_tilde = as.matrix(intervention_enrollment),
<#cb21-15> counterfact_x = as.matrix(x_cf_base)
<#cb21-16>)
|
//
| <#cb22-1>fit <- stan(
<#cb22-2> file='Hierarchal_Logistic.stan',
<#cb22-3> data = counterfact_delay,
<#cb22-4> chains = 4,
<#cb22-5> iter = 5000,
<#cb22-6> seed = 11021585
<#cb22-7> )
|
//
|Warning: There were 2 chains where the estimated Bayesian Fraction of Missing Information was low. See
https://mc-stan.org/misc/warnings.html#bfmi-low
|
|Warning: Examine the pairs() plot to diagnose sampling problems
|
Explore data<#explore-data>
| <#cb25-1>#get number of trials and snapshots in each category
<#cb25-2>group_trials_by_category <- as.data.frame(aggregate(category_id ~ nct_id, df, max))
<#cb25-3>group_trials_by_category <- as.data.frame(group_trials_by_category)
<#cb25-4>
<#cb25-5>category_count <- group_trials_by_category |> group_by(category_id) |> count()
|
//
| <#cb26-1>################################# DATA EXPLORATION ############################
<#cb26-2>driver <- dbDriver("PostgreSQL")
<#cb26-3>
<#cb26-4>con <- dbConnect(
<#cb26-5> driver,
<#cb26-6> user='root',
<#cb26-7> password='root',
<#cb26-8> dbname='aact_db',
<#cb26-9> host=host
<#cb26-10> )
<#cb26-11>#Plot histogram of count of snapshots
<#cb26-12>df3 <- dbGetQuery(
<#cb26-13> con,
<#cb26-14> "select nct_id,final_status,count(*) from formatted_data_with_planned_enrollment fdwpe
<#cb26-15> group by nct_id,final_status ;"
<#cb26-16> )
<#cb26-17>#df3 <- fetch(query3, n = -1)
<#cb26-18>
<#cb26-19>ggplot(data=df3, aes(x=count, fill=final_status)) +
<#cb26-20> geom_histogram(binwidth=1) +
<#cb26-21> ggtitle("Histogram of snapshots per trial (matched trials)") +
<#cb26-22> xlab("Snapshots per trial")
|
//
| <#cb27-1>ggsave("./Images/HistSnapshots.png")
|
//
|Saving 7 x 5 in image
|
| <#cb29-1>#Plot duration for terminated vs completed
<#cb29-2>df4 <- dbGetQuery(
<#cb29-3> con,
<#cb29-4> "
<#cb29-5> select
<#cb29-6> nct_id,
<#cb29-7> start_date ,
<#cb29-8> primary_completion_date,
<#cb29-9> overall_status ,
<#cb29-10> primary_completion_date - start_date as duration
<#cb29-11> from ctgov.studies s
<#cb29-12> where nct_id in (select distinct nct_id from http.download_status ds)
<#cb29-13> ;"
<#cb29-14> )
<#cb29-15>#df4 <- fetch(query4, n = -1)
<#cb29-16>
<#cb29-17>ggplot(data=df4, aes(x=duration,fill=overall_status)) +
<#cb29-18> geom_histogram()+
<#cb29-19> ggtitle("Histogram of trial durations") +
<#cb29-20> xlab("duration")+
<#cb29-21> facet_wrap(~overall_status)
|
//
|`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
|
| <#cb31-1>ggsave("./Images/HistTrialDurations_Faceted.png")
|
//
|Saving 7 x 5 in image
`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
|
| <#cb33-1>df5 <- dbGetQuery(
<#cb33-2> con,
<#cb33-3> "
<#cb33-4> with cte1 as (
<#cb33-5> select
<#cb33-6> nct_id,
<#cb33-7> start_date ,
<#cb33-8> primary_completion_date,
<#cb33-9> overall_status ,
<#cb33-10> primary_completion_date - start_date as duration
<#cb33-11> from ctgov.studies s
<#cb33-12> where nct_id in (select distinct nct_id from http.download_status ds)
<#cb33-13> ), cte2 as (
<#cb33-14> select nct_id,count(*) as snapshot_count from formatted_data_with_planned_enrollment fdwpe
<#cb33-15> group by nct_id
<#cb33-16> )
<#cb33-17> select a.nct_id, a.overall_status, a.duration,b.snapshot_count
<#cb33-18> from cte1 as a
<#cb33-19> join cte2 as b
<#cb33-20> on a.nct_id=b.nct_id
<#cb33-21> ;"
<#cb33-22> )
<#cb33-23>df5$overall_status <- as.factor(df5$overall_status)
<#cb33-24>
<#cb33-25>ggplot(data=df5, aes(x=duration,y=snapshot_count,color=overall_status)) +
<#cb33-26> geom_jitter() +
<#cb33-27> ggtitle("Comparison of duration, status, and snapshot_count") +
<#cb33-28> xlab("duration") +
<#cb33-29> ylab("snapshot count")
|
//
| <#cb34-1>ggsave("./Images/SnapshotsVsDurationVsTermination.png")
|
//
|Saving 7 x 5 in image
|
| <#cb36-1>dbDisconnect(con)
|
//
|[1] TRUE
|
| <#cb38-1>#get number of trials and snapshots in each category
<#cb38-2>group_trials_by_category <- as.data.frame(aggregate(category_id ~ nct_id, df, max))
<#cb38-3>group_trials_by_category <- as.data.frame(group_trials_by_category)
<#cb38-4>
<#cb38-5>ggplot(data = group_trials_by_category, aes(x=category_id)) +
<#cb38-6> geom_bar(binwidth=1,color="black",fill="seagreen") +
<#cb38-7> scale_x_continuous(breaks=scales::pretty_breaks(n=22)) +
<#cb38-8> labs(
<#cb38-9> title="bar chart of trial categories"
<#cb38-10> ,x="Category ID"
<#cb38-11> ,y="Count"
<#cb38-12> )
|
//
|Warning in geom_bar(binwidth = 1, color = "black", fill = "seagreen"): Ignoring
unknown parameters: `binwidth`
|
| <#cb40-1>ggsave("./Images/CategoryCounts.png")
|
//
|Saving 7 x 5 in image
|
| <#cb42-1>summary(df5)
|
//
| nct_id overall_status duration snapshot_count
Length:162 Completed :134 Min. : 61.0 Min. : 1.000
Class :character Terminated: 28 1st Qu.: 618.5 1st Qu.: 4.000
Mode :character Median :1022.5 Median : 6.000
Mean :1202.4 Mean : 8.315
3rd Qu.:1637.0 3rd Qu.:11.000
Max. :3332.0 Max. :48.000
|
Fit Results<#fit-results>
| <#cb44-1>################################# ANALYZE #####################################
<#cb44-2>print(fit)
|
//
|Inference for Stan model: anon_model.
4 chains, each with iter=5000; warmup=2500; thin=1;
post-warmup draws per chain=2500, total post-warmup draws=10000.
mean se_mean sd 2.5% 25% 50%
mu[1] -0.02 0.00 0.05 -0.12 -0.05 -0.02
mu[2] -0.01 0.00 0.05 -0.11 -0.05 -0.01
mu[3] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu[4] -0.04 0.00 0.05 -0.14 -0.08 -0.04
mu[5] -0.04 0.00 0.05 -0.13 -0.07 -0.04
mu[6] -0.03 0.00 0.05 -0.13 -0.07 -0.03
mu[7] -0.02 0.00 0.05 -0.11 -0.05 -0.02
mu[8] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu[9] -0.01 0.00 0.05 -0.10 -0.04 -0.01
mu[10] 0.00 0.00 0.05 -0.10 -0.04 0.00
mu[11] 0.01 0.00 0.05 -0.09 -0.03 0.01
mu[12] -0.03 0.00 0.05 -0.13 -0.07 -0.04
sigma[1] 0.25 0.00 0.11 0.07 0.16 0.23
sigma[2] 0.71 0.00 0.16 0.42 0.59 0.70
sigma[3] 0.73 0.00 0.17 0.42 0.61 0.73
sigma[4] 0.29 0.00 0.09 0.15 0.23 0.28
sigma[5] 0.18 0.00 0.09 0.05 0.11 0.16
sigma[6] 0.18 0.00 0.09 0.05 0.12 0.17
sigma[7] 0.19 0.00 0.09 0.05 0.12 0.17
sigma[8] 0.19 0.00 0.09 0.06 0.12 0.17
sigma[9] 0.31 0.01 0.14 0.09 0.20 0.29
sigma[10] 0.20 0.00 0.10 0.05 0.13 0.19
sigma[11] 0.23 0.00 0.11 0.06 0.15 0.21
sigma[12] 0.29 0.01 0.13 0.09 0.20 0.28
beta[1,1] -0.08 0.00 0.23 -0.58 -0.21 -0.07
beta[1,2] -0.41 0.00 0.39 -1.17 -0.67 -0.40
beta[1,3] 0.68 0.00 0.39 -0.07 0.42 0.68
beta[1,4] -0.46 0.00 0.12 -0.71 -0.54 -0.46
beta[1,5] 0.00 0.00 0.18 -0.35 -0.11 -0.01
beta[1,6] 0.04 0.00 0.18 -0.29 -0.08 0.02
beta[1,7] 0.07 0.00 0.17 -0.25 -0.04 0.06
beta[1,8] 0.07 0.00 0.16 -0.23 -0.03 0.06
beta[1,9] 0.31 0.01 0.37 -0.23 0.05 0.24
beta[1,10] -0.03 0.00 0.23 -0.53 -0.15 -0.02
beta[1,11] 0.02 0.00 0.23 -0.44 -0.11 0.02
beta[1,12] -0.24 0.00 0.28 -0.88 -0.40 -0.21
beta[2,1] -0.32 0.01 0.24 -0.87 -0.47 -0.29
beta[2,2] -1.42 0.00 0.26 -1.95 -1.60 -1.42
beta[2,3] 0.75 0.00 0.21 0.33 0.61 0.75
beta[2,4] 0.25 0.00 0.21 -0.14 0.10 0.24
beta[2,5] -0.07 0.00 0.18 -0.46 -0.17 -0.06
beta[2,6] -0.13 0.00 0.19 -0.56 -0.24 -0.11
beta[2,7] -0.09 0.00 0.18 -0.49 -0.20 -0.08
beta[2,8] 0.04 0.00 0.17 -0.29 -0.07 0.03
beta[2,9] -0.46 0.01 0.39 -1.38 -0.69 -0.39
beta[2,10] 0.00 0.00 0.23 -0.47 -0.12 -0.01
beta[2,11] -0.15 0.00 0.21 -0.65 -0.27 -0.12
beta[2,12] -0.39 0.01 0.28 -1.01 -0.57 -0.36
beta[3,1] -0.02 0.00 0.27 -0.59 -0.17 -0.02
beta[3,2] -0.08 0.01 0.73 -1.54 -0.55 -0.08
beta[3,3] -0.13 0.01 0.75 -1.67 -0.60 -0.11
beta[3,4] -0.18 0.00 0.27 -0.76 -0.35 -0.17
beta[3,5] -0.09 0.00 0.19 -0.52 -0.19 -0.08
beta[3,6] -0.10 0.00 0.20 -0.58 -0.20 -0.08
beta[3,7] -0.09 0.00 0.19 -0.53 -0.19 -0.07
beta[3,8] -0.07 0.00 0.20 -0.52 -0.17 -0.05
beta[3,9] 0.00 0.00 0.34 -0.71 -0.19 0.00
beta[3,10] 0.00 0.00 0.23 -0.48 -0.12 0.00
beta[3,11] 0.00 0.00 0.25 -0.52 -0.14 0.00
beta[3,12] -0.04 0.00 0.32 -0.71 -0.21 -0.04
beta[4,1] -0.04 0.00 0.26 -0.58 -0.18 -0.03
beta[4,2] -0.32 0.00 0.52 -1.39 -0.66 -0.31
beta[4,3] -0.78 0.01 0.58 -2.01 -1.14 -0.76
beta[4,4] 0.06 0.00 0.24 -0.40 -0.10 0.05
beta[4,5] -0.03 0.00 0.17 -0.38 -0.13 -0.03
beta[4,6] -0.07 0.00 0.18 -0.48 -0.17 -0.06
beta[4,7] 0.00 0.00 0.18 -0.38 -0.11 -0.01
beta[4,8] 0.08 0.00 0.19 -0.25 -0.04 0.06
beta[4,9] -0.13 0.00 0.34 -0.93 -0.29 -0.09
beta[4,10] -0.01 0.00 0.23 -0.52 -0.13 -0.01
beta[4,11] 0.21 0.01 0.29 -0.22 0.02 0.16
beta[4,12] -0.22 0.01 0.32 -0.97 -0.39 -0.18
beta[5,1] -0.09 0.00 0.27 -0.69 -0.23 -0.07
beta[5,2] -0.97 0.01 0.75 -2.61 -1.42 -0.90
beta[5,3] -0.18 0.01 0.75 -1.71 -0.65 -0.17
beta[5,4] 0.02 0.00 0.25 -0.47 -0.14 0.02
beta[5,5] -0.02 0.00 0.18 -0.38 -0.12 -0.02
beta[5,6] -0.05 0.00 0.19 -0.45 -0.16 -0.05
beta[5,7] 0.05 0.00 0.19 -0.30 -0.07 0.04
beta[5,8] 0.10 0.00 0.20 -0.25 -0.03 0.07
beta[5,9] 0.02 0.00 0.32 -0.65 -0.16 0.01
beta[5,10] -0.01 0.00 0.22 -0.50 -0.13 -0.01
beta[5,11] 0.09 0.00 0.25 -0.36 -0.06 0.06
beta[5,12] -0.20 0.01 0.32 -0.94 -0.37 -0.16
beta[6,1] -0.04 0.00 0.27 -0.61 -0.19 -0.04
beta[6,2] 1.43 0.01 0.71 0.21 0.92 1.38
beta[6,3] 2.04 0.01 0.73 0.71 1.54 2.01
beta[6,4] -0.35 0.00 0.24 -0.86 -0.51 -0.34
beta[6,5] -0.12 0.00 0.19 -0.57 -0.22 -0.10
beta[6,6] -0.08 0.00 0.19 -0.50 -0.18 -0.07
beta[6,7] -0.04 0.00 0.18 -0.43 -0.15 -0.04
beta[6,8] 0.00 0.00 0.18 -0.36 -0.10 0.00
beta[6,9] 0.01 0.00 0.33 -0.67 -0.17 0.00
beta[6,10] 0.00 0.00 0.23 -0.49 -0.13 0.00
beta[6,11] -0.03 0.00 0.25 -0.58 -0.16 -0.02
beta[6,12] -0.03 0.00 0.31 -0.64 -0.20 -0.03
beta[7,1] -0.03 0.00 0.26 -0.57 -0.18 -0.03
beta[7,2] -0.17 0.01 0.71 -1.62 -0.61 -0.15
beta[7,3] -0.19 0.01 0.75 -1.72 -0.65 -0.17
beta[7,4] -0.24 0.00 0.28 -0.85 -0.40 -0.23
beta[7,5] -0.12 0.00 0.20 -0.58 -0.22 -0.10
beta[7,6] -0.12 0.00 0.20 -0.59 -0.22 -0.10
beta[7,7] -0.10 0.00 0.20 -0.56 -0.21 -0.08
beta[7,8] -0.09 0.00 0.21 -0.59 -0.20 -0.06
beta[7,9] 0.00 0.00 0.34 -0.70 -0.19 -0.01
beta[7,10] 0.00 0.00 0.23 -0.49 -0.13 0.00
beta[7,11] 0.00 0.00 0.26 -0.55 -0.14 0.00
beta[7,12] -0.04 0.00 0.32 -0.72 -0.22 -0.04
beta[8,1] -0.02 0.00 0.27 -0.60 -0.17 -0.02
beta[8,2] 0.00 0.01 0.74 -1.47 -0.47 0.00
beta[8,3] 0.00 0.01 0.75 -1.50 -0.49 0.00
beta[8,4] -0.05 0.00 0.31 -0.66 -0.24 -0.05
beta[8,5] -0.03 0.00 0.20 -0.44 -0.14 -0.04
beta[8,6] -0.03 0.00 0.21 -0.45 -0.14 -0.03
beta[8,7] -0.01 0.00 0.21 -0.44 -0.13 -0.02
beta[8,8] 0.00 0.00 0.21 -0.43 -0.11 0.00
beta[8,9] 0.00 0.00 0.34 -0.71 -0.18 -0.01
beta[8,10] 0.00 0.00 0.23 -0.47 -0.12 0.00
beta[8,11] 0.01 0.00 0.27 -0.54 -0.13 0.01
beta[8,12] -0.03 0.00 0.32 -0.68 -0.21 -0.04
beta[9,1] -0.04 0.00 0.26 -0.58 -0.18 -0.04
beta[9,2] -0.49 0.01 0.65 -1.91 -0.88 -0.45
beta[9,3] -0.63 0.01 0.68 -2.09 -1.05 -0.59
beta[9,4] 0.00 0.00 0.25 -0.51 -0.16 0.00
beta[9,5] 0.03 0.00 0.19 -0.32 -0.09 0.01
beta[9,6] 0.08 0.00 0.20 -0.26 -0.05 0.05
beta[9,7] 0.10 0.00 0.20 -0.23 -0.03 0.08
beta[9,8] 0.11 0.00 0.20 -0.25 -0.02 0.08
beta[9,9] 0.05 0.00 0.34 -0.59 -0.15 0.03
beta[9,10] 0.00 0.00 0.23 -0.49 -0.13 0.00
beta[9,11] -0.05 0.00 0.26 -0.63 -0.18 -0.03
beta[9,12] 0.00 0.00 0.32 -0.64 -0.18 -0.01
beta[10,1] -0.03 0.00 0.27 -0.60 -0.17 -0.03
beta[10,2] -0.15 0.01 0.71 -1.57 -0.60 -0.15
beta[10,3] -0.14 0.01 0.74 -1.63 -0.60 -0.12
beta[10,4] -0.21 0.00 0.28 -0.82 -0.38 -0.20
beta[10,5] -0.10 0.00 0.19 -0.55 -0.20 -0.08
beta[10,6] -0.11 0.00 0.20 -0.58 -0.21 -0.09
beta[10,7] -0.10 0.00 0.20 -0.56 -0.20 -0.08
beta[10,8] -0.08 0.00 0.20 -0.54 -0.18 -0.06
beta[10,9] -0.01 0.00 0.34 -0.70 -0.19 -0.01
beta[10,10] 0.00 0.00 0.23 -0.48 -0.12 0.00
beta[10,11] 0.00 0.00 0.26 -0.55 -0.13 0.00
beta[10,12] -0.04 0.00 0.33 -0.71 -0.22 -0.05
beta[11,1] -0.03 0.00 0.28 -0.60 -0.18 -0.03
beta[11,2] -0.10 0.01 0.73 -1.59 -0.55 -0.09
beta[11,3] -0.10 0.01 0.75 -1.64 -0.56 -0.09
beta[11,4] -0.25 0.00 0.27 -0.81 -0.41 -0.23
beta[11,5] -0.12 0.00 0.20 -0.59 -0.22 -0.10
beta[11,6] -0.12 0.00 0.20 -0.57 -0.22 -0.10
beta[11,7] -0.10 0.00 0.20 -0.57 -0.21 -0.08
beta[11,8] -0.08 0.00 0.21 -0.56 -0.19 -0.06
beta[11,9] 0.00 0.00 0.34 -0.71 -0.18 0.00
beta[11,10] 0.00 0.00 0.23 -0.48 -0.12 0.00
beta[11,11] -0.01 0.00 0.26 -0.55 -0.14 0.00
beta[11,12] -0.03 0.00 0.32 -0.70 -0.21 -0.03
beta[12,1] -0.15 0.00 0.26 -0.72 -0.28 -0.11
beta[12,2] -0.48 0.01 0.66 -1.89 -0.89 -0.46
beta[12,3] 0.36 0.01 0.65 -0.92 -0.07 0.34
beta[12,4] -0.18 0.00 0.24 -0.70 -0.33 -0.17
beta[12,5] -0.07 0.00 0.18 -0.45 -0.16 -0.06
beta[12,6] 0.00 0.00 0.19 -0.35 -0.11 -0.01
beta[12,7] 0.01 0.00 0.18 -0.34 -0.10 0.00
beta[12,8] 0.04 0.00 0.19 -0.32 -0.07 0.04
beta[12,9] 0.04 0.00 0.34 -0.64 -0.15 0.02
beta[12,10] 0.00 0.00 0.24 -0.47 -0.12 0.00
beta[12,11] 0.05 0.00 0.26 -0.44 -0.09 0.04
beta[12,12] -0.15 0.00 0.32 -0.87 -0.32 -0.12
beta[13,1] 0.10 0.00 0.28 -0.38 -0.07 0.06
beta[13,2] 0.98 0.00 0.46 0.14 0.66 0.97
beta[13,3] -1.12 0.01 0.50 -2.12 -1.45 -1.11
beta[13,4] -0.08 0.00 0.24 -0.56 -0.24 -0.08
beta[13,5] -0.06 0.00 0.18 -0.45 -0.17 -0.06
beta[13,6] -0.03 0.00 0.18 -0.41 -0.13 -0.04
beta[13,7] 0.01 0.00 0.18 -0.35 -0.10 0.00
beta[13,8] 0.02 0.00 0.19 -0.35 -0.08 0.02
beta[13,9] -0.05 0.00 0.31 -0.74 -0.21 -0.03
beta[13,10] -0.01 0.00 0.22 -0.46 -0.13 0.00
beta[13,11] 0.12 0.00 0.25 -0.32 -0.04 0.09
beta[13,12] -0.25 0.01 0.32 -1.00 -0.42 -0.19
beta[14,1] -0.02 0.00 0.28 -0.58 -0.18 -0.02
beta[14,2] -0.19 0.01 0.72 -1.67 -0.63 -0.17
beta[14,3] -0.21 0.01 0.73 -1.72 -0.66 -0.19
beta[14,4] -0.18 0.00 0.28 -0.79 -0.34 -0.17
beta[14,5] -0.09 0.00 0.20 -0.54 -0.19 -0.08
beta[14,6] -0.09 0.00 0.20 -0.55 -0.20 -0.08
beta[14,7] -0.08 0.00 0.20 -0.53 -0.18 -0.06
beta[14,8] -0.06 0.00 0.21 -0.54 -0.17 -0.04
beta[14,9] 0.00 0.00 0.34 -0.70 -0.18 -0.01
beta[14,10] 0.00 0.00 0.24 -0.49 -0.13 0.00
beta[14,11] 0.01 0.00 0.26 -0.56 -0.13 0.01
beta[14,12] -0.04 0.00 0.32 -0.70 -0.21 -0.04
beta[15,1] -0.02 0.00 0.28 -0.58 -0.17 -0.02
beta[15,2] 0.00 0.01 0.72 -1.46 -0.46 -0.01
beta[15,3] 0.00 0.01 0.76 -1.55 -0.48 0.00
beta[15,4] -0.04 0.00 0.32 -0.66 -0.23 -0.04
beta[15,5] -0.04 0.00 0.21 -0.47 -0.14 -0.04
beta[15,6] -0.03 0.00 0.21 -0.48 -0.15 -0.03
beta[15,7] -0.02 0.00 0.21 -0.45 -0.14 -0.02
beta[15,8] 0.00 0.00 0.21 -0.44 -0.11 0.00
beta[15,9] 0.00 0.00 0.34 -0.71 -0.18 -0.01
beta[15,10] 0.00 0.00 0.24 -0.50 -0.13 0.00
beta[15,11] 0.01 0.00 0.26 -0.53 -0.13 0.01
beta[15,12] -0.03 0.00 0.33 -0.72 -0.21 -0.03
beta[16,1] -0.02 0.00 0.27 -0.58 -0.17 -0.03
beta[16,2] -0.02 0.01 0.71 -1.46 -0.46 -0.02
beta[16,3] 0.01 0.01 0.76 -1.50 -0.47 0.00
beta[16,4] -0.05 0.00 0.31 -0.67 -0.23 -0.05
beta[16,5] -0.04 0.00 0.20 -0.43 -0.14 -0.04
beta[16,6] -0.03 0.00 0.21 -0.46 -0.15 -0.03
beta[16,7] -0.02 0.00 0.21 -0.44 -0.13 -0.02
beta[16,8] 0.00 0.00 0.21 -0.45 -0.12 0.00
beta[16,9] -0.01 0.00 0.34 -0.70 -0.19 -0.01
beta[16,10] 0.00 0.00 0.23 -0.49 -0.12 0.00
beta[16,11] 0.01 0.00 0.26 -0.54 -0.13 0.00
beta[16,12] -0.03 0.00 0.32 -0.72 -0.21 -0.03
beta[17,1] -0.02 0.00 0.27 -0.59 -0.17 -0.02
beta[17,2] -0.11 0.01 0.72 -1.59 -0.56 -0.10
beta[17,3] -0.09 0.01 0.75 -1.65 -0.54 -0.08
beta[17,4] -0.20 0.00 0.28 -0.80 -0.37 -0.18
beta[17,5] -0.10 0.00 0.19 -0.55 -0.20 -0.09
beta[17,6] -0.11 0.00 0.21 -0.59 -0.21 -0.09
beta[17,7] -0.09 0.00 0.20 -0.54 -0.20 -0.07
beta[17,8] -0.08 0.00 0.20 -0.55 -0.18 -0.05
beta[17,9] -0.01 0.00 0.34 -0.73 -0.18 -0.01
beta[17,10] 0.00 0.00 0.23 -0.49 -0.13 0.00
beta[17,11] 0.00 0.00 0.26 -0.56 -0.13 0.01
beta[17,12] -0.04 0.00 0.32 -0.70 -0.22 -0.04
beta[18,1] -0.02 0.00 0.27 -0.58 -0.17 -0.02
beta[18,2] -0.07 0.01 0.72 -1.52 -0.53 -0.06
beta[18,3] -0.08 0.01 0.74 -1.58 -0.53 -0.07
beta[18,4] -0.17 0.00 0.28 -0.76 -0.33 -0.15
beta[18,5] -0.09 0.00 0.19 -0.52 -0.19 -0.07
beta[18,6] -0.09 0.00 0.20 -0.54 -0.19 -0.07
beta[18,7] -0.07 0.00 0.20 -0.53 -0.18 -0.06
beta[18,8] -0.06 0.00 0.20 -0.51 -0.16 -0.04
beta[18,9] -0.01 0.00 0.34 -0.73 -0.19 -0.01
beta[18,10] -0.01 0.00 0.23 -0.50 -0.13 0.00
beta[18,11] 0.00 0.00 0.26 -0.55 -0.13 0.01
beta[18,12] -0.04 0.00 0.32 -0.70 -0.21 -0.04
beta[19,1] -0.02 0.00 0.27 -0.58 -0.17 -0.02
beta[19,2] 0.00 0.01 0.73 -1.49 -0.47 -0.01
beta[19,3] 0.01 0.01 0.77 -1.55 -0.47 0.01
beta[19,4] -0.04 0.00 0.31 -0.66 -0.23 -0.05
beta[19,5] -0.04 0.00 0.20 -0.44 -0.15 -0.04
beta[19,6] -0.04 0.00 0.21 -0.48 -0.15 -0.03
beta[19,7] -0.02 0.00 0.21 -0.45 -0.13 -0.02
beta[19,8] 0.00 0.00 0.22 -0.44 -0.12 0.00
beta[19,9] -0.01 0.00 0.34 -0.73 -0.19 -0.01
beta[19,10] -0.01 0.00 0.24 -0.51 -0.13 -0.01
beta[19,11] 0.00 0.00 0.26 -0.54 -0.13 0.01
beta[19,12] -0.03 0.00 0.33 -0.70 -0.21 -0.04
beta[20,1] -0.02 0.00 0.28 -0.59 -0.17 -0.02
beta[20,2] -0.01 0.01 0.71 -1.44 -0.46 -0.02
beta[20,3] 0.01 0.01 0.76 -1.51 -0.46 0.00
beta[20,4] -0.05 0.00 0.31 -0.66 -0.24 -0.05
beta[20,5] -0.04 0.00 0.21 -0.46 -0.14 -0.04
beta[20,6] -0.03 0.00 0.21 -0.46 -0.15 -0.03
beta[20,7] -0.02 0.00 0.21 -0.46 -0.13 -0.02
beta[20,8] 0.00 0.00 0.21 -0.44 -0.11 0.00
beta[20,9] -0.01 0.00 0.35 -0.74 -0.19 -0.01
beta[20,10] 0.00 0.00 0.23 -0.48 -0.12 0.00
beta[20,11] 0.01 0.00 0.26 -0.55 -0.13 0.01
beta[20,12] -0.03 0.00 0.33 -0.70 -0.21 -0.04
beta[21,1] -0.02 0.00 0.27 -0.55 -0.17 -0.03
beta[21,2] -0.02 0.01 0.72 -1.45 -0.48 -0.02
beta[21,3] 0.00 0.01 0.75 -1.48 -0.47 0.01
beta[21,4] -0.04 0.00 0.31 -0.67 -0.24 -0.05
beta[21,5] -0.04 0.00 0.21 -0.46 -0.15 -0.04
beta[21,6] -0.03 0.00 0.21 -0.46 -0.14 -0.03
beta[21,7] -0.02 0.00 0.21 -0.46 -0.14 -0.02
beta[21,8] 0.00 0.00 0.21 -0.44 -0.12 0.00
beta[21,9] 0.00 0.00 0.34 -0.69 -0.19 -0.01
beta[21,10] 0.00 0.00 0.23 -0.46 -0.12 0.00
beta[21,11] 0.01 0.00 0.25 -0.54 -0.13 0.01
beta[21,12] -0.03 0.00 0.32 -0.69 -0.21 -0.03
beta[22,1] -0.02 0.00 0.28 -0.60 -0.17 -0.02
beta[22,2] -0.02 0.01 0.73 -1.50 -0.49 -0.02
beta[22,3] 0.00 0.01 0.75 -1.50 -0.47 0.00
beta[22,4] -0.05 0.00 0.31 -0.67 -0.24 -0.05
beta[22,5] -0.04 0.00 0.20 -0.45 -0.14 -0.04
beta[22,6] -0.03 0.00 0.20 -0.45 -0.15 -0.03
beta[22,7] -0.02 0.00 0.21 -0.45 -0.13 -0.02
beta[22,8] 0.00 0.00 0.21 -0.44 -0.12 0.00
beta[22,9] -0.01 0.00 0.34 -0.70 -0.18 -0.01
beta[22,10] 0.00 0.00 0.23 -0.48 -0.12 0.00
beta[22,11] 0.01 0.00 0.26 -0.54 -0.13 0.01
beta[22,12] -0.03 0.00 0.33 -0.70 -0.21 -0.04
mu_prior[1] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[2] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[3] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[4] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[5] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[6] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[7] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[8] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[9] 0.00 0.00 0.05 -0.10 -0.04 0.00
mu_prior[10] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[11] 0.00 0.00 0.05 -0.10 -0.03 0.00
mu_prior[12] 0.00 0.00 0.05 -0.10 -0.03 0.00
sigma_prior[1] 0.20 0.00 0.10 0.06 0.13 0.18
sigma_prior[2] 0.20 0.00 0.10 0.06 0.13 0.18
sigma_prior[3] 0.20 0.00 0.10 0.06 0.13 0.18
sigma_prior[4] 0.20 0.00 0.10 0.05 0.13 0.18
sigma_prior[5] 0.20 0.00 0.10 0.05 0.13 0.18
sigma_prior[6] 0.20 0.00 0.10 0.05 0.13 0.18
sigma_prior[7] 0.20 0.00 0.10 0.05 0.13 0.18
sigma_prior[8] 0.20 0.00 0.10 0.05 0.13 0.18
sigma_prior[9] 0.20 0.00 0.10 0.05 0.13 0.18
sigma_prior[10] 0.20 0.00 0.10 0.05 0.13 0.18
sigma_prior[11] 0.20 0.00 0.10 0.06 0.13 0.18
sigma_prior[12] 0.20 0.00 0.10 0.05 0.13 0.18
p_prior[1] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[2] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[3] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[4] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[5] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[6] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[7] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[8] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[9] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[10] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[11] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[12] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[13] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[14] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[15] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[16] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[17] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[18] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[19] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[20] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[21] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[22] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[23] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[24] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[25] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[26] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[27] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[28] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[29] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[30] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[31] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[32] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[33] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[34] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[35] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[36] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[37] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[38] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[39] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[40] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[41] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[42] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[43] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[44] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[45] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[46] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[47] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[48] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[49] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[50] 0.50 0.00 0.43 0.00 0.01 0.48
p_prior[51] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[52] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[53] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[54] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[55] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[56] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[57] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[58] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[59] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[60] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[61] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[62] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[63] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[64] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[65] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[66] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[67] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[68] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[69] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[70] 0.50 0.00 0.45 0.00 0.01 0.48
p_prior[71] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[72] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[73] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[74] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[75] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[76] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[77] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[78] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[79] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[80] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[81] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[82] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[83] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[84] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[85] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[86] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[87] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[88] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[89] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[90] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[91] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[92] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[93] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[94] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[95] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[96] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[97] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[98] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[99] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[100] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[101] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[102] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[103] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[104] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[105] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[106] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[107] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[108] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[109] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[110] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[111] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[112] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[113] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[114] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[115] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[116] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[117] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[118] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[119] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[120] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[121] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[122] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[123] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[124] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[125] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[126] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[127] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[128] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[129] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[130] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[131] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[132] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[133] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[134] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[135] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[136] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[137] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[138] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[139] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[140] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[141] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[142] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[143] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[144] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[145] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[146] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[147] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[148] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[149] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[150] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[151] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[152] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[153] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[154] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[155] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[156] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[157] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[158] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[159] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[160] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[161] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[162] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[163] 0.50 0.00 0.17 0.16 0.39 0.50
p_prior[164] 0.50 0.00 0.17 0.16 0.39 0.50
p_prior[165] 0.50 0.00 0.17 0.16 0.38 0.50
p_prior[166] 0.50 0.00 0.17 0.16 0.38 0.50
p_prior[167] 0.50 0.00 0.17 0.16 0.38 0.50
p_prior[168] 0.50 0.00 0.17 0.16 0.38 0.50
p_prior[169] 0.50 0.00 0.18 0.15 0.38 0.50
p_prior[170] 0.50 0.00 0.18 0.15 0.38 0.50
p_prior[171] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[172] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[173] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[174] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[175] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[176] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[177] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[178] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[179] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[180] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[181] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[182] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[183] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[184] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[185] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[186] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[187] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[188] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[189] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[190] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[191] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[192] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[193] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[194] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[195] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[196] 0.50 0.00 0.43 0.00 0.02 0.49
p_prior[197] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[198] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[199] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[200] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[201] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[202] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[203] 0.50 0.00 0.43 0.00 0.02 0.49
p_prior[204] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[205] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[206] 0.50 0.00 0.45 0.00 0.01 0.48
p_prior[207] 0.50 0.00 0.45 0.00 0.01 0.48
p_prior[208] 0.49 0.00 0.44 0.00 0.01 0.49
p_prior[209] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[210] 0.49 0.00 0.44 0.00 0.01 0.49
p_prior[211] 0.49 0.00 0.44 0.00 0.01 0.49
p_prior[212] 0.49 0.00 0.44 0.00 0.01 0.49
p_prior[213] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[214] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[215] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[216] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[217] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[218] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[219] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[220] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[221] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[222] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[223] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[224] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[225] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[226] 0.50 0.00 0.45 0.00 0.00 0.47
p_prior[227] 0.50 0.00 0.45 0.00 0.00 0.47
p_prior[228] 0.50 0.00 0.45 0.00 0.00 0.47
p_prior[229] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[230] 0.50 0.00 0.45 0.00 0.00 0.47
p_prior[231] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[232] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[233] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[234] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[235] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[236] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[237] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[238] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[239] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[240] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[241] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[242] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[243] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[244] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[245] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[246] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[247] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[248] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[249] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[250] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[251] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[252] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[253] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[254] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[255] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[256] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[257] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[258] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[259] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[260] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[261] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[262] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[263] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[264] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[265] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[266] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[267] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[268] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[269] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[270] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[271] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[272] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[273] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[274] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[275] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[276] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[277] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[278] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[279] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[280] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[281] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[282] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[283] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[284] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[285] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[286] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[287] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[288] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[289] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[290] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[291] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[292] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[293] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[294] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[295] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[296] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[297] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[298] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[299] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[300] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[301] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[302] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[303] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[304] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[305] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[306] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[307] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[308] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[309] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[310] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[311] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[312] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[313] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[314] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[315] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[316] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[317] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[318] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[319] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[320] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[321] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[322] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[323] 0.50 0.00 0.43 0.00 0.02 0.49
p_prior[324] 0.49 0.00 0.44 0.00 0.01 0.49
p_prior[325] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[326] 0.49 0.00 0.44 0.00 0.01 0.49
p_prior[327] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[328] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[329] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[330] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[331] 0.49 0.00 0.43 0.00 0.01 0.47
p_prior[332] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[333] 0.49 0.00 0.43 0.00 0.01 0.47
p_prior[334] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[335] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[336] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[337] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[338] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[339] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[340] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[341] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[342] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[343] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[344] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[345] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[346] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[347] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[348] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[349] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[350] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[351] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[352] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[353] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[354] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[355] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[356] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[357] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[358] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[359] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[360] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[361] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[362] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[363] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[364] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[365] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[366] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[367] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[368] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[369] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[370] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[371] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[372] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[373] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[374] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[375] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[376] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[377] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[378] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[379] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[380] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[381] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[382] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[383] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[384] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[385] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[386] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[387] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[388] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[389] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[390] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[391] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[392] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[393] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[394] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[395] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[396] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[397] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[398] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[399] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[400] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[401] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[402] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[403] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[404] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[405] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[406] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[407] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[408] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[409] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[410] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[411] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[412] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[413] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[414] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[415] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[416] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[417] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[418] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[419] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[420] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[421] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[422] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[423] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[424] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[425] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[426] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[427] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[428] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[429] 0.49 0.00 0.43 0.00 0.01 0.47
p_prior[430] 0.49 0.00 0.43 0.00 0.01 0.47
p_prior[431] 0.49 0.00 0.43 0.00 0.01 0.47
p_prior[432] 0.49 0.00 0.43 0.00 0.01 0.47
p_prior[433] 0.49 0.00 0.43 0.00 0.01 0.47
p_prior[434] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[435] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[436] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[437] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[438] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[439] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[440] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[441] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[442] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[443] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[444] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[445] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[446] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[447] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[448] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[449] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[450] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[451] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[452] 0.49 0.00 0.45 0.00 0.01 0.46
p_prior[453] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[454] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[455] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[456] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[457] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[458] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[459] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[460] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[461] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[462] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[463] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[464] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[465] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[466] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[467] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[468] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[469] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[470] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[471] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[472] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[473] 0.50 0.00 0.15 0.21 0.40 0.50
p_prior[474] 0.50 0.00 0.15 0.20 0.40 0.50
p_prior[475] 0.50 0.00 0.17 0.18 0.39 0.50
p_prior[476] 0.50 0.00 0.17 0.16 0.38 0.50
p_prior[477] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[478] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[479] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[480] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[481] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[482] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[483] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[484] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[485] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[486] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[487] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[488] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[489] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[490] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[491] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[492] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[493] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[494] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[495] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[496] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[497] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[498] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[499] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[500] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[501] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[502] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[503] 0.50 0.00 0.13 0.25 0.42 0.50
p_prior[504] 0.50 0.00 0.14 0.21 0.40 0.50
p_prior[505] 0.50 0.00 0.15 0.21 0.40 0.50
p_prior[506] 0.50 0.00 0.16 0.19 0.39 0.50
p_prior[507] 0.50 0.00 0.17 0.17 0.38 0.50
p_prior[508] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[509] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[510] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[511] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[512] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[513] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[514] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[515] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[516] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[517] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[518] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[519] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[520] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[521] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[522] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[523] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[524] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[525] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[526] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[527] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[528] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[529] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[530] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[531] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[532] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[533] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[534] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[535] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[536] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[537] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[538] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[539] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[540] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[541] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[542] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[543] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[544] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[545] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[546] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[547] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[548] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[549] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[550] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[551] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[552] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[553] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[554] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[555] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[556] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[557] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[558] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[559] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[560] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[561] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[562] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[563] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[564] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[565] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[566] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[567] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[568] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[569] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[570] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[571] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[572] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[573] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[574] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[575] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[576] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[577] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[578] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[579] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[580] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[581] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[582] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[583] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[584] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[585] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[586] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[587] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[588] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[589] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[590] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[591] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[592] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[593] 0.50 0.00 0.10 0.29 0.43 0.50
p_prior[594] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[595] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[596] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[597] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[598] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[599] 0.50 0.00 0.13 0.24 0.41 0.50
p_prior[600] 0.50 0.00 0.13 0.24 0.41 0.50
p_prior[601] 0.50 0.00 0.14 0.22 0.40 0.50
p_prior[602] 0.50 0.00 0.16 0.18 0.39 0.50
p_prior[603] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[604] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[605] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[606] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[607] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[608] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[609] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[610] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[611] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[612] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[613] 0.50 0.00 0.10 0.30 0.44 0.50
p_prior[614] 0.50 0.00 0.10 0.30 0.44 0.50
p_prior[615] 0.50 0.00 0.11 0.29 0.43 0.50
p_prior[616] 0.50 0.00 0.45 0.00 0.01 0.51
p_prior[617] 0.50 0.00 0.45 0.00 0.01 0.51
p_prior[618] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[619] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[620] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[621] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[622] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[623] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[624] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[625] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[626] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[627] 0.49 0.00 0.45 0.00 0.01 0.48
p_prior[628] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[629] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[630] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[631] 0.49 0.00 0.45 0.00 0.01 0.47
p_prior[632] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[633] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[634] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[635] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[636] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[637] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[638] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[639] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[640] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[641] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[642] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[643] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[644] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[645] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[646] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[647] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[648] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[649] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[650] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[651] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[652] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[653] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[654] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[655] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[656] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[657] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[658] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[659] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[660] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[661] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[662] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[663] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[664] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[665] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[666] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[667] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[668] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[669] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[670] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[671] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[672] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[673] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[674] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[675] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[676] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[677] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[678] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[679] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[680] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[681] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[682] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[683] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[684] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[685] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[686] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[687] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[688] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[689] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[690] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[691] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[692] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[693] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[694] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[695] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[696] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[697] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[698] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[699] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[700] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[701] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[702] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[703] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[704] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[705] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[706] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[707] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[708] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[709] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[710] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[711] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[712] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[713] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[714] 0.50 0.00 0.12 0.25 0.42 0.50
p_prior[715] 0.50 0.00 0.13 0.23 0.41 0.50
p_prior[716] 0.50 0.00 0.15 0.21 0.40 0.50
p_prior[717] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[718] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[719] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[720] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[721] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[722] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[723] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[724] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[725] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[726] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[727] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[728] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[729] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[730] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[731] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[732] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[733] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[734] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[735] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[736] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[737] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[738] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[739] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[740] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[741] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[742] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[743] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[744] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[745] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[746] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[747] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[748] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[749] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[750] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[751] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[752] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[753] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[754] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[755] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[756] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[757] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[758] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[759] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[760] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[761] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[762] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[763] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[764] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[765] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[766] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[767] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[768] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[769] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[770] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[771] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[772] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[773] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[774] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[775] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[776] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[777] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[778] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[779] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[780] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[781] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[782] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[783] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[784] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[785] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[786] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[787] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[788] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[789] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[790] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[791] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[792] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[793] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[794] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[795] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[796] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[797] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[798] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[799] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[800] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[801] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[802] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[803] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[804] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[805] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[806] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[807] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[808] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[809] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[810] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[811] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[812] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[813] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[814] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[815] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[816] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[817] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[818] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[819] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[820] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[821] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[822] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[823] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[824] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[825] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[826] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[827] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[828] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[829] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[830] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[831] 0.50 0.00 0.45 0.00 0.00 0.50
p_prior[832] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[833] 0.50 0.00 0.17 0.17 0.39 0.50
p_prior[834] 0.49 0.00 0.43 0.00 0.01 0.49
p_prior[835] 0.50 0.00 0.17 0.17 0.39 0.50
p_prior[836] 0.49 0.00 0.43 0.00 0.01 0.49
p_prior[837] 0.50 0.00 0.17 0.17 0.39 0.50
p_prior[838] 0.49 0.00 0.43 0.00 0.01 0.49
p_prior[839] 0.50 0.00 0.17 0.17 0.39 0.50
p_prior[840] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[841] 0.50 0.00 0.18 0.15 0.38 0.50
p_prior[842] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[843] 0.50 0.00 0.18 0.15 0.38 0.50
p_prior[844] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[845] 0.50 0.00 0.18 0.14 0.38 0.50
p_prior[846] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[847] 0.50 0.00 0.18 0.15 0.37 0.50
p_prior[848] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[849] 0.50 0.00 0.19 0.14 0.37 0.50
p_prior[850] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[851] 0.50 0.00 0.19 0.13 0.36 0.50
p_prior[852] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[853] 0.50 0.00 0.20 0.11 0.35 0.50
p_prior[854] 0.50 0.00 0.11 0.29 0.43 0.50
p_prior[855] 0.50 0.00 0.11 0.29 0.43 0.50
p_prior[856] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[857] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[858] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[859] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[860] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[861] 0.50 0.00 0.12 0.27 0.42 0.50
p_prior[862] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[863] 0.50 0.00 0.12 0.27 0.42 0.50
p_prior[864] 0.50 0.00 0.12 0.27 0.42 0.50
p_prior[865] 0.50 0.00 0.11 0.27 0.43 0.50
p_prior[866] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[867] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[868] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[869] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[870] 0.49 0.00 0.44 0.00 0.01 0.46
p_prior[871] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[872] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[873] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[874] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[875] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[876] 0.50 0.00 0.45 0.00 0.01 0.48
p_prior[877] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[878] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[879] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[880] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[881] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[882] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[883] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[884] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[885] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[886] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[887] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[888] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[889] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[890] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[891] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[892] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[893] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[894] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[895] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[896] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[897] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[898] 0.50 0.00 0.12 0.26 0.42 0.50
p_prior[899] 0.50 0.00 0.13 0.23 0.41 0.50
p_prior[900] 0.50 0.00 0.14 0.22 0.41 0.50
p_prior[901] 0.50 0.00 0.14 0.22 0.41 0.50
p_prior[902] 0.50 0.00 0.15 0.20 0.40 0.50
p_prior[903] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[904] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[905] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[906] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[907] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[908] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[909] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[910] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[911] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[912] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[913] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[914] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[915] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[916] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[917] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[918] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[919] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[920] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[921] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[922] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[923] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[924] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[925] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[926] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[927] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[928] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[929] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[930] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[931] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[932] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[933] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[934] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[935] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[936] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[937] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[938] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[939] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[940] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[941] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[942] 0.49 0.00 0.44 0.00 0.01 0.48
p_prior[943] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[944] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[945] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[946] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[947] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[948] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[949] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[950] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[951] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[952] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[953] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[954] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[955] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[956] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[957] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[958] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[959] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[960] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[961] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[962] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[963] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[964] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[965] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[966] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[967] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[968] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[969] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[970] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[971] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[972] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[973] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[974] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[975] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[976] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[977] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[978] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[979] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[980] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[981] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[982] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[983] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[984] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[985] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[986] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[987] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[988] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[989] 0.49 0.00 0.45 0.00 0.00 0.45
p_prior[990] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[991] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[992] 0.51 0.00 0.44 0.00 0.01 0.51
p_prior[993] 0.51 0.00 0.44 0.00 0.01 0.51
p_prior[994] 0.50 0.00 0.45 0.00 0.01 0.51
p_prior[995] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[996] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[997] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[998] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[999] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[1000] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1001] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1002] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1003] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1004] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1005] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1006] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1007] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1008] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1009] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1010] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1011] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1012] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1013] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1014] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1015] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1016] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1017] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1018] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1019] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1020] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1021] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1022] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1023] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1024] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1025] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1026] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1027] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1028] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1029] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1030] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1031] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1032] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1033] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1034] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[1035] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1036] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[1037] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1038] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[1039] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1040] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[1041] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1042] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[1043] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1044] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[1045] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1046] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[1047] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1048] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1049] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1050] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1051] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1052] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1053] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1054] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1055] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1056] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1057] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1058] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1059] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1060] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1061] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1062] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1063] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1064] 0.50 0.00 0.43 0.00 0.01 0.50
p_prior[1065] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1066] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1067] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[1068] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[1069] 0.49 0.00 0.44 0.00 0.01 0.45
p_prior[1070] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1071] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1072] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1073] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1074] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1075] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1076] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1077] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1078] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1079] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1080] 0.50 0.00 0.13 0.24 0.41 0.50
p_prior[1081] 0.50 0.00 0.13 0.23 0.42 0.50
p_prior[1082] 0.50 0.00 0.13 0.23 0.41 0.50
p_prior[1083] 0.50 0.00 0.13 0.23 0.41 0.50
p_prior[1084] 0.50 0.00 0.14 0.22 0.41 0.50
p_prior[1085] 0.50 0.00 0.14 0.21 0.40 0.50
p_prior[1086] 0.50 0.00 0.15 0.21 0.40 0.50
p_prior[1087] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1088] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1089] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1090] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1091] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1092] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1093] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1094] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1095] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1096] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1097] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1098] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1099] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1100] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1101] 0.50 0.00 0.43 0.00 0.01 0.49
p_prior[1102] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1103] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1104] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1105] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1106] 0.49 0.00 0.43 0.00 0.01 0.47
p_prior[1107] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1108] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1109] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1110] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1111] 0.49 0.00 0.43 0.00 0.01 0.48
p_prior[1112] 0.50 0.00 0.11 0.29 0.43 0.50
p_prior[1113] 0.50 0.00 0.11 0.29 0.43 0.50
p_prior[1114] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[1115] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[1116] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[1117] 0.50 0.00 0.11 0.27 0.43 0.50
p_prior[1118] 0.50 0.00 0.11 0.27 0.42 0.50
p_prior[1119] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[1120] 0.50 0.00 0.11 0.27 0.43 0.50
p_prior[1121] 0.50 0.00 0.11 0.28 0.43 0.50
p_prior[1122] 0.50 0.00 0.12 0.27 0.42 0.50
p_prior[1123] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1124] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1125] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1126] 0.50 0.00 0.42 0.00 0.02 0.49
p_prior[1127] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1128] 0.50 0.00 0.44 0.00 0.01 0.51
p_prior[1129] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[1130] 0.49 0.00 0.44 0.00 0.01 0.47
p_prior[1131] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1132] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1133] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1134] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1135] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1136] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1137] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1138] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1139] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1140] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1141] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1142] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1143] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1144] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1145] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1146] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1147] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1148] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1149] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1150] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1151] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1152] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1153] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1154] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1155] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1156] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1157] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1158] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1159] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1160] 0.50 0.00 0.43 0.00 0.02 0.49
p_prior[1161] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1162] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1163] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1164] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1165] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1166] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1167] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1168] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1169] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1170] 0.51 0.00 0.45 0.00 0.00 0.50
p_prior[1171] 0.51 0.00 0.45 0.00 0.00 0.50
p_prior[1172] 0.51 0.00 0.45 0.00 0.00 0.50
p_prior[1173] 0.51 0.00 0.45 0.00 0.00 0.50
p_prior[1174] 0.51 0.00 0.45 0.00 0.00 0.50
p_prior[1175] 0.50 0.00 0.18 0.14 0.37 0.50
p_prior[1176] 0.50 0.00 0.18 0.14 0.37 0.50
p_prior[1177] 0.50 0.00 0.19 0.13 0.36 0.50
p_prior[1178] 0.50 0.00 0.19 0.13 0.37 0.50
p_prior[1179] 0.50 0.00 0.19 0.13 0.36 0.50
p_prior[1180] 0.50 0.00 0.20 0.12 0.36 0.50
p_prior[1181] 0.50 0.00 0.20 0.11 0.35 0.50
p_prior[1182] 0.51 0.00 0.43 0.00 0.02 0.51
p_prior[1183] 0.51 0.00 0.43 0.00 0.02 0.51
p_prior[1184] 0.51 0.00 0.43 0.00 0.01 0.51
p_prior[1185] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1186] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1187] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1188] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1189] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1190] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1191] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1192] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1193] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1194] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1195] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1196] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1197] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1198] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1199] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1200] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1201] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1202] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1203] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1204] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1205] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[1206] 0.49 0.00 0.45 0.00 0.00 0.46
p_prior[1207] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1208] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1209] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1210] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[1211] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1212] 0.50 0.00 0.44 0.00 0.01 0.49
p_prior[1213] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1214] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1215] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1216] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1217] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1218] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[1219] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[1220] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[1221] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[1222] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[1223] 0.50 0.00 0.45 0.00 0.01 0.50
p_prior[1224] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[1225] 0.49 0.00 0.44 0.00 0.00 0.45
p_prior[1226] 0.49 0.00 0.44 0.00 0.00 0.45
p_prior[1227] 0.49 0.00 0.44 0.00 0.00 0.46
p_prior[1228] 0.49 0.00 0.44 0.00 0.00 0.46
p_prior[1229] 0.50 0.00 0.09 0.32 0.45 0.50
p_prior[1230] 0.50 0.00 0.09 0.32 0.45 0.50
p_prior[1231] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[1232] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[1233] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[1234] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[1235] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[1236] 0.50 0.00 0.09 0.32 0.44 0.50
p_prior[1237] 0.50 0.00 0.10 0.31 0.44 0.50
p_prior[1238] 0.50 0.00 0.10 0.31 0.44 0.50
p_prior[1239] 0.50 0.00 0.10 0.30 0.43 0.50
p_prior[1240] 0.50 0.00 0.10 0.30 0.43 0.50
p_prior[1241] 0.50 0.00 0.10 0.30 0.43 0.50
p_prior[1242] 0.50 0.00 0.10 0.30 0.43 0.50
p_prior[1243] 0.50 0.00 0.10 0.30 0.43 0.50
p_prior[1244] 0.50 0.00 0.10 0.30 0.43 0.50
p_prior[1245] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1246] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1247] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1248] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1249] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1250] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1251] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1252] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1253] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1254] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1255] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1256] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1257] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1258] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1259] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1260] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1261] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1262] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1263] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[1264] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[1265] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[1266] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[1267] 0.50 0.00 0.44 0.00 0.01 0.50
p_prior[1268] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1269] 0.50 0.00 0.44 0.00 0.01 0.48
p_prior[1270] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1271] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1272] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1273] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1274] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[1275] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[1276] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[1277] 0.50 0.00 0.45 0.00 0.01 0.49
p_prior[1278] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[1279] 0.49 0.00 0.43 0.00 0.02 0.47
p_prior[1280] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1281] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1282] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1283] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1284] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1285] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1286] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1287] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1288] 0.49 0.00 0.43 0.00 0.02 0.48
p_prior[1289] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1290] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1291] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1292] 0.50 0.00 0.43 0.00 0.02 0.49
p_prior[1293] 0.50 0.00 0.45 0.00 0.00 0.49
p_prior[1294] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1295] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1296] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1297] 0.50 0.00 0.45 0.00 0.00 0.48
p_prior[1298] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1299] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1300] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1301] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1302] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1303] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1304] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1305] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1306] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1307] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1308] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1309] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1310] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1311] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1312] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1313] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1314] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1315] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1316] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1317] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1318] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1319] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1320] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1321] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1322] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1323] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1324] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1325] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1326] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1327] 0.50 0.00 0.42 0.00 0.03 0.49
p_prior[1328] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1329] 0.50 0.00 0.42 0.00 0.03 0.50
p_prior[1330] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1331] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1332] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1333] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1334] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1335] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1336] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1337] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1338] 0.50 0.00 0.43 0.00 0.02 0.50
p_prior[1339] 0.50 0.00 0.43 0.00 0.02 0.50
p_predicted[1] 0.22 0.00 0.07 0.10 0.17 0.21
p_predicted[2] 0.22 0.00 0.07 0.10 0.17 0.21
p_predicted[3] 0.21 0.00 0.07 0.10 0.17 0.21
p_predicted[4] 0.20 0.00 0.06 0.09 0.15 0.19
p_predicted[5] 0.20 0.00 0.06 0.09 0.15 0.19
p_predicted[6] 0.20 0.00 0.06 0.09 0.15 0.19
p_predicted[7] 0.18 0.00 0.07 0.07 0.13 0.17
p_predicted[8] 0.18 0.00 0.07 0.07 0.13 0.17
p_predicted[9] 0.45 0.00 0.08 0.29 0.40 0.45
p_predicted[10] 0.46 0.00 0.08 0.31 0.41 0.46
p_predicted[11] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[12] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[13] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[14] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[15] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[16] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[17] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[18] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[19] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[20] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[21] 0.09 0.00 0.06 0.02 0.05 0.08
p_predicted[22] 0.09 0.00 0.06 0.02 0.05 0.08
p_predicted[23] 0.28 0.00 0.05 0.19 0.24 0.28
p_predicted[24] 0.27 0.00 0.05 0.18 0.23 0.26
p_predicted[25] 0.24 0.00 0.04 0.16 0.21 0.24
p_predicted[26] 0.20 0.00 0.04 0.13 0.17 0.20
p_predicted[27] 0.19 0.00 0.04 0.12 0.16 0.19
p_predicted[28] 0.18 0.00 0.04 0.11 0.15 0.17
p_predicted[29] 0.17 0.00 0.04 0.10 0.14 0.17
p_predicted[30] 0.35 0.00 0.04 0.27 0.32 0.35
p_predicted[31] 0.35 0.00 0.04 0.27 0.32 0.35
p_predicted[32] 0.34 0.00 0.04 0.26 0.31 0.34
p_predicted[33] 0.34 0.00 0.04 0.26 0.31 0.34
p_predicted[34] 0.32 0.00 0.04 0.24 0.29 0.32
p_predicted[35] 0.32 0.00 0.04 0.24 0.29 0.32
p_predicted[36] 0.32 0.00 0.04 0.23 0.28 0.31
p_predicted[37] 0.32 0.00 0.04 0.23 0.28 0.31
p_predicted[38] 0.22 0.00 0.04 0.16 0.19 0.22
p_predicted[39] 0.22 0.00 0.04 0.16 0.19 0.22
p_predicted[40] 0.16 0.00 0.03 0.11 0.14 0.15
p_predicted[41] 0.16 0.00 0.03 0.11 0.14 0.15
p_predicted[42] 0.16 0.00 0.03 0.11 0.14 0.16
p_predicted[43] 0.16 0.00 0.03 0.11 0.14 0.16
p_predicted[44] 0.16 0.00 0.03 0.11 0.14 0.15
p_predicted[45] 0.16 0.00 0.03 0.11 0.14 0.15
p_predicted[46] 0.16 0.00 0.03 0.11 0.14 0.15
p_predicted[47] 0.16 0.00 0.03 0.11 0.14 0.15
p_predicted[48] 0.15 0.00 0.03 0.11 0.13 0.15
p_predicted[49] 0.15 0.00 0.03 0.11 0.13 0.15
p_predicted[50] 0.11 0.00 0.06 0.03 0.07 0.10
p_predicted[51] 0.08 0.00 0.04 0.03 0.06 0.08
p_predicted[52] 0.08 0.00 0.04 0.03 0.06 0.08
p_predicted[53] 0.08 0.00 0.03 0.03 0.06 0.08
p_predicted[54] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[55] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[56] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[57] 0.06 0.00 0.03 0.01 0.03 0.05
p_predicted[58] 0.07 0.00 0.04 0.02 0.04 0.06
p_predicted[59] 0.07 0.00 0.04 0.02 0.04 0.06
p_predicted[60] 0.07 0.00 0.04 0.02 0.04 0.06
p_predicted[61] 0.05 0.00 0.02 0.02 0.03 0.05
p_predicted[62] 0.05 0.00 0.02 0.02 0.03 0.04
p_predicted[63] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[64] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[65] 0.04 0.00 0.02 0.01 0.03 0.04
p_predicted[66] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[67] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[68] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[69] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[70] 0.03 0.00 0.02 0.00 0.01 0.02
p_predicted[71] 0.17 0.00 0.05 0.09 0.14 0.17
p_predicted[72] 0.17 0.00 0.05 0.09 0.13 0.16
p_predicted[73] 0.16 0.00 0.04 0.08 0.13 0.15
p_predicted[74] 0.16 0.00 0.04 0.08 0.13 0.15
p_predicted[75] 0.12 0.00 0.05 0.05 0.09 0.11
p_predicted[76] 0.63 0.00 0.11 0.42 0.56 0.64
p_predicted[77] 0.63 0.00 0.11 0.41 0.56 0.63
p_predicted[78] 0.63 0.00 0.11 0.41 0.56 0.63
p_predicted[79] 0.63 0.00 0.11 0.42 0.56 0.64
p_predicted[80] 0.63 0.00 0.11 0.41 0.56 0.63
p_predicted[81] 0.63 0.00 0.11 0.41 0.56 0.63
p_predicted[82] 0.63 0.00 0.11 0.42 0.56 0.64
p_predicted[83] 0.63 0.00 0.10 0.41 0.56 0.63
p_predicted[84] 0.63 0.00 0.11 0.41 0.56 0.63
p_predicted[85] 0.64 0.00 0.08 0.48 0.59 0.64
p_predicted[86] 0.43 0.00 0.06 0.32 0.39 0.43
p_predicted[87] 0.37 0.00 0.07 0.25 0.32 0.37
p_predicted[88] 0.18 0.00 0.03 0.12 0.15 0.17
p_predicted[89] 0.17 0.00 0.03 0.11 0.14 0.16
p_predicted[90] 0.26 0.00 0.12 0.08 0.17 0.24
p_predicted[91] 0.26 0.00 0.12 0.08 0.17 0.24
p_predicted[92] 0.26 0.00 0.12 0.08 0.17 0.25
p_predicted[93] 0.20 0.00 0.10 0.05 0.12 0.19
p_predicted[94] 0.62 0.00 0.13 0.35 0.53 0.62
p_predicted[95] 0.61 0.00 0.12 0.36 0.53 0.62
p_predicted[96] 0.57 0.00 0.12 0.34 0.50 0.58
p_predicted[97] 0.40 0.00 0.13 0.17 0.31 0.40
p_predicted[98] 0.39 0.00 0.13 0.16 0.30 0.39
p_predicted[99] 0.13 0.00 0.05 0.05 0.10 0.13
p_predicted[100] 0.13 0.00 0.05 0.05 0.10 0.13
p_predicted[101] 0.17 0.00 0.05 0.09 0.13 0.16
p_predicted[102] 0.14 0.00 0.04 0.08 0.12 0.14
p_predicted[103] 0.11 0.00 0.03 0.06 0.09 0.11
p_predicted[104] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[105] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[106] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[107] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[108] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[109] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[110] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[111] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[112] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[113] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[114] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[115] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[116] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[117] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[118] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[119] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[120] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[121] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[122] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[123] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[124] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[125] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[126] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[127] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted[128] 0.10 0.00 0.05 0.03 0.06 0.09
p_predicted[129] 0.08 0.00 0.05 0.01 0.04 0.06
p_predicted[130] 0.10 0.00 0.05 0.03 0.06 0.09
p_predicted[131] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[132] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[133] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[134] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[135] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[136] 0.21 0.00 0.07 0.09 0.16 0.21
p_predicted[137] 0.26 0.00 0.05 0.17 0.22 0.26
p_predicted[138] 0.26 0.00 0.05 0.17 0.22 0.26
p_predicted[139] 0.26 0.00 0.05 0.17 0.22 0.26
p_predicted[140] 0.23 0.00 0.05 0.15 0.20 0.23
p_predicted[141] 0.21 0.00 0.05 0.13 0.18 0.21
p_predicted[142] 0.18 0.00 0.04 0.11 0.15 0.17
p_predicted[143] 0.17 0.00 0.04 0.11 0.15 0.17
p_predicted[144] 0.17 0.00 0.04 0.10 0.14 0.16
p_predicted[145] 0.17 0.00 0.04 0.10 0.14 0.16
p_predicted[146] 0.16 0.00 0.04 0.10 0.14 0.16
p_predicted[147] 0.16 0.00 0.04 0.10 0.14 0.16
p_predicted[148] 0.15 0.00 0.04 0.09 0.12 0.15
p_predicted[149] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[150] 0.09 0.00 0.04 0.03 0.06 0.08
p_predicted[151] 0.11 0.00 0.04 0.05 0.08 0.11
p_predicted[152] 0.11 0.00 0.04 0.05 0.08 0.11
p_predicted[153] 0.08 0.00 0.03 0.04 0.06 0.07
p_predicted[154] 0.08 0.00 0.03 0.04 0.06 0.08
p_predicted[155] 0.10 0.00 0.03 0.05 0.07 0.09
p_predicted[156] 0.09 0.00 0.03 0.04 0.07 0.09
p_predicted[157] 0.08 0.00 0.03 0.04 0.06 0.07
p_predicted[158] 0.09 0.00 0.03 0.04 0.07 0.09
p_predicted[159] 0.07 0.00 0.02 0.04 0.05 0.07
p_predicted[160] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[161] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[162] 0.05 0.00 0.02 0.02 0.03 0.04
p_predicted[163] 0.16 0.00 0.05 0.08 0.12 0.15
p_predicted[164] 0.16 0.00 0.05 0.08 0.12 0.15
p_predicted[165] 0.10 0.00 0.03 0.05 0.08 0.10
p_predicted[166] 0.10 0.00 0.03 0.05 0.08 0.10
p_predicted[167] 0.10 0.00 0.03 0.05 0.07 0.09
p_predicted[168] 0.10 0.00 0.03 0.05 0.07 0.09
p_predicted[169] 0.08 0.00 0.03 0.04 0.06 0.08
p_predicted[170] 0.08 0.00 0.03 0.04 0.06 0.08
p_predicted[171] 0.37 0.00 0.04 0.28 0.34 0.37
p_predicted[172] 0.35 0.00 0.04 0.27 0.32 0.35
p_predicted[173] 0.26 0.00 0.04 0.19 0.23 0.26
p_predicted[174] 0.12 0.00 0.04 0.05 0.09 0.12
p_predicted[175] 0.07 0.00 0.04 0.02 0.04 0.06
p_predicted[176] 0.07 0.00 0.04 0.02 0.04 0.06
p_predicted[177] 0.05 0.00 0.02 0.02 0.03 0.05
p_predicted[178] 0.05 0.00 0.02 0.02 0.03 0.04
p_predicted[179] 0.05 0.00 0.02 0.02 0.03 0.05
p_predicted[180] 0.05 0.00 0.02 0.02 0.03 0.04
p_predicted[181] 0.05 0.00 0.02 0.02 0.03 0.04
p_predicted[182] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[183] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[184] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[185] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[186] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[187] 0.13 0.00 0.06 0.05 0.09 0.12
p_predicted[188] 0.13 0.00 0.06 0.05 0.09 0.12
p_predicted[189] 0.10 0.00 0.03 0.04 0.08 0.10
p_predicted[190] 0.10 0.00 0.03 0.04 0.07 0.09
p_predicted[191] 0.10 0.00 0.03 0.04 0.07 0.09
p_predicted[192] 0.10 0.00 0.03 0.04 0.07 0.09
p_predicted[193] 0.08 0.00 0.03 0.03 0.06 0.07
p_predicted[194] 0.07 0.00 0.03 0.03 0.06 0.07
p_predicted[195] 0.07 0.00 0.03 0.03 0.06 0.07
p_predicted[196] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[197] 0.13 0.00 0.06 0.05 0.09 0.12
p_predicted[198] 0.13 0.00 0.06 0.05 0.09 0.12
p_predicted[199] 0.13 0.00 0.06 0.05 0.09 0.12
p_predicted[200] 0.10 0.00 0.03 0.04 0.08 0.10
p_predicted[201] 0.10 0.00 0.03 0.04 0.07 0.09
p_predicted[202] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[203] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[204] 0.07 0.00 0.03 0.03 0.06 0.07
p_predicted[205] 0.01 0.00 0.04 0.00 0.00 0.00
p_predicted[206] 0.01 0.00 0.04 0.00 0.00 0.00
p_predicted[207] 0.01 0.00 0.04 0.00 0.00 0.00
p_predicted[208] 0.16 0.00 0.04 0.10 0.14 0.16
p_predicted[209] 0.12 0.00 0.03 0.07 0.10 0.12
p_predicted[210] 0.14 0.00 0.03 0.08 0.11 0.13
p_predicted[211] 0.14 0.00 0.03 0.08 0.11 0.13
p_predicted[212] 0.10 0.00 0.03 0.06 0.08 0.10
p_predicted[213] 0.08 0.00 0.02 0.05 0.06 0.08
p_predicted[214] 0.08 0.00 0.02 0.04 0.06 0.08
p_predicted[215] 0.08 0.00 0.02 0.04 0.06 0.08
p_predicted[216] 0.57 0.00 0.12 0.33 0.49 0.58
p_predicted[217] 0.59 0.00 0.10 0.39 0.52 0.59
p_predicted[218] 0.58 0.00 0.10 0.38 0.52 0.59
p_predicted[219] 0.39 0.00 0.12 0.16 0.30 0.38
p_predicted[220] 0.38 0.00 0.13 0.15 0.29 0.38
p_predicted[221] 0.59 0.00 0.10 0.39 0.52 0.59
p_predicted[222] 0.58 0.00 0.10 0.38 0.51 0.58
p_predicted[223] 0.38 0.00 0.12 0.15 0.30 0.38
p_predicted[224] 0.38 0.00 0.13 0.15 0.29 0.38
p_predicted[225] 0.38 0.00 0.13 0.15 0.29 0.37
p_predicted[226] 0.16 0.00 0.06 0.06 0.11 0.15
p_predicted[227] 0.17 0.00 0.07 0.06 0.12 0.16
p_predicted[228] 0.17 0.00 0.07 0.06 0.12 0.16
p_predicted[229] 0.17 0.00 0.07 0.06 0.12 0.16
p_predicted[230] 0.17 0.00 0.07 0.06 0.12 0.16
p_predicted[231] 0.09 0.00 0.04 0.03 0.05 0.08
p_predicted[232] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[233] 0.04 0.00 0.02 0.02 0.03 0.04
p_predicted[234] 0.04 0.00 0.02 0.01 0.03 0.04
p_predicted[235] 0.04 0.00 0.02 0.01 0.03 0.04
p_predicted[236] 0.01 0.00 0.04 0.00 0.00 0.00
p_predicted[237] 0.01 0.00 0.04 0.00 0.00 0.00
p_predicted[238] 0.01 0.00 0.04 0.00 0.00 0.00
p_predicted[239] 0.01 0.00 0.04 0.00 0.00 0.00
p_predicted[240] 0.44 0.00 0.10 0.24 0.38 0.45
p_predicted[241] 0.44 0.00 0.10 0.24 0.38 0.45
p_predicted[242] 0.44 0.00 0.10 0.24 0.38 0.45
p_predicted[243] 0.44 0.00 0.10 0.24 0.38 0.45
p_predicted[244] 0.44 0.00 0.10 0.24 0.38 0.45
p_predicted[245] 0.44 0.00 0.10 0.24 0.38 0.45
p_predicted[246] 0.51 0.00 0.06 0.41 0.48 0.51
p_predicted[247] 0.51 0.00 0.06 0.41 0.48 0.51
p_predicted[248] 0.51 0.00 0.06 0.41 0.48 0.51
p_predicted[249] 0.51 0.00 0.06 0.40 0.47 0.51
p_predicted[250] 0.51 0.00 0.06 0.40 0.47 0.51
p_predicted[251] 0.51 0.00 0.06 0.40 0.47 0.51
p_predicted[252] 0.50 0.00 0.06 0.39 0.46 0.50
p_predicted[253] 0.50 0.00 0.06 0.39 0.46 0.50
p_predicted[254] 0.50 0.00 0.06 0.39 0.46 0.50
p_predicted[255] 0.49 0.00 0.06 0.38 0.45 0.49
p_predicted[256] 0.49 0.00 0.06 0.38 0.45 0.49
p_predicted[257] 0.49 0.00 0.06 0.38 0.45 0.49
p_predicted[258] 0.42 0.00 0.06 0.30 0.38 0.43
p_predicted[259] 0.42 0.00 0.06 0.30 0.38 0.43
p_predicted[260] 0.42 0.00 0.06 0.30 0.38 0.43
p_predicted[261] 0.40 0.00 0.06 0.28 0.35 0.40
p_predicted[262] 0.40 0.00 0.06 0.28 0.35 0.40
p_predicted[263] 0.40 0.00 0.06 0.28 0.35 0.40
p_predicted[264] 0.39 0.00 0.06 0.28 0.35 0.39
p_predicted[265] 0.39 0.00 0.06 0.28 0.35 0.39
p_predicted[266] 0.39 0.00 0.06 0.28 0.35 0.39
p_predicted[267] 0.22 0.00 0.03 0.16 0.20 0.22
p_predicted[268] 0.22 0.00 0.03 0.16 0.20 0.22
p_predicted[269] 0.22 0.00 0.03 0.16 0.20 0.22
p_predicted[270] 0.22 0.00 0.03 0.16 0.19 0.21
p_predicted[271] 0.22 0.00 0.03 0.16 0.19 0.21
p_predicted[272] 0.22 0.00 0.03 0.16 0.19 0.21
p_predicted[273] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[274] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[275] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[276] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[277] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[278] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[279] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[280] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[281] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[282] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[283] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[284] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[285] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[286] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[287] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[288] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[289] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[290] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[291] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[292] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[293] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[294] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[295] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[296] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[297] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[298] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[299] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[300] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[301] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[302] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[303] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[304] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[305] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[306] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[307] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[308] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[309] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[310] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[311] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[312] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[313] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[314] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[315] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[316] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[317] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[318] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[319] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[320] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[321] 0.09 0.00 0.03 0.04 0.07 0.09
p_predicted[322] 0.14 0.00 0.04 0.07 0.11 0.13
p_predicted[323] 0.16 0.00 0.05 0.08 0.12 0.16
p_predicted[324] 0.09 0.00 0.03 0.04 0.07 0.09
p_predicted[325] 0.10 0.00 0.04 0.05 0.08 0.10
p_predicted[326] 0.07 0.00 0.02 0.03 0.05 0.06
p_predicted[327] 0.08 0.00 0.03 0.03 0.06 0.07
p_predicted[328] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[329] 0.06 0.00 0.02 0.03 0.05 0.06
p_predicted[330] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[331] 0.06 0.00 0.02 0.03 0.04 0.06
p_predicted[332] 0.05 0.00 0.02 0.02 0.03 0.04
p_predicted[333] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[334] 0.07 0.00 0.06 0.01 0.03 0.06
p_predicted[335] 0.07 0.00 0.05 0.01 0.03 0.06
p_predicted[336] 0.07 0.00 0.05 0.01 0.03 0.05
p_predicted[337] 0.07 0.00 0.05 0.01 0.03 0.05
p_predicted[338] 0.06 0.00 0.05 0.01 0.03 0.05
p_predicted[339] 0.06 0.00 0.05 0.01 0.03 0.05
p_predicted[340] 0.06 0.00 0.05 0.01 0.03 0.05
p_predicted[341] 0.07 0.00 0.05 0.01 0.03 0.05
p_predicted[342] 0.46 0.00 0.07 0.32 0.41 0.46
p_predicted[343] 0.46 0.00 0.07 0.32 0.41 0.46
p_predicted[344] 0.51 0.00 0.06 0.41 0.48 0.52
p_predicted[345] 0.51 0.00 0.06 0.41 0.48 0.52
p_predicted[346] 0.42 0.00 0.05 0.31 0.38 0.42
p_predicted[347] 0.42 0.00 0.05 0.31 0.38 0.42
p_predicted[348] 0.33 0.00 0.05 0.22 0.29 0.33
p_predicted[349] 0.33 0.00 0.05 0.22 0.29 0.33
p_predicted[350] 0.20 0.00 0.09 0.06 0.13 0.18
p_predicted[351] 0.20 0.00 0.10 0.05 0.13 0.18
p_predicted[352] 0.25 0.00 0.09 0.11 0.18 0.24
p_predicted[353] 0.25 0.00 0.10 0.09 0.17 0.24
p_predicted[354] 0.21 0.00 0.06 0.11 0.17 0.21
p_predicted[355] 0.21 0.00 0.07 0.10 0.16 0.20
p_predicted[356] 0.19 0.00 0.06 0.09 0.15 0.19
p_predicted[357] 0.19 0.00 0.07 0.08 0.14 0.18
p_predicted[358] 0.14 0.00 0.05 0.05 0.10 0.13
p_predicted[359] 0.14 0.00 0.06 0.05 0.09 0.13
p_predicted[360] 0.14 0.00 0.05 0.05 0.10 0.13
p_predicted[361] 0.14 0.00 0.06 0.05 0.09 0.13
p_predicted[362] 0.14 0.00 0.05 0.05 0.10 0.13
p_predicted[363] 0.14 0.00 0.06 0.05 0.09 0.13
p_predicted[364] 0.36 0.00 0.05 0.26 0.32 0.35
p_predicted[365] 0.36 0.00 0.05 0.26 0.32 0.35
p_predicted[366] 0.36 0.00 0.05 0.26 0.32 0.35
p_predicted[367] 0.19 0.00 0.04 0.12 0.16 0.19
p_predicted[368] 0.19 0.00 0.04 0.12 0.16 0.19
p_predicted[369] 0.19 0.00 0.04 0.12 0.16 0.19
p_predicted[370] 0.19 0.00 0.04 0.12 0.16 0.18
p_predicted[371] 0.19 0.00 0.04 0.12 0.16 0.18
p_predicted[372] 0.19 0.00 0.04 0.12 0.16 0.18
p_predicted[373] 0.13 0.00 0.03 0.08 0.11 0.13
p_predicted[374] 0.13 0.00 0.03 0.08 0.11 0.13
p_predicted[375] 0.13 0.00 0.03 0.08 0.11 0.13
p_predicted[376] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[377] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[378] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[379] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[380] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[381] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[382] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[383] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[384] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[385] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[386] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[387] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[388] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[389] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[390] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[391] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[392] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[393] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[394] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[395] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[396] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[397] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[398] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[399] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[400] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[401] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[402] 0.13 0.00 0.03 0.08 0.11 0.12
p_predicted[403] 0.12 0.00 0.03 0.08 0.11 0.12
p_predicted[404] 0.12 0.00 0.03 0.08 0.11 0.12
p_predicted[405] 0.12 0.00 0.03 0.08 0.11 0.12
p_predicted[406] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[407] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[408] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[409] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[410] 0.36 0.00 0.09 0.19 0.30 0.36
p_predicted[411] 0.30 0.00 0.05 0.21 0.27 0.30
p_predicted[412] 0.29 0.00 0.05 0.21 0.26 0.29
p_predicted[413] 0.29 0.00 0.05 0.20 0.26 0.29
p_predicted[414] 0.29 0.00 0.05 0.21 0.26 0.29
p_predicted[415] 0.30 0.00 0.05 0.21 0.26 0.30
p_predicted[416] 0.25 0.00 0.05 0.16 0.21 0.25
p_predicted[417] 0.28 0.00 0.05 0.20 0.25 0.28
p_predicted[418] 0.23 0.00 0.04 0.15 0.20 0.22
p_predicted[419] 0.27 0.00 0.05 0.19 0.24 0.27
p_predicted[420] 0.23 0.00 0.04 0.15 0.20 0.22
p_predicted[421] 0.23 0.00 0.04 0.15 0.20 0.22
p_predicted[422] 0.16 0.00 0.03 0.10 0.14 0.16
p_predicted[423] 0.22 0.00 0.04 0.15 0.19 0.22
p_predicted[424] 0.21 0.00 0.04 0.15 0.19 0.21
p_predicted[425] 0.20 0.00 0.03 0.14 0.18 0.20
p_predicted[426] 0.08 0.00 0.02 0.05 0.06 0.08
p_predicted[427] 0.07 0.00 0.02 0.04 0.06 0.07
p_predicted[428] 0.05 0.00 0.02 0.03 0.04 0.05
p_predicted[429] 0.33 0.00 0.07 0.21 0.28 0.33
p_predicted[430] 0.30 0.00 0.06 0.18 0.25 0.29
p_predicted[431] 0.24 0.00 0.06 0.14 0.20 0.23
p_predicted[432] 0.24 0.00 0.06 0.14 0.19 0.23
p_predicted[433] 0.26 0.00 0.06 0.15 0.22 0.26
p_predicted[434] 0.17 0.00 0.06 0.07 0.12 0.16
p_predicted[435] 0.15 0.00 0.07 0.05 0.10 0.15
p_predicted[436] 0.15 0.00 0.07 0.05 0.10 0.14
p_predicted[437] 0.14 0.00 0.07 0.03 0.09 0.13
p_predicted[438] 0.21 0.00 0.07 0.09 0.16 0.21
p_predicted[439] 0.26 0.00 0.05 0.17 0.22 0.26
p_predicted[440] 0.24 0.00 0.05 0.16 0.21 0.24
p_predicted[441] 0.25 0.00 0.05 0.16 0.21 0.25
p_predicted[442] 0.24 0.00 0.05 0.16 0.21 0.24
p_predicted[443] 0.22 0.00 0.05 0.14 0.19 0.22
p_predicted[444] 0.23 0.00 0.05 0.15 0.20 0.23
p_predicted[445] 0.19 0.00 0.04 0.12 0.16 0.19
p_predicted[446] 0.18 0.00 0.04 0.11 0.15 0.18
p_predicted[447] 0.22 0.00 0.05 0.13 0.18 0.21
p_predicted[448] 0.18 0.00 0.04 0.11 0.15 0.18
p_predicted[449] 0.18 0.00 0.04 0.11 0.15 0.17
p_predicted[450] 0.17 0.00 0.04 0.10 0.14 0.16
p_predicted[451] 0.16 0.00 0.04 0.10 0.14 0.16
p_predicted[452] 0.15 0.00 0.06 0.05 0.11 0.15
p_predicted[453] 0.12 0.00 0.04 0.05 0.09 0.12
p_predicted[454] 0.12 0.00 0.04 0.05 0.09 0.12
p_predicted[455] 0.11 0.00 0.04 0.04 0.08 0.11
p_predicted[456] 0.21 0.00 0.07 0.09 0.16 0.21
p_predicted[457] 0.26 0.00 0.05 0.17 0.22 0.26
p_predicted[458] 0.24 0.00 0.05 0.15 0.20 0.23
p_predicted[459] 0.22 0.00 0.05 0.14 0.19 0.22
p_predicted[460] 0.21 0.00 0.05 0.13 0.18 0.21
p_predicted[461] 0.21 0.00 0.05 0.12 0.17 0.20
p_predicted[462] 0.17 0.00 0.04 0.10 0.14 0.17
p_predicted[463] 0.17 0.00 0.04 0.10 0.14 0.16
p_predicted[464] 0.16 0.00 0.04 0.10 0.14 0.16
p_predicted[465] 0.20 0.00 0.06 0.09 0.16 0.20
p_predicted[466] 0.24 0.00 0.04 0.16 0.21 0.24
p_predicted[467] 0.22 0.00 0.04 0.14 0.19 0.22
p_predicted[468] 0.23 0.00 0.04 0.15 0.20 0.23
p_predicted[469] 0.18 0.00 0.03 0.11 0.15 0.17
p_predicted[470] 0.18 0.00 0.04 0.12 0.16 0.18
p_predicted[471] 0.18 0.00 0.03 0.12 0.15 0.18
p_predicted[472] 0.17 0.00 0.03 0.11 0.15 0.17
p_predicted[473] 0.09 0.00 0.02 0.05 0.07 0.09
p_predicted[474] 0.09 0.00 0.03 0.04 0.07 0.08
p_predicted[475] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[476] 0.07 0.00 0.03 0.02 0.05 0.06
p_predicted[477] 0.20 0.00 0.06 0.09 0.16 0.20
p_predicted[478] 0.24 0.00 0.04 0.18 0.22 0.24
p_predicted[479] 0.25 0.00 0.04 0.18 0.22 0.25
p_predicted[480] 0.17 0.00 0.03 0.12 0.15 0.17
p_predicted[481] 0.16 0.00 0.03 0.12 0.15 0.16
p_predicted[482] 0.16 0.00 0.03 0.12 0.14 0.16
p_predicted[483] 0.16 0.00 0.03 0.12 0.15 0.16
p_predicted[484] 0.16 0.00 0.03 0.11 0.14 0.16
p_predicted[485] 0.16 0.00 0.03 0.11 0.14 0.16
p_predicted[486] 0.15 0.00 0.03 0.11 0.14 0.15
p_predicted[487] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[488] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[489] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[490] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[491] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[492] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[493] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[494] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[495] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[496] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[497] 0.20 0.00 0.06 0.09 0.16 0.20
p_predicted[498] 0.25 0.00 0.04 0.17 0.22 0.25
p_predicted[499] 0.18 0.00 0.04 0.12 0.15 0.18
p_predicted[500] 0.18 0.00 0.03 0.11 0.15 0.18
p_predicted[501] 0.17 0.00 0.03 0.11 0.15 0.17
p_predicted[502] 0.17 0.00 0.03 0.11 0.15 0.17
p_predicted[503] 0.17 0.00 0.03 0.11 0.15 0.17
p_predicted[504] 0.10 0.00 0.02 0.05 0.08 0.09
p_predicted[505] 0.09 0.00 0.03 0.05 0.07 0.09
p_predicted[506] 0.08 0.00 0.03 0.03 0.06 0.07
p_predicted[507] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[508] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[509] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[510] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[511] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[512] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[513] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[514] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[515] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[516] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[517] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[518] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[519] 0.15 0.00 0.07 0.05 0.10 0.15
p_predicted[520] 0.14 0.00 0.07 0.04 0.09 0.13
p_predicted[521] 0.54 0.00 0.06 0.42 0.50 0.55
p_predicted[522] 0.54 0.00 0.06 0.42 0.50 0.55
p_predicted[523] 0.54 0.00 0.06 0.42 0.50 0.55
p_predicted[524] 0.52 0.00 0.06 0.40 0.48 0.52
p_predicted[525] 0.52 0.00 0.06 0.40 0.48 0.52
p_predicted[526] 0.52 0.00 0.06 0.40 0.48 0.52
p_predicted[527] 0.33 0.00 0.04 0.25 0.30 0.33
p_predicted[528] 0.33 0.00 0.04 0.25 0.30 0.33
p_predicted[529] 0.33 0.00 0.04 0.25 0.30 0.33
p_predicted[530] 0.33 0.00 0.04 0.25 0.30 0.33
p_predicted[531] 0.33 0.00 0.04 0.25 0.30 0.33
p_predicted[532] 0.33 0.00 0.04 0.25 0.30 0.33
p_predicted[533] 0.27 0.00 0.04 0.19 0.24 0.27
p_predicted[534] 0.27 0.00 0.04 0.19 0.24 0.27
p_predicted[535] 0.27 0.00 0.04 0.19 0.24 0.27
p_predicted[536] 0.44 0.00 0.06 0.33 0.40 0.44
p_predicted[537] 0.44 0.00 0.06 0.33 0.40 0.44
p_predicted[538] 0.44 0.00 0.06 0.33 0.40 0.44
p_predicted[539] 0.42 0.00 0.06 0.31 0.38 0.42
p_predicted[540] 0.42 0.00 0.06 0.31 0.38 0.42
p_predicted[541] 0.42 0.00 0.06 0.31 0.38 0.42
p_predicted[542] 0.24 0.00 0.04 0.17 0.21 0.24
p_predicted[543] 0.24 0.00 0.04 0.17 0.21 0.24
p_predicted[544] 0.24 0.00 0.04 0.17 0.21 0.24
p_predicted[545] 0.25 0.00 0.04 0.17 0.21 0.24
p_predicted[546] 0.25 0.00 0.04 0.17 0.21 0.24
p_predicted[547] 0.25 0.00 0.04 0.17 0.21 0.24
p_predicted[548] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[549] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[550] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[551] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[552] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[553] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[554] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[555] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[556] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[557] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[558] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[559] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[560] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[561] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[562] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[563] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[564] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[565] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[566] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[567] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[568] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[569] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[570] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[571] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[572] 0.14 0.00 0.06 0.05 0.10 0.13
p_predicted[573] 0.08 0.00 0.04 0.02 0.05 0.07
p_predicted[574] 0.07 0.00 0.04 0.02 0.04 0.07
p_predicted[575] 0.08 0.00 0.05 0.02 0.05 0.07
p_predicted[576] 0.09 0.00 0.05 0.02 0.05 0.07
p_predicted[577] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[578] 0.21 0.00 0.07 0.09 0.16 0.21
p_predicted[579] 0.26 0.00 0.05 0.16 0.22 0.25
p_predicted[580] 0.21 0.00 0.05 0.13 0.18 0.21
p_predicted[581] 0.17 0.00 0.04 0.11 0.15 0.17
p_predicted[582] 0.16 0.00 0.04 0.10 0.13 0.16
p_predicted[583] 0.11 0.00 0.06 0.03 0.07 0.10
p_predicted[584] 0.11 0.00 0.06 0.03 0.07 0.10
p_predicted[585] 0.14 0.00 0.07 0.04 0.10 0.13
p_predicted[586] 0.14 0.00 0.06 0.05 0.10 0.13
p_predicted[587] 0.15 0.00 0.07 0.05 0.10 0.14
p_predicted[588] 0.14 0.00 0.06 0.05 0.10 0.13
p_predicted[589] 0.15 0.00 0.07 0.05 0.10 0.14
p_predicted[590] 0.14 0.00 0.06 0.05 0.10 0.13
p_predicted[591] 0.10 0.00 0.05 0.03 0.06 0.09
p_predicted[592] 0.10 0.00 0.05 0.03 0.06 0.09
p_predicted[593] 0.35 0.00 0.09 0.17 0.30 0.36
p_predicted[594] 0.41 0.00 0.05 0.31 0.38 0.41
p_predicted[595] 0.41 0.00 0.05 0.30 0.37 0.40
p_predicted[596] 0.40 0.00 0.06 0.29 0.36 0.40
p_predicted[597] 0.32 0.00 0.05 0.22 0.28 0.32
p_predicted[598] 0.34 0.00 0.06 0.23 0.30 0.33
p_predicted[599] 0.16 0.00 0.03 0.10 0.13 0.16
p_predicted[600] 0.16 0.00 0.03 0.10 0.13 0.15
p_predicted[601] 0.14 0.00 0.04 0.08 0.11 0.14
p_predicted[602] 0.12 0.00 0.04 0.04 0.08 0.11
p_predicted[603] 0.75 0.00 0.14 0.44 0.67 0.77
p_predicted[604] 0.75 0.00 0.14 0.44 0.67 0.77
p_predicted[605] 0.75 0.00 0.13 0.44 0.66 0.76
p_predicted[606] 0.75 0.00 0.13 0.44 0.66 0.76
p_predicted[607] 0.74 0.00 0.14 0.44 0.66 0.76
p_predicted[608] 0.74 0.00 0.14 0.44 0.66 0.76
p_predicted[609] 0.74 0.00 0.14 0.43 0.66 0.76
p_predicted[610] 0.74 0.00 0.14 0.43 0.66 0.76
p_predicted[611] 0.78 0.00 0.13 0.48 0.70 0.80
p_predicted[612] 0.78 0.00 0.13 0.48 0.70 0.80
p_predicted[613] 0.22 0.00 0.04 0.15 0.19 0.22
p_predicted[614] 0.22 0.00 0.04 0.15 0.19 0.22
p_predicted[615] 0.21 0.00 0.04 0.13 0.18 0.21
p_predicted[616] 0.05 0.00 0.11 0.00 0.00 0.00
p_predicted[617] 0.05 0.00 0.11 0.00 0.00 0.00
p_predicted[618] 0.08 0.00 0.05 0.02 0.04 0.07
p_predicted[619] 0.08 0.00 0.05 0.02 0.05 0.07
p_predicted[620] 0.08 0.00 0.05 0.02 0.05 0.07
p_predicted[621] 0.06 0.00 0.03 0.01 0.03 0.05
p_predicted[622] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[623] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[624] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[625] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[626] 0.34 0.00 0.09 0.17 0.28 0.34
p_predicted[627] 0.41 0.00 0.06 0.30 0.37 0.41
p_predicted[628] 0.34 0.00 0.06 0.23 0.30 0.34
p_predicted[629] 0.33 0.00 0.06 0.23 0.29 0.33
p_predicted[630] 0.33 0.00 0.06 0.23 0.29 0.33
p_predicted[631] 0.17 0.00 0.04 0.10 0.14 0.16
p_predicted[632] 0.21 0.00 0.08 0.08 0.15 0.20
p_predicted[633] 0.22 0.00 0.10 0.06 0.14 0.20
p_predicted[634] 0.27 0.00 0.08 0.13 0.21 0.26
p_predicted[635] 0.27 0.00 0.10 0.11 0.20 0.26
p_predicted[636] 0.26 0.00 0.08 0.13 0.21 0.26
p_predicted[637] 0.27 0.00 0.10 0.11 0.19 0.26
p_predicted[638] 0.26 0.00 0.08 0.13 0.21 0.26
p_predicted[639] 0.27 0.00 0.10 0.11 0.19 0.26
p_predicted[640] 0.19 0.00 0.07 0.08 0.14 0.19
p_predicted[641] 0.20 0.00 0.09 0.06 0.13 0.18
p_predicted[642] 0.19 0.00 0.07 0.07 0.14 0.18
p_predicted[643] 0.19 0.00 0.09 0.06 0.13 0.18
p_predicted[644] 0.19 0.00 0.07 0.07 0.14 0.18
p_predicted[645] 0.19 0.00 0.09 0.06 0.13 0.18
p_predicted[646] 0.27 0.00 0.10 0.11 0.20 0.26
p_predicted[647] 0.27 0.00 0.10 0.11 0.20 0.26
p_predicted[648] 0.26 0.00 0.10 0.10 0.19 0.25
p_predicted[649] 0.26 0.00 0.10 0.10 0.19 0.25
p_predicted[650] 0.21 0.00 0.06 0.11 0.17 0.21
p_predicted[651] 0.21 0.00 0.06 0.11 0.17 0.21
p_predicted[652] 0.06 0.00 0.04 0.01 0.04 0.06
p_predicted[653] 0.06 0.00 0.04 0.01 0.04 0.06
p_predicted[654] 0.06 0.00 0.04 0.01 0.04 0.05
p_predicted[655] 0.06 0.00 0.04 0.01 0.04 0.05
p_predicted[656] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[657] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[658] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[659] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[660] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[661] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[662] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[663] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[664] 0.09 0.00 0.06 0.01 0.04 0.07
p_predicted[665] 0.09 0.00 0.06 0.01 0.04 0.07
p_predicted[666] 0.09 0.00 0.06 0.02 0.05 0.07
p_predicted[667] 0.07 0.00 0.04 0.01 0.04 0.06
p_predicted[668] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[669] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[670] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[671] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[672] 0.05 0.00 0.03 0.01 0.02 0.04
p_predicted[673] 0.05 0.00 0.03 0.01 0.02 0.04
p_predicted[674] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[675] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[676] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[677] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[678] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[679] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[680] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[681] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[682] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[683] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[684] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[685] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[686] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[687] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[688] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[689] 0.05 0.00 0.02 0.02 0.03 0.05
p_predicted[690] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[691] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[692] 0.05 0.00 0.02 0.02 0.03 0.05
p_predicted[693] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[694] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[695] 0.05 0.00 0.03 0.02 0.03 0.05
p_predicted[696] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[697] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[698] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[699] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[700] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[701] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[702] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[703] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[704] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[705] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[706] 0.51 0.00 0.06 0.41 0.48 0.52
p_predicted[707] 0.43 0.00 0.06 0.31 0.39 0.43
p_predicted[708] 0.20 0.00 0.06 0.09 0.16 0.20
p_predicted[709] 0.25 0.00 0.04 0.17 0.22 0.25
p_predicted[710] 0.25 0.00 0.04 0.17 0.22 0.25
p_predicted[711] 0.24 0.00 0.04 0.16 0.21 0.24
p_predicted[712] 0.23 0.00 0.04 0.16 0.20 0.23
p_predicted[713] 0.19 0.00 0.04 0.12 0.16 0.19
p_predicted[714] 0.18 0.00 0.04 0.12 0.15 0.18
p_predicted[715] 0.11 0.00 0.03 0.07 0.09 0.11
p_predicted[716] 0.09 0.00 0.03 0.05 0.07 0.09
p_predicted[717] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[718] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[719] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[720] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[721] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[722] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[723] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[724] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[725] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[726] 0.32 0.00 0.11 0.14 0.24 0.31
p_predicted[727] 0.32 0.00 0.11 0.14 0.24 0.31
p_predicted[728] 0.24 0.00 0.10 0.08 0.16 0.22
p_predicted[729] 0.52 0.00 0.13 0.27 0.43 0.52
p_predicted[730] 0.52 0.00 0.13 0.27 0.43 0.52
p_predicted[731] 0.50 0.00 0.12 0.27 0.42 0.50
p_predicted[732] 0.42 0.00 0.12 0.20 0.34 0.42
p_predicted[733] 0.42 0.00 0.12 0.20 0.34 0.42
p_predicted[734] 0.42 0.00 0.12 0.19 0.33 0.41
p_predicted[735] 0.41 0.00 0.13 0.18 0.32 0.41
p_predicted[736] 0.41 0.00 0.13 0.17 0.32 0.41
p_predicted[737] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[738] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[739] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[740] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[741] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[742] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[743] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[744] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[745] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[746] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[747] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[748] 0.02 0.00 0.05 0.00 0.00 0.00
p_predicted[749] 0.02 0.00 0.05 0.00 0.00 0.00
p_predicted[750] 0.02 0.00 0.05 0.00 0.00 0.00
p_predicted[751] 0.02 0.00 0.05 0.00 0.00 0.00
p_predicted[752] 0.02 0.00 0.05 0.00 0.00 0.00
p_predicted[753] 0.02 0.00 0.06 0.00 0.00 0.00
p_predicted[754] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[755] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[756] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[757] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[758] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[759] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[760] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[761] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[762] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[763] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[764] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[765] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[766] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[767] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[768] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[769] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[770] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[771] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[772] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[773] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[774] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[775] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[776] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[777] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[778] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[779] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[780] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[781] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[782] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[783] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[784] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[785] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[786] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[787] 0.31 0.00 0.04 0.23 0.28 0.31
p_predicted[788] 0.30 0.00 0.04 0.22 0.28 0.31
p_predicted[789] 0.30 0.00 0.04 0.22 0.28 0.30
p_predicted[790] 0.31 0.00 0.04 0.23 0.28 0.31
p_predicted[791] 0.26 0.00 0.04 0.17 0.23 0.26
p_predicted[792] 0.25 0.00 0.04 0.17 0.22 0.25
p_predicted[793] 0.25 0.00 0.04 0.17 0.22 0.25
p_predicted[794] 0.25 0.00 0.04 0.17 0.22 0.25
p_predicted[795] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[796] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[797] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[798] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[799] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[800] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[801] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[802] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[803] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[804] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[805] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[806] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[807] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[808] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[809] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[810] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[811] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[812] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[813] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[814] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[815] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[816] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[817] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[818] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[819] 0.06 0.00 0.03 0.01 0.03 0.05
p_predicted[820] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[821] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[822] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[823] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[824] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[825] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[826] 0.06 0.00 0.05 0.01 0.02 0.04
p_predicted[827] 0.07 0.00 0.05 0.01 0.04 0.06
p_predicted[828] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[829] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[830] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[831] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[832] 0.15 0.00 0.05 0.06 0.11 0.14
p_predicted[833] 0.18 0.00 0.07 0.07 0.13 0.18
p_predicted[834] 0.18 0.00 0.04 0.11 0.15 0.18
p_predicted[835] 0.22 0.00 0.06 0.13 0.18 0.22
p_predicted[836] 0.18 0.00 0.04 0.11 0.15 0.18
p_predicted[837] 0.23 0.00 0.06 0.13 0.18 0.22
p_predicted[838] 0.18 0.00 0.04 0.11 0.15 0.18
p_predicted[839] 0.22 0.00 0.06 0.13 0.18 0.22
p_predicted[840] 0.10 0.00 0.03 0.05 0.08 0.10
p_predicted[841] 0.13 0.00 0.04 0.06 0.10 0.12
p_predicted[842] 0.10 0.00 0.03 0.05 0.08 0.10
p_predicted[843] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[844] 0.10 0.00 0.03 0.05 0.08 0.09
p_predicted[845] 0.12 0.00 0.04 0.06 0.09 0.12
p_predicted[846] 0.08 0.00 0.02 0.04 0.06 0.07
p_predicted[847] 0.10 0.00 0.03 0.05 0.07 0.09
p_predicted[848] 0.06 0.00 0.02 0.03 0.05 0.06
p_predicted[849] 0.08 0.00 0.03 0.04 0.06 0.07
p_predicted[850] 0.06 0.00 0.02 0.03 0.04 0.05
p_predicted[851] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[852] 0.04 0.00 0.02 0.02 0.03 0.04
p_predicted[853] 0.05 0.00 0.02 0.02 0.03 0.05
p_predicted[854] 0.18 0.00 0.04 0.11 0.15 0.17
p_predicted[855] 0.17 0.00 0.04 0.11 0.15 0.17
p_predicted[856] 0.16 0.00 0.04 0.10 0.14 0.16
p_predicted[857] 0.16 0.00 0.04 0.10 0.14 0.16
p_predicted[858] 0.16 0.00 0.03 0.10 0.13 0.15
p_predicted[859] 0.15 0.00 0.03 0.09 0.13 0.15
p_predicted[860] 0.12 0.00 0.03 0.08 0.10 0.12
p_predicted[861] 0.11 0.00 0.03 0.07 0.10 0.11
p_predicted[862] 0.11 0.00 0.02 0.07 0.09 0.11
p_predicted[863] 0.11 0.00 0.02 0.07 0.09 0.11
p_predicted[864] 0.11 0.00 0.03 0.07 0.10 0.11
p_predicted[865] 0.12 0.00 0.03 0.07 0.10 0.11
p_predicted[866] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[867] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[868] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[869] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[870] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[871] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[872] 0.25 0.00 0.07 0.12 0.20 0.24
p_predicted[873] 0.18 0.00 0.06 0.09 0.14 0.17
p_predicted[874] 0.14 0.00 0.05 0.06 0.11 0.14
p_predicted[875] 0.14 0.00 0.05 0.06 0.10 0.13
p_predicted[876] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[877] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[878] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[879] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[880] 0.02 0.00 0.01 0.00 0.01 0.02
p_predicted[881] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[882] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[883] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[884] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[885] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[886] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[887] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[888] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[889] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[890] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[891] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[892] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[893] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[894] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[895] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[896] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[897] 0.20 0.00 0.06 0.09 0.16 0.20
p_predicted[898] 0.25 0.00 0.04 0.16 0.21 0.24
p_predicted[899] 0.11 0.00 0.03 0.07 0.09 0.11
p_predicted[900] 0.11 0.00 0.03 0.06 0.09 0.10
p_predicted[901] 0.10 0.00 0.02 0.06 0.08 0.10
p_predicted[902] 0.09 0.00 0.03 0.05 0.07 0.08
p_predicted[903] 0.24 0.00 0.05 0.15 0.21 0.24
p_predicted[904] 0.22 0.00 0.05 0.14 0.19 0.21
p_predicted[905] 0.18 0.00 0.04 0.11 0.15 0.17
p_predicted[906] 0.16 0.00 0.03 0.10 0.13 0.16
p_predicted[907] 0.16 0.00 0.03 0.10 0.13 0.16
p_predicted[908] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[909] 0.02 0.00 0.02 0.00 0.01 0.01
p_predicted[910] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[911] 0.03 0.00 0.02 0.00 0.01 0.02
p_predicted[912] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[913] 0.03 0.00 0.02 0.00 0.01 0.02
p_predicted[914] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[915] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted[916] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[917] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[918] 0.02 0.00 0.01 0.00 0.01 0.01
p_predicted[919] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted[920] 0.26 0.00 0.08 0.11 0.20 0.26
p_predicted[921] 0.30 0.00 0.06 0.19 0.26 0.30
p_predicted[922] 0.30 0.00 0.06 0.19 0.26 0.29
p_predicted[923] 0.30 0.00 0.06 0.19 0.26 0.30
p_predicted[924] 0.11 0.00 0.05 0.04 0.08 0.10
p_predicted[925] 0.14 0.00 0.04 0.07 0.11 0.13
p_predicted[926] 0.08 0.00 0.02 0.04 0.06 0.08
p_predicted[927] 0.05 0.00 0.02 0.03 0.04 0.05
p_predicted[928] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[929] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[930] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[931] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[932] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[933] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[934] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[935] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[936] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[937] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[938] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[939] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[940] 0.56 0.00 0.07 0.42 0.51 0.56
p_predicted[941] 0.54 0.00 0.07 0.41 0.50 0.54
p_predicted[942] 0.47 0.00 0.07 0.32 0.42 0.47
p_predicted[943] 0.25 0.00 0.04 0.17 0.22 0.25
p_predicted[944] 0.25 0.00 0.04 0.17 0.22 0.25
p_predicted[945] 0.25 0.00 0.04 0.17 0.21 0.24
p_predicted[946] 0.23 0.00 0.07 0.12 0.19 0.23
p_predicted[947] 0.23 0.00 0.07 0.12 0.19 0.23
p_predicted[948] 0.23 0.00 0.07 0.12 0.19 0.23
p_predicted[949] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted[950] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted[951] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted[952] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted[953] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted[954] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted[955] 0.18 0.00 0.05 0.09 0.14 0.17
p_predicted[956] 0.18 0.00 0.05 0.09 0.14 0.17
p_predicted[957] 0.18 0.00 0.05 0.09 0.14 0.17
p_predicted[958] 0.19 0.00 0.05 0.10 0.15 0.18
p_predicted[959] 0.19 0.00 0.05 0.10 0.15 0.18
p_predicted[960] 0.19 0.00 0.05 0.10 0.15 0.18
p_predicted[961] 0.18 0.00 0.05 0.10 0.14 0.18
p_predicted[962] 0.18 0.00 0.05 0.10 0.14 0.18
p_predicted[963] 0.18 0.00 0.05 0.10 0.14 0.18
p_predicted[964] 0.18 0.00 0.05 0.09 0.14 0.18
p_predicted[965] 0.18 0.00 0.05 0.09 0.14 0.18
p_predicted[966] 0.18 0.00 0.05 0.09 0.14 0.18
p_predicted[967] 0.17 0.00 0.05 0.09 0.14 0.17
p_predicted[968] 0.17 0.00 0.05 0.09 0.14 0.17
p_predicted[969] 0.17 0.00 0.05 0.09 0.14 0.17
p_predicted[970] 0.17 0.00 0.05 0.08 0.13 0.16
p_predicted[971] 0.17 0.00 0.05 0.08 0.13 0.16
p_predicted[972] 0.17 0.00 0.05 0.08 0.13 0.16
p_predicted[973] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[974] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[975] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[976] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[977] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[978] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[979] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[980] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[981] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[982] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[983] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[984] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[985] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[986] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[987] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[988] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[989] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[990] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[991] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[992] 0.90 0.00 0.11 0.58 0.87 0.94
p_predicted[993] 0.91 0.00 0.10 0.63 0.88 0.95
p_predicted[994] 0.92 0.00 0.10 0.63 0.90 0.96
p_predicted[995] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[996] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[997] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[998] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[999] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[1000] 0.12 0.00 0.07 0.03 0.07 0.10
p_predicted[1001] 0.13 0.00 0.07 0.04 0.08 0.12
p_predicted[1002] 0.13 0.00 0.07 0.04 0.08 0.12
p_predicted[1003] 0.10 0.00 0.06 0.03 0.06 0.09
p_predicted[1004] 0.11 0.00 0.06 0.03 0.06 0.09
p_predicted[1005] 0.21 0.00 0.09 0.07 0.14 0.19
p_predicted[1006] 0.23 0.00 0.09 0.09 0.17 0.22
p_predicted[1007] 0.23 0.00 0.10 0.07 0.15 0.21
p_predicted[1008] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[1009] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1010] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[1011] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[1012] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[1013] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1014] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1015] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[1016] 0.04 0.00 0.03 0.00 0.02 0.03
p_predicted[1017] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1018] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1019] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1020] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1021] 0.04 0.00 0.03 0.00 0.02 0.03
p_predicted[1022] 0.04 0.00 0.03 0.00 0.02 0.03
p_predicted[1023] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[1024] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[1025] 0.06 0.00 0.03 0.01 0.03 0.05
p_predicted[1026] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1027] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[1028] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[1029] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1030] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1031] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1032] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1033] 0.04 0.00 0.03 0.00 0.02 0.03
p_predicted[1034] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1035] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[1036] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1037] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[1038] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1039] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[1040] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1041] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[1042] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1043] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[1044] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1045] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1046] 0.03 0.00 0.02 0.00 0.01 0.02
p_predicted[1047] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted[1048] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1049] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1050] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1051] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1052] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1053] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1054] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1055] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1056] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1057] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1058] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1059] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1060] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1061] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1062] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1063] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1064] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1065] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1066] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1067] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[1068] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[1069] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted[1070] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[1071] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[1072] 0.17 0.00 0.05 0.08 0.13 0.16
p_predicted[1073] 0.17 0.00 0.05 0.08 0.13 0.16
p_predicted[1074] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[1075] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[1076] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[1077] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[1078] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[1079] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted[1080] 0.13 0.00 0.05 0.05 0.10 0.13
p_predicted[1081] 0.16 0.00 0.04 0.09 0.13 0.16
p_predicted[1082] 0.12 0.00 0.03 0.07 0.10 0.12
p_predicted[1083] 0.11 0.00 0.03 0.07 0.09 0.11
p_predicted[1084] 0.11 0.00 0.03 0.06 0.09 0.10
p_predicted[1085] 0.09 0.00 0.02 0.05 0.08 0.09
p_predicted[1086] 0.09 0.00 0.02 0.05 0.08 0.09
p_predicted[1087] 0.19 0.00 0.06 0.08 0.14 0.18
p_predicted[1088] 0.18 0.00 0.06 0.08 0.14 0.18
p_predicted[1089] 0.19 0.00 0.06 0.08 0.14 0.18
p_predicted[1090] 0.18 0.00 0.06 0.08 0.14 0.18
p_predicted[1091] 0.18 0.00 0.06 0.08 0.14 0.17
p_predicted[1092] 0.18 0.00 0.06 0.08 0.14 0.18
p_predicted[1093] 0.18 0.00 0.06 0.08 0.14 0.17
p_predicted[1094] 0.18 0.00 0.06 0.08 0.14 0.18
p_predicted[1095] 0.18 0.00 0.06 0.08 0.14 0.17
p_predicted[1096] 0.18 0.00 0.06 0.08 0.13 0.17
p_predicted[1097] 0.18 0.00 0.06 0.08 0.13 0.17
p_predicted[1098] 0.17 0.00 0.06 0.07 0.12 0.16
p_predicted[1099] 0.13 0.00 0.04 0.06 0.10 0.12
p_predicted[1100] 0.12 0.00 0.04 0.06 0.09 0.12
p_predicted[1101] 0.12 0.00 0.04 0.05 0.09 0.11
p_predicted[1102] 0.43 0.00 0.07 0.30 0.38 0.43
p_predicted[1103] 0.43 0.00 0.07 0.30 0.38 0.43
p_predicted[1104] 0.42 0.00 0.07 0.29 0.37 0.42
p_predicted[1105] 0.36 0.00 0.07 0.22 0.31 0.36
p_predicted[1106] 0.20 0.00 0.05 0.11 0.16 0.20
p_predicted[1107] 0.24 0.00 0.05 0.14 0.20 0.23
p_predicted[1108] 0.22 0.00 0.05 0.14 0.19 0.22
p_predicted[1109] 0.22 0.00 0.05 0.14 0.19 0.22
p_predicted[1110] 0.17 0.00 0.04 0.10 0.14 0.17
p_predicted[1111] 0.19 0.00 0.05 0.11 0.15 0.18
p_predicted[1112] 0.18 0.00 0.04 0.11 0.15 0.18
p_predicted[1113] 0.17 0.00 0.04 0.11 0.15 0.17
p_predicted[1114] 0.16 0.00 0.04 0.10 0.14 0.16
p_predicted[1115] 0.12 0.00 0.03 0.08 0.10 0.12
p_predicted[1116] 0.12 0.00 0.03 0.08 0.10 0.12
p_predicted[1117] 0.12 0.00 0.03 0.07 0.10 0.11
p_predicted[1118] 0.11 0.00 0.03 0.07 0.10 0.11
p_predicted[1119] 0.12 0.00 0.03 0.07 0.10 0.12
p_predicted[1120] 0.12 0.00 0.03 0.07 0.10 0.11
p_predicted[1121] 0.12 0.00 0.03 0.07 0.10 0.12
p_predicted[1122] 0.11 0.00 0.02 0.07 0.09 0.11
p_predicted[1123] 0.29 0.00 0.10 0.13 0.22 0.28
p_predicted[1124] 0.24 0.00 0.07 0.12 0.19 0.23
p_predicted[1125] 0.23 0.00 0.07 0.12 0.18 0.23
p_predicted[1126] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted[1127] 0.18 0.00 0.05 0.09 0.14 0.17
p_predicted[1128] 0.07 0.00 0.07 0.00 0.02 0.04
p_predicted[1129] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[1130] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted[1131] 0.15 0.00 0.06 0.05 0.10 0.14
p_predicted[1132] 0.11 0.00 0.04 0.04 0.08 0.10
p_predicted[1133] 0.15 0.00 0.06 0.05 0.10 0.14
p_predicted[1134] 0.11 0.00 0.05 0.04 0.07 0.11
p_predicted[1135] 0.08 0.00 0.04 0.03 0.05 0.08
p_predicted[1136] 0.11 0.00 0.05 0.04 0.07 0.11
p_predicted[1137] 0.15 0.00 0.06 0.06 0.11 0.15
p_predicted[1138] 0.11 0.00 0.04 0.04 0.08 0.11
p_predicted[1139] 0.15 0.00 0.06 0.06 0.11 0.15
p_predicted[1140] 0.12 0.00 0.05 0.04 0.08 0.11
p_predicted[1141] 0.08 0.00 0.04 0.03 0.06 0.08
p_predicted[1142] 0.12 0.00 0.05 0.04 0.08 0.11
p_predicted[1143] 0.07 0.00 0.03 0.03 0.05 0.06
p_predicted[1144] 0.05 0.00 0.02 0.02 0.03 0.05
p_predicted[1145] 0.07 0.00 0.03 0.03 0.05 0.06
p_predicted[1146] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[1147] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[1148] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[1149] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[1150] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[1151] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[1152] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[1153] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[1154] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[1155] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1156] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1157] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1158] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1159] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1160] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1161] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[1162] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1163] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted[1164] 0.05 0.00 0.02 0.01 0.03 0.04
p_predicted[1165] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[1166] 0.05 0.00 0.02 0.01 0.03 0.04
p_predicted[1167] 0.05 0.00 0.03 0.01 0.03 0.05
p_predicted[1168] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted[1169] 0.05 0.00 0.03 0.01 0.03 0.05
p_predicted[1170] 0.79 0.00 0.14 0.45 0.71 0.82
p_predicted[1171] 0.78 0.00 0.14 0.46 0.70 0.81
p_predicted[1172] 0.77 0.00 0.14 0.44 0.69 0.80
p_predicted[1173] 0.76 0.00 0.15 0.42 0.68 0.79
p_predicted[1174] 0.77 0.00 0.15 0.39 0.68 0.80
p_predicted[1175] 0.11 0.00 0.05 0.03 0.07 0.10
p_predicted[1176] 0.13 0.00 0.05 0.06 0.10 0.13
p_predicted[1177] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[1178] 0.09 0.00 0.03 0.04 0.06 0.08
p_predicted[1179] 0.07 0.00 0.02 0.03 0.05 0.06
p_predicted[1180] 0.06 0.00 0.02 0.02 0.04 0.05
p_predicted[1181] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[1182] 0.55 0.00 0.18 0.19 0.42 0.55
p_predicted[1183] 0.52 0.00 0.19 0.16 0.38 0.53
p_predicted[1184] 0.52 0.00 0.19 0.17 0.38 0.53
p_predicted[1185] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[1186] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1187] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[1188] 0.04 0.00 0.03 0.01 0.02 0.04
p_predicted[1189] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1190] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted[1191] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1192] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[1193] 0.04 0.00 0.03 0.01 0.03 0.04
p_predicted[1194] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1195] 0.57 0.00 0.12 0.32 0.49 0.58
p_predicted[1196] 0.57 0.00 0.12 0.32 0.49 0.58
p_predicted[1197] 0.63 0.00 0.14 0.35 0.54 0.64
p_predicted[1198] 0.55 0.00 0.12 0.31 0.47 0.55
p_predicted[1199] 0.55 0.00 0.12 0.31 0.47 0.55
p_predicted[1200] 0.55 0.00 0.12 0.31 0.47 0.55
p_predicted[1201] 0.55 0.00 0.12 0.31 0.47 0.55
p_predicted[1202] 0.55 0.00 0.12 0.31 0.47 0.55
p_predicted[1203] 0.49 0.00 0.12 0.25 0.41 0.49
p_predicted[1204] 0.48 0.00 0.12 0.25 0.40 0.48
p_predicted[1205] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1206] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1207] 0.07 0.00 0.05 0.01 0.03 0.06
p_predicted[1208] 0.07 0.00 0.05 0.01 0.03 0.06
p_predicted[1209] 0.07 0.00 0.04 0.01 0.04 0.06
p_predicted[1210] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1211] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted[1212] 0.04 0.00 0.03 0.01 0.02 0.03
p_predicted[1213] 0.27 0.00 0.08 0.13 0.21 0.26
p_predicted[1214] 0.26 0.00 0.08 0.13 0.21 0.26
p_predicted[1215] 0.21 0.00 0.06 0.11 0.17 0.21
p_predicted[1216] 0.21 0.00 0.06 0.11 0.17 0.21
p_predicted[1217] 0.21 0.00 0.06 0.11 0.17 0.21
p_predicted[1218] 0.08 0.00 0.06 0.01 0.04 0.07
p_predicted[1219] 0.08 0.00 0.06 0.01 0.04 0.06
p_predicted[1220] 0.08 0.00 0.06 0.01 0.04 0.06
p_predicted[1221] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[1222] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[1223] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[1224] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[1225] 0.59 0.00 0.12 0.33 0.51 0.60
p_predicted[1226] 0.61 0.00 0.10 0.39 0.54 0.61
p_predicted[1227] 0.53 0.00 0.12 0.29 0.44 0.53
p_predicted[1228] 0.52 0.00 0.12 0.27 0.43 0.52
p_predicted[1229] 0.32 0.00 0.04 0.24 0.29 0.32
p_predicted[1230] 0.32 0.00 0.04 0.24 0.29 0.32
p_predicted[1231] 0.31 0.00 0.04 0.22 0.28 0.31
p_predicted[1232] 0.31 0.00 0.04 0.22 0.28 0.31
p_predicted[1233] 0.30 0.00 0.04 0.21 0.27 0.30
p_predicted[1234] 0.30 0.00 0.04 0.21 0.27 0.30
p_predicted[1235] 0.24 0.00 0.04 0.17 0.22 0.24
p_predicted[1236] 0.24 0.00 0.04 0.17 0.22 0.24
p_predicted[1237] 0.23 0.00 0.04 0.16 0.20 0.23
p_predicted[1238] 0.23 0.00 0.04 0.16 0.20 0.23
p_predicted[1239] 0.22 0.00 0.04 0.15 0.19 0.22
p_predicted[1240] 0.22 0.00 0.04 0.15 0.19 0.22
p_predicted[1241] 0.22 0.00 0.04 0.15 0.19 0.22
p_predicted[1242] 0.22 0.00 0.04 0.15 0.19 0.22
p_predicted[1243] 0.22 0.00 0.04 0.14 0.19 0.21
p_predicted[1244] 0.22 0.00 0.04 0.14 0.19 0.21
p_predicted[1245] 0.09 0.00 0.06 0.02 0.05 0.08
p_predicted[1246] 0.06 0.00 0.04 0.01 0.04 0.06
p_predicted[1247] 0.09 0.00 0.06 0.02 0.05 0.08
p_predicted[1248] 0.10 0.00 0.06 0.03 0.06 0.09
p_predicted[1249] 0.07 0.00 0.04 0.02 0.05 0.07
p_predicted[1250] 0.10 0.00 0.06 0.03 0.06 0.09
p_predicted[1251] 0.10 0.00 0.06 0.03 0.06 0.09
p_predicted[1252] 0.07 0.00 0.04 0.02 0.05 0.07
p_predicted[1253] 0.10 0.00 0.06 0.03 0.06 0.09
p_predicted[1254] 0.10 0.00 0.06 0.03 0.06 0.09
p_predicted[1255] 0.07 0.00 0.04 0.02 0.05 0.07
p_predicted[1256] 0.10 0.00 0.06 0.03 0.06 0.09
p_predicted[1257] 0.12 0.00 0.06 0.03 0.07 0.11
p_predicted[1258] 0.08 0.00 0.04 0.02 0.05 0.08
p_predicted[1259] 0.12 0.00 0.06 0.03 0.07 0.11
p_predicted[1260] 0.09 0.00 0.05 0.02 0.05 0.08
p_predicted[1261] 0.06 0.00 0.03 0.02 0.04 0.05
p_predicted[1262] 0.09 0.00 0.05 0.02 0.05 0.08
p_predicted[1263] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[1264] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[1265] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[1266] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[1267] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted[1268] 0.07 0.00 0.05 0.01 0.03 0.06
p_predicted[1269] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted[1270] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1271] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1272] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1273] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1274] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[1275] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted[1276] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[1277] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted[1278] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1279] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1280] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1281] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1282] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1283] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1284] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1285] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1286] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1287] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1288] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted[1289] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1290] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1291] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1292] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1293] 0.09 0.00 0.04 0.03 0.06 0.08
p_predicted[1294] 0.10 0.00 0.04 0.04 0.07 0.09
p_predicted[1295] 0.13 0.00 0.05 0.05 0.10 0.13
p_predicted[1296] 0.14 0.00 0.05 0.05 0.10 0.13
p_predicted[1297] 0.10 0.00 0.05 0.03 0.07 0.09
p_predicted[1298] 0.36 0.00 0.11 0.18 0.28 0.35
p_predicted[1299] 0.36 0.00 0.11 0.18 0.28 0.35
p_predicted[1300] 0.28 0.00 0.08 0.14 0.22 0.28
p_predicted[1301] 0.28 0.00 0.08 0.14 0.22 0.28
p_predicted[1302] 0.29 0.00 0.08 0.16 0.24 0.29
p_predicted[1303] 0.29 0.00 0.08 0.16 0.24 0.29
p_predicted[1304] 0.23 0.00 0.06 0.13 0.19 0.23
p_predicted[1305] 0.23 0.00 0.06 0.13 0.19 0.23
p_predicted[1306] 0.23 0.00 0.06 0.12 0.18 0.22
p_predicted[1307] 0.23 0.00 0.06 0.12 0.18 0.22
p_predicted[1308] 0.21 0.00 0.06 0.11 0.17 0.21
p_predicted[1309] 0.21 0.00 0.06 0.11 0.17 0.21
p_predicted[1310] 0.21 0.00 0.06 0.11 0.17 0.20
p_predicted[1311] 0.21 0.00 0.06 0.11 0.17 0.20
p_predicted[1312] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1313] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1314] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1315] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1316] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1317] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1318] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1319] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1320] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1321] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1322] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1323] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1324] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1325] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1326] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1327] 0.27 0.00 0.07 0.15 0.22 0.27
p_predicted[1328] 0.22 0.00 0.06 0.12 0.18 0.21
p_predicted[1329] 0.21 0.00 0.06 0.11 0.17 0.20
p_predicted[1330] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1331] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1332] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1333] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1334] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1335] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1336] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1337] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1338] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted[1339] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[1] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted_default[2] 0.20 0.00 0.04 0.13 0.17 0.20
p_predicted_default[3] 0.16 0.00 0.03 0.11 0.14 0.15
p_predicted_default[4] 0.16 0.00 0.03 0.11 0.14 0.15
p_predicted_default[5] 0.06 0.00 0.03 0.02 0.04 0.06
p_predicted_default[6] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted_default[7] 0.37 0.00 0.07 0.25 0.32 0.37
p_predicted_default[8] 0.20 0.00 0.10 0.05 0.12 0.19
p_predicted_default[9] 0.11 0.00 0.03 0.06 0.09 0.11
p_predicted_default[10] 0.01 0.00 0.01 0.00 0.00 0.01
p_predicted_default[11] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted_default[12] 0.18 0.00 0.04 0.11 0.15 0.17
p_predicted_default[13] 0.08 0.00 0.03 0.04 0.06 0.07
p_predicted_default[14] 0.10 0.00 0.03 0.05 0.08 0.10
p_predicted_default[15] 0.10 0.00 0.03 0.05 0.08 0.10
p_predicted_default[16] 0.26 0.00 0.04 0.19 0.23 0.26
p_predicted_default[17] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted_default[18] 0.08 0.00 0.03 0.03 0.06 0.07
p_predicted_default[19] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted_default[20] 0.01 0.00 0.04 0.00 0.00 0.00
p_predicted_default[21] 0.12 0.00 0.03 0.07 0.10 0.12
p_predicted_default[22] 0.39 0.00 0.12 0.16 0.30 0.38
p_predicted_default[23] 0.38 0.00 0.12 0.15 0.30 0.38
p_predicted_default[24] 0.04 0.00 0.02 0.02 0.03 0.04
p_predicted_default[25] 0.42 0.00 0.06 0.30 0.38 0.43
p_predicted_default[26] 0.42 0.00 0.06 0.30 0.38 0.43
p_predicted_default[27] 0.42 0.00 0.06 0.30 0.38 0.43
p_predicted_default[28] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted_default[29] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted_default[30] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[31] 0.06 0.00 0.02 0.03 0.05 0.06
p_predicted_default[32] 0.07 0.00 0.05 0.01 0.03 0.05
p_predicted_default[33] 0.33 0.00 0.05 0.22 0.29 0.33
p_predicted_default[34] 0.33 0.00 0.05 0.22 0.29 0.33
p_predicted_default[35] 0.14 0.00 0.05 0.05 0.10 0.13
p_predicted_default[36] 0.14 0.00 0.06 0.05 0.09 0.13
p_predicted_default[37] 0.13 0.00 0.03 0.08 0.11 0.13
p_predicted_default[38] 0.13 0.00 0.03 0.08 0.11 0.13
p_predicted_default[39] 0.13 0.00 0.03 0.08 0.11 0.13
p_predicted_default[40] 0.25 0.00 0.05 0.16 0.21 0.25
p_predicted_default[41] 0.08 0.00 0.02 0.05 0.06 0.08
p_predicted_default[42] 0.24 0.00 0.06 0.14 0.20 0.23
p_predicted_default[43] 0.19 0.00 0.04 0.12 0.16 0.19
p_predicted_default[44] 0.17 0.00 0.04 0.10 0.14 0.17
p_predicted_default[45] 0.18 0.00 0.03 0.11 0.15 0.17
p_predicted_default[46] 0.17 0.00 0.03 0.12 0.15 0.17
p_predicted_default[47] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[48] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[49] 0.18 0.00 0.04 0.12 0.15 0.18
p_predicted_default[50] 0.01 0.00 0.02 0.00 0.00 0.00
p_predicted_default[51] 0.27 0.00 0.04 0.19 0.24 0.27
p_predicted_default[52] 0.27 0.00 0.04 0.19 0.24 0.27
p_predicted_default[53] 0.27 0.00 0.04 0.19 0.24 0.27
p_predicted_default[54] 0.24 0.00 0.04 0.17 0.21 0.24
p_predicted_default[55] 0.24 0.00 0.04 0.17 0.21 0.24
p_predicted_default[56] 0.24 0.00 0.04 0.17 0.21 0.24
p_predicted_default[57] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted_default[58] 0.08 0.00 0.04 0.02 0.05 0.07
p_predicted_default[59] 0.06 0.00 0.04 0.01 0.03 0.05
p_predicted_default[60] 0.17 0.00 0.04 0.11 0.15 0.17
p_predicted_default[61] 0.10 0.00 0.05 0.03 0.06 0.09
p_predicted_default[62] 0.10 0.00 0.05 0.03 0.06 0.09
p_predicted_default[63] 0.32 0.00 0.05 0.22 0.28 0.32
p_predicted_default[64] 0.74 0.00 0.14 0.43 0.66 0.76
p_predicted_default[65] 0.74 0.00 0.14 0.43 0.66 0.76
p_predicted_default[66] 0.06 0.00 0.03 0.01 0.03 0.05
p_predicted_default[67] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted_default[68] 0.34 0.00 0.06 0.23 0.30 0.34
p_predicted_default[69] 0.19 0.00 0.07 0.08 0.14 0.19
p_predicted_default[70] 0.20 0.00 0.09 0.06 0.13 0.18
p_predicted_default[71] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted_default[72] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted_default[73] 0.05 0.00 0.03 0.01 0.02 0.04
p_predicted_default[74] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[75] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted_default[76] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[77] 0.43 0.00 0.06 0.31 0.39 0.43
p_predicted_default[78] 0.19 0.00 0.04 0.12 0.16 0.19
p_predicted_default[79] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[80] 0.24 0.00 0.10 0.08 0.16 0.22
p_predicted_default[81] 0.42 0.00 0.12 0.20 0.34 0.42
p_predicted_default[82] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted_default[83] 0.02 0.00 0.06 0.00 0.00 0.00
p_predicted_default[84] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted_default[85] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted_default[86] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted_default[87] 0.26 0.00 0.04 0.17 0.23 0.26
p_predicted_default[88] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[89] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted_default[90] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted_default[91] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[92] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted_default[93] 0.08 0.00 0.02 0.04 0.06 0.07
p_predicted_default[94] 0.10 0.00 0.03 0.05 0.07 0.09
p_predicted_default[95] 0.12 0.00 0.03 0.08 0.10 0.12
p_predicted_default[96] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted_default[97] 0.18 0.00 0.06 0.09 0.14 0.17
p_predicted_default[98] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted_default[99] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[100] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted_default[101] 0.11 0.00 0.03 0.07 0.09 0.11
p_predicted_default[102] 0.18 0.00 0.04 0.11 0.15 0.17
p_predicted_default[103] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted_default[104] 0.01 0.00 0.01 0.00 0.01 0.01
p_predicted_default[105] 0.02 0.00 0.02 0.00 0.01 0.02
p_predicted_default[106] 0.08 0.00 0.02 0.04 0.06 0.08
p_predicted_default[107] 0.47 0.00 0.07 0.32 0.42 0.47
p_predicted_default[108] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted_default[109] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted_default[110] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted_default[111] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted_default[112] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[113] 0.10 0.00 0.06 0.03 0.06 0.09
p_predicted_default[114] 0.23 0.00 0.10 0.07 0.15 0.21
p_predicted_default[115] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted_default[116] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted_default[117] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted_default[118] 0.03 0.00 0.02 0.00 0.01 0.02
p_predicted_default[119] 0.03 0.00 0.02 0.01 0.02 0.03
p_predicted_default[120] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[121] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[122] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[123] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted_default[124] 0.13 0.00 0.04 0.06 0.10 0.13
p_predicted_default[125] 0.12 0.00 0.03 0.07 0.10 0.12
p_predicted_default[126] 0.13 0.00 0.04 0.06 0.10 0.12
p_predicted_default[127] 0.36 0.00 0.07 0.22 0.31 0.36
p_predicted_default[128] 0.12 0.00 0.03 0.08 0.10 0.12
p_predicted_default[129] 0.18 0.00 0.05 0.10 0.15 0.18
p_predicted_default[130] 0.01 0.00 0.01 0.00 0.00 0.00
p_predicted_default[131] 0.11 0.00 0.05 0.04 0.07 0.11
p_predicted_default[132] 0.08 0.00 0.04 0.03 0.05 0.08
p_predicted_default[133] 0.11 0.00 0.05 0.04 0.07 0.11
p_predicted_default[134] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[135] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted_default[136] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[137] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[138] 0.05 0.00 0.02 0.01 0.03 0.04
p_predicted_default[139] 0.04 0.00 0.02 0.01 0.02 0.03
p_predicted_default[140] 0.05 0.00 0.02 0.01 0.03 0.04
p_predicted_default[141] 0.77 0.00 0.15 0.39 0.68 0.80
p_predicted_default[142] 0.07 0.00 0.03 0.03 0.05 0.07
p_predicted_default[143] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted_default[144] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted_default[145] 0.49 0.00 0.12 0.25 0.41 0.49
p_predicted_default[146] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[147] 0.05 0.00 0.03 0.01 0.03 0.04
p_predicted_default[148] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted_default[149] 0.53 0.00 0.12 0.29 0.44 0.53
p_predicted_default[150] 0.24 0.00 0.04 0.17 0.22 0.24
p_predicted_default[151] 0.24 0.00 0.04 0.17 0.22 0.24
p_predicted_default[152] 0.09 0.00 0.05 0.02 0.05 0.08
p_predicted_default[153] 0.06 0.00 0.03 0.02 0.04 0.05
p_predicted_default[154] 0.09 0.00 0.05 0.02 0.05 0.08
p_predicted_default[155] 0.00 0.00 0.00 0.00 0.00 0.00
p_predicted_default[156] 0.05 0.00 0.04 0.01 0.02 0.04
p_predicted_default[157] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[158] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[159] 0.05 0.00 0.02 0.02 0.04 0.05
p_predicted_default[160] 0.03 0.00 0.03 0.00 0.01 0.02
p_predicted_default[161] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[162] 0.10 0.00 0.05 0.03 0.07 0.09
p_predicted_default[163] 0.23 0.00 0.06 0.13 0.19 0.23
p_predicted_default[164] 0.23 0.00 0.06 0.13 0.19 0.23
p_predicted_default[165] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[166] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_default[167] 0.22 0.00 0.06 0.12 0.18 0.21
p_predicted_default[168] 0.00 0.00 0.01 0.00 0.00 0.00
p_predicted_intervention[1] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[2] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[3] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[4] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[5] 0.32 0.00 0.36 0.00 0.01 0.14
p_predicted_intervention[6] 0.29 0.00 0.37 0.00 0.00 0.06
p_predicted_intervention[7] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[8] 0.27 0.00 0.40 0.00 0.00 0.00
p_predicted_intervention[9] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[10] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[11] 0.27 0.00 0.42 0.00 0.00 0.00
p_predicted_intervention[12] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[13] 0.00 0.00 0.02 0.00 0.00 0.00
p_predicted_intervention[14] 0.16 0.00 0.12 0.01 0.07 0.13
p_predicted_intervention[15] 0.16 0.00 0.12 0.01 0.07 0.13
p_predicted_intervention[16] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[17] 0.29 0.00 0.37 0.00 0.00 0.06
p_predicted_intervention[18] 0.32 0.00 0.36 0.00 0.01 0.13
p_predicted_intervention[19] 0.31 0.00 0.36 0.00 0.01 0.13
p_predicted_intervention[20] 0.21 0.00 0.38 0.00 0.00 0.00
p_predicted_intervention[21] 0.00 0.00 0.02 0.00 0.00 0.00
p_predicted_intervention[22] 0.12 0.00 0.30 0.00 0.00 0.00
p_predicted_intervention[23] 0.12 0.00 0.30 0.00 0.00 0.00
p_predicted_intervention[24] 0.29 0.00 0.37 0.00 0.00 0.06
p_predicted_intervention[25] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[26] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[27] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[28] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[29] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[30] 0.00 0.00 0.02 0.00 0.00 0.00
p_predicted_intervention[31] 0.00 0.00 0.02 0.00 0.00 0.00
p_predicted_intervention[32] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[33] 0.25 0.00 0.11 0.06 0.17 0.25
p_predicted_intervention[34] 0.25 0.00 0.11 0.06 0.17 0.25
p_predicted_intervention[35] 0.03 0.00 0.13 0.00 0.00 0.00
p_predicted_intervention[36] 0.02 0.00 0.13 0.00 0.00 0.00
p_predicted_intervention[37] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[38] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[39] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[40] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[41] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[42] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[43] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[44] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[45] 0.22 0.00 0.11 0.04 0.13 0.20
p_predicted_intervention[46] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[47] 0.27 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[48] 0.27 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[49] 0.22 0.00 0.11 0.04 0.13 0.21
p_predicted_intervention[50] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[51] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[52] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[53] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[54] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[55] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[56] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[57] 0.23 0.00 0.39 0.00 0.00 0.00
p_predicted_intervention[58] 0.03 0.00 0.13 0.00 0.00 0.00
p_predicted_intervention[59] 0.28 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[60] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[61] 0.03 0.00 0.14 0.00 0.00 0.00
p_predicted_intervention[62] 0.03 0.00 0.14 0.00 0.00 0.00
p_predicted_intervention[63] 0.25 0.00 0.11 0.06 0.16 0.24
p_predicted_intervention[64] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[65] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[66] 0.32 0.00 0.43 0.00 0.00 0.01
p_predicted_intervention[67] 0.28 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[68] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[69] 0.03 0.00 0.13 0.00 0.00 0.00
p_predicted_intervention[70] 0.02 0.00 0.13 0.00 0.00 0.00
p_predicted_intervention[71] 0.30 0.00 0.37 0.00 0.00 0.08
p_predicted_intervention[72] 0.30 0.00 0.37 0.00 0.00 0.08
p_predicted_intervention[73] 0.32 0.00 0.43 0.00 0.00 0.00
p_predicted_intervention[74] 0.28 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[75] 0.28 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[76] 0.28 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[77] 0.00 0.00 0.04 0.00 0.00 0.00
p_predicted_intervention[78] 0.23 0.00 0.12 0.04 0.14 0.22
p_predicted_intervention[79] 0.22 0.00 0.39 0.00 0.00 0.00
p_predicted_intervention[80] 0.03 0.00 0.13 0.00 0.00 0.00
p_predicted_intervention[81] 0.49 0.00 0.41 0.00 0.04 0.48
p_predicted_intervention[82] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[83] 0.27 0.00 0.42 0.00 0.00 0.00
p_predicted_intervention[84] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[85] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[86] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[87] 0.28 0.00 0.10 0.08 0.20 0.28
p_predicted_intervention[88] 0.23 0.00 0.39 0.00 0.00 0.00
p_predicted_intervention[89] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[90] 0.33 0.00 0.43 0.00 0.00 0.01
p_predicted_intervention[91] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[92] 0.03 0.00 0.14 0.00 0.00 0.00
p_predicted_intervention[93] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[94] 0.16 0.00 0.13 0.01 0.06 0.13
p_predicted_intervention[95] 0.22 0.00 0.10 0.05 0.14 0.22
p_predicted_intervention[96] 0.23 0.00 0.39 0.00 0.00 0.00
p_predicted_intervention[97] 0.01 0.00 0.05 0.00 0.00 0.00
p_predicted_intervention[98] 0.30 0.00 0.37 0.00 0.00 0.07
p_predicted_intervention[99] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[100] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[101] 0.20 0.00 0.11 0.03 0.11 0.18
p_predicted_intervention[102] 0.01 0.00 0.05 0.00 0.00 0.00
p_predicted_intervention[103] 0.28 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[104] 0.28 0.00 0.41 0.00 0.00 0.01
p_predicted_intervention[105] 0.28 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[106] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[107] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[108] 0.29 0.00 0.34 0.00 0.02 0.13
p_predicted_intervention[109] 0.29 0.00 0.34 0.00 0.02 0.13
p_predicted_intervention[110] 0.29 0.00 0.34 0.00 0.02 0.13
p_predicted_intervention[111] 0.26 0.00 0.41 0.00 0.00 0.00
p_predicted_intervention[112] 0.23 0.00 0.40 0.00 0.00 0.00
p_predicted_intervention[113] 0.27 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[114] 0.26 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[115] 0.33 0.00 0.43 0.00 0.00 0.01
p_predicted_intervention[116] 0.32 0.00 0.43 0.00 0.00 0.01
p_predicted_intervention[117] 0.32 0.00 0.43 0.00 0.00 0.01
p_predicted_intervention[118] 0.30 0.00 0.37 0.00 0.00 0.07
p_predicted_intervention[119] 0.30 0.00 0.36 0.00 0.01 0.09
p_predicted_intervention[120] 0.19 0.00 0.36 0.00 0.00 0.00
p_predicted_intervention[121] 0.19 0.00 0.36 0.00 0.00 0.00
p_predicted_intervention[122] 0.19 0.00 0.36 0.00 0.00 0.00
p_predicted_intervention[123] 0.33 0.00 0.34 0.00 0.03 0.18
p_predicted_intervention[124] 0.33 0.00 0.34 0.00 0.03 0.18
p_predicted_intervention[125] 0.21 0.00 0.12 0.03 0.11 0.19
p_predicted_intervention[126] 0.29 0.00 0.35 0.00 0.01 0.10
p_predicted_intervention[127] 0.00 0.00 0.03 0.00 0.00 0.00
p_predicted_intervention[128] 0.23 0.00 0.11 0.05 0.15 0.22
p_predicted_intervention[129] 0.29 0.00 0.33 0.00 0.02 0.12
p_predicted_intervention[130] 0.23 0.00 0.39 0.00 0.00 0.00
p_predicted_intervention[131] 0.26 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[132] 0.27 0.00 0.40 0.00 0.00 0.00
p_predicted_intervention[133] 0.26 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[134] 0.28 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[135] 0.28 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[136] 0.28 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[137] 0.20 0.00 0.37 0.00 0.00 0.00
p_predicted_intervention[138] 0.28 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[139] 0.28 0.00 0.40 0.00 0.00 0.01
p_predicted_intervention[140] 0.28 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[141] 0.06 0.00 0.22 0.00 0.00 0.00
p_predicted_intervention[142] 0.15 0.00 0.12 0.01 0.05 0.11
p_predicted_intervention[143] 0.32 0.00 0.43 0.00 0.00 0.01
p_predicted_intervention[144] 0.32 0.00 0.43 0.00 0.00 0.01
p_predicted_intervention[145] 0.51 0.00 0.41 0.00 0.05 0.53
p_predicted_intervention[146] 0.23 0.00 0.40 0.00 0.00 0.00
p_predicted_intervention[147] 0.32 0.00 0.43 0.00 0.00 0.00
p_predicted_intervention[148] 0.03 0.00 0.13 0.00 0.00 0.00
p_predicted_intervention[149] 0.12 0.00 0.31 0.00 0.00 0.00
p_predicted_intervention[150] 0.27 0.00 0.10 0.08 0.19 0.26
p_predicted_intervention[151] 0.27 0.00 0.10 0.08 0.19 0.26
p_predicted_intervention[152] 0.26 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[153] 0.27 0.00 0.40 0.00 0.00 0.00
p_predicted_intervention[154] 0.26 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[155] 0.19 0.00 0.36 0.00 0.00 0.00
p_predicted_intervention[156] 0.26 0.00 0.39 0.00 0.00 0.01
p_predicted_intervention[157] 0.19 0.00 0.36 0.00 0.00 0.00
p_predicted_intervention[158] 0.30 0.00 0.37 0.00 0.00 0.08
p_predicted_intervention[159] 0.30 0.00 0.37 0.00 0.00 0.08
p_predicted_intervention[160] 1.00 0.00 0.00 1.00 1.00 1.00
p_predicted_intervention[161] 0.20 0.00 0.37 0.00 0.00 0.00
p_predicted_intervention[162] 0.27 0.00 0.40 0.00 0.00 0.00
p_predicted_intervention[163] 0.30 0.00 0.34 0.00 0.02 0.13
p_predicted_intervention[164] 0.30 0.00 0.34 0.00 0.02 0.13
p_predicted_intervention[165] 0.20 0.00 0.37 0.00 0.00 0.00
p_predicted_intervention[166] 0.20 0.00 0.37 0.00 0.00 0.00
p_predicted_intervention[167] 0.32 0.00 0.34 0.00 0.03 0.16
p_predicted_intervention[168] 0.20 0.00 0.37 0.00 0.00 0.00
predicted_difference[1] 0.97 0.00 0.03 0.89 0.96 0.98
predicted_difference[2] -0.19 0.00 0.05 -0.28 -0.22 -0.19
predicted_difference[3] -0.15 0.00 0.04 -0.21 -0.17 -0.15
predicted_difference[4] -0.15 0.00 0.04 -0.21 -0.17 -0.15
predicted_difference[5] 0.26 0.00 0.37 -0.11 -0.04 0.08
predicted_difference[6] 0.25 0.00 0.37 -0.06 -0.03 0.03
predicted_difference[7] -0.37 0.00 0.07 -0.50 -0.41 -0.36
predicted_difference[8] 0.06 0.00 0.43 -0.44 -0.23 -0.13
predicted_difference[9] -0.11 0.00 0.04 -0.18 -0.13 -0.11
predicted_difference[10] 0.99 0.00 0.01 0.97 0.99 0.99
predicted_difference[11] 0.26 0.00 0.42 -0.04 0.00 0.00
predicted_difference[12] -0.17 0.00 0.06 -0.25 -0.20 -0.17
predicted_difference[13] -0.08 0.00 0.03 -0.14 -0.09 -0.07
predicted_difference[14] 0.06 0.00 0.12 -0.11 -0.03 0.03
predicted_difference[15] 0.06 0.00 0.12 -0.11 -0.03 0.03
predicted_difference[16] -0.26 0.00 0.05 -0.34 -0.29 -0.26
predicted_difference[17] 0.25 0.00 0.37 -0.06 -0.03 0.03
predicted_difference[18] 0.24 0.00 0.36 -0.11 -0.05 0.06
predicted_difference[19] 0.24 0.00 0.36 -0.11 -0.05 0.06
predicted_difference[20] 0.20 0.00 0.38 -0.07 0.00 0.00
predicted_difference[21] -0.12 0.00 0.04 -0.19 -0.14 -0.12
predicted_difference[22] -0.27 0.00 0.29 -0.61 -0.43 -0.34
predicted_difference[23] -0.27 0.00 0.29 -0.60 -0.43 -0.34
predicted_difference[24] 0.24 0.00 0.37 -0.07 -0.03 0.02
predicted_difference[25] -0.42 0.00 0.07 -0.55 -0.47 -0.42
predicted_difference[26] -0.42 0.00 0.07 -0.55 -0.47 -0.42
predicted_difference[27] -0.42 0.00 0.07 -0.55 -0.47 -0.42
predicted_difference[28] 0.99 0.00 0.01 0.96 0.98 0.99
predicted_difference[29] 0.99 0.00 0.01 0.96 0.98 0.99
predicted_difference[30] -0.05 0.00 0.03 -0.10 -0.06 -0.05
predicted_difference[31] -0.06 0.00 0.03 -0.12 -0.08 -0.06
predicted_difference[32] 0.93 0.00 0.05 0.80 0.91 0.95
predicted_difference[33] -0.08 0.00 0.10 -0.26 -0.15 -0.08
predicted_difference[34] -0.08 0.00 0.10 -0.26 -0.15 -0.08
predicted_difference[35] -0.11 0.00 0.14 -0.25 -0.16 -0.13
predicted_difference[36] -0.11 0.00 0.15 -0.27 -0.17 -0.13
predicted_difference[37] -0.12 0.00 0.04 -0.19 -0.14 -0.12
predicted_difference[38] -0.12 0.00 0.04 -0.19 -0.14 -0.12
predicted_difference[39] -0.12 0.00 0.04 -0.19 -0.14 -0.12
predicted_difference[40] -0.25 0.00 0.06 -0.36 -0.28 -0.24
predicted_difference[41] -0.08 0.00 0.04 -0.12 -0.09 -0.08
predicted_difference[42] -0.24 0.00 0.06 -0.36 -0.27 -0.23
predicted_difference[43] -0.18 0.00 0.06 -0.28 -0.22 -0.19
predicted_difference[44] -0.16 0.00 0.06 -0.25 -0.19 -0.16
predicted_difference[45] 0.04 0.00 0.11 -0.13 -0.04 0.03
predicted_difference[46] -0.17 0.00 0.04 -0.23 -0.19 -0.17
predicted_difference[47] 0.22 0.00 0.40 -0.10 -0.05 -0.03
predicted_difference[48] 0.22 0.00 0.40 -0.10 -0.05 -0.03
predicted_difference[49] 0.04 0.00 0.11 -0.13 -0.04 0.03
predicted_difference[50] 0.25 0.00 0.41 -0.03 0.00 0.00
predicted_difference[51] -0.27 0.00 0.05 -0.35 -0.30 -0.27
predicted_difference[52] -0.27 0.00 0.05 -0.35 -0.30 -0.27
predicted_difference[53] -0.27 0.00 0.05 -0.35 -0.30 -0.27
predicted_difference[54] -0.24 0.00 0.05 -0.33 -0.27 -0.24
predicted_difference[55] -0.24 0.00 0.05 -0.33 -0.27 -0.24
predicted_difference[56] -0.24 0.00 0.05 -0.33 -0.27 -0.24
predicted_difference[57] 0.22 0.00 0.39 -0.02 0.00 0.00
predicted_difference[58] -0.05 0.00 0.13 -0.16 -0.09 -0.07
predicted_difference[59] 0.21 0.00 0.42 -0.17 -0.08 -0.04
predicted_difference[60] -0.17 0.00 0.06 -0.26 -0.20 -0.17
predicted_difference[61] -0.07 0.00 0.14 -0.23 -0.13 -0.09
predicted_difference[62] -0.07 0.00 0.15 -0.22 -0.12 -0.09
predicted_difference[63] -0.07 0.00 0.10 -0.26 -0.15 -0.08
predicted_difference[64] 0.26 0.00 0.14 0.05 0.15 0.24
predicted_difference[65] 0.26 0.00 0.14 0.05 0.15 0.24
predicted_difference[66] 0.26 0.00 0.44 -0.13 -0.06 -0.02
predicted_difference[67] 0.25 0.00 0.41 -0.09 -0.04 -0.02
predicted_difference[68] -0.34 0.00 0.07 -0.46 -0.38 -0.34
predicted_difference[69] -0.17 0.00 0.16 -0.34 -0.23 -0.18
predicted_difference[70] -0.17 0.00 0.17 -0.40 -0.25 -0.18
predicted_difference[71] 0.27 0.00 0.37 -0.06 -0.02 0.05
predicted_difference[72] 0.27 0.00 0.37 -0.06 -0.02 0.05
predicted_difference[73] 0.28 0.00 0.42 -0.07 -0.03 -0.01
predicted_difference[74] 0.22 0.00 0.39 -0.09 -0.05 -0.02
predicted_difference[75] 0.24 0.00 0.41 -0.08 -0.04 -0.02
predicted_difference[76] 0.22 0.00 0.39 -0.09 -0.05 -0.02
predicted_difference[77] -0.43 0.00 0.07 -0.55 -0.47 -0.43
predicted_difference[78] 0.04 0.00 0.11 -0.14 -0.05 0.03
predicted_difference[79] 0.22 0.00 0.39 -0.02 0.00 0.00
predicted_difference[80] -0.21 0.00 0.18 -0.47 -0.30 -0.22
predicted_difference[81] 0.07 0.01 0.46 -0.63 -0.38 0.06
predicted_difference[82] 0.25 0.00 0.41 -0.01 0.00 0.00
predicted_difference[83] 0.25 0.00 0.41 -0.09 0.00 0.00
predicted_difference[84] 0.26 0.00 0.41 -0.01 0.00 0.00
predicted_difference[85] 0.26 0.00 0.41 -0.01 0.00 0.00
predicted_difference[86] 0.26 0.00 0.41 -0.01 0.00 0.00
predicted_difference[87] 0.02 0.00 0.09 -0.15 -0.05 0.02
predicted_difference[88] 0.22 0.00 0.39 -0.02 0.00 0.00
predicted_difference[89] 0.98 0.00 0.02 0.94 0.97 0.98
predicted_difference[90] 0.28 0.00 0.44 -0.11 -0.05 -0.02
predicted_difference[91] 0.26 0.00 0.41 -0.01 0.00 0.00
predicted_difference[92] -0.02 0.00 0.12 -0.12 -0.06 -0.04
predicted_difference[93] -0.07 0.00 0.03 -0.12 -0.09 -0.07
predicted_difference[94] 0.06 0.00 0.13 -0.11 -0.03 0.03
predicted_difference[95] 0.10 0.00 0.10 -0.07 0.02 0.09
predicted_difference[96] 0.22 0.00 0.39 -0.02 0.00 0.00
predicted_difference[97] -0.17 0.00 0.08 -0.30 -0.21 -0.17
predicted_difference[98] 0.28 0.00 0.37 -0.06 -0.02 0.05
predicted_difference[99] 0.26 0.00 0.41 0.00 0.00 0.00
predicted_difference[100] 0.25 0.00 0.41 -0.01 0.00 0.00
predicted_difference[101] 0.09 0.00 0.11 -0.08 0.00 0.07
predicted_difference[102] -0.17 0.00 0.06 -0.25 -0.20 -0.17
predicted_difference[103] 0.26 0.00 0.40 -0.05 -0.02 0.00
predicted_difference[104] 0.27 0.00 0.41 -0.04 -0.01 0.00
predicted_difference[105] 0.26 0.00 0.40 -0.05 -0.02 0.00
predicted_difference[106] -0.08 0.00 0.03 -0.13 -0.09 -0.08
predicted_difference[107] -0.47 0.00 0.08 -0.61 -0.52 -0.47
predicted_difference[108] 0.11 0.00 0.32 -0.23 -0.14 -0.05
predicted_difference[109] 0.11 0.00 0.32 -0.23 -0.14 -0.05
predicted_difference[110] 0.11 0.00 0.32 -0.23 -0.14 -0.05
predicted_difference[111] 0.26 0.00 0.41 -0.01 0.00 0.00
predicted_difference[112] 0.23 0.00 0.39 -0.02 0.00 0.00
predicted_difference[113] 0.17 0.00 0.43 -0.24 -0.12 -0.06
predicted_difference[114] 0.04 0.00 0.42 -0.45 -0.25 -0.15
predicted_difference[115] 0.28 0.00 0.44 -0.11 -0.05 -0.02
predicted_difference[116] 0.28 0.00 0.44 -0.11 -0.05 -0.02
predicted_difference[117] 0.28 0.00 0.44 -0.11 -0.05 -0.02
predicted_difference[118] 0.27 0.00 0.38 -0.08 -0.02 0.05
predicted_difference[119] 0.27 0.00 0.37 -0.08 -0.02 0.06
predicted_difference[120] 0.19 0.00 0.36 0.00 0.00 0.00
predicted_difference[121] 0.19 0.00 0.36 0.00 0.00 0.00
predicted_difference[122] 0.19 0.00 0.36 0.00 0.00 0.00
predicted_difference[123] 0.20 0.00 0.36 -0.21 -0.11 0.05
predicted_difference[124] 0.20 0.00 0.36 -0.21 -0.11 0.05
predicted_difference[125] 0.09 0.00 0.12 -0.09 0.00 0.07
predicted_difference[126] 0.16 0.00 0.33 -0.14 -0.09 -0.02
predicted_difference[127] -0.36 0.00 0.08 -0.51 -0.41 -0.36
predicted_difference[128] 0.10 0.00 0.10 -0.07 0.02 0.09
predicted_difference[129] 0.11 0.00 0.32 -0.23 -0.14 -0.05
predicted_difference[130] 0.22 0.00 0.39 -0.02 0.00 0.00
predicted_difference[131] 0.15 0.00 0.36 -0.16 -0.09 -0.05
predicted_difference[132] 0.19 0.00 0.39 -0.13 -0.07 -0.04
predicted_difference[133] 0.15 0.00 0.36 -0.16 -0.09 -0.05
predicted_difference[134] 0.22 0.00 0.39 -0.10 -0.05 -0.02
predicted_difference[135] 0.24 0.00 0.41 -0.08 -0.04 -0.02
predicted_difference[136] 0.22 0.00 0.39 -0.10 -0.05 -0.02
predicted_difference[137] 0.19 0.00 0.36 -0.01 0.00 0.00
predicted_difference[138] 0.23 0.00 0.40 -0.10 -0.05 -0.02
predicted_difference[139] 0.25 0.00 0.41 -0.09 -0.04 -0.02
predicted_difference[140] 0.23 0.00 0.40 -0.10 -0.05 -0.02
predicted_difference[141] -0.70 0.00 0.26 -0.97 -0.87 -0.77
predicted_difference[142] 0.07 0.00 0.13 -0.09 -0.02 0.04
predicted_difference[143] 0.28 0.00 0.44 -0.11 -0.05 -0.02
predicted_difference[144] 0.28 0.00 0.44 -0.11 -0.05 -0.02
predicted_difference[145] 0.02 0.01 0.44 -0.67 -0.41 0.04
predicted_difference[146] 0.23 0.00 0.40 0.00 0.00 0.00
predicted_difference[147] 0.27 0.00 0.42 -0.08 -0.04 -0.01
predicted_difference[148] -0.03 0.00 0.12 -0.14 -0.07 -0.04
predicted_difference[149] -0.40 0.00 0.34 -0.74 -0.60 -0.50
predicted_difference[150] 0.02 0.00 0.09 -0.14 -0.05 0.02
predicted_difference[151] 0.02 0.00 0.09 -0.14 -0.05 0.02
predicted_difference[152] 0.18 0.00 0.36 -0.12 -0.06 -0.03
predicted_difference[153] 0.21 0.00 0.38 -0.09 -0.05 -0.02
predicted_difference[154] 0.18 0.00 0.36 -0.12 -0.06 -0.03
predicted_difference[155] 0.19 0.00 0.36 -0.01 0.00 0.00
predicted_difference[156] 0.21 0.00 0.37 -0.07 -0.03 -0.01
predicted_difference[157] 0.19 0.00 0.36 -0.01 0.00 0.00
predicted_difference[158] 0.25 0.00 0.37 -0.09 -0.04 0.03
predicted_difference[159] 0.25 0.00 0.37 -0.09 -0.04 0.03
predicted_difference[160] 0.97 0.00 0.03 0.90 0.96 0.98
predicted_difference[161] 0.19 0.00 0.37 -0.01 0.00 0.00
predicted_difference[162] 0.17 0.00 0.41 -0.20 -0.11 -0.06
predicted_difference[163] 0.07 0.00 0.32 -0.28 -0.18 -0.09
predicted_difference[164] 0.07 0.00 0.32 -0.28 -0.18 -0.09
predicted_difference[165] 0.19 0.00 0.37 -0.01 0.00 0.00
predicted_difference[166] 0.19 0.00 0.37 -0.01 0.00 0.00
predicted_difference[167] 0.10 0.00 0.34 -0.30 -0.17 -0.05
predicted_difference[168] 0.19 0.00 0.36 -0.01 0.00 0.00
lp__ -308.75 1.66 35.51 -376.50 -333.14 -309.40
75% 97.5% n_eff Rhat
mu[1] 0.01 0.07 10913 1.00
mu[2] 0.02 0.08 17190 1.00
mu[3] 0.04 0.10 21103 1.00
mu[4] -0.01 0.05 11281 1.00
mu[5] 0.00 0.06 8515 1.00
mu[6] 0.00 0.06 8475 1.00
mu[7] 0.02 0.07 8912 1.00
mu[8] 0.03 0.09 9599 1.00
mu[9] 0.03 0.09 14931 1.00
mu[10] 0.03 0.09 10124 1.00
mu[11] 0.04 0.10 12399 1.00
mu[12] 0.00 0.06 11239 1.00
sigma[1] 0.31 0.49 660 1.00
sigma[2] 0.81 1.06 2733 1.00
sigma[3] 0.84 1.09 2445 1.00
sigma[4] 0.35 0.50 1686 1.00
sigma[5] 0.23 0.38 622 1.00
sigma[6] 0.23 0.39 667 1.00
sigma[7] 0.24 0.38 692 1.01
sigma[8] 0.24 0.39 819 1.00
sigma[9] 0.40 0.64 608 1.00
sigma[10] 0.26 0.44 665 1.00
sigma[11] 0.30 0.49 617 1.01
sigma[12] 0.38 0.59 666 1.01
beta[1,1] 0.06 0.35 9714 1.00
beta[1,2] -0.15 0.35 11109 1.00
beta[1,3] 0.94 1.45 9610 1.00
beta[1,4] -0.38 -0.24 7256 1.00
beta[1,5] 0.10 0.39 7596 1.00
beta[1,6] 0.13 0.42 6381 1.00
beta[1,7] 0.17 0.43 6398 1.00
beta[1,8] 0.16 0.40 5448 1.00
beta[1,9] 0.51 1.21 1716 1.00
beta[1,10] 0.09 0.40 11060 1.00
beta[1,11] 0.15 0.49 12135 1.00
beta[1,12] -0.05 0.24 3617 1.00
beta[2,1] -0.14 0.06 1404 1.00
beta[2,2] -1.25 -0.90 4078 1.00
beta[2,3] 0.89 1.17 7778 1.00
beta[2,4] 0.39 0.69 5553 1.00
beta[2,5] 0.03 0.26 6624 1.00
beta[2,6] -0.01 0.19 3815 1.00
beta[2,7] 0.02 0.23 6055 1.00
beta[2,8] 0.13 0.41 9304 1.00
beta[2,9] -0.17 0.10 1151 1.00
beta[2,10] 0.12 0.48 12043 1.00
beta[2,11] -0.01 0.20 1842 1.00
beta[2,12] -0.19 0.06 1301 1.00
beta[3,1] 0.12 0.55 14161 1.00
beta[3,2] 0.38 1.38 18254 1.00
beta[3,3] 0.36 1.37 17245 1.00
beta[3,4] 0.00 0.32 11470 1.00
beta[3,5] 0.02 0.26 6295 1.00
beta[3,6] 0.02 0.27 6891 1.00
beta[3,7] 0.04 0.26 6551 1.00
beta[3,8] 0.06 0.28 6273 1.00
beta[3,9] 0.17 0.69 12809 1.00
beta[3,10] 0.12 0.47 13372 1.00
beta[3,11] 0.13 0.52 13244 1.00
beta[3,12] 0.13 0.64 12473 1.00
beta[4,1] 0.11 0.50 13211 1.00
beta[4,2] 0.03 0.65 12961 1.00
beta[4,3] -0.38 0.26 10279 1.00
beta[4,4] 0.21 0.55 10454 1.00
beta[4,5] 0.07 0.33 11210 1.00
beta[4,6] 0.03 0.27 7164 1.00
beta[4,7] 0.10 0.38 11934 1.00
beta[4,8] 0.18 0.49 6139 1.00
beta[4,9] 0.08 0.48 5276 1.00
beta[4,10] 0.11 0.45 10073 1.00
beta[4,11] 0.35 0.95 2187 1.00
beta[4,12] -0.01 0.32 3811 1.00
beta[5,1] 0.07 0.40 8534 1.00
beta[5,2] -0.45 0.35 7376 1.00
beta[5,3] 0.31 1.25 14648 1.00
beta[5,4] 0.18 0.51 11318 1.00
beta[5,5] 0.08 0.35 10793 1.00
beta[5,6] 0.06 0.31 7068 1.00
beta[5,7] 0.15 0.47 6983 1.00
beta[5,8] 0.20 0.56 5081 1.00
beta[5,9] 0.19 0.72 12686 1.00
beta[5,10] 0.11 0.44 11152 1.00
beta[5,11] 0.22 0.65 5881 1.00
beta[5,12] 0.00 0.36 4178 1.00
beta[6,1] 0.11 0.51 15565 1.00
beta[6,2] 1.89 2.98 4941 1.00
beta[6,3] 2.49 3.60 4097 1.00
beta[6,4] -0.19 0.08 6278 1.00
beta[6,5] -0.01 0.21 4193 1.00
beta[6,6] 0.03 0.28 8874 1.00
beta[6,7] 0.07 0.32 10588 1.00
beta[6,8] 0.11 0.38 10956 1.00
beta[6,9] 0.19 0.72 15089 1.00
beta[6,10] 0.12 0.47 10206 1.00
beta[6,11] 0.11 0.47 12245 1.00
beta[6,12] 0.14 0.62 14268 1.00
beta[7,1] 0.12 0.52 13466 1.00
beta[7,2] 0.29 1.20 15408 1.00
beta[7,3] 0.30 1.26 15757 1.00
beta[7,4] -0.06 0.26 8146 1.00
beta[7,5] 0.00 0.22 4778 1.00
beta[7,6] 0.00 0.22 4733 1.00
beta[7,7] 0.02 0.26 5930 1.00
beta[7,8] 0.04 0.28 4984 1.00
beta[7,9] 0.18 0.71 13779 1.00
beta[7,10] 0.12 0.48 11406 1.00
beta[7,11] 0.13 0.54 12893 1.00
beta[7,12] 0.13 0.62 14016 1.00
beta[8,1] 0.12 0.55 13519 1.00
beta[8,2] 0.47 1.49 18875 1.00
beta[8,3] 0.48 1.49 17612 1.00
beta[8,4] 0.14 0.57 15524 1.00
beta[8,5] 0.07 0.39 12329 1.00
beta[8,6] 0.08 0.43 12359 1.00
beta[8,7] 0.10 0.42 13732 1.00
beta[8,8] 0.11 0.46 13440 1.00
beta[8,9] 0.18 0.71 13498 1.00
beta[8,10] 0.12 0.46 13491 1.00
beta[8,11] 0.14 0.57 12100 1.00
beta[8,12] 0.14 0.65 11523 1.00
beta[9,1] 0.10 0.51 13598 1.00
beta[9,2] -0.05 0.67 9808 1.00
beta[9,3] -0.17 0.59 8908 1.00
beta[9,4] 0.16 0.50 9094 1.00
beta[9,5] 0.13 0.46 5996 1.00
beta[9,6] 0.18 0.55 3847 1.00
beta[9,7] 0.21 0.56 3526 1.00
beta[9,8] 0.21 0.58 4095 1.00
beta[9,9] 0.23 0.81 11066 1.00
beta[9,10] 0.12 0.48 12524 1.00
beta[9,11] 0.10 0.44 9208 1.00
beta[9,12] 0.17 0.69 14192 1.00
beta[10,1] 0.12 0.52 12294 1.00
beta[10,2] 0.29 1.23 14926 1.00
beta[10,3] 0.34 1.32 17121 1.00
beta[10,4] -0.03 0.30 7997 1.00
beta[10,5] 0.01 0.24 5599 1.00
beta[10,6] 0.01 0.24 5483 1.00
beta[10,7] 0.03 0.27 6379 1.00
beta[10,8] 0.05 0.28 5707 1.00
beta[10,9] 0.17 0.72 13880 1.00
beta[10,10] 0.12 0.47 14752 1.00
beta[10,11] 0.14 0.53 13054 1.00
beta[10,12] 0.13 0.65 13328 1.00
beta[11,1] 0.12 0.55 12198 1.00
beta[11,2] 0.37 1.35 15888 1.00
beta[11,3] 0.38 1.37 17542 1.00
beta[11,4] -0.07 0.23 7653 1.00
beta[11,5] 0.00 0.23 4900 1.00
beta[11,6] 0.01 0.23 4612 1.00
beta[11,7] 0.02 0.25 5813 1.00
beta[11,8] 0.04 0.28 4290 1.00
beta[11,9] 0.18 0.70 14809 1.00
beta[11,10] 0.12 0.47 12481 1.00
beta[11,11] 0.13 0.52 12471 1.00
beta[11,12] 0.14 0.65 13417 1.00
beta[12,1] 0.02 0.30 4181 1.00
beta[12,2] -0.04 0.75 12523 1.00
beta[12,3] 0.78 1.69 16471 1.00
beta[12,4] -0.02 0.28 10229 1.00
beta[12,5] 0.04 0.29 10577 1.00
beta[12,6] 0.10 0.42 9433 1.00
beta[12,7] 0.12 0.38 11004 1.00
beta[12,8] 0.15 0.46 9992 1.00
beta[12,9] 0.21 0.77 13831 1.00
beta[12,10] 0.12 0.50 12198 1.00
beta[12,11] 0.18 0.62 9984 1.00
beta[12,12] 0.04 0.42 6160 1.00
beta[13,1] 0.24 0.73 5521 1.00
beta[13,2] 1.28 1.91 8461 1.00
beta[13,3] -0.78 -0.19 7323 1.00
beta[13,4] 0.07 0.39 12260 1.00
beta[13,5] 0.04 0.28 11095 1.00
beta[13,6] 0.07 0.34 10900 1.00
beta[13,7] 0.11 0.39 11409 1.00
beta[13,8] 0.13 0.43 12074 1.00
beta[13,9] 0.13 0.57 14170 1.00
beta[13,10] 0.11 0.45 13294 1.00
beta[13,11] 0.25 0.71 4497 1.00
beta[13,12] -0.03 0.27 3169 1.00
beta[14,1] 0.13 0.56 13416 1.00
beta[14,2] 0.27 1.22 15202 1.00
beta[14,3] 0.28 1.20 15341 1.00
beta[14,4] 0.00 0.34 10135 1.00
beta[14,5] 0.03 0.27 5988 1.00
beta[14,6] 0.03 0.27 7944 1.00
beta[14,7] 0.05 0.29 8193 1.00
beta[14,8] 0.06 0.32 6469 1.00
beta[14,9] 0.17 0.71 14944 1.00
beta[14,10] 0.12 0.48 12708 1.00
beta[14,11] 0.14 0.55 13795 1.00
beta[14,12] 0.14 0.64 15079 1.00
beta[15,1] 0.13 0.55 13664 1.00
beta[15,2] 0.45 1.42 16743 1.00
beta[15,3] 0.48 1.56 17517 1.00
beta[15,4] 0.14 0.61 16833 1.00
beta[15,5] 0.07 0.39 12818 1.00
beta[15,6] 0.08 0.40 13092 1.00
beta[15,7] 0.10 0.41 14253 1.00
beta[15,8] 0.11 0.44 11935 1.00
beta[15,9] 0.18 0.71 15033 1.00
beta[15,10] 0.12 0.50 10851 1.00
beta[15,11] 0.14 0.56 13617 1.00
beta[15,12] 0.15 0.66 14027 1.00
beta[16,1] 0.13 0.54 12840 1.00
beta[16,2] 0.43 1.43 15978 1.00
beta[16,3] 0.49 1.55 17704 1.00
beta[16,4] 0.14 0.58 14752 1.00
beta[16,5] 0.07 0.39 12385 1.00
beta[16,6] 0.08 0.40 13233 1.00
beta[16,7] 0.10 0.42 11986 1.00
beta[16,8] 0.11 0.44 13483 1.00
beta[16,9] 0.17 0.69 14689 1.00
beta[16,10] 0.12 0.47 12499 1.00
beta[16,11] 0.14 0.56 13144 1.00
beta[16,12] 0.14 0.63 13453 1.00
beta[17,1] 0.12 0.54 13258 1.00
beta[17,2] 0.35 1.32 16819 1.00
beta[17,3] 0.37 1.38 16163 1.00
beta[17,4] -0.02 0.31 9159 1.00
beta[17,5] 0.01 0.24 5222 1.00
beta[17,6] 0.01 0.25 5242 1.00
beta[17,7] 0.03 0.27 6749 1.00
beta[17,8] 0.05 0.27 5509 1.00
beta[17,9] 0.17 0.72 15097 1.00
beta[17,10] 0.12 0.49 12285 1.00
beta[17,11] 0.14 0.53 14181 1.00
beta[17,12] 0.14 0.64 13948 1.00
beta[18,1] 0.13 0.55 13580 1.00
beta[18,2] 0.39 1.36 15194 1.00
beta[18,3] 0.38 1.41 16604 1.00
beta[18,4] 0.01 0.34 10418 1.00
beta[18,5] 0.02 0.27 6296 1.00
beta[18,6] 0.03 0.27 7151 1.00
beta[18,7] 0.05 0.30 8001 1.00
beta[18,8] 0.07 0.30 7229 1.00
beta[18,9] 0.17 0.68 14670 1.00
beta[18,10] 0.12 0.48 12019 1.00
beta[18,11] 0.14 0.57 12627 1.00
beta[18,12] 0.14 0.64 13332 1.00
beta[19,1] 0.12 0.54 13475 1.00
beta[19,2] 0.46 1.49 16734 1.00
beta[19,3] 0.48 1.55 16627 1.00
beta[19,4] 0.14 0.60 13288 1.00
beta[19,5] 0.07 0.39 11929 1.00
beta[19,6] 0.08 0.39 10890 1.00
beta[19,7] 0.10 0.40 13238 1.00
beta[19,8] 0.11 0.45 12875 1.00
beta[19,9] 0.18 0.70 13359 1.00
beta[19,10] 0.12 0.47 11265 1.00
beta[19,11] 0.14 0.53 13153 1.00
beta[19,12] 0.15 0.64 12440 1.00
beta[20,1] 0.12 0.55 13867 1.00
beta[20,2] 0.44 1.42 17023 1.00
beta[20,3] 0.49 1.54 19682 1.00
beta[20,4] 0.14 0.60 16576 1.00
beta[20,5] 0.07 0.40 9556 1.00
beta[20,6] 0.08 0.41 11590 1.00
beta[20,7] 0.10 0.42 12064 1.00
beta[20,8] 0.11 0.45 12371 1.00
beta[20,9] 0.19 0.72 14508 1.00
beta[20,10] 0.12 0.48 12739 1.00
beta[20,11] 0.15 0.56 13268 1.00
beta[20,12] 0.15 0.65 14082 1.00
beta[21,1] 0.13 0.54 14273 1.00
beta[21,2] 0.44 1.42 15392 1.00
beta[21,3] 0.47 1.51 17060 1.00
beta[21,4] 0.14 0.60 14768 1.00
beta[21,5] 0.07 0.38 10462 1.00
beta[21,6] 0.08 0.39 11525 1.00
beta[21,7] 0.10 0.42 12263 1.00
beta[21,8] 0.12 0.44 11992 1.00
beta[21,9] 0.18 0.71 13795 1.00
beta[21,10] 0.12 0.47 12407 1.00
beta[21,11] 0.14 0.54 13536 1.00
beta[21,12] 0.14 0.63 12557 1.00
beta[22,1] 0.13 0.55 14439 1.00
beta[22,2] 0.44 1.41 17042 1.00
beta[22,3] 0.47 1.49 17914 1.00
beta[22,4] 0.14 0.58 16496 1.00
beta[22,5] 0.07 0.39 12167 1.00
beta[22,6] 0.08 0.38 11677 1.00
beta[22,7] 0.10 0.41 12261 1.00
beta[22,8] 0.12 0.43 13715 1.00
beta[22,9] 0.17 0.69 15213 1.00
beta[22,10] 0.12 0.47 13583 1.00
beta[22,11] 0.14 0.56 13609 1.00
beta[22,12] 0.14 0.67 13718 1.00
mu_prior[1] 0.03 0.10 9883 1.00
mu_prior[2] 0.03 0.10 9881 1.00
mu_prior[3] 0.03 0.10 9723 1.00
mu_prior[4] 0.03 0.10 9840 1.00
mu_prior[5] 0.03 0.10 9844 1.00
mu_prior[6] 0.03 0.10 9343 1.00
mu_prior[7] 0.03 0.10 10006 1.00
mu_prior[8] 0.03 0.10 9959 1.00
mu_prior[9] 0.03 0.10 9657 1.00
mu_prior[10] 0.03 0.10 10005 1.00
mu_prior[11] 0.03 0.10 9935 1.00
mu_prior[12] 0.03 0.10 10114 1.00
sigma_prior[1] 0.25 0.44 10107 1.00
sigma_prior[2] 0.26 0.44 9707 1.00
sigma_prior[3] 0.26 0.44 9900 1.00
sigma_prior[4] 0.26 0.43 9702 1.00
sigma_prior[5] 0.25 0.43 10074 1.00
sigma_prior[6] 0.26 0.44 9912 1.00
sigma_prior[7] 0.25 0.43 9921 1.00
sigma_prior[8] 0.25 0.43 9686 1.00
sigma_prior[9] 0.26 0.44 9328 1.00
sigma_prior[10] 0.25 0.44 10026 1.00
sigma_prior[11] 0.25 0.43 9925 1.00
sigma_prior[12] 0.25 0.44 10120 1.00
p_prior[1] 0.99 1.00 10023 1.00
p_prior[2] 0.99 1.00 10031 1.00
p_prior[3] 0.99 1.00 10038 1.00
p_prior[4] 0.99 1.00 10054 1.00
p_prior[5] 0.99 1.00 10056 1.00
p_prior[6] 0.99 1.00 10058 1.00
p_prior[7] 0.99 1.00 10073 1.00
p_prior[8] 0.99 1.00 10079 1.00
p_prior[9] 0.99 1.00 9805 1.00
p_prior[10] 0.99 1.00 9805 1.00
p_prior[11] 0.98 1.00 9694 1.00
p_prior[12] 0.98 1.00 9713 1.00
p_prior[13] 0.98 1.00 9698 1.00
p_prior[14] 0.98 1.00 9697 1.00
p_prior[15] 0.98 1.00 9704 1.00
p_prior[16] 0.98 1.00 9709 1.00
p_prior[17] 0.98 1.00 9705 1.00
p_prior[18] 0.98 1.00 9704 1.00
p_prior[19] 0.98 1.00 9704 1.00
p_prior[20] 0.98 1.00 9703 1.00
p_prior[21] 0.99 1.00 10053 1.00
p_prior[22] 0.99 1.00 10085 1.00
p_prior[23] 0.99 1.00 9732 1.00
p_prior[24] 0.99 1.00 9729 1.00
p_prior[25] 0.99 1.00 9726 1.00
p_prior[26] 0.99 1.00 9772 1.00
p_prior[27] 0.99 1.00 9771 1.00
p_prior[28] 0.99 1.00 9770 1.00
p_prior[29] 0.99 1.00 9770 1.00
p_prior[30] 0.99 1.00 9773 1.00
p_prior[31] 0.99 1.00 9773 1.00
p_prior[32] 0.99 1.00 9772 1.00
p_prior[33] 0.99 1.00 9772 1.00
p_prior[34] 0.99 1.00 9771 1.00
p_prior[35] 0.99 1.00 9771 1.00
p_prior[36] 0.99 1.00 9770 1.00
p_prior[37] 0.99 1.00 9770 1.00
p_prior[38] 0.99 1.00 9775 1.00
p_prior[39] 0.99 1.00 9775 1.00
p_prior[40] 0.99 1.00 9795 1.00
p_prior[41] 0.99 1.00 9795 1.00
p_prior[42] 0.99 1.00 9795 1.00
p_prior[43] 0.99 1.00 9795 1.00
p_prior[44] 0.99 1.00 9795 1.00
p_prior[45] 0.99 1.00 9795 1.00
p_prior[46] 0.99 1.00 9795 1.00
p_prior[47] 0.99 1.00 9795 1.00
p_prior[48] 0.99 1.00 9796 1.00
p_prior[49] 0.99 1.00 9796 1.00
p_prior[50] 0.99 1.00 9829 1.00
p_prior[51] 0.99 1.00 9820 1.00
p_prior[52] 0.99 1.00 9818 1.00
p_prior[53] 0.98 1.00 9814 1.00
p_prior[54] 0.99 1.00 9796 1.00
p_prior[55] 0.98 1.00 9786 1.00
p_prior[56] 0.98 1.00 9783 1.00
p_prior[57] 0.99 1.00 9754 1.00
p_prior[58] 0.99 1.00 9842 1.00
p_prior[59] 0.99 1.00 9842 1.00
p_prior[60] 0.99 1.00 9842 1.00
p_prior[61] 0.99 1.00 9834 1.00
p_prior[62] 0.99 1.00 9826 1.00
p_prior[63] 0.99 1.00 9822 1.00
p_prior[64] 0.99 1.00 9818 1.00
p_prior[65] 0.99 1.00 9827 1.00
p_prior[66] 0.99 1.00 9802 1.00
p_prior[67] 0.99 1.00 9789 1.00
p_prior[68] 0.99 1.00 9783 1.00
p_prior[69] 0.99 1.00 9731 1.00
p_prior[70] 0.99 1.00 9746 1.00
p_prior[71] 0.98 1.00 9757 1.00
p_prior[72] 0.98 1.00 9757 1.00
p_prior[73] 0.98 1.00 9758 1.00
p_prior[74] 0.98 1.00 9758 1.00
p_prior[75] 0.98 1.00 9765 1.00
p_prior[76] 0.99 1.00 9859 1.00
p_prior[77] 0.99 1.00 9861 1.00
p_prior[78] 0.99 1.00 9861 1.00
p_prior[79] 0.99 1.00 9859 1.00
p_prior[80] 0.99 1.00 9861 1.00
p_prior[81] 0.99 1.00 9861 1.00
p_prior[82] 0.99 1.00 9859 1.00
p_prior[83] 0.99 1.00 9861 1.00
p_prior[84] 0.99 1.00 9861 1.00
p_prior[85] 0.99 1.00 9769 1.00
p_prior[86] 0.99 1.00 9775 1.00
p_prior[87] 0.99 1.00 9810 1.00
p_prior[88] 0.99 1.00 9788 1.00
p_prior[89] 0.99 1.00 9790 1.00
p_prior[90] 0.99 1.00 10135 1.00
p_prior[91] 0.99 1.00 10139 1.00
p_prior[92] 0.99 1.00 10144 1.00
p_prior[93] 0.99 1.00 10123 1.00
p_prior[94] 0.99 1.00 9853 1.00
p_prior[95] 0.99 1.00 9856 1.00
p_prior[96] 0.99 1.00 9862 1.00
p_prior[97] 0.99 1.00 9839 1.00
p_prior[98] 0.99 1.00 9844 1.00
p_prior[99] 0.99 1.00 9779 1.00
p_prior[100] 0.99 1.00 9779 1.00
p_prior[101] 0.99 1.00 9748 1.00
p_prior[102] 0.99 1.00 9741 1.00
p_prior[103] 0.99 1.00 9777 1.00
p_prior[104] 0.99 1.00 9949 1.00
p_prior[105] 0.99 1.00 9956 1.00
p_prior[106] 0.99 1.00 9956 1.00
p_prior[107] 0.99 1.00 9953 1.00
p_prior[108] 0.99 1.00 9953 1.00
p_prior[109] 0.99 1.00 9946 1.00
p_prior[110] 0.99 1.00 9945 1.00
p_prior[111] 0.99 1.00 9940 1.00
p_prior[112] 0.99 1.00 9941 1.00
p_prior[113] 0.99 1.00 9940 1.00
p_prior[114] 0.99 1.00 9937 1.00
p_prior[115] 0.99 1.00 9937 1.00
p_prior[116] 0.99 1.00 9935 1.00
p_prior[117] 0.98 1.00 9653 1.00
p_prior[118] 0.98 1.00 9649 1.00
p_prior[119] 0.98 1.00 9645 1.00
p_prior[120] 0.98 1.00 9668 1.00
p_prior[121] 0.98 1.00 9665 1.00
p_prior[122] 0.98 1.00 9688 1.00
p_prior[123] 0.98 1.00 9688 1.00
p_prior[124] 0.98 1.00 9684 1.00
p_prior[125] 0.98 1.00 9681 1.00
p_prior[126] 0.98 1.00 9680 1.00
p_prior[127] 0.98 1.00 9680 1.00
p_prior[128] 0.99 1.00 10136 1.00
p_prior[129] 0.99 1.00 10130 1.00
p_prior[130] 0.99 1.00 10136 1.00
p_prior[131] 0.99 1.00 10018 1.00
p_prior[132] 0.99 1.00 10017 1.00
p_prior[133] 0.99 1.00 10013 1.00
p_prior[134] 0.99 1.00 9972 1.00
p_prior[135] 0.99 1.00 9972 1.00
p_prior[136] 0.99 1.00 9792 1.00
p_prior[137] 0.99 1.00 9733 1.00
p_prior[138] 0.99 1.00 9733 1.00
p_prior[139] 0.99 1.00 9734 1.00
p_prior[140] 0.99 1.00 9728 1.00
p_prior[141] 0.99 1.00 9725 1.00
p_prior[142] 0.99 1.00 9772 1.00
p_prior[143] 0.99 1.00 9771 1.00
p_prior[144] 0.99 1.00 9771 1.00
p_prior[145] 0.99 1.00 9771 1.00
p_prior[146] 0.99 1.00 9771 1.00
p_prior[147] 0.99 1.00 9770 1.00
p_prior[148] 0.99 1.00 9769 1.00
p_prior[149] 0.99 1.00 9769 1.00
p_prior[150] 0.99 1.00 9814 1.00
p_prior[151] 0.99 1.00 9783 1.00
p_prior[152] 0.99 1.00 9783 1.00
p_prior[153] 0.99 1.00 9737 1.00
p_prior[154] 0.99 1.00 9738 1.00
p_prior[155] 0.99 1.00 9776 1.00
p_prior[156] 0.99 1.00 9774 1.00
p_prior[157] 0.99 1.00 9736 1.00
p_prior[158] 0.99 1.00 9772 1.00
p_prior[159] 0.99 1.00 9730 1.00
p_prior[160] 0.99 1.00 9717 1.00
p_prior[161] 0.99 1.00 9717 1.00
p_prior[162] 0.99 1.00 9716 1.00
p_prior[163] 0.61 0.83 9585 1.00
p_prior[164] 0.61 0.83 9585 1.00
p_prior[165] 0.62 0.84 9862 1.00
p_prior[166] 0.62 0.84 9862 1.00
p_prior[167] 0.62 0.84 9873 1.00
p_prior[168] 0.62 0.84 9873 1.00
p_prior[169] 0.63 0.85 9855 1.00
p_prior[170] 0.63 0.85 9855 1.00
p_prior[171] 0.99 1.00 9745 1.00
p_prior[172] 0.99 1.00 9742 1.00
p_prior[173] 0.99 1.00 9785 1.00
p_prior[174] 0.98 1.00 9775 1.00
p_prior[175] 0.99 1.00 9843 1.00
p_prior[176] 0.99 1.00 9842 1.00
p_prior[177] 0.99 1.00 9835 1.00
p_prior[178] 0.99 1.00 9817 1.00
p_prior[179] 0.99 1.00 9833 1.00
p_prior[180] 0.99 1.00 9825 1.00
p_prior[181] 0.99 1.00 9821 1.00
p_prior[182] 0.99 1.00 9810 1.00
p_prior[183] 0.99 1.00 9807 1.00
p_prior[184] 0.99 1.00 9794 1.00
p_prior[185] 0.99 1.00 9780 1.00
p_prior[186] 0.99 1.00 9778 1.00
p_prior[187] 0.99 1.00 9837 1.00
p_prior[188] 0.99 1.00 9837 1.00
p_prior[189] 0.99 1.00 9827 1.00
p_prior[190] 0.98 1.00 9819 1.00
p_prior[191] 0.98 1.00 9815 1.00
p_prior[192] 0.98 1.00 9820 1.00
p_prior[193] 0.99 1.00 9815 1.00
p_prior[194] 0.98 1.00 9805 1.00
p_prior[195] 0.98 1.00 9804 1.00
p_prior[196] 0.98 1.00 9802 1.00
p_prior[197] 0.99 1.00 9837 1.00
p_prior[198] 0.99 1.00 9837 1.00
p_prior[199] 0.99 1.00 9836 1.00
p_prior[200] 0.99 1.00 9827 1.00
p_prior[201] 0.98 1.00 9815 1.00
p_prior[202] 0.98 1.00 9801 1.00
p_prior[203] 0.98 1.00 9793 1.00
p_prior[204] 0.98 1.00 9805 1.00
p_prior[205] 0.99 1.00 9899 1.00
p_prior[206] 0.99 1.00 9879 1.00
p_prior[207] 0.99 1.00 9879 1.00
p_prior[208] 0.99 1.00 9774 1.00
p_prior[209] 0.99 1.00 9763 1.00
p_prior[210] 0.99 1.00 9770 1.00
p_prior[211] 0.99 1.00 9770 1.00
p_prior[212] 0.99 1.00 9772 1.00
p_prior[213] 0.99 1.00 9752 1.00
p_prior[214] 0.99 1.00 9752 1.00
p_prior[215] 0.99 1.00 9752 1.00
p_prior[216] 0.99 1.00 9861 1.00
p_prior[217] 0.99 1.00 9863 1.00
p_prior[218] 0.99 1.00 9865 1.00
p_prior[219] 0.99 1.00 9842 1.00
p_prior[220] 0.99 1.00 9846 1.00
p_prior[221] 0.99 1.00 9863 1.00
p_prior[222] 0.99 1.00 9866 1.00
p_prior[223] 0.99 1.00 9843 1.00
p_prior[224] 0.99 1.00 9847 1.00
p_prior[225] 0.99 1.00 9847 1.00
p_prior[226] 0.99 1.00 10143 1.00
p_prior[227] 0.99 1.00 10168 1.00
p_prior[228] 0.99 1.00 10167 1.00
p_prior[229] 0.99 1.00 10173 1.00
p_prior[230] 0.99 1.00 10170 1.00
p_prior[231] 0.99 1.00 9847 1.00
p_prior[232] 0.99 1.00 9838 1.00
p_prior[233] 0.99 1.00 9826 1.00
p_prior[234] 0.99 1.00 9794 1.00
p_prior[235] 0.99 1.00 9792 1.00
p_prior[236] 0.99 1.00 9876 1.00
p_prior[237] 0.99 1.00 9876 1.00
p_prior[238] 0.99 1.00 9903 1.00
p_prior[239] 0.99 1.00 9903 1.00
p_prior[240] 0.99 1.00 9817 1.00
p_prior[241] 0.99 1.00 9817 1.00
p_prior[242] 0.99 1.00 9817 1.00
p_prior[243] 0.99 1.00 9817 1.00
p_prior[244] 0.99 1.00 9817 1.00
p_prior[245] 0.99 1.00 9817 1.00
p_prior[246] 0.99 1.00 9765 1.00
p_prior[247] 0.99 1.00 9765 1.00
p_prior[248] 0.99 1.00 9765 1.00
p_prior[249] 0.99 1.00 9764 1.00
p_prior[250] 0.99 1.00 9764 1.00
p_prior[251] 0.99 1.00 9764 1.00
p_prior[252] 0.99 1.00 9763 1.00
p_prior[253] 0.99 1.00 9763 1.00
p_prior[254] 0.99 1.00 9763 1.00
p_prior[255] 0.99 1.00 9763 1.00
p_prior[256] 0.99 1.00 9763 1.00
p_prior[257] 0.99 1.00 9763 1.00
p_prior[258] 0.99 1.00 9804 1.00
p_prior[259] 0.99 1.00 9804 1.00
p_prior[260] 0.99 1.00 9804 1.00
p_prior[261] 0.99 1.00 9803 1.00
p_prior[262] 0.99 1.00 9803 1.00
p_prior[263] 0.99 1.00 9803 1.00
p_prior[264] 0.99 1.00 9803 1.00
p_prior[265] 0.99 1.00 9803 1.00
p_prior[266] 0.99 1.00 9803 1.00
p_prior[267] 0.99 1.00 9806 1.00
p_prior[268] 0.99 1.00 9806 1.00
p_prior[269] 0.99 1.00 9806 1.00
p_prior[270] 0.99 1.00 9806 1.00
p_prior[271] 0.99 1.00 9806 1.00
p_prior[272] 0.99 1.00 9806 1.00
p_prior[273] 0.99 1.00 9603 1.00
p_prior[274] 0.99 1.00 9603 1.00
p_prior[275] 0.99 1.00 9602 1.00
p_prior[276] 0.99 1.00 9602 1.00
p_prior[277] 0.99 1.00 9602 1.00
p_prior[278] 0.99 1.00 9602 1.00
p_prior[279] 0.99 1.00 9602 1.00
p_prior[280] 0.99 1.00 9602 1.00
p_prior[281] 0.99 1.00 9595 1.00
p_prior[282] 0.99 1.00 9595 1.00
p_prior[283] 0.99 1.00 9617 1.00
p_prior[284] 0.99 1.00 9617 1.00
p_prior[285] 0.99 1.00 9588 1.00
p_prior[286] 0.99 1.00 9588 1.00
p_prior[287] 0.99 1.00 9586 1.00
p_prior[288] 0.99 1.00 9586 1.00
p_prior[289] 0.99 1.00 9586 1.00
p_prior[290] 0.99 1.00 9586 1.00
p_prior[291] 0.99 1.00 9585 1.00
p_prior[292] 0.99 1.00 9585 1.00
p_prior[293] 0.99 1.00 9585 1.00
p_prior[294] 0.99 1.00 9585 1.00
p_prior[295] 0.99 1.00 9584 1.00
p_prior[296] 0.99 1.00 9584 1.00
p_prior[297] 0.99 1.00 9584 1.00
p_prior[298] 0.99 1.00 9584 1.00
p_prior[299] 0.99 1.00 9585 1.00
p_prior[300] 0.99 1.00 9585 1.00
p_prior[301] 0.99 1.00 9584 1.00
p_prior[302] 0.99 1.00 9584 1.00
p_prior[303] 0.99 1.00 9584 1.00
p_prior[304] 0.99 1.00 9584 1.00
p_prior[305] 0.99 1.00 9583 1.00
p_prior[306] 0.99 1.00 9583 1.00
p_prior[307] 0.99 1.00 9583 1.00
p_prior[308] 0.99 1.00 9583 1.00
p_prior[309] 0.99 1.00 9583 1.00
p_prior[310] 0.99 1.00 9583 1.00
p_prior[311] 0.99 1.00 9582 1.00
p_prior[312] 0.99 1.00 9582 1.00
p_prior[313] 0.99 1.00 9581 1.00
p_prior[314] 0.99 1.00 9581 1.00
p_prior[315] 0.99 1.00 9581 1.00
p_prior[316] 0.99 1.00 9581 1.00
p_prior[317] 0.99 1.00 9610 1.00
p_prior[318] 0.99 1.00 9610 1.00
p_prior[319] 0.99 1.00 9610 1.00
p_prior[320] 0.99 1.00 9610 1.00
p_prior[321] 0.99 1.00 9776 1.00
p_prior[322] 0.99 1.00 9799 1.00
p_prior[323] 0.98 1.00 9793 1.00
p_prior[324] 0.99 1.00 9788 1.00
p_prior[325] 0.98 1.00 9778 1.00
p_prior[326] 0.99 1.00 9779 1.00
p_prior[327] 0.98 1.00 9768 1.00
p_prior[328] 0.99 1.00 9720 1.00
p_prior[329] 0.98 1.00 9745 1.00
p_prior[330] 0.99 1.00 9720 1.00
p_prior[331] 0.98 1.00 9740 1.00
p_prior[332] 0.99 1.00 9716 1.00
p_prior[333] 0.98 1.00 9739 1.00
p_prior[334] 0.98 1.00 9690 1.00
p_prior[335] 0.98 1.00 9685 1.00
p_prior[336] 0.98 1.00 9672 1.00
p_prior[337] 0.98 1.00 9674 1.00
p_prior[338] 0.98 1.00 9671 1.00
p_prior[339] 0.98 1.00 9670 1.00
p_prior[340] 0.98 1.00 9665 1.00
p_prior[341] 0.98 1.00 9700 1.00
p_prior[342] 0.99 1.00 9806 1.00
p_prior[343] 0.99 1.00 9806 1.00
p_prior[344] 0.99 1.00 9765 1.00
p_prior[345] 0.99 1.00 9765 1.00
p_prior[346] 0.57 0.71 10018 1.00
p_prior[347] 0.57 0.71 10018 1.00
p_prior[348] 0.57 0.72 9964 1.00
p_prior[349] 0.57 0.72 9964 1.00
p_prior[350] 0.99 1.00 10002 1.00
p_prior[351] 1.00 1.00 10014 1.00
p_prior[352] 0.99 1.00 9999 1.00
p_prior[353] 1.00 1.00 10006 1.00
p_prior[354] 0.99 1.00 10039 1.00
p_prior[355] 1.00 1.00 10039 1.00
p_prior[356] 0.99 1.00 10068 1.00
p_prior[357] 1.00 1.00 10062 1.00
p_prior[358] 0.99 1.00 10108 1.00
p_prior[359] 1.00 1.00 10106 1.00
p_prior[360] 0.99 1.00 10110 1.00
p_prior[361] 1.00 1.00 10108 1.00
p_prior[362] 0.99 1.00 10119 1.00
p_prior[363] 1.00 1.00 10116 1.00
p_prior[364] 0.99 1.00 9751 1.00
p_prior[365] 0.99 1.00 9751 1.00
p_prior[366] 0.99 1.00 9751 1.00
p_prior[367] 0.99 1.00 9753 1.00
p_prior[368] 0.99 1.00 9753 1.00
p_prior[369] 0.99 1.00 9753 1.00
p_prior[370] 0.99 1.00 9752 1.00
p_prior[371] 0.99 1.00 9752 1.00
p_prior[372] 0.99 1.00 9752 1.00
p_prior[373] 0.99 1.00 9788 1.00
p_prior[374] 0.99 1.00 9788 1.00
p_prior[375] 0.99 1.00 9788 1.00
p_prior[376] 0.99 1.00 9788 1.00
p_prior[377] 0.99 1.00 9788 1.00
p_prior[378] 0.99 1.00 9788 1.00
p_prior[379] 0.99 1.00 9788 1.00
p_prior[380] 0.99 1.00 9788 1.00
p_prior[381] 0.99 1.00 9788 1.00
p_prior[382] 0.99 1.00 9788 1.00
p_prior[383] 0.99 1.00 9788 1.00
p_prior[384] 0.99 1.00 9788 1.00
p_prior[385] 0.99 1.00 9788 1.00
p_prior[386] 0.99 1.00 9788 1.00
p_prior[387] 0.99 1.00 9788 1.00
p_prior[388] 0.99 1.00 9788 1.00
p_prior[389] 0.99 1.00 9788 1.00
p_prior[390] 0.99 1.00 9788 1.00
p_prior[391] 0.99 1.00 9788 1.00
p_prior[392] 0.99 1.00 9788 1.00
p_prior[393] 0.99 1.00 9788 1.00
p_prior[394] 0.99 1.00 9788 1.00
p_prior[395] 0.99 1.00 9788 1.00
p_prior[396] 0.99 1.00 9788 1.00
p_prior[397] 0.99 1.00 9788 1.00
p_prior[398] 0.99 1.00 9788 1.00
p_prior[399] 0.99 1.00 9788 1.00
p_prior[400] 0.99 1.00 9788 1.00
p_prior[401] 0.99 1.00 9788 1.00
p_prior[402] 0.99 1.00 9788 1.00
p_prior[403] 0.99 1.00 9788 1.00
p_prior[404] 0.99 1.00 9788 1.00
p_prior[405] 0.99 1.00 9788 1.00
p_prior[406] 1.00 1.00 10128 1.00
p_prior[407] 1.00 1.00 10128 1.00
p_prior[408] 1.00 1.00 10128 1.00
p_prior[409] 1.00 1.00 10132 1.00
p_prior[410] 0.99 1.00 9799 1.00
p_prior[411] 0.99 1.00 9779 1.00
p_prior[412] 0.99 1.00 9779 1.00
p_prior[413] 0.99 1.00 9779 1.00
p_prior[414] 0.99 1.00 9779 1.00
p_prior[415] 0.99 1.00 9780 1.00
p_prior[416] 0.99 1.00 9798 1.00
p_prior[417] 0.99 1.00 9779 1.00
p_prior[418] 0.99 1.00 9804 1.00
p_prior[419] 0.99 1.00 9779 1.00
p_prior[420] 0.99 1.00 9805 1.00
p_prior[421] 0.99 1.00 9805 1.00
p_prior[422] 0.99 1.00 9791 1.00
p_prior[423] 0.99 1.00 9774 1.00
p_prior[424] 0.99 1.00 9773 1.00
p_prior[425] 0.99 1.00 9772 1.00
p_prior[426] 0.99 1.00 9760 1.00
p_prior[427] 0.99 1.00 9762 1.00
p_prior[428] 0.99 1.00 9752 1.00
p_prior[429] 0.98 1.00 9730 1.00
p_prior[430] 0.98 1.00 9724 1.00
p_prior[431] 0.98 1.00 9770 1.00
p_prior[432] 0.98 1.00 9770 1.00
p_prior[433] 0.98 1.00 9773 1.00
p_prior[434] 0.98 1.00 9767 1.00
p_prior[435] 0.98 1.00 9767 1.00
p_prior[436] 0.98 1.00 9767 1.00
p_prior[437] 0.98 1.00 9767 1.00
p_prior[438] 0.99 1.00 9792 1.00
p_prior[439] 0.99 1.00 9733 1.00
p_prior[440] 0.99 1.00 9731 1.00
p_prior[441] 0.99 1.00 9731 1.00
p_prior[442] 0.99 1.00 9730 1.00
p_prior[443] 0.99 1.00 9727 1.00
p_prior[444] 0.99 1.00 9729 1.00
p_prior[445] 0.99 1.00 9774 1.00
p_prior[446] 0.99 1.00 9773 1.00
p_prior[447] 0.99 1.00 9726 1.00
p_prior[448] 0.99 1.00 9772 1.00
p_prior[449] 0.99 1.00 9772 1.00
p_prior[450] 0.99 1.00 9771 1.00
p_prior[451] 0.99 1.00 9770 1.00
p_prior[452] 0.99 1.00 9720 1.00
p_prior[453] 0.99 1.00 9770 1.00
p_prior[454] 0.99 1.00 9770 1.00
p_prior[455] 0.99 1.00 9770 1.00
p_prior[456] 0.99 1.00 9791 1.00
p_prior[457] 0.99 1.00 9734 1.00
p_prior[458] 0.99 1.00 9729 1.00
p_prior[459] 0.99 1.00 9726 1.00
p_prior[460] 0.99 1.00 9725 1.00
p_prior[461] 0.99 1.00 9725 1.00
p_prior[462] 0.99 1.00 9771 1.00
p_prior[463] 0.99 1.00 9771 1.00
p_prior[464] 0.99 1.00 9770 1.00
p_prior[465] 0.58 0.74 9811 1.00
p_prior[466] 0.58 0.74 10046 1.00
p_prior[467] 0.58 0.75 10015 1.00
p_prior[468] 0.58 0.74 10029 1.00
p_prior[469] 0.58 0.75 9856 1.00
p_prior[470] 0.58 0.74 9843 1.00
p_prior[471] 0.58 0.75 9850 1.00
p_prior[472] 0.58 0.75 9858 1.00
p_prior[473] 0.60 0.79 9846 1.00
p_prior[474] 0.61 0.80 9853 1.00
p_prior[475] 0.62 0.83 9855 1.00
p_prior[476] 0.62 0.84 9849 1.00
p_prior[477] 0.99 1.00 9790 1.00
p_prior[478] 0.99 1.00 9761 1.00
p_prior[479] 0.99 1.00 9761 1.00
p_prior[480] 0.99 1.00 9798 1.00
p_prior[481] 0.99 1.00 9798 1.00
p_prior[482] 0.99 1.00 9798 1.00
p_prior[483] 0.99 1.00 9798 1.00
p_prior[484] 0.99 1.00 9798 1.00
p_prior[485] 0.99 1.00 9798 1.00
p_prior[486] 0.99 1.00 9798 1.00
p_prior[487] 0.99 1.00 10133 1.00
p_prior[488] 0.99 1.00 10133 1.00
p_prior[489] 0.99 1.00 10133 1.00
p_prior[490] 0.99 1.00 10133 1.00
p_prior[491] 0.99 1.00 10142 1.00
p_prior[492] 0.99 1.00 10142 1.00
p_prior[493] 0.99 1.00 10135 1.00
p_prior[494] 0.99 1.00 10135 1.00
p_prior[495] 0.99 1.00 10137 1.00
p_prior[496] 0.99 1.00 10137 1.00
p_prior[497] 0.58 0.74 9813 1.00
p_prior[498] 0.58 0.74 10048 1.00
p_prior[499] 0.58 0.75 9847 1.00
p_prior[500] 0.58 0.75 9854 1.00
p_prior[501] 0.58 0.75 9859 1.00
p_prior[502] 0.58 0.75 9861 1.00
p_prior[503] 0.58 0.75 9865 1.00
p_prior[504] 0.60 0.78 9841 1.00
p_prior[505] 0.60 0.79 9849 1.00
p_prior[506] 0.61 0.82 9856 1.00
p_prior[507] 0.62 0.83 9853 1.00
p_prior[508] 0.99 1.00 10010 1.00
p_prior[509] 0.99 1.00 10014 1.00
p_prior[510] 0.99 1.00 10011 1.00
p_prior[511] 0.99 1.00 10010 1.00
p_prior[512] 0.99 1.00 10006 1.00
p_prior[513] 0.99 1.00 9974 1.00
p_prior[514] 0.99 1.00 9971 1.00
p_prior[515] 0.99 1.00 9972 1.00
p_prior[516] 0.99 1.00 9972 1.00
p_prior[517] 0.99 1.00 9971 1.00
p_prior[518] 0.99 1.00 9999 1.00
p_prior[519] 0.98 1.00 9767 1.00
p_prior[520] 0.98 1.00 9767 1.00
p_prior[521] 0.99 1.00 9767 1.00
p_prior[522] 0.99 1.00 9767 1.00
p_prior[523] 0.99 1.00 9767 1.00
p_prior[524] 0.99 1.00 9765 1.00
p_prior[525] 0.99 1.00 9765 1.00
p_prior[526] 0.99 1.00 9765 1.00
p_prior[527] 0.99 1.00 9772 1.00
p_prior[528] 0.99 1.00 9772 1.00
p_prior[529] 0.99 1.00 9772 1.00
p_prior[530] 0.99 1.00 9771 1.00
p_prior[531] 0.99 1.00 9771 1.00
p_prior[532] 0.99 1.00 9771 1.00
p_prior[533] 0.99 1.00 9808 1.00
p_prior[534] 0.99 1.00 9808 1.00
p_prior[535] 0.99 1.00 9808 1.00
p_prior[536] 0.99 1.00 9780 1.00
p_prior[537] 0.99 1.00 9780 1.00
p_prior[538] 0.99 1.00 9780 1.00
p_prior[539] 0.99 1.00 9779 1.00
p_prior[540] 0.99 1.00 9779 1.00
p_prior[541] 0.99 1.00 9779 1.00
p_prior[542] 0.99 1.00 9796 1.00
p_prior[543] 0.99 1.00 9796 1.00
p_prior[544] 0.99 1.00 9796 1.00
p_prior[545] 0.99 1.00 9795 1.00
p_prior[546] 0.99 1.00 9795 1.00
p_prior[547] 0.99 1.00 9795 1.00
p_prior[548] 0.99 1.00 9602 1.00
p_prior[549] 0.99 1.00 9602 1.00
p_prior[550] 0.99 1.00 9602 1.00
p_prior[551] 0.99 1.00 9595 1.00
p_prior[552] 0.99 1.00 9588 1.00
p_prior[553] 0.99 1.00 9586 1.00
p_prior[554] 0.99 1.00 9586 1.00
p_prior[555] 0.99 1.00 9584 1.00
p_prior[556] 0.99 1.00 9585 1.00
p_prior[557] 0.99 1.00 9584 1.00
p_prior[558] 0.99 1.00 9584 1.00
p_prior[559] 0.99 1.00 9583 1.00
p_prior[560] 0.99 1.00 9582 1.00
p_prior[561] 0.99 1.00 9584 1.00
p_prior[562] 0.99 1.00 9584 1.00
p_prior[563] 0.99 1.00 9582 1.00
p_prior[564] 0.99 1.00 9580 1.00
p_prior[565] 0.99 1.00 9580 1.00
p_prior[566] 0.99 1.00 9579 1.00
p_prior[567] 0.99 1.00 9799 1.00
p_prior[568] 0.99 1.00 9812 1.00
p_prior[569] 0.99 1.00 9817 1.00
p_prior[570] 0.99 1.00 9819 1.00
p_prior[571] 0.99 1.00 9843 1.00
p_prior[572] 1.00 1.00 10019 1.00
p_prior[573] 1.00 1.00 10107 1.00
p_prior[574] 1.00 1.00 10126 1.00
p_prior[575] 0.99 1.00 10128 1.00
p_prior[576] 0.99 1.00 10130 1.00
p_prior[577] 0.99 1.00 10126 1.00
p_prior[578] 0.99 1.00 9791 1.00
p_prior[579] 0.99 1.00 9733 1.00
p_prior[580] 0.99 1.00 9725 1.00
p_prior[581] 0.99 1.00 9771 1.00
p_prior[582] 0.99 1.00 9769 1.00
p_prior[583] 0.99 1.00 10032 1.00
p_prior[584] 1.00 1.00 10040 1.00
p_prior[585] 0.99 1.00 10035 1.00
p_prior[586] 1.00 1.00 10034 1.00
p_prior[587] 0.99 1.00 10022 1.00
p_prior[588] 1.00 1.00 10023 1.00
p_prior[589] 0.99 1.00 10029 1.00
p_prior[590] 1.00 1.00 10028 1.00
p_prior[591] 0.99 1.00 10070 1.00
p_prior[592] 1.00 1.00 10073 1.00
p_prior[593] 0.57 0.71 10096 1.00
p_prior[594] 0.57 0.71 10015 1.00
p_prior[595] 0.57 0.71 10008 1.00
p_prior[596] 0.57 0.71 10000 1.00
p_prior[597] 0.57 0.72 9971 1.00
p_prior[598] 0.57 0.72 9949 1.00
p_prior[599] 0.59 0.76 9884 1.00
p_prior[600] 0.59 0.76 9889 1.00
p_prior[601] 0.60 0.78 9900 1.00
p_prior[602] 0.61 0.82 9891 1.00
p_prior[603] 0.99 1.00 9670 1.00
p_prior[604] 0.99 1.00 9670 1.00
p_prior[605] 0.99 1.00 9653 1.00
p_prior[606] 0.99 1.00 9653 1.00
p_prior[607] 0.99 1.00 9650 1.00
p_prior[608] 0.99 1.00 9650 1.00
p_prior[609] 0.99 1.00 9681 1.00
p_prior[610] 0.99 1.00 9681 1.00
p_prior[611] 0.99 1.00 9686 1.00
p_prior[612] 0.99 1.00 9686 1.00
p_prior[613] 0.56 0.70 9909 1.00
p_prior[614] 0.56 0.70 9909 1.00
p_prior[615] 0.57 0.71 9918 1.00
p_prior[616] 0.99 1.00 10035 1.00
p_prior[617] 0.99 1.00 10037 1.00
p_prior[618] 0.99 1.00 9739 1.00
p_prior[619] 0.99 1.00 9712 1.00
p_prior[620] 0.99 1.00 9707 1.00
p_prior[621] 0.99 1.00 9669 1.00
p_prior[622] 0.99 1.00 10134 1.00
p_prior[623] 0.99 1.00 10153 1.00
p_prior[624] 0.99 1.00 10154 1.00
p_prior[625] 0.99 1.00 10135 1.00
p_prior[626] 0.99 1.00 9800 1.00
p_prior[627] 0.99 1.00 9775 1.00
p_prior[628] 0.99 1.00 9810 1.00
p_prior[629] 0.99 1.00 9810 1.00
p_prior[630] 0.99 1.00 9810 1.00
p_prior[631] 0.99 1.00 9807 1.00
p_prior[632] 0.99 1.00 10029 1.00
p_prior[633] 1.00 1.00 10037 1.00
p_prior[634] 0.99 1.00 10025 1.00
p_prior[635] 1.00 1.00 10028 1.00
p_prior[636] 0.99 1.00 10039 1.00
p_prior[637] 1.00 1.00 10039 1.00
p_prior[638] 0.99 1.00 10037 1.00
p_prior[639] 1.00 1.00 10037 1.00
p_prior[640] 0.99 1.00 10088 1.00
p_prior[641] 1.00 1.00 10089 1.00
p_prior[642] 0.99 1.00 10105 1.00
p_prior[643] 1.00 1.00 10105 1.00
p_prior[644] 0.99 1.00 10102 1.00
p_prior[645] 1.00 1.00 10102 1.00
p_prior[646] 0.97 1.00 9843 1.00
p_prior[647] 0.97 1.00 9843 1.00
p_prior[648] 0.97 1.00 9832 1.00
p_prior[649] 0.97 1.00 9832 1.00
p_prior[650] 0.97 1.00 9816 1.00
p_prior[651] 0.97 1.00 9816 1.00
p_prior[652] 0.99 1.00 9831 1.00
p_prior[653] 0.99 1.00 9831 1.00
p_prior[654] 0.99 1.00 9823 1.00
p_prior[655] 0.99 1.00 9823 1.00
p_prior[656] 0.99 1.00 9812 1.00
p_prior[657] 0.99 1.00 9812 1.00
p_prior[658] 0.99 1.00 9801 1.00
p_prior[659] 0.99 1.00 9801 1.00
p_prior[660] 0.99 1.00 9793 1.00
p_prior[661] 0.99 1.00 9793 1.00
p_prior[662] 0.99 1.00 9790 1.00
p_prior[663] 0.99 1.00 9790 1.00
p_prior[664] 0.99 1.00 9739 1.00
p_prior[665] 0.99 1.00 9739 1.00
p_prior[666] 0.99 1.00 9711 1.00
p_prior[667] 0.99 1.00 9722 1.00
p_prior[668] 0.99 1.00 9716 1.00
p_prior[669] 0.99 1.00 9715 1.00
p_prior[670] 0.99 1.00 9711 1.00
p_prior[671] 0.99 1.00 9721 1.00
p_prior[672] 0.99 1.00 9692 1.00
p_prior[673] 0.99 1.00 9690 1.00
p_prior[674] 0.99 1.00 9690 1.00
p_prior[675] 0.99 1.00 9690 1.00
p_prior[676] 0.99 1.00 9689 1.00
p_prior[677] 0.99 1.00 9689 1.00
p_prior[678] 0.99 1.00 9687 1.00
p_prior[679] 0.99 1.00 9686 1.00
p_prior[680] 0.99 1.00 9685 1.00
p_prior[681] 0.99 1.00 9685 1.00
p_prior[682] 0.99 1.00 9684 1.00
p_prior[683] 0.99 1.00 9683 1.00
p_prior[684] 0.99 1.00 9683 1.00
p_prior[685] 0.99 1.00 10139 1.00
p_prior[686] 0.99 1.00 10132 1.00
p_prior[687] 0.99 1.00 10139 1.00
p_prior[688] 0.99 1.00 10160 1.00
p_prior[689] 0.99 1.00 10150 1.00
p_prior[690] 0.99 1.00 10160 1.00
p_prior[691] 0.99 1.00 10163 1.00
p_prior[692] 0.99 1.00 10153 1.00
p_prior[693] 0.99 1.00 10163 1.00
p_prior[694] 0.99 1.00 10171 1.00
p_prior[695] 0.99 1.00 10160 1.00
p_prior[696] 0.99 1.00 10171 1.00
p_prior[697] 0.99 1.00 10146 1.00
p_prior[698] 0.99 1.00 10139 1.00
p_prior[699] 0.99 1.00 10146 1.00
p_prior[700] 0.99 1.00 10146 1.00
p_prior[701] 0.99 1.00 10139 1.00
p_prior[702] 0.99 1.00 10146 1.00
p_prior[703] 0.99 1.00 10149 1.00
p_prior[704] 0.99 1.00 10141 1.00
p_prior[705] 0.99 1.00 10149 1.00
p_prior[706] 0.99 1.00 9765 1.00
p_prior[707] 0.99 1.00 9804 1.00
p_prior[708] 0.58 0.74 9810 1.00
p_prior[709] 0.58 0.74 10048 1.00
p_prior[710] 0.58 0.74 10048 1.00
p_prior[711] 0.58 0.74 10043 1.00
p_prior[712] 0.58 0.74 10036 1.00
p_prior[713] 0.58 0.74 9832 1.00
p_prior[714] 0.58 0.75 9848 1.00
p_prior[715] 0.59 0.77 9808 1.00
p_prior[716] 0.60 0.79 9849 1.00
p_prior[717] 1.00 1.00 9794 1.00
p_prior[718] 1.00 1.00 9817 1.00
p_prior[719] 1.00 1.00 9825 1.00
p_prior[720] 1.00 1.00 9826 1.00
p_prior[721] 1.00 1.00 9831 1.00
p_prior[722] 1.00 1.00 9831 1.00
p_prior[723] 1.00 1.00 9833 1.00
p_prior[724] 1.00 1.00 9839 1.00
p_prior[725] 1.00 1.00 9846 1.00
p_prior[726] 0.99 1.00 10033 1.00
p_prior[727] 0.99 1.00 10041 1.00
p_prior[728] 0.99 1.00 10107 1.00
p_prior[729] 0.99 1.00 9862 1.00
p_prior[730] 0.99 1.00 9859 1.00
p_prior[731] 0.99 1.00 9846 1.00
p_prior[732] 0.99 1.00 9868 1.00
p_prior[733] 0.99 1.00 9867 1.00
p_prior[734] 0.99 1.00 9854 1.00
p_prior[735] 0.99 1.00 9845 1.00
p_prior[736] 0.99 1.00 9842 1.00
p_prior[737] 0.99 1.00 9868 1.00
p_prior[738] 0.99 1.00 9868 1.00
p_prior[739] 0.99 1.00 10160 1.00
p_prior[740] 0.99 1.00 10160 1.00
p_prior[741] 0.99 1.00 10166 1.00
p_prior[742] 0.99 1.00 10156 1.00
p_prior[743] 0.99 1.00 10163 1.00
p_prior[744] 0.99 1.00 10147 1.00
p_prior[745] 0.99 1.00 10164 1.00
p_prior[746] 0.99 1.00 10162 1.00
p_prior[747] 0.99 1.00 10129 1.00
p_prior[748] 0.99 1.00 9854 1.00
p_prior[749] 0.99 1.00 9864 1.00
p_prior[750] 0.99 1.00 9861 1.00
p_prior[751] 0.99 1.00 9867 1.00
p_prior[752] 0.99 1.00 9870 1.00
p_prior[753] 0.99 1.00 9881 1.00
p_prior[754] 0.99 1.00 10182 1.00
p_prior[755] 0.99 1.00 10182 1.00
p_prior[756] 0.99 1.00 10185 1.00
p_prior[757] 0.99 1.00 10188 1.00
p_prior[758] 0.99 1.00 10198 1.00
p_prior[759] 0.99 1.00 10193 1.00
p_prior[760] 0.99 1.00 10194 1.00
p_prior[761] 0.99 1.00 10194 1.00
p_prior[762] 0.99 1.00 10195 1.00
p_prior[763] 0.99 1.00 10199 1.00
p_prior[764] 0.99 1.00 10200 1.00
p_prior[765] 0.99 1.00 10163 1.00
p_prior[766] 0.99 1.00 10182 1.00
p_prior[767] 0.99 1.00 10185 1.00
p_prior[768] 0.99 1.00 10203 1.00
p_prior[769] 0.99 1.00 10199 1.00
p_prior[770] 0.99 1.00 10193 1.00
p_prior[771] 0.99 1.00 10195 1.00
p_prior[772] 0.99 1.00 10197 1.00
p_prior[773] 0.99 1.00 10197 1.00
p_prior[774] 0.99 1.00 10160 1.00
p_prior[775] 0.99 1.00 10160 1.00
p_prior[776] 0.99 1.00 10163 1.00
p_prior[777] 0.99 1.00 10182 1.00
p_prior[778] 0.99 1.00 10183 1.00
p_prior[779] 0.99 1.00 10194 1.00
p_prior[780] 0.99 1.00 10198 1.00
p_prior[781] 0.99 1.00 10200 1.00
p_prior[782] 0.99 1.00 10199 1.00
p_prior[783] 0.99 1.00 10162 1.00
p_prior[784] 0.99 1.00 10163 1.00
p_prior[785] 0.99 1.00 10166 1.00
p_prior[786] 0.99 1.00 10166 1.00
p_prior[787] 0.56 0.68 10166 1.00
p_prior[788] 0.56 0.68 10165 1.00
p_prior[789] 0.56 0.68 10164 1.00
p_prior[790] 0.56 0.68 10166 1.00
p_prior[791] 0.56 0.68 9841 1.00
p_prior[792] 0.56 0.68 9856 1.00
p_prior[793] 0.56 0.68 9856 1.00
p_prior[794] 0.56 0.68 9859 1.00
p_prior[795] 1.00 1.00 9813 1.00
p_prior[796] 1.00 1.00 9818 1.00
p_prior[797] 1.00 1.00 9820 1.00
p_prior[798] 1.00 1.00 9822 1.00
p_prior[799] 1.00 1.00 9828 1.00
p_prior[800] 1.00 1.00 9832 1.00
p_prior[801] 1.00 1.00 9842 1.00
p_prior[802] 1.00 1.00 9842 1.00
p_prior[803] 0.99 1.00 9602 1.00
p_prior[804] 0.99 1.00 9594 1.00
p_prior[805] 0.99 1.00 9602 1.00
p_prior[806] 0.99 1.00 9594 1.00
p_prior[807] 0.99 1.00 9586 1.00
p_prior[808] 0.99 1.00 9584 1.00
p_prior[809] 0.99 1.00 9613 1.00
p_prior[810] 0.99 1.00 9583 1.00
p_prior[811] 0.99 1.00 9583 1.00
p_prior[812] 0.99 1.00 9580 1.00
p_prior[813] 0.99 1.00 9580 1.00
p_prior[814] 0.99 1.00 9745 1.00
p_prior[815] 0.99 1.00 9716 1.00
p_prior[816] 0.99 1.00 9716 1.00
p_prior[817] 0.99 1.00 9707 1.00
p_prior[818] 0.99 1.00 9685 1.00
p_prior[819] 0.99 1.00 9701 1.00
p_prior[820] 0.99 1.00 9689 1.00
p_prior[821] 0.99 1.00 9682 1.00
p_prior[822] 0.99 1.00 9685 1.00
p_prior[823] 0.99 1.00 9673 1.00
p_prior[824] 0.99 1.00 10189 1.00
p_prior[825] 0.99 1.00 10172 1.00
p_prior[826] 1.00 1.00 10061 1.00
p_prior[827] 1.00 1.00 10056 1.00
p_prior[828] 1.00 1.00 10113 1.00
p_prior[829] 1.00 1.00 10124 1.00
p_prior[830] 1.00 1.00 10126 1.00
p_prior[831] 1.00 1.00 10128 1.00
p_prior[832] 0.98 1.00 9807 1.00
p_prior[833] 0.62 0.82 9549 1.00
p_prior[834] 0.98 1.00 9792 1.00
p_prior[835] 0.62 0.83 9559 1.00
p_prior[836] 0.98 1.00 9792 1.00
p_prior[837] 0.61 0.83 9550 1.00
p_prior[838] 0.98 1.00 9792 1.00
p_prior[839] 0.61 0.83 9556 1.00
p_prior[840] 0.98 1.00 9792 1.00
p_prior[841] 0.63 0.85 9630 1.00
p_prior[842] 0.98 1.00 9792 1.00
p_prior[843] 0.63 0.85 9618 1.00
p_prior[844] 0.98 1.00 9791 1.00
p_prior[845] 0.63 0.85 9728 1.00
p_prior[846] 0.98 1.00 9747 1.00
p_prior[847] 0.63 0.85 9849 1.00
p_prior[848] 0.98 1.00 9745 1.00
p_prior[849] 0.64 0.86 9890 1.00
p_prior[850] 0.98 1.00 9745 1.00
p_prior[851] 0.64 0.86 9898 1.00
p_prior[852] 0.98 1.00 9737 1.00
p_prior[853] 0.65 0.88 9899 1.00
p_prior[854] 0.57 0.71 10086 1.00
p_prior[855] 0.57 0.71 10090 1.00
p_prior[856] 0.57 0.72 10093 1.00
p_prior[857] 0.57 0.72 10093 1.00
p_prior[858] 0.57 0.72 10092 1.00
p_prior[859] 0.57 0.72 10088 1.00
p_prior[860] 0.57 0.72 9766 1.00
p_prior[861] 0.58 0.73 9787 1.00
p_prior[862] 0.58 0.74 9798 1.00
p_prior[863] 0.58 0.73 9791 1.00
p_prior[864] 0.58 0.73 9787 1.00
p_prior[865] 0.57 0.73 9782 1.00
p_prior[866] 0.99 1.00 9799 1.00
p_prior[867] 0.99 1.00 9812 1.00
p_prior[868] 0.99 1.00 9820 1.00
p_prior[869] 0.99 1.00 9821 1.00
p_prior[870] 0.99 1.00 9843 1.00
p_prior[871] 0.99 1.00 9844 1.00
p_prior[872] 0.98 1.00 9714 1.00
p_prior[873] 0.98 1.00 9753 1.00
p_prior[874] 0.98 1.00 9761 1.00
p_prior[875] 0.98 1.00 9762 1.00
p_prior[876] 0.99 1.00 9832 1.00
p_prior[877] 0.99 1.00 9824 1.00
p_prior[878] 0.99 1.00 9815 1.00
p_prior[879] 0.99 1.00 9795 1.00
p_prior[880] 0.99 1.00 9784 1.00
p_prior[881] 0.99 1.00 10184 1.00
p_prior[882] 0.99 1.00 10189 1.00
p_prior[883] 0.99 1.00 10189 1.00
p_prior[884] 0.99 1.00 10194 1.00
p_prior[885] 0.99 1.00 10198 1.00
p_prior[886] 0.99 1.00 10195 1.00
p_prior[887] 0.99 1.00 10186 1.00
p_prior[888] 0.99 1.00 10185 1.00
p_prior[889] 0.99 1.00 10187 1.00
p_prior[890] 0.99 1.00 10188 1.00
p_prior[891] 0.99 1.00 10194 1.00
p_prior[892] 0.99 1.00 10157 1.00
p_prior[893] 0.99 1.00 10147 1.00
p_prior[894] 0.99 1.00 10158 1.00
p_prior[895] 0.99 1.00 10127 1.00
p_prior[896] 0.99 1.00 10130 1.00
p_prior[897] 0.58 0.74 9810 1.00
p_prior[898] 0.58 0.74 10047 1.00
p_prior[899] 0.59 0.77 9808 1.00
p_prior[900] 0.59 0.77 9822 1.00
p_prior[901] 0.60 0.78 9837 1.00
p_prior[902] 0.60 0.79 9852 1.00
p_prior[903] 0.98 1.00 9737 1.00
p_prior[904] 0.98 1.00 9734 1.00
p_prior[905] 0.98 1.00 9776 1.00
p_prior[906] 0.98 1.00 9775 1.00
p_prior[907] 0.98 1.00 9775 1.00
p_prior[908] 0.99 1.00 10137 1.00
p_prior[909] 0.99 1.00 10132 1.00
p_prior[910] 0.99 1.00 10137 1.00
p_prior[911] 0.99 1.00 10145 1.00
p_prior[912] 0.99 1.00 10137 1.00
p_prior[913] 0.99 1.00 10145 1.00
p_prior[914] 0.99 1.00 10136 1.00
p_prior[915] 0.99 1.00 10129 1.00
p_prior[916] 0.99 1.00 10136 1.00
p_prior[917] 0.99 1.00 10151 1.00
p_prior[918] 0.99 1.00 10142 1.00
p_prior[919] 0.99 1.00 10151 1.00
p_prior[920] 0.98 1.00 9815 1.00
p_prior[921] 0.98 1.00 9750 1.00
p_prior[922] 0.98 1.00 9750 1.00
p_prior[923] 0.98 1.00 9751 1.00
p_prior[924] 0.99 1.00 9772 1.00
p_prior[925] 0.99 1.00 9798 1.00
p_prior[926] 0.99 1.00 9743 1.00
p_prior[927] 0.99 1.00 9742 1.00
p_prior[928] 0.99 1.00 10183 1.00
p_prior[929] 0.99 1.00 10183 1.00
p_prior[930] 0.99 1.00 10180 1.00
p_prior[931] 0.99 1.00 10183 1.00
p_prior[932] 0.99 1.00 10184 1.00
p_prior[933] 0.99 1.00 10189 1.00
p_prior[934] 0.99 1.00 10190 1.00
p_prior[935] 0.99 1.00 10199 1.00
p_prior[936] 0.99 1.00 10195 1.00
p_prior[937] 0.99 1.00 10196 1.00
p_prior[938] 0.99 1.00 10201 1.00
p_prior[939] 0.99 1.00 10204 1.00
p_prior[940] 0.99 1.00 9766 1.00
p_prior[941] 0.99 1.00 9765 1.00
p_prior[942] 0.99 1.00 9805 1.00
p_prior[943] 0.99 1.00 9803 1.00
p_prior[944] 0.99 1.00 9803 1.00
p_prior[945] 0.99 1.00 9803 1.00
p_prior[946] 0.97 1.00 9833 1.00
p_prior[947] 0.97 1.00 9833 1.00
p_prior[948] 0.97 1.00 9833 1.00
p_prior[949] 0.97 1.00 9832 1.00
p_prior[950] 0.97 1.00 9832 1.00
p_prior[951] 0.97 1.00 9832 1.00
p_prior[952] 0.97 1.00 9829 1.00
p_prior[953] 0.97 1.00 9829 1.00
p_prior[954] 0.97 1.00 9829 1.00
p_prior[955] 0.97 1.00 9810 1.00
p_prior[956] 0.97 1.00 9810 1.00
p_prior[957] 0.97 1.00 9810 1.00
p_prior[958] 0.97 1.00 9837 1.00
p_prior[959] 0.97 1.00 9837 1.00
p_prior[960] 0.97 1.00 9837 1.00
p_prior[961] 0.97 1.00 9833 1.00
p_prior[962] 0.97 1.00 9833 1.00
p_prior[963] 0.97 1.00 9833 1.00
p_prior[964] 0.97 1.00 9832 1.00
p_prior[965] 0.97 1.00 9832 1.00
p_prior[966] 0.97 1.00 9832 1.00
p_prior[967] 0.97 1.00 9826 1.00
p_prior[968] 0.97 1.00 9826 1.00
p_prior[969] 0.97 1.00 9826 1.00
p_prior[970] 0.97 1.00 9817 1.00
p_prior[971] 0.97 1.00 9817 1.00
p_prior[972] 0.97 1.00 9817 1.00
p_prior[973] 0.99 1.00 10178 1.00
p_prior[974] 0.99 1.00 10183 1.00
p_prior[975] 0.99 1.00 10183 1.00
p_prior[976] 0.99 1.00 10184 1.00
p_prior[977] 0.99 1.00 10180 1.00
p_prior[978] 0.99 1.00 10183 1.00
p_prior[979] 0.99 1.00 10186 1.00
p_prior[980] 0.99 1.00 10189 1.00
p_prior[981] 0.99 1.00 10203 1.00
p_prior[982] 0.99 1.00 10203 1.00
p_prior[983] 0.99 1.00 10199 1.00
p_prior[984] 0.99 1.00 10195 1.00
p_prior[985] 0.99 1.00 10197 1.00
p_prior[986] 0.99 1.00 10201 1.00
p_prior[987] 0.99 1.00 10204 1.00
p_prior[988] 0.99 1.00 10165 1.00
p_prior[989] 0.99 1.00 9814 1.00
p_prior[990] 0.99 1.00 9838 1.00
p_prior[991] 0.99 1.00 9843 1.00
p_prior[992] 0.99 1.00 10149 1.00
p_prior[993] 0.99 1.00 10094 1.00
p_prior[994] 0.99 1.00 10109 1.00
p_prior[995] 0.99 1.00 10140 1.00
p_prior[996] 0.99 1.00 10147 1.00
p_prior[997] 0.99 1.00 10162 1.00
p_prior[998] 0.99 1.00 10163 1.00
p_prior[999] 0.99 1.00 10166 1.00
p_prior[1000] 0.99 1.00 10127 1.00
p_prior[1001] 0.99 1.00 10132 1.00
p_prior[1002] 0.99 1.00 10132 1.00
p_prior[1003] 0.99 1.00 10130 1.00
p_prior[1004] 0.99 1.00 10143 1.00
p_prior[1005] 0.99 1.00 10122 1.00
p_prior[1006] 0.99 1.00 10131 1.00
p_prior[1007] 0.99 1.00 10123 1.00
p_prior[1008] 0.99 1.00 9717 1.00
p_prior[1009] 0.99 1.00 9684 1.00
p_prior[1010] 0.99 1.00 9673 1.00
p_prior[1011] 0.99 1.00 9746 1.00
p_prior[1012] 0.99 1.00 9715 1.00
p_prior[1013] 0.99 1.00 9680 1.00
p_prior[1014] 0.99 1.00 9677 1.00
p_prior[1015] 0.99 1.00 9675 1.00
p_prior[1016] 0.99 1.00 9624 1.00
p_prior[1017] 0.99 1.00 9648 1.00
p_prior[1018] 0.99 1.00 9641 1.00
p_prior[1019] 0.99 1.00 9637 1.00
p_prior[1020] 0.99 1.00 9631 1.00
p_prior[1021] 0.99 1.00 9627 1.00
p_prior[1022] 0.99 1.00 9626 1.00
p_prior[1023] 0.99 1.00 9745 1.00
p_prior[1024] 0.99 1.00 9716 1.00
p_prior[1025] 0.99 1.00 9703 1.00
p_prior[1026] 0.99 1.00 9676 1.00
p_prior[1027] 0.99 1.00 9675 1.00
p_prior[1028] 0.99 1.00 9652 1.00
p_prior[1029] 0.99 1.00 9645 1.00
p_prior[1030] 0.99 1.00 9643 1.00
p_prior[1031] 0.99 1.00 9637 1.00
p_prior[1032] 0.99 1.00 9633 1.00
p_prior[1033] 0.99 1.00 9628 1.00
p_prior[1034] 1.00 1.00 9834 1.00
p_prior[1035] 0.99 1.00 9815 1.00
p_prior[1036] 1.00 1.00 9827 1.00
p_prior[1037] 0.99 1.00 9809 1.00
p_prior[1038] 1.00 1.00 9817 1.00
p_prior[1039] 0.99 1.00 9800 1.00
p_prior[1040] 1.00 1.00 9817 1.00
p_prior[1041] 0.99 1.00 9800 1.00
p_prior[1042] 1.00 1.00 9815 1.00
p_prior[1043] 0.99 1.00 9797 1.00
p_prior[1044] 1.00 1.00 9812 1.00
p_prior[1045] 0.99 1.00 9795 1.00
p_prior[1046] 1.00 1.00 9806 1.00
p_prior[1047] 0.99 1.00 9786 1.00
p_prior[1048] 0.98 1.00 9915 1.00
p_prior[1049] 0.98 1.00 9915 1.00
p_prior[1050] 0.98 1.00 9910 1.00
p_prior[1051] 0.98 1.00 9910 1.00
p_prior[1052] 0.98 1.00 9907 1.00
p_prior[1053] 0.98 1.00 9907 1.00
p_prior[1054] 0.98 1.00 9906 1.00
p_prior[1055] 0.98 1.00 9906 1.00
p_prior[1056] 0.98 1.00 9876 1.00
p_prior[1057] 0.98 1.00 9876 1.00
p_prior[1058] 0.98 1.00 9914 1.00
p_prior[1059] 0.98 1.00 9911 1.00
p_prior[1060] 0.98 1.00 9910 1.00
p_prior[1061] 0.98 1.00 9907 1.00
p_prior[1062] 0.98 1.00 9907 1.00
p_prior[1063] 0.98 1.00 9909 1.00
p_prior[1064] 0.98 1.00 9907 1.00
p_prior[1065] 0.98 1.00 9878 1.00
p_prior[1066] 0.98 1.00 9876 1.00
p_prior[1067] 0.99 1.00 10019 1.00
p_prior[1068] 0.99 1.00 10017 1.00
p_prior[1069] 0.99 1.00 9974 1.00
p_prior[1070] 0.97 1.00 9817 1.00
p_prior[1071] 0.97 1.00 9817 1.00
p_prior[1072] 0.97 1.00 9801 1.00
p_prior[1073] 0.97 1.00 9801 1.00
p_prior[1074] 0.97 1.00 9808 1.00
p_prior[1075] 0.97 1.00 9808 1.00
p_prior[1076] 0.97 1.00 9805 1.00
p_prior[1077] 0.97 1.00 9805 1.00
p_prior[1078] 0.97 1.00 9799 1.00
p_prior[1079] 0.97 1.00 9799 1.00
p_prior[1080] 0.59 0.76 9790 1.00
p_prior[1081] 0.59 0.77 10043 1.00
p_prior[1082] 0.59 0.77 9792 1.00
p_prior[1083] 0.59 0.77 9801 1.00
p_prior[1084] 0.59 0.77 9821 1.00
p_prior[1085] 0.60 0.78 9843 1.00
p_prior[1086] 0.60 0.79 9845 1.00
p_prior[1087] 0.99 1.00 9849 1.00
p_prior[1088] 0.99 1.00 9848 1.00
p_prior[1089] 0.99 1.00 9850 1.00
p_prior[1090] 0.99 1.00 9848 1.00
p_prior[1091] 0.99 1.00 9836 1.00
p_prior[1092] 0.99 1.00 9847 1.00
p_prior[1093] 0.99 1.00 9836 1.00
p_prior[1094] 0.99 1.00 9845 1.00
p_prior[1095] 0.98 1.00 9837 1.00
p_prior[1096] 0.99 1.00 9837 1.00
p_prior[1097] 0.99 1.00 9834 1.00
p_prior[1098] 0.98 1.00 9828 1.00
p_prior[1099] 0.98 1.00 9831 1.00
p_prior[1100] 0.98 1.00 9828 1.00
p_prior[1101] 0.99 1.00 9824 1.00
p_prior[1102] 0.98 1.00 9739 1.00
p_prior[1103] 0.98 1.00 9739 1.00
p_prior[1104] 0.98 1.00 9737 1.00
p_prior[1105] 0.98 1.00 9784 1.00
p_prior[1106] 0.98 1.00 9773 1.00
p_prior[1107] 0.98 1.00 9741 1.00
p_prior[1108] 0.98 1.00 9740 1.00
p_prior[1109] 0.98 1.00 9740 1.00
p_prior[1110] 0.98 1.00 9777 1.00
p_prior[1111] 0.98 1.00 9775 1.00
p_prior[1112] 0.57 0.71 10084 1.00
p_prior[1113] 0.57 0.71 10088 1.00
p_prior[1114] 0.57 0.72 10093 1.00
p_prior[1115] 0.57 0.72 9761 1.00
p_prior[1116] 0.57 0.72 9765 1.00
p_prior[1117] 0.57 0.73 9782 1.00
p_prior[1118] 0.58 0.73 9786 1.00
p_prior[1119] 0.57 0.73 9775 1.00
p_prior[1120] 0.58 0.73 9783 1.00
p_prior[1121] 0.57 0.72 9772 1.00
p_prior[1122] 0.58 0.73 9790 1.00
p_prior[1123] 0.97 1.00 9851 1.00
p_prior[1124] 0.97 1.00 9834 1.00
p_prior[1125] 0.97 1.00 9828 1.00
p_prior[1126] 0.97 1.00 9826 1.00
p_prior[1127] 0.97 1.00 9813 1.00
p_prior[1128] 0.99 1.00 10115 1.00
p_prior[1129] 0.99 1.00 9804 1.00
p_prior[1130] 0.99 1.00 9837 1.00
p_prior[1131] 0.99 1.00 10151 1.00
p_prior[1132] 0.99 1.00 10144 1.00
p_prior[1133] 0.99 1.00 10151 1.00
p_prior[1134] 0.99 1.00 10142 1.00
p_prior[1135] 0.99 1.00 10136 1.00
p_prior[1136] 0.99 1.00 10142 1.00
p_prior[1137] 0.99 1.00 10172 1.00
p_prior[1138] 0.99 1.00 10162 1.00
p_prior[1139] 0.99 1.00 10172 1.00
p_prior[1140] 0.99 1.00 10149 1.00
p_prior[1141] 0.99 1.00 10142 1.00
p_prior[1142] 0.99 1.00 10149 1.00
p_prior[1143] 0.99 1.00 10147 1.00
p_prior[1144] 0.99 1.00 10139 1.00
p_prior[1145] 0.99 1.00 10147 1.00
p_prior[1146] 0.99 1.00 10149 1.00
p_prior[1147] 0.99 1.00 10141 1.00
p_prior[1148] 0.99 1.00 10149 1.00
p_prior[1149] 0.99 1.00 10143 1.00
p_prior[1150] 0.99 1.00 10136 1.00
p_prior[1151] 0.99 1.00 10143 1.00
p_prior[1152] 0.99 1.00 10156 1.00
p_prior[1153] 0.99 1.00 10147 1.00
p_prior[1154] 0.99 1.00 10156 1.00
p_prior[1155] 0.98 1.00 9938 1.00
p_prior[1156] 0.98 1.00 9968 1.00
p_prior[1157] 0.98 1.00 9967 1.00
p_prior[1158] 0.98 1.00 9960 1.00
p_prior[1159] 0.98 1.00 9931 1.00
p_prior[1160] 0.98 1.00 9925 1.00
p_prior[1161] 0.99 1.00 10143 1.00
p_prior[1162] 0.99 1.00 10135 1.00
p_prior[1163] 0.99 1.00 10143 1.00
p_prior[1164] 0.99 1.00 10137 1.00
p_prior[1165] 0.99 1.00 10130 1.00
p_prior[1166] 0.99 1.00 10137 1.00
p_prior[1167] 0.99 1.00 10155 1.00
p_prior[1168] 0.99 1.00 10145 1.00
p_prior[1169] 0.99 1.00 10155 1.00
p_prior[1170] 1.00 1.00 10083 1.00
p_prior[1171] 1.00 1.00 10036 1.00
p_prior[1172] 1.00 1.00 10036 1.00
p_prior[1173] 1.00 1.00 10032 1.00
p_prior[1174] 1.00 1.00 10074 1.00
p_prior[1175] 0.63 0.85 9397 1.00
p_prior[1176] 0.63 0.86 9474 1.00
p_prior[1177] 0.64 0.87 9850 1.00
p_prior[1178] 0.64 0.87 9721 1.00
p_prior[1179] 0.64 0.87 9866 1.00
p_prior[1180] 0.65 0.88 9890 1.00
p_prior[1181] 0.65 0.88 9898 1.00
p_prior[1182] 0.99 1.00 10175 1.00
p_prior[1183] 0.99 1.00 10168 1.00
p_prior[1184] 0.99 1.00 10165 1.00
p_prior[1185] 0.99 1.00 9716 1.00
p_prior[1186] 0.99 1.00 9678 1.00
p_prior[1187] 0.99 1.00 9672 1.00
p_prior[1188] 0.99 1.00 9669 1.00
p_prior[1189] 0.99 1.00 9634 1.00
p_prior[1190] 0.99 1.00 9716 1.00
p_prior[1191] 0.99 1.00 9678 1.00
p_prior[1192] 0.99 1.00 9675 1.00
p_prior[1193] 0.99 1.00 9672 1.00
p_prior[1194] 0.99 1.00 9642 1.00
p_prior[1195] 0.99 1.00 9863 1.00
p_prior[1196] 0.99 1.00 9863 1.00
p_prior[1197] 0.99 1.00 9875 1.00
p_prior[1198] 0.99 1.00 9854 1.00
p_prior[1199] 0.99 1.00 9848 1.00
p_prior[1200] 0.99 1.00 9847 1.00
p_prior[1201] 0.99 1.00 9847 1.00
p_prior[1202] 0.99 1.00 9849 1.00
p_prior[1203] 0.99 1.00 9880 1.00
p_prior[1204] 0.99 1.00 9865 1.00
p_prior[1205] 1.00 1.00 9799 1.00
p_prior[1206] 1.00 1.00 9832 1.00
p_prior[1207] 0.99 1.00 9749 1.00
p_prior[1208] 0.99 1.00 9750 1.00
p_prior[1209] 0.99 1.00 9724 1.00
p_prior[1210] 0.99 1.00 9680 1.00
p_prior[1211] 0.99 1.00 9673 1.00
p_prior[1212] 0.99 1.00 9641 1.00
p_prior[1213] 0.97 1.00 9847 1.00
p_prior[1214] 0.97 1.00 9843 1.00
p_prior[1215] 0.97 1.00 9822 1.00
p_prior[1216] 0.97 1.00 9822 1.00
p_prior[1217] 0.97 1.00 9816 1.00
p_prior[1218] 0.99 1.00 10068 1.00
p_prior[1219] 0.99 1.00 10102 1.00
p_prior[1220] 0.99 1.00 10112 1.00
p_prior[1221] 0.99 1.00 10146 1.00
p_prior[1222] 0.99 1.00 10147 1.00
p_prior[1223] 0.99 1.00 10146 1.00
p_prior[1224] 0.99 1.00 10147 1.00
p_prior[1225] 0.99 1.00 9864 1.00
p_prior[1226] 0.99 1.00 9868 1.00
p_prior[1227] 0.99 1.00 9862 1.00
p_prior[1228] 0.99 1.00 9866 1.00
p_prior[1229] 0.56 0.68 10162 1.00
p_prior[1230] 0.56 0.68 10162 1.00
p_prior[1231] 0.56 0.68 10165 1.00
p_prior[1232] 0.56 0.68 10165 1.00
p_prior[1233] 0.56 0.68 10158 1.00
p_prior[1234] 0.56 0.68 10158 1.00
p_prior[1235] 0.56 0.68 9869 1.00
p_prior[1236] 0.56 0.68 9869 1.00
p_prior[1237] 0.56 0.69 9900 1.00
p_prior[1238] 0.56 0.69 9900 1.00
p_prior[1239] 0.57 0.70 9913 1.00
p_prior[1240] 0.57 0.70 9913 1.00
p_prior[1241] 0.57 0.70 9911 1.00
p_prior[1242] 0.57 0.70 9911 1.00
p_prior[1243] 0.57 0.70 9914 1.00
p_prior[1244] 0.57 0.70 9914 1.00
p_prior[1245] 0.99 1.00 10150 1.00
p_prior[1246] 0.99 1.00 10144 1.00
p_prior[1247] 0.99 1.00 10150 1.00
p_prior[1248] 0.99 1.00 10156 1.00
p_prior[1249] 0.99 1.00 10149 1.00
p_prior[1250] 0.99 1.00 10156 1.00
p_prior[1251] 0.99 1.00 10162 1.00
p_prior[1252] 0.99 1.00 10154 1.00
p_prior[1253] 0.99 1.00 10162 1.00
p_prior[1254] 0.99 1.00 10169 1.00
p_prior[1255] 0.99 1.00 10160 1.00
p_prior[1256] 0.99 1.00 10169 1.00
p_prior[1257] 0.99 1.00 10171 1.00
p_prior[1258] 0.99 1.00 10162 1.00
p_prior[1259] 0.99 1.00 10171 1.00
p_prior[1260] 0.99 1.00 10145 1.00
p_prior[1261] 0.99 1.00 10139 1.00
p_prior[1262] 0.99 1.00 10145 1.00
p_prior[1263] 0.99 1.00 9940 1.00
p_prior[1264] 0.99 1.00 9939 1.00
p_prior[1265] 0.99 1.00 9937 1.00
p_prior[1266] 0.99 1.00 9936 1.00
p_prior[1267] 0.99 1.00 9908 1.00
p_prior[1268] 0.99 1.00 10171 1.00
p_prior[1269] 0.99 1.00 10152 1.00
p_prior[1270] 0.98 1.00 9954 1.00
p_prior[1271] 0.98 1.00 9945 1.00
p_prior[1272] 0.98 1.00 9943 1.00
p_prior[1273] 0.98 1.00 9913 1.00
p_prior[1274] 0.99 1.00 9846 1.00
p_prior[1275] 0.99 1.00 9846 1.00
p_prior[1276] 0.99 1.00 9827 1.00
p_prior[1277] 0.99 1.00 9827 1.00
p_prior[1278] 0.98 1.00 9691 1.00
p_prior[1279] 0.98 1.00 9691 1.00
p_prior[1280] 0.98 1.00 9683 1.00
p_prior[1281] 0.98 1.00 9681 1.00
p_prior[1282] 0.98 1.00 9704 1.00
p_prior[1283] 0.98 1.00 9705 1.00
p_prior[1284] 0.98 1.00 9704 1.00
p_prior[1285] 0.98 1.00 9702 1.00
p_prior[1286] 0.98 1.00 9693 1.00
p_prior[1287] 0.98 1.00 9693 1.00
p_prior[1288] 0.98 1.00 9692 1.00
p_prior[1289] 0.98 1.00 9967 1.00
p_prior[1290] 0.98 1.00 9962 1.00
p_prior[1291] 0.98 1.00 9934 1.00
p_prior[1292] 0.98 1.00 9924 1.00
p_prior[1293] 0.99 1.00 10130 1.00
p_prior[1294] 0.99 1.00 10135 1.00
p_prior[1295] 0.99 1.00 10161 1.00
p_prior[1296] 0.99 1.00 10170 1.00
p_prior[1297] 0.99 1.00 10149 1.00
p_prior[1298] 0.97 1.00 9855 1.00
p_prior[1299] 0.97 1.00 9855 1.00
p_prior[1300] 0.97 1.00 9818 1.00
p_prior[1301] 0.97 1.00 9818 1.00
p_prior[1302] 0.97 1.00 9837 1.00
p_prior[1303] 0.97 1.00 9837 1.00
p_prior[1304] 0.97 1.00 9832 1.00
p_prior[1305] 0.97 1.00 9832 1.00
p_prior[1306] 0.97 1.00 9839 1.00
p_prior[1307] 0.97 1.00 9839 1.00
p_prior[1308] 0.97 1.00 9831 1.00
p_prior[1309] 0.97 1.00 9831 1.00
p_prior[1310] 0.97 1.00 9829 1.00
p_prior[1311] 0.97 1.00 9829 1.00
p_prior[1312] 0.98 1.00 9939 1.00
p_prior[1313] 0.98 1.00 9965 1.00
p_prior[1314] 0.98 1.00 9963 1.00
p_prior[1315] 0.98 1.00 9959 1.00
p_prior[1316] 0.98 1.00 9932 1.00
p_prior[1317] 0.98 1.00 9928 1.00
p_prior[1318] 0.98 1.00 9924 1.00
p_prior[1319] 0.98 1.00 9923 1.00
p_prior[1320] 0.98 1.00 9939 1.00
p_prior[1321] 0.98 1.00 9965 1.00
p_prior[1322] 0.98 1.00 9963 1.00
p_prior[1323] 0.98 1.00 9959 1.00
p_prior[1324] 0.98 1.00 9932 1.00
p_prior[1325] 0.98 1.00 9928 1.00
p_prior[1326] 0.98 1.00 9923 1.00
p_prior[1327] 0.97 1.00 9838 1.00
p_prior[1328] 0.97 1.00 9835 1.00
p_prior[1329] 0.97 1.00 9811 1.00
p_prior[1330] 0.98 1.00 9938 1.00
p_prior[1331] 0.98 1.00 9938 1.00
p_prior[1332] 0.98 1.00 9967 1.00
p_prior[1333] 0.98 1.00 9964 1.00
p_prior[1334] 0.98 1.00 9964 1.00
p_prior[1335] 0.98 1.00 9963 1.00
p_prior[1336] 0.98 1.00 9963 1.00
p_prior[1337] 0.98 1.00 9963 1.00
p_prior[1338] 0.98 1.00 9962 1.00
p_prior[1339] 0.98 1.00 9927 1.00
p_predicted[1] 0.26 0.37 9730 1.00
p_predicted[2] 0.26 0.36 9529 1.00
p_predicted[3] 0.26 0.36 9327 1.00
p_predicted[4] 0.23 0.34 7774 1.00
p_predicted[5] 0.23 0.34 7777 1.00
p_predicted[6] 0.23 0.34 7746 1.00
p_predicted[7] 0.23 0.35 7700 1.00
p_predicted[8] 0.23 0.35 7712 1.00
p_predicted[9] 0.51 0.61 5191 1.00
p_predicted[10] 0.52 0.62 5734 1.00
p_predicted[11] 0.04 0.12 7474 1.00
p_predicted[12] 0.04 0.11 7586 1.00
p_predicted[13] 0.04 0.11 7617 1.00
p_predicted[14] 0.04 0.11 7624 1.00
p_predicted[15] 0.04 0.10 7592 1.00
p_predicted[16] 0.07 0.15 8585 1.00
p_predicted[17] 0.07 0.15 8610 1.00
p_predicted[18] 0.07 0.15 8631 1.00
p_predicted[19] 0.07 0.15 8641 1.00
p_predicted[20] 0.07 0.15 8629 1.00
p_predicted[21] 0.12 0.24 10782 1.00
p_predicted[22] 0.12 0.23 10377 1.00
p_predicted[23] 0.31 0.38 5610 1.00
p_predicted[24] 0.29 0.36 7993 1.00
p_predicted[25] 0.27 0.33 6112 1.00
p_predicted[26] 0.22 0.28 5221 1.00
p_predicted[27] 0.21 0.26 6535 1.00
p_predicted[28] 0.20 0.25 6264 1.00
p_predicted[29] 0.19 0.25 5214 1.00
p_predicted[30] 0.38 0.44 5084 1.00
p_predicted[31] 0.38 0.44 5084 1.00
p_predicted[32] 0.37 0.43 5807 1.00
p_predicted[33] 0.37 0.43 5807 1.00
p_predicted[34] 0.35 0.41 4616 1.00
p_predicted[35] 0.35 0.41 4616 1.00
p_predicted[36] 0.34 0.41 3912 1.00
p_predicted[37] 0.34 0.41 3912 1.00
p_predicted[38] 0.24 0.29 3970 1.00
p_predicted[39] 0.24 0.29 3970 1.00
p_predicted[40] 0.17 0.21 6092 1.00
p_predicted[41] 0.17 0.21 6092 1.00
p_predicted[42] 0.17 0.21 6143 1.00
p_predicted[43] 0.17 0.21 6143 1.00
p_predicted[44] 0.17 0.21 6097 1.00
p_predicted[45] 0.17 0.21 6097 1.00
p_predicted[46] 0.17 0.21 6085 1.00
p_predicted[47] 0.17 0.21 6085 1.00
p_predicted[48] 0.17 0.21 5702 1.00
p_predicted[49] 0.17 0.21 5702 1.00
p_predicted[50] 0.14 0.25 4041 1.00
p_predicted[51] 0.10 0.17 7581 1.00
p_predicted[52] 0.10 0.17 7494 1.00
p_predicted[53] 0.10 0.17 7321 1.00
p_predicted[54] 0.08 0.12 7831 1.00
p_predicted[55] 0.08 0.12 8331 1.00
p_predicted[56] 0.07 0.13 8453 1.00
p_predicted[57] 0.07 0.14 9691 1.00
p_predicted[58] 0.08 0.16 4239 1.00
p_predicted[59] 0.08 0.16 4241 1.00
p_predicted[60] 0.08 0.16 4242 1.00
p_predicted[61] 0.06 0.10 8262 1.00
p_predicted[62] 0.06 0.10 7833 1.00
p_predicted[63] 0.05 0.08 8538 1.00
p_predicted[64] 0.05 0.08 8577 1.00
p_predicted[65] 0.05 0.08 8526 1.00
p_predicted[66] 0.04 0.07 8876 1.00
p_predicted[67] 0.04 0.07 9275 1.00
p_predicted[68] 0.04 0.08 9528 1.00
p_predicted[69] 0.04 0.11 10028 1.00
p_predicted[70] 0.04 0.09 10384 1.00
p_predicted[71] 0.20 0.28 6694 1.00
p_predicted[72] 0.19 0.27 7592 1.00
p_predicted[73] 0.19 0.26 7705 1.00
p_predicted[74] 0.18 0.26 7643 1.00
p_predicted[75] 0.15 0.23 3168 1.00
p_predicted[76] 0.71 0.82 9662 1.00
p_predicted[77] 0.70 0.82 9395 1.00
p_predicted[78] 0.70 0.82 9358 1.00
p_predicted[79] 0.71 0.82 9662 1.00
p_predicted[80] 0.70 0.82 9395 1.00
p_predicted[81] 0.70 0.82 9334 1.00
p_predicted[82] 0.71 0.82 9650 1.00
p_predicted[83] 0.70 0.82 9412 1.00
p_predicted[84] 0.70 0.82 9346 1.00
p_predicted[85] 0.69 0.78 8708 1.00
p_predicted[86] 0.48 0.56 7143 1.00
p_predicted[87] 0.41 0.50 4458 1.00
p_predicted[88] 0.20 0.25 4094 1.00
p_predicted[89] 0.19 0.24 5144 1.00
p_predicted[90] 0.33 0.52 7379 1.00
p_predicted[91] 0.33 0.52 7474 1.00
p_predicted[92] 0.33 0.52 7557 1.00
p_predicted[93] 0.26 0.45 6797 1.00
p_predicted[94] 0.71 0.84 9969 1.00
p_predicted[95] 0.70 0.82 9406 1.00
p_predicted[96] 0.66 0.79 9600 1.00
p_predicted[97] 0.48 0.66 8758 1.00
p_predicted[98] 0.48 0.65 8970 1.00
p_predicted[99] 0.17 0.26 2146 1.00
p_predicted[100] 0.17 0.26 2148 1.00
p_predicted[101] 0.20 0.27 5172 1.00
p_predicted[102] 0.17 0.23 8135 1.00
p_predicted[103] 0.13 0.18 4976 1.00
p_predicted[104] 0.00 0.02 9966 1.00
p_predicted[105] 0.00 0.02 10169 1.00
p_predicted[106] 0.00 0.02 10168 1.00
p_predicted[107] 0.00 0.02 10162 1.00
p_predicted[108] 0.00 0.02 10161 1.00
p_predicted[109] 0.00 0.02 10144 1.00
p_predicted[110] 0.00 0.02 10145 1.00
p_predicted[111] 0.00 0.02 9745 1.00
p_predicted[112] 0.00 0.02 9743 1.00
p_predicted[113] 0.00 0.02 9745 1.00
p_predicted[114] 0.00 0.02 9750 1.00
p_predicted[115] 0.00 0.02 9751 1.00
p_predicted[116] 0.00 0.02 9756 1.00
p_predicted[117] 0.01 0.04 8527 1.00
p_predicted[118] 0.01 0.04 8494 1.00
p_predicted[119] 0.01 0.04 8457 1.00
p_predicted[120] 0.01 0.03 8357 1.00
p_predicted[121] 0.01 0.03 8350 1.00
p_predicted[122] 0.01 0.03 8288 1.00
p_predicted[123] 0.01 0.03 8295 1.00
p_predicted[124] 0.01 0.03 8318 1.00
p_predicted[125] 0.01 0.03 8336 1.00
p_predicted[126] 0.01 0.03 8344 1.00
p_predicted[127] 0.01 0.03 8347 1.00
p_predicted[128] 0.13 0.22 8979 1.00
p_predicted[129] 0.10 0.20 8737 1.00
p_predicted[130] 0.13 0.22 8979 1.00
p_predicted[131] 0.00 0.06 10375 1.00
p_predicted[132] 0.00 0.06 10444 1.00
p_predicted[133] 0.00 0.06 10395 1.00
p_predicted[134] 0.00 0.06 10261 1.00
p_predicted[135] 0.00 0.06 10259 1.00
p_predicted[136] 0.26 0.35 1968 1.00
p_predicted[137] 0.29 0.37 6013 1.00
p_predicted[138] 0.29 0.37 6130 1.00
p_predicted[139] 0.29 0.37 5797 1.00
p_predicted[140] 0.26 0.33 8218 1.00
p_predicted[141] 0.24 0.31 5499 1.00
p_predicted[142] 0.20 0.25 6535 1.00
p_predicted[143] 0.19 0.25 7134 1.00
p_predicted[144] 0.19 0.24 7387 1.00
p_predicted[145] 0.19 0.25 7319 1.00
p_predicted[146] 0.19 0.24 7394 1.00
p_predicted[147] 0.19 0.24 7370 1.00
p_predicted[148] 0.17 0.23 5668 1.00
p_predicted[149] 0.15 0.22 3145 1.00
p_predicted[150] 0.11 0.19 2623 1.00
p_predicted[151] 0.14 0.21 3468 1.00
p_predicted[152] 0.14 0.21 3455 1.00
p_predicted[153] 0.09 0.14 3573 1.00
p_predicted[154] 0.09 0.14 3305 1.00
p_predicted[155] 0.11 0.17 3779 1.00
p_predicted[156] 0.11 0.17 3671 1.00
p_predicted[157] 0.09 0.14 3576 1.00
p_predicted[158] 0.11 0.16 3542 1.00
p_predicted[159] 0.08 0.12 4500 1.00
p_predicted[160] 0.06 0.09 4702 1.00
p_predicted[161] 0.06 0.09 4007 1.00
p_predicted[162] 0.06 0.09 3617 1.00
p_predicted[163] 0.19 0.26 7232 1.00
p_predicted[164] 0.19 0.26 7232 1.00
p_predicted[165] 0.12 0.17 10260 1.00
p_predicted[166] 0.12 0.17 10260 1.00
p_predicted[167] 0.11 0.16 9965 1.00
p_predicted[168] 0.11 0.16 9965 1.00
p_predicted[169] 0.09 0.14 10201 1.00
p_predicted[170] 0.09 0.14 10201 1.00
p_predicted[171] 0.40 0.46 5623 1.00
p_predicted[172] 0.37 0.43 6875 1.00
p_predicted[173] 0.29 0.34 4790 1.00
p_predicted[174] 0.15 0.21 2326 1.00
p_predicted[175] 0.09 0.16 4241 1.00
p_predicted[176] 0.09 0.16 4230 1.00
p_predicted[177] 0.06 0.10 8306 1.00
p_predicted[178] 0.06 0.10 7557 1.00
p_predicted[179] 0.06 0.10 8203 1.00
p_predicted[180] 0.06 0.10 7822 1.00
p_predicted[181] 0.06 0.10 7657 1.00
p_predicted[182] 0.05 0.07 8681 1.00
p_predicted[183] 0.04 0.07 8746 1.00
p_predicted[184] 0.04 0.07 9027 1.00
p_predicted[185] 0.04 0.07 9300 1.00
p_predicted[186] 0.04 0.07 9360 1.00
p_predicted[187] 0.16 0.28 3482 1.00
p_predicted[188] 0.16 0.28 3476 1.00
p_predicted[189] 0.12 0.18 8265 1.00
p_predicted[190] 0.12 0.17 7667 1.00
p_predicted[191] 0.12 0.17 7403 1.00
p_predicted[192] 0.12 0.17 7754 1.00
p_predicted[193] 0.09 0.13 7069 1.00
p_predicted[194] 0.09 0.13 7472 1.00
p_predicted[195] 0.09 0.13 7563 1.00
p_predicted[196] 0.09 0.13 7701 1.00
p_predicted[197] 0.16 0.28 3482 1.00
p_predicted[198] 0.16 0.28 3484 1.00
p_predicted[199] 0.16 0.28 3475 1.00
p_predicted[200] 0.12 0.18 8265 1.00
p_predicted[201] 0.12 0.17 7403 1.00
p_predicted[202] 0.09 0.13 7739 1.00
p_predicted[203] 0.09 0.13 8315 1.00
p_predicted[204] 0.09 0.13 7473 1.00
p_predicted[205] 0.01 0.13 10287 1.00
p_predicted[206] 0.01 0.12 10392 1.00
p_predicted[207] 0.01 0.12 10394 1.00
p_predicted[208] 0.19 0.25 4023 1.00
p_predicted[209] 0.14 0.19 2993 1.00
p_predicted[210] 0.15 0.21 4517 1.00
p_predicted[211] 0.15 0.21 4498 1.00
p_predicted[212] 0.12 0.17 4512 1.00
p_predicted[213] 0.09 0.13 5237 1.00
p_predicted[214] 0.09 0.12 6295 1.00
p_predicted[215] 0.09 0.12 5930 1.00
p_predicted[216] 0.66 0.80 10527 1.00
p_predicted[217] 0.66 0.78 9799 1.00
p_predicted[218] 0.65 0.77 9409 1.00
p_predicted[219] 0.47 0.64 8893 1.00
p_predicted[220] 0.46 0.64 9072 1.00
p_predicted[221] 0.66 0.78 9813 1.00
p_predicted[222] 0.65 0.77 9235 1.00
p_predicted[223] 0.47 0.64 8927 1.00
p_predicted[224] 0.46 0.64 9092 1.00
p_predicted[225] 0.46 0.64 9106 1.00
p_predicted[226] 0.20 0.30 8822 1.00
p_predicted[227] 0.21 0.31 9411 1.00
p_predicted[228] 0.21 0.31 9408 1.00
p_predicted[229] 0.21 0.32 9322 1.00
p_predicted[230] 0.21 0.32 9376 1.00
p_predicted[231] 0.11 0.20 3957 1.00
p_predicted[232] 0.08 0.13 8842 1.00
p_predicted[233] 0.06 0.09 8915 1.00
p_predicted[234] 0.05 0.08 9549 1.00
p_predicted[235] 0.05 0.08 9610 1.00
p_predicted[236] 0.01 0.13 10269 1.00
p_predicted[237] 0.01 0.13 10269 1.00
p_predicted[238] 0.01 0.13 10344 1.00
p_predicted[239] 0.01 0.13 10344 1.00
p_predicted[240] 0.51 0.61 1917 1.00
p_predicted[241] 0.51 0.61 1917 1.00
p_predicted[242] 0.51 0.61 1917 1.00
p_predicted[243] 0.51 0.61 1914 1.00
p_predicted[244] 0.51 0.61 1914 1.00
p_predicted[245] 0.51 0.61 1914 1.00
p_predicted[246] 0.55 0.62 7526 1.00
p_predicted[247] 0.55 0.62 7526 1.00
p_predicted[248] 0.55 0.62 7526 1.00
p_predicted[249] 0.54 0.62 7703 1.00
p_predicted[250] 0.54 0.62 7703 1.00
p_predicted[251] 0.54 0.62 7703 1.00
p_predicted[252] 0.54 0.61 7267 1.00
p_predicted[253] 0.54 0.61 7267 1.00
p_predicted[254] 0.54 0.61 7267 1.00
p_predicted[255] 0.53 0.61 6796 1.00
p_predicted[256] 0.53 0.61 6796 1.00
p_predicted[257] 0.53 0.61 6796 1.00
p_predicted[258] 0.47 0.55 3820 1.00
p_predicted[259] 0.47 0.55 3820 1.00
p_predicted[260] 0.47 0.55 3820 1.00
p_predicted[261] 0.44 0.52 4835 1.00
p_predicted[262] 0.44 0.52 4835 1.00
p_predicted[263] 0.44 0.52 4835 1.00
p_predicted[264] 0.43 0.52 4734 1.00
p_predicted[265] 0.43 0.52 4734 1.00
p_predicted[266] 0.43 0.52 4734 1.00
p_predicted[267] 0.24 0.29 5958 1.00
p_predicted[268] 0.24 0.29 5958 1.00
p_predicted[269] 0.24 0.29 5958 1.00
p_predicted[270] 0.24 0.29 5750 1.00
p_predicted[271] 0.24 0.29 5750 1.00
p_predicted[272] 0.24 0.29 5750 1.00
p_predicted[273] 0.02 0.05 8946 1.00
p_predicted[274] 0.02 0.05 8946 1.00
p_predicted[275] 0.02 0.05 8955 1.00
p_predicted[276] 0.02 0.05 8955 1.00
p_predicted[277] 0.02 0.05 8956 1.00
p_predicted[278] 0.02 0.05 8956 1.00
p_predicted[279] 0.02 0.05 8956 1.00
p_predicted[280] 0.02 0.05 8956 1.00
p_predicted[281] 0.02 0.04 8772 1.00
p_predicted[282] 0.02 0.04 8772 1.00
p_predicted[283] 0.02 0.04 8894 1.00
p_predicted[284] 0.02 0.04 8894 1.00
p_predicted[285] 0.02 0.04 8584 1.00
p_predicted[286] 0.02 0.04 8584 1.00
p_predicted[287] 0.02 0.04 8537 1.00
p_predicted[288] 0.02 0.04 8537 1.00
p_predicted[289] 0.03 0.06 7680 1.00
p_predicted[290] 0.03 0.06 7680 1.00
p_predicted[291] 0.03 0.06 7679 1.00
p_predicted[292] 0.03 0.06 7679 1.00
p_predicted[293] 0.03 0.06 7678 1.00
p_predicted[294] 0.03 0.06 7678 1.00
p_predicted[295] 0.03 0.06 7699 1.00
p_predicted[296] 0.03 0.06 7699 1.00
p_predicted[297] 0.03 0.06 7699 1.00
p_predicted[298] 0.03 0.06 7699 1.00
p_predicted[299] 0.03 0.06 7700 1.00
p_predicted[300] 0.03 0.06 7700 1.00
p_predicted[301] 0.03 0.06 7699 1.00
p_predicted[302] 0.03 0.06 7699 1.00
p_predicted[303] 0.03 0.06 7699 1.00
p_predicted[304] 0.03 0.06 7699 1.00
p_predicted[305] 0.03 0.06 7719 1.00
p_predicted[306] 0.03 0.06 7719 1.00
p_predicted[307] 0.03 0.06 7720 1.00
p_predicted[308] 0.03 0.06 7720 1.00
p_predicted[309] 0.03 0.06 7720 1.00
p_predicted[310] 0.03 0.06 7720 1.00
p_predicted[311] 0.03 0.06 7727 1.00
p_predicted[312] 0.03 0.06 7727 1.00
p_predicted[313] 0.03 0.06 7747 1.00
p_predicted[314] 0.03 0.06 7747 1.00
p_predicted[315] 0.03 0.06 7754 1.00
p_predicted[316] 0.03 0.06 7754 1.00
p_predicted[317] 0.03 0.06 8019 1.00
p_predicted[318] 0.03 0.06 8019 1.00
p_predicted[319] 0.03 0.06 8020 1.00
p_predicted[320] 0.03 0.06 8020 1.00
p_predicted[321] 0.11 0.17 3845 1.00
p_predicted[322] 0.16 0.23 3178 1.00
p_predicted[323] 0.19 0.28 4567 1.00
p_predicted[324] 0.11 0.16 3529 1.00
p_predicted[325] 0.13 0.19 4740 1.00
p_predicted[326] 0.08 0.12 3505 1.00
p_predicted[327] 0.09 0.15 4432 1.00
p_predicted[328] 0.06 0.10 3448 1.00
p_predicted[329] 0.08 0.12 4526 1.00
p_predicted[330] 0.06 0.10 3904 1.00
p_predicted[331] 0.07 0.11 5185 1.00
p_predicted[332] 0.05 0.09 3985 1.00
p_predicted[333] 0.06 0.10 5146 1.00
p_predicted[334] 0.10 0.23 5763 1.00
p_predicted[335] 0.09 0.21 5088 1.00
p_predicted[336] 0.09 0.20 5324 1.00
p_predicted[337] 0.09 0.20 5214 1.00
p_predicted[338] 0.09 0.19 5283 1.00
p_predicted[339] 0.09 0.19 5306 1.00
p_predicted[340] 0.08 0.19 5431 1.00
p_predicted[341] 0.09 0.20 5744 1.00
p_predicted[342] 0.51 0.59 2399 1.00
p_predicted[343] 0.51 0.59 2399 1.00
p_predicted[344] 0.55 0.62 7494 1.00
p_predicted[345] 0.55 0.62 7494 1.00
p_predicted[346] 0.46 0.53 5244 1.00
p_predicted[347] 0.46 0.53 5244 1.00
p_predicted[348] 0.36 0.44 3075 1.00
p_predicted[349] 0.36 0.44 3075 1.00
p_predicted[350] 0.25 0.40 8918 1.00
p_predicted[351] 0.26 0.45 8916 1.00
p_predicted[352] 0.30 0.44 11331 1.00
p_predicted[353] 0.31 0.49 12393 1.00
p_predicted[354] 0.25 0.34 7557 1.00
p_predicted[355] 0.26 0.37 10040 1.00
p_predicted[356] 0.23 0.33 6953 1.00
p_predicted[357] 0.23 0.35 8981 1.00
p_predicted[358] 0.17 0.25 7658 1.00
p_predicted[359] 0.17 0.27 7253 1.00
p_predicted[360] 0.17 0.25 7703 1.00
p_predicted[361] 0.17 0.27 7292 1.00
p_predicted[362] 0.17 0.26 8014 1.00
p_predicted[363] 0.17 0.27 7576 1.00
p_predicted[364] 0.39 0.47 6719 1.00
p_predicted[365] 0.39 0.47 6719 1.00
p_predicted[366] 0.39 0.47 6719 1.00
p_predicted[367] 0.21 0.28 6218 1.00
p_predicted[368] 0.21 0.28 6218 1.00
p_predicted[369] 0.21 0.28 6218 1.00
p_predicted[370] 0.21 0.27 6564 1.00
p_predicted[371] 0.21 0.27 6564 1.00
p_predicted[372] 0.21 0.27 6564 1.00
p_predicted[373] 0.15 0.19 7998 1.00
p_predicted[374] 0.15 0.19 7998 1.00
p_predicted[375] 0.15 0.19 7998 1.00
p_predicted[376] 0.14 0.18 8264 1.00
p_predicted[377] 0.14 0.18 8264 1.00
p_predicted[378] 0.14 0.18 8264 1.00
p_predicted[379] 0.14 0.18 8304 1.00
p_predicted[380] 0.14 0.18 8304 1.00
p_predicted[381] 0.14 0.18 8304 1.00
p_predicted[382] 0.14 0.18 8370 1.00
p_predicted[383] 0.14 0.18 8370 1.00
p_predicted[384] 0.14 0.18 8370 1.00
p_predicted[385] 0.14 0.18 8355 1.00
p_predicted[386] 0.14 0.18 8355 1.00
p_predicted[387] 0.14 0.18 8355 1.00
p_predicted[388] 0.14 0.18 8296 1.00
p_predicted[389] 0.14 0.18 8296 1.00
p_predicted[390] 0.14 0.18 8296 1.00
p_predicted[391] 0.14 0.18 8289 1.00
p_predicted[392] 0.14 0.18 8289 1.00
p_predicted[393] 0.14 0.18 8289 1.00
p_predicted[394] 0.14 0.18 8290 1.00
p_predicted[395] 0.14 0.18 8290 1.00
p_predicted[396] 0.14 0.18 8290 1.00
p_predicted[397] 0.14 0.18 8337 1.00
p_predicted[398] 0.14 0.18 8337 1.00
p_predicted[399] 0.14 0.18 8337 1.00
p_predicted[400] 0.14 0.18 8317 1.00
p_predicted[401] 0.14 0.18 8317 1.00
p_predicted[402] 0.14 0.18 8317 1.00
p_predicted[403] 0.14 0.18 8353 1.00
p_predicted[404] 0.14 0.18 8353 1.00
p_predicted[405] 0.14 0.18 8353 1.00
p_predicted[406] 0.05 0.11 9244 1.00
p_predicted[407] 0.05 0.11 9243 1.00
p_predicted[408] 0.05 0.11 9243 1.00
p_predicted[409] 0.06 0.12 8319 1.00
p_predicted[410] 0.43 0.54 2253 1.00
p_predicted[411] 0.33 0.40 4588 1.00
p_predicted[412] 0.33 0.39 4703 1.00
p_predicted[413] 0.32 0.39 4616 1.00
p_predicted[414] 0.33 0.39 4704 1.00
p_predicted[415] 0.33 0.40 4684 1.00
p_predicted[416] 0.28 0.36 2579 1.00
p_predicted[417] 0.31 0.38 4465 1.00
p_predicted[418] 0.25 0.31 4501 1.00
p_predicted[419] 0.30 0.37 3973 1.00
p_predicted[420] 0.26 0.32 4322 1.00
p_predicted[421] 0.25 0.32 4415 1.00
p_predicted[422] 0.18 0.23 4428 1.00
p_predicted[423] 0.25 0.31 3381 1.00
p_predicted[424] 0.23 0.29 3992 1.00
p_predicted[425] 0.22 0.27 4129 1.00
p_predicted[426] 0.09 0.12 4753 1.00
p_predicted[427] 0.08 0.11 5793 1.00
p_predicted[428] 0.06 0.09 5155 1.00
p_predicted[429] 0.38 0.48 5921 1.00
p_predicted[430] 0.34 0.44 6411 1.00
p_predicted[431] 0.27 0.36 5154 1.00
p_predicted[432] 0.27 0.36 5239 1.00
p_predicted[433] 0.30 0.40 3692 1.00
p_predicted[434] 0.21 0.30 2444 1.00
p_predicted[435] 0.19 0.29 2116 1.00
p_predicted[436] 0.19 0.29 2094 1.00
p_predicted[437] 0.18 0.29 1947 1.00
p_predicted[438] 0.25 0.35 1991 1.00
p_predicted[439] 0.29 0.37 5643 1.00
p_predicted[440] 0.28 0.35 7642 1.00
p_predicted[441] 0.28 0.35 7176 1.00
p_predicted[442] 0.27 0.34 7868 1.00
p_predicted[443] 0.25 0.32 7361 1.00
p_predicted[444] 0.26 0.33 8254 1.00
p_predicted[445] 0.22 0.28 4085 1.00
p_predicted[446] 0.21 0.27 5052 1.00
p_predicted[447] 0.25 0.32 6510 1.00
p_predicted[448] 0.20 0.26 5849 1.00
p_predicted[449] 0.20 0.26 6307 1.00
p_predicted[450] 0.19 0.25 7241 1.00
p_predicted[451] 0.19 0.24 7440 1.00
p_predicted[452] 0.19 0.29 1939 1.00
p_predicted[453] 0.15 0.22 2627 1.00
p_predicted[454] 0.15 0.22 2574 1.00
p_predicted[455] 0.14 0.22 2286 1.00
p_predicted[456] 0.25 0.35 1982 1.00
p_predicted[457] 0.29 0.37 5584 1.00
p_predicted[458] 0.27 0.34 8246 1.00
p_predicted[459] 0.25 0.32 6883 1.00
p_predicted[460] 0.24 0.31 5871 1.00
p_predicted[461] 0.24 0.31 5001 1.00
p_predicted[462] 0.19 0.25 7211 1.00
p_predicted[463] 0.19 0.25 7276 1.00
p_predicted[464] 0.19 0.24 7431 1.00
p_predicted[465] 0.24 0.32 1725 1.00
p_predicted[466] 0.27 0.33 7048 1.00
p_predicted[467] 0.25 0.31 5772 1.00
p_predicted[468] 0.26 0.31 7063 1.00
p_predicted[469] 0.20 0.25 4541 1.00
p_predicted[470] 0.21 0.26 3692 1.00
p_predicted[471] 0.20 0.25 4143 1.00
p_predicted[472] 0.20 0.25 4694 1.00
p_predicted[473] 0.11 0.15 6514 1.00
p_predicted[474] 0.10 0.14 4377 1.00
p_predicted[475] 0.09 0.14 2585 1.00
p_predicted[476] 0.09 0.14 2279 1.00
p_predicted[477] 0.24 0.33 1868 1.00
p_predicted[478] 0.27 0.32 4499 1.00
p_predicted[479] 0.27 0.33 4238 1.00
p_predicted[480] 0.19 0.23 5313 1.00
p_predicted[481] 0.18 0.22 6654 1.00
p_predicted[482] 0.18 0.21 6970 1.00
p_predicted[483] 0.18 0.22 6931 1.00
p_predicted[484] 0.18 0.21 6941 1.00
p_predicted[485] 0.17 0.21 6682 1.00
p_predicted[486] 0.17 0.21 6136 1.00
p_predicted[487] 0.08 0.13 9608 1.00
p_predicted[488] 0.08 0.13 9608 1.00
p_predicted[489] 0.08 0.13 9627 1.00
p_predicted[490] 0.08 0.13 9627 1.00
p_predicted[491] 0.08 0.13 8319 1.00
p_predicted[492] 0.08 0.13 8319 1.00
p_predicted[493] 0.06 0.10 8727 1.00
p_predicted[494] 0.06 0.10 8727 1.00
p_predicted[495] 0.06 0.11 8631 1.00
p_predicted[496] 0.06 0.11 8631 1.00
p_predicted[497] 0.24 0.32 1714 1.00
p_predicted[498] 0.28 0.34 6468 1.00
p_predicted[499] 0.20 0.25 3964 1.00
p_predicted[500] 0.20 0.25 4360 1.00
p_predicted[501] 0.20 0.25 4713 1.00
p_predicted[502] 0.20 0.24 4855 1.00
p_predicted[503] 0.19 0.24 5160 1.00
p_predicted[504] 0.11 0.15 7577 1.00
p_predicted[505] 0.11 0.15 5699 1.00
p_predicted[506] 0.09 0.14 2885 1.00
p_predicted[507] 0.09 0.14 2463 1.00
p_predicted[508] 0.00 0.06 9362 1.00
p_predicted[509] 0.00 0.06 9212 1.00
p_predicted[510] 0.00 0.06 9156 1.00
p_predicted[511] 0.00 0.06 9140 1.00
p_predicted[512] 0.00 0.06 9124 1.00
p_predicted[513] 0.00 0.06 9721 1.00
p_predicted[514] 0.00 0.06 9669 1.00
p_predicted[515] 0.00 0.06 9692 1.00
p_predicted[516] 0.00 0.06 9680 1.00
p_predicted[517] 0.00 0.06 9661 1.00
p_predicted[518] 0.00 0.06 9219 1.00
p_predicted[519] 0.19 0.29 2114 1.00
p_predicted[520] 0.18 0.29 1963 1.00
p_predicted[521] 0.59 0.66 8026 1.00
p_predicted[522] 0.59 0.66 8026 1.00
p_predicted[523] 0.59 0.66 8026 1.00
p_predicted[524] 0.57 0.65 6594 1.00
p_predicted[525] 0.57 0.65 6594 1.00
p_predicted[526] 0.57 0.65 6594 1.00
p_predicted[527] 0.36 0.42 5620 1.00
p_predicted[528] 0.36 0.42 5620 1.00
p_predicted[529] 0.36 0.42 5620 1.00
p_predicted[530] 0.36 0.41 5123 1.00
p_predicted[531] 0.36 0.41 5123 1.00
p_predicted[532] 0.36 0.41 5123 1.00
p_predicted[533] 0.30 0.35 3648 1.00
p_predicted[534] 0.30 0.35 3648 1.00
p_predicted[535] 0.30 0.35 3648 1.00
p_predicted[536] 0.48 0.56 7382 1.00
p_predicted[537] 0.48 0.56 7382 1.00
p_predicted[538] 0.48 0.56 7382 1.00
p_predicted[539] 0.46 0.54 6864 1.00
p_predicted[540] 0.46 0.54 6864 1.00
p_predicted[541] 0.46 0.54 6864 1.00
p_predicted[542] 0.27 0.33 4054 1.00
p_predicted[543] 0.27 0.33 4054 1.00
p_predicted[544] 0.27 0.33 4054 1.00
p_predicted[545] 0.28 0.34 3648 1.00
p_predicted[546] 0.28 0.34 3648 1.00
p_predicted[547] 0.28 0.34 3648 1.00
p_predicted[548] 0.02 0.05 8959 1.00
p_predicted[549] 0.02 0.05 8969 1.00
p_predicted[550] 0.02 0.05 8970 1.00
p_predicted[551] 0.02 0.04 8789 1.00
p_predicted[552] 0.02 0.04 8571 1.00
p_predicted[553] 0.02 0.04 8539 1.00
p_predicted[554] 0.03 0.06 7684 1.00
p_predicted[555] 0.03 0.06 7679 1.00
p_predicted[556] 0.03 0.06 7678 1.00
p_predicted[557] 0.03 0.06 7680 1.00
p_predicted[558] 0.03 0.06 7680 1.00
p_predicted[559] 0.03 0.06 7705 1.00
p_predicted[560] 0.03 0.06 7720 1.00
p_predicted[561] 0.03 0.06 7699 1.00
p_predicted[562] 0.03 0.06 7699 1.00
p_predicted[563] 0.03 0.06 7726 1.00
p_predicted[564] 0.03 0.06 7759 1.00
p_predicted[565] 0.03 0.06 7765 1.00
p_predicted[566] 0.03 0.06 7791 1.00
p_predicted[567] 0.00 0.04 9223 1.00
p_predicted[568] 0.00 0.04 9116 1.00
p_predicted[569] 0.00 0.04 9081 1.00
p_predicted[570] 0.00 0.04 9080 1.00
p_predicted[571] 0.00 0.04 8999 1.00
p_predicted[572] 0.18 0.29 11162 1.00
p_predicted[573] 0.10 0.17 8476 1.00
p_predicted[574] 0.10 0.17 9167 1.00
p_predicted[575] 0.11 0.22 8397 1.00
p_predicted[576] 0.11 0.22 8403 1.00
p_predicted[577] 0.08 0.17 9928 1.00
p_predicted[578] 0.25 0.35 2006 1.00
p_predicted[579] 0.29 0.37 5693 1.00
p_predicted[580] 0.24 0.31 5844 1.00
p_predicted[581] 0.20 0.26 6467 1.00
p_predicted[582] 0.18 0.24 7417 1.00
p_predicted[583] 0.15 0.26 8962 1.00
p_predicted[584] 0.14 0.26 7710 1.00
p_predicted[585] 0.18 0.30 9597 1.00
p_predicted[586] 0.18 0.29 10858 1.00
p_predicted[587] 0.19 0.30 10053 1.00
p_predicted[588] 0.18 0.29 11091 1.00
p_predicted[589] 0.18 0.30 9851 1.00
p_predicted[590] 0.18 0.29 11001 1.00
p_predicted[591] 0.13 0.24 8176 1.00
p_predicted[592] 0.13 0.23 7372 1.00
p_predicted[593] 0.41 0.51 1512 1.00
p_predicted[594] 0.45 0.52 5321 1.00
p_predicted[595] 0.44 0.51 5042 1.00
p_predicted[596] 0.44 0.51 4563 1.00
p_predicted[597] 0.36 0.43 3181 1.00
p_predicted[598] 0.37 0.45 2827 1.00
p_predicted[599] 0.18 0.23 5369 1.00
p_predicted[600] 0.18 0.23 4982 1.00
p_predicted[601] 0.16 0.22 3369 1.00
p_predicted[602] 0.15 0.21 2170 1.00
p_predicted[603] 0.86 0.96 8683 1.00
p_predicted[604] 0.86 0.96 8683 1.00
p_predicted[605] 0.85 0.95 7358 1.00
p_predicted[606] 0.85 0.95 7358 1.00
p_predicted[607] 0.85 0.95 7344 1.00
p_predicted[608] 0.85 0.95 7344 1.00
p_predicted[609] 0.85 0.95 7640 1.00
p_predicted[610] 0.85 0.95 7640 1.00
p_predicted[611] 0.88 0.96 7963 1.00
p_predicted[612] 0.88 0.96 7963 1.00
p_predicted[613] 0.25 0.30 2832 1.00
p_predicted[614] 0.25 0.30 2829 1.00
p_predicted[615] 0.24 0.29 2733 1.00
p_predicted[616] 0.03 0.43 9806 1.00
p_predicted[617] 0.03 0.42 9861 1.00
p_predicted[618] 0.11 0.22 9845 1.00
p_predicted[619] 0.11 0.20 9871 1.00
p_predicted[620] 0.10 0.19 9916 1.00
p_predicted[621] 0.08 0.15 9872 1.00
p_predicted[622] 0.06 0.12 8387 1.00
p_predicted[623] 0.07 0.13 8003 1.00
p_predicted[624] 0.07 0.13 7931 1.00
p_predicted[625] 0.05 0.09 9282 1.00
p_predicted[626] 0.41 0.52 2186 1.00
p_predicted[627] 0.45 0.53 6323 1.00
p_predicted[628] 0.38 0.46 3290 1.00
p_predicted[629] 0.37 0.45 3585 1.00
p_predicted[630] 0.37 0.45 3737 1.00
p_predicted[631] 0.19 0.25 3195 1.00
p_predicted[632] 0.26 0.40 7205 1.00
p_predicted[633] 0.27 0.45 7456 1.00
p_predicted[634] 0.32 0.44 8371 1.00
p_predicted[635] 0.33 0.49 10003 1.00
p_predicted[636] 0.31 0.43 8120 1.00
p_predicted[637] 0.33 0.49 9796 1.00
p_predicted[638] 0.31 0.43 8154 1.00
p_predicted[639] 0.33 0.49 9828 1.00
p_predicted[640] 0.23 0.34 6911 1.00
p_predicted[641] 0.25 0.40 7978 1.00
p_predicted[642] 0.24 0.35 7429 1.00
p_predicted[643] 0.25 0.40 8355 1.00
p_predicted[644] 0.23 0.35 7286 1.00
p_predicted[645] 0.25 0.40 8261 1.00
p_predicted[646] 0.33 0.50 10499 1.00
p_predicted[647] 0.33 0.50 10499 1.00
p_predicted[648] 0.32 0.49 10794 1.00
p_predicted[649] 0.32 0.49 10794 1.00
p_predicted[650] 0.25 0.34 10171 1.00
p_predicted[651] 0.25 0.34 10171 1.00
p_predicted[652] 0.09 0.16 9539 1.00
p_predicted[653] 0.09 0.16 9539 1.00
p_predicted[654] 0.08 0.16 9362 1.00
p_predicted[655] 0.08 0.16 9362 1.00
p_predicted[656] 0.04 0.07 7830 1.00
p_predicted[657] 0.04 0.07 7830 1.00
p_predicted[658] 0.04 0.07 7879 1.00
p_predicted[659] 0.04 0.07 7879 1.00
p_predicted[660] 0.04 0.07 8165 1.00
p_predicted[661] 0.04 0.07 8165 1.00
p_predicted[662] 0.04 0.07 8352 1.00
p_predicted[663] 0.04 0.07 8352 1.00
p_predicted[664] 0.11 0.24 10385 1.00
p_predicted[665] 0.11 0.24 10386 1.00
p_predicted[666] 0.11 0.23 10762 1.00
p_predicted[667] 0.09 0.18 10088 1.00
p_predicted[668] 0.08 0.17 10010 1.00
p_predicted[669] 0.08 0.17 9992 1.00
p_predicted[670] 0.08 0.17 9857 1.00
p_predicted[671] 0.07 0.17 10028 1.00
p_predicted[672] 0.06 0.13 10736 1.00
p_predicted[673] 0.06 0.13 10760 1.00
p_predicted[674] 0.06 0.13 10764 1.00
p_predicted[675] 0.06 0.13 10765 1.00
p_predicted[676] 0.06 0.13 10769 1.00
p_predicted[677] 0.06 0.13 10772 1.00
p_predicted[678] 0.06 0.13 10786 1.00
p_predicted[679] 0.06 0.13 10792 1.00
p_predicted[680] 0.06 0.13 10792 1.00
p_predicted[681] 0.06 0.13 10794 1.00
p_predicted[682] 0.06 0.13 10782 1.00
p_predicted[683] 0.06 0.13 10782 1.00
p_predicted[684] 0.06 0.13 10781 1.00
p_predicted[685] 0.06 0.11 7542 1.00
p_predicted[686] 0.04 0.09 8044 1.00
p_predicted[687] 0.06 0.11 7542 1.00
p_predicted[688] 0.09 0.13 7744 1.00
p_predicted[689] 0.06 0.11 8049 1.00
p_predicted[690] 0.09 0.13 7744 1.00
p_predicted[691] 0.09 0.14 7629 1.00
p_predicted[692] 0.07 0.11 8011 1.00
p_predicted[693] 0.09 0.14 7629 1.00
p_predicted[694] 0.09 0.14 7563 1.00
p_predicted[695] 0.07 0.11 7804 1.00
p_predicted[696] 0.09 0.14 7563 1.00
p_predicted[697] 0.07 0.11 7705 1.00
p_predicted[698] 0.05 0.08 8841 1.00
p_predicted[699] 0.07 0.11 7705 1.00
p_predicted[700] 0.07 0.11 7694 1.00
p_predicted[701] 0.05 0.08 8835 1.00
p_predicted[702] 0.07 0.11 7694 1.00
p_predicted[703] 0.07 0.11 7410 1.00
p_predicted[704] 0.05 0.09 8684 1.00
p_predicted[705] 0.07 0.11 7410 1.00
p_predicted[706] 0.55 0.62 7475 1.00
p_predicted[707] 0.47 0.55 3435 1.00
p_predicted[708] 0.24 0.32 1727 1.00
p_predicted[709] 0.28 0.34 6552 1.00
p_predicted[710] 0.28 0.34 6535 1.00
p_predicted[711] 0.27 0.33 7390 1.00
p_predicted[712] 0.26 0.32 7511 1.00
p_predicted[713] 0.21 0.27 3172 1.00
p_predicted[714] 0.20 0.25 3974 1.00
p_predicted[715] 0.13 0.17 5991 1.00
p_predicted[716] 0.11 0.15 5757 1.00
p_predicted[717] 0.00 0.02 10073 1.00
p_predicted[718] 0.00 0.02 10145 1.00
p_predicted[719] 0.00 0.02 10117 1.00
p_predicted[720] 0.00 0.02 10115 1.00
p_predicted[721] 0.00 0.02 10105 1.00
p_predicted[722] 0.00 0.02 10105 1.00
p_predicted[723] 0.00 0.02 10094 1.00
p_predicted[724] 0.00 0.02 10096 1.00
p_predicted[725] 0.00 0.02 10319 1.00
p_predicted[726] 0.39 0.56 9705 1.00
p_predicted[727] 0.39 0.55 9558 1.00
p_predicted[728] 0.30 0.47 7432 1.00
p_predicted[729] 0.61 0.76 9196 1.00
p_predicted[730] 0.61 0.76 9148 1.00
p_predicted[731] 0.59 0.74 8666 1.00
p_predicted[732] 0.50 0.67 8571 1.00
p_predicted[733] 0.50 0.67 8610 1.00
p_predicted[734] 0.50 0.68 8839 1.00
p_predicted[735] 0.50 0.68 8990 1.00
p_predicted[736] 0.50 0.68 9121 1.00
p_predicted[737] 0.00 0.01 9511 1.00
p_predicted[738] 0.00 0.01 9511 1.00
p_predicted[739] 0.00 0.01 9168 1.00
p_predicted[740] 0.00 0.01 9179 1.00
p_predicted[741] 0.00 0.01 9317 1.00
p_predicted[742] 0.00 0.01 9118 1.00
p_predicted[743] 0.00 0.01 9244 1.00
p_predicted[744] 0.00 0.01 8470 1.00
p_predicted[745] 0.00 0.01 8575 1.00
p_predicted[746] 0.00 0.01 8559 1.00
p_predicted[747] 0.00 0.01 8808 1.00
p_predicted[748] 0.01 0.18 9733 1.00
p_predicted[749] 0.01 0.18 9681 1.00
p_predicted[750] 0.01 0.17 9692 1.00
p_predicted[751] 0.01 0.18 9678 1.00
p_predicted[752] 0.01 0.18 9682 1.00
p_predicted[753] 0.01 0.20 9786 1.00
p_predicted[754] 0.00 0.01 8876 1.00
p_predicted[755] 0.00 0.01 8877 1.00
p_predicted[756] 0.00 0.01 8864 1.00
p_predicted[757] 0.00 0.01 8854 1.00
p_predicted[758] 0.00 0.01 8910 1.00
p_predicted[759] 0.00 0.01 8859 1.00
p_predicted[760] 0.00 0.01 8869 1.00
p_predicted[761] 0.00 0.01 8869 1.00
p_predicted[762] 0.00 0.01 8879 1.00
p_predicted[763] 0.00 0.01 8920 1.00
p_predicted[764] 0.00 0.01 8931 1.00
p_predicted[765] 0.00 0.01 9232 1.00
p_predicted[766] 0.00 0.01 8876 1.00
p_predicted[767] 0.00 0.01 8867 1.00
p_predicted[768] 0.00 0.01 8974 1.00
p_predicted[769] 0.00 0.01 8914 1.00
p_predicted[770] 0.00 0.01 8866 1.00
p_predicted[771] 0.00 0.01 8880 1.00
p_predicted[772] 0.00 0.01 8895 1.00
p_predicted[773] 0.00 0.01 8895 1.00
p_predicted[774] 0.00 0.01 9174 1.00
p_predicted[775] 0.00 0.01 9178 1.00
p_predicted[776] 0.00 0.01 9236 1.00
p_predicted[777] 0.00 0.01 8876 1.00
p_predicted[778] 0.00 0.01 8873 1.00
p_predicted[779] 0.00 0.01 8870 1.00
p_predicted[780] 0.00 0.01 8904 1.00
p_predicted[781] 0.00 0.01 8926 1.00
p_predicted[782] 0.00 0.01 8918 1.00
p_predicted[783] 0.00 0.01 9214 1.00
p_predicted[784] 0.00 0.01 9241 1.00
p_predicted[785] 0.00 0.01 9301 1.00
p_predicted[786] 0.00 0.01 9308 1.00
p_predicted[787] 0.34 0.39 3998 1.00
p_predicted[788] 0.33 0.38 3928 1.00
p_predicted[789] 0.33 0.38 3881 1.00
p_predicted[790] 0.34 0.39 3997 1.00
p_predicted[791] 0.29 0.34 1858 1.00
p_predicted[792] 0.28 0.33 2021 1.00
p_predicted[793] 0.28 0.33 2017 1.00
p_predicted[794] 0.28 0.33 2066 1.00
p_predicted[795] 0.00 0.04 9788 1.00
p_predicted[796] 0.00 0.03 9832 1.00
p_predicted[797] 0.00 0.03 9842 1.00
p_predicted[798] 0.00 0.03 9845 1.00
p_predicted[799] 0.00 0.03 9871 1.00
p_predicted[800] 0.00 0.03 9896 1.00
p_predicted[801] 0.00 0.03 10329 1.00
p_predicted[802] 0.00 0.03 10340 1.00
p_predicted[803] 0.02 0.05 8964 1.00
p_predicted[804] 0.02 0.04 8785 1.00
p_predicted[805] 0.02 0.05 8951 1.00
p_predicted[806] 0.02 0.04 8777 1.00
p_predicted[807] 0.03 0.06 7685 1.00
p_predicted[808] 0.03 0.06 7699 1.00
p_predicted[809] 0.03 0.06 7988 1.00
p_predicted[810] 0.03 0.06 7700 1.00
p_predicted[811] 0.03 0.06 7703 1.00
p_predicted[812] 0.03 0.06 7763 1.00
p_predicted[813] 0.03 0.06 7774 1.00
p_predicted[814] 0.08 0.17 10627 1.00
p_predicted[815] 0.08 0.16 10230 1.00
p_predicted[816] 0.08 0.16 10248 1.00
p_predicted[817] 0.08 0.15 10280 1.00
p_predicted[818] 0.06 0.12 10622 1.00
p_predicted[819] 0.07 0.14 10024 1.00
p_predicted[820] 0.06 0.12 10348 1.00
p_predicted[821] 0.06 0.11 10751 1.00
p_predicted[822] 0.06 0.12 10643 1.00
p_predicted[823] 0.06 0.11 10891 1.00
p_predicted[824] 0.00 0.02 9825 1.00
p_predicted[825] 0.00 0.02 9467 1.00
p_predicted[826] 0.08 0.17 10394 1.00
p_predicted[827] 0.10 0.20 10984 1.00
p_predicted[828] 0.06 0.14 10180 1.00
p_predicted[829] 0.06 0.14 10143 1.00
p_predicted[830] 0.06 0.14 10159 1.00
p_predicted[831] 0.06 0.14 10333 1.00
p_predicted[832] 0.18 0.26 2395 1.00
p_predicted[833] 0.22 0.33 2514 1.00
p_predicted[834] 0.21 0.27 3843 1.00
p_predicted[835] 0.26 0.35 9279 1.00
p_predicted[836] 0.21 0.27 3727 1.00
p_predicted[837] 0.26 0.35 9014 1.00
p_predicted[838] 0.21 0.27 3809 1.00
p_predicted[839] 0.26 0.35 9208 1.00
p_predicted[840] 0.12 0.17 4001 1.00
p_predicted[841] 0.15 0.22 7443 1.00
p_predicted[842] 0.12 0.17 3997 1.00
p_predicted[843] 0.15 0.22 7525 1.00
p_predicted[844] 0.11 0.16 3894 1.00
p_predicted[845] 0.15 0.22 6558 1.00
p_predicted[846] 0.09 0.12 4407 1.00
p_predicted[847] 0.11 0.17 9849 1.00
p_predicted[848] 0.07 0.10 4824 1.00
p_predicted[849] 0.09 0.14 6989 1.00
p_predicted[850] 0.07 0.10 3807 1.00
p_predicted[851] 0.09 0.14 5201 1.00
p_predicted[852] 0.05 0.08 2650 1.00
p_predicted[853] 0.07 0.11 3331 1.00
p_predicted[854] 0.20 0.26 5128 1.00
p_predicted[855] 0.20 0.25 5950 1.00
p_predicted[856] 0.19 0.24 6515 1.00
p_predicted[857] 0.19 0.24 6532 1.00
p_predicted[858] 0.18 0.23 5870 1.00
p_predicted[859] 0.17 0.23 5199 1.00
p_predicted[860] 0.14 0.18 4400 1.00
p_predicted[861] 0.13 0.17 5956 1.00
p_predicted[862] 0.12 0.16 5979 1.00
p_predicted[863] 0.13 0.17 6075 1.00
p_predicted[864] 0.13 0.17 5981 1.00
p_predicted[865] 0.13 0.17 5696 1.00
p_predicted[866] 0.00 0.04 9218 1.00
p_predicted[867] 0.00 0.04 9109 1.00
p_predicted[868] 0.00 0.04 9078 1.00
p_predicted[869] 0.00 0.04 9081 1.00
p_predicted[870] 0.00 0.04 9016 1.00
p_predicted[871] 0.00 0.04 8982 1.00
p_predicted[872] 0.29 0.41 7662 1.00
p_predicted[873] 0.21 0.30 6801 1.00
p_predicted[874] 0.17 0.25 5888 1.00
p_predicted[875] 0.17 0.25 5263 1.00
p_predicted[876] 0.06 0.13 5326 1.00
p_predicted[877] 0.04 0.09 7259 1.00
p_predicted[878] 0.03 0.07 7601 1.00
p_predicted[879] 0.03 0.06 7703 1.00
p_predicted[880] 0.03 0.06 7943 1.00
p_predicted[881] 0.00 0.02 9710 1.00
p_predicted[882] 0.00 0.02 9823 1.00
p_predicted[883] 0.00 0.02 9819 1.00
p_predicted[884] 0.00 0.02 9836 1.00
p_predicted[885] 0.00 0.02 9841 1.00
p_predicted[886] 0.00 0.02 9718 1.00
p_predicted[887] 0.00 0.02 9318 1.00
p_predicted[888] 0.00 0.02 9319 1.00
p_predicted[889] 0.00 0.02 9315 1.00
p_predicted[890] 0.00 0.02 9312 1.00
p_predicted[891] 0.00 0.02 9313 1.00
p_predicted[892] 0.00 0.02 9378 1.00
p_predicted[893] 0.00 0.01 8470 1.00
p_predicted[894] 0.00 0.01 8539 1.00
p_predicted[895] 0.00 0.01 8757 1.00
p_predicted[896] 0.00 0.01 8851 1.00
p_predicted[897] 0.24 0.32 1727 1.00
p_predicted[898] 0.27 0.34 6870 1.00
p_predicted[899] 0.13 0.17 5991 1.00
p_predicted[900] 0.12 0.16 8563 1.00
p_predicted[901] 0.11 0.15 8109 1.00
p_predicted[902] 0.10 0.14 4816 1.00
p_predicted[903] 0.27 0.34 6450 1.00
p_predicted[904] 0.25 0.31 5946 1.00
p_predicted[905] 0.20 0.25 4707 1.00
p_predicted[906] 0.18 0.23 6105 1.00
p_predicted[907] 0.18 0.23 6081 1.00
p_predicted[908] 0.03 0.08 8401 1.00
p_predicted[909] 0.02 0.06 8773 1.00
p_predicted[910] 0.03 0.08 8401 1.00
p_predicted[911] 0.04 0.08 7542 1.00
p_predicted[912] 0.03 0.06 7922 1.00
p_predicted[913] 0.04 0.08 7542 1.00
p_predicted[914] 0.03 0.06 7572 1.00
p_predicted[915] 0.02 0.05 8537 1.00
p_predicted[916] 0.03 0.06 7572 1.00
p_predicted[917] 0.03 0.07 7329 1.00
p_predicted[918] 0.02 0.05 8253 1.00
p_predicted[919] 0.03 0.07 7329 1.00
p_predicted[920] 0.32 0.43 2026 1.00
p_predicted[921] 0.34 0.43 8393 1.00
p_predicted[922] 0.34 0.43 8440 1.00
p_predicted[923] 0.34 0.44 8228 1.00
p_predicted[924] 0.14 0.22 2432 1.00
p_predicted[925] 0.16 0.22 3080 1.00
p_predicted[926] 0.09 0.13 3401 1.00
p_predicted[927] 0.06 0.10 2761 1.00
p_predicted[928] 0.00 0.01 8873 1.00
p_predicted[929] 0.00 0.01 8875 1.00
p_predicted[930] 0.00 0.01 9004 1.00
p_predicted[931] 0.00 0.01 8873 1.00
p_predicted[932] 0.00 0.01 8867 1.00
p_predicted[933] 0.00 0.01 8851 1.00
p_predicted[934] 0.00 0.01 8851 1.00
p_predicted[935] 0.00 0.01 8912 1.00
p_predicted[936] 0.00 0.01 8874 1.00
p_predicted[937] 0.00 0.01 8883 1.00
p_predicted[938] 0.00 0.01 8940 1.00
p_predicted[939] 0.00 0.01 8980 1.00
p_predicted[940] 0.60 0.68 7028 1.00
p_predicted[941] 0.59 0.67 6966 1.00
p_predicted[942] 0.52 0.61 4122 1.00
p_predicted[943] 0.28 0.34 5766 1.00
p_predicted[944] 0.28 0.34 5760 1.00
p_predicted[945] 0.27 0.34 5579 1.00
p_predicted[946] 0.28 0.38 10240 1.00
p_predicted[947] 0.28 0.38 10240 1.00
p_predicted[948] 0.28 0.38 10240 1.00
p_predicted[949] 0.22 0.29 9498 1.00
p_predicted[950] 0.22 0.29 9498 1.00
p_predicted[951] 0.22 0.29 9498 1.00
p_predicted[952] 0.22 0.29 9533 1.00
p_predicted[953] 0.22 0.29 9533 1.00
p_predicted[954] 0.22 0.29 9533 1.00
p_predicted[955] 0.21 0.29 10010 1.00
p_predicted[956] 0.21 0.29 10010 1.00
p_predicted[957] 0.21 0.29 10010 1.00
p_predicted[958] 0.22 0.30 9427 1.00
p_predicted[959] 0.22 0.30 9427 1.00
p_predicted[960] 0.22 0.30 9427 1.00
p_predicted[961] 0.21 0.29 9477 1.00
p_predicted[962] 0.21 0.29 9477 1.00
p_predicted[963] 0.21 0.29 9477 1.00
p_predicted[964] 0.21 0.29 9494 1.00
p_predicted[965] 0.21 0.29 9494 1.00
p_predicted[966] 0.21 0.29 9494 1.00
p_predicted[967] 0.20 0.28 9645 1.00
p_predicted[968] 0.20 0.28 9645 1.00
p_predicted[969] 0.20 0.28 9645 1.00
p_predicted[970] 0.20 0.28 9818 1.00
p_predicted[971] 0.20 0.28 9818 1.00
p_predicted[972] 0.20 0.28 9818 1.00
p_predicted[973] 0.00 0.01 8995 1.00
p_predicted[974] 0.00 0.01 8873 1.00
p_predicted[975] 0.00 0.01 8872 1.00
p_predicted[976] 0.00 0.01 8871 1.00
p_predicted[977] 0.00 0.01 9003 1.00
p_predicted[978] 0.00 0.01 8870 1.00
p_predicted[979] 0.00 0.01 8858 1.00
p_predicted[980] 0.00 0.01 8851 1.00
p_predicted[981] 0.00 0.01 8970 1.00
p_predicted[982] 0.00 0.01 8975 1.00
p_predicted[983] 0.00 0.01 8912 1.00
p_predicted[984] 0.00 0.01 8874 1.00
p_predicted[985] 0.00 0.01 8890 1.00
p_predicted[986] 0.00 0.01 8937 1.00
p_predicted[987] 0.00 0.01 8980 1.00
p_predicted[988] 0.00 0.01 9288 1.00
p_predicted[989] 0.00 0.03 9105 1.00
p_predicted[990] 0.00 0.03 9463 1.00
p_predicted[991] 0.00 0.03 9450 1.00
p_predicted[992] 0.98 1.00 11134 1.00
p_predicted[993] 0.98 1.00 8951 1.00
p_predicted[994] 0.99 1.00 10261 1.00
p_predicted[995] 0.00 0.01 8815 1.00
p_predicted[996] 0.00 0.01 8849 1.00
p_predicted[997] 0.00 0.01 9223 1.00
p_predicted[998] 0.00 0.01 9249 1.00
p_predicted[999] 0.00 0.01 9304 1.00
p_predicted[1000] 0.15 0.28 7872 1.00
p_predicted[1001] 0.17 0.29 7856 1.00
p_predicted[1002] 0.17 0.29 7843 1.00
p_predicted[1003] 0.13 0.24 9423 1.00
p_predicted[1004] 0.14 0.26 7898 1.00
p_predicted[1005] 0.26 0.43 8204 1.00
p_predicted[1006] 0.29 0.43 7446 1.00
p_predicted[1007] 0.29 0.46 6353 1.00
p_predicted[1008] 0.08 0.16 10191 1.00
p_predicted[1009] 0.06 0.12 10653 1.00
p_predicted[1010] 0.06 0.11 10892 1.00
p_predicted[1011] 0.08 0.17 10560 1.00
p_predicted[1012] 0.08 0.16 10280 1.00
p_predicted[1013] 0.06 0.11 10826 1.00
p_predicted[1014] 0.06 0.11 10874 1.00
p_predicted[1015] 0.06 0.11 10890 1.00
p_predicted[1016] 0.05 0.12 10831 1.00
p_predicted[1017] 0.05 0.10 10622 1.00
p_predicted[1018] 0.05 0.11 10560 1.00
p_predicted[1019] 0.05 0.11 10578 1.00
p_predicted[1020] 0.05 0.11 10483 1.00
p_predicted[1021] 0.05 0.12 10726 1.00
p_predicted[1022] 0.05 0.12 10822 1.00
p_predicted[1023] 0.08 0.17 10612 1.00
p_predicted[1024] 0.08 0.16 10230 1.00
p_predicted[1025] 0.07 0.14 10111 1.00
p_predicted[1026] 0.06 0.11 10880 1.00
p_predicted[1027] 0.06 0.11 10887 1.00
p_predicted[1028] 0.05 0.10 10681 1.00
p_predicted[1029] 0.05 0.11 10578 1.00
p_predicted[1030] 0.05 0.11 10564 1.00
p_predicted[1031] 0.05 0.11 10569 1.00
p_predicted[1032] 0.05 0.11 10528 1.00
p_predicted[1033] 0.05 0.11 10643 1.00
p_predicted[1034] 0.05 0.12 7410 1.00
p_predicted[1035] 0.06 0.11 7798 1.00
p_predicted[1036] 0.05 0.11 7475 1.00
p_predicted[1037] 0.06 0.11 7836 1.00
p_predicted[1038] 0.05 0.11 7754 1.00
p_predicted[1039] 0.05 0.11 8047 1.00
p_predicted[1040] 0.05 0.11 7738 1.00
p_predicted[1041] 0.05 0.11 8054 1.00
p_predicted[1042] 0.05 0.11 7854 1.00
p_predicted[1043] 0.05 0.11 8056 1.00
p_predicted[1044] 0.05 0.11 7918 1.00
p_predicted[1045] 0.05 0.11 8054 1.00
p_predicted[1046] 0.04 0.08 8448 1.00
p_predicted[1047] 0.04 0.08 8407 1.00
p_predicted[1048] 0.00 0.02 9153 1.00
p_predicted[1049] 0.00 0.02 9153 1.00
p_predicted[1050] 0.00 0.02 9055 1.00
p_predicted[1051] 0.00 0.02 9055 1.00
p_predicted[1052] 0.00 0.02 9000 1.00
p_predicted[1053] 0.00 0.02 9000 1.00
p_predicted[1054] 0.00 0.02 8980 1.00
p_predicted[1055] 0.00 0.02 8980 1.00
p_predicted[1056] 0.00 0.02 9384 1.00
p_predicted[1057] 0.00 0.02 9384 1.00
p_predicted[1058] 0.00 0.02 9138 1.00
p_predicted[1059] 0.00 0.02 9077 1.00
p_predicted[1060] 0.00 0.02 9063 1.00
p_predicted[1061] 0.00 0.02 9004 1.00
p_predicted[1062] 0.00 0.02 8991 1.00
p_predicted[1063] 0.00 0.02 9033 1.00
p_predicted[1064] 0.00 0.02 9004 1.00
p_predicted[1065] 0.00 0.02 9400 1.00
p_predicted[1066] 0.00 0.02 9381 1.00
p_predicted[1067] 0.00 0.06 9864 1.00
p_predicted[1068] 0.00 0.06 10438 1.00
p_predicted[1069] 0.00 0.06 10269 1.00
p_predicted[1070] 0.16 0.23 7325 1.00
p_predicted[1071] 0.16 0.23 7325 1.00
p_predicted[1072] 0.20 0.28 8169 1.00
p_predicted[1073] 0.20 0.28 8169 1.00
p_predicted[1074] 0.16 0.22 7769 1.00
p_predicted[1075] 0.16 0.22 7769 1.00
p_predicted[1076] 0.16 0.22 7980 1.00
p_predicted[1077] 0.16 0.22 7980 1.00
p_predicted[1078] 0.16 0.22 8453 1.00
p_predicted[1079] 0.16 0.22 8453 1.00
p_predicted[1080] 0.16 0.24 2051 1.00
p_predicted[1081] 0.19 0.25 6200 1.00
p_predicted[1082] 0.14 0.18 4147 1.00
p_predicted[1083] 0.13 0.18 5125 1.00
p_predicted[1084] 0.12 0.16 8392 1.00
p_predicted[1085] 0.11 0.15 7176 1.00
p_predicted[1086] 0.11 0.15 6691 1.00
p_predicted[1087] 0.22 0.32 9732 1.00
p_predicted[1088] 0.22 0.32 9632 1.00
p_predicted[1089] 0.22 0.33 9793 1.00
p_predicted[1090] 0.22 0.32 9724 1.00
p_predicted[1091] 0.21 0.31 8948 1.00
p_predicted[1092] 0.22 0.32 9658 1.00
p_predicted[1093] 0.21 0.31 8945 1.00
p_predicted[1094] 0.22 0.32 9562 1.00
p_predicted[1095] 0.21 0.31 9045 1.00
p_predicted[1096] 0.21 0.31 9020 1.00
p_predicted[1097] 0.21 0.31 8865 1.00
p_predicted[1098] 0.20 0.30 8666 1.00
p_predicted[1099] 0.15 0.22 9759 1.00
p_predicted[1100] 0.15 0.22 9816 1.00
p_predicted[1101] 0.14 0.22 9923 1.00
p_predicted[1102] 0.48 0.57 5843 1.00
p_predicted[1103] 0.48 0.57 5904 1.00
p_predicted[1104] 0.46 0.56 6279 1.00
p_predicted[1105] 0.41 0.51 3007 1.00
p_predicted[1106] 0.23 0.32 3068 1.00
p_predicted[1107] 0.27 0.35 7003 1.00
p_predicted[1108] 0.26 0.34 6533 1.00
p_predicted[1109] 0.26 0.34 6456 1.00
p_predicted[1110] 0.20 0.26 5918 1.00
p_predicted[1111] 0.22 0.29 4097 1.00
p_predicted[1112] 0.20 0.26 4870 1.00
p_predicted[1113] 0.20 0.26 5524 1.00
p_predicted[1114] 0.18 0.24 6515 1.00
p_predicted[1115] 0.14 0.18 4015 1.00
p_predicted[1116] 0.14 0.18 4337 1.00
p_predicted[1117] 0.13 0.17 5653 1.00
p_predicted[1118] 0.13 0.17 5913 1.00
p_predicted[1119] 0.13 0.17 5113 1.00
p_predicted[1120] 0.13 0.17 5741 1.00
p_predicted[1121] 0.14 0.18 4903 1.00
p_predicted[1122] 0.13 0.17 6069 1.00
p_predicted[1123] 0.35 0.53 3247 1.00
p_predicted[1124] 0.28 0.38 10290 1.00
p_predicted[1125] 0.27 0.37 10055 1.00
p_predicted[1126] 0.21 0.29 9586 1.00
p_predicted[1127] 0.21 0.29 9906 1.00
p_predicted[1128] 0.09 0.27 9609 1.00
p_predicted[1129] 0.00 0.04 8986 1.00
p_predicted[1130] 0.00 0.04 8695 1.00
p_predicted[1131] 0.18 0.29 9941 1.00
p_predicted[1132] 0.13 0.20 9208 1.00
p_predicted[1133] 0.18 0.29 9941 1.00
p_predicted[1134] 0.15 0.24 6993 1.00
p_predicted[1135] 0.10 0.17 7127 1.00
p_predicted[1136] 0.15 0.24 6993 1.00
p_predicted[1137] 0.19 0.29 10531 1.00
p_predicted[1138] 0.14 0.21 9754 1.00
p_predicted[1139] 0.19 0.29 10531 1.00
p_predicted[1140] 0.15 0.24 6837 1.00
p_predicted[1141] 0.10 0.17 6971 1.00
p_predicted[1142] 0.15 0.24 6837 1.00
p_predicted[1143] 0.08 0.13 7781 1.00
p_predicted[1144] 0.06 0.11 8005 1.00
p_predicted[1145] 0.08 0.13 7781 1.00
p_predicted[1146] 0.07 0.11 7413 1.00
p_predicted[1147] 0.05 0.09 8686 1.00
p_predicted[1148] 0.07 0.11 7413 1.00
p_predicted[1149] 0.07 0.10 7877 1.00
p_predicted[1150] 0.05 0.08 8982 1.00
p_predicted[1151] 0.07 0.10 7877 1.00
p_predicted[1152] 0.09 0.15 5898 1.00
p_predicted[1153] 0.07 0.11 7738 1.00
p_predicted[1154] 0.09 0.15 5898 1.00
p_predicted[1155] 0.00 0.02 9141 1.00
p_predicted[1156] 0.00 0.02 9144 1.00
p_predicted[1157] 0.00 0.02 9127 1.00
p_predicted[1158] 0.00 0.02 9091 1.00
p_predicted[1159] 0.00 0.02 9110 1.00
p_predicted[1160] 0.00 0.02 9131 1.00
p_predicted[1161] 0.08 0.14 7827 1.00
p_predicted[1162] 0.06 0.12 8386 1.00
p_predicted[1163] 0.08 0.14 7827 1.00
p_predicted[1164] 0.06 0.11 8968 1.00
p_predicted[1165] 0.05 0.09 9576 1.00
p_predicted[1166] 0.06 0.11 8968 1.00
p_predicted[1167] 0.06 0.12 7152 1.00
p_predicted[1168] 0.05 0.10 8367 1.00
p_predicted[1169] 0.06 0.12 7152 1.00
p_predicted[1170] 0.90 0.97 10058 1.00
p_predicted[1171] 0.89 0.97 9386 1.00
p_predicted[1172] 0.88 0.97 9403 1.00
p_predicted[1173] 0.88 0.96 9457 1.00
p_predicted[1174] 0.89 0.97 9769 1.00
p_predicted[1175] 0.13 0.22 2982 1.00
p_predicted[1176] 0.16 0.24 6853 1.00
p_predicted[1177] 0.09 0.13 9843 1.00
p_predicted[1178] 0.11 0.17 5382 1.00
p_predicted[1179] 0.08 0.12 9947 1.00
p_predicted[1180] 0.07 0.11 6385 1.00
p_predicted[1181] 0.07 0.11 4479 1.00
p_predicted[1182] 0.69 0.88 9865 1.00
p_predicted[1183] 0.66 0.87 10078 1.00
p_predicted[1184] 0.67 0.87 10147 1.00
p_predicted[1185] 0.08 0.16 10228 1.00
p_predicted[1186] 0.06 0.11 10869 1.00
p_predicted[1187] 0.06 0.11 10887 1.00
p_predicted[1188] 0.06 0.11 10852 1.00
p_predicted[1189] 0.05 0.11 10567 1.00
p_predicted[1190] 0.08 0.16 10222 1.00
p_predicted[1191] 0.06 0.11 10865 1.00
p_predicted[1192] 0.06 0.11 10886 1.00
p_predicted[1193] 0.06 0.11 10887 1.00
p_predicted[1194] 0.05 0.11 10557 1.00
p_predicted[1195] 0.66 0.80 8962 1.00
p_predicted[1196] 0.66 0.80 8957 1.00
p_predicted[1197] 0.73 0.87 4630 1.00
p_predicted[1198] 0.64 0.77 8812 1.00
p_predicted[1199] 0.64 0.77 8567 1.00
p_predicted[1200] 0.64 0.77 8554 1.00
p_predicted[1201] 0.64 0.77 8543 1.00
p_predicted[1202] 0.64 0.77 8604 1.00
p_predicted[1203] 0.57 0.73 7813 1.00
p_predicted[1204] 0.57 0.73 8133 1.00
p_predicted[1205] 0.00 0.03 8572 1.00
p_predicted[1206] 0.00 0.03 8974 1.00
p_predicted[1207] 0.09 0.20 9712 1.00
p_predicted[1208] 0.09 0.20 9687 1.00
p_predicted[1209] 0.09 0.18 10044 1.00
p_predicted[1210] 0.07 0.13 10396 1.00
p_predicted[1211] 0.06 0.13 10345 1.00
p_predicted[1212] 0.06 0.12 9698 1.00
p_predicted[1213] 0.32 0.44 10874 1.00
p_predicted[1214] 0.31 0.44 10605 1.00
p_predicted[1215] 0.25 0.34 9931 1.00
p_predicted[1216] 0.25 0.34 9946 1.00
p_predicted[1217] 0.25 0.34 10159 1.00
p_predicted[1218] 0.11 0.24 11258 1.00
p_predicted[1219] 0.11 0.24 10536 1.00
p_predicted[1220] 0.11 0.24 10318 1.00
p_predicted[1221] 0.07 0.17 10782 1.00
p_predicted[1222] 0.07 0.17 10779 1.00
p_predicted[1223] 0.07 0.17 10782 1.00
p_predicted[1224] 0.07 0.17 10780 1.00
p_predicted[1225] 0.68 0.82 10447 1.00
p_predicted[1226] 0.68 0.80 9848 1.00
p_predicted[1227] 0.61 0.75 7680 1.00
p_predicted[1228] 0.61 0.75 7982 1.00
p_predicted[1229] 0.35 0.41 3616 1.00
p_predicted[1230] 0.35 0.41 3616 1.00
p_predicted[1231] 0.33 0.39 3968 1.00
p_predicted[1232] 0.33 0.39 3968 1.00
p_predicted[1233] 0.32 0.38 3586 1.00
p_predicted[1234] 0.32 0.38 3586 1.00
p_predicted[1235] 0.27 0.32 2204 1.00
p_predicted[1236] 0.27 0.32 2204 1.00
p_predicted[1237] 0.25 0.30 2736 1.00
p_predicted[1238] 0.25 0.30 2736 1.00
p_predicted[1239] 0.24 0.30 2833 1.00
p_predicted[1240] 0.24 0.30 2833 1.00
p_predicted[1241] 0.24 0.30 2838 1.00
p_predicted[1242] 0.24 0.30 2838 1.00
p_predicted[1243] 0.24 0.30 2826 1.00
p_predicted[1244] 0.24 0.30 2826 1.00
p_predicted[1245] 0.12 0.24 10206 1.00
p_predicted[1246] 0.08 0.16 10188 1.00
p_predicted[1247] 0.12 0.24 10206 1.00
p_predicted[1248] 0.13 0.24 9980 1.00
p_predicted[1249] 0.09 0.16 9741 1.00
p_predicted[1250] 0.13 0.24 9980 1.00
p_predicted[1251] 0.13 0.24 10108 1.00
p_predicted[1252] 0.09 0.16 9876 1.00
p_predicted[1253] 0.13 0.24 10108 1.00
p_predicted[1254] 0.13 0.24 10254 1.00
p_predicted[1255] 0.09 0.16 10044 1.00
p_predicted[1256] 0.13 0.24 10254 1.00
p_predicted[1257] 0.15 0.27 10454 1.00
p_predicted[1258] 0.10 0.18 10299 1.00
p_predicted[1259] 0.15 0.27 10454 1.00
p_predicted[1260] 0.11 0.22 7971 1.00
p_predicted[1261] 0.08 0.14 8033 1.00
p_predicted[1262] 0.11 0.22 7971 1.00
p_predicted[1263] 0.00 0.01 9402 1.00
p_predicted[1264] 0.00 0.01 9414 1.00
p_predicted[1265] 0.00 0.01 9458 1.00
p_predicted[1266] 0.00 0.01 9489 1.00
p_predicted[1267] 0.00 0.01 9291 1.00
p_predicted[1268] 0.09 0.20 9504 1.00
p_predicted[1269] 0.07 0.16 8591 1.00
p_predicted[1270] 0.00 0.02 9094 1.00
p_predicted[1271] 0.00 0.02 9072 1.00
p_predicted[1272] 0.00 0.02 9098 1.00
p_predicted[1273] 0.00 0.02 9173 1.00
p_predicted[1274] 0.09 0.14 8393 1.00
p_predicted[1275] 0.09 0.14 8393 1.00
p_predicted[1276] 0.06 0.10 8678 1.00
p_predicted[1277] 0.06 0.10 8678 1.00
p_predicted[1278] 0.05 0.13 7376 1.00
p_predicted[1279] 0.04 0.12 7488 1.00
p_predicted[1280] 0.04 0.11 7431 1.00
p_predicted[1281] 0.04 0.11 7417 1.00
p_predicted[1282] 0.04 0.10 7577 1.00
p_predicted[1283] 0.04 0.10 7577 1.00
p_predicted[1284] 0.04 0.10 7577 1.00
p_predicted[1285] 0.04 0.10 7579 1.00
p_predicted[1286] 0.04 0.10 7586 1.00
p_predicted[1287] 0.04 0.10 7587 1.00
p_predicted[1288] 0.04 0.10 7589 1.00
p_predicted[1289] 0.00 0.02 9125 1.00
p_predicted[1290] 0.00 0.02 9095 1.00
p_predicted[1291] 0.00 0.02 9104 1.00
p_predicted[1292] 0.00 0.02 9132 1.00
p_predicted[1293] 0.11 0.19 8916 1.00
p_predicted[1294] 0.12 0.19 8199 1.00
p_predicted[1295] 0.16 0.25 8611 1.00
p_predicted[1296] 0.17 0.26 8047 1.00
p_predicted[1297] 0.13 0.21 6271 1.00
p_predicted[1298] 0.43 0.61 3036 1.00
p_predicted[1299] 0.43 0.61 3036 1.00
p_predicted[1300] 0.33 0.46 9097 1.00
p_predicted[1301] 0.33 0.46 9097 1.00
p_predicted[1302] 0.34 0.46 10118 1.00
p_predicted[1303] 0.34 0.46 10118 1.00
p_predicted[1304] 0.27 0.37 10050 1.00
p_predicted[1305] 0.27 0.37 10050 1.00
p_predicted[1306] 0.26 0.35 9768 1.00
p_predicted[1307] 0.26 0.35 9768 1.00
p_predicted[1308] 0.25 0.33 9797 1.00
p_predicted[1309] 0.25 0.33 9797 1.00
p_predicted[1310] 0.24 0.33 9842 1.00
p_predicted[1311] 0.24 0.33 9842 1.00
p_predicted[1312] 0.00 0.02 9595 1.00
p_predicted[1313] 0.00 0.02 9409 1.00
p_predicted[1314] 0.00 0.02 9393 1.00
p_predicted[1315] 0.00 0.02 9457 1.00
p_predicted[1316] 0.00 0.02 9608 1.00
p_predicted[1317] 0.00 0.02 9617 1.00
p_predicted[1318] 0.00 0.02 9639 1.00
p_predicted[1319] 0.00 0.02 9644 1.00
p_predicted[1320] 0.00 0.02 9595 1.00
p_predicted[1321] 0.00 0.02 9409 1.00
p_predicted[1322] 0.00 0.02 9393 1.00
p_predicted[1323] 0.00 0.02 9457 1.00
p_predicted[1324] 0.00 0.02 9609 1.00
p_predicted[1325] 0.00 0.02 9617 1.00
p_predicted[1326] 0.00 0.02 9643 1.00
p_predicted[1327] 0.32 0.43 11381 1.00
p_predicted[1328] 0.26 0.35 9619 1.00
p_predicted[1329] 0.25 0.34 10419 1.00
p_predicted[1330] 0.00 0.02 9147 1.00
p_predicted[1331] 0.00 0.02 9150 1.00
p_predicted[1332] 0.00 0.02 9134 1.00
p_predicted[1333] 0.00 0.02 9105 1.00
p_predicted[1334] 0.00 0.02 9102 1.00
p_predicted[1335] 0.00 0.02 9098 1.00
p_predicted[1336] 0.00 0.02 9099 1.00
p_predicted[1337] 0.00 0.02 9099 1.00
p_predicted[1338] 0.00 0.02 9094 1.00
p_predicted[1339] 0.00 0.02 9129 1.00
p_predicted_default[1] 0.04 0.11 7586 1.00
p_predicted_default[2] 0.22 0.28 5221 1.00
p_predicted_default[3] 0.17 0.21 6092 1.00
p_predicted_default[4] 0.17 0.21 6092 1.00
p_predicted_default[5] 0.08 0.12 7831 1.00
p_predicted_default[6] 0.05 0.08 8538 1.00
p_predicted_default[7] 0.41 0.50 4458 1.00
p_predicted_default[8] 0.26 0.45 6797 1.00
p_predicted_default[9] 0.13 0.18 4976 1.00
p_predicted_default[10] 0.01 0.03 8288 1.00
p_predicted_default[11] 0.00 0.06 10261 1.00
p_predicted_default[12] 0.20 0.25 6535 1.00
p_predicted_default[13] 0.09 0.14 3573 1.00
p_predicted_default[14] 0.12 0.17 10260 1.00
p_predicted_default[15] 0.12 0.17 10260 1.00
p_predicted_default[16] 0.29 0.34 4790 1.00
p_predicted_default[17] 0.05 0.07 8681 1.00
p_predicted_default[18] 0.09 0.13 7069 1.00
p_predicted_default[19] 0.09 0.13 7739 1.00
p_predicted_default[20] 0.01 0.12 10392 1.00
p_predicted_default[21] 0.14 0.19 2993 1.00
p_predicted_default[22] 0.47 0.64 8893 1.00
p_predicted_default[23] 0.47 0.64 8927 1.00
p_predicted_default[24] 0.06 0.09 8915 1.00
p_predicted_default[25] 0.47 0.55 3820 1.00
p_predicted_default[26] 0.47 0.55 3820 1.00
p_predicted_default[27] 0.47 0.55 3820 1.00
p_predicted_default[28] 0.02 0.04 8894 1.00
p_predicted_default[29] 0.02 0.04 8894 1.00
p_predicted_default[30] 0.06 0.10 3448 1.00
p_predicted_default[31] 0.08 0.12 4526 1.00
p_predicted_default[32] 0.09 0.20 5744 1.00
p_predicted_default[33] 0.36 0.44 3075 1.00
p_predicted_default[34] 0.36 0.44 3075 1.00
p_predicted_default[35] 0.17 0.25 7658 1.00
p_predicted_default[36] 0.17 0.27 7253 1.00
p_predicted_default[37] 0.15 0.19 7998 1.00
p_predicted_default[38] 0.15 0.19 7998 1.00
p_predicted_default[39] 0.15 0.19 7998 1.00
p_predicted_default[40] 0.28 0.36 2579 1.00
p_predicted_default[41] 0.09 0.12 4753 1.00
p_predicted_default[42] 0.27 0.36 5154 1.00
p_predicted_default[43] 0.22 0.28 4085 1.00
p_predicted_default[44] 0.19 0.25 7211 1.00
p_predicted_default[45] 0.20 0.25 4541 1.00
p_predicted_default[46] 0.19 0.23 5313 1.00
p_predicted_default[47] 0.06 0.10 8727 1.00
p_predicted_default[48] 0.06 0.10 8727 1.00
p_predicted_default[49] 0.20 0.25 3964 1.00
p_predicted_default[50] 0.00 0.06 9721 1.00
p_predicted_default[51] 0.30 0.35 3648 1.00
p_predicted_default[52] 0.30 0.35 3648 1.00
p_predicted_default[53] 0.30 0.35 3648 1.00
p_predicted_default[54] 0.27 0.33 4054 1.00
p_predicted_default[55] 0.27 0.33 4054 1.00
p_predicted_default[56] 0.27 0.33 4054 1.00
p_predicted_default[57] 0.00 0.04 8999 1.00
p_predicted_default[58] 0.10 0.17 8476 1.00
p_predicted_default[59] 0.08 0.17 9928 1.00
p_predicted_default[60] 0.20 0.26 6467 1.00
p_predicted_default[61] 0.13 0.24 8176 1.00
p_predicted_default[62] 0.13 0.23 7372 1.00
p_predicted_default[63] 0.36 0.43 3181 1.00
p_predicted_default[64] 0.85 0.95 7640 1.00
p_predicted_default[65] 0.85 0.95 7640 1.00
p_predicted_default[66] 0.08 0.15 9872 1.00
p_predicted_default[67] 0.05 0.09 9282 1.00
p_predicted_default[68] 0.38 0.46 3290 1.00
p_predicted_default[69] 0.23 0.34 6911 1.00
p_predicted_default[70] 0.25 0.40 7978 1.00
p_predicted_default[71] 0.04 0.07 7830 1.00
p_predicted_default[72] 0.04 0.07 7830 1.00
p_predicted_default[73] 0.06 0.13 10736 1.00
p_predicted_default[74] 0.07 0.11 7705 1.00
p_predicted_default[75] 0.05 0.08 8841 1.00
p_predicted_default[76] 0.07 0.11 7705 1.00
p_predicted_default[77] 0.47 0.55 3435 1.00
p_predicted_default[78] 0.21 0.27 3172 1.00
p_predicted_default[79] 0.00 0.02 10319 1.00
p_predicted_default[80] 0.30 0.47 7432 1.00
p_predicted_default[81] 0.50 0.67 8571 1.00
p_predicted_default[82] 0.00 0.01 8808 1.00
p_predicted_default[83] 0.01 0.20 9786 1.00
p_predicted_default[84] 0.00 0.01 9232 1.00
p_predicted_default[85] 0.00 0.01 9174 1.00
p_predicted_default[86] 0.00 0.01 9214 1.00
p_predicted_default[87] 0.29 0.34 1858 1.00
p_predicted_default[88] 0.00 0.03 10329 1.00
p_predicted_default[89] 0.03 0.06 7988 1.00
p_predicted_default[90] 0.06 0.12 10622 1.00
p_predicted_default[91] 0.00 0.02 9467 1.00
p_predicted_default[92] 0.06 0.14 10180 1.00
p_predicted_default[93] 0.09 0.12 4407 1.00
p_predicted_default[94] 0.11 0.17 9849 1.00
p_predicted_default[95] 0.14 0.18 4400 1.00
p_predicted_default[96] 0.00 0.04 9016 1.00
p_predicted_default[97] 0.21 0.30 6801 1.00
p_predicted_default[98] 0.03 0.07 7601 1.00
p_predicted_default[99] 0.00 0.02 9378 1.00
p_predicted_default[100] 0.00 0.01 8757 1.00
p_predicted_default[101] 0.13 0.17 5991 1.00
p_predicted_default[102] 0.20 0.25 4707 1.00
p_predicted_default[103] 0.03 0.06 7572 1.00
p_predicted_default[104] 0.02 0.05 8537 1.00
p_predicted_default[105] 0.03 0.06 7572 1.00
p_predicted_default[106] 0.09 0.13 3401 1.00
p_predicted_default[107] 0.52 0.61 4122 1.00
p_predicted_default[108] 0.22 0.29 9498 1.00
p_predicted_default[109] 0.22 0.29 9498 1.00
p_predicted_default[110] 0.22 0.29 9498 1.00
p_predicted_default[111] 0.00 0.01 9288 1.00
p_predicted_default[112] 0.00 0.03 9463 1.00
p_predicted_default[113] 0.13 0.24 9423 1.00
p_predicted_default[114] 0.29 0.46 6353 1.00
p_predicted_default[115] 0.06 0.12 10653 1.00
p_predicted_default[116] 0.06 0.11 10826 1.00
p_predicted_default[117] 0.06 0.11 10880 1.00
p_predicted_default[118] 0.04 0.08 8448 1.00
p_predicted_default[119] 0.04 0.08 8407 1.00
p_predicted_default[120] 0.00 0.02 9384 1.00
p_predicted_default[121] 0.00 0.02 9384 1.00
p_predicted_default[122] 0.00 0.02 9400 1.00
p_predicted_default[123] 0.16 0.22 7769 1.00
p_predicted_default[124] 0.16 0.22 7769 1.00
p_predicted_default[125] 0.14 0.18 4147 1.00
p_predicted_default[126] 0.15 0.22 9759 1.00
p_predicted_default[127] 0.41 0.51 3007 1.00
p_predicted_default[128] 0.14 0.18 4015 1.00
p_predicted_default[129] 0.21 0.29 9586 1.00
p_predicted_default[130] 0.00 0.04 8695 1.00
p_predicted_default[131] 0.15 0.24 6993 1.00
p_predicted_default[132] 0.10 0.17 7127 1.00
p_predicted_default[133] 0.15 0.24 6993 1.00
p_predicted_default[134] 0.07 0.11 7413 1.00
p_predicted_default[135] 0.05 0.09 8686 1.00
p_predicted_default[136] 0.07 0.11 7413 1.00
p_predicted_default[137] 0.00 0.02 9110 1.00
p_predicted_default[138] 0.06 0.11 8968 1.00
p_predicted_default[139] 0.05 0.09 9576 1.00
p_predicted_default[140] 0.06 0.11 8968 1.00
p_predicted_default[141] 0.89 0.97 9769 1.00
p_predicted_default[142] 0.09 0.13 9843 1.00
p_predicted_default[143] 0.06 0.11 10869 1.00
p_predicted_default[144] 0.06 0.11 10865 1.00
p_predicted_default[145] 0.57 0.73 7813 1.00
p_predicted_default[146] 0.00 0.03 8974 1.00
p_predicted_default[147] 0.07 0.13 10396 1.00
p_predicted_default[148] 0.07 0.17 10782 1.00
p_predicted_default[149] 0.61 0.75 7680 1.00
p_predicted_default[150] 0.27 0.32 2204 1.00
p_predicted_default[151] 0.27 0.32 2204 1.00
p_predicted_default[152] 0.11 0.22 7971 1.00
p_predicted_default[153] 0.08 0.14 8033 1.00
p_predicted_default[154] 0.11 0.22 7971 1.00
p_predicted_default[155] 0.00 0.01 9291 1.00
p_predicted_default[156] 0.07 0.16 8591 1.00
p_predicted_default[157] 0.00 0.02 9173 1.00
p_predicted_default[158] 0.06 0.10 8678 1.00
p_predicted_default[159] 0.06 0.10 8678 1.00
p_predicted_default[160] 0.04 0.10 7577 1.00
p_predicted_default[161] 0.00 0.02 9104 1.00
p_predicted_default[162] 0.13 0.21 6271 1.00
p_predicted_default[163] 0.27 0.37 10050 1.00
p_predicted_default[164] 0.27 0.37 10050 1.00
p_predicted_default[165] 0.00 0.02 9608 1.00
p_predicted_default[166] 0.00 0.02 9609 1.00
p_predicted_default[167] 0.26 0.35 9619 1.00
p_predicted_default[168] 0.00 0.02 9129 1.00
p_predicted_intervention[1] 1.00 1.00 10008 1.00
p_predicted_intervention[2] 0.00 0.02 8327 1.00
p_predicted_intervention[3] 0.00 0.01 8920 1.00
p_predicted_intervention[4] 0.00 0.01 8920 1.00
p_predicted_intervention[5] 0.63 0.99 7292 1.00
p_predicted_intervention[6] 0.58 1.00 7728 1.00
p_predicted_intervention[7] 0.00 0.01 8681 1.00
p_predicted_intervention[8] 0.59 1.00 8868 1.00
p_predicted_intervention[9] 0.00 0.01 8759 1.00
p_predicted_intervention[10] 1.00 1.00 10008 1.00
p_predicted_intervention[11] 0.70 1.00 10732 1.00
p_predicted_intervention[12] 0.00 0.02 8261 1.00
p_predicted_intervention[13] 0.00 0.00 9315 1.00
p_predicted_intervention[14] 0.23 0.46 1410 1.00
p_predicted_intervention[15] 0.23 0.46 1410 1.00
p_predicted_intervention[16] 0.00 0.02 8423 1.00
p_predicted_intervention[17] 0.58 1.00 7717 1.00
p_predicted_intervention[18] 0.62 0.99 7318 1.00
p_predicted_intervention[19] 0.61 0.99 7310 1.00
p_predicted_intervention[20] 0.13 1.00 9799 1.00
p_predicted_intervention[21] 0.00 0.01 9004 1.00
p_predicted_intervention[22] 0.00 1.00 8443 1.00
p_predicted_intervention[23] 0.00 1.00 8442 1.00
p_predicted_intervention[24] 0.58 1.00 7768 1.00
p_predicted_intervention[25] 0.00 0.02 8426 1.00
p_predicted_intervention[26] 0.00 0.02 8426 1.00
p_predicted_intervention[27] 0.00 0.02 8426 1.00
p_predicted_intervention[28] 1.00 1.00 10008 1.00
p_predicted_intervention[29] 1.00 1.00 10008 1.00
p_predicted_intervention[30] 0.00 0.01 9188 1.00
p_predicted_intervention[31] 0.00 0.00 9243 1.00
p_predicted_intervention[32] 1.00 1.00 10008 1.00
p_predicted_intervention[33] 0.33 0.48 1211 1.00
p_predicted_intervention[34] 0.33 0.48 1211 1.00
p_predicted_intervention[35] 0.00 0.41 7758 1.00
p_predicted_intervention[36] 0.00 0.41 7980 1.00
p_predicted_intervention[37] 0.00 0.02 8747 1.00
p_predicted_intervention[38] 0.00 0.02 8747 1.00
p_predicted_intervention[39] 0.00 0.02 8747 1.00
p_predicted_intervention[40] 0.00 0.01 8713 1.00
p_predicted_intervention[41] 0.00 0.01 9001 1.00
p_predicted_intervention[42] 0.00 0.01 8764 1.00
p_predicted_intervention[43] 0.00 0.03 8186 1.00
p_predicted_intervention[44] 0.00 0.02 8243 1.00
p_predicted_intervention[45] 0.29 0.46 1238 1.00
p_predicted_intervention[46] 0.00 0.02 8671 1.00
p_predicted_intervention[47] 0.63 1.00 8955 1.00
p_predicted_intervention[48] 0.63 1.00 8955 1.00
p_predicted_intervention[49] 0.30 0.46 1230 1.00
p_predicted_intervention[50] 0.61 1.00 10507 1.00
p_predicted_intervention[51] 0.00 0.01 8686 1.00
p_predicted_intervention[52] 0.00 0.01 8686 1.00
p_predicted_intervention[53] 0.00 0.01 8686 1.00
p_predicted_intervention[54] 0.00 0.01 8834 1.00
p_predicted_intervention[55] 0.00 0.01 8834 1.00
p_predicted_intervention[56] 0.00 0.01 8834 1.00
p_predicted_intervention[57] 0.28 1.00 10566 1.00
p_predicted_intervention[58] 0.00 0.41 7877 1.00
p_predicted_intervention[59] 0.66 1.00 9063 1.00
p_predicted_intervention[60] 0.00 0.03 8215 1.00
p_predicted_intervention[61] 0.00 0.48 7584 1.00
p_predicted_intervention[62] 0.00 0.47 7840 1.00
p_predicted_intervention[63] 0.32 0.48 1215 1.00
p_predicted_intervention[64] 1.00 1.00 10008 1.00
p_predicted_intervention[65] 1.00 1.00 10008 1.00
p_predicted_intervention[66] 0.92 1.00 11126 1.00
p_predicted_intervention[67] 0.68 1.00 9093 1.00
p_predicted_intervention[68] 0.00 0.02 8608 1.00
p_predicted_intervention[69] 0.00 0.42 7825 1.00
p_predicted_intervention[70] 0.00 0.41 8017 1.00
p_predicted_intervention[71] 0.61 1.00 7660 1.00
p_predicted_intervention[72] 0.61 1.00 7660 1.00
p_predicted_intervention[73] 0.92 1.00 11159 1.00
p_predicted_intervention[74] 0.62 1.00 8966 1.00
p_predicted_intervention[75] 0.65 1.00 9012 1.00
p_predicted_intervention[76] 0.62 1.00 8966 1.00
p_predicted_intervention[77] 0.00 0.02 8406 1.00
p_predicted_intervention[78] 0.31 0.48 1219 1.00
p_predicted_intervention[79] 0.21 1.00 10456 1.00
p_predicted_intervention[80] 0.00 0.43 7737 1.00
p_predicted_intervention[81] 0.95 1.00 7053 1.00
p_predicted_intervention[82] 0.55 1.00 10542 1.00
p_predicted_intervention[83] 0.68 1.00 11124 1.00
p_predicted_intervention[84] 0.63 1.00 10666 1.00
p_predicted_intervention[85] 0.63 1.00 10668 1.00
p_predicted_intervention[86] 0.63 1.00 10668 1.00
p_predicted_intervention[87] 0.35 0.48 1138 1.00
p_predicted_intervention[88] 0.22 1.00 10476 1.00
p_predicted_intervention[89] 1.00 1.00 10008 1.00
p_predicted_intervention[90] 0.92 1.00 11231 1.00
p_predicted_intervention[91] 0.62 1.00 10684 1.00
p_predicted_intervention[92] 0.00 0.43 7750 1.00
p_predicted_intervention[93] 0.00 0.01 8682 1.00
p_predicted_intervention[94] 0.23 0.47 1422 1.00
p_predicted_intervention[95] 0.29 0.44 1188 1.00
p_predicted_intervention[96] 0.28 1.00 10568 1.00
p_predicted_intervention[97] 0.00 0.06 7507 1.00
p_predicted_intervention[98] 0.61 1.00 7626 1.00
p_predicted_intervention[99] 0.62 1.00 10679 1.00
p_predicted_intervention[100] 0.55 1.00 10543 1.00
p_predicted_intervention[101] 0.27 0.45 1257 1.00
p_predicted_intervention[102] 0.00 0.05 7566 1.00
p_predicted_intervention[103] 0.66 1.00 9081 1.00
p_predicted_intervention[104] 0.69 1.00 9115 1.00
p_predicted_intervention[105] 0.66 1.00 9081 1.00
p_predicted_intervention[106] 0.00 0.01 9117 1.00
p_predicted_intervention[107] 0.00 0.01 8676 1.00
p_predicted_intervention[108] 0.54 0.99 7019 1.00
p_predicted_intervention[109] 0.54 0.99 7019 1.00
p_predicted_intervention[110] 0.54 0.99 7019 1.00
p_predicted_intervention[111] 0.63 1.00 10665 1.00
p_predicted_intervention[112] 0.27 1.00 10605 1.00
p_predicted_intervention[113] 0.63 1.00 8974 1.00
p_predicted_intervention[114] 0.55 1.00 8855 1.00
p_predicted_intervention[115] 0.92 1.00 11224 1.00
p_predicted_intervention[116] 0.92 1.00 11194 1.00
p_predicted_intervention[117] 0.92 1.00 11172 1.00
p_predicted_intervention[118] 0.62 1.00 7527 1.00
p_predicted_intervention[119] 0.59 1.00 7633 1.00
p_predicted_intervention[120] 0.09 1.00 9325 1.00
p_predicted_intervention[121] 0.09 1.00 9325 1.00
p_predicted_intervention[122] 0.09 1.00 9333 1.00
p_predicted_intervention[123] 0.61 0.99 7081 1.00
p_predicted_intervention[124] 0.61 0.99 7081 1.00
p_predicted_intervention[125] 0.28 0.47 1241 1.00
p_predicted_intervention[126] 0.56 0.99 7364 1.00
p_predicted_intervention[127] 0.00 0.02 8629 1.00
p_predicted_intervention[128] 0.30 0.45 1184 1.00
p_predicted_intervention[129] 0.53 0.99 7024 1.00
p_predicted_intervention[130] 0.28 1.00 10560 1.00
p_predicted_intervention[131] 0.55 1.00 8785 1.00
p_predicted_intervention[132] 0.59 1.00 8854 1.00
p_predicted_intervention[133] 0.55 1.00 8785 1.00
p_predicted_intervention[134] 0.62 1.00 8966 1.00
p_predicted_intervention[135] 0.66 1.00 9016 1.00
p_predicted_intervention[136] 0.62 1.00 8966 1.00
p_predicted_intervention[137] 0.11 1.00 9396 1.00
p_predicted_intervention[138] 0.63 1.00 9049 1.00
p_predicted_intervention[139] 0.67 1.00 9090 1.00
p_predicted_intervention[140] 0.63 1.00 9049 1.00
p_predicted_intervention[141] 0.00 0.99 7401 1.00
p_predicted_intervention[142] 0.21 0.46 1473 1.00
p_predicted_intervention[143] 0.92 1.00 11182 1.00
p_predicted_intervention[144] 0.92 1.00 11184 1.00
p_predicted_intervention[145] 0.96 1.00 7117 1.00
p_predicted_intervention[146] 0.28 1.00 10613 1.00
p_predicted_intervention[147] 0.92 1.00 11184 1.00
p_predicted_intervention[148] 0.00 0.40 7699 1.00
p_predicted_intervention[149] 0.00 1.00 8476 1.00
p_predicted_intervention[150] 0.34 0.47 1145 1.00
p_predicted_intervention[151] 0.34 0.47 1145 1.00
p_predicted_intervention[152] 0.55 1.00 8773 1.00
p_predicted_intervention[153] 0.58 1.00 8842 1.00
p_predicted_intervention[154] 0.55 1.00 8773 1.00
p_predicted_intervention[155] 0.07 1.00 9286 1.00
p_predicted_intervention[156] 0.55 1.00 8745 1.00
p_predicted_intervention[157] 0.09 1.00 9348 1.00
p_predicted_intervention[158] 0.61 1.00 7494 1.00
p_predicted_intervention[159] 0.61 1.00 7494 1.00
p_predicted_intervention[160] 1.00 1.00 10008 1.00
p_predicted_intervention[161] 0.10 1.00 9406 1.00
p_predicted_intervention[162] 0.62 1.00 8913 1.00
p_predicted_intervention[163] 0.54 0.99 7124 1.00
p_predicted_intervention[164] 0.54 0.99 7124 1.00
p_predicted_intervention[165] 0.11 1.00 9363 1.00
p_predicted_intervention[166] 0.11 1.00 9363 1.00
p_predicted_intervention[167] 0.60 0.99 7157 1.00
p_predicted_intervention[168] 0.10 1.00 9383 1.00
predicted_difference[1] 0.99 1.00 7585 1.00
predicted_difference[2] -0.17 -0.12 6680 1.00
predicted_difference[3] -0.14 -0.11 7714 1.00
predicted_difference[4] -0.14 -0.11 7714 1.00
predicted_difference[5] 0.58 0.95 7291 1.00
predicted_difference[6] 0.54 0.97 7648 1.00
predicted_difference[7] -0.32 -0.24 5569 1.00
predicted_difference[8] 0.40 0.91 8837 1.00
predicted_difference[9] -0.09 -0.06 6554 1.00
predicted_difference[10] 1.00 1.00 8284 1.00
predicted_difference[11] 0.69 1.00 10696 1.00
predicted_difference[12] -0.15 -0.09 7453 1.00
predicted_difference[13] -0.06 -0.04 4400 1.00
predicted_difference[14] 0.13 0.36 1496 1.00
predicted_difference[15] 0.13 0.36 1496 1.00
predicted_difference[16] -0.23 -0.18 6403 1.00
predicted_difference[17] 0.54 0.97 7640 1.00
predicted_difference[18] 0.54 0.93 7320 1.00
predicted_difference[19] 0.54 0.93 7314 1.00
predicted_difference[20] 0.11 1.00 9632 1.00
predicted_difference[21] -0.10 -0.07 4059 1.00
predicted_difference[22] -0.24 0.59 8136 1.00
predicted_difference[23] -0.23 0.59 8143 1.00
predicted_difference[24] 0.53 0.96 7697 1.00
predicted_difference[25] -0.38 -0.29 4907 1.00
predicted_difference[26] -0.38 -0.29 4907 1.00
predicted_difference[27] -0.38 -0.29 4907 1.00
predicted_difference[28] 0.99 1.00 8894 1.00
predicted_difference[29] 0.99 1.00 8894 1.00
predicted_difference[30] -0.04 -0.02 5652 1.00
predicted_difference[31] -0.04 -0.03 5096 1.00
predicted_difference[32] 0.97 0.99 5743 1.00
predicted_difference[33] 0.00 0.13 1513 1.00
predicted_difference[34] 0.00 0.13 1513 1.00
predicted_difference[35] -0.09 0.27 6918 1.00
predicted_difference[36] -0.09 0.28 7356 1.00
predicted_difference[37] -0.11 -0.08 8073 1.00
predicted_difference[38] -0.11 -0.08 8073 1.00
predicted_difference[39] -0.11 -0.08 8073 1.00
predicted_difference[40] -0.21 -0.16 3768 1.00
predicted_difference[41] -0.06 -0.04 7344 1.00
predicted_difference[42] -0.20 -0.14 5883 1.00
predicted_difference[43] -0.16 -0.10 5959 1.00
predicted_difference[44] -0.14 -0.09 7758 1.00
predicted_difference[45] 0.11 0.27 1354 1.00
predicted_difference[46] -0.15 -0.12 7333 1.00
predicted_difference[47] 0.58 0.97 8965 1.00
predicted_difference[48] 0.58 0.97 8965 1.00
predicted_difference[49] 0.11 0.28 1351 1.00
predicted_difference[50] 0.59 1.00 10438 1.00
predicted_difference[51] -0.24 -0.19 5357 1.00
predicted_difference[52] -0.24 -0.19 5357 1.00
predicted_difference[53] -0.24 -0.19 5357 1.00
predicted_difference[54] -0.21 -0.16 5470 1.00
predicted_difference[55] -0.21 -0.16 5470 1.00
predicted_difference[56] -0.21 -0.16 5470 1.00
predicted_difference[57] 0.27 1.00 10546 1.00
predicted_difference[58] -0.04 0.32 7043 1.00
predicted_difference[59] 0.61 0.98 9265 1.00
predicted_difference[60] -0.15 -0.09 7419 1.00
predicted_difference[61] -0.05 0.35 6822 1.00
predicted_difference[62] -0.06 0.37 7134 1.00
predicted_difference[63] 0.00 0.13 1519 1.00
predicted_difference[64] 0.34 0.57 7640 1.00
predicted_difference[65] 0.34 0.57 7640 1.00
predicted_difference[66] 0.84 0.98 10957 1.00
predicted_difference[67] 0.65 0.99 9174 1.00
predicted_difference[68] -0.30 -0.22 4437 1.00
predicted_difference[69] -0.14 0.26 7382 1.00
predicted_difference[70] -0.13 0.29 8137 1.00
predicted_difference[71] 0.58 0.98 7625 1.00
predicted_difference[72] 0.58 0.98 7625 1.00
predicted_difference[73] 0.83 0.96 10991 1.00
predicted_difference[74] 0.57 0.96 8978 1.00
predicted_difference[75] 0.62 0.98 9044 1.00
predicted_difference[76] 0.57 0.96 8978 1.00
predicted_difference[77] -0.38 -0.30 4573 1.00
predicted_difference[78] 0.11 0.28 1349 1.00
predicted_difference[79] 0.20 1.00 10461 1.00
predicted_difference[80] -0.16 0.28 8292 1.00
predicted_difference[81] 0.52 0.76 7664 1.00
predicted_difference[82] 0.55 1.00 10537 1.00
predicted_difference[83] 0.63 1.00 10915 1.00
predicted_difference[84] 0.63 1.00 10661 1.00
predicted_difference[85] 0.63 1.00 10663 1.00
predicted_difference[86] 0.63 1.00 10663 1.00
predicted_difference[87] 0.09 0.20 1248 1.00
predicted_difference[88] 0.22 1.00 10501 1.00
predicted_difference[89] 0.99 1.00 7986 1.00
predicted_difference[90] 0.88 0.99 11153 1.00
predicted_difference[91] 0.62 1.00 10669 1.00
predicted_difference[92] -0.02 0.33 7246 1.00
predicted_difference[93] -0.06 -0.04 5850 1.00
predicted_difference[94] 0.14 0.38 1512 1.00
predicted_difference[95] 0.17 0.31 1248 1.00
predicted_difference[96] 0.27 1.00 10549 1.00
predicted_difference[97] -0.14 -0.04 7487 1.00
predicted_difference[98] 0.59 0.98 7564 1.00
predicted_difference[99] 0.62 1.00 10678 1.00
predicted_difference[100] 0.55 1.00 10539 1.00
predicted_difference[101] 0.16 0.34 1330 1.00
predicted_difference[102] -0.15 -0.07 6280 1.00
predicted_difference[103] 0.64 0.99 9124 1.00
predicted_difference[104] 0.67 0.99 9152 1.00
predicted_difference[105] 0.64 0.99 9124 1.00
predicted_difference[106] -0.06 -0.04 5467 1.00
predicted_difference[107] -0.42 -0.32 4466 1.00
predicted_difference[108] 0.34 0.79 6966 1.00
predicted_difference[109] 0.34 0.79 6966 1.00
predicted_difference[110] 0.34 0.79 6966 1.00
predicted_difference[111] 0.62 1.00 10660 1.00
predicted_difference[112] 0.27 1.00 10604 1.00
predicted_difference[113] 0.55 0.97 9158 1.00
predicted_difference[114] 0.34 0.88 8877 1.00
predicted_difference[115] 0.88 0.99 11147 1.00
predicted_difference[116] 0.88 0.99 11123 1.00
predicted_difference[117] 0.88 0.99 11104 1.00
predicted_difference[118] 0.60 0.99 7559 1.00
predicted_difference[119] 0.56 0.98 7657 1.00
predicted_difference[120] 0.08 1.00 9308 1.00
predicted_difference[121] 0.08 1.00 9308 1.00
predicted_difference[122] 0.08 1.00 9316 1.00
predicted_difference[123] 0.49 0.90 7210 1.00
predicted_difference[124] 0.49 0.90 7210 1.00
predicted_difference[125] 0.16 0.35 1324 1.00
predicted_difference[126] 0.41 0.83 7262 1.00
predicted_difference[127] -0.31 -0.22 3383 1.00
predicted_difference[128] 0.17 0.32 1247 1.00
predicted_difference[129] 0.34 0.79 6971 1.00
predicted_difference[130] 0.27 1.00 10537 1.00
predicted_difference[131] 0.41 0.87 8678 1.00
predicted_difference[132] 0.49 0.93 8793 1.00
predicted_difference[133] 0.41 0.87 8678 1.00
predicted_difference[134] 0.57 0.97 8978 1.00
predicted_difference[135] 0.62 0.98 9048 1.00
predicted_difference[136] 0.57 0.97 8978 1.00
predicted_difference[137] 0.10 1.00 9371 1.00
predicted_difference[138] 0.59 0.98 9112 1.00
predicted_difference[139] 0.65 0.99 9172 1.00
predicted_difference[140] 0.59 0.98 9112 1.00
predicted_difference[141] -0.62 0.12 7870 1.00
predicted_difference[142] 0.14 0.40 1533 1.00
predicted_difference[143] 0.88 0.99 11112 1.00
predicted_difference[144] 0.88 0.99 11114 1.00
predicted_difference[145] 0.44 0.69 7549 1.00
predicted_difference[146] 0.27 1.00 10603 1.00
predicted_difference[147] 0.84 0.97 11020 1.00
predicted_difference[148] -0.02 0.29 7316 1.00
predicted_difference[149] -0.39 0.58 8437 1.00
predicted_difference[150] 0.08 0.20 1251 1.00
predicted_difference[151] 0.08 0.20 1251 1.00
predicted_difference[152] 0.44 0.89 8767 1.00
predicted_difference[153] 0.51 0.94 8828 1.00
predicted_difference[154] 0.44 0.89 8767 1.00
predicted_difference[155] 0.06 1.00 9270 1.00
predicted_difference[156] 0.49 0.93 8810 1.00
predicted_difference[157] 0.09 1.00 9321 1.00
predicted_difference[158] 0.56 0.96 7453 1.00
predicted_difference[159] 0.56 0.96 7453 1.00
predicted_difference[160] 0.99 1.00 7575 1.00
predicted_difference[161] 0.10 1.00 9381 1.00
predicted_difference[162] 0.53 0.95 8918 1.00
predicted_difference[163] 0.30 0.73 7318 1.00
predicted_difference[164] 0.30 0.73 7318 1.00
predicted_difference[165] 0.10 1.00 9345 1.00
predicted_difference[166] 0.10 1.00 9345 1.00
predicted_difference[167] 0.38 0.79 7497 1.00
predicted_difference[168] 0.10 1.00 9357 1.00
lp__ -284.92 -237.52 459 1.00
Samples were drawn using NUTS(diag_e) at Sat Jan 11 22:10:04 2025.
For each parameter, n_eff is a crude measure of effective sample size,
and Rhat is the potential scale reduction factor on split chains (at
convergence, Rhat=1).
|
Parameter Distributions
| <#cb46-1>#g1 <- group_mcmc_areas("beta",beta_list,fit,1)
<#cb46-2>
<#cb46-3>
<#cb46-4>gx <- c()
<#cb46-5>
<#cb46-6>#grab parameters for every category with more than 8 observations
<#cb46-7>for (i in category_count$category_id[category_count$n >= 8]) {
<#cb46-8> print(i)
<#cb46-9>
<#cb46-10> #Print parameter distributions
<#cb46-11> gi <- group_mcmc_areas("beta",beta_list,fit,i) #add way to filter groups
<#cb46-12> ggsave(
<#cb46-13> paste0("./Images/DirectEffects/Parameters/group_",i,"_",gi$name,".png")
<#cb46-14> ,plot=gi$plot
<#cb46-15> )
<#cb46-16> gx <- c(gx,gi)
<#cb46-17>
<#cb46-18> #Get Quantiles and means for parameters
<#cb46-19> table <- xtable(gi$quantiles,
<#cb46-20> floating=FALSE
<#cb46-21> ,latex.environments = NULL
<#cb46-22> ,booktabs = TRUE
<#cb46-23> ,zap=getOption("digits")
<#cb46-24> )
<#cb46-25> write_lines(table,paste0("./latex_output/DirectEffects/group_",gi$name,".tex"))
<#cb46-26>}
|
//
|[1] 1
|
|Saving 7 x 5 in image
|
|Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|[1] 2
|
|Saving 7 x 5 in image
|
|Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|[1] 4
|
|Saving 7 x 5 in image
|
|Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|[1] 5
|
|Saving 7 x 5 in image
|
|Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|[1] 6
|
|Saving 7 x 5 in image
|
|Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|[1] 7
|
|Saving 7 x 5 in image
|
|Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|[1] 11
|
|Saving 7 x 5 in image
|
|Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|[1] 12
|
|Saving 7 x 5 in image
|
|Warning: Removed 1 row containing missing values or values outside the scale range
(`geom_vline()`).
|
|[1] 13
|
|Saving 7 x 5 in image
|
| <#cb73-1>px <- c()
<#cb73-2>
<#cb73-3>
<#cb73-4>for (i in c(1,2,3,9,10,11,12)) {
<#cb73-5>
<#cb73-6> #Print parameter distributions
<#cb73-7> pi <- parameter_mcmc_areas("beta",beta_list,fit,i) #add way to filter groups
<#cb73-8> ggsave(
<#cb73-9> paste0("./Images/DirectEffects/Parameters/parameters_",i,"_",pi$name,".png")
<#cb73-10> ,plot=pi$plot
<#cb73-11> )
<#cb73-12> px <- c(px,pi)
<#cb73-13>
<#cb73-14> #Get Quantiles and means for parameters
<#cb73-15> table <- xtable(pi$quantiles,
<#cb73-16> floating=FALSE
<#cb73-17> ,latex.environments = NULL
<#cb73-18> ,booktabs = TRUE
<#cb73-19> ,zap=getOption("digits")
<#cb73-20> )
<#cb73-21> write_lines(table,paste0("./latex_output/DirectEffects/parameters_",i,"_",pi$name,".tex"))
<#cb73-22>
<#cb73-23>}
|
//
|Saving 7 x 5 in image
|
|Warning: Removed 6 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|Saving 7 x 5 in image
Saving 7 x 5 in image
Saving 7 x 5 in image
|
|Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|Saving 7 x 5 in image
|
|Warning: Removed 6 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|Saving 7 x 5 in image
|
|Warning: Removed 5 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
|Saving 7 x 5 in image
|
|Warning: Removed 5 rows containing missing values or values outside the scale range
(`geom_vline()`).
|
Note these have 95% outer CI and 80% inner (shaded)
| <#cb84-1>print(px[4]$plot + px[7]$plot)
|
//
| <#cb85-1>ggsave("./Images/DirectEffects/Parameters/2+3_generic_and_uspdc.png")
|
//
|Saving 7 x 5 in image
|
Counterfactuals
| <#cb87-1>generated_ib <- gqs(
<#cb87-2> fit@stanmodel,
<#cb87-3> data=counterfact_delay,
<#cb87-4> draws=as.matrix(fit),
<#cb87-5> seed=11021585
<#cb87-6> )
|
//
| <#cb88-1>df_ib_p <- data.frame(
<#cb88-2> p_prior=as.vector(extract(generated_ib, pars="p_prior")$p_prior)
<#cb88-3> ,p_predicted = as.vector(extract(generated_ib, pars="p_predicted")$p_predicted)
<#cb88-4>)
<#cb88-5>
<#cb88-6>df_ib_prior <- data.frame(
<#cb88-7> mu_prior = as.vector(extract(generated_ib, pars="mu_prior")$mu_prior)
<#cb88-8> ,sigma_prior = as.vector(extract(generated_ib, pars="sigma_prior")$sigma_prior)
<#cb88-9>)
<#cb88-10>
<#cb88-11>#p_prior
<#cb88-12>ggplot(df_ib_p, aes(x=p_prior)) +
<#cb88-13> geom_density() +
<#cb88-14> labs(
<#cb88-15> title="Implied Prior Distribution P"
<#cb88-16> ,subtitle=""
<#cb88-17> ,x="Probability Domain 'p'"
<#cb88-18> ,y="Probability Density"
<#cb88-19> )
|
//
| <#cb89-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/prior_p.png")
|
//
|Saving 7 x 5 in image
|
| <#cb91-1>#p_posterior
<#cb91-2>ggplot(df_ib_p, aes(x=p_predicted)) +
<#cb91-3> geom_density() +
<#cb91-4> labs(
<#cb91-5> title="Implied Posterior Distribution P"
<#cb91-6> ,subtitle=""
<#cb91-7> ,x="Probability Domain 'p'"
<#cb91-8> ,y="Probability Density"
<#cb91-9> )
|
//
| <#cb92-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/posterior_p.png")
|
//
|Saving 7 x 5 in image
|
| <#cb94-1>#mu_prior
<#cb94-2>ggplot(df_ib_prior) +
<#cb94-3> geom_density(aes(x=mu_prior)) +
<#cb94-4> labs(
<#cb94-5> title="Prior - Mu"
<#cb94-6> ,subtitle="same prior for all Mu values"
<#cb94-7> ,x="Mu"
<#cb94-8> ,y="Probability"
<#cb94-9> )
|
//
| <#cb95-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/prior_mu.png")
|
//
|Saving 7 x 5 in image
|
| <#cb97-1>#sigma_posterior
<#cb97-2>ggplot(df_ib_prior) +
<#cb97-3> geom_density(aes(x=sigma_prior)) +
<#cb97-4> labs(
<#cb97-5> title="Prior - Sigma"
<#cb97-6> ,subtitle="same prior for all Sigma values"
<#cb97-7> ,x="Sigma"
<#cb97-8> ,y="Probability"
<#cb97-9> )
|
//
| <#cb98-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/prior_sigma.png")
|
//
|Saving 7 x 5 in image
|
| <#cb100-1>check_hmc_diagnostics(fit)
|
//
|
Divergences:
|
|0 of 10000 iterations ended with a divergence.
|
|
Tree depth:
|
|0 of 10000 iterations saturated the maximum tree depth of 10.
|
|
Energy:
|
|E-BFMI indicated possible pathological behavior:
Chain 1: E-BFMI = 0.178
Chain 2: E-BFMI = 0.189
E-BFMI below 0.2 indicates you may need to reparameterize your model.
|
Intervention: Delay close of enrollment<#intervention-delay-close-
of-enrollment>
| <#cb107-1>counterfact_predicted_ib <- data.frame(
<#cb107-2> p_predicted_default = as.vector(extract(generated_ib, pars="p_predicted_default")$p_predicted_default)
<#cb107-3> ,p_predicted_intervention = as.vector(extract(generated_ib, pars="p_predicted_intervention")$p_predicted_intervention)
<#cb107-4> ,predicted_difference = as.vector(extract(generated_ib, pars="predicted_difference")$predicted_difference)
<#cb107-5>)
<#cb107-6>
<#cb107-7>
<#cb107-8>ggplot(counterfact_predicted_ib, aes(x=p_predicted_default)) +
<#cb107-9> geom_density() +
<#cb107-10> labs(
<#cb107-11> title="Predicted Distribution of 'p'"
<#cb107-12> ,subtitle="Intervention: None"
<#cb107-13> ,x="Probability Domain 'p'"
<#cb107-14> ,y="Probability Density"
<#cb107-15> )
|
//
| <#cb108-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/default_p_generic_intervention_base.png")
|
//
|Saving 7 x 5 in image
|
| <#cb110-1>ggplot(counterfact_predicted_ib, aes(x=p_predicted_intervention)) +
<#cb110-2> geom_density() +
<#cb110-3> labs(
<#cb110-4> title="Predicted Distribution of 'p'"
<#cb110-5> ,subtitle="Intervention: Delay close of enrollment"
<#cb110-6> ,x="Probability Domain 'p'"
<#cb110-7> ,y="Probability Density"
<#cb110-8> )
|
//
| <#cb111-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/default_p_generic_intervention_interv.png")
|
//
|Saving 7 x 5 in image
|
| <#cb113-1>ggplot(counterfact_predicted_ib, aes(x=predicted_difference)) +
<#cb113-2> geom_density() +
<#cb113-3> labs(
<#cb113-4> title="Predicted Distribution of differences 'p'"
<#cb113-5> ,subtitle="Intervention: Delay close of enrollment"
<#cb113-6> ,x="Difference in 'p' under treatment"
<#cb113-7> ,y="Probability Density"
<#cb113-8> )
|
//
| <#cb114-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/default_p_generic_intervention_distdiff.png")
|
//
|Saving 7 x 5 in image
|
| <#cb116-1>get_category_count <- function(tbl, id) {
<#cb116-2> result <- tbl$n[tbl$category_id == id]
<#cb116-3> if(length(result) == 0) 0 else result
<#cb116-4>}
<#cb116-5>
<#cb116-6>category_names <- sapply(1:length(beta_list$groups),
<#cb116-7> function(i) sprintf("ICD-10 #%d: %s (n=%d)",
<#cb116-8> i,
<#cb116-9> beta_list$groups[i],
<#cb116-10> get_category_count(category_count, i)))
|
//
| <#cb117-1>pddf_ib <- data.frame(extract(generated_ib, pars="predicted_difference")$predicted_difference) |>
<#cb117-2> pivot_longer(X1:X168) #CHANGE_NOTE: moved from X169 to X168
<#cb117-3>
<#cb117-4>#TODO: Fix Category names
<#cb117-5>pddf_ib["entry_idx"] <- as.numeric(gsub("\\D","",pddf_ib$name))
<#cb117-6>pddf_ib["category"] <- sapply(pddf_ib$entry_idx, function(i) df$category_id[i])
<#cb117-7>pddf_ib["category_name"] <- sapply(
<#cb117-8> pddf_ib$category,
<#cb117-9> function(i) category_names[i]
<#cb117-10> )
<#cb117-11>
<#cb117-12>
<#cb117-13>
<#cb117-14>ggplot(pddf_ib, aes(x=value,)) +
<#cb117-15> geom_density(adjust=1/5) +
<#cb117-16> labs(
<#cb117-17> title = "Distribution of predicted differences"
<#cb117-18> ,subtitle = "Intervention: Delay close of enrollment"
<#cb117-19> ,x = "Difference in probability due to intervention"
<#cb117-20> ,y = "Probability Density"
<#cb117-21> ) +
<#cb117-22> geom_vline(aes(xintercept = 0), color = "skyblue", linetype="dashed")
|
//
| <#cb118-1> #todo: add median, mean, 40/60 quantiles as well as
<#cb118-2>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/p_delay_intervention_distdiff_styled.png")
|
//
|Saving 7 x 5 in image
|
| <#cb120-1>ggplot(pddf_ib, aes(x=value,)) +
<#cb120-2> geom_density(adjust=1/5) +
<#cb120-3> facet_wrap(
<#cb120-4> ~factor(
<#cb120-5> category_name,
<#cb120-6> levels=category_names
<#cb120-7> )
<#cb120-8> , labeller = label_wrap_gen(multi_line = TRUE)
<#cb120-9> , ncol=4) +
<#cb120-10> labs(
<#cb120-11> title = "Distribution of predicted differences | By Group"
<#cb120-12> ,subtitle = "Intervention: Delay close of enrollment"
<#cb120-13> ,x = "Difference in probability due to intervention"
<#cb120-14> ,y = "Probability Density"
<#cb120-15> ) +
<#cb120-16> geom_vline(aes(xintercept = 0), color = "skyblue", linetype="dashed") +
<#cb120-17> theme(strip.text.x = element_text(size = 8))
|
//
| <#cb121-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/p_delay_intervention_distdiff_by_group.png")
|
//
|Saving 7 x 5 in image
|
| <#cb123-1>ggplot(pddf_ib, aes(x=value,)) +
<#cb123-2> geom_histogram(bins=300) +
<#cb123-3> facet_wrap(
<#cb123-4> ~factor(
<#cb123-5> category_name,
<#cb123-6> levels=category_names
<#cb123-7> )
<#cb123-8> , labeller = label_wrap_gen(multi_line = TRUE)
<#cb123-9> , ncol=4) +
<#cb123-10> labs(
<#cb123-11> title = "Histogram of predicted differences | By Group"
<#cb123-12> ,subtitle = "Intervention: Delay close of enrollment"
<#cb123-13> ,x = "Difference in probability due to intervention"
<#cb123-14> ,y = "Predicted counts"
<#cb123-15> ) +
<#cb123-16> geom_vline(aes(xintercept = 0), color = "skyblue", linetype="dashed") +
<#cb123-17> theme(strip.text.x = element_text(size = 8))
|
//
| <#cb124-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/p_delay_intervention_histdiff_by_group.png")
|
//
|Saving 7 x 5 in image
|
| <#cb126-1>p3 <- ggplot(pddf_ib, aes(x=value,)) +
<#cb126-2> geom_histogram(bins=500) +
<#cb126-3> labs(
<#cb126-4> title = "Distribution of predicted differences"
<#cb126-5> ,subtitle = "Intervention: Delay close of enrollment"
<#cb126-6> ,x = "Difference in probability due to intervention"
<#cb126-7> ,y = "Probability Density"
<#cb126-8> ,caption = "Vertical marks: 5/10/25/50/75/90/95th percentiles. Dot shows mean."
<#cb126-9> ) +
<#cb126-10> geom_vline(aes(xintercept = 0), color = "skyblue", linetype="dashed")
<#cb126-11>
<#cb126-12>stats <- list(
<#cb126-13> p5 = quantile(pddf_ib$value, 0.05),
<#cb126-14> p10 = quantile(pddf_ib$value, 0.10),
<#cb126-15> q1 = quantile(pddf_ib$value, 0.25),
<#cb126-16> med = median(pddf_ib$value),
<#cb126-17> mean = mean(pddf_ib$value),
<#cb126-18> q3 = quantile(pddf_ib$value, 0.75),
<#cb126-19> p90 = quantile(pddf_ib$value, 0.90),
<#cb126-20> p95 = quantile(pddf_ib$value, 0.95),
<#cb126-21> max_height = max(ggplot_build(p3)$data[[1]]$count),
<#cb126-22> y_offset = -max(ggplot_build(p3)$data[[1]]$count) * 0.05
<#cb126-23>)
<#cb126-24>
<#cb126-25>p3 +
<#cb126-26> # Box
<#cb126-27> geom_segment(data = data.frame(
<#cb126-28> x = c(stats$q1, stats$q3, stats$med),
<#cb126-29> xend = c(stats$q1, stats$q3, stats$med),
<#cb126-30> y = rep(stats$y_offset, 3),
<#cb126-31> yend = rep(stats$y_offset * 2, 3)
<#cb126-32> ), aes(x = x, xend = xend, y = y, yend = yend)) +
<#cb126-33> geom_segment(data = data.frame(
<#cb126-34> x = rep(stats$q1, 2),
<#cb126-35> xend = rep(stats$q3, 2),
<#cb126-36> y = c(stats$y_offset, stats$y_offset * 2),
<#cb126-37> yend = c(stats$y_offset, stats$y_offset * 2)
<#cb126-38> ), aes(x = x, xend = xend, y = y, yend = yend)) +
<#cb126-39> # Inner whiskers (Q1->P10, Q3->P90)
<#cb126-40> geom_segment(data = data.frame(
<#cb126-41> x = c(stats$q1, stats$q3),
<#cb126-42> xend = c(stats$p10, stats$p90),
<#cb126-43> y = rep(stats$y_offset * 1.5, 2),
<#cb126-44> yend = rep(stats$y_offset * 1.5, 2)
<#cb126-45> ), aes(x = x, xend = xend, y = y, yend = yend)) +
<#cb126-46> # Crossbars at P10/P90
<#cb126-47> geom_segment(data = data.frame(
<#cb126-48> x = c(stats$p10, stats$p90),
<#cb126-49> xend = c(stats$p10, stats$p90),
<#cb126-50> y = stats$y_offset * 1.3,
<#cb126-51> yend = stats$y_offset * 1.7
<#cb126-52> ), aes(x = x, xend = xend, y = y, yend = yend)) +
<#cb126-53> # Outer whiskers (P10->P5, P90->P95)
<#cb126-54> geom_segment(data = data.frame(
<#cb126-55> x = c(stats$p10, stats$p90),
<#cb126-56> xend = c(stats$p5, stats$p95),
<#cb126-57> y = rep(stats$y_offset * 1.5, 2),
<#cb126-58> yend = rep(stats$y_offset * 1.5, 2)
<#cb126-59> ), aes(x = x, xend = xend, y = y, yend = yend)) +
<#cb126-60> # Crossbars at P5/P95
<#cb126-61> geom_segment(data = data.frame(
<#cb126-62> x = c(stats$p5, stats$p95),
<#cb126-63> xend = c(stats$p5, stats$p95),
<#cb126-64> y = stats$y_offset * 1.3,
<#cb126-65> yend = stats$y_offset * 1.7
<#cb126-66> ), aes(x = x, xend = xend, y = y, yend = yend)) +
<#cb126-67> # Mean dot
<#cb126-68> geom_point(data = data.frame(
<#cb126-69> x = stats$mean,
<#cb126-70> y = stats$y_offset * 1.5
<#cb126-71> ), aes(x = x, y = y))
|
//
| <#cb127-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/p_delay_intervention_histdiff_boxplot.png")
|
//
|Saving 7 x 5 in image
|
| <#cb129-1> ggplot(pddf_ib, aes(x=value)) +
<#cb129-2> stat_ecdf(geom='step') +
<#cb129-3> labs(
<#cb129-4> title = "Cumulative distribution of predicted differences",
<#cb129-5> subtitle = "Intervention: Delay close of enrollment",
<#cb129-6> x = "Difference in probability of termination due to intervention",
<#cb129-7> y = "Cumulative Proportion"
<#cb129-8> )
|
//
| <#cb130-1>ggsave("./EffectsOfEnrollmentDelay/Images/DirectEffects/p_delay_intervention_cumulative_distdiff.png")
|
//
|Saving 7 x 5 in image
|
Get the % of differences in the spike around zero
| <#cb132-1># get values around and above/below spike
<#cb132-2>width <- 0.02
<#cb132-3>spike_band_centered_zero <- mean( pddf_ib$value >= -width/2 & pddf_ib$value <= width/2)
<#cb132-4>above_spike_band <- mean( pddf_ib$value >= width/2)
<#cb132-5>below_spike_band <- mean( pddf_ib$value <= -width/2)
<#cb132-6>
<#cb132-7># get mass above and mass below zero
<#cb132-8>mass_below_zero <- mean( pddf_ib$value <= 0)
|
//
Looking at the spike around zero, we find that 13.09% of the probability
mass is contained within the band from [-1,1]. Additionally, there was
33.4282738% of the probability above that – representing those with a
general increase in the probability of termination – and 53.4817262% of
the probability mass below the band – representing a decrease in the
probability of termination.
On average, if you keep the trial open instead of closing it, 0.6337363%
of trials will see a decrease in the probability of termination, but,
due to the high increase in probability of termination given termination
was increased, the mean probability of termination increases by 0.0964726.
| <#cb133-1># 5%-iles
<#cb133-2>
<#cb133-3>summary(pddf_ib$value)
|
//
| Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.99850 -0.12919 -0.02259 0.09647 0.14531 1.00000
|
| <#cb135-1># Create your quantiles
<#cb135-2>quants <- quantile(pddf_ib$value, probs = seq(0,1,0.05), type=4)
<#cb135-3>
<#cb135-4># Convert to a data frame
<#cb135-5>quant_df <- data.frame(
<#cb135-6> Percentile = names(quants),
<#cb135-7> Value = quants
<#cb135-8>)
<#cb135-9>kable(quant_df)
|
//
Percentile Value
0% 0% -0.9985020
5% 5% -0.3763454
10% 10% -0.2639654
15% 15% -0.2053399
20% 20% -0.1628793
25% 25% -0.1291890
30% 30% -0.0980523
35% 35% -0.0734082
40% 40% -0.0547123
45% 45% -0.0385514
50% 50% -0.0225949
55% 55% -0.0045955
60% 60% -0.0000394
65% 65% 0.0010549
70% 70% 0.0509626
75% 75% 0.1453046
80% 80% 0.3425234
85% 85% 0.7084837
90% 90% 0.9250351
95% 95% 0.9820456
100% 100% 1.0000000
There seems to be some trials that are highly suceptable to this
enrollment delay. Specifically, there were some
| <#cb136-1>n = length(counterfact_predicted_ib$p_predicted_intervention)
<#cb136-2>k = 100
<#cb136-3>simulated_terminations_intervention <- mean(rbinom(n,k,as.vector(counterfact_predicted_ib$p_predicted_intervention)))
<#cb136-4>simulated_terminations_base <-mean(rbinom(n,k,as.vector(counterfact_predicted_ib$p_predicted_default)))
<#cb136-5>
<#cb136-6>simulated_percentages <- (simulated_terminations_intervention - simulated_terminations_base)/k
|
//
The simulation above shows that this results in a percentage-point
increase of about 9.6462744.
Diagnostics
| <#cb137-1>#trace plots
<#cb137-2>plot(fit, pars=c("mu"), plotfun="trace")
|
//
| <#cb138-1>ggsave("./EffectsOfEnrollmentDelay/Images/diagnostics/trace_plot_mu.png")
|
//
|Saving 7 x 5 in image
|
| <#cb140-1>for (i in 1:3) {
<#cb140-2> print(
<#cb140-3> mcmc_rank_overlay(
<#cb140-4> fit,
<#cb140-5> pars=c(
<#cb140-6> paste0("mu[",4*i-3,"]"),
<#cb140-7> paste0("mu[",4*i-2,"]"),
<#cb140-8> paste0("mu[",4*i-1,"]"),
<#cb140-9> paste0("mu[",4*i,"]")
<#cb140-10> ),
<#cb140-11> n_bins=100
<#cb140-12> )+ legend_move("top") +
<#cb140-13> scale_colour_ghibli_d("KikiMedium")
<#cb140-14> )
<#cb140-15> mu_range <- paste0(4*i-3,"-",4*i)
<#cb140-16> filename <- paste0("./EffectsOfEnrollmentDelay/Images/diagnostics/trace_rank_plot_mu_",mu_range,".png")
<#cb140-17> ggsave(filename)
<#cb140-18>}
|
//
|Scale for colour is already present.
Adding another scale for colour, which will replace the existing scale.
|
|Saving 7 x 5 in image
Scale for colour is already present.
Adding another scale for colour, which will replace the existing scale.
|
|Saving 7 x 5 in image
Scale for colour is already present.
Adding another scale for colour, which will replace the existing scale.
|
|Saving 7 x 5 in image
|
| <#cb145-1>plot(fit, pars=c("sigma"), plotfun="trace")
|
//
| <#cb146-1>ggsave("./EffectsOfEnrollmentDelay/Images/diagnostics/traceplot_sigma.png")
|
//
|Saving 7 x 5 in image
|
| <#cb148-1>for (i in 1:3) {
<#cb148-2> print(
<#cb148-3> mcmc_rank_overlay(
<#cb148-4> fit,
<#cb148-5> pars=c(
<#cb148-6> paste0("sigma[",4*i-3,"]"),
<#cb148-7> paste0("sigma[",4*i-2,"]"),
<#cb148-8> paste0("sigma[",4*i-1,"]"),
<#cb148-9> paste0("sigma[",4*i,"]")
<#cb148-10> ),
<#cb148-11> n_bins=100
<#cb148-12> )+ legend_move("top") +
<#cb148-13> scale_colour_ghibli_d("KikiMedium")
<#cb148-14> )
<#cb148-15> sigma_range <- paste0(4*i-3,"-",4*i)
<#cb148-16> filename <- paste0("./EffectsOfEnrollmentDelay/Images/diagnostics/trace_rank_plot_sigma_",sigma_range,".png")
<#cb148-17> ggsave(filename)
<#cb148-18>}
|
//
|Scale for colour is already present.
Adding another scale for colour, which will replace the existing scale.
|
|Saving 7 x 5 in image
Scale for colour is already present.
Adding another scale for colour, which will replace the existing scale.
|
|Saving 7 x 5 in image
Scale for colour is already present.
Adding another scale for colour, which will replace the existing scale.
|
|Saving 7 x 5 in image
|
| <#cb153-1>#other diagnostics
<#cb153-2>logpost <- log_posterior(fit)
<#cb153-3>nuts_prmts <- nuts_params(fit)
<#cb153-4>posterior <- as.array(fit)
|
//
| <#cb154-1>color_scheme_set("darkgray")
<#cb154-2>div_style <- parcoord_style_np(div_color = "green", div_size = 0.05, div_alpha = 0.4)
<#cb154-3>mcmc_parcoord(posterior, regex_pars = "mu", np=nuts_prmts, np_style = div_style, alpha = 0.05)
|
//
| <#cb155-1>ggsave("./EffectsOfEnrollmentDelay/Images/diagnostics/parcoord_mu.png")
|
//
|Saving 7 x 5 in image
|
| <#cb157-1>for (i in 1:3) {
<#cb157-2> mus = sapply(3:0, function(j) paste0("mu[",4*i-j ,"]"))
<#cb157-3> print(
<#cb157-4> mcmc_pairs(
<#cb157-5> posterior,
<#cb157-6> np = nuts_prmts,
<#cb157-7> pars=c(
<#cb157-8> mus,
<#cb157-9> "lp__"
<#cb157-10> ),
<#cb157-11> off_diag_args = list(size = 0.75)
<#cb157-12> )
<#cb157-13> )
<#cb157-14> mu_range <- paste0(4*i-3,"-",4*i)
<#cb157-15> filename <- paste0("./EffectsOfEnrollmentDelay/Images/diagnostics/correlation_plot_mu_",mu_range,".png")
<#cb157-16> ggsave(filename)
<#cb157-17>}
|
//
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
| <#cb161-1>mcmc_parcoord(posterior,regex_pars = "sigma", np=nuts_prmts, alpha=0.05)
|
//
| <#cb162-1>ggsave("./EffectsOfEnrollmentDelay/Images/diagnostics/parcoord_sigma.png")
|
//
|Saving 7 x 5 in image
|
| <#cb164-1>for (i in 1:3) {
<#cb164-2> params = sapply(3:0, function(j) paste0("sigma[",4*i-j ,"]"))
<#cb164-3> print(
<#cb164-4> mcmc_pairs(
<#cb164-5> posterior,
<#cb164-6> np = nuts_prmts,
<#cb164-7> pars=c(
<#cb164-8> params,
<#cb164-9> "lp__"
<#cb164-10> ),
<#cb164-11> off_diag_args = list(size = 0.75)
<#cb164-12> )
<#cb164-13> )
<#cb164-14> sigma_range <- paste0(4*i-3,"-",4*i)
<#cb164-15> filename <- paste0("./EffectsOfEnrollmentDelay/Images/diagnostics/correlation_plot_sigma_",sigma_range,".png")
<#cb164-16> ggsave(filename)
<#cb164-17>}
|
//
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
| <#cb168-1>for (k in 1:22) {
<#cb168-2>for (i in 1:3) {
<#cb168-3> params = sapply(3:0, function(j) paste0("beta[",k,",",4*i-j ,"]"))
<#cb168-4> print(
<#cb168-5> mcmc_pairs(
<#cb168-6> posterior,
<#cb168-7> np = nuts_prmts,
<#cb168-8> pars=c(
<#cb168-9> params,
<#cb168-10> "lp__"
<#cb168-11> ),
<#cb168-12> off_diag_args = list(size = 0.75)
<#cb168-13> )
<#cb168-14> )
<#cb168-15>
<#cb168-16> beta_range <- paste0("k_",k,"_i_",4*i-3,"-",4*i)
<#cb168-17> filename <- paste0("./EffectsOfEnrollmentDelay/Images/diagnostics/correlation_plot_beta_",beta_range,".png")
<#cb168-18> ggsave(filename)
<#cb168-19>}}
|
//
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
|Saving 7 x 5 in image
|
TODO
* Double check data flow. (Write summary of this in human readable form)
o Is it the data we want from the database
+ Training
+ Counterfactual Evaluation
# choose a single snapshot per trial.
o Is the model in STAN well specified.
* work on LOO validation of model
/
/
Reference in New Issue View Git Blame Copy Permalink