Factores fotosinteticos que influyen en la abundancia y distribución de cuatro especies de la clase Magnoliopsida, en Orosi, Cartago, Costa Rica
Isaac Brenes Jimenez1, Jennifer Calvo Aleman1, Daniela Box Gómez1 1 Escuela de Ciencias Biológicas, Universidad Nacional, Heredia, Costa Rica, isaac.brenes.jimenez@est.una.ac.cr, jennifer.calvo.aleman@est.una.ac.cr, daniela.box.gomez@est.una.ac.cr
3/11/2020
Resumen
Las especies Syzygium jambos (SJ), Vismia baccifera (LM), Miconia dodecandra (MD), Myrsine coriacea (MC) tienen como característica común el desarrollo en sitios boscosos; en bosques secundarios principalmente, los cuales tienen aproximadamente un rango de vida de 25 a 50 años. Son zonas de gran extensión, con un estado natural de sucesión debido a la degradación provocada por el ser humano. Asimismo, el desarrollo de tales plantas está determinado por la tasa fotosintética, la cual se relaciona con las variables de tasa de asimilación neta de CO2 (A), conductancia estomática (gs), fluorescencia (Fv/Fm) y concentración total de la clorofila (Chl total). En este contexto, se planteó determinar por medio de análisis estadísticos la abundancia de las especies mencionadas por cuadrantes (10 m2 cada uno) en los sitios mencionados, y la influencia de las variables en las especies. Las pruebas realizadas indicaron que la especie Syzygium jambos presentó mayor abundancia en los sitios y que las especies con mayor incidencia se dieron en el bosque secundario maduro (BS1) donde presentan mejor desarrollo.
Palabras clave: Tasa fotosintética, sitios, medición, Syzygium jambos, Vismia baccifera, Miconia dodecandra, Myrsine coriacea, Bosque secundario.
Introducción
Los Bosques secundarios maduro (BS1), son aquellos que llevan un periodo de vida aproximadamente de 50 años, este tipo de bosque está cerrado de forma natural. Por razones naturales o artificiales, la vegetación se encuentra en un estado de sucesión secundaria, producto de la eliminación total o parcial de la vegetación original. Estos bosques generalmente incluyen diferentes etapas de sucesión de plantas, que van desde la formación temprana hasta los bosques secundarios tardíos (García Aguilar, 2007). El Bosque secundario (BS2) con aproximadamente 25 años, presenta tierras donde la vegetación original es destruida por las actividades humanas (Smith et al., 1997). El Tacotal (BS3), sitio de aproximadamente 10 años, son zonas donde no han tenido actividad durante más de 4 años. Se caracterizan por tener plantas silvestres o introducidas por humanos; dominan los arbustos y árboles de hasta 5 metros de altura, con pocas o ninguna planta espinosa (Davila et al., 2005). Pastizal (BS4) con aproximadamente 20 años, es un ecosistema de hierbas que pueden ser el resultado de la naturaleza o del ser humano para la crianza de animales o actividades recreativas para obtener tierras adecuadas (Peréz y Gardey, 2015).
Existen ciertas especies que tienen como característica común desarrollarse en los tipos de bosques mencionados anteriormente; la especie Syzygium jambos (SJ); conocida generalmente como pomarrosa, se considera una planta ornamental con un tamaño no mayor a 15 cm, localizada en ambientes húmedos de gran extensión (Francis, 2000). Con un crecimiento lento y bajo sombra, desarrollándose en suelos desgastados (bosques secundarios). Bajo condiciones óptimas tiene un alto grado de regeneración natural, siendo utilizada para diferentes fines. La especie Vismia baccifera (VB) es un árbol con una altura que no sobrepasa los 20 m localizada en hábitats tropicales o subtropicales; principalmente encontrados en bosques secundarios que recubren gran extensión vegetal y su desarrollo provoca una regeneración natural (iNaturalist, s.f). A nivel fitoquímico presentan una variedad de componentes (terpenos, lignanos, esteroles, flavonoides, antronas y xantonas), que son de aprovechamiento a nivel médico (Salas et al., 2006). Miconia dodecandra (MD); especie de arbustos o árboles con una altura de 2 a 10 cm ubicados en bosques montanos y submontanos (De Freitas Bacci et al., 2016). La especie de árboles y arbustos Myrsine coriacea, se caracteriza por su presencia en la mayoría de ecosistemas; en áreas de gran extensión, en pastizales abandonados, y en zonas rocosas principalmente (Paschoa et al., 2018).
El proceso de crecimiento para las plantas, es de los factores más importantes para un desarrollo óptimo, el mismo está determinado principalmente por la tasa fotosintética; relacionada con la radiación fotosintética activa (composición de la luz) a factores de disponibilidad del agua y al intercambio de los gases (Naves-Barbiero et al., 2000). Asimismo, está determinada por algunas variables. Una de ellas es la tasa neta de asimilación de CO2 (A, μmol de CO2 m-2 s-1); que consiste en la medición de la eficiencia fotosintética del promedio de hojas por cultivo, la cual puede variar según la altura que tengan los cultivos (Chiesa et al., 2000). La tasa fotosintética está relacionada con la tasa de asimilación de CO2 principalmente, esto se debe a que la elevación del CO2 hace que la misma aumenta significativamente (Ting et al., 2017). Además, establece que la relación entre ambas variables son necesarias para el enriquecimiento de CO2 bajo diferentes intensidades de luz (principalmente durante el mediodía). El modelo LI-6400XT es utilizado para la medición de la concentración del CO2 y la tasa fotosintética. Asimismo, muestra aquellas variaciones que se pueden efectuar en la tasa fotosintética por medio de cambios en concentraciones de CO2; bajo condiciones ambientales determinadas.
La conductancia estomática (gs, mmol de H2O m-2 s-1) es otra de las variables que determinan la tasa fotosintética; proporcional a la cantidad y tamaño de estomas y a su diámetro de apertura. Su uso eficiente del agua está correlacionado con el tiempo de apertura y resistencia estomática; mientras ocurre la absorción del CO2, se da la pérdida de agua por transpiración (Aspiazú et al., 2010).
La fluorescencia de la clorofila (Fv/Fm), es un método que se utiliza para identificar aquellos factores que pueden provocar variaciones a organismos fotosintéticos, ya que ciertos elementos físico-químicos (ambientales), pueden alterar la fluorescencia (Delgadillo, et al., 2017), para ello, es utilizado el modelo MINI-PAM-II, que permite medir tales variaciones. La concentración total de la clorofila (Chl total, μg mL-1) está correlacionada con las variables mencionadas. Se mide por espectrofotometría, donde se lleva a cabo un procedimiento (maceración de hojas con acetona y centrifugación) y se obtiene tal concentración. Debido a que las clorofilas tienen gran sensibilidad a la luz y fácilmente se pueden fotoblanquear; se obtiene concentración a un nivel bajo de luz (Lichtenthaler, 1987). De tal modo, el estudio fue realizado con el fin de conocer la relación de las variables que influyen en la tasa fotosintética respecto a las especies Syzygium jambos (SJ), Vismia baccifera (LM), Miconia dodecandra (MD), Myrsine coriacea (MC) de acuerdo a los sitios muestreados.
Objetivos
Objetivo general: Determinar los sitios de mejor desarrollo mediante el análisis estadístico de la abundancia, tasa de fotosíntesis y variables relacionadas tomadas en dos muestreos con 10 años de diferencia, de las 4 especies más comunes ubicadas en las laderas occidentales que rodean el Valle de Orosi, Cartago.
Objetivo específico: -Identificar la influencia de las variables medidas referente a las especies seleccionadas en los sitios establecidos. -Determinar la probabilidad de encontrar por cuadrante a las distintas especies muestreadas en los sitios establecidos.
Metodología
Sitio de estudio: El trabajo de estudio fue realizado entre los años 2009 y 2019, el mismo se llevó a cabo en cuatro sitios (Bosque secundario maduro (BS1), Bosque secundario (BS2), Tacotal (BS3), Pastizal (BS4)) ubicados en las laderas occidentales del Valle de Orosi, Cartago, Costa Rica, donde se analizaron la abundancia y la tasa de fotosíntesis de cuatro especies (Syzygium jambos, Vismia baccifera, Miconia dodecandra, Myrsine coriacea). A lo largo de los sitios se establecieron 30 cuadrantes de 10 m2 cada uno con el objetivo de medir la tasa de fotosíntesis por individuo.
Diseño experimental: El sitio de estudio se encuentra dividido en 30 cuadrantes donde se realizó una medición de las variables; tasa neta de asimilación de CO2 (A), conductancia estomática al vapor de agua (gs), la fluorescencia de la clorofila (Fv/Fm); medida por el modelo MINI-PAM-II, y concentración total (Chl total, μg mL-1); medida por espectrofotometría, con respecto a las especies mencionadas anteriormente. Tal estudio se llevó a cabo durante el día, esto con el fin de aprovechar la luz solar, y del mismo modo medir la concentración del CO2 por medio de un modelo (LI-6400XT) con una temperatura ajustada a 25°C, siendo el mismo utilizado para medición de la tasa de fotosíntesis.
Análisis estadístico: Todos los análisis estadísticos fueron realizados mediante el lenguaje de programación R (versión 4.0.2., 2020) tomando en cuenta la base de datos “BD_Veg_Fotosin”. La primera prueba estadística realizada fueron dos tablas de distribución de frecuencias, una para la variable “Abundancia” y otra para la variable “Chl_total”, luego se hicieron cuatro gráficos de histogramas, uno comparando lo límites de clases con la frecuencia relativa de la Abundancia y otro igual pero para la Chl_total, los otros dos gráficos también compararon los límites de clases pero esta vez fueron comparados contra la frecuencia acumulada para ambas variables. Se realizaron tres pruebas de probabilidades discretas, tomando en cuenta el porcentaje de abundancia de cada una de las cuatro especies, en un cuadrante de 10m2 en el bosque secundario maduro del año 2009, primeramente se quiso saber la probabilidad de encontrar exactamente 6 individuos de la especie V.baccifera que tenía un porcentaje de abundancia del 26 %, después se obtuvo la probabilidad de que al menos 3 individuos sean de la especie M.dodecandra que tenía un porcentaje de abundancia del 15% y por último se buscó la probabilidad de encontrar como máximo 9 individuos de S.jambos con 52% de abundancia, además de estas tres pruebas de probabilidades discretas, también se hicieron otras dos tomando en cuenta que el porcentaje de individuos de Syzygium jambos era de 14.4 en un cuadrante del sitio BS1 en la estación seca del año 2009, la primera prueba fue para saber la probabilidad de encontrar exactamente 11 individuos en un cuadrante y la segunda fue para saber a probabilidad de encontrar 450 individuos o menos en las 30 parcelas. Se realizaron cuatro pruebas de distribución normal sabiendo que la media de abundancia de la especie Syzygium jambos es de 15.56667 y la desviación típica es de 3.125902, en 30 cuadrantes del sitio BS4 en la estación lluviosa del año 2019, se encontró la probabilidad de encontrar entre 15 y 20 individuos en cada cuadrante y también la probabilidad de encontrar exactamente 17 individuos, se encontró la probabilidad de tener 11 individuos o menos y también se calculó la cantidad de cuadrantes que tienen 15 o más individuos.
Se aplicó una prueba t de Student para saber si existía una diferencia estadísticamente significativa de la fluorescencia de la clorofila (Fv/Fm) de la especie Myrsine coriacea entre los años 2009 y 2019 en la estación lluviosa con un nivel de significancia al 95%, el supuesto de normalidad, para esta y todas las pruebas, se calculó mediante la prueba de Shapiro-Wilk y se compararon las varianzas para saber si presentaba homocedasticidad, después de esta prueba se volvió a realizar otra prueba t de Student, esta vez para saber si existe igualdad entre los datos de la fluorescencia de la clorofila (Fv/Fm) de la especie Syzygium jambos entre las estaciones seca y lluviosa del 2009 con un nivel de significancia al 95%, con otra prueba t de Student se encontró si la media de la conductancia estomática (gs) de la especie Miconia dodecandra en el año 2009 puede ser de 163 mmol de H2O m-2 s-1 y luego se realizó una prueba Wilcoxon para saber la probabilidad de que la media de la abundancia de la especie SJ en el sitio BS3, en la estación lluviosa del año 2019 sea diferente de 14. Se realizó una prueba de Chi-cuadrado para analizar la distribución de la tasa neta de asimilación de CO2 de las cuatro especies con respecto a los cuatro sitios de estudio.
Para saber si existe una correlación entre la temperatura y la conductancia estomática al vapor de agua de Syzygium jambos se realizaron una prueba de normalidad para cada variable y luego una correlación con el método de Spearman, además se hizo un modelo regresión entre la fluorescencia de la clorofila y la clorofila total para lo que se realizaron pruebas de normalidad, la prueba de Durbin-Watson para la autocorrelación de errores y se compararon las varianzas de las dos variables.
Por último se realizaron dos pruebas de Kruskal-Wallis, primero se hizo con la clorofila total y los sitios para la cual se aplicaron pruebas de normalidad, balance y homocedasticidad. La segunda prueba de Kruskal-Wallis fue para comparar la capacidad de campo de agua del suelo con la conductancia estomática al vapor de agua.
Resultados
Abundancia de todas las especie la primera tabla de distribución de frecuencia fue para la abundancia de todas las especies en todas las variables, como resultado dio 13 intervalos de clase con sus respectivos resultados y la segunda tabla fue para la clorofila total de las cuatro especies en todas las variables dando 11 intervalos de clase con sus respectivos resultados.
Abundancia en el bosque secundario maduro: considerando que las especies Syzygium jambos, Vismia baccifera, Miconia dodecandra, Myrsine coriacea, representaban un 52%, 26%, 15% y 7%, respectivamente, se calcularon 3 diferentes probabilidades. La primera fue encontrar exactamente 6 individuos de la especie VB, obteniendo un resultado de 16.4%. Posteriormente la probabilidad de encontrar al menos 3 individuos sean de la especie MD con un 79.2%. Por último, máximo 9 individuos de SJ con 3.96%.
Abundancia de Syzygium jambos en el año 2009, época seca: teniendo el conocimiento de que esta especie tiene un promedio de 14.4 individuos en cada parcela, se calculó la probabilidad de encontrar exactamente 11 individuos en un cuadrante la cual sería de un 7.70%; también la probabilidad de encontrar 450 individuos o menos en las 30 parcelas, utilizando un lambda de 432 resultando en un 81.3%.
Abundancia de Syzygium jambos en el año 2019, época lluviosa: suponiendo que los datos tienen una distribución normal, con una media de abundancia en 30 cuadrantes de 15.6 y una desviación típica de 3.12, se calculó la probabilidad de encontrar entre 15 y 20 individuos en cada cuadrante obteniendo 49.4%. Por otra parte, en 64.6% de los cuadrantes tienen exactamente 17 individuos, en 7.20% de los cuadrantes se podrán encontrar 11 individuos o menos, y en 17 cuadrantes podremos encontrar 15 o más individuos.
Fluorescencia de la clorofila: La relación entre la fluorescencia de la clorofila de la especie Myrsine coriacea entre los años 2009 y 2019 presenta una distribución normal de los datos, siendo estos homocedásticos, finalmente se aplicó la prueba (t.test) dando como resultados un -2.487 como valor de la prueba estadística con 238 grados de libertad y un p-value de 0.01357 en un nivel de significancia del 95%.
Para la prueba t de Student aplicada a la especie Syzygium jambos se dieron como resultados un valor de prueba estadística de 0.21631, con 238 grados de libertad y un p-value de 0.8289, también presentando una distribución normal y siendo homocedásticos.
Conductancia estomática: Para estas pruebas de t de Student se dieron como resultados un valor de -0.38165 para la prueba estadística con 119 grados de libertad y un p-value de 0.7034, presentando los datos en una distribución normal.
Tasa de asimilación de CO2: para la sumatoria de la tasa de asimilación de CO2 de cada especie en cada cuadrante se obtuvo un valor para la prueba de chi-cuadrado de 0.055994, con 6 grados de libertad y un p-value de 1.
Conductancia estomática y temperatura: Se determinó con el comando shapiro.test que la variable temperatura y la variable conductancia estomática (gs) seguían una distribución asimétrica por lo que del mismo modo se aplicó una prueba de correlación con el método “spearman” y este dio como resultado de la prueba 2440, un p-value de 5.815e-09 y un rho de 0.7711093. También utilizando estas variables se hizo un modelo de regresión al que se le aplicaron pruebas para comprobar los supuestos, la prueba de Durbin-Watson dió un p-value de 0.0007564, de la prueba Shapiro-Wilk a los residuos se obtuvo un p-value de 0.0001359 y el valor de p de la prueba de homocedasticidad fue de 0.90871, el modelo de regresión dió un p-value de 9.882e-11 con 38 grados de libertad, un intercepto de 39.610 y una pendiente de 15.246, con el intercepto y la pendiente se hizo una fórmula para predecir el valor de la conductancia estomática cuando la temperatura sea de 40°C y el resultado fue de 649.45 mmol de H2O m-2 s-1.
Fluorescencia de la clorofila y concentración de la clorofila total: Para esto se realizó un modelo de regresión al cual se le aplicaron los respectivos supuestos, primero se ejecutó una prueba de Durbin-Watson de autocorrelación de errores y dió un p-value de 0.03358, la prueba Shapiro-Wilk a los residuos del modelo dio un valor de p-value de 0.07764, la prueba ncvTest para comparar varianzas arrojó un valor de p de 0.17381, con summary obtuvimos los valores del intercepto que dio 0.7993061, la pendiente que dio 0.0006253 y un p-value de 0.1853.
Pruebas de Kruskal-Wallis: Al modelo de ANDEVA que se hizo primero, para comparar la clorofila total con los sitios de estudio, se le aplicó la prueba de normalidad Shapiro-Wilk a los residuos que dió un p-value de 0.03152, presentó datos balanceados, la prueba Fligner-Killeen dió un p-value de 0.9285 y se transformó el modelo de ANDEVA a uno de Kruskal-Wallis el cual arrojó como resultado un Chi-cuadrado de Kruskal-Wallis de 1184.8 con 3 grados de libertad y un p-value menor a 2.2e-16. La segunda prueba de Kruskal-Wallis se hizo para comparar la capacidad de campo de agua del suelo con la conductancia estomática al vapor de agua y dió como resultado del Chi-cuadrado de Kruskal-Wallis 113.09 con 3 grados de libertad y un p-value menor a 2.2e-16.
Discusión
Con respecto a las tablas de distribución de frecuencias de la abundancia se pudo analizar que hay más cuadrantes con baja cantidad de individuos, principalmente hay una mayor cantidad de cuadrantes que presentan de 2 a 4 individuos, siendo estos pertenecientes a especies que prefieren sitios amplios y abiertos (Francis, 2000; Salas et al., 2006; Paschoa et al., 2018; iNaturalist, s.f). En cuanto a la tabla de distribución de frecuencias de la clorofila total se observó que hubo mayor cantidad de individuos que presentaban de 1.5 μg mL-1 a 2 μg mL-1, rangos inferiores o mayores se presentaron en menor cantidad de individuos.
Los resultados arrojados por las distintas pruebas de probabilidades discretas y distribución normal ayudan a tener una mejor comprensión sobre la distribución de los individuos de las especies y a poder predecir un valor aproximado de individuos en las áreas donde se hizo el muestreo, esto ayuda a calcular la cantidad de presupuesto, herramientas, entre otras cosas para futuros estudios.
El resultado de la prueba t de Student utilizada para comparar la fluorescencia de la clorofila de la especie Myrsine coriacea entre los años 2009 y 2019 da a conocer que sí existe diferencia estadísticamente significativa, por lo tanto podrían haber factores ambientales que durante 10 años han ayudado al aumento de la fluorescencia de la clorofila, mientras que los resultados de la prueba t de Student para Syzygium jambos no fueron de gran interés ya que no presentaron diferencias significativas por lo que se asume que las estaciones no es un factor considerable para la fluorescencia de la clorofila en esta especie.
La prueba t de Student realizada a la especie Miconia dodecandra dio como resultado que la media de la conductancia estomática al vapor de agua sí puede ser de 163 mmol de H2O m-2 s-1 que fue la media de la conductancia estomática al vapor agua de la misma especie pero en otra estación por lo que se infiere que las estaciones no son variables a considerar en cuanto a estos análisis. La prueba de Wilcoxon dio resultados que demuestran que la media de abundancia de Syzygium jambos en el tacotal del año 2019 en la estación lluviosa puede ser igual a 14.
La prueba de Chi-cuadrado dio resultados que demuestran que la tasa neta de asimilación de CO2 de las cuatro especies en cada sitio de estudio no presentan diferencias significativas, todos los valores son muy similares.
La prueba de correlación tuvo como resultados que existe una correlación positiva fuerte y significativa de la especie Syzygium jambos entre la conductancia estomática y la temperatura, según las mediciones y correlaciones buscadas, la temperatura y la conductancia arrojaron un ajuste significativo, y la tendencia es a mayor temperatura foliar mayor conductancia estomática (Pino V. et al., 2019, p. 61)
El modelo de regresión creado presentó autocorrelación de errores según la prueba de Durbin-Watson ejecutada, la prueba de normalidad demostró que los residuos del modelo sí siguen una distribución normal y también se demostró con otra prueba que el modelo es homocedástico, por último los resultados obtenidos comprobaron que el modelo sí demostraba una regresión entre ambas variables y la fórmula sí nos permite predecir valores de alguna de las dos variables.
En la prueba Kruskal-Wallis hecha para comparar la clorofila total entre los cuatro sitios de estudio, el supuesto de normalidad dio asimétrico, los datos fueron balanceados y fueron homocedásticos, y la prueba en sí dio que sí había diferencias significativas, con la prueba de Bonferroni se pudo observar que el único par de sitios que no presentaban estas diferencias son el BS3 y BS4. La segunda prueba de Kruskal-Wallis realizada cumplió con los mismos supuestos que la primera y la prueba determinó que habían diferencias de conductancia estomática entre los diferentes porcentajes de capacidad de campo de agua del suelo y con la prueba Bonferroni se confirmó que en todos los distintos porcentajes habían diferencias.
Conclusiones
El trabajo de estudio nos permitió determinar que las especies respecto a los sitios muestreados, se ven influenciados significativamente por algunas variables, mientras que en otras no tanto. Dejando claro que es necesario analizar otros factores para comprender mejor su desarrollo fotosintético.
En el caso de la especie Syzygium jambos pudimos observar una mayor abundancia en los 4 sitios registrados (planta no nativa de la zona) respecto a las demás especies. Asimismo, consideramos que es oportuno evaluar si afecta a otras especies o al ecosistema en que se encuentra.
Respecto al bosque secundario maduro, se observó que las especies presentan mejores condiciones de desarrollo y hay una mayor abundancia; lo cual podría ser debido a que es un sitio que tiene más tiempo con poca o nula actividad humana. Aunque es importante considerar las preferencias de cada especie.Referencias bibliográficas
Aspiazú, I., Sediyama, T., Ribeiro Jr., J.I., Silva, A.A., Concenco, G., Galon, L., Ferreira, E.A., Silva, A.F., Borges, E.T., & Araujo, W.F.. (2010). Eficiéncia fotosintética y de uso del agua por malezas. Planta Daninha, 28(1), 87-92. https://doi.org/10.1590/S0100-83582010000100011
Carate (Vismia baccifera). (s.f). Naturalista https://colombia.inaturalist.org/taxa/153264-Vismia-baccifera Dávila, O., Ramírez, E., & Barbosa Toribio, I. (2005). El manejo de un tacotal.
De Freitas Bacci, Lucas & Caddah, Mayara & Goldenberg, Renato. (2016). The genus Miconia (Melastomataceae) in Espírito Santo, Brazil. Phytotaxa. 271. 1. 10.11646/phytotaxa.271.1.1
Delgadillo Rodriguez, I. P., Montenegro Ruiz, L. C., Pinilla Agudelo, G. A., & MELGAREJO, L. (2017). Measuring of the Chlorophyll a Fluorescence in Calcium Alginate-Encapsulated Algae. Acta Biológica Colombiana, 22(2), 199-208.
Francis, J. K., Lowe, C. A., & Trabanino, S. (2000). Bioecología de árboles nativos y exóticos de Puerto Rico y las Indias Occidentales. US Department of Agriculture, Forest Service, International Institute of Tropical Forestry.
García Aguilar, A. J. (2007). El modelo de la ganadería extensiva y la destrucción de los bosques en la República de Panamá: 1950-2000 (Doctoral dissertation, Universidad de Panamá).
Lichtenthaler, H. K. (1987). [34] Chlorophylls and carotenoids: pigments of photosynthetic biomembranes. Methods in enzymology, 148, 350-382.
NAVES-BARBIERO, CHEILA CRISTINA, FRANCO, AUGUSTO CÉSAR, BUCCI, SANDRA JANET, & GOLDSTEIN, GUILHERMO. (2000). Fluxo de seiva e condutância estomática de duas espécies lenhosas sempre-verdes no campo sujo e cerradão. Revista Brasileira de Fisiologia Vegetal, 12(2), 119-134. https://doi.org/10.1590/S0103-31312000000200003
Paschoa, Roberta & Christ, Jheniffer & Valente, Cecília & Ferreira, Marcia & Miranda, Fábio & Garbin, Mário & Carrijo, Tatiana. (2018). Genetic diversity of populations of the dioecious Myrsine coriacea (Primulaceae) in the Atlantic Forest. Acta Botanica Brasilica. 32. 10.1590/0102-33062017abb0355.
Peréz, J. P., Gardey, A. (2015). Definición de pastizal. https://definicion.de/pastizal
Pino, E., Montalván, I., Vera, A., & Ramos, L. (2019). La conductancia estomática y su relación con la temperatura foliar y humedad del suelo en el cultivo del olivo (Olea europaea L.), en periodo de maduración de frutos, en zonas áridas. La Yarada, Tacna, Perú. Idesia (Arica), 37(4), 55-64.
R Development Core Team. (2017). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing.
Salas, F., Velasco, J., Rojas, J., & Morales, A. (2007). Antibacterial activity of the crude extract and constituents of Vismia baccifera var. dealbata (Guttiferae) Collected in Venezuela. Natural Product Communications, 2(2), 1934578X0700200216.
Smith, J., Sabogal, C., W. de JONG, & Kaimowitz, D. (1997). Bosques secundarios como recurso para el desarrollo rural y la conservación ambiental en los trópicos de América Latina (No. 13, p. 36). Bogor: CIFOR.
Ting, L. & Yuhan, J. & Man, Z. & Sha, S. & Minzan, L.. (2017). Universality of an improved photosynthesis prediction model based on pso-svm at all growth stages of tomato. 10. 63-73. 10.3965/j.ijabe.20171002.2580.
Anexos
#Base de datos----------------------------------------------------------------------------------------
library(readxl)
BD_Veg_Fotosin <- read_excel("~/BD_Veg_Fotosin.xlsx", sheet = "Muestreo")
View(BD_Veg_Fotosin)
#Vectores----------------------------------------------------------------------------------------
anio <- BD_Veg_Fotosin$Anio
estacion <- BD_Veg_Fotosin$Estacion
especie <- BD_Veg_Fotosin$Especie
sitio <- BD_Veg_Fotosin$Sitio
chl_total <- BD_Veg_Fotosin$Chl_total
fv_fm <- BD_Veg_Fotosin$`Fv/Fm`
a_co2 <- BD_Veg_Fotosin$A
abundancia <- BD_Veg_Fotosin$Abundancia
#Histogramas y tablas de distribución de frecuencias.---------------------------------
library(fdth)##
## Attaching package: 'fdth'## The following objects are masked from 'package:stats':
##
## sd, vartabla.abundancia <- fdt(BD_Veg_Fotosin$Abundancia, breaks = "Sturges", start = 0, end = 27.5, h = 2)
tabla.abundancia## Class limits f rf rf(%) cf cf(%)
## [0,2) 84 0.04 4.38 84 4.38
## [2,4) 567 0.30 29.53 651 33.91
## [4,6) 345 0.18 17.97 996 51.87
## [6,8) 173 0.09 9.01 1169 60.89
## [8,10) 174 0.09 9.06 1343 69.95
## [10,12) 171 0.09 8.91 1514 78.85
## [12,14) 88 0.05 4.58 1602 83.44
## [14,16) 99 0.05 5.16 1701 88.59
## [16,18) 78 0.04 4.06 1779 92.66
## [18,20) 82 0.04 4.27 1861 96.93
## [20,22) 48 0.03 2.50 1909 99.43
## [22,24) 1 0.00 0.05 1910 99.48
## [24,26) 10 0.01 0.52 1920 100.00tabla.chl_total <- fdt(chl_total, breaks = "Sturges", start = 0, end = 5.5, h = 0.5)
tabla.chl_total## Class limits f rf rf(%) cf cf(%)
## [0,0.5) 22 0.01 1.15 22 1.15
## [0.5,1) 103 0.05 5.36 125 6.51
## [1,1.5) 321 0.17 16.72 446 23.23
## [1.5,2) 489 0.25 25.47 935 48.70
## [2,2.5) 352 0.18 18.33 1287 67.03
## [2.5,3) 191 0.10 9.95 1478 76.98
## [3,3.5) 151 0.08 7.86 1629 84.84
## [3.5,4) 182 0.09 9.48 1811 94.32
## [4,4.5) 87 0.05 4.53 1898 98.85
## [4.5,5) 21 0.01 1.09 1919 99.95
## [5,5.5) 1 0.00 0.05 1920 100.00plot(tabla.abundancia, type = "rfh", xlab = "Abundancia", ylab = "Frecuencia relativa")
plot(tabla.abundancia, type = "cfh", xlab = "Abundancia", ylab = "Frecuencia acumulada")
plot(tabla.chl_total, type = "rfh", xlab = "Clorofila total (μg mL-1)", ylab = "Frecuencia relativa")
plot(tabla.chl_total, type = "cfh", xlab = "Clorofila total (μg mL-1)", ylab = "Frecuencia acumulada")
#Probabilidades discretas---------------------------------------------------------------
#Se realizó un estudio en el Bosque secundario maduro (> 50años; BS1)
#ubicado en las laderas occidentales que rodean el Valle de Orosi, Cartago,
#Costa Rica, en el año 2009, donde se registraron 27 individuos en un cuadrante
#de 10m2, con 4 diferentes especies (Syzygium jambos (SJ) con 52% de abundancia,
#Vismia baccifera (VB) con 26% de abundancia, Miconia dodecandra (MD) con 15% de
#abundancia, y Myrsine coriacea (MC) con 7% de abundancia.
##¿Cuál es la probabilidad de encontrar exactamente 6 individuos de la especie VM?
dbinom(6,27,0.26) # 0.1640637## [1] 0.1640637##¿Cuál es la probabilidad de que al menos 3 individuos sean de la especie MD?
1-pbinom(2,27,0.15) # 0.7925514## [1] 0.7925514## ¿Cuál es la probabilidad de encontrar como máximo 9 individuos de SJ?
pbinom(9,27,0.52) # 0.0396603## [1] 0.0396603#En el año 2009 se contó los individuos de la especie Syzygium jambos en 30 parcelas
#de 10 m2, en la estación seca y en un mismo sitio, en cada parcela se encontró un
#promedio de 14.4 individuos, en base a esto se respondió las siguientes preguntas:
#¿Cuál es la probabilidad de encontrar exactamente 11 individuos en un cuadrante?
dpois(11,14.4) #R/ La probabiliad fue de un 0.07708878## [1] 0.07708878#¿Cuál es la probabilidad de encontrar 450 individuos o menos en las 30 parcelas?
#Lambda = 14.4/1*30 = 432
ppois(450, 432) #R/ La probabilidad es de 0.8137511## [1] 0.8137511#Distribucion normal--------------------------------------------------------------
Abun_SJ_lluviosa_BS4_2019 <- BD_Veg_Fotosin$Abundancia[especie == "SJ" & estacion == "Lluviosa" & sitio == "BS4" & anio == "2019" ]
length(Abun_SJ_lluviosa_BS4_2019)## [1] 30shapiro.test(Abun_SJ_lluviosa_BS4_2019)##
## Shapiro-Wilk normality test
##
## data: Abun_SJ_lluviosa_BS4_2019
## W = 0.93183, p-value = 0.05493sum(Abun_SJ_lluviosa_BS4_2019)## [1] 467mean(Abun_SJ_lluviosa_BS4_2019)## [1] 15.56667sd(Abun_SJ_lluviosa_BS4_2019)## [1] 3.125902#La media de abundancia de 30 cuadrantes es 15.56667 y la desviacion
#tipica 3.125902. Suponiendo que se distribuyen normalmente,
# ¿Cual es la probabilidad de encontrar entre 15 y 20 individuos en cada cuadrante?
pnorm(20, 15.56667, 3.125902) - pnorm(15, 15.56667, 3.125902)## [1] 0.4938689# ¿Cuantos cuadrantes tienen exactamente 17 individuos?
(1- pnorm(17, 15.56667, 3.125902))*2## [1] 0.6465694# ¿Cual es la probabilidad de tener 11 individuos o menos?
pnorm(11, 15.56667, 3.125902)## [1] 0.0720197# ¿Cuantos cuadrantes tienen 15 o mas individuos?
(1 - pnorm(15, 15.56667, 3.125902)) * 30## [1] 17.15781#Prueba de hipótesis-------------------------------------------------------------------
#1-¿Existe diferencia estadisticamente significativa entre la flourescencia de la
#clorofila (Fv/Fm) de la especie Myrsine coriacea entre los años 2009 y 2019
#en la estación lluviosa con un nivel de significancia al 95%?
#HO = Hay igualdad en los datos y HI = Hay diferencia en los datos
fvfm_MC_2009_lluviosa <- BD_Veg_Fotosin$`Fv/Fm`[especie == "MC" & anio == "2009" & estacion == "Lluviosa"]
fvfm_MC_2019_lluviosa <- BD_Veg_Fotosin$`Fv/Fm`[especie == "MC" & anio == "2019" & estacion == "Lluviosa"]
shapiro.test(fvfm_MC_2009_lluviosa)#Normal##
## Shapiro-Wilk normality test
##
## data: fvfm_MC_2009_lluviosa
## W = 0.99001, p-value = 0.5353shapiro.test(fvfm_MC_2019_lluviosa) #Normal##
## Shapiro-Wilk normality test
##
## data: fvfm_MC_2019_lluviosa
## W = 0.9907, p-value = 0.598var.test(fvfm_MC_2009_lluviosa, fvfm_MC_2019_lluviosa) #Homocedástico##
## F test to compare two variances
##
## data: fvfm_MC_2009_lluviosa and fvfm_MC_2019_lluviosa
## F = 1.1823, num df = 119, denom df = 119, p-value = 0.3622
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.8240158 1.6964998
## sample estimates:
## ratio of variances
## 1.182346t.test(fvfm_MC_2009_lluviosa, fvfm_MC_2019_lluviosa, paired = F, var.equal = T)##
## Two Sample t-test
##
## data: fvfm_MC_2009_lluviosa and fvfm_MC_2019_lluviosa
## t = -2.487, df = 238, p-value = 0.01357
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.011051292 -0.001282041
## sample estimates:
## mean of x mean of y
## 0.7974083 0.8035750boxplot(fvfm_MC_2009_lluviosa,fvfm_MC_2019_lluviosa, xlab="2009 2019", ylab="Flourescencia de la clorofila (Fv/Fm)", col = c("Green"))
#Se rechaza la nula, si hay diferencias significativas
#2-¿Existe igualdad entre los datos de la flourescencia de la
#clorofila (Fv/Fm) de la especie Syzygium jambos entre las estaciones seca y lluviosa
#del 2009 con un nivel de significancia al 95%?
fvfm_SJ_2009_seca <- BD_Veg_Fotosin$`Fv/Fm`[anio == "2009" & especie == "SJ" & estacion == "Seca"]
fvfm_SJ_2009_lluviosa <- BD_Veg_Fotosin$`Fv/Fm`[anio == "2009" & especie == "SJ" & estacion == "Lluviosa"]
shapiro.test(fvfm_SJ_2009_seca) #Normal##
## Shapiro-Wilk normality test
##
## data: fvfm_SJ_2009_seca
## W = 0.99027, p-value = 0.5585shapiro.test(fvfm_SJ_2009_lluviosa) #Normal##
## Shapiro-Wilk normality test
##
## data: fvfm_SJ_2009_lluviosa
## W = 0.99027, p-value = 0.559var.test(fvfm_SJ_2009_seca, fvfm_SJ_2009_lluviosa) #Homocedástico##
## F test to compare two variances
##
## data: fvfm_SJ_2009_seca and fvfm_SJ_2009_lluviosa
## F = 0.76939, num df = 119, denom df = 119, p-value = 0.1542
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.5362106 1.1039608
## sample estimates:
## ratio of variances
## 0.7693864t.test(fvfm_SJ_2009_seca, fvfm_SJ_2009_lluviosa, var.equal = T, paired = F)##
## Two Sample t-test
##
## data: fvfm_SJ_2009_seca and fvfm_SJ_2009_lluviosa
## t = 0.21631, df = 238, p-value = 0.8289
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.004729328 0.005895995
## sample estimates:
## mean of x mean of y
## 0.8026917 0.8021083#Se acepta la nula, no hay diferencias significativas entre los datos
# ¿La media de la conductancia estomatica (gs) de la especie Miconia dodecandra en el
#año 2009 puede ser de 163?
gs_MD_2009_lluviosa <- BD_Veg_Fotosin$gs[especie =="MD" & anio == "2009" & estacion == "Lluviosa"]
shapiro.test(gs_MD_2009_lluviosa) #Normal##
## Shapiro-Wilk normality test
##
## data: gs_MD_2009_lluviosa
## W = 0.98989, p-value = 0.5249t.test(gs_MD_2009_lluviosa, mu = 163)#La media si podría ser de 163 mmol de H2O m-2 s-1##
## One Sample t-test
##
## data: gs_MD_2009_lluviosa
## t = -0.38165, df = 119, p-value = 0.7034
## alternative hypothesis: true mean is not equal to 163
## 95 percent confidence interval:
## 155.0069 168.4098
## sample estimates:
## mean of x
## 161.7083#La media del gs de la estación lluviosa es mayor o igual que la media del gs de la estación seca
# ¿Cuál es la probabilidad de que la media de la abundancia de la especie SJ en el
#sitio BS3, en el año 2019, en la estacion lluviosa sea diferente de 14?
Abun.2019.SJ.BS3.Lluv <- BD_Veg_Fotosin$Abundancia[especie =="SJ" & anio == "2019" & estacion == "Lluviosa" & sitio == "BS3"]
shapiro.test(Abun.2019.SJ.BS3.Lluv)##
## Shapiro-Wilk normality test
##
## data: Abun.2019.SJ.BS3.Lluv
## W = 0.92553, p-value = 0.0374wilcox.test(Abun.2019.SJ.BS3.Lluv, mu = 14)## Warning in wilcox.test.default(Abun.2019.SJ.BS3.Lluv, mu = 14): cannot compute
## exact p-value with ties## Warning in wilcox.test.default(Abun.2019.SJ.BS3.Lluv, mu = 14): cannot compute
## exact p-value with zeroes##
## Wilcoxon signed rank test with continuity correction
##
## data: Abun.2019.SJ.BS3.Lluv
## V = 285, p-value = 0.1458
## alternative hypothesis: true location is not equal to 14#La media puede ser igual a 14
#Chi cuadrado----------------------
A_SJ <- c(447.13, 387.13, 297.13, 177.13)
A_VB <- c(449.94, 389.94, 299.94, 179.94)
A_MD <- c(453.28, 393.28, 303.28, 183.28)
A_MC <- c(445.39, 385.39, 295.39, 175.39)
cuadro_chi <- data.frame(A_SJ, A_VB, A_MD, A_MC)
row.names(cuadro_chi)<-c("BS1","BS2","BS3","BS4")
cuadro_chi## A_SJ A_VB A_MD A_MC
## BS1 447.13 449.94 453.28 445.39
## BS2 387.13 389.94 393.28 385.39
## BS3 297.13 299.94 303.28 295.39
## BS4 177.13 179.94 183.28 175.39chisq.test(cuadro_chi)$expected## A_SJ A_VB A_MD A_MC
## BS1 446.4715 450.3066 454.8651 444.0967
## BS2 386.8008 390.1233 394.0726 384.7434
## BS3 297.2946 299.8483 302.8837 295.7133
## BS4 177.9531 179.4817 181.2986 177.0066chisq.test(cuadro_chi)##
## Pearson's Chi-squared test
##
## data: cuadro_chi
## X-squared = 0.055994, df = 9, p-value = 1#Base de datos
library(readxl)
BD_Veg_Fotosin <- read_excel("~/BD_Veg_Fotosin.xlsx", sheet = "Experimento")
View(BD_Veg_Fotosin)
#Correlaciones y regresiones-----------------------
#Correlación
exp_especie <- BD_Veg_Fotosin$Especie
exp_humedads <- BD_Veg_Fotosin$`Capacidad_campo_humedad_suelo_%`
Temperatura <- BD_Veg_Fotosin$Temperatura_C[exp_especie == "SJ" & exp_humedads == "100"]
gs <- BD_Veg_Fotosin$gs[exp_especie == "SJ" & exp_humedads == "100"]
shapiro.test(Temperatura)##
## Shapiro-Wilk normality test
##
## data: Temperatura
## W = 0.85729, p-value = 0.0001359shapiro.test(gs)##
## Shapiro-Wilk normality test
##
## data: gs
## W = 0.90407, p-value = 0.002516cor.test(Temperatura, gs, method = "spearman")## Warning in cor.test.default(Temperatura, gs, method = "spearman"): Cannot
## compute exact p-value with ties##
## Spearman's rank correlation rho
##
## data: Temperatura and gs
## S = 2440, p-value = 5.815e-09
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.7711093library(PerformanceAnalytics)## Warning: package 'PerformanceAnalytics' was built under R version 4.0.3## Loading required package: xts## Warning: package 'xts' was built under R version 4.0.3## Loading required package: zoo## Warning: package 'zoo' was built under R version 4.0.3##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric##
## Attaching package: 'PerformanceAnalytics'## The following object is masked from 'package:graphics':
##
## legend
cuadro_correlacion <- data.frame(Temperatura, gs)
chart.Correlation(cuadro_correlacion, method = "spearman")## Warning in cor.test.default(as.numeric(x), as.numeric(y), method = method):
## Cannot compute exact p-value with ties
#Existe una correlación positiva fuerte y significativa de la especie SJ entre gs y la temperatura
#Regresión
library(lmtest)## Warning: package 'lmtest' was built under R version 4.0.3library(car)## Loading required package: carDatamodelo_regresion <- lm(gs~Temperatura)
dwtest(modelo_regresion) ##
## Durbin-Watson test
##
## data: modelo_regresion
## DW = 1.1095, p-value = 0.0007564
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(modelo_regresion$residuals) #Normal##
## Shapiro-Wilk normality test
##
## data: modelo_regresion$residuals
## W = 0.96523, p-value = 0.2517ncvTest(modelo_regresion) #Es homocedástico## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 0.01314876, Df = 1, p = 0.90871summary(modelo_regresion)#No hay regresión##
## Call:
## lm(formula = gs ~ Temperatura)
##
## Residuals:
## Min 1Q Median 3Q Max
## -134.760 -45.220 8.855 42.030 93.010
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 39.610 48.501 0.817 0.419
## Temperatura 15.246 1.728 8.821 9.88e-11 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 61.11 on 38 degrees of freedom
## Multiple R-squared: 0.6719, Adjusted R-squared: 0.6633
## F-statistic: 77.81 on 1 and 38 DF, p-value: 9.882e-11library(visreg)
visreg(modelo_regresion)
#Formula para predecir el valor de la conductancia estomática al vapor de agua con una temperatura de 40°C
40*15.246 + 39.610 #= 649.45## [1] 649.45#ANDEVAS---------------------------------
#Muestreo
#Base de datos
library(readxl)
BD_Veg_Fotosin <- read_excel("~/BD_Veg_Fotosin.xlsx", sheet = "Muestreo")
View(BD_Veg_Fotosin)
sitio <- BD_Veg_Fotosin$Sitio
Chl_total <- BD_Veg_Fotosin$Chl_total
sitio <- as.factor(sitio)
is.factor(sitio)## [1] TRUEcuadro_ANDEVA1 <- data.frame(Chl_total, sitio)
cuadro_ANDEVA1## Chl_total sitio
## 1 4.20 BS1
## 2 3.60 BS1
## 3 3.90 BS1
## 4 2.90 BS1
## 5 3.40 BS1
## 6 4.30 BS1
## 7 3.80 BS1
## 8 3.30 BS1
## 9 4.10 BS1
## 10 3.40 BS1
## 11 3.20 BS1
## 12 4.40 BS1
## 13 4.10 BS1
## 14 3.80 BS1
## 15 3.30 BS1
## 16 4.00 BS1
## 17 2.60 BS1
## 18 2.20 BS1
## 19 4.00 BS1
## 20 3.10 BS1
## 21 4.20 BS1
## 22 3.40 BS1
## 23 3.40 BS1
## 24 3.00 BS1
## 25 2.40 BS1
## 26 3.00 BS1
## 27 3.00 BS1
## 28 3.00 BS1
## 29 3.50 BS1
## 30 3.90 BS1
## 31 3.40 BS1
## 32 3.90 BS1
## 33 2.60 BS1
## 34 4.00 BS1
## 35 3.40 BS1
## 36 3.30 BS1
## 37 2.70 BS1
## 38 3.50 BS1
## 39 2.80 BS1
## 40 3.80 BS1
## 41 3.60 BS1
## 42 3.50 BS1
## 43 3.40 BS1
## 44 2.90 BS1
## 45 3.90 BS1
## 46 4.30 BS1
## 47 2.80 BS1
## 48 3.30 BS1
## 49 3.70 BS1
## 50 2.70 BS1
## 51 3.70 BS1
## 52 3.20 BS1
## 53 3.60 BS1
## 54 4.30 BS1
## 55 3.10 BS1
## 56 4.00 BS1
## 57 2.50 BS1
## 58 3.70 BS1
## 59 3.00 BS1
## 60 4.00 BS1
## 61 2.70 BS1
## 62 4.00 BS1
## 63 3.80 BS1
## 64 3.30 BS1
## 65 3.40 BS1
## 66 3.70 BS1
## 67 3.30 BS1
## 68 3.30 BS1
## 69 3.70 BS1
## 70 3.20 BS1
## 71 3.00 BS1
## 72 2.50 BS1
## 73 4.00 BS1
## 74 3.80 BS1
## 75 3.40 BS1
## 76 3.30 BS1
## 77 3.10 BS1
## 78 4.00 BS1
## 79 3.30 BS1
## 80 3.30 BS1
## 81 3.70 BS1
## 82 3.10 BS1
## 83 4.20 BS1
## 84 3.10 BS1
## 85 2.90 BS1
## 86 3.70 BS1
## 87 4.40 BS1
## 88 3.60 BS1
## 89 3.10 BS1
## 90 2.80 BS1
## 91 3.60 BS1
## 92 3.40 BS1
## 93 3.50 BS1
## 94 3.20 BS1
## 95 2.80 BS1
## 96 4.50 BS1
## 97 3.60 BS1
## 98 3.10 BS1
## 99 3.70 BS1
## 100 3.30 BS1
## 101 3.40 BS1
## 102 3.30 BS1
## 103 2.90 BS1
## 104 3.50 BS1
## 105 3.10 BS1
## 106 2.90 BS1
## 107 3.00 BS1
## 108 3.30 BS1
## 109 3.30 BS1
## 110 3.50 BS1
## 111 2.90 BS1
## 112 2.90 BS1
## 113 3.60 BS1
## 114 3.20 BS1
## 115 3.00 BS1
## 116 3.40 BS1
## 117 4.10 BS1
## 118 3.80 BS1
## 119 2.90 BS1
## 120 4.00 BS1
## 121 3.70 BS1
## 122 2.70 BS1
## 123 2.60 BS1
## 124 3.60 BS1
## 125 3.20 BS1
## 126 3.00 BS1
## 127 3.20 BS1
## 128 3.70 BS1
## 129 3.30 BS1
## 130 3.40 BS1
## 131 3.20 BS1
## 132 2.90 BS1
## 133 4.00 BS1
## 134 4.10 BS1
## 135 3.80 BS1
## 136 4.70 BS1
## 137 3.60 BS1
## 138 3.40 BS1
## 139 3.60 BS1
## 140 3.20 BS1
## 141 3.60 BS1
## 142 3.50 BS1
## 143 2.50 BS1
## 144 3.50 BS1
## 145 2.90 BS1
## 146 3.50 BS1
## 147 4.10 BS1
## 148 3.70 BS1
## 149 3.60 BS1
## 150 3.20 BS1
## 151 3.30 BS1
## 152 4.10 BS1
## 153 3.20 BS1
## 154 3.50 BS1
## 155 2.90 BS1
## 156 4.10 BS1
## 157 3.80 BS1
## 158 3.60 BS1
## 159 3.40 BS1
## 160 3.90 BS1
## 161 3.20 BS1
## 162 3.70 BS1
## 163 3.20 BS1
## 164 3.20 BS1
## 165 3.40 BS1
## 166 3.40 BS1
## 167 4.00 BS1
## 168 4.20 BS1
## 169 3.80 BS1
## 170 4.50 BS1
## 171 2.60 BS1
## 172 3.30 BS1
## 173 3.60 BS1
## 174 3.90 BS1
## 175 3.80 BS1
## 176 3.30 BS1
## 177 4.20 BS1
## 178 3.20 BS1
## 179 3.90 BS1
## 180 3.50 BS1
## 181 3.40 BS1
## 182 3.20 BS1
## 183 3.70 BS1
## 184 4.00 BS1
## 185 2.80 BS1
## 186 3.60 BS1
## 187 3.90 BS1
## 188 3.80 BS1
## 189 3.10 BS1
## 190 2.70 BS1
## 191 3.20 BS1
## 192 3.70 BS1
## 193 2.20 BS1
## 194 3.40 BS1
## 195 3.10 BS1
## 196 3.10 BS1
## 197 2.80 BS1
## 198 3.70 BS1
## 199 3.40 BS1
## 200 2.90 BS1
## 201 3.10 BS1
## 202 3.60 BS1
## 203 3.40 BS1
## 204 3.60 BS1
## 205 3.10 BS1
## 206 3.50 BS1
## 207 2.70 BS1
## 208 3.90 BS1
## 209 2.40 BS1
## 210 3.00 BS1
## 211 4.10 BS1
## 212 3.70 BS1
## 213 2.30 BS1
## 214 3.90 BS1
## 215 3.80 BS1
## 216 3.20 BS1
## 217 3.30 BS1
## 218 3.70 BS1
## 219 3.40 BS1
## 220 4.00 BS1
## 221 3.50 BS1
## 222 3.00 BS1
## 223 3.60 BS1
## 224 3.40 BS1
## 225 2.40 BS1
## 226 3.00 BS1
## 227 3.60 BS1
## 228 3.60 BS1
## 229 3.60 BS1
## 230 3.90 BS1
## 231 3.60 BS1
## 232 2.80 BS1
## 233 3.40 BS1
## 234 3.60 BS1
## 235 3.60 BS1
## 236 3.90 BS1
## 237 3.10 BS1
## 238 3.50 BS1
## 239 3.20 BS1
## 240 3.60 BS1
## 241 2.00 BS2
## 242 1.70 BS2
## 243 1.60 BS2
## 244 1.40 BS2
## 245 1.30 BS2
## 246 2.10 BS2
## 247 1.00 BS2
## 248 2.40 BS2
## 249 2.20 BS2
## 250 1.50 BS2
## 251 1.70 BS2
## 252 1.90 BS2
## 253 1.90 BS2
## 254 1.90 BS2
## 255 3.20 BS2
## 256 1.70 BS2
## 257 2.00 BS2
## 258 2.60 BS2
## 259 1.40 BS2
## 260 3.10 BS2
## 261 1.80 BS2
## 262 2.10 BS2
## 263 2.30 BS2
## 264 2.00 BS2
## 265 2.30 BS2
## 266 1.90 BS2
## 267 2.30 BS2
## 268 2.00 BS2
## 269 2.00 BS2
## 270 2.00 BS2
## 271 1.90 BS2
## 272 1.90 BS2
## 273 1.70 BS2
## 274 1.90 BS2
## 275 2.10 BS2
## 276 2.40 BS2
## 277 1.60 BS2
## 278 1.30 BS2
## 279 1.60 BS2
## 280 2.20 BS2
## 281 1.90 BS2
## 282 2.30 BS2
## 283 1.90 BS2
## 284 1.80 BS2
## 285 2.30 BS2
## 286 2.60 BS2
## 287 1.60 BS2
## 288 1.70 BS2
## 289 1.60 BS2
## 290 1.40 BS2
## 291 2.40 BS2
## 292 1.60 BS2
## 293 2.20 BS2
## 294 1.20 BS2
## 295 1.80 BS2
## 296 1.80 BS2
## 297 2.30 BS2
## 298 2.10 BS2
## 299 1.00 BS2
## 300 1.10 BS2
## 301 1.70 BS2
## 302 2.80 BS2
## 303 2.10 BS2
## 304 2.80 BS2
## 305 2.20 BS2
## 306 3.20 BS2
## 307 1.80 BS2
## 308 2.10 BS2
## 309 2.10 BS2
## 310 2.90 BS2
## 311 2.60 BS2
## 312 1.80 BS2
## 313 1.90 BS2
## 314 2.10 BS2
## 315 2.40 BS2
## 316 2.50 BS2
## 317 1.70 BS2
## 318 1.60 BS2
## 319 2.30 BS2
## 320 2.50 BS2
## 321 3.00 BS2
## 322 2.30 BS2
## 323 2.20 BS2
## 324 2.50 BS2
## 325 2.50 BS2
## 326 2.50 BS2
## 327 1.10 BS2
## 328 2.40 BS2
## 329 2.20 BS2
## 330 2.20 BS2
## 331 2.50 BS2
## 332 1.30 BS2
## 333 1.80 BS2
## 334 2.70 BS2
## 335 2.00 BS2
## 336 1.90 BS2
## 337 1.40 BS2
## 338 3.00 BS2
## 339 1.90 BS2
## 340 1.80 BS2
## 341 2.70 BS2
## 342 1.20 BS2
## 343 2.10 BS2
## 344 0.90 BS2
## 345 2.30 BS2
## 346 1.80 BS2
## 347 1.40 BS2
## 348 1.90 BS2
## 349 1.90 BS2
## 350 2.40 BS2
## 351 2.00 BS2
## 352 1.80 BS2
## 353 2.30 BS2
## 354 2.70 BS2
## 355 1.80 BS2
## 356 2.50 BS2
## 357 2.70 BS2
## 358 1.60 BS2
## 359 2.30 BS2
## 360 1.90 BS2
## 361 2.30 BS2
## 362 3.00 BS2
## 363 1.80 BS2
## 364 0.90 BS2
## 365 2.20 BS2
## 366 2.10 BS2
## 367 1.90 BS2
## 368 1.00 BS2
## 369 1.90 BS2
## 370 2.30 BS2
## 371 0.90 BS2
## 372 1.90 BS2
## 373 2.40 BS2
## 374 1.80 BS2
## 375 1.70 BS2
## 376 1.30 BS2
## 377 2.10 BS2
## 378 1.60 BS2
## 379 1.70 BS2
## 380 2.20 BS2
## 381 2.00 BS2
## 382 1.40 BS2
## 383 1.90 BS2
## 384 1.30 BS2
## 385 3.00 BS2
## 386 1.70 BS2
## 387 2.20 BS2
## 388 2.50 BS2
## 389 2.10 BS2
## 390 2.30 BS2
## 391 2.20 BS2
## 392 1.70 BS2
## 393 1.70 BS2
## 394 1.60 BS2
## 395 2.00 BS2
## 396 1.20 BS2
## 397 1.50 BS2
## 398 2.40 BS2
## 399 1.40 BS2
## 400 1.40 BS2
## 401 1.50 BS2
## 402 2.70 BS2
## 403 2.40 BS2
## 404 2.40 BS2
## 405 1.30 BS2
## 406 1.00 BS2
## 407 0.90 BS2
## 408 2.00 BS2
## 409 2.20 BS2
## 410 1.30 BS2
## 411 2.00 BS2
## 412 1.50 BS2
## 413 1.30 BS2
## 414 2.20 BS2
## 415 2.60 BS2
## 416 2.20 BS2
## 417 2.50 BS2
## 418 2.00 BS2
## 419 2.30 BS2
## 420 2.30 BS2
## 421 1.60 BS2
## 422 2.50 BS2
## 423 1.60 BS2
## 424 2.00 BS2
## 425 2.50 BS2
## 426 2.20 BS2
## 427 1.80 BS2
## 428 2.30 BS2
## 429 1.60 BS2
## 430 2.00 BS2
## 431 2.20 BS2
## 432 1.90 BS2
## 433 0.60 BS2
## 434 1.60 BS2
## 435 2.50 BS2
## 436 1.90 BS2
## 437 1.70 BS2
## 438 1.20 BS2
## 439 2.90 BS2
## 440 2.50 BS2
## 441 1.80 BS2
## 442 2.50 BS2
## 443 2.70 BS2
## 444 2.00 BS2
## 445 2.20 BS2
## 446 1.10 BS2
## 447 1.90 BS2
## 448 2.30 BS2
## 449 2.10 BS2
## 450 2.60 BS2
## 451 1.90 BS2
## 452 2.20 BS2
## 453 2.10 BS2
## 454 1.80 BS2
## 455 2.20 BS2
## 456 2.10 BS2
## 457 2.40 BS2
## 458 2.40 BS2
## 459 1.90 BS2
## 460 2.20 BS2
## 461 2.30 BS2
## 462 2.20 BS2
## 463 2.00 BS2
## 464 2.30 BS2
## 465 1.60 BS2
## 466 2.70 BS2
## 467 2.30 BS2
## 468 1.40 BS2
## 469 2.50 BS2
## 470 2.70 BS2
## 471 1.40 BS2
## 472 1.90 BS2
## 473 2.20 BS2
## 474 1.30 BS2
## 475 1.90 BS2
## 476 1.90 BS2
## 477 0.80 BS2
## 478 2.00 BS2
## 479 1.80 BS2
## 480 2.10 BS2
## 481 0.90 BS3
## 482 2.00 BS3
## 483 0.60 BS3
## 484 1.10 BS3
## 485 1.90 BS3
## 486 1.60 BS3
## 487 0.90 BS3
## 488 1.50 BS3
## 489 2.10 BS3
## 490 1.60 BS3
## 491 2.20 BS3
## 492 1.70 BS3
## 493 1.30 BS3
## 494 1.10 BS3
## 495 1.20 BS3
## 496 1.70 BS3
## 497 1.80 BS3
## 498 2.20 BS3
## 499 1.90 BS3
## 500 0.90 BS3
## 501 1.30 BS3
## 502 1.00 BS3
## 503 1.90 BS3
## 504 0.80 BS3
## 505 1.40 BS3
## 506 1.60 BS3
## 507 1.50 BS3
## 508 1.60 BS3
## 509 1.60 BS3
## 510 1.70 BS3
## 511 1.40 BS3
## 512 1.70 BS3
## 513 1.40 BS3
## 514 1.50 BS3
## 515 1.40 BS3
## 516 1.20 BS3
## 517 1.80 BS3
## 518 0.80 BS3
## 519 1.60 BS3
## 520 0.80 BS3
## 521 1.40 BS3
## 522 0.60 BS3
## 523 2.30 BS3
## 524 1.30 BS3
## 525 2.00 BS3
## 526 1.30 BS3
## 527 1.10 BS3
## 528 1.90 BS3
## 529 1.60 BS3
## 530 1.80 BS3
## 531 1.60 BS3
## 532 0.40 BS3
## 533 1.40 BS3
## 534 0.80 BS3
## 535 1.90 BS3
## 536 2.00 BS3
## 537 1.90 BS3
## 538 1.80 BS3
## 539 1.50 BS3
## 540 1.70 BS3
## 541 0.60 BS3
## 542 0.80 BS3
## 543 0.80 BS3
## 544 0.30 BS3
## 545 2.20 BS3
## 546 2.30 BS3
## 547 0.80 BS3
## 548 1.60 BS3
## 549 1.50 BS3
## 550 2.40 BS3
## 551 1.50 BS3
## 552 1.20 BS3
## 553 1.50 BS3
## 554 1.40 BS3
## 555 1.90 BS3
## 556 1.60 BS3
## 557 1.20 BS3
## 558 1.90 BS3
## 559 2.30 BS3
## 560 1.80 BS3
## 561 2.30 BS3
## 562 1.00 BS3
## 563 1.80 BS3
## 564 1.10 BS3
## 565 0.50 BS3
## 566 1.00 BS3
## 567 1.40 BS3
## 568 1.10 BS3
## 569 1.90 BS3
## 570 1.70 BS3
## 571 1.70 BS3
## 572 1.00 BS3
## 573 2.10 BS3
## 574 1.20 BS3
## 575 1.40 BS3
## 576 1.70 BS3
## 577 1.40 BS3
## 578 2.00 BS3
## 579 1.70 BS3
## 580 0.30 BS3
## 581 1.20 BS3
## 582 1.20 BS3
## 583 1.70 BS3
## 584 1.20 BS3
## 585 2.30 BS3
## 586 1.00 BS3
## 587 1.00 BS3
## 588 0.40 BS3
## 589 1.40 BS3
## 590 1.20 BS3
## 591 0.80 BS3
## 592 0.90 BS3
## 593 1.70 BS3
## 594 2.70 BS3
## 595 1.90 BS3
## 596 1.30 BS3
## 597 1.70 BS3
## 598 1.10 BS3
## 599 0.70 BS3
## 600 1.70 BS3
## 601 0.60 BS3
## 602 1.60 BS3
## 603 2.20 BS3
## 604 1.20 BS3
## 605 0.90 BS3
## 606 1.80 BS3
## 607 1.40 BS3
## 608 1.60 BS3
## 609 1.30 BS3
## 610 1.50 BS3
## 611 1.30 BS3
## 612 2.00 BS3
## 613 2.20 BS3
## 614 1.80 BS3
## 615 2.00 BS3
## 616 1.30 BS3
## 617 2.00 BS3
## 618 1.10 BS3
## 619 1.20 BS3
## 620 1.90 BS3
## 621 1.40 BS3
## 622 2.00 BS3
## 623 2.40 BS3
## 624 0.80 BS3
## 625 1.80 BS3
## 626 1.70 BS3
## 627 2.20 BS3
## 628 1.90 BS3
## 629 1.90 BS3
## 630 1.60 BS3
## 631 1.10 BS3
## 632 2.30 BS3
## 633 0.80 BS3
## 634 1.30 BS3
## 635 1.20 BS3
## 636 1.70 BS3
## 637 1.00 BS3
## 638 1.70 BS3
## 639 1.00 BS3
## 640 1.90 BS3
## 641 1.90 BS3
## 642 1.10 BS3
## 643 2.20 BS3
## 644 1.30 BS3
## 645 1.30 BS3
## 646 1.90 BS3
## 647 1.80 BS3
## 648 1.10 BS3
## 649 1.60 BS3
## 650 0.40 BS3
## 651 1.40 BS3
## 652 0.90 BS3
## 653 1.40 BS3
## 654 1.50 BS3
## 655 1.80 BS3
## 656 0.90 BS3
## 657 2.40 BS3
## 658 1.00 BS3
## 659 0.30 BS3
## 660 2.10 BS3
## 661 2.10 BS3
## 662 1.50 BS3
## 663 1.70 BS3
## 664 1.20 BS3
## 665 1.00 BS3
## 666 1.60 BS3
## 667 1.60 BS3
## 668 0.70 BS3
## 669 1.40 BS3
## 670 1.40 BS3
## 671 1.60 BS3
## 672 1.40 BS3
## 673 1.10 BS3
## 674 1.60 BS3
## 675 1.20 BS3
## 676 1.40 BS3
## 677 2.00 BS3
## 678 1.70 BS3
## 679 0.80 BS3
## 680 2.00 BS3
## 681 1.50 BS3
## 682 1.50 BS3
## 683 1.80 BS3
## 684 1.90 BS3
## 685 1.50 BS3
## 686 1.50 BS3
## 687 1.50 BS3
## 688 1.20 BS3
## 689 1.90 BS3
## 690 1.90 BS3
## 691 1.90 BS3
## 692 1.20 BS3
## 693 1.00 BS3
## 694 0.40 BS3
## 695 1.00 BS3
## 696 2.30 BS3
## 697 2.30 BS3
## 698 2.70 BS3
## 699 0.70 BS3
## 700 1.10 BS3
## 701 1.70 BS3
## 702 2.10 BS3
## 703 2.30 BS3
## 704 1.80 BS3
## 705 1.70 BS3
## 706 2.30 BS3
## 707 2.00 BS3
## 708 0.90 BS3
## 709 1.00 BS3
## 710 1.40 BS3
## 711 1.20 BS3
## 712 1.20 BS3
## 713 2.00 BS3
## 714 1.30 BS3
## 715 1.80 BS3
## 716 2.10 BS3
## 717 1.70 BS3
## 718 1.40 BS3
## 719 1.10 BS3
## 720 1.90 BS3
## 721 1.30 BS4
## 722 1.60 BS4
## 723 2.40 BS4
## 724 1.30 BS4
## 725 2.00 BS4
## 726 1.20 BS4
## 727 2.20 BS4
## 728 1.00 BS4
## 729 0.90 BS4
## 730 1.10 BS4
## 731 1.70 BS4
## 732 1.70 BS4
## 733 1.50 BS4
## 734 1.50 BS4
## 735 2.10 BS4
## 736 1.60 BS4
## 737 2.60 BS4
## 738 1.60 BS4
## 739 0.90 BS4
## 740 1.80 BS4
## 741 2.20 BS4
## 742 1.40 BS4
## 743 1.20 BS4
## 744 1.50 BS4
## 745 0.60 BS4
## 746 1.20 BS4
## 747 1.70 BS4
## 748 1.30 BS4
## 749 1.90 BS4
## 750 1.70 BS4
## 751 1.60 BS4
## 752 0.80 BS4
## 753 1.00 BS4
## 754 1.30 BS4
## 755 1.90 BS4
## 756 1.60 BS4
## 757 2.70 BS4
## 758 2.00 BS4
## 759 1.50 BS4
## 760 1.50 BS4
## 761 1.60 BS4
## 762 0.30 BS4
## 763 1.90 BS4
## 764 2.60 BS4
## 765 1.50 BS4
## 766 2.20 BS4
## 767 0.50 BS4
## 768 1.70 BS4
## 769 1.20 BS4
## 770 1.50 BS4
## 771 2.60 BS4
## 772 1.30 BS4
## 773 1.20 BS4
## 774 1.20 BS4
## 775 1.10 BS4
## 776 1.30 BS4
## 777 1.50 BS4
## 778 1.40 BS4
## 779 2.30 BS4
## 780 2.10 BS4
## 781 1.20 BS4
## 782 1.60 BS4
## 783 1.60 BS4
## 784 0.50 BS4
## 785 1.50 BS4
## 786 1.70 BS4
## 787 1.00 BS4
## 788 0.70 BS4
## 789 1.50 BS4
## 790 2.00 BS4
## 791 1.20 BS4
## 792 1.60 BS4
## 793 2.10 BS4
## 794 0.90 BS4
## 795 1.90 BS4
## 796 2.00 BS4
## 797 1.70 BS4
## 798 1.50 BS4
## 799 1.80 BS4
## 800 1.40 BS4
## 801 1.20 BS4
## 802 1.90 BS4
## 803 1.30 BS4
## 804 1.40 BS4
## 805 1.70 BS4
## 806 1.00 BS4
## 807 0.70 BS4
## 808 2.50 BS4
## 809 1.50 BS4
## 810 1.80 BS4
## 811 1.90 BS4
## 812 1.10 BS4
## 813 1.00 BS4
## 814 1.30 BS4
## 815 1.90 BS4
## 816 0.40 BS4
## 817 1.90 BS4
## 818 1.60 BS4
## 819 1.80 BS4
## 820 2.00 BS4
## 821 2.00 BS4
## 822 0.70 BS4
## 823 1.00 BS4
## 824 2.00 BS4
## 825 1.60 BS4
## 826 1.90 BS4
## 827 1.60 BS4
## 828 1.90 BS4
## 829 2.60 BS4
## 830 2.30 BS4
## 831 1.70 BS4
## 832 1.00 BS4
## 833 1.70 BS4
## 834 1.00 BS4
## 835 2.50 BS4
## 836 2.40 BS4
## 837 1.20 BS4
## 838 2.00 BS4
## 839 1.40 BS4
## 840 0.90 BS4
## 841 0.30 BS4
## 842 2.30 BS4
## 843 1.40 BS4
## 844 1.20 BS4
## 845 1.60 BS4
## 846 1.90 BS4
## 847 1.30 BS4
## 848 1.80 BS4
## 849 0.80 BS4
## 850 1.20 BS4
## 851 2.00 BS4
## 852 1.70 BS4
## 853 1.70 BS4
## 854 1.90 BS4
## 855 1.10 BS4
## 856 1.10 BS4
## 857 1.70 BS4
## 858 1.30 BS4
## 859 1.50 BS4
## 860 1.00 BS4
## 861 1.40 BS4
## 862 1.90 BS4
## 863 1.80 BS4
## 864 2.00 BS4
## 865 1.00 BS4
## 866 1.30 BS4
## 867 1.40 BS4
## 868 1.30 BS4
## 869 1.60 BS4
## 870 0.60 BS4
## 871 1.80 BS4
## 872 2.20 BS4
## 873 2.00 BS4
## 874 2.50 BS4
## 875 1.70 BS4
## 876 1.60 BS4
## 877 2.10 BS4
## 878 1.50 BS4
## 879 1.10 BS4
## 880 1.40 BS4
## 881 1.50 BS4
## 882 2.30 BS4
## 883 1.50 BS4
## 884 1.40 BS4
## 885 1.60 BS4
## 886 1.30 BS4
## 887 1.50 BS4
## 888 1.90 BS4
## 889 1.50 BS4
## 890 0.70 BS4
## 891 2.10 BS4
## 892 1.70 BS4
## 893 1.60 BS4
## 894 0.50 BS4
## 895 1.80 BS4
## 896 2.20 BS4
## 897 1.40 BS4
## 898 2.30 BS4
## 899 1.30 BS4
## 900 1.20 BS4
## 901 1.90 BS4
## 902 1.40 BS4
## 903 2.10 BS4
## 904 1.70 BS4
## 905 1.30 BS4
## 906 0.70 BS4
## 907 1.60 BS4
## 908 1.30 BS4
## 909 2.00 BS4
## 910 1.30 BS4
## 911 1.80 BS4
## 912 2.30 BS4
## 913 0.60 BS4
## 914 2.40 BS4
## 915 2.30 BS4
## 916 1.70 BS4
## 917 2.50 BS4
## 918 1.90 BS4
## 919 1.10 BS4
## 920 1.50 BS4
## 921 2.90 BS4
## 922 1.30 BS4
## 923 2.00 BS4
## 924 1.80 BS4
## 925 1.70 BS4
## 926 2.10 BS4
## 927 0.70 BS4
## 928 1.10 BS4
## 929 1.30 BS4
## 930 1.10 BS4
## 931 2.00 BS4
## 932 1.30 BS4
## 933 1.20 BS4
## 934 0.90 BS4
## 935 1.70 BS4
## 936 1.30 BS4
## 937 1.20 BS4
## 938 1.30 BS4
## 939 1.30 BS4
## 940 2.30 BS4
## 941 1.20 BS4
## 942 1.20 BS4
## 943 0.30 BS4
## 944 1.00 BS4
## 945 0.80 BS4
## 946 1.50 BS4
## 947 1.90 BS4
## 948 1.70 BS4
## 949 1.70 BS4
## 950 1.60 BS4
## 951 1.90 BS4
## 952 1.80 BS4
## 953 2.30 BS4
## 954 1.70 BS4
## 955 2.20 BS4
## 956 1.50 BS4
## 957 1.40 BS4
## 958 2.30 BS4
## 959 1.20 BS4
## 960 1.60 BS4
## 961 4.62 BS1
## 962 3.96 BS1
## 963 4.31 BS1
## 964 3.19 BS1
## 965 3.73 BS1
## 966 4.71 BS1
## 967 4.17 BS1
## 968 3.61 BS1
## 969 4.46 BS1
## 970 3.77 BS1
## 971 3.52 BS1
## 972 4.83 BS1
## 973 4.52 BS1
## 974 4.17 BS1
## 975 3.61 BS1
## 976 4.41 BS1
## 977 2.87 BS1
## 978 2.43 BS1
## 979 4.41 BS1
## 980 3.43 BS1
## 981 4.61 BS1
## 982 3.72 BS1
## 983 3.76 BS1
## 984 3.31 BS1
## 985 2.66 BS1
## 986 3.26 BS1
## 987 3.30 BS1
## 988 3.29 BS1
## 989 3.89 BS1
## 990 4.29 BS1
## 991 3.73 BS1
## 992 4.29 BS1
## 993 2.85 BS1
## 994 4.38 BS1
## 995 3.74 BS1
## 996 3.64 BS1
## 997 2.97 BS1
## 998 3.85 BS1
## 999 3.07 BS1
## 1000 4.18 BS1
## 1001 3.95 BS1
## 1002 3.81 BS1
## 1003 3.76 BS1
## 1004 3.19 BS1
## 1005 4.28 BS1
## 1006 4.75 BS1
## 1007 3.09 BS1
## 1008 3.62 BS1
## 1009 4.05 BS1
## 1010 2.97 BS1
## 1011 4.05 BS1
## 1012 3.49 BS1
## 1013 3.97 BS1
## 1014 4.76 BS1
## 1015 3.41 BS1
## 1016 4.43 BS1
## 1017 2.75 BS1
## 1018 4.09 BS1
## 1019 3.29 BS1
## 1020 4.39 BS1
## 1021 2.96 BS1
## 1022 4.41 BS1
## 1023 4.18 BS1
## 1024 3.63 BS1
## 1025 3.75 BS1
## 1026 4.06 BS1
## 1027 3.65 BS1
## 1028 3.63 BS1
## 1029 4.07 BS1
## 1030 3.54 BS1
## 1031 3.32 BS1
## 1032 2.76 BS1
## 1033 4.38 BS1
## 1034 4.17 BS1
## 1035 3.75 BS1
## 1036 3.62 BS1
## 1037 3.40 BS1
## 1038 4.44 BS1
## 1039 3.64 BS1
## 1040 3.64 BS1
## 1041 4.07 BS1
## 1042 3.42 BS1
## 1043 4.63 BS1
## 1044 3.43 BS1
## 1045 3.21 BS1
## 1046 4.08 BS1
## 1047 4.82 BS1
## 1048 3.99 BS1
## 1049 3.37 BS1
## 1050 3.08 BS1
## 1051 3.96 BS1
## 1052 3.69 BS1
## 1053 3.86 BS1
## 1054 3.54 BS1
## 1055 3.06 BS1
## 1056 4.96 BS1
## 1057 3.95 BS1
## 1058 3.42 BS1
## 1059 4.06 BS1
## 1060 3.62 BS1
## 1061 3.75 BS1
## 1062 3.62 BS1
## 1063 3.19 BS1
## 1064 3.84 BS1
## 1065 3.43 BS1
## 1066 3.23 BS1
## 1067 3.27 BS1
## 1068 3.64 BS1
## 1069 3.65 BS1
## 1070 3.84 BS1
## 1071 3.18 BS1
## 1072 3.19 BS1
## 1073 3.96 BS1
## 1074 3.53 BS1
## 1075 3.31 BS1
## 1076 3.76 BS1
## 1077 4.47 BS1
## 1078 4.15 BS1
## 1079 3.20 BS1
## 1080 4.40 BS1
## 1081 4.08 BS1
## 1082 2.95 BS1
## 1083 2.85 BS1
## 1084 3.96 BS1
## 1085 3.50 BS1
## 1086 3.29 BS1
## 1087 3.51 BS1
## 1088 4.08 BS1
## 1089 3.64 BS1
## 1090 3.77 BS1
## 1091 3.53 BS1
## 1092 3.20 BS1
## 1093 4.42 BS1
## 1094 4.51 BS1
## 1095 4.22 BS1
## 1096 5.14 BS1
## 1097 3.97 BS1
## 1098 3.75 BS1
## 1099 3.95 BS1
## 1100 3.54 BS1
## 1101 3.97 BS1
## 1102 3.83 BS1
## 1103 2.74 BS1
## 1104 3.83 BS1
## 1105 3.17 BS1
## 1106 3.88 BS1
## 1107 4.54 BS1
## 1108 4.06 BS1
## 1109 3.97 BS1
## 1110 3.51 BS1
## 1111 3.64 BS1
## 1112 4.50 BS1
## 1113 3.53 BS1
## 1114 3.84 BS1
## 1115 3.16 BS1
## 1116 4.52 BS1
## 1117 4.19 BS1
## 1118 3.93 BS1
## 1119 3.76 BS1
## 1120 4.28 BS1
## 1121 3.51 BS1
## 1122 4.09 BS1
## 1123 3.52 BS1
## 1124 3.50 BS1
## 1125 3.72 BS1
## 1126 3.76 BS1
## 1127 4.41 BS1
## 1128 4.64 BS1
## 1129 4.17 BS1
## 1130 4.96 BS1
## 1131 2.87 BS1
## 1132 3.63 BS1
## 1133 3.95 BS1
## 1134 4.31 BS1
## 1135 4.18 BS1
## 1136 3.61 BS1
## 1137 4.63 BS1
## 1138 3.54 BS1
## 1139 4.28 BS1
## 1140 3.84 BS1
## 1141 3.73 BS1
## 1142 3.51 BS1
## 1143 4.05 BS1
## 1144 4.36 BS1
## 1145 3.09 BS1
## 1146 3.96 BS1
## 1147 4.29 BS1
## 1148 4.22 BS1
## 1149 3.41 BS1
## 1150 2.97 BS1
## 1151 3.52 BS1
## 1152 4.09 BS1
## 1153 2.43 BS1
## 1154 3.72 BS1
## 1155 3.38 BS1
## 1156 3.41 BS1
## 1157 3.08 BS1
## 1158 4.05 BS1
## 1159 3.75 BS1
## 1160 3.20 BS1
## 1161 3.41 BS1
## 1162 3.99 BS1
## 1163 3.74 BS1
## 1164 3.94 BS1
## 1165 3.41 BS1
## 1166 3.86 BS1
## 1167 2.97 BS1
## 1168 4.32 BS1
## 1169 2.63 BS1
## 1170 3.32 BS1
## 1171 4.54 BS1
## 1172 4.08 BS1
## 1173 2.54 BS1
## 1174 4.31 BS1
## 1175 4.13 BS1
## 1176 3.52 BS1
## 1177 3.66 BS1
## 1178 4.05 BS1
## 1179 3.72 BS1
## 1180 4.38 BS1
## 1181 3.84 BS1
## 1182 3.30 BS1
## 1183 3.95 BS1
## 1184 3.75 BS1
## 1185 2.64 BS1
## 1186 3.33 BS1
## 1187 3.93 BS1
## 1188 3.95 BS1
## 1189 3.95 BS1
## 1190 4.28 BS1
## 1191 3.95 BS1
## 1192 3.09 BS1
## 1193 3.74 BS1
## 1194 3.96 BS1
## 1195 3.96 BS1
## 1196 4.29 BS1
## 1197 3.39 BS1
## 1198 3.84 BS1
## 1199 3.51 BS1
## 1200 3.96 BS1
## 1201 2.20 BS2
## 1202 1.87 BS2
## 1203 1.75 BS2
## 1204 1.54 BS2
## 1205 1.42 BS2
## 1206 2.32 BS2
## 1207 1.10 BS2
## 1208 2.63 BS2
## 1209 2.42 BS2
## 1210 1.65 BS2
## 1211 1.87 BS2
## 1212 2.09 BS2
## 1213 2.09 BS2
## 1214 2.10 BS2
## 1215 3.50 BS2
## 1216 1.88 BS2
## 1217 2.20 BS2
## 1218 2.86 BS2
## 1219 1.53 BS2
## 1220 3.43 BS2
## 1221 1.98 BS2
## 1222 2.31 BS2
## 1223 2.53 BS2
## 1224 2.20 BS2
## 1225 2.53 BS2
## 1226 2.08 BS2
## 1227 2.53 BS2
## 1228 2.21 BS2
## 1229 2.20 BS2
## 1230 2.19 BS2
## 1231 2.10 BS2
## 1232 2.10 BS2
## 1233 1.86 BS2
## 1234 2.09 BS2
## 1235 2.31 BS2
## 1236 2.63 BS2
## 1237 1.77 BS2
## 1238 1.44 BS2
## 1239 1.77 BS2
## 1240 2.41 BS2
## 1241 2.09 BS2
## 1242 2.54 BS2
## 1243 2.09 BS2
## 1244 1.99 BS2
## 1245 2.52 BS2
## 1246 2.84 BS2
## 1247 1.76 BS2
## 1248 1.86 BS2
## 1249 1.76 BS2
## 1250 1.54 BS2
## 1251 2.64 BS2
## 1252 1.76 BS2
## 1253 2.39 BS2
## 1254 1.32 BS2
## 1255 1.99 BS2
## 1256 1.98 BS2
## 1257 2.54 BS2
## 1258 2.32 BS2
## 1259 1.10 BS2
## 1260 1.21 BS2
## 1261 1.87 BS2
## 1262 3.11 BS2
## 1263 2.30 BS2
## 1264 3.11 BS2
## 1265 2.40 BS2
## 1266 3.53 BS2
## 1267 1.99 BS2
## 1268 2.31 BS2
## 1269 2.31 BS2
## 1270 3.16 BS2
## 1271 2.86 BS2
## 1272 1.99 BS2
## 1273 2.09 BS2
## 1274 2.31 BS2
## 1275 2.65 BS2
## 1276 2.77 BS2
## 1277 1.86 BS2
## 1278 1.77 BS2
## 1279 2.52 BS2
## 1280 2.74 BS2
## 1281 3.28 BS2
## 1282 2.53 BS2
## 1283 2.40 BS2
## 1284 2.71 BS2
## 1285 2.73 BS2
## 1286 2.75 BS2
## 1287 1.21 BS2
## 1288 2.64 BS2
## 1289 2.40 BS2
## 1290 2.42 BS2
## 1291 2.77 BS2
## 1292 1.43 BS2
## 1293 1.99 BS2
## 1294 2.96 BS2
## 1295 2.20 BS2
## 1296 2.10 BS2
## 1297 1.54 BS2
## 1298 3.27 BS2
## 1299 2.10 BS2
## 1300 1.97 BS2
## 1301 2.97 BS2
## 1302 1.32 BS2
## 1303 2.32 BS2
## 1304 0.99 BS2
## 1305 2.53 BS2
## 1306 1.97 BS2
## 1307 1.53 BS2
## 1308 2.09 BS2
## 1309 2.09 BS2
## 1310 2.65 BS2
## 1311 2.21 BS2
## 1312 1.98 BS2
## 1313 2.50 BS2
## 1314 2.94 BS2
## 1315 1.98 BS2
## 1316 2.75 BS2
## 1317 2.96 BS2
## 1318 1.76 BS2
## 1319 2.54 BS2
## 1320 2.10 BS2
## 1321 2.54 BS2
## 1322 3.29 BS2
## 1323 1.98 BS2
## 1324 1.00 BS2
## 1325 2.42 BS2
## 1326 2.32 BS2
## 1327 2.08 BS2
## 1328 1.11 BS2
## 1329 2.09 BS2
## 1330 2.54 BS2
## 1331 0.99 BS2
## 1332 2.09 BS2
## 1333 2.65 BS2
## 1334 1.97 BS2
## 1335 1.85 BS2
## 1336 1.43 BS2
## 1337 2.32 BS2
## 1338 1.76 BS2
## 1339 1.87 BS2
## 1340 2.41 BS2
## 1341 2.21 BS2
## 1342 1.52 BS2
## 1343 2.10 BS2
## 1344 1.43 BS2
## 1345 3.27 BS2
## 1346 1.87 BS2
## 1347 2.40 BS2
## 1348 2.76 BS2
## 1349 2.31 BS2
## 1350 2.53 BS2
## 1351 2.41 BS2
## 1352 1.86 BS2
## 1353 1.87 BS2
## 1354 1.77 BS2
## 1355 2.19 BS2
## 1356 1.32 BS2
## 1357 1.65 BS2
## 1358 2.62 BS2
## 1359 1.53 BS2
## 1360 1.54 BS2
## 1361 1.65 BS2
## 1362 2.97 BS2
## 1363 2.64 BS2
## 1364 2.65 BS2
## 1365 1.43 BS2
## 1366 1.11 BS2
## 1367 0.99 BS2
## 1368 2.19 BS2
## 1369 2.43 BS2
## 1370 1.44 BS2
## 1371 2.21 BS2
## 1372 1.65 BS2
## 1373 1.43 BS2
## 1374 2.42 BS2
## 1375 2.87 BS2
## 1376 2.41 BS2
## 1377 2.74 BS2
## 1378 2.19 BS2
## 1379 2.51 BS2
## 1380 2.54 BS2
## 1381 1.77 BS2
## 1382 2.76 BS2
## 1383 1.78 BS2
## 1384 2.20 BS2
## 1385 2.74 BS2
## 1386 2.43 BS2
## 1387 1.98 BS2
## 1388 2.53 BS2
## 1389 1.75 BS2
## 1390 2.19 BS2
## 1391 2.41 BS2
## 1392 2.08 BS2
## 1393 0.66 BS2
## 1394 1.76 BS2
## 1395 2.76 BS2
## 1396 2.09 BS2
## 1397 1.88 BS2
## 1398 1.32 BS2
## 1399 3.18 BS2
## 1400 2.78 BS2
## 1401 1.98 BS2
## 1402 2.76 BS2
## 1403 2.97 BS2
## 1404 2.21 BS2
## 1405 2.43 BS2
## 1406 1.21 BS2
## 1407 2.10 BS2
## 1408 2.53 BS2
## 1409 2.31 BS2
## 1410 2.87 BS2
## 1411 2.10 BS2
## 1412 2.42 BS2
## 1413 2.31 BS2
## 1414 2.00 BS2
## 1415 2.43 BS2
## 1416 2.31 BS2
## 1417 2.63 BS2
## 1418 2.63 BS2
## 1419 2.11 BS2
## 1420 2.42 BS2
## 1421 2.51 BS2
## 1422 2.41 BS2
## 1423 2.21 BS2
## 1424 2.53 BS2
## 1425 1.75 BS2
## 1426 2.98 BS2
## 1427 2.53 BS2
## 1428 1.54 BS2
## 1429 2.78 BS2
## 1430 2.98 BS2
## 1431 1.54 BS2
## 1432 2.10 BS2
## 1433 2.42 BS2
## 1434 1.43 BS2
## 1435 2.10 BS2
## 1436 2.07 BS2
## 1437 0.88 BS2
## 1438 2.19 BS2
## 1439 1.98 BS2
## 1440 2.30 BS2
## 1441 0.99 BS3
## 1442 2.21 BS3
## 1443 0.66 BS3
## 1444 1.21 BS3
## 1445 2.08 BS3
## 1446 1.76 BS3
## 1447 0.99 BS3
## 1448 1.66 BS3
## 1449 2.32 BS3
## 1450 1.77 BS3
## 1451 2.42 BS3
## 1452 1.88 BS3
## 1453 1.43 BS3
## 1454 1.21 BS3
## 1455 1.33 BS3
## 1456 1.86 BS3
## 1457 2.00 BS3
## 1458 2.40 BS3
## 1459 2.08 BS3
## 1460 0.99 BS3
## 1461 1.42 BS3
## 1462 1.09 BS3
## 1463 2.10 BS3
## 1464 0.88 BS3
## 1465 1.54 BS3
## 1466 1.76 BS3
## 1467 1.65 BS3
## 1468 1.77 BS3
## 1469 1.76 BS3
## 1470 1.89 BS3
## 1471 1.54 BS3
## 1472 1.87 BS3
## 1473 1.54 BS3
## 1474 1.63 BS3
## 1475 1.55 BS3
## 1476 1.32 BS3
## 1477 1.97 BS3
## 1478 0.88 BS3
## 1479 1.76 BS3
## 1480 0.88 BS3
## 1481 1.55 BS3
## 1482 0.67 BS3
## 1483 2.53 BS3
## 1484 1.43 BS3
## 1485 2.22 BS3
## 1486 1.43 BS3
## 1487 1.21 BS3
## 1488 2.08 BS3
## 1489 1.75 BS3
## 1490 1.98 BS3
## 1491 1.76 BS3
## 1492 0.44 BS3
## 1493 1.55 BS3
## 1494 0.89 BS3
## 1495 2.08 BS3
## 1496 2.20 BS3
## 1497 2.09 BS3
## 1498 1.97 BS3
## 1499 1.65 BS3
## 1500 1.87 BS3
## 1501 0.66 BS3
## 1502 0.88 BS3
## 1503 0.89 BS3
## 1504 0.33 BS3
## 1505 2.42 BS3
## 1506 2.53 BS3
## 1507 0.89 BS3
## 1508 1.75 BS3
## 1509 1.65 BS3
## 1510 2.65 BS3
## 1511 1.64 BS3
## 1512 1.32 BS3
## 1513 1.64 BS3
## 1514 1.54 BS3
## 1515 2.10 BS3
## 1516 1.75 BS3
## 1517 1.33 BS3
## 1518 2.10 BS3
## 1519 2.54 BS3
## 1520 1.97 BS3
## 1521 2.53 BS3
## 1522 1.09 BS3
## 1523 2.00 BS3
## 1524 1.20 BS3
## 1525 0.55 BS3
## 1526 1.10 BS3
## 1527 1.55 BS3
## 1528 1.21 BS3
## 1529 2.10 BS3
## 1530 1.86 BS3
## 1531 1.88 BS3
## 1532 1.10 BS3
## 1533 2.31 BS3
## 1534 1.32 BS3
## 1535 1.54 BS3
## 1536 1.87 BS3
## 1537 1.55 BS3
## 1538 2.19 BS3
## 1539 1.88 BS3
## 1540 0.33 BS3
## 1541 1.33 BS3
## 1542 1.32 BS3
## 1543 1.88 BS3
## 1544 1.32 BS3
## 1545 2.52 BS3
## 1546 1.09 BS3
## 1547 1.10 BS3
## 1548 0.44 BS3
## 1549 1.55 BS3
## 1550 1.32 BS3
## 1551 0.88 BS3
## 1552 0.99 BS3
## 1553 1.88 BS3
## 1554 2.97 BS3
## 1555 2.08 BS3
## 1556 1.44 BS3
## 1557 1.87 BS3
## 1558 1.21 BS3
## 1559 0.77 BS3
## 1560 1.88 BS3
## 1561 0.66 BS3
## 1562 1.76 BS3
## 1563 2.42 BS3
## 1564 1.33 BS3
## 1565 1.00 BS3
## 1566 1.98 BS3
## 1567 1.54 BS3
## 1568 1.76 BS3
## 1569 1.43 BS3
## 1570 1.65 BS3
## 1571 1.42 BS3
## 1572 2.21 BS3
## 1573 2.41 BS3
## 1574 1.98 BS3
## 1575 2.20 BS3
## 1576 1.43 BS3
## 1577 2.22 BS3
## 1578 1.21 BS3
## 1579 1.32 BS3
## 1580 2.08 BS3
## 1581 1.54 BS3
## 1582 2.19 BS3
## 1583 2.65 BS3
## 1584 0.87 BS3
## 1585 1.96 BS3
## 1586 1.86 BS3
## 1587 2.41 BS3
## 1588 2.08 BS3
## 1589 2.09 BS3
## 1590 1.75 BS3
## 1591 1.21 BS3
## 1592 2.54 BS3
## 1593 0.87 BS3
## 1594 1.43 BS3
## 1595 1.32 BS3
## 1596 1.88 BS3
## 1597 1.10 BS3
## 1598 1.88 BS3
## 1599 1.10 BS3
## 1600 2.10 BS3
## 1601 2.09 BS3
## 1602 1.20 BS3
## 1603 2.41 BS3
## 1604 1.42 BS3
## 1605 1.42 BS3
## 1606 2.10 BS3
## 1607 1.98 BS3
## 1608 1.21 BS3
## 1609 1.76 BS3
## 1610 0.44 BS3
## 1611 1.54 BS3
## 1612 0.99 BS3
## 1613 1.53 BS3
## 1614 1.66 BS3
## 1615 1.98 BS3
## 1616 0.99 BS3
## 1617 2.63 BS3
## 1618 1.10 BS3
## 1619 0.33 BS3
## 1620 2.32 BS3
## 1621 2.33 BS3
## 1622 1.66 BS3
## 1623 1.88 BS3
## 1624 1.32 BS3
## 1625 1.10 BS3
## 1626 1.75 BS3
## 1627 1.76 BS3
## 1628 0.77 BS3
## 1629 1.54 BS3
## 1630 1.54 BS3
## 1631 1.75 BS3
## 1632 1.54 BS3
## 1633 1.21 BS3
## 1634 1.76 BS3
## 1635 1.32 BS3
## 1636 1.54 BS3
## 1637 2.19 BS3
## 1638 1.88 BS3
## 1639 0.88 BS3
## 1640 2.21 BS3
## 1641 1.65 BS3
## 1642 1.66 BS3
## 1643 1.98 BS3
## 1644 2.08 BS3
## 1645 1.64 BS3
## 1646 1.64 BS3
## 1647 1.65 BS3
## 1648 1.32 BS3
## 1649 2.09 BS3
## 1650 2.10 BS3
## 1651 2.09 BS3
## 1652 1.30 BS3
## 1653 1.10 BS3
## 1654 0.44 BS3
## 1655 1.11 BS3
## 1656 2.52 BS3
## 1657 2.52 BS3
## 1658 2.98 BS3
## 1659 0.77 BS3
## 1660 1.20 BS3
## 1661 1.87 BS3
## 1662 2.30 BS3
## 1663 2.52 BS3
## 1664 1.98 BS3
## 1665 1.86 BS3
## 1666 2.54 BS3
## 1667 2.19 BS3
## 1668 0.99 BS3
## 1669 1.10 BS3
## 1670 1.54 BS3
## 1671 1.32 BS3
## 1672 1.32 BS3
## 1673 2.20 BS3
## 1674 1.43 BS3
## 1675 1.97 BS3
## 1676 2.31 BS3
## 1677 1.88 BS3
## 1678 1.55 BS3
## 1679 1.21 BS3
## 1680 2.09 BS3
## 1681 1.43 BS4
## 1682 1.75 BS4
## 1683 2.63 BS4
## 1684 1.43 BS4
## 1685 2.21 BS4
## 1686 1.32 BS4
## 1687 2.42 BS4
## 1688 1.10 BS4
## 1689 1.00 BS4
## 1690 1.21 BS4
## 1691 1.88 BS4
## 1692 1.87 BS4
## 1693 1.64 BS4
## 1694 1.66 BS4
## 1695 2.29 BS4
## 1696 1.76 BS4
## 1697 2.84 BS4
## 1698 1.75 BS4
## 1699 0.99 BS4
## 1700 1.98 BS4
## 1701 2.44 BS4
## 1702 1.54 BS4
## 1703 1.31 BS4
## 1704 1.65 BS4
## 1705 0.66 BS4
## 1706 1.33 BS4
## 1707 1.86 BS4
## 1708 1.42 BS4
## 1709 2.09 BS4
## 1710 1.87 BS4
## 1711 1.76 BS4
## 1712 0.88 BS4
## 1713 1.08 BS4
## 1714 1.42 BS4
## 1715 2.10 BS4
## 1716 1.76 BS4
## 1717 2.97 BS4
## 1718 2.18 BS4
## 1719 1.66 BS4
## 1720 1.65 BS4
## 1721 1.76 BS4
## 1722 0.33 BS4
## 1723 2.10 BS4
## 1724 2.87 BS4
## 1725 1.65 BS4
## 1726 2.42 BS4
## 1727 0.55 BS4
## 1728 1.87 BS4
## 1729 1.32 BS4
## 1730 1.64 BS4
## 1731 2.86 BS4
## 1732 1.43 BS4
## 1733 1.32 BS4
## 1734 1.32 BS4
## 1735 1.21 BS4
## 1736 1.44 BS4
## 1737 1.66 BS4
## 1738 1.54 BS4
## 1739 2.51 BS4
## 1740 2.32 BS4
## 1741 1.33 BS4
## 1742 1.76 BS4
## 1743 1.76 BS4
## 1744 0.55 BS4
## 1745 1.66 BS4
## 1746 1.87 BS4
## 1747 1.09 BS4
## 1748 0.77 BS4
## 1749 1.64 BS4
## 1750 2.22 BS4
## 1751 1.31 BS4
## 1752 1.75 BS4
## 1753 2.32 BS4
## 1754 0.99 BS4
## 1755 2.10 BS4
## 1756 2.20 BS4
## 1757 1.86 BS4
## 1758 1.65 BS4
## 1759 1.98 BS4
## 1760 1.54 BS4
## 1761 1.34 BS4
## 1762 2.11 BS4
## 1763 1.44 BS4
## 1764 1.54 BS4
## 1765 1.87 BS4
## 1766 1.10 BS4
## 1767 0.77 BS4
## 1768 2.75 BS4
## 1769 1.67 BS4
## 1770 1.99 BS4
## 1771 2.09 BS4
## 1772 1.21 BS4
## 1773 1.09 BS4
## 1774 1.43 BS4
## 1775 2.09 BS4
## 1776 0.44 BS4
## 1777 2.09 BS4
## 1778 1.77 BS4
## 1779 1.99 BS4
## 1780 2.21 BS4
## 1781 2.21 BS4
## 1782 0.77 BS4
## 1783 1.11 BS4
## 1784 2.21 BS4
## 1785 1.76 BS4
## 1786 2.07 BS4
## 1787 1.75 BS4
## 1788 2.10 BS4
## 1789 2.86 BS4
## 1790 2.54 BS4
## 1791 1.86 BS4
## 1792 1.10 BS4
## 1793 1.87 BS4
## 1794 1.09 BS4
## 1795 2.75 BS4
## 1796 2.63 BS4
## 1797 1.31 BS4
## 1798 2.21 BS4
## 1799 1.55 BS4
## 1800 0.99 BS4
## 1801 0.33 BS4
## 1802 2.55 BS4
## 1803 1.53 BS4
## 1804 1.33 BS4
## 1805 1.77 BS4
## 1806 2.09 BS4
## 1807 1.43 BS4
## 1808 1.98 BS4
## 1809 0.88 BS4
## 1810 1.32 BS4
## 1811 2.23 BS4
## 1812 1.88 BS4
## 1813 1.87 BS4
## 1814 2.10 BS4
## 1815 1.21 BS4
## 1816 1.20 BS4
## 1817 1.87 BS4
## 1818 1.44 BS4
## 1819 1.65 BS4
## 1820 1.09 BS4
## 1821 1.54 BS4
## 1822 2.09 BS4
## 1823 1.98 BS4
## 1824 2.20 BS4
## 1825 1.10 BS4
## 1826 1.44 BS4
## 1827 1.54 BS4
## 1828 1.43 BS4
## 1829 1.75 BS4
## 1830 0.66 BS4
## 1831 1.98 BS4
## 1832 2.42 BS4
## 1833 2.19 BS4
## 1834 2.75 BS4
## 1835 1.87 BS4
## 1836 1.75 BS4
## 1837 2.32 BS4
## 1838 1.66 BS4
## 1839 1.20 BS4
## 1840 1.55 BS4
## 1841 1.64 BS4
## 1842 2.53 BS4
## 1843 1.65 BS4
## 1844 1.54 BS4
## 1845 1.76 BS4
## 1846 1.43 BS4
## 1847 1.66 BS4
## 1848 2.07 BS4
## 1849 1.65 BS4
## 1850 0.77 BS4
## 1851 2.30 BS4
## 1852 1.86 BS4
## 1853 1.76 BS4
## 1854 0.55 BS4
## 1855 1.99 BS4
## 1856 2.42 BS4
## 1857 1.53 BS4
## 1858 2.53 BS4
## 1859 1.43 BS4
## 1860 1.32 BS4
## 1861 2.09 BS4
## 1862 1.54 BS4
## 1863 2.30 BS4
## 1864 1.86 BS4
## 1865 1.43 BS4
## 1866 0.77 BS4
## 1867 1.76 BS4
## 1868 1.43 BS4
## 1869 2.19 BS4
## 1870 1.43 BS4
## 1871 1.98 BS4
## 1872 2.53 BS4
## 1873 0.66 BS4
## 1874 2.63 BS4
## 1875 2.51 BS4
## 1876 1.88 BS4
## 1877 2.75 BS4
## 1878 2.09 BS4
## 1879 1.21 BS4
## 1880 1.66 BS4
## 1881 3.16 BS4
## 1882 1.43 BS4
## 1883 2.18 BS4
## 1884 1.98 BS4
## 1885 1.87 BS4
## 1886 2.32 BS4
## 1887 0.77 BS4
## 1888 1.20 BS4
## 1889 1.43 BS4
## 1890 1.21 BS4
## 1891 2.20 BS4
## 1892 1.43 BS4
## 1893 1.31 BS4
## 1894 0.99 BS4
## 1895 1.87 BS4
## 1896 1.42 BS4
## 1897 1.33 BS4
## 1898 1.43 BS4
## 1899 1.43 BS4
## 1900 2.56 BS4
## 1901 1.33 BS4
## 1902 1.32 BS4
## 1903 0.33 BS4
## 1904 1.10 BS4
## 1905 0.88 BS4
## 1906 1.64 BS4
## 1907 2.08 BS4
## 1908 1.87 BS4
## 1909 1.87 BS4
## 1910 1.76 BS4
## 1911 2.08 BS4
## 1912 1.98 BS4
## 1913 2.52 BS4
## 1914 1.88 BS4
## 1915 2.43 BS4
## 1916 1.66 BS4
## 1917 1.55 BS4
## 1918 2.51 BS4
## 1919 1.32 BS4
## 1920 1.76 BS4modelo_ANDEVA1 <- aov(Chl_total ~ sitio, data = cuadro_ANDEVA1)
shapiro.test(modelo_ANDEVA1$residuals) #No paramétrico##
## Shapiro-Wilk normality test
##
## data: modelo_ANDEVA1$residuals
## W = 0.99818, p-value = 0.03152tapply(Chl_total, sitio, length) #Balanceado## BS1 BS2 BS3 BS4
## 480 480 480 480modelo_ANDEVA1 <- kruskal.test(Chl_total ~ sitio, data = cuadro_ANDEVA1)
fligner.test(Chl_total, sitio) #Homocedástico##
## Fligner-Killeen test of homogeneity of variances
##
## data: Chl_total and sitio
## Fligner-Killeen:med chi-squared = 0.45574, df = 3, p-value = 0.9285modelo_ANDEVA1##
## Kruskal-Wallis rank sum test
##
## data: Chl_total by sitio
## Kruskal-Wallis chi-squared = 1184.8, df = 3, p-value < 2.2e-16boxplot(Chl_total ~ sitio, data = cuadro_ANDEVA1, xlab = "Sitio", ylab = "Concentración total de clorofila (μg mL-1)", col = c("green", "yellow", "grey", "blue"))
pairwise.wilcox.test(Chl_total, sitio, p.adj = "b", exact = F)##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: Chl_total and sitio
##
## BS1 BS2 BS3
## BS2 <2e-16 - -
## BS3 <2e-16 <2e-16 -
## BS4 <2e-16 <2e-16 0.44
##
## P value adjustment method: bonferroni#Experimento
#Base de datos
library(readxl)
BD_Veg_Fotosin <- read_excel("~/BD_Veg_Fotosin.xlsx", sheet = "Experimento")
View(BD_Veg_Fotosin)
H_suelo <- BD_Veg_Fotosin$`Capacidad_campo_humedad_suelo_%`
gs <- BD_Veg_Fotosin$gs
length(gs)## [1] 320H_suelo <- as.factor(H_suelo)
H_suelogfc <- factor(H_suelo, levels=c("25","50", "75","100"))
is.factor(H_suelo)## [1] TRUEcuadro_ANDEVA2 <- data.frame(gs, H_suelo)
cuadro_ANDEVA2## gs H_suelo
## 1 325 100
## 2 399 100
## 3 384 100
## 4 429 100
## 5 382 100
## 6 343 100
## 7 365 100
## 8 352 100
## 9 317 100
## 10 400 100
## 11 334 100
## 12 349 100
## 13 405 100
## 14 324 100
## 15 344 100
## 16 286 100
## 17 389 100
## 18 360 100
## 19 431 100
## 20 342 100
## 21 480 100
## 22 578 100
## 23 579 100
## 24 590 100
## 25 590 100
## 26 520 100
## 27 545 100
## 28 537 100
## 29 568 100
## 30 518 100
## 31 614 100
## 32 577 100
## 33 519 100
## 34 596 100
## 35 590 100
## 36 460 100
## 37 531 100
## 38 619 100
## 39 511 100
## 40 573 100
## 41 395 100
## 42 331 100
## 43 437 100
## 44 303 100
## 45 312 100
## 46 336 100
## 47 269 100
## 48 324 100
## 49 357 100
## 50 347 100
## 51 320 100
## 52 362 100
## 53 295 100
## 54 307 100
## 55 403 100
## 56 338 100
## 57 415 100
## 58 456 100
## 59 404 100
## 60 345 100
## 61 516 100
## 62 644 100
## 63 576 100
## 64 524 100
## 65 600 100
## 66 473 100
## 67 538 100
## 68 506 100
## 69 563 100
## 70 544 100
## 71 496 100
## 72 571 100
## 73 574 100
## 74 638 100
## 75 485 100
## 76 595 100
## 77 524 100
## 78 503 100
## 79 597 100
## 80 567 100
## 81 275 75
## 82 349 75
## 83 334 75
## 84 379 75
## 85 332 75
## 86 293 75
## 87 315 75
## 88 302 75
## 89 267 75
## 90 350 75
## 91 284 75
## 92 299 75
## 93 355 75
## 94 274 75
## 95 294 75
## 96 236 75
## 97 339 75
## 98 310 75
## 99 381 75
## 100 292 75
## 101 430 75
## 102 528 75
## 103 529 75
## 104 540 75
## 105 540 75
## 106 470 75
## 107 495 75
## 108 487 75
## 109 518 75
## 110 468 75
## 111 564 75
## 112 527 75
## 113 469 75
## 114 546 75
## 115 540 75
## 116 410 75
## 117 481 75
## 118 569 75
## 119 461 75
## 120 523 75
## 121 345 75
## 122 281 75
## 123 387 75
## 124 253 75
## 125 262 75
## 126 286 75
## 127 219 75
## 128 274 75
## 129 307 75
## 130 297 75
## 131 270 75
## 132 312 75
## 133 245 75
## 134 257 75
## 135 353 75
## 136 288 75
## 137 365 75
## 138 406 75
## 139 354 75
## 140 295 75
## 141 466 75
## 142 594 75
## 143 526 75
## 144 474 75
## 145 550 75
## 146 423 75
## 147 488 75
## 148 456 75
## 149 513 75
## 150 494 75
## 151 446 75
## 152 521 75
## 153 524 75
## 154 588 75
## 155 435 75
## 156 545 75
## 157 474 75
## 158 453 75
## 159 547 75
## 160 517 75
## 161 200 50
## 162 274 50
## 163 259 50
## 164 304 50
## 165 257 50
## 166 218 50
## 167 240 50
## 168 227 50
## 169 192 50
## 170 275 50
## 171 209 50
## 172 224 50
## 173 280 50
## 174 199 50
## 175 219 50
## 176 161 50
## 177 264 50
## 178 235 50
## 179 306 50
## 180 217 50
## 181 355 50
## 182 453 50
## 183 454 50
## 184 465 50
## 185 465 50
## 186 395 50
## 187 420 50
## 188 412 50
## 189 443 50
## 190 393 50
## 191 489 50
## 192 452 50
## 193 394 50
## 194 471 50
## 195 465 50
## 196 335 50
## 197 406 50
## 198 494 50
## 199 386 50
## 200 448 50
## 201 270 50
## 202 206 50
## 203 312 50
## 204 178 50
## 205 187 50
## 206 211 50
## 207 144 50
## 208 199 50
## 209 232 50
## 210 222 50
## 211 195 50
## 212 237 50
## 213 170 50
## 214 182 50
## 215 278 50
## 216 213 50
## 217 290 50
## 218 331 50
## 219 279 50
## 220 220 50
## 221 391 50
## 222 519 50
## 223 451 50
## 224 399 50
## 225 475 50
## 226 348 50
## 227 413 50
## 228 381 50
## 229 438 50
## 230 419 50
## 231 371 50
## 232 446 50
## 233 449 50
## 234 513 50
## 235 360 50
## 236 470 50
## 237 399 50
## 238 378 50
## 239 472 50
## 240 442 50
## 241 100 25
## 242 174 25
## 243 159 25
## 244 204 25
## 245 157 25
## 246 118 25
## 247 140 25
## 248 127 25
## 249 92 25
## 250 175 25
## 251 109 25
## 252 124 25
## 253 180 25
## 254 99 25
## 255 119 25
## 256 61 25
## 257 164 25
## 258 135 25
## 259 206 25
## 260 117 25
## 261 255 25
## 262 353 25
## 263 354 25
## 264 365 25
## 265 365 25
## 266 295 25
## 267 320 25
## 268 312 25
## 269 343 25
## 270 293 25
## 271 389 25
## 272 352 25
## 273 294 25
## 274 371 25
## 275 365 25
## 276 235 25
## 277 306 25
## 278 394 25
## 279 286 25
## 280 348 25
## 281 170 25
## 282 106 25
## 283 212 25
## 284 78 25
## 285 87 25
## 286 111 25
## 287 44 25
## 288 99 25
## 289 132 25
## 290 122 25
## 291 95 25
## 292 137 25
## 293 70 25
## 294 82 25
## 295 178 25
## 296 113 25
## 297 190 25
## 298 231 25
## 299 179 25
## 300 120 25
## 301 291 25
## 302 419 25
## 303 351 25
## 304 299 25
## 305 375 25
## 306 248 25
## 307 313 25
## 308 281 25
## 309 338 25
## 310 319 25
## 311 271 25
## 312 346 25
## 313 349 25
## 314 413 25
## 315 260 25
## 316 370 25
## 317 299 25
## 318 278 25
## 319 372 25
## 320 342 25modelo_ANDEVA2 <- aov(gs ~ H_suelo, data = cuadro_ANDEVA2)
shapiro.test(modelo_ANDEVA2$residuals) #No paramétrico##
## Shapiro-Wilk normality test
##
## data: modelo_ANDEVA2$residuals
## W = 0.92406, p-value = 1.12e-11tapply(gs, H_suelo, length) #Balanceado## 25 50 75 100
## 80 80 80 80modelo_ANDEVA2 <- kruskal.test(gs ~ H_suelo, data = cuadro_ANDEVA2)
fligner.test(gs, H_suelo) #Homocedástico##
## Fligner-Killeen test of homogeneity of variances
##
## data: gs and H_suelo
## Fligner-Killeen:med chi-squared = 0.0028141, df = 3, p-value = 1modelo_ANDEVA2 #Si hay dif##
## Kruskal-Wallis rank sum test
##
## data: gs by H_suelo
## Kruskal-Wallis chi-squared = 113.09, df = 3, p-value < 2.2e-16boxplot(gs ~ H_suelogfc, data = cuadro_ANDEVA2, xlab = "Capacidad de campo de agua del suelo (%)", ylab = "Conductancia estomática (mmol de H2O m-2 s-1)", col = c("red", "pink", "orange", "brown"))
pairwise.wilcox.test(gs, H_suelo, p.adj = "b", exact = F)##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: gs and H_suelo
##
## 25 50 75
## 50 1.1e-06 - -
## 75 4.4e-13 0.00011 -
## 100 < 2e-16 1.1e-08 0.01516
##
## P value adjustment method: bonferroni