<!DOCTYPE html>
<html lang="es">
<head>
<meta content="text/html; charset=UTF-8" http-equiv="Content-Type">
<style type="text/css">
/*Cambios
    
      -Ancho máximo del contenido 1160px para lectura en pantallas grandes
      -Centrar contenido
      -Margen interior a der y izq del 3%*/
body {
	font-family: "Roboto", sans-serif, "Montserrat", -apple-system, BlinkMacSystemFont, "Segoe UI", "Oxygen-Sans", "Ubuntu", "Cantarell", "Helvetica Neue";
	max-width: 1160px;
	margin: 0% auto;
	padding: 0 3%;
	background-color: #ffffff;
	scroll-margin-top: 100px;
}
/*Fin cambios*/

table {
	border-spacing: 0px;
	border-collapse: collapse;
	margin-bottom: 0px;
	background-color: transparent;
	overflow-x: auto;
	font-size: 12px;
}
th {
	font-weight: bold;
	border: 1px solid #4d547b;
	padding: 8px;
	color: white;
}
td {
	border: 1px solid #4d547b;
	padding: 8px;
}
tr {
	background-color: transparent;
	border-top: 1px solid #4d547b;
	border-bottom: 1px solid #4d547b;
}
tr:nth-of-type(2n+1) {
	background-color: transparent;
}
tr th {
	background-color: #4d547b;
}
th, td {
	border: none;
}
p {
	margin: 10px 0px;
	font-size: 14px;
	text-align: justify;
	line-height: 20px;
}
.box1 p {
	margin: 20px 0px;
	font-size: 13px;
	text-align: justify;
	line-height: 20px;
}
p.address-line {
	margin-top: 0em;
	margin-bottom: 0em;
	margin-left: 2em;
}
ul, ol {
	margin-top: 0em;
}
ul.nav {
	list-style: none;
}
li {
	margin-top: 0em;
	margin-bottom: 0em;
	font-size: 13px;
	text-align: justify;
	line-height: 20px;
}
li > p {
	margin-top: 0em;
	margin-bottom: 0em;
}
a {
	text-decoration: none;
	/*Añadido color de los link*/
	color: #4d65bb;
}
a:hover {
	text-decoration: underline;
}
h1 {
	text-align: center;
	/*Cambio de lo color  y tamaño de fuente*/
	font-size: 22px;
	color: #444663;
	font-weight: bold;
	margin-top: 40px;
}
h2 {
	text-align: center;
	font-size: 16px;
	/*Cambio de lo color*/  
	color: #969cbd;
	font-weight: bold;
	margin-bottom: 4em;
}
h3 {
	text-align: left;
	font-size: 16px;
	/*Cambio de lo color*/  
	color: #444663;
	font-weight: bold;
	margin-top: 1.5em;
	margin-bottom: 1em;
}
h4 {
	display: inline-block;
	text-align: left;
	font-size: 16px;
	/*Cambio de lo color*/  
	color: #4d65bb;
	font-weight: bold;
	margin-top: 1em;
	margin-bottom: 1em;
}
h5 {
	display: inline-block;
	text-align: left;
	font-size: 16px;
	/*Cambio de lo color*/  
	color: #4d65bb;
	font-weight: bold;
	margin-top: 1em;
	margin-bottom: 1em;
}
.product {
	padding: 1em;
}
.mixed-citation {
	margin: 10px 0px;
	font-size: 14px;
	text-align: justify;
}
.toctitle {
	text-align: right;
	font-size: 11.0pt;
	color: #444663;
	font-weight: bold;
	margin-top: 30px;
}
.toctitle2 {
	text-align: right;
	color: #444663;
	font-size: 14px;
	line-height: 20px;
}
.titleabstract {
	font-size: 15px;
	color: #4d547b;/* font-weight: bold;  */
}
.titlekwd {
	display: inline;
	font-size: 13px;
	color: #4d547b;
	font-weight: bold;
}
.kwd {
	display: inline;
	font-size: 13px;
}
.labelfig {
	display: inline;
	color: #4d547b;
	font-weight: bold;
	text-align: center;
	font-size: 12px;
}
.first {
	display: inline;
	border-spacing: 0.25em;
	font-size: 14px;
	text-align: justify;
}
.monospace {
	font-family: monospace;
}
.overline {
	text-decoration: overline;
}
.name {
	margin: 30px 0px 0px 0px;
	font-size: 13px;
	text-align: center;
	line-height: 20px;
	font-weight: bold;
}
.email {
	margin: 5px 0px;
	font-size: 12px;
	text-align: center;
	line-height: 20px;
}
.aff {
	margin: 10px 0px;
	font-size: 13px;
	text-align: justify;
	line-height: 20px;
}
.history {
	margin: 10px 0px;
	font-size: 13px;
	text-align: justify;
	line-height: 20px;
}
p {
	margin: 10px 0px;
	font-size: 13px;
	text-align: justify;
	line-height: 20px;
}
.citation {
	margin: 10px 0px;
	font-size: 13px;
	text-align: justify;
	line-height: 20px;
}
.copyright {
	margin: 10px 0px;
	font-size: 13px;
	text-align: justify;
	line-height: 20px;
}
.top {
	height: 0px;
	width: 45px;
	text-align: center;
	color: white;
	font-size: 12px;
	background: #4d547b;
}
.zoom {
	transition: width 1s, height 1s, transform 1s;
	-moz-transition: width 1s, height 1s, -moz-transform 1s;
	-webkit-transition: width 1s, height 1s, -webkit-transform 1s;
	-o-transition: width 1s, height 1s, -o-transform 1s;
}
.zoom:hover {
	transform : scale(1.1);
	-moz-transform : scale(1.1);
	-webkit-transform : scale(1.1);
	-o-transform : scale(1.1);
}
.menulevel1 {
	margin-left: 0em;
	display: block;
	font-size: 14px;
	line-height: 20px;
}
.menulevel2 {
	margin-left: 2em;
	display: block;
	font-size: 14px;
	line-height: 20px;
}
.menulevel3 {
	margin-left: 4em;
	font-size: 14px;
	line-height: 20px;
}
.active {
	background-color: #4d547b;
	color: white;
}
.boton_1 {
	text-decoration: none;
	padding: 2px;
	padding-left: 2px;
	padding-right: 2px;
	font-size: 10px;
	color: white;
	background: #4d547b;
	border-radius: 15px;
	text-align: center;
}
.boton_1:hover {
	opacity: 0.6;
	text-decoration: none;
}
.box {
	color: #ffffff;
	background: #4d547be8;
	margin: 0 0 25px;
	overflow: hidden;
	padding: 8px;
	border-radius: 7px 7px 0px 0px;
	-webkit-border-radius: 7px 7px 0px 0px;
	-moz-border-radius: 7px 7px 0px 0px;
	-o-border-radius: 7px 7px 0px 0px;
	-ms-border-radius: 7px 7px 0px 0px;
	border: 1px solid #4d547b;
	margin-top: 30px;
	text-align: center;
}
.box1 {
	margin-top: -30px;
	overflow: hidden;
	padding: 10px;/*border-radius: 0px 0px 0px 0px; 
          -moz-border-radius: 0px 0px 0px 0px; 
          -webkit-border-radius: 0px 0px 0px 0px; 
          border: 1px solid #4d547b;*/
}
.box2 {
	/* margin-top: -10px; */
	overflow: hidden;
	padding: 10px;/*Eliminar borde de todas las cajas y los margenes
      border-radius: 0px 0px 0px 0px; 
          -moz-border-radius: 0px 0px 0px 0px; 
          -webkit-border-radius: 0px 0px 0px 0px; 
          border: 2px solid #4d547b;
      margin-top: 2em;
      */
}
nav {
	margin-top: 15px;
}
/*Añadido:
      -Borde solo a las cajas del resumen y datos de copyright
      -Poner magen especifico en dichas cajas y la que contiene los agradecimientos y las referencias
      */
      
header .box2 {
	border-radius: 0px 0px 0px 0px;
	-moz-border-radius: 0px 0px 0px 0px;
	-webkit-border-radius: 0px 0px 0px 0px;
	border: 1px solid #4d547b;
	margin-top: 30px;
	padding: 0px 10px;
}
#article-back {
	margin-top: -20px;
}
/*Fin de añadido*/
    
.tooltip {
	position: static;
	display: inline-block;
}
.tooltip-content {
	display: none;
	position: absolute;
	background-color: #f9f9f9;
	max-width: 50%;
	min-width: auto;
	box-shadow: 5px 5px 16px 20px rgba(0,0,0,0.2);
	padding: 12px 16px;
	border-radius: 15px;
	text-align: justify;
	z-index: 1;
	color: #000000;
}
.outer-centrado {
	float: right;
	right: 50%;
	position: relative;
}
.inner-centrado {
	float: right;
	right: -50%;
	position: relative;
}
.clear {
	clear: both;
}
.tooltip-fig {
	display: none;
	position: relative;
	background-color: #f9f9f9;
	min-width: auto;
	box-shadow: 5px 5px 16px 20px rgba(0,0,0,0.2);
	padding: 12px 16px;
	right: 30%;
}
.tooltip:hover .tooltip-content {
	display: block;
	position: absolute;
}
.tooltip:hover .tooltip-fig {
	display: block;
	position: absolute;
}
div.def-item {
	border-spacing: 0.25em;
	font-size: 14px;
	text-align: left;
}
div.section, div.back-section {
	margin-top: 1em;
	margin-bottom: 0em;
}
div.panel {
	background-color: white;
	font-size: 100%;
	padding-left: 0.5em;
	padding-right: 0.5em;
	padding-top: 0em;
	padding-bottom: 0em;
	margin-top: 0em;
	margin-bottom: 0rem;
	position: relative;
	top: 0px;
	left: 0px;
}
div.blockquote, div.verse, div.speech {
	margin-left: 4em;
	margin-right: 1em;
	margin-top: 1em;
	margin-bottom: 1em;
	background: transparent;
	text-align: justify;
}
div.note {
	margin-top: 0em;
	margin-left: 1em;
	font-size: 85%;
}
div.fig, div.disp-formula, div.table {
	text-align: center;
	margin: 15px 20%;
}
/* Evitar que aumente la altura de linea al usar superindices y subindices */
sup {
	vertical-align: top;
	position: relative;
	top: -0.3em;
}
sub {
	vertical-align: bottom;
	position: relative;
	bottom: -0.3em;
}
/*Poner linea inferior en los encabezados de los apartados*/
h2, h3 {
	display: inline-block;
	padding: 0 0 5px;
	border-bottom: 3px solid #686498;
}
header h2 {
	display: block;
	border: 0;
}
/*Movido al final*/
.textfig {
	display: inline;
	text-align: center;
	font-size: 12px;
}
.orcid {
	text-align: center;
	color: white;
	font-size: 7px;
	vertical-align: middle;
	border-radius: 50%;
	border: 2px solid #8CC657;
	background: #8CC657;
}
</style>

<title>
Aplicación de la modelación estadístico-matemático para describir el crecimiento de clones de 
<i>Cenchrus purpureus</i>
</title>
<meta content="óptimo aprovechamiento, rendimiento de materia seca, Optimal Use, Dry Matter Yield" name="keywords">
<meta content="Alejandro Mejías Caba" name="author">
<meta content="Magaly Herrera Villafranca" name="author">
<meta content="Lucia Fernández Chuairey" name="author">
<meta content="Yolaine Medina Mesa" name="author">
<meta content="Dayleni Fortes González" name="author">
<meta content="index, follow" name="robots">
<meta content="This article is under license Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0); URL=https://creativecommons.org/licenses/by-nc/4.0" name="copyright">
<meta content="Cervantes-Producciones Digital; URL=https://www.edicionescervantes.com" name="organization">
<meta content="es" name="lang">
<script type="text/javascript" src='https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.5/MathJax.js?config=TeX-MML-AM_CHTML'></script></head><body>
<header>
  <div class="toctitle"> Ingeniería Agrícola Vol. 12, No. 3, Julio-Septiembre, 2022, ISSN:&nbsp;2227-8761</div>
  <div class="toctitle2"><img src="data:image/png;base64,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" id="codigo" alt="Código QR" height="85" width="85"><script>
              new QRious({
                element: document.querySelector("#codigo"),
                value: "https://cu-id.com/2284/v12n3e07", // La URL o el texto
                size: 85,
                backgroundAlpha: 0, // 0 para fondo transparente
                foreground: "#4d547b", // Color del QR
                level: "H", // Puede ser L,M,Q y H (L es el de menor nivel, H el mayor)
              });
            </script></div>
  <div class="toctitle2"> CU-ID:&nbsp;<a target="_blank" href="https://cu-id.com/2284/v12n3e07">https://cu-id.com/2284/v12n3e07</a></div>
  <div class="toctitle2">ARTÍCULO ORIGINAL</div>
  <h1>Aplicación de la modelación estadístico-matemático para describir el crecimiento de clones de <i>Cenchrus purpureus</i></h1>
  <h2>Use of statistical-mathematical modeling to describe the growth of <i>Cenchrus purpureus</i> clones</h2>
  <div>
    <p><sup><a href="https://orcid.org/0000-0002-1787-0868" rel="license"><span class="orcid">iD</span></a></sup>Alejandro Mejías Caba<span class="tooltip"><a href="#aff1"><sup>I</sup></a><span class="tooltip-content">Instituto de Ciencia Animal (ICA), San José de las Lajas, La Habana, Cuba.</span></span><span class="tooltip"><a href="#c1"><sup>*</sup></a><span class="tooltip-content">✉:<a href="mailto:amejias@ica.co.cu">amejias@ica.co.cu</a></span></span></p>
    <p><sup><a href="https://orcid.org/0000-0002-2641-1815" rel="license"><span class="orcid">iD</span></a></sup>Magaly Herrera Villafranca<span class="tooltip"><a href="#aff1"><sup>I</sup></a><span class="tooltip-content">Instituto de Ciencia Animal (ICA), San José de las Lajas, La Habana, Cuba.</span></span></p>
    <p><sup><a href="https://orcid.org/0000-0003-2439-1176" rel="license"><span class="orcid">iD</span></a></sup>Lucia Fernández Chuairey<span class="tooltip"><a href="#aff2"><sup>II</sup></a><span class="tooltip-content">Universidad Agraria de La Habana (UNAH) Fructuoso Rodríguez Pérez, San José de Las Lajas, Mayabeque, Cuba.</span></span></p>
    <p><sup><a href="https://orcid.org/0000-0003-0869-2665" rel="license"><span class="orcid">iD</span></a></sup>Yolaine Medina Mesa<span class="tooltip"><a href="#aff1"><sup>I</sup></a><span class="tooltip-content">Instituto de Ciencia Animal (ICA), San José de las Lajas, La Habana, Cuba.</span></span></p>
    <p><sup><a href="https://orcid.org/0000-0001-9161-3838" rel="license"><span class="orcid">iD</span></a></sup>Dayleni Fortes González<span class="tooltip"><a href="#aff1"><sup>I</sup></a><span class="tooltip-content">Instituto de Ciencia Animal (ICA), San José de las Lajas, La Habana, Cuba.</span></span></p>
    <br>
    <p id="aff1"><span class="aff"><sup>I</sup>Instituto de Ciencia Animal (ICA), San José de las Lajas, La Habana, Cuba.</span></p>
    <p id="aff2"><span class="aff"><sup>II</sup>Universidad Agraria de La Habana (UNAH) Fructuoso Rodríguez Pérez, San José de Las Lajas, Mayabeque, Cuba.</span></p>
  </div>
  <div>&nbsp;</div>
  <p id="c1"> <sup><sup>*</sup></sup>Autor para correspondencia: Alejandro Mejías Caba, e-mail: <a href="mailto:amejias@ica.co.cu">amejias@ica.co.cu</a> </p>
  <div class="titleabstract | box">RESUMEN</div>
  <div class="box1">
    <p> El presente estudio tuvo como objetivo evaluar el momento óptimo de aprovechamiento de los clones CT-3 y CT-26 de la especie <i>Cenchrus purpureus</i> en el periodo lluvioso<i>.</i> Se utilizó información de la estación experimental de investigaciones 
      “Miguel Sistach Naya” perteneciente al Departamento de Pastos y Forrajes
      del Instituto de Ciencia Animal. Se evaluaron cinco modelos de 
      regresión (lineal y no lineal). Se tuvieron en cuenta siete criterios 
      estadísticos en la selección del modelo de mejor ajuste. Para conocer el
      comportamiento de la velocidad del crecimiento de la variable 
      rendimiento de materia seca de los clones CT-3 y CT-26 se calculó la 
      primera derivada de los modelos de mejor ajuste. Se obtuvo el punto de 
      inflexión a partir de la segunda derivada para conocer la máxima 
      velocidad de crecimiento en el tiempo. Se determinó el momento de mejor 
      aprovechamiento del pasto. Para el clon CT-3 el modelo que mejor ajustó 
      la relación de la edad y el rendimiento de materia seca fue el Gompertz y
      para el clon CT-26 el Logístico con coeficientes de determinación de 82
      y 86% respectivamente. El momento óptimo de aprovechamiento de estos 
      clones se alcanzó a los 56 días para el CT-3 y a los 69 días para el 
      CT-26. La utilización de estos modelos brindó información importante 
      para la toma de decisiones por parte de productores e investigadores.</p>
    <div class="titlekwd"><b> <i>Palabras clave</i>:</b>&nbsp; </div>
    <div class="kwd">óptimo aprovechamiento, rendimiento de materia seca</div>
  </div>
  <div class="titleabstract | box">ABSTRACT</div>
  <div class="box1">
    <p> The objective of this study was to evaluate the optimal use of clones CT-3 and CT-26 of <i>Cenchrus purpureus</i> species in the rainy season. Information from the experimental research
      station "Miguel Sistach Naya" of the Pasture and Forage Department of 
      the Institute of Animal Science was used. Five regression models (linear
      and nonlinear) were evaluated. Seven statistical criteria were taken 
      into account in the selection of the best adjust model. To know the 
      performance of the growth rate of the dry matter yield variable of 
      clones CT-3 and CT-26, the first derivative of the best adjust models 
      was calculated. The inflection point was obtained from the second 
      derivative to know the maximum growth rate over time. The moment of best
      use of the grass was determined. For the CT-3 clone, the model that 
      best fitted the relation between age and dry matter yield was the 
      Gompertz and for the CT-26 clone, the Logistic one with determination 
      coefficients of 82 and 86% respectively. The optimal moment of use of 
      these clones was reached at 56 days for CT-3 and at 69 days for CT-26. 
      The use of these models provided important information for 
      decision-making by producers and researchers.</p>
    <div class="titlekwd"><b> <i>Keywords</i>:</b>&nbsp; </div>
    <div class="kwd">Optimal Use, Dry Matter Yield</div>
  </div>
  <div class="box2">
    <p class="history">Received: 13/9/2021; Accepted: 14/6/2022</p>
    <p><i>Alejandro Mejías-Caba</i>, Inv., Instituto de Ciencia Animal, Carretera Central km 47.5, San José de las Lajas, Mayabeque, Cuba.</p>
    <p><i>Magaly Herrera-Villafranca,</i> Inv., Instituto de Ciencia Animal, Carretera Central km 47.5, San José de las Lajas, Mayabeque, Cuba, e-mail: <a href="mailto:mvillafranca@ica.co.cu">mvillafranca@ica.co.cu</a>.</p>
    <p><i>Lucia Fernández-Chuairey</i>,
      Prof. Titular, Universidad Agraria de La Habana (UNAH) Fructuoso 
      Rodríguez Pérez, Carretera Tapaste y Autopista Nacional, km 23 1/2. San 
      José de Las Lajas, Mayabeque, Cuba, e-mail: <a href="mailto:lucia@unah.edu.cu">lucia@unah.edu.cu</a>.</p>
    <p><i>Yolaine Medina-Mesa</i>, Inv., Instituto de Ciencia Animal, Carretera Central km 47.5, San José de las Lajas, Mayabeque, Cuba, e-mail: <a href="mailto:yoly@ica.co.cu">yoly@ica.co.cu</a>.</p>
    <p><i>Dayleni Fortes-González</i>, Inv., Instituto de Ciencia Animal, Carretera Central km 47.5, San José de las Lajas, Mayabeque, Cuba, e-mail: <a href="mailto:dfortes@ica.co.cu">dfortes@ica.co.cu</a>.</p>
    <p>Los autores de este trabajo declaran no presentar conflicto de intereses.</p>
    <p><b>CONTRIBUCIONES DE AUTOR: Conceptualización:</b> A. Mejías. <b>Curación de datos:</b> A. Mejías, Y. Medina. <b>Análisis formal:</b> A. Mejías, M. Herrera, L. Fernández, Y. Medina. <b>Investigación:</b> A. Mejías, D. Forte, M. Herrera, L. Fernández. <b>Metodología:</b> A. Mejías, M. Herrera, L. Fernández, <b>Supervisión:</b> A. Mejías, M. Herrera, L. Fernández, <b>Papeles/Redacción, proyecto original:</b> A. Mejías, M. Herrera, Y. Medina, <b>Redacción, revisión y edición:</b> Herrera, L. Fernández, Y. Medina y D. Forte.</p>
    <p class="copyright">Este artículo se encuentra bajo licencia <a target="_blank" href="https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES">Creative Commons Reconocimiento-NoComercial 4.0 Internacional (CC BY-NC 4.0)</a></p>
  </div>
  <div class="titleabstract | box"><a id="content"></a>CONTENIDO</div>
  <div class="box1">
    <nav>
      <ul class="nav">
        <li><a href="#id0x8507100"><span class="menulevel1">INTRODUCCIÓN</span></a></li>
        <li><a href="#id0x8818a00"><span class="menulevel1">MATERIALES Y MÉTODOS</span></a></li>
        <li><a href="#id0x86bb580"><span class="menulevel1">RESULTADOS Y DISCUSIÓN</span></a></li>
        <li><a href="#id0x5aabc00"><span class="menulevel1">CONCLUSIONES</span></a></li>
        <li><a href="#ref"><span class="menulevel1">REFERENCIAS BIBLIOGRÁFICAS</span></a></li>
      </ul>
    </nav>
  </div>
</header>
<div id="article-front"></div>
<div class="box2" id="article-body">
  <section>
    <article class="section"><a id="id0x8507100"><!-- named anchor --></a>
      <h3>INTRODUCCIÓN</h3>
      &nbsp;<a href="#content" class="boton_1">⌅</a>
      <p> En países del trópico y subtrópico la producción ganadera basada en los
        pastos como principal fuente de alimentación ofrece enormes 
        posibilidades y constituye una alternativa de plena vigencia en la 
        actualidad (<span class="tooltip"><a href="#B11">Fortes et al., 2018</a><span class="tooltip-content">Fortes, D., Herrera, R. S., García, M., &amp; Cruz, A. M. (2018). <i>Evaluación de nuevos clones de Cenchrus purpureus para pastoreo</i>. Congreso de Producción Animal Tropical, 2018, La Habana, Cuba.</span></span>).
        En Cuba se realizan grandes esfuerzos en la obtención de variedades de 
        alta producción de biomasa que se adapten a las variadas condiciones 
        existentes en el país. Los resultados más relevantes están en el campo 
        de las investigaciones relacionadas con la obtención, por cultivo de 
        tejidos, de variedades de <i>Cenchrus purpureus</i> a partir del king grass como progenitor (<span class="tooltip"><a href="#B7">Díaz, 2007</a><span class="tooltip-content">Díaz, D. (2007). <i>Evaluación agronómica de nuevas variedades Pennisetum purpureum en condiciones de sequía el Valle del Cauto</i> [Tesis en opción al título de Máster en Pastos y Forrajes]. Universidad de Matanzas "Camilo Cienfuegos”, Matanzas, Cuba.</span></span>). </p>
      <p> La especie <i>Cenchrus purpureus</i> es de gran utilidad en la ganadería cubana según <span class="tooltip"><a href="#B20">Martínez et al. (2010)</a><span class="tooltip-content">Martínez,
        R. O., Tuero, R., Torres, V., &amp; Herrera, S. R. (2010). Models of 
        biomass accumulation and quality in varieties of elephant grass, Cuba 
        CT-169, OM-22, and king grass during the rainy season in the western 
        part of Cuba. <i>Cuban Journal of Agricultural Science</i>, <i>44</i>(2), 187, ISSN: 2079-3480.</span></span> en la producción de forrajes y en pastoreo. En la mayoría de los países
        donde se cultiva, se alcanzan rendimientos anuales por encima de los 
        obtenidos en otras gramíneas, incluso, de porte similar y en igualdad de
        condiciones (<span class="tooltip"><a href="#B19">Machado et al., 1979</a><span class="tooltip-content">Machado, R., Lamela, L., &amp; Gerardo, J. (1979). Hierba elefante (Pennisetum purpureum Schumach). <i>Pastos y forrajes</i>, <i>2</i>(2, ISSN: 0864-0394), 157.</span></span>). En el Instituto de ciencia Animal se desarrolló un programa de mejoramiento de <i>C. purpureus</i> y se obtuvo un grupo de clones de Cenchrus entre los que se encuentran 
        el CT-3 y CT-26 con características promisorias para forraje, pastoreo, 
        condiciones de sequía y salinidad (<span class="tooltip"><a href="#B11">Fortes et al., 2018</a><span class="tooltip-content">Fortes, D., Herrera, R. S., García, M., &amp; Cruz, A. M. (2018). <i>Evaluación de nuevos clones de Cenchrus purpureus para pastoreo</i>. Congreso de Producción Animal Tropical, 2018, La Habana, Cuba.</span></span>).</p>
      <p> Conocer el comportamiento productivo de estos clones permitirá diseñar 
        estrategias de manejo para alcanzar un mejor aprovechamiento de estos 
        cultivos en la alimentación animal, sin embargo, son escasas las 
        investigaciones que evalúan los factores que influyen en su crecimiento y
        desarrollo. La obtención de nuevos datos mediante la experimentación 
        agronómica es un proceso costoso según <span class="tooltip"><a href="#B17">Jones et al. (2003)</a><span class="tooltip-content">Jones,
        J. W., Hoogenboom, G., Porter, C. H., Boote, K. J., Batchelor, W., 
        Hunt, L., Wilkens, P., Hoffstede, U., Gijsman, A. J., &amp; Ritchie, J. 
        (2003). The DSSAT cropping system model. <i>European journal of agronomy</i>, <i>18</i>(3-4), 235-265, ISSN: 1161-0301.</span></span>,
        de ahí que los modelos matemáticos surgen como alternativa para dar 
        respuesta a esta situación. Los mismos podrán predecir su comportamiento
        temporal en diferentes condiciones según <span class="tooltip"><a href="#B26">Thornley &amp; France (2007)</a><span class="tooltip-content">Thornley, J. H. M., &amp; France, J. (2007). <i>Mathematical models in agriculture: Quantitative methods for the plant, animal and ecological sciences</i>. Cabi, 2nd ed. Cromwell Press, Trowbridge, ISBN: 0-85199-010-X.</span></span> y apoyar así la toma de decisiones por parte de los productores y 
        empresas agropecuarias. Es por esto que la presente investigación tiene 
        como objetivo evaluar el momento óptimo de aprovechamiento de los clones
        CT-3 y CT-26 de la especie <i>Cenchrus purpureus</i> en el periodo lluvioso.</p>
    </article>
    <article class="section"><a id="id0x8818a00"><!-- named anchor --></a>
      <h3>MATERIALES Y MÉTODOS</h3>
      &nbsp;<a href="#content" class="boton_1">⌅</a>
      <p>Se
        utilizó la información proveniente de investigaciones desarrolladas 
        durante un año en la estación experimental “Miguel Sistach Naya” 
        perteneciente al departamento de Pastos y Forrajes del Instituto de 
        Ciencia Animal, situado en San José de las Lajas, provincia Mayabeque, 
        Cuba, ubicado entre los 22º 53 LN y los 82º 02 LW, a 80 msnm (<span class="tooltip"><a href="#B1">Academia de Ciencias de Cuba, 1989</a><span class="tooltip-content">Academia de Ciencias de Cuba. (1989). <i>Atlas Nacional de Cuba</i>.
        Instituto de Geografía de la Academia de Ciencias de Cuba e Instituto 
        Cubano de Geodesia y Cartografía, Impreso por el Instituto Geográfico 
        Nacional de España.</span></span>).</p>
      <p>El experimento se desarrolló en un suelo Ferralítico rojo típico (<span class="tooltip"><a href="#B14">Hernández et al., 2015</a><span class="tooltip-content">Hernández, J. A., Pérez, J., Bosch, I., &amp; Castro, S. (2015). <i>Clasificación de los suelos de Cuba</i>. Ediciones INCA, Mayabeque, Cuba, ISBN: 978-959-7023-77-7.</span></span>, <span class="tooltip"><a href="#B15">2019</a><span class="tooltip-content">Hernández,
        J. A., Pérez, J. J. M., Bosch, I. D., &amp; Castro, S. N. (2019). La 
        clasificación de suelos de Cuba: Énfasis en la versión de 2015. <i>Cultivos Tropicales</i>, <i>40</i>(1, ISSN: 0258-5936).</span></span>). Se utilizó un diseño de bloques al azar, con cinco réplicas y la unidad experimental fue la parcela de 25 m<sup>2</sup>.
        El estudio se realizó en condiciones de secano y sin fertilización. El 
        corte se efectuó a machete a 10 cm sobre el nivel del suelo. La parcela 
        se cortó dejando efecto de borde de los surcos externos, así como 50 cm 
        por los extremos. </p>
      <p>Los datos se registraron en el periodo lluvioso
        para el rendimiento de materia seca (RMS) en seis momentos de 
        crecimiento de los clones CT-3 y CT-26 (24, 39, 52, 68, 93 y 108 d) para
        un total de 30 observaciones.</p>
      <p>Para describir el comportamiento de la variable en estudio con respecto a la edad de corte se evaluaron cinco modelos:</p>
      <p>Polinomial 2
        <math>
          <mi>y</mi>
          <mo>=</mo>
          <mi>a</mi>
          <mo>+</mo>
          <mi>b</mi>
          <mi>t</mi>
          <mo>+</mo>
          <mi>c</mi>
          <msup>
            <mrow>
              <mi>t</mi>
            </mrow>
            <mrow>
              <mn>2</mn>
            </mrow>
          </msup>
        </math>
      </p>
      <p>Logístico
        <math>
          <mi>y</mi>
          <mo>=</mo>
          <mfrac>
            <mrow>
              <mi>a</mi>
            </mrow>
            <mrow>
              <mo>(</mo>
              <mn>1</mn>
              <mo>+</mo>
              <mi>b</mi>
              <msup>
                <mrow>
                  <mi>e</mi>
                </mrow>
                <mrow>
                  <mo>-</mo>
                  <mi>c</mi>
                  <mi>t</mi>
                </mrow>
              </msup>
              <mo>)</mo>
            </mrow>
          </mfrac>
        </math>
      </p>
      <p>Gompertz
        <math>
          <mi>y</mi>
          <mo>=</mo>
          <mi>a</mi>
          <msup>
            <mrow>
              <mi>e</mi>
            </mrow>
            <mrow>
              <mo>-</mo>
              <mi>b</mi>
              <msup>
                <mrow>
                  <mi>e</mi>
                </mrow>
                <mrow>
                  <mo>-</mo>
                  <mi>c</mi>
                  <mi>t</mi>
                </mrow>
              </msup>
            </mrow>
          </msup>
        </math>
      </p>
      <p>Von Bertalanffy
        <math>
          <mi>y</mi>
          <mo>=</mo>
          <mi>a</mi>
          <msup>
            <mrow>
              <mfenced separators="|">
                <mrow>
                  <mn>1</mn>
                  <mo>-</mo>
                  <mi>b</mi>
                  <msup>
                    <mrow>
                      <mi>e</mi>
                    </mrow>
                    <mrow>
                      <mo>-</mo>
                      <mi>c</mi>
                      <mi>t</mi>
                    </mrow>
                  </msup>
                </mrow>
              </mfenced>
            </mrow>
            <mrow>
              <mn>3</mn>
            </mrow>
          </msup>
        </math>
      </p>
      <p>Exponencial
        <math>
          <mi>y</mi>
          <mo>=</mo>
          <mi>a</mi>
          <msup>
            <mrow>
              <mi>e</mi>
            </mrow>
            <mrow>
              <mi>b</mi>
              <mi>t</mi>
            </mrow>
          </msup>
        </math>
      </p>
      <p>dónde:</p>
      <p>y:
        variable dependiente (RMS). </p>
      <p>a, b, c:
        son parámetros de los modelos. </p>
      <p>t:
        variable independiente que representa el tiempo medido en días. </p>
      <p>Para la selección del modelo con mejor ajuste a los datos, se tuvieron en cuenta siete criterios estadísticos publicados por (<span class="tooltip"><a href="#B8">Dominguez et al., 2013</a><span class="tooltip-content">Domínguez,
        V. J., Rodríguez, A. F. A., Núñez, D. R., Ramírez, V. R., Ortega, G. J.
        Á., &amp; Ruiz González, A. (2013). Adjustment of nonlinear models and 
        estimation of growth parameters in tropicarne cattle. <i>Agrociencia</i>, <i>47</i>(1), 25-34. ISSN: 1405-3195.</span></span>; <span class="tooltip"><a href="#B13">Guerra et al., 2003</a><span class="tooltip-content">Guerra,
        C. W., Cabrera, A., &amp; Fernández, L. (2003). Criterios para la 
        selección de modelos estadísticos en la investigación científica. <i>Revista Cubana de Ciencia Agrícola</i>, <i>37</i>(1), 3-10. ISSN: 0034-7485.</span></span>; <span class="tooltip"><a href="#B27">Torres et al., 2012</a><span class="tooltip-content">Torres,
        V., Barbosa, I., Meyer, R., Noda, A. C., &amp; Sarduy, L. (2012). 
        Criterios de bondad de ajuste en la selección de modelos no lineales en 
        la descripción de comportamientos biológicos. <i>Revista Cubana de Ciencia Agrícola</i>, <i>46</i>(4), 345-350, ISSN: 2079-3472.</span></span>). Estos criterios fueron:</p>
      <div class="list"><a id="id0x84d8600"><!-- named anchor --></a>
        <ul>
          <li>
            <p>Coeficiente de determinación (R<sup>2</sup>)</p>
          </li>
          <li>
            <p>Coeficiente de determinación ajustado (R<sup>2</sup>A)</p>
          </li>
          <li>
            <p>Cuadrado medio del error (CME)</p>
          </li>
          <li>
            <p>Error Estándar (EE)</p>
          </li>
          <li>
            <p>Media Absoluta del error (MAE)</p>
          </li>
          <li>
            <p>Significación de los parámetros del modelo</p>
          </li>
          <li>
            <p>Dócima de Durbin-Watson</p>
          </li>
        </ul>
      </div>
      <p>Para
        conocer el comportamiento de la velocidad del crecimiento de la 
        variable rendimiento de materia seca de los clones CT-3 y CT-26 se 
        calculó la primera derivada de los modelos de mejor ajuste. Se calculó 
        el punto de inflexión a partir, de la segunda derivada para obtener la 
        máxima velocidad de crecimiento en el tiempo. Se determinó el momento de
        mejor aprovechamiento del pasto siguiendo el criterio de <span class="tooltip"><a href="#B18">Kiviste et al. (2002)</a><span class="tooltip-content">Kiviste, A., Álvarez, G. A., Rojo, A. A., &amp; Ruiz, G. A. D. (2002). <i>Funciones de crecimiento de aplicación en el ámbito forestal</i>.
        INIA, Ministerio de Ciencia y Tecnología, Instituto de Investigaciones y
        Tecnología Agraria y Alimentaría. Madrid, España, ISBN: 84-7498-484-X.</span></span>. Para el análisis de los datos se utilizaron los programas estadísticos InfoStat <span class="tooltip"><a href="#B6">Di Rienzo et al. (2012)</a><span class="tooltip-content">Di Rienzo, J., Balzarini, M., Casanoves, F., González, L., Tablado, M., Guzmán, W., &amp; Robledo, C. (2012). <i>Software estadístico infostat. Estadística y Biometría</i>. Universidad Nacional de Córdoba, Facultad de Ciencias Agropecuarias, Las Brujas Córdoba, Argentina.</span></span> y Statgraphics Plus.</p>
    </article>
    <article class="section"><a id="id0x86bb580"><!-- named anchor --></a>
      <h3>RESULTADOS Y DISCUSIÓN</h3>
      &nbsp;<a href="#content" class="boton_1">⌅</a>
      <p>En la <span class="tooltip"><a href="#t1">Tabla 1</a></span> se muestran los criterios estadísticos de los modelos que presentaron 
        mejor bondad de ajuste para la variable RMS. Se observó que ambos clones
        alcanzaron valores del coeficiente de determinación entre un 80 y 86% 
        respectivamente. En cuanto al cuadrado medio del error y el error 
        estándar, sus valores fueron pequeños resultados que inciden en una 
        mejor estimación del modelo y por ende adecuados valores de 
        significación de este y sus parámetros.</p>
      <div class="table" id="t1"><span class="labelfig">TABLA 1.&nbsp; </span><span class="textfig">Modelos ajustados entre la edad y el RMS de los cultivos CT-3 y CT-26</span></div>
      <div class="contenedor">
        <div class="outer-centrado">
          <div style="max-width: 1160px;" class="inner-centrado">
            <table>
              <colgroup>
              <col>
              <col>
              <col>
              <col>
              <col>
              <col>
              <col>
              <col>
              <col>
              </colgroup>
              <thead>
                <tr>
                  <th align="center">Clon</th>
                  <th align="center">Criterios Modelos</th>
                  <th align="center">Parámetros</th>
                  <th align="center">R<sup>2</sup> (%)</th>
                  <th align="center">R<sup>2</sup> ajust (%)</th>
                  <th align="center">MAE</th>
                  <th align="center">CME</th>
                  <th align="center">EE</th>
                  <th align="center">DW</th>
                </tr>
              </thead>
              <tbody>
                <tr>
                  <td align="center"><b>CT-3</b></td>
                  <td align="justify">Gompertz</td>
                  <td align="center">β<sub>1</sub> P&lt;0,001<br>
                    β<sub>2</sub> P=0,024 <br>
                    β<sub>3</sub> P&lt;0,001</td>
                  <td align="center">82,13</td>
                  <td align="center">80,81</td>
                  <td align="center">0,02</td>
                  <td align="center">0,001</td>
                  <td align="center">0,03</td>
                  <td align="center">1,37</td>
                </tr>
                <tr>
                  <td align="center"><b>CT-26</b></td>
                  <td align="justify">Logístico</td>
                  <td align="center">β<sub>1</sub> P&lt;0,001 <br>
                    β<sub>2</sub> P=0,049<br>
                    β<sub>3</sub> P&lt;0,001</td>
                  <td align="center">86,24</td>
                  <td align="center">85,22</td>
                  <td align="center">0,04</td>
                  <td align="center">0,003</td>
                  <td align="center">0,05</td>
                  <td align="center">1,38</td>
                </tr>
              </tbody>
            </table>
          </div>
        </div>
      </div>
      <div class="clear"></div>
      <div class="table">
        <p class="textfig"><b>Fuente:</b> Elaboración propia<br>
        </p>
      </div>
      <p>En
        esta misma tabla se observó que para el clon CT-3, el modelo de 
        Gompertz fue el que mejor explicó el comportamiento del RMS con respecto
        a la edad de la planta. Sin embargo, para el clon CT-26 el modelo 
        Logístico fue el de mejor ajuste. Según <span class="tooltip"><a href="#B4">Casas et al. (2010)</a><span class="tooltip-content">Casas,
        G. A., Rodríguez, D., &amp; Téllez, G. A. (2010). Propiedades 
        matemáticas del modelo de Gompertz y su aplicación al crecimiento de los
        cerdos. <i>Revista Colombiana de Ciencias Pecuarias, 23</i>(3), 349-358, ISSN: 2256-2958.</span></span> estos modelos son los más utilizados para describir el crecimiento de 
        las plantas, criterio que coincide con los resultados de este estudio 
        para ambos clones.</p>
      <p>Las <span class="tooltip"><a href="#f1">Figuras 1</a></span> y <span class="tooltip"><a href="#f2">2</a></span> muestran el ajuste de los modelos seleccionados a los datos experimentales de la variable RMS para los clones CT-3 y CT-26.</p>
      <div id="e6" class="disp-formula">
        <math>
          <mi>R</mi>
          <mi>M</mi>
          <mi>S</mi>
          <mo>=</mo>
          <mn>0.28</mn>
          <msup>
            <mrow>
              <mi>e</mi>
            </mrow>
            <mrow>
              <mo>-</mo>
              <mn>6.51</mn>
              <msup>
                <mrow>
                  <mi>e</mi>
                </mrow>
                <mrow>
                  <mn>0.05</mn>
                  <mo>(</mo>
                  <mi>e</mi>
                  <mi>d</mi>
                  <mi>a</mi>
                  <mi>d</mi>
                  <mo>)</mo>
                </mrow>
              </msup>
            </mrow>
          </msup>
        </math>
        <span class="labelfig"> &nbsp;</span></div>
      <div style="clear:both"></div>
      <div id="e7" class="disp-formula">
        <math>
          <mi>R</mi>
          <mi>M</mi>
          <mi>S</mi>
          <mo>=</mo>
          <mfrac>
            <mrow>
              <mn>0,49</mn>
            </mrow>
            <mrow>
              <mn>1</mn>
              <mo>+</mo>
              <mn>17,80</mn>
              <msup>
                <mrow>
                  <mi>e</mi>
                </mrow>
                <mrow>
                  <mo>-</mo>
                  <mn>0,057</mn>
                  <mo>(</mo>
                  <mi>e</mi>
                  <mi>d</mi>
                  <mi>a</mi>
                  <mi>d</mi>
                  <mo>)</mo>
                </mrow>
              </msup>
            </mrow>
          </mfrac>
        </math>
        <span class="labelfig"> &nbsp;</span></div>
      <div style="clear:both"></div>
      <div id="f1" class="fig">
        <div class="zoom">
          <svg xml:space="preserve" enable-background="new 0 0 500 409.449" viewBox="0 0 500 409.449" height="409.449px" width="500px" y="0px" x="0px"  version="1.1">
            <image transform="matrix(1.3123 0 0 1.3123 0 0)" xlink:href="data:image/jpeg;base64,/9j/4AAQSkZJRgABAQEAeAB4AAD/2wBDAAoHBwkHBgoJCAkLCwoMDxkQDw4ODx4WFxIZJCAmJSMg%20IyIoLTkwKCo2KyIjMkQyNjs9QEBAJjBGS0U+Sjk/QD3/2wBDAQsLCw8NDx0QEB09KSMpPT09PT09%20PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT3/wAARCAE4AX0DASIA%20AhEBAxEB/8QAHwAAAQUBAQEBAQEAAAAAAAAAAAECAwQFBgcICQoL/8QAtRAAAgEDAwIEAwUFBAQA%20AAF9AQIDAAQRBRIhMUEGE1FhByJxFDKBkaEII0KxwRVS0fAkM2JyggkKFhcYGRolJicoKSo0NTY3%20ODk6Q0RFRkdISUpTVFVWV1hZWmNkZWZnaGlqc3R1dnd4eXqDhIWGh4iJipKTlJWWl5iZmqKjpKWm%20p6ipqrKztLW2t7i5usLDxMXGx8jJytLT1NXW19jZ2uHi4+Tl5ufo6erx8vP09fb3+Pn6/8QAHwEA%20AwEBAQEBAQEBAQAAAAAAAAECAwQFBgcICQoL/8QAtREAAgECBAQDBAcFBAQAAQJ3AAECAxEEBSEx%20BhJBUQdhcRMiMoEIFEKRobHBCSMzUvAVYnLRChYkNOEl8RcYGRomJygpKjU2Nzg5OkNERUZHSElK%20U1RVVldYWVpjZGVmZ2hpanN0dXZ3eHl6goOEhYaHiImKkpOUlZaXmJmaoqOkpaanqKmqsrO0tba3%20uLm6wsPExcbHyMnK0tPU1dbX2Nna4uPk5ebn6Onq8vP09fb3+Pn6/9oADAMBAAIRAxEAPwD2aiii%20gAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKA%20CiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKZLIIonkboqlj+FPp%20roJEZG6MMGhged6Fp+s+N9Ol1ybxDfWHnSOLSC0IWONVJA3Aj5jxXQeA9cu9b0BjqJVry0ne2mdR%20gOVON2PesTTrLxd4Qt5tJ0rTbTUrLzHa1uHn8sxBjnDr3wT2q/p9ld+AvBE83lpf35kNxOqvsVnd%20uQp9s8etCtbyB7m9rmtx6PDGqxtcXk52W9sn3pG/oB3Paua8E3ury+LvENrrF59oeAxEInEceQTh%20R6fzrR1Pwba+INQh1ea81KzuzAI8W0+zaOpHSsjwv4EutI8aalqE95ftbZQwM9zuM/HPmDvjtQt9%20Qe2h093dtD4osomm2QvbSsylsAkFcH9TWskiSLujZWX1U5rD1C3hufF2npcQxyqLWYgOoYZ3J61t%20QwRW0flwRJEmc7UUAfkKAJKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKAC%20iiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACisjxPPNb6LI0E0luS6q08YyYVJ5f%20HfFcTqWuX3iLU7bw14U1Wd4l/eX+qZyUX+6rYAz9KAPTaK5fwvJ9m1S70y31WfVLa3jVnlnkDvHI%20f4dw6jHPtXUUAFIyhhhgCPcUtFABRRRQBgajC0/i/TQs0kW22lY7P4vmTg+1b9YOomceL9N+zpGx%20+zS7t7EYG5OnHWt6gAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKA%20Ciiqeqm7Fk32EHzdwztxu255254zj1qox5mkBcorM0k3ZefzvONtkeSZwBIeOc47fXmtOiceV2AK%20KKKkAooooAKKKKACiiigAooooAKKKpatrFjodkbvUp1gtwQpdgcAnp0oAh1/VJNJ0wzW9qbu4kdY%20oYAcb3bgAnsK5ODWPGKXktlF4b0eKXYJGQXOAynv0596tar458FaxYSWl1rUQR+QyFlZSOhBxwRW%20PLrPgyXSILT/AIS25FzbsWhvvMYzJnqM45HtQBv+DbnV59S1RNXs9PsTGUVbe3ILLx1JxyD2rrq4%20X4fHRDqOpNpWqXWr3bKjXN7O2c+ij6V3VABRRRQAUUUUAYOo3MNr4v00zOED20qrweTuTit6sa5/%205HGw/wCvSb/0JK2aACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKr363D2My2bBZyp%202E+tZ2lQ3iXhZhcJbeWAy3EgdjJ6jH+TWkaacXK4rmzRRRWYwooooAKq6hfJp9t5rqXJYIqjjJPT%20noKtUyaGO4iaKZFeNuqsMg1UWk1zbAVbHUDdTTW8sJinhxuXcGGD0IIq7UFtZwWaFLeJY1Jycdz7%201PRNxcvd2BBRRRUgFFFFABRRRQAUUUUAFFFFABWD4yvrPT/D0supWEt9al1V4olDHrwcfXFb1NdF%20kUq6hlPYjIoA4MeMbUKMeCdWxjj/AEJaP+Extf8AoSdW/wDAFa6nxBqs+lWSfYbX7VfXDiK3hLbQ%20zYzknsAASa56PTPiBLIJ5dc0qEnnyFtSyj2z1oAseEdWg1bWtSeHRZdLaNI1YTR+W8nU9BxiuurI%200S+ubiS4ttShgj1G32iVoDlXUjKsM8j6GtZl3KVPQjFAHHz/ABCR7i5GlaLqOp2tqxSa5t1GwEdQ%20Mn5se1dFous2mv6XDqGnyF4JRxkYII6gjsRXLeDta0bQ9EvNPur63tpbC5mEySuFYAsSDg9cg0fD%20WRLTwtdX1yy29pdX0s0LSnaNjNwefWnboK/U39f8RpoZgijsru+u7jPlQWyZJx1JPQD61W0PxfFq%202pyaZd2F3puoonmi3uVGXT1Ujg1Z1bxJp2l3ltZXtybZ71W8mdl/d5/3ugP1rkbC4jsfiRZpbaku%20vTXkDJNKcM1og5GCvAUnt1pLcb2Op1G2S58X6aJC/wAltKw2uV53J1x1rern9US5fxZp4tJY43+y%20zZLpuGMpWzaJcJDi6kSSTP3kXaMfSgCeiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKK%20r38U81jNHayeXMykI/oaz9KsruC7LyK0MHlhWjaYy73/AL2e1aRgnFyuK5sUUUVmMKKKKACiiigA%20ooooAKKKp6pBcXGnyx2cnlzHoc4yO4z2z604q7SbsBcorK0m0ube4neRWht2ACQNL5hB7nPbPpWr%20VTiouydwQUUUVABRRRQAUUUUAFFFFAGX4hgtJdKke9vDYpCfMW6DhTCw6EE/y71yTW3iy7sUubTx%20jaSabIMrcR2IZ9vrxXSeK9MOo2duxs1v47aYSvaMQBMMEY54JGcgH0rFl8exWFuLTT/DGsmZBtS2%20W02Kp9M9APpQBt+FdHtdL05pIL6TUZbpvMmvJH3NK3Tt0A9O1blch8OtJ1TTtMvrjWAsMt9dNcLa%20ociAHt9a6+gDMvfDej6ldLc3umWk869JJIgW/OnazotvrWjS6bMqrBIApAQHaAewrRooAqT6VZXd%20gtld20VxbKoXZKoYYH1pmm6Lpujoy6bY29qG5byowuavUUAYOo3At/F+mkpI+62lX5Fzj5k5PtW9%20WJduqeMLDcwXNrMBk4z8yVt0AFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUVHPPHbQ%20PNMwWNBliewqvaanBdzGJVljk27wsqFSy+ozVKEmrpaAXKKa7rGpZ2CqOpJwKotrVqWK2/mXLDtC%20hb9elEYSlsgNCis77VqM3+psUjHrPLj9FzS/ZtSk5e+ij9o4c/zNV7O27S/ryuK5oUVn/wBlu/E2%20oXjjuAwTn8AD+tZ+s6VBBp5l8+bzFdcGSZzv5+5xzz7VUKcJSUebfyC5vlgBkkAfWmmVACS6gD3r%20nNE0y0uJrnzrYRBNqraOzN5XHXn19uOK2BomnAg/Y4eP9mnUpwhLlbf3f8EE2yf7da/8/MP/AH8F%20H261/wCfmH/v4KZ/Ztl/z6Qf9+xUV1b6bZ27TT20CovX92CT7AY5NSlBuyuGpJJqthCQJLy3Unpm%20QUz+2tN/5/7b/v4Kbp81lK8sUFv5EqYLxtFsOD0OO9XvLT+6v5USUIuzT/r5AU/7a03/AJ/7b/v4%20KtQXEVzEJIJEkjPRlORTvLT+6v5UoAAwBgVMnG2i/r7hi0UUVABRRRQAUUUUAc140vbi2tbSGLUx%20pUNxKVmvSoPlgDIAzwCTxk1y0dldpeNBd+P7+FJFEtrOTGI509QemQeorrPGOsx6bZQWn9lHVZ79%20zFFa4G1yBk5J4ArnLtvEGo6fHY3fgCwltI/uRNdptT6elAGn8N2haw1JY9Un1OVLxlluJDlWb1T2%20xXZVy3gVrwWd7b3mlQ6UIJ9kVrCBtVcDncPvZ9a6mgAooooAKKKKAMK/gin8YacJo0kC20rLuGcH%20cnNbtYOowvN4v00RzvEVtpSSoB3DcnBzW9QAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFF%20Up75mla3slEs4+8x+5H9T6+1VGLlsAmtSRxaRctLEsq7D+7JxuPp/wDq5rntGkuru/It23jyh/pk%20isTGP7gU/wA+vrXRQaaiyrPdO1zOv3XccL/ujoKuAAdABmuiNaNODgle/wDW39eaJtcoJo1tuD3G%20+5cfxTNu/Tp+lX1UKoVQABwAO1LRXPKcpbsoKKKKkAqC7tIr2AxTAlcggg4KkdCD2NT1XvLyKxg8%202YtjIUBRksT0AFVHm5ly7gNs7CKzaR1Z5JZMb5JG3McdB9KtVVs9Qju5JItkkU0WN8cgwRnofQj6%20Vapz5ub3twQVDdWsV7btDOu5G9Dgg9iD2NTVm6+sb6PMsspiU4GQpbcc8LgcnPTAoppuaSdgZLY2%20VvAzzxStPJINpld9xIHYH0q7WFoS41C7MsYtp2Rd1sq7QB2bqQfw6Vu1VZNTs3cSCiiishhRRRQA%20UUUUAFFFUtQ1NdO2NJbXMsbZy8Me/Z9QOaAMHx1/acyaZaaSkEc09xj7ZMCRbEDIIx3PIqr/AGL4%207/6GbT//AACqXxHaaX42t7W2i1lrVopgzqkhjdl7rg4PpUA+F9j/ANBnXP8AwNagDU8H22p20eop%20rN7HeXX2o/vY+FxgYG3t9K6OsPwt4bHhiyuLVLmW5SWdpVeU7nwccE9+lbMsnlQvIeiKW/KgB9Fe%20a+HPDh8caTJruranqAubmV/IEFw0a26hiFAUcHp3roPh5q13qfh+WPUJTPcWVzJatMesgU4BPvii%20wM6qiuf8R+HLnxDc20bapPa6agJngtyUeY9vnHQVzmh6edM8epa+HL68udLSJv7QWaUyxxv/AAhW%20P8XqB0oWrB6HS6hJJH4v04xQNMTbSggMBtG5Oea3qwNSuoLTxbp73EqRIbWYAscDO5K2re5hu4vM%20t5FkTONynIoAlooooAKKKKACiiigAooooAKKKKACiiigBKjiuYZiwilRyvUKwOKi1Lyv7NufPdki%208ttzJ1Ax2rlLBJL3Vba2OLeNYSheJApkUYypI/i9R0HrmumjQVSLk3awm7HSNczahM0Nk2yFeHuB%20zk+ie/vVu2tYrOBYYF2ov6n1NPiiSCJY4lCIgwqjoBT6xlO+kdgK9/LNBYzSW0XmzKpKJ6ms/Sr+%206uLsxs3nweXuaXyTHsf+7z1/pWxRTjNKLjYAooorMYUUUUAFRXNtFeQNDcIHjbGQalopptO6ArWl%20jBZB/JU7nOXZmLM31JqzRRQ25O7AKz9c3nSZwluLgkAFCCeM8nA5OOuBWhRThLlkpdgMLw+my6ug%20mZ4iFP2plYFz/d5POPat2iiqqz9pLmElYKKKKzGFFFFABRRRQAUUUUAc74s1bRNGitpNcghaCdym%209k3FSAT0xk1laLf+HtZmaLQNWvLOdQW8kMy8DuEcYI+laviWxvftlnqmn2MGoy2qsv2aVgpw2PmQ%20njcMfrWK8viXXZ4Z5PDkNhFZMZQJJ1M0rAH5VI4UHvmgDQ8O+K5NRsbm4WG4vLO2maM3mxULbepC%20DqB6/pXTxSw3lqssTrJDKuVYdGBrzzwzNqfgvwY9te6NdzXUssskaWwEg3MeFbH3a63wfptzpHha%20ytL0/wCkKhZxnO0kk4/DOKAOdtPD3i3w0lxp/h+402bTZJGeFrsMJLfcckDHDYq/b6XeeCPBEqab%205d9qAczSNKpAmkZvmwBz34rrqKOgHH+LLHxTq8dnFpP2SK1KBruOSVkaRv7mV5C/Q1J4eh8UWM8F%20rdadodrpqg7haO+4fQHiusooAxbtFfxhYBlDD7JN1Gf4krZVVQYVQB6AVg6jbrceL9NDNIuy2lYb%20GK5+ZOuO1b9ABRRRQAUUUUAFFFFABRRRQAUUUUAFFFU9RvTaRBIV8y6l+WGP1PqfQDuaqMXJ2QFX%20W7ieWN9P08K11JGWbPRE/wAT0FZ/h6yNleRLbwSeV5O2Zpothjbj5VPp7dO+a27CyFpGzSN5lxL8%200sh6sfT6DsKt1v7dQg6cdv6/pCt1CiiiuYYUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFF%20ABRRRQAUUUUAFRyXEMJAlljQnoGYCpKwfEXg7TPFF1ZzanGzi1LYQMVDg9jigCDWGvE1q31PTLu1%20ljghaOW0aUAzZIPBzgEYrHuPHGpa9O9l4Vs1h2HZNfX5CJCe4C9WI/KtH/hV/hT/AKBQ/wC/z/40%20f8Kw8Kf9Aof9/n/xoAteCbOSy0OSOfUU1GY3EjSXKdHYnmuirL8PaFb+HNLGn2ZYwK7MgbqoJzjN%20alABRRRQAUUUUAYGom4Hi/Tfsyxsfs0u7eSMLuTp71v1g6hcLb+L9OLLI262lUbELY+ZOuOg963q%20ACiiigAooooAKKKKACiiigArJ1b7Z9qh8vz/ALJtO/7Pjfv7Zz2+la1Zt/qcltexWsMcfmSIX3zP%20tXA7D1Na0b82iuJjrW6mtNHSfVWCyKuXOOevHTv06d6TTbaUyyX14u24m4CH/lkg6L9e5qlpt3/w%20krxXmwrZ27HauciSUcEg91HY9z9K3qurem3Fqze/l5AtSG7aVLOZoCglCEqX6A471haFqM15fqiT%20zSR+UWmE+Bl+OUx1HuOK37iBLq3kglGY5FKsPY1StNIW3uI5pLiWdoU8uLfgbV/Acn3opzgqclLc%20HuaNFFFc4wooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKyNd1S9sDbRab%20axXd1O+0RO+zju2fQVr1h67aXb3ttdaRPbLqUKNiG4ztljPUHHI5xzQAuqeIV8OaDNqWveTEI+iQ%20sW3nsoz3rl9E8S+OPEMA1Sz0jToNObmKGeRhJKvse35VFP4K8QeMdeguvGEtrDptq26OxtXLBz7m%20ux1WXVbW1MGh6fbyMqBY2lm2In4AdqALWk6imq6dFdKjRlsh426ow4Kn6GrtZ+hxLDpUSAqX5MpV%20g2Xz83P1q/QAtFcbN8QjJcXI0jQtQ1O0tXKTXUAUKCOoUHlse1dHous2mv6VDqFg5aCUcbhhlI6g%20jsRRuBfoqpqOqWWkWjXOoXMdvCv8TtjJ9B6n2rP8L+KbbxVa3NzZxSxxQzmEGQYLY747UbgLdHHj%20Gw/69Jv/AEJK2qwdRtobrxfpwnjDhLaVlz2O5Oa3qACiiigAooooAKKKKACiiigArmPEsM+q3qaf%20CsktuI83CxMFZMng5Pc9vTrW5qN6LG1Lhd8rHZFGOrsegrKaabR2igLQrNcBpp7mfO1n/ujH+cV1%20YZSi+db9P8/kTI0tHtprPSoILgKHjXGBjgdgSOpx1NXqqaZdvfafFcSRGNnHK/1HtVusKl+d825S%20CiiioAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigArlPGfhTUtem%20tbvRtYk028tlZAy5w4PYkfSurrF8Q+LdH8Lxo2rXiws4ykYBZ3+gFAHCHQtesuNY8ReIrYDrPCRN%20F+Y5H4itK08J3epwlrH4gapOCP4XBx9RnNS/8J1ruujHhnw+ywngXeoOIk+oXqaqx+Ar/U9QTU/E%20XiJY5058vTQIAPq3U/jQB13hHSrjRfDdtY3bb54dwZ8538k5/GtadWe3kReGZSB9cVX0qeC50yCS%201meeErhZHOSwHGSe9XKHqB578PvEGl6L4UksNTvILS7sZpRcRTMEbO4nOD1zVn4byJZeFbq/u2W2%20tbq9lmhMp2jYzfKefWuovPD+k6hci4vNNtJ516SSRKW/Ol1jR7fWdHl06YKsEoCnCg4APYdqL9QL%20M1rbXvlPPDFMIzvjLqGwfUVyPw2IKa/j/oKzfzrsoYlghSKMYRFCr9BUdtZW1l5n2WCOLzHLvsXG%205j1J96ezf9dg3X9eZjamlxJ4s08WsyRP9lmyXTcMZTtkVtWqTpDi6lSWTP3lTaMfTJrG1GZ4fF+m%20mOF5d1tKCFI+Ubk5rfpAFFFFABRRRQAUUVl6tfzWksEaMkEUmd9w6lgmOgx7+pqoQc3yoGalNd1i%20jZ5GCooySegFVNLvJbvT1nuUEbZPOCAwB+9g8gH3quoOtybmyNPRgVH/AD3I7/7v86tU2m1LZbiu%20LYRtfzjUrgELyLaM/wAKH+I+5/QVpMquMMoI9CKUDAwOlLUznzO4woooqACiiigAooooAKKKKACi%20iigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACsHWvDejX+pJqutxwSrbw+WguMbEyc%20k8963q4XxfFouqeJ7ax8S36Q2MNt56W7y+WszlsZJ74A6UAbNnofhfUoy9lb2Vwi8ExPuA/I1BrW%20jeFdH0ue61K0tIYFQ5LcZ46Dnk1x2qweHfDrw6j4H1bTrPUGcQvG1xuhdW4ywz265qex03wuZ/7T%208V+KLbW75Bu2yTjyY/ZUoA7fwZ5R8IaYbdCkJhBjVuoUk4/StuqWkXsGo6Ta3drH5cEsYaNcAYXt%20wKu0AFFFFABRRRQBhX9xFb+MNOM0qRhraVV3sBk7k4FbtYt2obxhYbgDi1m6j/aStqgAooooAKKK%20KACsLxAWN5ZqkX2tsMTaFtqsMfeJ6ce/rW1LLHBE0krhEUZLE8Csi5t11mRJbtfJsYwdpY7HcnjO%20eoXHbvW+H92XM9hMo6Fv1nTkjWRvsSSMJM5+Y5/1Y77R69/pXTqoVQqgBQMADtUVpawWdrHBaRpH%20AgwiJ0AqalXqe0k3HRAlYKKKKxGFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAF%20FFFABRRRQAUUUUAFFFFABWJqXhHSdY1cahqdrHdusQiRJVyqDOcj3rbooAwP+EE8M/8AQDsf+/Qp%20kvgDwxLE6HRLIBgRkR4IroqKAKmlaemk6XbWMTFo7dBGpPXA6VboooAKKKKACikZlRSzEBR1JNNj%20lSVd0bq6+qnNAGHqMLzeL9NCTPFttpWJTHzDcnBrfrB1Bpl8X6d5EaOTbS7tz7cDcnI4Oa3qACio%20J762tv8AX3Ecf+8wqt/aM1xxYWryL/z1l/dp+GeT+VWqcnrYLmhVS51GKB/KjVp5z/yzjGSPr6D6%201D9gurn/AI/Lxtp6xwfIPz6mrdtaQWabLeJI1PXaOtO0I7u4itFZSTSrPfsHccpEPuR/4n3pmqab%20JeT280ZiYw7v3UwJjbI649a0qKFVkpcyCxT0qxbTrFYGk3kEnjgDJzgD0q5RRUyk5NyfUYUUUVIB%20RRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFF%20FFABRRRQAUUUUAcL4rh/t7x3pHh+6kkGmtbyXU0SMVExBwFJHaq8ml2/g3x/okWiB7ez1MSRT2oc%20lMgZDAHoa3/E/hebWLqz1LTL02Oq2WfJmK7lZT1Vh3FVtJ8Kai2vxaz4k1OO+u7dDHbRwxeXFED1%20OOpJoj0CRc1S8isvFmnyTlgptZgNqk909K0ttvrEKSK83lKSNqs0efr0NVNSiu4tdtL63tmuI44J%20I3CsAQSVI6/Q1BNc6o+sW1yumziCOJ1dPNX5mOMHH4H86abTugNeDTrO25htolPrt5/OrNYt5qWr%20NaSCz0qRbjjYXddvXnP4ZqYane/9Amf/AL+L/jQ5OWrYGpRWLa6lqqxN9q0qRn3tt2SLjbk7fxxi%20k/tLVvt4b+y5PsvlYK713b8/yxSA26K5/VbnVLyy8q102eKTzEbd5qjgMCR+QNXP7Tvf+gTP/wB/%20F/xoA1KKxLPUtWW1UXulyNPk7jG64xnj9MUq6lqv21y2lSfZvLXaN67t+Tn8MYoA2qKxLrUtWZY/%20sulSKwkUvvdeUz82PfFT/wBp3v8A0CZ/+/i/40AalFc/pdzqlnavHc6bPI5mkcHzVPyliQPwBFTf%202lq32/d/Zcn2Xysbd67t+f5YoA2qKxbvUtVaDFppUiy715eRcbcjd+OM1N/ad7/0CZ/+/i/40Aal%20FYlnqWrLaqLzSpGnydxR1x1OP0xUUdzqi6zPctps5t3hRFj81eGBJJx+IoA6CisW61LVmEX2XSpF%20IlUyb3XlM/Nj3xUx1O+xxpM+f+ui/wCNAGpRWLZ6lqq2kQvNKka4C/vCjrtJ9qI9S1YXc5k0uQ25%20C+UA67ged2f0oA2qK5+/udUuZ7J4NNnRYZ98o81RuXaRj35Iq5/ad7/0CZ/+/i/40AalFYtnqWqr%20aoLzSpGn53FHXHU4/TFImo6t9ukL6XIbUouxQ67g3Oc+3SgDborEutS1ZvJ+y6XIuJVMm915Tvj3%20qWTUb5o3VdJnBIIB8xf8aANaisDS7rU7PTLeC502eSaNAHfzVOT9ali1LVRdTmXSpDAQvlAOuR/e%20z+lAG1RWJcajqxltzb6XIED/AL4M65K47e+cVJNqWomGQQ6TMJdp2FpFxntnmgDXorHt9S1IW0Qu%20NKlMwQeYVkXBbHOPbNV7K51SC9vpZtOneOaRWiXzVO0BcH6c0AdBRVezuJbiMtNbPbsDgKzA59+K%20sUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFUG1zS1vfsbajaC6zjyTMu/P0zVbxdeTaf4S1S6ti%20RNFbOUI6g461ytj4K0Gb4bJJLZQvcS2f2hrsj975hXdu39etK9rvsO23mehUVz3gK+n1HwRpVzdM%20XmeABmPVscZ/SuhqmrOxKd1cKrXuo2emxCS+uoLZCcBpZAoJ/GrNc3rnh7QG1M65r5SURR+WiXTB%20ok/3VPGTSGblnf2mow+bZXMNxHnG+Jww/MVBNrml294LSfUbSO4PAieZQ35ZritI0t7C/wBc8RaT%20ZNpunPZlYLbbt89wCfN2fwj0o8J+ENE1T4fQ3N/ZQ3V1fQtNPcyDMhc55DdRj2o8wPQ+tLXJ/DO8%20nvfA1k1zI0jxl4g7HJZVYgfpXWU2rMSCoZLy3iuY7eSeNZ5cmOMsAzY64HesrxT4ntfC+mLcXDKZ%20ZXEUEbNtDuemT2Hqa85Oo6bD8Q9A1G61y0u7mRZTdzpMDFEcfKi+gHQetJauw3sesXuoWemxCW+u%20obeMnG6Vwo/Wn2t5b30AmtJ4p4m6PGwYH8RXDR2Fp4k+KOpLq0KXUGn2kX2aGUboxv5Lbehp2jWk%20Gg/FS803S4xBZXViLiSBPuLIGxkDtmhag9DvaKKpazcvZaLe3MX+sigd1z6gEik3ZXGld2G3OuaX%20ZXK291qNpDO3SOSZVY/gTVySaOKEyySIkajJdjgAeua8e8O6RqOqeFI72Pwxpd6lwrSTz38mbi5J%206lTj5R2HNX7u5stf0jwdptuk8Wk3dy0c8EkhJ+QH92zdxmnboLzPSbHV9P1MsLC+trkr94RShsfl%20VyvPPF+j6f4b1Tw/qei2kNldG+S3byF2CSNuqkDrXodHS4dQqpfatYaYFN/e29sG+750gXP51bry%20zUrZ9R+Imp3Gm6PD4i8qNYZkvCEjtWA+6jNkHPU8UdbB0PT4LiG6hWa3lSWJhlXRgwP4iqi65pb3%20ptF1G0NyDjyhMu7P0zXl9hdS6F4O8XxRB7DUkPmtYKCEtVbgFD3B65Fbuo+CtBg+G7yRWUKXEVn9%20oW7A/e+YF3bt/XrQ3bUaV3Y9CorI8J3k2oeFNLurkkzS2yM5Pc461pzo8kEiRSeW7KQr4ztPrinJ%20WdiU7q4jXMKXCQNKgmcFljLDcwHUgU27vbawgM15cRQRDq8rhR+ZrgbXRv7I+LOneZeXN5cT2Ery%20zTtkk5xwOij2FWNRsoPEHxXjsdVjE9nZWHnwwScozlsFiOhxS3t53/C/+Q+/l/wP8ztbO/tNRh86%20yuYbiPpvicMPzFQ3Ot6ZZ3S211qFrDO3SOSZVY/gTXEz2sHhf4lRR6LCtvDe6dLLNbxDCF0+623o%20D2o8DeFtH1vwWL7VLKG8vNQMkk88y7nzuIwG6jGO1HS4HoYIIBByD3FRz3MNrH5lxKkSZA3OwAye%20grk/hfczT+ERFNI0i2txLBG7HJKK2BzWR8SdDdbeDU7rULm4b+0IVhgJ2xQqW/ujqfc0+qXp+IdG%20ejPIkUbPIyoijJZjgAVSs9d0vUZjFZajaXEgGSkUysfyBqHX9AtPEWnpa6g8otlcSOiPtEgHZvau%20M1HQdK1vV9Oh8J2ENu9jcLJPqNsgRI1HVAR98n8cUluHS5319qdlpkYe/u4LZGOAZZAoP51Lb3MF%205As1tNHNE33XjYMD+IrhNM0208R/EbxBJrNul39gEUNtFMNyIpBJIU8ZOKl8L20WifEbW9I09fK0%209reO5EC/djc8HA7ZoWoPQ7uiiigAooooAKKKKACiiigAooooAKKKKAIri3ju7aW3nQPFKpR1PQgj%20BFcUPhxcJatpkXiTUE0Ukj7GAuQn9wP1xXdUUAQWVnBp9lDaWqCOCFAiKOwFT0UUAFch4g8GahrW%20vR6lFrslsIVxDD5CukZ7tg9/euvooA57RtB1ayuZG1TX5dSgdCnkyQKo575FZH/Curi2jlstN8R3%209npMrEm0RVOwHqqseQK7iigCnpWmW2jaZBYWMey3gTai9fz96uUUUbgV7uxtb9Al5bQzqpyBKgYA%20/jWBe+BNLuvEGnaklvbxJZhwYFgXbLnufpXT0UAczrvg7+0dVi1XTNRn0vUUj8oywgMsif3WU8HF%20TeHPCiaHdXN9c3s+oaldACW6mwDtHRVA4AroKKFoG4U2SNZY2jkUMjAhgehFOooA4lfh/d2SSWmj%20+JL6x0yRifsqqrbAeoRjyBWjeeBNMufDdrpEJmtls2EltPG37yNx/FnuT3rpaKAOSsPBE39rW2oa%207rV1q0lmc20ciqiI397A6mutoooAK5PUPBMp1e41LQtYudKnuiDcJGoeOQ/3tp6GusooA5rSPBFn%20Y2uoLfzzaldaku27uJzy64xgAdAKyh8OLh7UaZN4k1CTRVOPshCglOyF+uK7qigCOCCO1t44IUCR%20RqERR0AHAFSUUUAY8/h9Z/FtrrhnYNb27QCLHB3HOc1V8ReEl1q9t9Rs76fTtTtgVjuYcHKnqrA8%20EV0VFAHN6D4QGl6jNqeo38+p6lMnlGeYABE/uqo4ArNb4e3Fq1xDo3iG+07Trhy72qKrBSfvbCeV%20zXbUUAUNF0e00HSoNPsUKwQjAycknuSfU1W8TeH18SadFaPO0IjuI59yjOdpzitiijrcDC8WeH7n%20xJpQsbfU5bBGbMrRrkuP7v0rLs/COv2ZhRPFcot4iP3K2kartHbiuxooWgbnL6z4Ne81k6vpOqXG%20l6g6COZ4lDLMo6blPcetW/DfhaLw+bmeS6mvb+7YNcXU/wB58dAAOgHpW7RQtA3CiiigAooooAKK%20KKACiiigAooooAKKKKACiiigAooooAKKKKACiiigDA8aRyL4avru3uri3ntoGeN4X28gZ5Hesf4f%20xTa74Nsr/UL69luZQ29/OIzyfStzxn/yJmr/APXq/wDKub+F+lQ3PgDTpGluVJDcJMyj7x7CgDpt%20O06W11qaaHUZp7Mx+W0Esm7y5Ac5H4VcvdUsrQmG4ukikZegOWA9cVm6fbW3hiNtNgneae7mlmgR%20zufkZOSewx1rnfhVqEV7aaob6QHWzeSG6En+sx/CMHnAFAEPgrUbi5+JXiG2/tKe8s4YkMPmSbgM%2046dq7a51/TLOSRJ72FGj++M52fXHT8a4DwhJaW3xb8V+U8SRGNSAhGCeM4q14Vns9Q0rW7jRUisd%20OeeUzPcN5ksrY5JB4VfQHNAHoNvcQ3cCTW0qSxOMq6MCD+NUdQ1XTwsttJqAgkxhmjblPqeQPxrz%20zwFdXdt8H9Sk00lruJpzAF5I+g/Wuk+G9zp134CtTG8TyeWftm4gt5nO7fn+tAFD4S6hd6hZ6015%20eTXZjvmRHlfcdo6V6DXmfwakgS012ON4wBqD7VDD7vt7V6THLHMu6KRXXOMqcigB9Z19qunxb7aa%20+WGTGGKN8yfXrj8adrs11BoV9LYKWukgdogB/FjiuW+Fd3ZXngqI+Yj3hZze7zlzJk5LZ5oAp/C/%20Urm6vPEn2u/luooLvZHJNJuwoz36V0Ok3NzqfiO+n/ti3ktIcJHZW5Vto/vO3qfSuU+E/wBl/tLx%20TAhi8tr47EBGCvPQelS/DpIrXxf4yEaKkUd191RwBz2oA7m517TLOSRLi9hRo/vjOdn1x0/GrcFz%20BdW6z280csLDIdGBUj61594Vns7/AEvW7jREisdOeeQzSXDeZLK2OSQeFX0BzVb4a/ZpfhXfw3dy%200FsZJ1aRTzGvqPzoA74+INLGS19AFBxuLYX8+hrQBBAI6GvK9Q/t3wn4bWDVbey1/wANRKo82P8A%20dyomflPoccc16bY3CXVhbzxBljljV1DDBAIyM0AWKKKKACiiigAooooAKKKKACiiigAooooAKKKK%20ACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAo6no1lrMPk6hD50RGChdgp+oB5qtaeFd%20JsLcQWdu0EKnIjimdVH4A1r0UAZ1noGnWN+99BbAXTpsaZmZmK+mSTUN94U0TUr4Xl3psD3I/wCW%20oG1j9SOv41r0UAZlt4a0ezvnvLfTbaO5fGZRGN3/ANaooPCeh219JeQ6ZbpPKcuwXgn1x0rYooAz%20tL0DS9F83+zbKG281tz7B1NVj4P0E37Xv9l24uGOWZVwGPuBwa2qKAMq18OaTpkVx9g0y2jaYNv2%20qAXz1BPWqvhnwzF4fku5IUjgS5KkW0JPlxgD36k9zW/RQAVjS+ENCm1A3z6Zb/aWOWdVxuPuBwfx%20rZooAy7Pw1pGnvNJZ6fBBJMSXeNcMc+/Wmaf4W0jSrx7uxs1hnk5kdXbL/73PP41r0UAY8HhPQ7a%20+kvIdMt0nlOXYLwT646U+z8L6NYW9zBa6dBFFc585FXh89Qa1aKAMtfDWlIqotmnlKQViJJjBHT5%20M4/StMDAwOlLRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRR%20RQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFF%20ABRRRQAUUUUAFFFFABRRRQB//9k=" height="312" width="381" overflow="visible"> </image>
          </svg>
        </div>
      </div>
      <div class="fig"><span class="labelfig">FIGURA 1.&nbsp; </span><span class="textfig">Comportamiento del RMS con respecto a la edad del clon CT-3.</span></div>
      <div id="f2" class="fig">
        <div class="zoom">
          <svg xml:space="preserve" enable-background="new 0 0 500 464.954" viewBox="0 0 500 464.954" height="464.954px" width="500px" y="0px" x="0px"  version="1.1">
            <image transform="matrix(1.1682 0 0 1.1682 0 0)" xlink:href="data:image/jpeg;base64,/9j/4AAQSkZJRgABAQEAeAB4AAD/2wBDAAoHBwkHBgoJCAkLCwoMDxkQDw4ODx4WFxIZJCAmJSMg%20IyIoLTkwKCo2KyIjMkQyNjs9QEBAJjBGS0U+Sjk/QD3/2wBDAQsLCw8NDx0QEB09KSMpPT09PT09%20PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT3/wAARCAGOAawDASIA%20AhEBAxEB/8QAHwAAAQUBAQEBAQEAAAAAAAAAAAECAwQFBgcICQoL/8QAtRAAAgEDAwIEAwUFBAQA%20AAF9AQIDAAQRBRIhMUEGE1FhByJxFDKBkaEII0KxwRVS0fAkM2JyggkKFhcYGRolJicoKSo0NTY3%20ODk6Q0RFRkdISUpTVFVWV1hZWmNkZWZnaGlqc3R1dnd4eXqDhIWGh4iJipKTlJWWl5iZmqKjpKWm%20p6ipqrKztLW2t7i5usLDxMXGx8jJytLT1NXW19jZ2uHi4+Tl5ufo6erx8vP09fb3+Pn6/8QAHwEA%20AwEBAQEBAQEBAQAAAAAAAAECAwQFBgcICQoL/8QAtREAAgECBAQDBAcFBAQAAQJ3AAECAxEEBSEx%20BhJBUQdhcRMiMoEIFEKRobHBCSMzUvAVYnLRChYkNOEl8RcYGRomJygpKjU2Nzg5OkNERUZHSElK%20U1RVVldYWVpjZGVmZ2hpanN0dXZ3eHl6goOEhYaHiImKkpOUlZaXmJmaoqOkpaanqKmqsrO0tba3%20uLm6wsPExcbHyMnK0tPU1dbX2Nna4uPk5ebn6Onq8vP09fb3+Pn6/9oADAMBAAIRAxEAPwD2aiii%20gAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKA%20CiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAK%20KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAoo%20ooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiii%20gDjfGHiDVU1ix8PeHvLS/u1MjzyDKwxjviqVhq/iLwz4mstL8S3UF/aagSsN1Gmwq4/hIo1SePTP%20jFp9xduI4bqxaGJ24G8Hpmjx1PFfeLPDGn2zrJcrdecyqclUA6n0oj083+oS6+S/Q7+vNE1bxT4t%201XUzo+p2mk2thMYVjlTc7kdz6CvR5JQiOVwzKpO0HmvJ/D/h2y8fPqGr6tfvb3ZmeJre2YRGJQcD%20d6n3NLqPodn4C8SXniHS7kajHGLqznMEkkX3JCO4rV028muNW1SGRsxwOgjGOgK5Nct8NL145tW0%20SN4riz02YJBcxoFDg9jjqR61q21tfzeItZNnerAoePKmMNztqn0ZK7HUUVHAsiQIsziSQD5mAxk/%20SpKQwooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKK%20KKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKAMrX/Dem+JrIWuqW/mop3KwOGQ%20+oPaqfh3wNovhid59Pgc3DjBmmcu4HoCeldDRQtAepz1roEkPje81gbkhlt1jwZM729QO1VNY+Gn%20h7Wr97ye3mhnk/1ht5TGH9yB3rrKKAM/RdD0/wAP2C2emW6wwjkgdWPqT3NVdH/5D2t/9dI//Qa2%20q53SkuT4r1d0mQWwePdHs5J29c0AdFRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFF%20ABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUVz/i%20vxQfDsVvHbWM1/e3LFYbeLqcdSfauai+IfiOaWWKPwdctJCQsiiQZUkZFAHotFcZ4F13XNbvdSfV%20LA2lqj4iR2y6N3U+1dnQAUUUUAFFFFABWLo//Ie1v/rpH/6DW1XPaVJcDxVrCLApty8ZaXfyDt6Y%20oA6GiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooo%20oAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiuX8ZL4lZrEeGZ4Yi8hSYypuAHY0ATeKbDV%20TJbanoCwSX9qGXypzhZEbqM9jVC+g8S29vba3YWls2ptEEvLHf8AJIOxU+oqh/ZXxI/6Demf9+KB%20pPxHJ51zTAP+uFAFrwTZ+IZNc1PV9fgjsxdBVS1Rs4x/Ea7auR8K6b4jstbu5PEV7HeB4gIXiXao%2055GK66gAooooAKKKKACsXR/+Q9rf/XSP/wBBrarntKutnirWLfyZTueM+YF+QfL3NAHQ0UUUAFFF%20FABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFVr6/h0+DzbhiA%20SFAUZLE9ABTbHUYdQWTyt6vG210dcMp9xVckuXmtoFy3RRRUgFFFFABRRRQAUUUUAFFFFABRRRQA%20UUUUAFcz4yvvEVjHZnw5bwTvLL5ciy9s9DmumpKAPP8A7T8TP+fLSP8Av5Si4+JhP/HnpA9/MroP%20Fuv3WjWkMOl2hu9Tu38u3i7A92PsK5eHQPiPO32ibxDZwOefJEZKj2oA1vDB8VHxFP8A8JOIAnkf%20ufs/3OvOfeuyrnfD2ram13JpfiCKFNQjTzElhPyTJ0yPQ57V0VAGV4g8Sab4Zshc6nP5asdqIoyz%20n0A71S8PeOdH8S3D21lLIlyg3GGZCjEeoB61japZi/8Ai7pq3kW+3t7J5YQwyu/PJ+tR+O4I7HxX%204X1C2RI7k3RhZlGCyEdDRFbX6/8ADA+tun/Dnf1y+ufELRNBvWs55JZrhP8AWJbxl9n1x0rpLhzH%20bSuvVUJH5V474Mu/El7pt3L4e0uzMkl073N5dnPmtn7qj0ApdR9Lnquia7YeIdPW80ycTQng9ip9%20COxqto//ACHta/66R/8AoNZXgDUra8i1CA6XFpupQT4vYYvus/8AeH1qe21e307xFrKTLOWLxn93%20Czj7vqBVMlHUUVHBMtxAkqBgrjIDKQfyNSUhhRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUU%20UUAFFFFABRRRQAUUUUAFFFFAFHU9O+3pE0cphnhffHIBnB+npSadpz2s09xczedcz43MFwAB0A9q%20v0Vp7WXLydBWCiiisxhRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQBheJLG/f7NqOkLG97ZkkR%20ScCVT1XPY1ytz8TNbglNv/wh1/8AaegGcrn6gV0HjLUdZjFppvh0RLf3jH97L92NR1P1rXsbW9Oi%20Q2+o3RN55YEs0Py/N6igDnfCGn67e6pNr/iREt55I/Kt7RD/AKpM5Ofc12Vcn4c8R3EnifUvDmoO%20s1xZgSRzqMb0PZh6iusoAxPE9ley2iXujpG2pWp3RK/AcHqpPvXN6do3iPxL4kstV8T28Fja6eS0%20FrG24s5/iJrv6KdxWMCHWbybxhd6NPaoLRbcSpKGyWzwQR2rl4NK8WeCri6tfD9nb6npk8rSxLJJ%20saEnqPcV6EltDHO8yRqJZAAzgcnHTmpaQzl/Bnh290r7dqGsSRvqeoyebMI/uoOyir2j/wDIe1r/%20AK6R/wDoNbVYGk3UKeJ9Yt2kUTM8ZCdyNtAG/RRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUU%20UUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRR%20QBla/o51a1QwXDWt5A2+Cdf4G9x3HtXIXafEeRTbw3ekKp4+0KcN9cGtbx5E16NN06TUH0+zupiJ%205kbaTgcLntmuXPgDSLfW47W41nUBbXUe61lFz8rMPvLn170AbvgDwza6Ff38l1qIv9clwblyeVB9%20Pau5rzrwVo+keH/HGpWFrPLdXhgVxM8m/CZ+6ffNei0AFFFFABRRRQAVh6RGh8Ra1IUUuJIwGxyP%20l9a3KxNII/t/WhkZ8yP/ANBoA26KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKK%20KKACiiigAooooAKKKKAM/VtQexjiWFFaWZxGhc4VT6k03TNQmuJ7m1ulj863Iy8RyrA/yPtVfxMG%20exjjZT9meQCd1TcyL6gf17VH4ZjWE3cNqWksVcGKZxyx78/xD3rrVOP1dytr/wAH+tPmTfU3qKKK%205CgooooAKKKKACiiigAooooAKKKKACiiigAooooAzPEFnpd7pE0WuCH7FjLmVsAe+exrkpr74fSe%20Hl0N9QtDZRnKL5p3Kc5yG65rQ+I2jDVtLsnnObK1uVluot23fH3qFNM+HYhVxBomwgEE7aAIvAsH%20hGw1W4tfDMguZ3i8yafzC5AzgDJru65HQYfCtv4jx4eFqty9ud4tcbdue+O9ddQAUUUUAFFFFABX%20PaVZwv4q1i6ZT5yPGobPbbXQ1i6P/wAh7Wv+ukf/AKDQBtUUUUAFFFFABRRRQAUUUUAFFFFABRRR%20QAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAZWvx3MlpGIBK0QceekRw7J3xTNBjmRrkqk0dk%20WHkJMfmHrgdh7VqTTxW67ppEjX1ZsVnvr9sW2WqS3T9MRISPz6V0wlOVPkjH5i6mpRWT9p1i4/1V%20pBAOoMzknH0Hel/szUJuLrVH2f3YYwh+maj2SXxSS/H8guamQO9U5dY0+HcHvIdynBUOCfyqAeHN%20OI/fwm4b+/M5ZvpmrcWn2kO3y7aJdowMKOKVqS6t/h/mGpUPiGyP+q8+YdzFCzAfXApD4ghbiO1v%20Xc/dXyGGT9TwK01VV+6oH0FOo5qf8v4/8ANTMh1W5lmRH0u5jVjguzLgfrWnRRUSknsrDCiiipAK%20KKKACiiigAooqhquptpkaS/Y7m5jJ+fyF3FB64oA534kaX/aulWSTTmOyS6VrpA+0yR98etRxeB/%20AflLts9OZSMgmXOf1p2v/wBgeOtMXT5b4QyLIHCuTG4x1HNRL8I/ChUbbaYjtidqALWi6D4a0fxM%20raGIIbh7ch4oG3ArnqeeK66uW0HwDpfhrWTfaUrx74jG6s5bPvzXU0AFFcV4w1nVp9esfDegTLbX%20N0hlmuWGfKjHoPWqVpe6/wCD/E+n6frWpjU9P1ImOOd02vHJ6fShag9D0KiiuS8b+JbnTbOax0UC%20TVGhaUntBGOrn+lJuw0rnW1zulWUL+K9YumDeajxqDuOMbfSn+Br641Lwdp11eSmWeSLLuepNS6P%20/wAh7Wv+ukf/AKDVNWdiU7m1RRRSGFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUU%20AFFFFABRVW81CCxUeaSXb7kaDLOfQCqflalqXMriytz/AALzIR7ntWkabau9EK5avNVtLI7ZJd0h%206RoNzH8BVXfqmocxBbGHsXG6Q/h0H51cs9NtbEf6PCqsernlj+Jq1Vc8I/Cr+b/y/wCHAzYdCtVf%20zLjfdTd5Jju/TpWgkaRrtjRVHooxTqKiU5S+JjsFFFFQA1yQjFRlgOB61y1tql001u4vWlvJJtk1%20kY8BF/pj1711Ep2xOd23APOOlcNaNMklpdGzeEvMN1+Xz5gJ7juD0x2ruwkFKMr/ANb/ANaakyO8%20ooorhKCiiigAooooAKKKKACiiigAooooAydeTSEtBLrEELRM4jDOgJyeBz1FUV8Mxwux0XVbm1Zf%20+WYk8xB9Qc1X8e2P9s2ljpL3X2WC7uAJJu4xyAPc1h3PgzTfBqJqthrN1DdRuvE025Z8n7pHvQBv%20N4iudA1GKz1+6s5BMD5RgU+Y31T0966S1uob23We2kWSJujKa4C3/wBK+ODyNg+Vpw2jrjNavh66%208nx9r+mwn/R1SOfYOiOeuPrQBn6zdRaL8XNOvb5xFbXdm0CSNwocHpntTfGd7b6v4w8NabYTRz3E%20VyZ5BGd2xAOpI6V2Ws6Fp3iCxNpqlqlxCTkBuoPqD1FU/D/g3RPDBdtJslhd/vSElmx6ZPNEdLeX%20/Dg9b+f/AAxp3VyVhnW1KSXSRlli3DOccZFeT/aPFenaHqz3vhgyXF4jtc3jTDOOwA9AO1ehWvh3%20yfGl3rQVUWaBYsBiS5HcjtWzd2sV9aS21wu6KVSjrnGQaTV0NOzON+FF7qFx4Stobuw+z28UYEEu%207Pmj1x2rQtrK5uvEOstb6hLbAPGNqKpB+XryK3dM0220jT4bKyj8u3hG1FyTgfU1Q0f/AJD2t/8A%20XSP/ANBq5O7uSlZGtBG8UCJJIZXUYLkYLVJRRUjCiiigAooooAKKKKACiiigAooooAKKKKACiiig%20AooooAKKK4XVfEM1pcXc8s10rQy7YmiAMYA7Y/iz3Pat8Ph5V3aIm7HcO6xoXdgqqMkntWWb+61I%20lNNXy4c4a4kH/oI70kCT60kU15GYrXAZYM8yH1b29q1gAoAAwB0ApaU99X+C/wAw3KdnpkNmxky0%20s7felkOWP+H4VdoorOUnJ3YwoooqQCiiigAooooAKzIdAsobpZkR/kYuiFyVVj1IFadFVGco35Xu%20FgoooqQCiiigAooooAKKKKACiiigAooqKe5gtlDXE0cQPALsFz+dAFHXbPTtSslsNUTfFcNsXsQ3%20Yg9jXO6X8LNE0/UFu5pLq+ZP9WlzKXVPwrU8Q22meILOKB9WjtzFIJVkimUMGHTvXM6v40120aPQ%207GK1uNTlyEv/ADV8nZ/fPPB9qAL48JaJYeIJotPurm31i7jMiyrLuMSj2Pb2rU8JeEv+EbN5cXN4%2099f3sm+a4cYJ9BisTwj4atNH8QJeXOtHUtbuY2MxDhlx7egrv6ACiiigAooooAK57Shdf8JVrBQw%20/Zt8e4HO/O3t2roaxdH/AOQ9rf8A10j/APQaANqiiigAooooAKKKKACiiigAooooAKKKKACiiigA%20opskixRtI5wqgkk9hVCy1u0vp1ijMis67o96FRIvqKpQlJNpaILmjRRVO+vxa7Y40MtxJ/q4h1Pu%20fQe9KMXJ2QEl5ex2UYZ8s7HCIv3nPoK4uSze5u7vVLmBTBDKPMt/NKjIPJA9R+tddZae0cpubtxL%20dMOvZB6KKSbRLC4uvtElupckM3oxHQkdyK66FaFBtL7/AOvzJauXI2V4kZBhWAI4xxT6KK4ygooo%20oAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKwvFvha28WaWlndMyhZA4ZTg8d%20RW7Uc9xFbRmSeRI0H8TnAoA4wfCHwqAB9lnPuZ2pf+FR+Fv+fWf/AL/tXW2+pWd2+y3uoZW9EcH+%20VUdb8VaN4d2DVr+K3Z/uqxyx/AUAZmifD/SvDetJf6SrxkxmORXctkfjXVVn6Pr2m6/bG40q8iuY%20wcEoeh9x2rQoAKKKKACiiigArntKa6HirWFSOI2xePc5Y7gdvYYroaxdH/5D2t/9dI//AEGgDaoo%20ooAKKKKACiiigAooooAKKKKACiiq739rHci3e4jWZuiFuaaTewFiiiikBDdWyXlrJBKMpIu01nWu%20jzrc28l5d+etqNsK7Nv4n3rWJwMngCs651q2SF/srpcTg7UiQ5LN/h71tTlUtyw/r/ITsTX1+tns%20jRTLcS8RxDq3v9Kbp9i1u8txcOJLqYguR0UDoo9qLGwMTm5uW8y7cfM3ZR/dX0FXqUpKK5Y/N/10%20AKKKKyGFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAVzHxAIk8N/%20ZHwI7ydIHcj7ik8n9K6es7XLWxv9Me01PH2e4Ij5ODuPTB7GgDOmi0TwF4ckuY7eGCG2j4IA3Oew%20z1JNef8Aw/8ADUnjfWLrxZ4ki86KRyLaGT7v5eg6Vu3fwpl1SeGPVvEV9eafC2Ut39PQn+tdwlgL%20PS0s9M2WyxKFj+XIUD2oA5qTSbPRPHmmvpMKW5u4nW4iiGFdQMhiPY12Vcnpfh6407xY2pahrDXl%20zcRGNYmjACKOflx0rrKACis3W/EGneHbL7VqlysMWcDPJY+gHeqfh/xronieR4tMu98yDJidSrY9%20cGhahsb1FFctrHxH8OaHfNZ3d6WnT76xIX2+xx0oA6mud0q4kXxXq8At5GjZ4yZR90fL0rV0nWLH%20XLFLzTbhJ4H6Mp6exqlo/wDyHtb/AOukf/oNAG1RRRQAUUUUAFFFFABRRRQAUUUUAFc3caFdM9zA%20iWzxXMok+0OP3ie3ufQ9q6SoWuoEnWFpUErDIQtya1pVJ02+UTVyRF2oq5JwMZPenUVXvLyKyh8y%20UnnhVHJY+gFZpOTshkGszImnSRMzeZOPLjVPvMx6AVj6N4fvIL+C6vFt4nhTb+5/iGOg9BWhHG8X%20m6pqXDIuY4uvlL/8UabYeIPtV2kM0Hleb/qyHDds4bHQ12QdSFNxp693/kTpfU2aKKK4igrlrzVr%20lJ7uQ3ghlglCR2mzPmA+/fPqOldTTDFG0iyMil14DEcitqNSMH7yuJq4sbFo1Zl2sQCV9D6U6iis%20RhRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAVheMdBn8R+HZrC0uRbTsy%20ukpzwR9K3aKAPEW8O+J9PkMXiHxBqdrCD8s8AMkZHuRyPxrasvh/f6lCJbLxzeTxnuj5/rXpl5d2%20tnbtLezRRQgfM0rAD9a8o8ReK/D09+yeE7K7udWJws1hlFz7+ooA6Pwz4J1Pw94njvLzV59SheFo%208yk5Q13lcl4Hl8XSWufFEVsi4+Qg/vPxA4rraAOA1e3i1b4vadaXiCSC0smnSNuV3k9cU3xtaw6Z%204v8ADOpWcSRXMlyYJGQY3oR0PrV3xjomrprdj4j8OxpPeWqGKW2c486M9gfWqVlp3iLxb4msNS8Q%20afHpljpxLxW+/e0jnuT6UR6eT/UJdfNHoDDcpHqMcVzkWj+HvBmmXU7xokcrmSWSb53kY9ueT9Km%20j1+6Piy60h7HEUVuJopg+TJ7Y7Vwhn8Xza9LqWo+EnvmR/8ARY3uAEhX2XoT70hnS/DnRpdPg1K9%20a3a0g1C5M0Fqf+Wadsjtmrlrq9pp3iLWUuWcMXjPyoT/AA+1WvDGrazqkUx1rRv7MZCAi+aH3in6%20QobXtayAf3kfUf7NUyUa8E6XMCSxklHGQSMVJSAY4FLSGFFFFABRRRQAUUUUAFFFFABXCXgnKai6%2021vJD9o+e5kfEqkHjA9R2Heu7rm9RvtDg1BpbiAvKjhGkCHb5n8I9z/KuzBzcZO0bkyNqa9isrNJ%20JWYkgBRj5nPoB61X0+zld/tuoAG6b7qdol9B7+ppbOzkluvt17jztu2OMHIiX/H3rRrGUlBcsd+r%20/QZXvrdrqxmgjfY0iFQ1c9o3h6W01G3m+zLbCBCrMJN+/wBlHZfrzXU0UU686cHBbMGrhRRRWIwo%20oooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigArC8ZajqGmeG7i%20fSED3xISFSM5JPpW7TJVjZcyhSq/Nlu2O9AHjMPg3xDqtz9q8XWeoak+ciFLhVjHtiu00qS60WEQ%206b4NNsnT5JEz+J61Yk+J/haPUfsTamnmBtpcA7AfrXUNdQJbfaGlQQbd3mFvlx65oA5u31rWbjxN%20Z2t3pj2VqyOxkMgYOcdOK6muIsPGsHiTx1DYaSjz2VqjtLdKvyF8cAGu3oAKKKKAIUs4I7qS5SJR%20NIAHfuQOgqaiigArntKvIE8U6xas+JneNlXB5G316V0NYmkKP7f1o4GfMj5x/s0AbdFFFABRRRQA%20UUUUAFFFFABRRVK9v/Jdbe3Tzbpx8qdlHqx7CqjFydkA6+v0swqKplnk4jiXq3+A96xk8LySyO89%200VSY7pIVGQueoU9s962LKwFsWmlbzbmT78h/kPQVcrVVnS0pv5itfcRVCKFUYAGBS0UVgMKKKKAC%20iiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigArnvHcki%20eD75YpDG0iiPeDgqGIBNdDWN4r0h9d8P3GnRsV8/Clh1UZ5NAGNbfDzwlFoyWb2Vs4MYDSs3zk46%205zXJad4R1DXZZNK1PXQnh7TpWihiSQB5gDxuPoOlbcfwZ0hU2yajqT8f89sUD4LaEM4ur8Z9JjQB%201OmLougG00nTEgi80HYkRBJwOSa264XRPhpa+GvE9pqWnT3EiqjpIsz7sAjgiu6oAKKKKACiiigA%20rD0h1HiDWlLLuMkeBnn7tblc/pNpA/ijWLlolMyvGofHIG2gDoKKKKACiiigAooooAKaHU5wwO3r%20z0rI13WI7WyuYoGd7kRn5YhkpnoT6Vy+kwy32sWqXQa1h2lJIo5iwlbAOGPc98/hXZSwjnBzk7JE%20uWtjrZL6XUHa304Mqg4e5I+Uf7vqatWVhFYoQm53bl5HOWY+5qxHGkUapGoVFGAAOBTq55T05Y6I%20dgooorMYUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUU%20AFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABWLo//ACHta/66R/8AoNbVc9pVor+KtYufMmDK%208Y2B/kPy9x60AdDRTXdY1LOwUDuTiqMuu6dC203UbNjgId2fyqowlL4VcLmhRWV/atxefLptm59Z%20JwY1X8OppP7Jurj/AI/tSmcf3IR5Y/Sr9lb43b8/69RXLF3q9raP5RYyTdooxub8hVfbqWpcSf6D%20bnsCDIw9Pb+dXrWwtrJNttCqDuQOT+NWKfPGPwL5v/L/AIcLGXe2UVnoV1FaxsP3bfd5ZuO571yv%20hmzaDW7Ng0TjyjgRHPlr6ey57HnNd9UcdvFCzNFGiFjlioxmtaWKcKcoPW4nG7JKKKK5CgooooAK%20KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAoo%20ooAKKKKACiiigAooooAKKKKAGuwRGY9AMmvNNOtde+IMt7qa65caXZRzNDaQ24HO043NXpMyeZBI%20g6spH6V558Ode07RdIvdH1O6jtLuxuZN6TNtJUnIIz1pdfkPobHgLW7++TUNL1mRZb/TJvKeVRjz%20F7NWro//ACHta/66R/8AoNc38OnGp634j1qAH7Hd3IWByMbwvce1a1tpz3viHWWS+urbDxjbCwAP%20y+4qnsierNu60q1vbgS3KGQqMBSx2/lU0VlbQDEUEajOeFFV7O8Rb2TTd0sktvGrNI/8QP8AWrkk%20iQoXkYKo6knApucmrX0HYfRRTElSQsEdWKHDYPQ1ID6KY8qRlQ7qpc4UE9TTqAFoqppuoR6nZrcw%20qwQkjDdeDirBlQSrGXAdgSFzyQKAH0U1mVFLMQFAySe1CsroGUgqwyCO4oAdRTBKjSNGHUuoyVzy%20KivrtLCxnupASkKF2A64FAFiimRSCWFJF6OoYfjQsqPIyK6l0+8oPIoAfRTJJUiXdI4Vc4yTjmn0%20AFFMjlSXd5bq204OD0NQXN/Ha3lpbOGL3TMqEdBgZ5oAtUUhOBk9BTY5EmjDxsGQ9CDkGgB9FM81%20PN8vevmYztzzileRYkLyMFVeSSeBQA6ikVgyhlOQRkEVWt7+O4vru1UMHtiocnodwyMUAWqKbJIk%20SF5GCovJJPApQQQCOQaAFopiSxyM6o6syHDAHoaHlSLb5jBdx2jJ6n0oAfRRVTTtQj1K3aaJWCrI%200fzeqnBoAt0UxpUWRUZgHf7oJ5NOZgqlmOABkk0ALRTUkWVA8bBlbkEdDSCVDKYw43gZK55AoAfR%20VXUb6PTbCW7lDFIxkhevXFWVO5QfUZoAWiiigAooooAKKKKACiiigAooooAKKKKACiiigArE1fwb%20oOu3S3Gp6ZBPMvG8jBP1x1rbooAhtbWCyt0t7WJIYUGFRBgAVmS6HcDUbm6tNSlt/tJUugRSMgY4%20yK2aKAOfTw7eR30t2usz+dKoRj5a4wOnalvfD17f2r29xrM5jcgnEaA8EEdvUVtJcwyOUSaNnHVQ%20wJqWgDH/ALK1L/oMzf8AfpP8Kr23h29tHneHWZw08nmPmNeuMentXQUUAc/c+Hb26kgkl1mctA+9%20MRr1/KrH9lal/wBBqb/v0n+Fa7MEUsxAA6kmo4riGckRTRyEddrA0AYll4dvdPthBb6zOIwSRmNT%20159KV/Dt699FeNrM/nRI0any1xg4z29hW5JLHCu6V1RfVjgUqSJKoaN1dT0KnIoAxZ9E1C4gkhk1%20mfZIpVsRp0P4UQaHf21vFBFrM4SJAi5jToBgdq3KKAOfj8O3kV7NdrrM/nTKFY+WuMDp2p91oN9e%20WstvNrM5jlUo2I0zg/hW7TVkR2ZVdSy9QDyKAMePR9RjjVF1mbaoAH7pP8Khh8O3kF3Pcx6zP5s+%203fmNccdO1bktxDDjzZY0z03MBmnghgCCCD3FAGBeeHb2/gEU+szlAwbiNRyOR2qx/ZWpf9Bmb/v0%20n+FbFFAHP2nhy8shKINZnHmyGRsxqeT17Us3h69uLm3nk1mfzLcs0ZEa9SMHt6Vty3EMGPNljjz0%203MBmnhgwBUgg9CKAMdtI1JlKnWZsEY/1Sf4VDZ+Hr2wtI7a31mcRRjC5jQn+VbX2mDzfL86PzP7u%204Z/KpaAOf/4R29N+Lz+2Z/OEfl58tcYzn0p11oF9eWslvNrM5jkXa2I0zj8q3qKAMWLRtRhiSNNZ%20m2ooUfu06D8Kih8PXsF1cXCazP5lwVMmY1xwMDt6VtC5gaTy1mjL/wB0MM/lUjMFBLEADqTQBhXn%20h++vrSS2n1mcxSDa2I1Bx+VSrpGooiquszYUYH7pP8K1Yp4p8+VKkmOu1gcVJQBz9v4cvLWe4mi1%20icPcNvfMa9cY9KW68PXt55PnazOfJkEqYjUfMOnb3rfppdQwUsAx6DPJoAyf7K1L/oMzf9+k/wAK%20gs/Dt7YwtFBrM4VnZzmNTyTk9q3WZUUs7BVHUk4FNimimBMUiOB3VgaAMSXw9ezXcFy+sz+ZBu2Y%20jXHIwe1SS6NqE0TxvrM211Kn90nQ/hWvLNFCAZZEQHuzAU5XV1DIwZT0IORQBh2ugX1lax28Oszi%20ONdq5jTp+VIvh29W/e8Gsz+dJGI2PlrjAJI7e9b9NV1ckKwJU4OD0oAwrzw9e39pJbXGszmOQYbE%20aA+vpUw0nUgABrU2B/0yT/CtWW4igx50qR56bmApyOsihkYMp6EHIoAEBVAGO4gcn1p1RNcwpII2%20mjVz/CWGfyqWgAooooAKKKKACiiigAooooAKKKKACiiigAooooAK5H4lapdad4aWGwlMNxezpbLI%20OqhjyR+FddXI/EnS7rUfDSzWERmuLKdLlYx1baeQPwpPzGjnPEHw9svDPhp9Y0a4uodVslEzTmUn%20zSOoYe9eh6JfnVNEsr0jBnhVyPcjmvPNf+INp4n8NPo2j211Lql6ohaExEeUT1LH2r0PRLA6Xoll%20ZE5MEKoT7gc1XRk9i9RRRSGc34t8NXXif7Jai/a205WLXUceQ8w7Ln0rj9Z8LWXhLxHoh8KyTw38%209wFktxIWEkXcsD2FdN488bR+E7aCKMA3l0cRllJWMd3bHp6VheG/F/hOzvhLJqFxe6tdkK91LA2S%20T/CvHyr7UR30CW2o+80xfHXxDv7DU5pTpelxKBbo5UPI3UnFP0Kz/wCEN+In9hWU0zaXfWxmjhkY%20t5TjrgntUd5qa+BviFf6hqUMv9l6rEpFxGhYI47HFS6Fdnxj8RP7ds4Zk0uxtjDFLIpXzXPXAPai%20PT53CXX5W/A9EooooAwvEmuSaeIbDTlEuqXh2wR9kHd29hXK/DO2lsdf8TwXNw9zLHOu+Vv4jjmr%20epeDPEknie81bS9fit/tACqskW8oo/hHpWH8PtL11PGutG41RXjinAuh5WPPOOCPSiO/y/yHLYn0%20Dwza/EK51PWfEEk06faXgtYVkKrEinHGO9a3w+muNO1XWvDk9xJcRafKDbvIcsEbtmsnQPEtt8Pr%20rVNG16KeBPtTz2syxlllVjnAx3rX+H0NzqGq614juLeS3i1GUC3jkGGKL3Ioj5bWFLr6/wBfgd1T%20JpBDBJIeiKWP4Cn1HPH51vJHnG9SufqKT2GjxAan4f11rnUfEx1DU7uWZvLtrXcVtYwcDp0JrqLf%20VIfD/wAL9RvND1ea+iBK2xm+/bluNh+mapeE9e034ex32keILWS2uROzpOISwuFJ4wRRY+H7vX/C%20fiq5tbN7aLU5/Ps7dxtJ285x2zQ/h07f5B9rXuWX+GNlH4UOordXY1tYPtH2wSnJfG7p6V2PgnV5%20dc8I2F7cHMzx4kPqw4Jrjn+JtpL4VOnLZ3Z1tofs/wBj8lsh8bevpXY+CdIl0PwlYWVxxMkeZB6M%20eSKvv2J7dzerH8WjUD4X1AaSwS98o+WxOMevP0rYrlviNY3+o+DLuHTQ7S/KzRocM6A8qPwrOWxc%20dzylv+EV/sSD+x7q/HissoDF2yZc85J+XFd14tbUNVvPDnhm4umgN6nmXzRHBYKOQD7msfUfFnhS%2098IHSbTSZWv2i8uO0W2IkST1z7HnNWtSs9U8O2XhPXbyCW6k02Pyr1UG51Vh1/Crdr67XIXlvYdr%20vhy2+HmoaVq2gSTwRPcrBcwNIWWRW4zz3r1BTuUH1FeYa54it/iHf6VpOgxTyxJcrcXU7RlVjVec%20c969PA2qB6UdNQ66EF+9zHYzPZRLLchf3aOcAn3Nec6Zbaxb/FeybXL1bi4msnfy4xiOH/ZX1+te%20nVw98D/wuLTjg4+wPzjjrSj8S/roxv4X/XVEHjNJfEXjPSvDDXEkNg8TXN0I2wZAOi59Ko32hQfD%203xRot1okk0VnfT/Zrm2ZyynPRue9XvGbzeHfGWleJjbyTWKRNb3JjXJjB6Nj0qjfa5D8QvE+i22i%20RTyWVjP9puLloyqjHRee9EOnrr/XoEuvp/X4jodFh+IHjPWm1qSWTT9MkFtBbI5Vd2MljirfhGKT%20wx451DwzHPLLp5gW5tlkbcYs9VB9KqQ61F8P/GetLrEUyafqcguILlIyy7sYKnFW/CMknibxzqHi%20WOCWHTxAttbGVdplx1bHpRDp6a/16hLr+H9eh1HiIa3LBFb6EYIpJWxJcS8+UvqB3Nc18KY5YbDW%20I7i4e4lTUHVpX6uR3rva4j4aArHr24Ef8TKTqKFu/T9UD2Xr+jEn+HEOt6xeX/ia7kvVdv8AR4Uc%20okKf41jeGLiXw3/wla6dcyXOi6eha2aRtwWQDlQe4FJ4g+IljqGtz6TLfT2GmQHbNLFGxkuD3VSO%20g9629N1Pw/4n8NahoXhvKqtsy7DEVAyODz1OanXlduw9OZX7mLoXw6svEPhePV9WuLqXV71PPFyJ%20SDGTyAB7V0vw31a51XwsovpDLcWsr27yHq204BNc1oXxEtPD/hiPSNVtbuLVrKMwC3ERJlI4BB96%206X4b6TdaV4WU30ZjuLqV7h4z1TccgVppd22J1sr7nWUUUVIwooooAKKKKACiiigAooooAKKKKACi%20iigAooooAiS1gjkMkcMauerKgBP41LRRQAUUUUARS2sE5BmhjkI6F0BpgsLRSCtrACOhEYqxRQAy%20SGOZNksaOvowyKWONIkCRoqKOgUYFOooAKKKz7rXdMsZjFd30ELjtI2KANCmLFGjMyIqs33iBgn6%201QHiHSyARexEHuM1PZapZaizrZ3UUzR/fCNkr9aAJpbeGfHnQxyY6b1BxUgAUAAAAdAKCcDJ6Vmx%20eItJn1T+zYb+GS8wT5SNk4HWgDTooooAiltoJyDNDHIR03qDipAAAABgDsKWsy78R6TZX0VncX8C%20XMzBEi3ZYn0xQBe+ywCXzfJj8z+/sGfzqWiigAooqtfahaabAZ764jgiHVpGwKAHi0t1l80QRCTr%20vCDP51KyhgQwBB6g1W03U7TV7JLvT51nt3ztkXocVMJ4mlMayIZB1UMMj8KACK3hgz5MUceeuxQM%201JRRQAUwxIZBIUXeBgNjn86fRQA1kV1KuoZT1BGQabFBFACIYkjB6hFAqSigCOWCKdQs0aSAdnUG%20nIixqFRQqjoAMAU6igApiRJHnYiruOTtGMmn0UAVzp9oxJNrASe5jFPitoICTDDHGT1KIBmpaKAI%20mtYHlEjwxtIOjFAT+dS0UUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFA%20BRRRQAUUUUAFeb/G23hPgxZTEnmi5TD7Rn869Irzz42f8iMP+vmP+dAHXaDawHQNPJgiz9nT+Af3%20RTNM0uwTVrnVNP8ALX7QvlSiNQAWU9frVHR/DlrceH7PdcXwL26523LjGV+tT6NZjwr4dFnJL5kk%20fmNFubLSdSPqaALt/rthZTfZpZDJORkwxruYD1IrzfSJbKf45vLpwjELWhJCLt+bvketbfwknGpa%20LqGp3DeZf3N4/nueSAPuj6YrMt4Uh+P83loF32e5sDqcdaAO/vvEGn6fdC1lm33JG7yYxufHrgdq%20dpOv6driyHT7lZWiO2ROjIfQjtXLW76enj/U30GGS71d0VbuSR/3NuOw+vsKyfBiSw/F3xGkzIZD%20GpfyxhSfpQB6HqGr2embBdTBXk+5GOWf6CvLvGV3p978RPC8tkiLN5+Jhs2vnP8AFWx4LvjrPxI8%20R3F6d09rthgVv+WaZ5x9aq/EWGNfiP4TlVAJGlwWA5IzQB6hRRRQAyWWOCJpZnVI0GWZjgAVxnjL%20XdG1HwrqEcm2QGFvJlkj+Rm/2SapfFbUZIm0PTWYpaXt4ouCDjcoI+U+1dF40tYH8DanD5SGJbY7%20VxwMDjFAGP8ADO7hsfhhYz3EqQxqr5dzgDk1c8DWWkFb3UrC8XULu4mP2i6BJGf7q+gFUfhtBFcf%20CyzSaNZEMcnysMjqaz/g35Ufgy/8w7IluZNxzjAoA7C48XaTbtMPtBlWA4meJS6xn3IrSsNQtdTs%200urGeOe3cZWRDkGuG8LCD+w7+DwrATprPIXvLs581u+0dx7mq/wiiM3gbULdpCitcTJuH8OeMigD%20sn8U6WjSEzkxR5DzBSY1I65atK0u4b+1jubWQSQyDcjjoRXldvqHiH4eae+nazpY1XQhuAuYOWCH%201H4969C8K3enXnhy0l0dy1ltxHnqvPQ/SgDYooooAKKKKACiiigAooooAKKKKACiiigAooooAKKK%20KACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACuP8c+EtT8YWYsVvba2tA4k+4S%205I6ZrsKKAMGwstesbC3tRPp7iGMJuKsCcDFN0/RNSPiB9T1i9inCxmO3giQhYs9Tz1JroKKAOGj8%20A3uia3cX3hfVhYw3TbprWWPfHn1FEXw8uV8Y/wBvya3MZjGFYKg+b1HsK7migDiYvAt/pniu71bR%20dXFtFe4NxDJEHyfUU7TfAd1pfjK51q31ZzHdKBMjplm/HtXaUUAcZrPgKSXxENe8P6i2m6gwxL8u%206OUe4qtq3w+1DXdV03Ub/XGFzZnOYogADn+EV3lFAHG+Lf7a05LS403WQvlAL9maIM10+a66Bne3%20jaVdshUFl9DjmkNrCbgTmJTKBgORyBUtAGJ4q8LWXizSjZXu5Cp3xSp96NvUViL4P8QXGhT6RqHi%20ETWzRmNGWHDkdtzV21FAHKeHvCV74Z8NNptpqX2h9pVDMmEjz1wBVbwf4Iu/DmlXml3d5DdWd1uL%20FVKuCw5rtKKAOH8O+BdS0C0n0xNbJ0l2YpGsQEi57bql8K+Brrw3peoae2p+dbXO/wAtRHgqWBGS%20e/WuzooA5i30DWrbRv7KOpwXEBj8oyzRfvApGOnQ/jWp4e0K18N6NBptlu8qIdW6sT1NadFABRRR%20QAUUUUAFFFFABRRRQAUUUUAFFFFAH//Z" height="398" width="428" overflow="visible"> </image>
          </svg>
        </div>
      </div>
      <div class="fig"><span class="labelfig">FIGURA 2.&nbsp; </span><span class="textfig">Comportamiento del RMS respecto a la edad del clon CT-26.</span></div>
      <p>Al inicio del periodo los modelos estimaron bajos valores de RMS para los clones CT-3 y CT-26. Según <span class="tooltip"><a href="#B23">Rodríguez 2015</a><span class="tooltip-content">Rodríguez, L. (2015). <i>Modelación
        y simulación de la producción de biomasa de Cenchrus Purpureus Schum 
        vc. King grass y su aplicación en la alimentación animal</i> [Tesis en opción al grado científico de Doctor en Ciencias Veterinarias]. Instituto de Ciencia Animal, Mayabeque, Cuba.</span></span>)
        este comportamiento pudiera estar dado a que en esta etapa el 
        crecimiento depende de las reservas acumuladas en la planta que se 
        enmarcan en la primera fase donde existe poca área foliar (<span class="tooltip"><a href="#B30">Villanueva, 2008</a><span class="tooltip-content">Villanueva, A. J. (2008). <i>Effect
        of defoliation patterns and developmental morphology on forage 
        productivity and carbohydrate reserves in WW-B. Dahl Grass [Bothriochloa
        bladhii (Retz) ST Blake]</i> [Tesis en opción al grado de Doctor en Agronomía]. Texas Tech University, USA.</span></span>). Es por ello que la luz que intercepta la planta es muy baja y como consecuencia lo es también la fotosíntesis (<span class="tooltip"><a href="#B22">Richards &amp; Briske, 1993</a><span class="tooltip-content">Richards, J., &amp; Briske, D. (1993). <i>Physiology of plants recovering from defoliation</i>. 95.</span></span>).</p>
      <p>A partir de los 20 días se observó un rápido crecimiento en el RMS en ambos clones con comportamiento aproximadamente lineal. <span class="tooltip"><a href="#B16">Herrera et al. (2006)</a><span class="tooltip-content">Herrera, G. R. S., Febles, P. G., &amp; Rodríguez, G. I. D. (2006). <i>Fisiología, producción de biomasa y sistemas silvopascicolas en pastos tropicales. Abono orgánico y biogás.</i> Instituto de Ciencia Animal, La Habana, Cuba, con la colaboración de la Universidad de Santa Catarina, Brasil, 361pp.</span></span> plantea que esto pudiera estar dado al balance positivo que se produce 
        entre la fotosíntesis y la respiración. Estos resultados se 
        correspondieron con la segunda fase del crecimiento de la planta, donde 
        posee capacidad para capturar suficiente energía solar, reabastecerse de
        reservas y acelerar el crecimiento. </p>
      <p>En el estudio se evidenció 
        que para ambos clones el RMS presentó un comportamiento similar con 
        respecto a la edad resultado que coincide con <span class="tooltip"><a href="#B29">Vilchez et al. (2015)</a><span class="tooltip-content">Vílchez,
        J., Martínez, L., &amp; Albany, N. (2015). Comparación del crecimiento 
        en vivero entre plántulas y vitroplantas de guayabo cultivar enana roja 
        cubana Eea-1840. <i>Interciencia</i>, <i>40</i>(4), 270-274, ISSN: 0378-1844.</span></span> quienes refieren que existen tres etapas en el crecimiento de las 
        plantas, una de poco crecimiento, otra donde este es mayor y la última 
        en la que se hace más lento. En ese sentido, <span class="tooltip"><a href="#B21">Murillo et al. (2015)</a><span class="tooltip-content">Murillo,
        R. L., Chacón, E., De la Ribera, J. R., Álvarez, P. G., Álvarez, P., 
        Plúa, K., &amp; Murillo, A. Á. (2015). Rendimiento y calidad de dos 
        especies del género Pennisetum en Ecuador. <i>REDVET. Revista Electrónica de Veterinaria</i>, <i>16</i>(8), 1-10, ISSN:1695-7504.</span></span> relacionaron el rápido crecimiento de estos cultivos en la segunda fase
        con el desarrollo radicular de la planta, acotando que este proceso 
        beneficia su desarrollo aéreo, pero que disminuye como resultado del 
        incremento gradual en la senescencia y la reducción de la fotosíntesis 
        neta por unidad de superficie (<span class="tooltip"><a href="#B3">Beltrán et al., 2005</a><span class="tooltip-content">Beltrán,
        L. S., Hernández, G. A., García, M. E., Pérez, P. J., Kohashi, S. J., 
        Herrera, H. J. G., Quero, C. A. R., &amp; González, M. S. S. (2005). 
        Efecto de la altura y frecuencia de corte en el crecimiento y 
        rendimiento del pasto Buffel (Cenchrus ciliaris L.) en un invernadero. <i>Agrociencia, 39</i>(2), 137-147, ISSN: 2521-9766.</span></span>). </p>
      <p>Las <span class="tooltip"><a href="#f3">Figuras 3</a></span> y <span class="tooltip"><a href="#f4">4</a></span> muestran los resultados obtenidos del punto de inflexión y del momento 
        de máximo aprovechamiento de los clones CT-3 y el CT- 26 a partir del 
        incremento corriente diario(ICD) e incremento medio diario(IMD) para el 
        período lluvioso según criterio de <span class="tooltip"><a href="#B18">Kiviste et al. (2002)</a><span class="tooltip-content">Kiviste, A., Álvarez, G. A., Rojo, A. A., &amp; Ruiz, G. A. D. (2002). <i>Funciones de crecimiento de aplicación en el ámbito forestal</i>.
        INIA, Ministerio de Ciencia y Tecnología, Instituto de Investigaciones y
        Tecnología Agraria y Alimentaría. Madrid, España, ISBN: 84-7498-484-X.</span></span>.
        Se observó que para el CT-3 la máxima velocidad de crecimiento se 
        alcanza a los 38 días con un rendimiento estimado de 0,11 kg/macolla, 
        mientras que para CT-26, este momento se logra a los 51 días con un 
        rendimiento estimado de 0,25 kg/macolla. <span class="tooltip"><a href="#B12">García et al. (2009)</a><span class="tooltip-content">García,
        C. C. R., Martínez, R., Tuero, R., Cruz, A. M., Romero, A., Estanquero,
        L., Noda, A., &amp; Torres, V. (2009). Evaluación de Panicum maximum 
        vc. Mombaza y modelación de indicadores agronómicos durante tres años en
        un suelo ferralítico rojo típico de la provincia La Habana. <i>Revista Cubana de Ciencia Agrícola</i>, <i>43</i>(3), 297-306. ISSN: 0034-7485.</span></span> informaron que para la Guinea Mombaza el RMS alcanza su máxima 
        velocidad de crecimiento a los 56 días resultado similar al obtenido 
        para el clon CT-26, bajo iguales condiciones edafoclimáticas. Autores 
        como <span class="tooltip"><a href="#B23">Rodríguez (2015)</a><span class="tooltip-content">Rodríguez, L. (2015). <i>Modelación
        y simulación de la producción de biomasa de Cenchrus Purpureus Schum 
        vc. King grass y su aplicación en la alimentación animal</i> [Tesis en opción al grado científico de Doctor en Ciencias Veterinarias]. Instituto de Ciencia Animal, Mayabeque, Cuba.</span></span> y <span class="tooltip"><a href="#B25">Rodríguez et al. (2011)</a><span class="tooltip-content">Rodríguez,
        L., Torres, V., Martínez, R. O., Jay, O., Noda, A. C., &amp; Herrera, 
        M. (2011). Modelos para estimar la dinámica de crecimiento de Pennisetum
        purpureum vc. Cuba CT-169. <i>Revista cubana de ciencia agrícola</i>, <i>45</i>(4), 349-354.</span></span> reportan que para la variedad king grass el punto de inflexión ocurre en edades superiores.</p>
      <div id="f3" class="fig">
        <div class="zoom">
          <svg xml:space="preserve" enable-background="new 0 0 500 322.169" viewBox="0 0 500 322.169" height="322.169px" width="500px" y="0px" x="0px"  version="1.1">
            <image transform="matrix(0.7974 0 0 0.7974 0 0)" xlink:href="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAnMAAAGUCAYAAABeGaSpAAAAAXNSR0IArs4c6QAAAAlwSFlzAAAS%20dAAAEnQB3mYfeAAAABl0RVh0U29mdHdhcmUATWljcm9zb2Z0IE9mZmljZX/tNXEAAKHMSURBVHhe%207Z0FeFTHGoa/bHazcXd3J5AQ3N3dXUqhuLSXFimF4rQ4tECBFncvUtzdPSFKjLi73TknFCiabGzl%20n/vsc8vmnJF3Zs9+O/OLsJAVUCECRIAIEAEiQASIABGQSQJCmew1dZoIEAEiQASIABEgAkSAJ0Bi%20jhYCESACRIAIEAEiQARkmACJORmePOo6ESACRIAIEAEiQARIzNEaIAJEgAgQASJABIiADBMgMSfD%20k0ddJwJEgAgQASJABIhA5Yq53HTs/WMRzjyOgYFDY0wa2wv6Ku9OSi4u71qNjef9oa3njnFTR8Je%20Uxn56S+x/JfFCIhOg2ODoRjdpx7ESkCC/yks/HUPUguzYddyDCb1qAFlmmMiQASIABEgAkSACMgx%20gUoVcze2z8H+QAssnvUNDi+Zghl/6WHV8JZvcIedWYuV/8Rg1txZCN45H9MWb8LmGQOxf8lMBOj2%20wKxv7LFo2nT8bmmLCd4J+Gn2SviOXYfeDmEY2Wc+9jitR+9q+nI8fTQ0IkAEiAARIAJEQNEJVKKY%20i8fJ0w9Qd8AYmBmZoXv7eji45AyimJgz42clD+f+uQC7WhPhamYE1+5tsH70ATwKr4ZrD5LR+dc2%20MDIFute2w6qT5/AoKw1KVu1QXeCHs3cLMHHFEvZ3VUWfXxo/ESACRIAIEAEiIOcEKk/MZScgOk0T%20VnpqPGJtbUMo5TxATCZgxr+VjlfxQqjW0C2aAnVdqAsLEeb/EkmFRtDSKnrbQM8I2Q8SEBmdgrNn%20r8JYJweiuJvYqVQHC2aNkvPpo+ERASJABIgAESACik6g8sRcYQHyWe6Jf9NPMJM39t8FYG+/Luxf%20LDnF2/QU7Aol9l5+AbuK/efrq5TYe4WFSijMj0aKqimGfz8WxkjB5I49sPafppjZ2fWTc5yfn4/M%20zExoamoq+jqg8RMBIkAEiAARIAIySqDyxJyqPkw00pGVms2jS0tPZiGMNWGo8S9JDZjo5SMgObXo%20jaxUZOcKYOFsCT0kICODvWcAJCUnQ1XbAsaGWvCyNocuf7EmbC00cf9V/GenJS0tDffv30ejRo1k%20dPqo20SACBABIkAEiICiE6g8MQcjNK5nj/Wn/8Hg+r1w7ORlmDVsDws2I9xunBJEaNCkOo4d+gfR%20/bwRdOIk8tzc4WVVFU+clHH0xFXUH+CIwzeew6PbUHh6WkD3t8U4+CgWHQ38cNE/B+2+cvrs/HJp%20abOzi8QkFSJABIgAESACRIAIyCKBShRzQOPB0/Fg3o+YOOE61I1qYfbXHZmIy8ThzZuh5NEeHdqM%20RXf/nzB54gSoiy3x0/RhUFUWo8/YyZgxdzEm3BHC2PsrjGrqABWhA+ZNCcJ38yfjrHImfEZMR29f%204y/OiUAg+OI1dAERIAJEgAgQASJABKSVQKWKOaibYPycdfzumFgsLmJUKIBITRWF2XmAsgZ6TfoV%20Xdnfhezv/9rJqVp4Y9Fvm9l9+ew+0Ru21izm3O56A5CdrwyxiESatC466hcRIAJEgAgQASJQdgQq%20V8y9HscbIcf9Oy8T2oZ6MHCxfjNK0b9C7z/jFjAh9xHBJhDhY2+XHTKqiQgQASJABIgAESAC0kNA%20KsTcf3CIdFGvSUfpIUQ9IQJEgAgQASJABIiAFBOQPjEnxbCoa0SACBABIkAEiAARkDYCJOakbUao%20P0SACBABIkAEiAARKAEBEnMlgEWXEgEiQASIABEgAkRA2giQmJO2GaH+EAEiQASIABEgAkSgBARI%20zJUAFl1KBIgAESACRIAIEAFpI0BiTtpmhPpDBIgAESACRIAIEIESECAxVwJYdCkRIAJEgAgQASJA%20BKSNAIk5aZsR6g8RIAJEgAgQASJABEpAgMRcCWDRpUSACBABIkAEiAARkDYCJOakbUaoP0SACBAB%20IkAEiAARKAEBEnMlgEWXEgEiQASIABEgAkRA2giQmJO2GaH+EAEiQASIABEgAkSgBARIzJUAFl1K%20BIgAESACRIAIEAFpI0BiTtpmhPpDBIgAESACRIAIEIESECAxVwJYdCkRIAJEgAgQASJABKSNAIk5%20aZsR6g8RIAJEgAgQASJABEpAgMRcCWDRpUSACBABIkAEiAARkDYCJOakbUaoP0SACBABIkAEiAAR%20KAEBEnMlgEWXEgEiQASIABEgAkRA2giQmJO2GaH+EAEiQASIABEgAkSgBARIzJUAFl1KBIgAESAC%20RIAIEAFpI0BiTtpmhPpDBIgAESACRIAIEIESECAxVwJYdCkRIAJEgAgQASJABKSNAIk5aZsR6g8R%20IAJEgAgQASJABEpAgMRcCWDRpUSACBABIkAEiAARkDYCJOakbUaoP0SACBABIkAEiAARKAEBEnMl%20gEWXEgEiQASIABEgAkRA2giQmJO2GaH+EAEiQASIABEgAkSgBARIzJUAFl1KBIgAESACRIAIEAFp%20I0BiTtpmhPpDBIgAESACRIAIEIESECAxVwJYdCkRIAJEgAgQASJABKSNAIk5aZsR6g8RIAJEgAgQ%20ASJABEpAgMRcCWDRpUSACBABIkAEiAARkDYCJOakbUaoP0SACBABIkAEiAARKAEBEnMlgEWXEgEi%20QASIABEgAkRA2giQmJO2GaH+EAEiQASIABEgAkSgBARIzJUAFl1KBIgAESACRIAIEAFpI0BiTtpm%20hPpDBIgAESACRIAIEIESECAxVwJYdCkRIAJEgAgQASJABKSNAIk5aZsR6g8RIAJEgAgQASJABEpA%20gMRcCWDRpUSACBABIkAEiAARkDYCJOakbUaoP0SACBABIkAEiAARKAEBEnMlgEWXEgEiQASIABEg%20AkRA2giQmJO2GaH+EAEiQASIABEgAkSgBARIzJUAFl1KBIgAESACRIAIEAFpI0BiTtpmhPojMwTS%20MnORmJaD2JRsvIhIRnhcBvILCqCkpMT+vxAmumpwNNOChaE69DRV2EssM2OjjhIBIkAEiIDsEKh8%20MVeYjZjYZGgbGkNV8DFw+YiLiYdYxwhaYqU3FxRmpyI2ORuGxoZ4c1tBDhITk5GbXwgosy9PXV2I%20lGVnMqin0k8gL78A94MScP15LB6HJiHkVSpSs/IgFChBWSBgQq5oDGwFooAJulx2vYpQAGsjDdib%20asHHyRA1nAxgqqcm/YOlHhIBIkAEiIBMEKhUMVeQFIZlvy6Af2I+lFSdMGHqWLgYqLwFl52A7asW%204viLNKjk62Dwj9+jgbUOUsJuYuaCNcguyIOaXVt8P743jMT5ODx/GjY+iYcF90Vp6IqJE0bDUe+j%20ClEmJoc6KT0EYpKycO5hFC48jIZfZDJS0nNhxQSaq7UuL8y4HTju3+LXvx64nbnoxEy8iExBVEIm%20/zp9PwrH70TAQl8dVWz10LSaKWq5GL25R3pGSz0hAkSACBABWSJQiWKuAP+sn4nHqu2wcXVX/L14%20JGat2Yst0/ri3820x4eX4mCQMf5asxAhu2fj+1/XwnvxaGxdvBAaDX7Gkt4OWDi2H5Yedse8Hia4%20ES3ExOUb0chIlqaA+irNBLJz83HsVgT2XA5BABNm+uyo1MdBH429zOBpo8t23DTf7MZ9bhwJqdkI%20jUnHLf84XHkajQuPX+HkvQjUdDZCh1pWaOBpwu/gUSECRIAIEAEiUFIClSjmYnDtTgxqj6jH97lh%20g7r4be49hKMvbPh3cnD9ynO4+H4PdfYv9waNoLFlFx6GPsDzMBV0/Z8Hf1Wr6h6Ye/0hUpvbI/jV%20bZzb8BvuqQKNe32FamZko1TSBUHXvyVwjR2lbjsXhNtMgBnoiDG0pROaMBHnZKEFwb/nqcUEpq8l%20BvfyZkJwQDN7PAhKxKl7kTjDdutuv4hjAtEAvRrZoZ67cTFrpMuIABEgAkSACBQRqDwxl5WE6AxV%202GmK+I6oq2syG6NUJKQBNprcO+mISWY2SFoaRT0Vq0OokotXL6IQDx2ovjY50tLWRFZGPGISTKCe%20bQZLJ2vovrqAGeOnYObKhfAxKaqfChEoLoF0ZgP3xwl/7LsSykQb+J2z3kxoObCj1LIoaipC1HY1%204l9ta1hi/9VQXHkSgzuB8Wjja4nBLRxhacD9hKFCBIgAESACRODLBCpPzCkLoaqsBCVmW8QVzlhc%20GSoQvumRMsRCZeQw70C+FBaya0UQqYvANt5Q+PrtgnwgLysXJg4tsP5Qi9cjbonnl7tg++kn8OlX%207csU6Aoi8JpAYFQqVh5+hsvsKLS6owHbjXNmdm2G5caHa4N73fCLxdazQTh07SUeBidgUDNHJuws%20IODUJBUiQASIABEgAp8hUHliTsQ8+rRTkRSfwbpngKTEV8hX04QJp9T4ogEzozxExcUX/TM1DmlM%200Nk42UJH8ApJKew99h0bExcFbRNvINofDxLVUdXVkv1BCE01ISIzs2nyiUCxCZxnDg6rj/ohjNm2%20da9ng5HtXKGj8Y5DTrFrKvmFnCNEVTt97LwQjB3sNWfnA9xkx7uj27vCWPfNh6LkFdMdRIAIEAEi%20IPcEKk/MQQ/t2tXD7EOb0NKhK47tv46qnYbDGAVISUqCQEMPzTu0xcHVe3C1sSlC9x6Bbv1G8DSv%20giY1zbBryxY49HLEjhuv0HZCOwiij2Jiv78wbMMauMUex6lEQ0xu4S73E0gDLBsCuy+F4Pejz3lb%20uHEd3Xj7NeUK3hVTVVHmj1irs9Al64774+itMITFpmNCZ3d42emVzUCpFiJABIgAEZA7ApUo5gCv%207t+hX+ICrF+7HqZV+mJm3/oMcBZO7d2KArcO6FFvMCZEJGHH+rXQNa2DBeN78THlOoyajrBlv2Lt%20ulvw7jkFA6sZQAn9sXhOOjZsXYubhXkYPXcxGtmUjY2T3M06Deg/BHZeCMKqI89hpKOKyT2qoA6z%20ZavMwoUtmTvIBxtPvcAeJjKnbbqL0R1c0bq6RWV2i9omAkSACBABKSVQqWKOBZdD5+Ez0fldOMxG%20Tk1PByJx0dFS3e4T2Os9ehoWGDVt6XtvCuDdaSRWdZJS0tQtqSSwix1prvqbE3JqmNG3Ku9tKg1F%20m9mGju/kzgcb5pwx5u58yDJMpGNIC6cK3zGUBh7UByJABIgAEfg0gcoVcx/rV34+rO0doetsRvNG%20BMqVwK6LwVh55BlvkzajT1VUkxIh9++gOdeHrnVtYGeihWUHn/JHr/EsddjoDm7QVJW+j265ThZV%20TgSIABEgAp8kIH3fCCIteHoXxZ6jQgTKi8DhGy/Z0eozGDEh96MUCrl3x83tFs4b7INFex7xwYuT%20M3IxubsndCvIOaO85oDqJQJEgAgQgbIhIH1irmzGRbUQgU8S4IIAr2Y2clrqKpjWiztaNZB6WhYs%207txPLMzOr/sf4+TdCKQyQfd9D09YGr6Owyj1I6AOEgEiQASIQHkRIDFXXmSpXqkkEBydhl/2PUZW%20Tj6m9/GEL/MclZXCZZDgxKe2mgh7WUDjWdvvY2Y/b3BCjwoRIAJEgAgoLgESc4o79wo38niWH/VX%20JuRCWbgPLn5bC29zmWOgwWzlJnX1hAoLY7LjXDBmbr3HHDeqwYo5SlAhAkSACBABxSRAYk4x513h%20Rp2TV4DVzGv1Osu32quhHfo2tpdZBipCAcYyJwglljxl+/kg/LzjAX7u7w0z/dc57mR2ZNRxIkAE%20iAARkIQAiTlJqNE9MkeAy6xw5EYYmnqZYVR7F5kP7yFSFmAcC13CkqJgO4uTN3fXQ/zEQqtwsfKo%20EAEiQASIgGIRIDGnWPOtkKO9ExCPzWcCYG+qiYld3FlYD5FccOAyVIxh2SqycvOx/2ooSwH2kNnQ%20VYWeplguxkeDIAJEgAgQgeIRIDFXPE50lYwSSErL4dN0ccesXK5VczlzFuCOXCd09kBufgEOXw/D%20kgNPMbWXF9SYTR0VIkAEiAARUAwCJOYUY54VdpR/nQ7A/cAE9G/qgMZVTOWSg7pYGd919UB6Zh6O%20346AAfN65bJHsDSzVIgAESACREABCJCYU4BJVtQhnn/4ioXwCGFJ6vUxsJmDXGPQYEfH33XzRHJm%20LnayzBb6WipszI5yPWYaHBEgAkSACBQRIDFHK0EuCUTEp2PtcT+oipTZ8aoLEzfyb0fGpSWbzATd%209M13+XyuBtqqaFfDUi7nlwZFBIgAESACbwmQmKPVIJcENp8JQkBkCka0dUENZ0O5HOPHBuVgpsUC%20C3thyqa7fD5XQ20xarkYKcz4aaBEgAgQAUUkQGJOEWddzsd87VkMTtyJQDWWpqtnAzs5H+2Hw/O0%201eNzt87Yco/PdrFoqC/z5NVSOA40YCJABIiAohAgMacoM60g40zOyAHn9FBQUIhBzR2hrS4fYUhK%20On0NPEwwoo0Llh16il/2Psacgd78sSsVIkAEiAARkD8CJObkb04VekSHroXhbkACuta1Rj03xT5e%207NnQFuHxGdjFskSsOvIcU9jxKxfKhAoRIAJEgAjIFwESc/I1nwo9msCoVOy5FAJLQ3X0Z96rSgoe%20m0PAxj+S2Qy+SsjAkZvhMNVXZ7t1zgq9RmjwRIAIEAF5JEBiTh5nVQHHlMuCAnNZHqITM/kQHVaG%20lHieWwYaqkJM6uLBuGRh67lA2BhroHV1CwVcITRkIkAEiID8EiAxJ79zq1Aju/A4Gmfuv0ItVyO0%20q0nhON6dfC7rxQSWxmzKX3fw29/PYWeiCRdLHYVaHzRYIkAEiIA8EyAxJ8+zqyBjS07PwW52vMpy%20z/PBgbndKCr/JVDd0QBDWzphKUv3tfzQM8wb7ANdDRXCRASIABEgAnJAgL715GASFX0IZx+8wr2A%20eHSoZQlOtFD5OIEe9W0RxOwKD1x9iXUsoPK3XT2ZAKacX7ReiAARIAKyToDEnKzPoIL3Pz4lm+3K%20BcNIR8zHlBOQOPnkiuCE2zfMISLoVZGgc7LQRpc6Ngq+gmj4RIAIEAHZJ0BiTvbnUKFHcPhGGMv0%20kMpiyjnA1YrswL60GLi0ZuM6uuP7P29j/YkXcDDVZrlr9b50G/2dCBABIkAEpJgAiTkpnhzq2ucJ%20hMWm4+C1UOa5qo4udWmHqbjrhRNvw1o541eWHYJziFj0la/CBlcuLjO6jggQASIgzQRIzEnz7FDf%20Pktg35VQRMZnsp0mN1gwj00qxSfQuY41/MKT2XFrKDb88wITmbcrFSJABIgAEZBNAiTmZHPeFL7X%20z8KScPx2BNxtdNCxjpXC8ygpAM5+bjgLIOwfmYJ9TNC5WetQ/LmSQqTriQARIAJSQoDEnJRMBHWj%20ZAQOXw9DYlo2RrV3gY46hdgoGb2iqw1ZrtYx7d34+HPrjvvD2Vwb9mZaklRF9xABIkAEiEAlEiAx%20V4nwqWnJCHDHg1w4Eg8bPTTxMpOsErqLJ+DrZIABTe353K2rmf3c7IE+UBcrEx0iQASIABGQIQIk%205mRosqirRQQOXHsJLlDwN22dyXC/DBZF74Z2eB6egpN3I7HrYjCGtHAsg1qpCiJABIgAEagoAmUg%205vKQlpb1tr9CMTRVRRXVf2pHwQj4s1258w9f8WFImlUzV7DRl89wVUTKfPw5/4hkbD8fCC9bXVR3%20MiyfxqhWIkAEiAARKHMCkou59DAcOX4FZ7YvwZ9n/N50TGDggLETv0Pd6lXQum6VMu8wVajYBE7f%20jwIXKHgEM97XVqcfDWW1GqyNNPBNGxf8vOMBfjvqh8XDtKGrSbaIZcWX6iECRIAIlCcBCcRcAe7u%20XYLh38/GnaAUCLUMoa+m+raPaWFYNK4fstk7dbuOw/LVC+Fr+s7fy3M0VLdcEwiLy8CJOxHMVk4X%20zb1pV66sJ5tj+igkEVvPBWHDyRcs3ZdHWTdB9REBIkAEiEA5ECi5mCsMxualf0HLuy++G+6NCeOH%20w+I9rZbw5B8sWHcE/ndv4Y91p1F9RntQBshymD0Fq/II82CNTsxkNl1O0FKjXbnymP7BzF7u6ctk%20Foz5JarZ69FRdnlApjqJABEgAmVMoORiDmb4bsvfsLS35bsS9vwe7mW+26s8PLuagm+Xr4JJXjoi%20XnF7dFSIQOkIvGTZHo7fCWfx0HTRpKpp6Sqjuz9JQE9TjDEsCPN3629hLQtX4mKlC0sKyEwrhggQ%20ASIg1QRKLuaU1N8IuUsbxqHtsJVIe2+I2mbdcWZgD5hoacDCUkOqAVDnZIPA6XuReMV25QY0dYCu%20BtlyleesVWXpvvqzcCWrWbiSP9lx6/Q+VWlnvTyBU91EgAgQgVISKLmY+7fBvJf4a9k6qDh7w1eQ%20iKAMXTT2tkbwo7sw6dUNVSj2aCmnhm7/lwDn8HCKiTkbEw0WV4525SpiZfSob4v7gYk4fisc1R0N%200LaGZUU0S20QASJABIiABAQkF3O5kXj5XB9jjuzFgPwd6L84HvsOLkHe7d/h+7+/8TKzN5zUJOgR%203UIE3iNw7mEUgl6l8vHPjHTImaYiFoi6WIivWzux+HNJWM9yt1Zhu3VWhrTLXhHsqQ0iQASIQEkJ%20SC7mlDWhrpOFgIBoOHatgeQXvTDgJxt4JV9AvF8eUgpK2hW6ngh8SCA9K4/3YNXXVEXzahaEqAIJ%20uDP7RO5Ye9nBp0zQ+WN6r6oQCQUV2ANqiggQASJABIpDQHIxp+KKQd81wdcLZuN+350Y28YBo3+e%20wLdZb8IGeNCP+OLwp2u+QODasxjeu7JtDQuWN1STeFUwgW71bHAvIB7/3I6Ej70BOtWxruAeUHNE%20gAgQASLwJQIlFnOFrMaiMCNCdP1hH1zq3oOtvjaqrTsBM9/9iFU1Rtf+nUGHYV9CT3//EoH8gkIc%20ux0BFWUB2vhaQqBEAW6+xKys/y5m2SGGs2DCT8OS8dfpQFS114etCYnqsuZM9REBIkAESkOgxGLu%20wbEduJuogR69WuPl1atIECoj6p8TyFdWhXn16rAuYKFJrjyAV92q0KF83aWZG4W/9w7bEboTEAdf%20Z0N4MZstKpVDwMlCmz9uXXrgCTYw+7mZ/atBWUDCunJmg1olAkSACHxIoMRiTpB6H5MGL8eztDV4%20PmUI/k78GNZ6uJx8GfW0CTkRkIxAIdsCPsF25bJzC9iunAVEbHeOSuUR6FrXBrdfxOEMS6dW29UI%207WqSd2vlzQa1TASIABH4L4ESiznPbrNxUb8+nuSrw2f6TDi8/FDNqWh5wVpMqImA5AT8WNL3y09j%20UMVGD7VcjCSviO4sEwIqIgGGtnTCE2a/uPHUC3bcqgdL8m4tE7ZUCREgAkSgtARKLOYEwjTc+Hsf%209j6NgEBVHWrMpqYgPx+cLR1nTSdgOyiqOqbILnqDChGQiMDJu5FISsvmw5FQ6i6JEJb5TZx3a7/G%20dlhx+Bl/3MoFE6bj1jLHTBUSASJABEpMoMRiDizfw92TR3DyecInG1PSzsHEFezP5AVR4gmhG4CY%20pExcZV6sFiyNVOMqFCRYmtZEF3bcetM/jg8XU9PFkHdMoUIEiAARIAKVS0ACMWeOWSduYUJ2Dk6u%20/BZ/3DDD4o3/gzWX9zw/Er8MHI3gWh3hSQ5vlTuzMtz61WexCIxKQf8mDjDTp8jT0jSVGqpCfNXK%20mQUTTsam196t5vrq0tRF6gsRIAJEQOEISCDmhDC2sYcxQjD770C0mr0ILTxdXoNzwchh9dFmzkkE%20Lx4OD9qZU7gFVdoB5+YX4CRL3aWrIUbTqmalrY7uLwcCXO7W3g3t8NvfLHfrqQBM6enFwsaUQ0NU%20JREgAkSACBSLgARi7nW9uXnMTi4Ai8cMhV7mKFhwuc/zo7B26nrEqnUF+R4Wiz9d9B6BuywcydPQ%20JPg6GcKD2WhRkU4CPRrY4oZfHI7fDkdt5qDSrBoJb+mcKeoVESACikBAcjEncsSEBVNw66s5mDb8%205ltWelUx+7fpcCvOrlxOKnat/QUXnsdB16Y+Jo3vC8N3vWALc3Bhx0psvhwETW1njJk6Gk7aQuSl%20BmPpL8sQEpcG2zqDMLZ/Q6i+2RmIxZqffoZJp9no4kNiQNYW8bmHr5CZk4fW1c0hoO0eqZ0+zill%20WCsnTN54m+3OvYCnjS5M9OhIXGonjDpGBIiAXBOQXMwxLDV6zcaDmm2wYtsppGTmsHeU0WLgt2js%20olMsaNe2zsahUDssnzMWh375H2b8qY/fvmn95t6XZ37H6jMJmLdgDoJ3zMH0xX9hy8xB2Ld4FkIN%20+2LOOAcs+OF7rDIxwXcti456/Q+uxtQFqzCj2Zxi9YEukh4CL2PTcfFxNDivyZoUjkR6JuYTPanB%20gjl3q2fLbOcCsOlMACZ3ryL1faYOEgEiQATkkYAEYi4KPzRsgosmbfDjyA7QVNXE0G9/glGJf5TH%204fTZx6g7aDyM9IzQtV197FtyDpFMzJnzpPNw7p/LsK81CY5GenDs2gZrR+3HozBv3Hicik6LW0LP%20EOhWyx4Ljl5EASfmEp9j98lrcPJqCC22q0dFtgice/AKCanZ6FnfFtrqnEcNFWkn0K+JPe6yLB1H%20b4ajjqsxGniaSHuXqX9EgAgQAbkjIIGY00TrEd8iec8f6NxiBZNcgKmdL+p6FyXgrtZ9Isa394Ga%20uiqUP2cUnZ2AV+masNItUoFa2gZQyrmP2EzAnH8rHdEJQoj1Xu/yqelCTViI8BdhSCo0guZrb1l9%20pugyUlL5Ok7/9RuynXujdfYhZGbny91kyfOAUjNzcf5hFAy0xGR/JUMTraepgsEtnDB9811sOMmO%20W231wL1HhQgQASJABCqOgARiTguN+33NXgPxc0wqVFTFuHNgJZbtu873et/MHlg1vTGO39+Gahqf%20HwjLo/462HDRdYUoAJfG6d9/Fb79x5v3CvK5q94pTDCqqKrg5fMz2OmnigW/dsHab3ay4MUSDK3i%20uFNL7xG46RfLh7voVNsalkZfWDhET6oINGS7cW1rWGLf5VBsPx+E0e1dpap/1BkiQASIgLwTKIXi%20EcPIWIyUuCh4thuBLZ1H86z8ru3HmrWPkJ3Fttg0PnP2KtaDqUY6slKy+fvS0pIAoSaM3oSs0oCx%20Xj5eJBfturELkZUngKWzJfQQj4x09p4BkJScBG2WcSLM7xqCXoRg/vTvcen6E6in/gRbg+loS152%20Ur+GC5hov8Bs5YQse0hjL1OWR4SKrBEY3NwRD4ISsP9KKOq5G6Oavb6sDYH6SwSIABGQWQKlEHPA%20vb0z0XHgLIQz3cZ9AXObagKxNiyt2mOUypfcWY3QpIEj1p06jgF1e+LoycuwaNwJFtz+HNuyUxKI%200LBZDRw7cBwRvb0QfPQkCjw84GXtBR8XEf4+fgl1+zvi0A0/uHfoh7pteuNos0xkZAZi2pPbsOg9%20Co3cKKenLKzM0Og03GRhLtytdODFYphRkT0CpsyTdWAzB8zZ8RAbWaqvhV/5Qk1FWfYGQj0mAkSA%20CMggAcnFHMv2sG7hr4jVsoKtTgZicrWYvYwBIoOC4NalHdw1v7y/0nDQdDycPx2TJl6Hllk9zP66%20A7cFhyOb/wI8O6BTq7Ho5T8DUyZNhIaGHWb9OAxigRi9x/6AZ3MXYeIkZZj7jsC4Nh5QZt8bGsxW%20R0PTBt4168LYyRIaYsmHJ4NzKbNdvvQkGknpOSzjgz3Uac5kdh5b+ViwNGyxOHE7AgeuhqJvY3uZ%20HQt1nAgQASIgSwQkVzs5YQh8qI4JO4+id94ejFybjaunFyLx/GI0/+U8YnL6wvbdmHEfo6JmhDE/%20r0UeC0AsFL3uSqESRJrsrDWHWcYpq6H7hF/QJS8XysK33o1iMy8sWLUVuXn5EAnf//VvgJFzV8rS%20HCh0X9Oz8nDlSQzL+KBCnpAyvhK4uIDccevD4ATsvBDMBxO2N9OS8VFR94kAESAC0k9AcjGnLIZI%20tRBJKcyDtUkNJEwajv+tqwmf+GdIuhfFdurwZTH3ms8bIcf9Oy8bukYGMHC1ekPvXSH3LtIPhZz0%20A6ce/pfAo5BEPAxNZEGCLWBFjg8yvzwcmHjjduQW73/Cx577qW81Cv4s87NKAyACREDaCUgu5lTc%200GNEFYybMR1j7/2JgXW1MX1Ed368XkOWwV1Sh0SRDuo2ai/t3Kh/ZUTg7IMoKLMdnYYeJiy/55eP%205suoWaqmHAl0rmONa+y49eTdSNRxM+aFOhUiQASIABEoPwKSizmIMXjRMVj5XICxvj6mbTwMbact%20iFYzw8Axo1EMk7nyGxXVLBMEIhMymONDLOxNtFCDMj7IxJwVp5NikTKGtnTCk5eJ2MyyQ/g46MP4%20dTzJ4txP1xABIkAEiEDJCEgg5nIR/twPMRk5LJabCqxr2CHq3l1EitTRYcQIKBfmIyMqFBlaNlAX%20lKwzdLViEbjMbOUiEzLRrqYVyyQiwVJULFwyNVrOK7lHfTv8ccKfxZ4LxoTO7jLVf+osESACRECW%20CEjwDRqJme1qY0MQF+jtE0XQBFeTzqIO2T7L0lqo0L5m5eTjytNoPm1XA3bESkX+CPRoYItrz2Nw%206PpLlurLCLXYiwoRIAJEgAiUPQEJxJwm6nXrj8TA2E/2RqxTC8aUWrPsZ0uOavSPSMa9wATUZTZV%20jhbacjQyGsq/BLi0XkNZqq+pm+5i46kAuNvoQkuNHgy0QogAESACZU1AAjGnjwFzlqMPl4vrU0VJ%20GSpfCktS1iOh+mSKwPlHr5DP1lB9tisnZA4QVOSTQAOW6qtdzaJUX/uvvMSg5g7yOVAaFREgAkSg%20EglIIOYi8L/6DbD8dugnu61h0gXnXuyDr2YljoyalloCySxA8A2/eGYUr4paLoZS20/qWNkQGNDU%20AXdexGH3pWB+vl1Zpg8qRIAIEAEiUHYEJBBzQhhZ2cIpWYX1QgnKIjHLjaoFIb+5koc0FnhOSccM%20quT8UHazJGc13XoRj8CoFHSrZwMjnS+lfZOzwSvgcCwM1NGfCbr5ux/hT3bcOneQN5+HlwoRIAJE%20gAiUDQEJxJwppu47h6n/tp8RhI2LNyEklx27CqzR/9uv4KxFx2ZlMz3yV0shWybXnsXwseW4hOxU%20FINAG19LcN7LFx6/wrFbEehY+21QcMUgQKMkAkSACJQfAQnE3NvOpPr/gz79+uHo7fg3b648uAeb%20t+1CBw/d8us11SyzBKJex5Zzs9KFl52+zI6DOl4yAipCAb5q5YTHoUnYcjYQ1Z0MwO3YUSECRIAI%20EIHSE5BczBXE45eJI3D0oR6mLF8MNz12bJLij3mT5+Cb8fNQ68QiGEtee+lHRjVIJYErT2MQn5qD%20DrWsKbacVM5Q+XXK1VIHPVm4kt/+fs4Luh96VCm/xqhmIkAEiIACEZBcbuUE4srJWAxadBzzxjV8%20g8xZOQZNRl6HfxZgTA4QCrSUvjzUnLwCXGFHrGoqymjIvBypKB6B7vVtcJUJ+mO3wvljdooxqHhr%20gEZMBIhA2ROQXMyJTOHgIcKBdUtxqK4RXHXZzlxqAJauOQShe2uYc/4RVIjAOwReRKTgUXAivFl6%20Jy4hOxXFI8DFmRva0hE//HWHd4bwtNWDngY9LBRvJdCIiQARKEsCkos5ZWt8t2AGjnb5Fp1rH3yn%20TzqYtmsc7On5XJbzJBd1XWfZAFIzc9mOjAlEzIaKimISqMMCRberYYU9l0L41/DWzooJgkZNBIgA%20ESgjApKLOdYB59aTcOuWE2ZO/BXPsgogEJlj6IzZ6NOYHs5lND9yU01Gdh7zZIyGOTN6r+FsIDfj%20ooFIRqB/U3vcZrHnuGDCDZi4d7Om2HOSkaS7iAARIAJAqcQcB9DcswPWnepALInAZwncDUjAy5h0%20NKlqCktDDaKl4ATM9bnYc/aYt4vFnjv9AvMG+VDsOQVfEzR8IkAEJCdQKjGXHHoJY4d8j7o/HsI3%20TYxweM4AzLooxKYtq+FpQmEHJJ8W+buTS7iemZ2PxlXM5G9wNCKJCLRlseeusNhzF9mO7fHbEczD%20mWLPSQSSbiICREDhCUgu5grTsGr8IFwStcZUjyJj9uqdR8DjaFt0GuWEu3umQofMohR+gXEAYpKz%20cNM/Do7mWqjCkq1TIQIcAS4LxJAWTnjAnGI2nwlkx++GMNVTIzhEgAgQASJQQgKSi7nspzh7NAWd%20/xwNV+OilEwWnvXxvxH9sXfIcTzOmIp6FJqkhNMhn5c/ZF/WYbHp6N3QDvraYvkcJI1KIgJcntYe%20LPbc2mN+vKCb3N1TonroJiJABIiAIhOQXMyJLOHklYN106agjtUUWHHeq/mRWDJvO+DZBRb0na3I%206+o/Y7/w6BUfW66euxExIQIfEOhR3xbXn8fi75thfPzB2q60TmiZEAEiQARKQkByMadsjq/+NwaH%20+8xHr8ZH3mnTGD/sHgNbUUm6QdfKK4Hw+Aw8CkmErYkmiylG6bvkdZ5LMy5tdREGt3DE1D/vYMPJ%20F/BkR/GaLB4dFSJABIgAESgeAcnFHKu/Ru95eOxaD9NW7UN2AXtDScjs5WajoUkBEjNzoKdGweaK%20Nw3ye9UtvzhEMEHXoaYVvztHhQh8jEA9PvacJfZcCcWeyyG8LR0VIkAEiAARKB6BUom51KCLmP/b%20NqTniqDE2isszMOuX0di7iMxllzchPpky1y8WZDTq/LyC3DdLwbczkstF0M5HSUNq6wI9GvqgFsB%208dh1MYQPLO1soV1WVVM9RIAIEAG5JiC5mGPerGtmfINftz37AJBPlwWw06JdObleOcUYHOf0cI/F%20l/Ow1oUzS7JOhQh8joAFCyjdv4k95u9+xB+3zuVizwm4n4lUiAARIAJE4HMEJBdzOYG4dCwYHaau%20RMu8a1h/Qx/rV3yFx7t/wfoUEXToRE3hV95lllA9LSsPddyMoELpuxR+PRQHQBsu9hxbNxcfvsI/%20dyL4o1cqRIAIEAEi8HkCkou5wkxkpJmgaYu+GGGkjt+PbEaubTV0a18fS/sexOO5k1Cbcqkr7PrL%20zMnnPRS11ISo42qssBxo4CUjwIn+Qc0d8SAoEZtOB6C6owHFnisZQrqaCBABBSQguZhTsYdXrQys%20WbgMI7f1h6NwDBpZGUMrPwFwHQ6LotBzVBSUwIvwZDx9mcQLOUsjSt+loMtAomFzx/Jc7Lk1x55j%2069kgfNfNQ6J66CYiQASIgKIQkFzMCYzx/R8bEDfpOAJVnLFs0SwE95uPCB1PTJ87DlYUWUBR1tBH%20x3mLJVHPyC46YiW7J4VeChINvmdDFnvOLxaHb4ShnocJ+1FADjQSgaSbiAARUAgCkos5hsfEtQM2%20H+tQBKr1//Aw7jsUKinxnq1UFJdAdm4BrrEjVi6Zuq+TgeKCoJFLTECbxZn7qp07Zm5+gE1nQ+Fq%20awA9VXqySAyUbiQCRECuCZRKzKUGncekyT/hcXgWCiGAUCSEUmEhRDr1sHrvQrhRaBK5XjyfGtzz%208CSERKehtosRzJigo0IEOAKFBQXIz86GUO3jD4bMqCjEXL6IzIgIFOblQ495sjYJCUPQ9WTcVmmN%20Fl/1YrEs/yvosuPjEXv5EnIz0tmflKCipwehugaUVVWhYW0DVRMTgk8EiAARkHsCkou5vAj8PGQA%201l8M/xCSljZS8+SeHQ3wEwSuPotFSmYufzxGRTEJFDDRlvLCH1kxMfwrOy6W/X80Ml+9gnnLVrDu%203vMDMLHXruL58mUQsB+FAoEAakIRdl2/hocpGbAXZsK6ZRu4WP83xE3K82d4vnI5CnJyoKTMudAX%20MtFYyP9bx8UVvitWQaT933h1eWlpiGaisSArC6rGxrwAFOsbQIW9BCKyD1HMFUujJgKyTUByMZcf%20jQc3X6HrjO1YObwhe4S+LUoCNRhqyjYY6r1kBNKYiLv7Ih4WbEeumj2l75KMouzf9XL/PrxY9zvA%20hFVuaioEYjFUdHV5sZSbkvLRAZo2bQahpiZEGhpsd02dhbMRQm3QIBTcu48j+nWQeikcP/XS+k+Y%20GwPfGvCaMRPcDp0Suz4vPR05CfEozM+H2NCI36F7v2Swnb/nS5cgJz6OnSLo8tcos91C7v+1nJzh%20On4C66ue7E8CjYAIEAGFISC5mBO7oM+oLlgf8hKF2nrQezeunJIyhGTeojCL6N2B+kek8l6srVm8%20MFM9cmmWt0XAiaW0kBCkPHuKFL/nMKhRC2YtW34wTE0HB5g2bQ6xkTE0rCyhyoSVSEeHf6mamH4U%20Cyf2uF27d4uKdtFOnImNOa6y+HNHb2qhS13rN5dwItG4YaMSYda0tYPXT7OQFhSInMQk9opHVnQM%20MqIi+THlZ2YC74k5btzhhw/xO34aNjbQtLOH2MCAF4FFO4JUiAARIAKVR0ByMQcNVK1lg+e9foDl%20tml493GmYdIZZ/32ojrtzlXezFZSyzf9Y5hdE1CdOT5wNkxUZJ9ATnIyYq9cRtLDB0h89BDZsbG8%204MlLT+N30kxbtPhgrg1r1gL3Km3JZztsXBnUxBZbb+dh67lA3qnGqhThbgRiFRjVrce//i0Fubn8%20mDi7Pk5Uvl9yEhMQvH0rE33REGlpQaCiAhW2q6duYw29at6w6tCJZ0GFCBABIlAZBCQXcznPsODb%20lcgxtICDtvg/x6zq7Fe4iqAyhkNtViaBdJbtgQsUbKyrihrkxVqZU1GmbcdcOI/706awY0tDqJma%20Qr96dehVqQptVzdoOzlViGjnggcXMLE0b/stbDkbiKk9vfgfDWVVuOPfz9nLqZlbwGfRYqQ8f4qM%208HC2OxmMzKhXSHrwEGmBQTCuXfejYi43OYn1U/CB3V5Z9ZvqIQJEgAhwBCQXc8wuTkfPDkMmbsWK%20IdWJJhHAw+BEBL9KRwsfcxjp0BGrLC0JzsuUO0Lkdp3eL/re3qgyfQbUra2h4+ZWKfZkufmFaOdr%20gpO3DXD8djgfv7CJl1mFIVZiDhnc2LnXvyU3NYUJuwh2zCrg2bxf0sNe4uH0qWDeHMwWz4UXvhr2%209tBydOR39agQASJABMqKgORiTtkItRraYPHODTjpkI53v7qVRYbwqukOLTIlKat5kol67gTEI5MF%20Cq7LvmipyAYBbocp7to1vDpzijkpqKLqz3N4W7B3i7qVNWx6fShWKnKEObn5UGHPk6EtnDB5w22W%206isQVe30oa8lrshu/KctEfPa13H7r6fsuxcoM55qllZIZV69kf8cw8v96TxbEbMDNKxdBy6jx37U%20QaPSBkQNEwEiILMEJBdz7Jh1/5//4HkG0Ook81r7T6mPKymXUJdys8rswihpx7lQJDdYxH47Uy14%202NCuQ0n5VeT13A4cZwMXfeki4m/dQHZMLO+YYNywMW8LJs2lhrMhOjMHiK3sqHXXxRCMbOcitd3l%20wp5UmzufHcdGISMiDGnBzHGEOVgk3r/PH9MW5n0kfhOL08nZ7nGeudI+F1ILnjpGBBSQgORiTmyP%20HsyF3zqBGULnZiM75+2DSazjCzMK16RQy+lpaFGg4Na+FjDRpWjR0jr5nKH/4/lz2U7Rcb6LOszu%20zapzV94jVMvBkZl3Sb+xa9/G9rjpH4d9V0JRi6X58nGQ7iwjamZm4F4GvjV55pxnLMeZ84R9v8Sy%20uHpPf1kIVeYFrO9THToe7uC8b9XZDh8VIkAEiMCnCEgg5qIxr2tP3LPpgl+mTEUHFqVdnxlGS/9X%20AC2C8iRw+UkMCtmuQgMKFFyemMukbm7HyKxFK5g2awY9Ty8WLFe24gFy9phDmjvip633sfFkAFyG%206kBDLMGjrExolrwSIYuj96nCBS9Wt7REOgv/ErTpIR8vjwuFwh11W7RrD9MmTT/IglHyHtAdRIAI%20yBsBCZ6AKnCqUQ9XD6+Gg8lEFDAiDj7t0aOlJ8/Gvc1XGNDQUd440Xg+QyA5PQePQhL41F2edMQq%201WuF89h0HjlaqvtYnM41q2aGKyzTyNGbYTh4NRT9mjgU5zapv0bbxQU1lq9CWmgIkp88Yceyfkh6%208ggxVy4x+zo1mDRqTHHtpH4WqYNEoOIJSCDm9NBjyjz0mPAtgmPSIWQ7c7f2r8CSPZf43h87cQQr%20tFvj4IVfYVHx46EWK4HAY3bE6h+Rgu71bSrVIL0Shi6VTXIiIHjnNnAG+B6Tf5BL2ysuhiG3O3cv%20MB47zgejprMRnCw+7YwglRP1qU6xsXFHq9yL243jwptkJyTwjhMfC1CccPcOos+fg467BwsX48qO%20dM3Z3FeeY4hMsabOEgE5ISCBmHs9crVC3Ni+HncTs/hciLVqFQUIvX9iI85e/Atjxhhgyv/GoqYN%20BdKUk7XyyWHcYvZLAibqfRwN5X2oUj2+1MAAhB86iIgTx5HLgtyatWzNUpW+m2hPqrtf4s5ZG2tg%20UDMHLNr7GBtOvsCcgd4QsjAh8la4lGPc61Ml4f49vNy3F4W7d/FH5nwIFQ9P6HlVAxdWhjJUyNuK%20oPEQgQ8JSC7msoLx58zZOJnzcawHV0/F2ZOXsff0XrSwJoN4eV18XC5WzovVmkXkp1yslTPLWbEx%20eLl3DyKPHUNWbDR0PavAgh2lmrduw+dElefSrqYVrrFA1RcevcLxWxHoUFvxHAXs+vSDNotdl8C8%20ZFO5Y9mHDxF94QKf39ZtwiRYde0mz0uAxkYEiAAjILmYE7th0MRO8P8rGd/+9i1suYgGSU/x88wN%20sO/zPwx0icGwEQuw98QjtBhe5MVFRf4IPGCBgqMSMtC6uiX0NKU7rIX80ec23goRsG4tQnbtgF5V%20b9gNHATzFi0h+khKKnkcv4pQgMEs9twjtg7/PB0Ab0d9WBp+2sFAHhlwXrFcWBnuxYU14cKepPj5%20s1AogdCws/vokPOz2IkKc674nDOGPLKiMREBeSUguZjLT8CVswHo+PNmjOnq85pPe5hkvES/DX7Y%20Ons++i3aicDnwexvJObkdQHdZLtyWTn5qOtuLK9DlOpxcbZjRvXqM29HK96+SmygeEfd7lY66N3I%20Dqv/9uO9W6f19oIyO/ZXxMIJOx03d/71qcIJucdzZ/Npybi8sjruRddzXrRUiAARkE0Ckou5ghSE%20vXiGa8t/QSMPtpXPbcrkR2HZip14EVUPt/wv4Vl8EjR1yGZONpfGl3udmJrDDNATYMsCBbtb6375%20BrqiXAiYNG5SLvXKUqXd69vi9ot4PtVXLRdDtKpO7lefmj/Ohk7MwtMkPX6EEOYow9lVcqFPtOzs%20YVS/AcxatSYHClla/NRXIsAISC7mVNwxaeEw9BixDt3q73wHpga+Xv0Vgv/8BUcjM7Gpc8PPgC7E%205f2/4/CNEFh5tcU3/Rrj/VjDfhd2YN3R+9C3rIFRY7tDj/vBXZiMnWtX4l5wEqq2+hp9mxZFgQ+/%20uQcrd99GgdAE/SaORTUTilxcnqvcLzwZ/pEp6FrXBoba8m2bVZ4ci1N3XkYGEu/dhbazM8QsoCyV%20/xLQUBViSAtHPGNr8s9TAahipwdzFiqHyocEuPA0rmPHw6ZbD3Yc+4yFPnnCMoHcQuyN60h4cB+6%20VapAkwk7KkSACMgOAcnFHAsT3Hj4Wlx3rIsfVuxHDu80p4xOYxdhKAsZ8M/6G5i0ciT6Vv10Tq9n%20h5dg1ck0fDuiB7t+JeaI1TGr+9sj2YTbOzBn41X0HzMU4QfXYMoqIX4f2xknV8/CsWh3TOxRC2tX%20zoGS8Sp0Vr2I8ZN+Q+uZi+H66hQWzlqABUt+hA3ley+31Xj1WQxUhMrgUixRKT8CiY8eInD9H4i/%20favoS7h3n/JrTIZr9nE0QDeW6mv9Py+w+UwgJnf3hIAdQ1P5OAE1c3NwL5MmzZCbmorUgBf8/6tb%20fHjcyh3NpoeGQqSlxd9DhQgQAekiILGYK8xjKbzyxHBoOgh72OvdkhYfjxbD5qLVZ8eajMMHT8G3%206xrU8LaFVfcaGLz2EGKZmCtK056PkwcPwLD6SLSq4Q0YdMDhScfwtIcTTl4IQI95S+DtBPSpeRhr%20dvyN9qOqYOLStahfwxnIzMeS7TPwIjoXNja0O1ceS47zYr0TEA9TPVV4O8hWBoHy4FEedXLG7KF7%20dyFkxw7ksDhjps2aw6jB53a6y6MXslVnn0b2/HHr0Vvh/I+MZlXNZGsAldRbTqTpe/9r+/xhJxLZ%20jt39aT9ArGcAHbZzp1+1GvRYujEuTZmA5ZGlQgSIQOUSkPhTmJ/2AOPbzUDtxWsxpLYNP4r0lzew%20YvEi/L4rHTv9TqCuzmcGlxuHqCRtVDMq2rnT17eAcnoAorMBI/7ELgORMUK25f/6SEnbBNrsV3bw%20i2AkF5jBUK+obnMjKyTfeQWBRT/UZ2YyT85ux9rV62DUaCLqkZArt9X1KCQJ4fEZaMNsk3Q1yIu1%20rEEnP3uKF2t+R+y1q7xhuscPU2HRvgN9cX4BtC7zqP6qlTOm/XUHf7LYc1Vs9GCsS9vzpV2f3LGr%20VeduiGcBiqNO/YNXp0/xnrDazi6w7tETxszWjgoRIAKVR0BiMSfU0AUSrmBo40ZI2boFBs/X4acl%20WxGUqATPBuOg86UNsbxcZOQXolC56BhEwP4/vzALObnsH7yYy0Um85LM+zcIKPNOKxTkIjsli8k8%20JZaougiaQFiIvPxsdnVR0TaxQePWTbHj0kVc9W+CZs5yEhW+8tbIR1vmIu9nZufREWs5zAuXiP3Z%20kl/ZseptWDIPVfshQ6HlQCnyiou6rpsROtSywo4LQdh6LhCTungU91a67hMEuHy+LmPGIicpic8b%20m3D3NuKYnV3S08dQOc0EM/OoBh1p0/ohApVGQGIxB5Ez1j54DsNubTGhR9HRT/2+k7Hkq2Ho1JSd%20f36pqOnARC0beel5/JWZmRksi4A29N84v2rAWKcQYWkZRTXlZCI/RwQTJ1MYIBU5WUVvp6dmQl3d%20BCo5rC6RGFYe9fiX3+nG2HH2CRNzdb7UE/p7CQmkZBQFCrY10YQH5WItIb0vX66sqgqrTl1g2aEj%20LNq2hxIdY30Z2ntXDGR2u/eDE3D4ehh8nQzR0NOkxHXQDR8SUGHxC1WqsSNW9rIbMIiPaSfSZj+Y%20PyLkUgMCmJ1dMHS9qkKVnHZoORGBciUggZjLwtMr1xCSnAllFTXU7f81Gjwdi0tBGnBw84KxOBKn%20z6WhRkMWv0j5c303Ro2quvj7+i183agdrl27Bk1vX7w1vRWjRi07nL5xFfmDqyPkxhUkW5nDy9YL%20d8zSceFmEBp2tsWZ+4/g1bwLUi6vwpBN8di6aR4MUh7iYbwY9VwpPEF5rB7/iGQEvkpFax8LZjNH%202T3KmjEXOoI7UqUiOQHOu3ooCyY8Y+t95t36gj039MAdwVIpOwKcV6y2E7NR/kQJ3bMLYSzNGHdE%20y3nIGtapy+8wa9qTp2zZzQLVRASKCEgg5l5hQY9m2BL1fs7HdGz6sT828dXWweXkq6j32RNOZbQd%20NhXXf/oZYyecQDazg5s+tTfrUCZO7t0HZfeWaNZ5Euo9mophYydAkC7EhClToK2ijQGjRuO7+T9g%20wllNFBh2wJQOVWGaq492//yE8SMnQCspAOY9v8PgBtY0z+VA4OqzWL7W2q4UIqMc8FKVZUSgURVT%20tKthgT2XQ7HlbCDGdnQro5qpmuIQsOrSFQIVFSSxNGPRFy8g/OgRfodOt4oXnIYNh6aDQ3GqoWuI%20ABEoBgEJxJwuunz7E/TDkli8t3xkMY+7fM6GjTXGpRbiipp+LbgUw1RNaOSKeUtXIzQqBXpmNigK%20VZaDPGZPlxmXCrg7YNzcFQgLi4WqvjmMtIp+Weu7t8Dvq6ogKjEXZrZWRSZ2KlYYs3ANuoRGsuNW%20TdiYU7iMYsx/iS9Jy8rlAwUbaauimsNrL5QS10I3cASyol8hePt2aLu4sOPUdgSljAlwJ3+DWew5%20LuXc/quhqMmCCddyKfKVp1L+BHRc3cC98th3BJcvNvH+Xfa6j6QHD1gO4RgSc+U/BdSCAhEouZhj%20mR/iU/LRbvBk9mVu8EZgvc8s4OkT3Lp2Ck9yquLbkU14sffRItaDDTsCeVNy01ksIzHMHIs8ZCHQ%20gJXNh7kWxTqmsP3AW1YFFja2CjR9FT/Up6HJCIhMRhtfSxhokZegpDPAfak9X7GMNyR3GDwUIDEn%20KcrP3meiq4bBzH7u5+33sYF5t7pY6NBxa7mQ/nSlQpZizLBWLf6Vl5bGnCgS+ZAm75eCnBzEXr3K%20vGTVoOXkAs4+jwoRIALFI1ByMcecFHLDLqKl92wmtHRYBoiRcDF4pxq2Wxd68zC2nHoCoZYjftlx%205NNC7mN9FOmiRTsuKCoF+yzeFFbsVbdfxCE3rxC+LIYXOa9Jxj7qnxPwW7UC2YmJcBgyjIm5IZJV%20RHcVi0CzamYs9lwcvzvHebiObOdarPvoorInINTUBPf6WMmKicGTRfORm5ICLXsH6Pv6QtezCvRY%20TDuxgUHZd4ZqJAJyRKDkYg66GLnmEHw6bcXcFbtwaf0C7Pk3LshrMIaOPug+8kdM/t9Y1LAr6bEG%20iThpXV9cKJKbfnGwNtZANZYuiUrJCOSzlFwhu3ci6K8/eVsij8k/wLJjp5JVQleXmIAyC2s0hDlD%20cMet+66w41ZnI1R3InFQYpDlfIOaqSk8vp+C6PPnkOrvh5Dt28A5WXB5ZM2atYDjsK/5zw0VIlDx%20BPLx8tlD5Ok6wd6s6MdIwOWTuBuZxPa0zNGuVX0UuQIWIMr/Ie48D0JGFhepQwm2vs1Q0/7DwPrP%20rh7Ao/A8ONdsiWofHjOWeIgSiDnWhooOanUajcPsFXbrBE49j4eaUg6i45Ih0nNE/0Ht8bl4wSXu%20Jd0gFQSes7yXL2PTUd/DmAViJS/Wkk5K3PVr8GNHq1rMA9B1wrcwqkNhc0rKUNLrzfTVMKyVE2Yy%2071Yu3ZeThTa01b8UDFPS1ug+SQhwIXhMGjXmX1kx0SxvrB/LR3wPMZcvIoWlGivIyyMxJwlYuqcM%20CKRj65xxSGm5FgsGOWHX0gk4GWAAH3cTxNz6Bwd2XcbUJZPgoauEPYvGY1+yL3o25ry2k3FoyjG0%20+eZH9G/y2ou7MAcnVv6A3y/Go2UTd/wzayb6fP8Tmrvqlqqfkom5101G3t6Gb2bcxMrjyxGz7ltM%20X74XWjb14FjHB62cKX9fqWZGCm++/jyWBXLOQz22gKmUnICWkxOcR46GceMmnw3pUPKa6Y7iEGju%20bc52lmNx8FoYdl8KZuLu02E1ilMfXVN+BFSNTcC9jFn6Oge2I6ckEICLv/h+SX72DAl3bkPH3R3a%20zNlCqK5efp2imhWYgBJU2PrTYiYCIed+w+bLeVix/Wc48N6X0Zg/YTaePE+ER2224y9URePOX2N0%20vyJzjs5uKzF85Xx4V18DD20Wry0/CdFZWhi7YAmYOS8O/NwL2/6+wsRc6ZzgJBdzBTH4dcJIHPOv%20h0mXjmDKtCUISWXGxfF7MXSCHZ7+PRc6r7M0KPAKkJuhc16s9zkvVh1VeNmV7heE3EAp4UDUrazh%20+PWIEt5Fl5cVAc6AY0hLZzwMScTOCyGo7mhIeYXLCm451vM5gRZ/8waeLJzPhJ8xtJydoccCFBvW%20rgMtRydyoCjHOZG2qrlAGrHJWcyeu6BMbLm5uBzc80KfOWOqqrwOmKskhFCQgisXbqFq5/GvhRxH%20wgTfL1uFIrmTydpXQlZ6yhtEFo27wHbpCVx8GsfEHtsIERpj0ORZQF4ibp8+jWPPlNBoTJVSI5Vc%20zOWE4vFtZXz71xzoRezGnTjgm40nMMHiHBq3/QcP04EGRWlXqcgBgRcRqXjCwtG0ZLsbnIcgFSIg%20iwTM2XErZz/38/YHWHfCD79+VQMaqpI/BmWRgTz1mbM5VdHTQwI7juU8w0N27sDLPbshZvHsXMaM%20g0njxvI0XBrLJwgcuxWOpQef8GJOwGxkS1s4MZfP0o028TLFT/29UZR1VMB2iBMQG5EDLff/ipu3%20+1bvx9/lbhPDRMcS2dks8fw7JScuHOcvXUdcgTpUCt9zPJBgAJI/xZhKFWuKEX3/AjY82Y8CFQs0%20YMdvNw5cxCttzS9kf5Cgp3RLpRLgvAELCsB2MwzK5MNSqYOpgMbTggIh0tElL7wKYF3SJrgfJHde%20xOMA827ddi4Iw9vQcWtJGUrL9ZyQ4wQd98p89QpJjx6C261LevaUpYpMk5ZuUj/KmYCOhgo8bfSg%20zFRXUdTb0hUuUkN2bj7MDNTfqa0AhQV6MDQX4VnOf9dWWvQLBKeqowrb7f+g9fwsxGbFwuI9EwAV%200yr4btZitNv2A/rNW4kGfy+DVSlOMyUXcyou6NTPGV8v/JanZtNuCtwzz6HmwhNoMm0HPMh0oXSr%20SYru5n7t3PSPY0esYviwxUrl8wTC9u/D85XLYd21G1zGjidcUkaA++X+FXOGePIyEbtYqJKq9noU%20TFjK5kiS7nDesNzLrEVL5LNAxcpi3qDpP6Uwn3kl7t2DnJRkGNWqw+zsXMmpQhLYUnYP55THvcq1%20FOYhr0AHdRv4YMfav/Cyty+seQWVhAWjByKm8QKsG2PBJ09Q1XibNSGamaEFqZhhvMfr7870UCxd%20vgE+A35GIyuWZEFdCxpiZQhLqUElF3NK6hg6Yw3CMQ+haRYYNnsevDQeYvbi7Rg8rhc+m5a1XIlT%205WVN4OnLJIREs3y7LLYc5xVI5eMECtnWZdDmTQjc8Ad/9MPZ7lCRTgJcTuFv2rpi+ua7WHfcn4IJ%20S+c0SdwrZRao+GOlkHnERp06ifg7t3hRp2FjA8MataBXrRrLxOIKkXYxUhdJ3Cu6UXYJFCI7MwMp%20LOi1fbcx6Hv7G3w/djoaVbVEbMhtBOt2w89DG7Hh5aAgJwPnD23AmlQuXV0KLp97gh5fTYPjvxtc%20qgbQywnDr1Mm4Fl9K5w5fRu9R8yDWaWJOdZNgYE7Zi7fisLUJMSkhiEkxQb/m+Qlu/NFPf8ogTsB%208UhMy0E9t3L+5SPD/Atyc/Fi3RoEb93Cf0Fw8bL0vX1keETy3/WGniboWteGP2rddCYQ4ztR7lZ5%20n3UB263zmjUbcTeus+PY60jx90fgxvX8bopBjRrwnD4Daiam8o6BxldiAuro88NS5OmzrTSWQLTf%20D3/C7eRBPI1Jg3a9fpjYoQmKos8J0e27xbB8EgQuLiughW9+HoL676YRVNbE4Jlr4X58H/zj8zFu%205io08LQocY/ev0HynTmuptw47Fw9Hf+buJbt0HHFDEMXLcS8sQNgQpmeSj050lABZzfA5WI11VOF%20h42uNHRJ6vqQl54O/99XIXT3bhYiwQOeU6dDm3nWUZF+AoNYbIDHoSx3Kwsm7O2gD07gUZFvAuoW%20FrwJBPfKiIjgQ5sk3LuLAmagriSgMyX5nn1JRyeEvVfN/9zs07IzPvy5LoCle03+9fmigppt+uBL%20V5Wkt6UQc3k4smQ0U6u7Ye7ug+pqbI8wKxobJw9EfKY69vzYDaJSbhuWZCB0bfkQCHmVxn/Z1WJH%20rNZGH+bILZ9WZavWtKAgRPz9NwyqV2dC7keoW3G/3qjIAgE9TRX+uPX7P29j7TE/uFnp8OF3qCgG%20AU7YcS/OgYLLDfuxDBMpLBsF5yGryvLJckeyGjbW7DiWwuIrxgqRnVFKLuZy/LBx8RHUG7gEhzdO%20hD73g6YwCb990wUTl2zA4++6wZucIGRnJXyip9f9Y3l37xosBVJZuHzLPJCPDEDTzg5Vf57DBy3l%204l1RkS0Cviy1V+9Gdlh31A9/sOwQ33f3BJcCjIpiEfhUqrDshHhEsywUeampCPpzI+80oVvFi9+F%20N6xZi+zsFGuZSO1oJRdzzLMjh4VN0dTTfxuGREkb+npaEORmgeVipyLjBPILCnGX2cupszhcnPMD%20lY8T4BKHGzfkjF+pyCqBPg3t8DAoEX/fCIMPO25tXb30NiyyyoL6/V8ChjVro/ba9czG7iYSH94H%20l3UiZNsWZmfHojj06An37yazCLMk/mndVC4BycWc2BV9RzVA/wWDUf3RPthossWcGYnDp26j3tg/%20UIV25Sp3Zsug9ReRKfAPT+Hj95gbkBdrGSClKqSUgKaaCCPbueLbP27y3q3u7LjV2rjIpJmKYhPg%20UolpWNvwL+vuPZidXTjSAgMRf/cudD09PwqHC4GSn5UFoQaZpij26qm40Usu5jiPjvnbkKI8HN/O%20PYAHr/vcbMRCrJs7DKr0Q6XiZrGcWuLSd8WwFClDXY0gVC5FNMNy6l9lVMvZ1WQnJDCPN2YoT7/G%20K2MKyq1Nd2sdDGzmgGUHn/GC7qf+1SCidV9uvGW1YnULS2ZnZ/nZ3XjOQzbm0kXoVq3GUox5MYco%20F2ZrZyurQ6Z+ywCBUoi5bAQ/Scagn3aiTffHiGepL6CkARNTdaTERSBPy4I56VKRVQLcEestFijY%20WJfLxaonq8Mo037nZ2Tg6S8LkRochGpz5kPd0rJM66fKKp9A9/q2eBCciFP3I3nv1m7s31SIQEkJ%20iHR1kccCF4cf2M+83Hfy4k/byZnFnqwN0+YtIdKiXJclZUrXf55AyfUWs5XLysqHct5tfO3TF1XX%207cfiQdXx7yPv0Kz26LkCuBH+N6rRyZzMrr/wuHQWIT8JzubasDejBw+XGogTcuHMa9W0UWMyepbZ%20lf35jouEApbeywX+ESnYeDIArta68GAvKkSgJARsevSCaZNmzL7uKVKYjV3c7ZuIY2nGuPh2XJo/%2006bNSlIdXSsFBAryWdw4JWWW0iufhbARMofA9zpVkMt8BYTsFEsJudmZSE1J5X0HlISqMNL/VDBq%20luorJgWqOkbQEpfuOLPkYi43GnP6dcB6ltcwIScR18a1wvYfRG9GlZueiFzl5shneTypyC6Ba89j%20kZqRi1puRgp/1JTP4k/5/bYaEceOwqRhQ7izgMAUKV521/aXem5vqolhrZ0we/sDrGEerguGVmfp%20dkr+qPxSO/R3+SYgNjSEcYOG/Mu2X3+kBQcjI+zlR4OJc0GL0wIDUMi+ODXtbFmIlA9Tkck3LWkf%20XTrWTx8PpbpDkLBjOg7kNsSx3bOg/6/+Sn6Evk3awXDsfqzorYmx3b5BsrknDFiUo9wMFqe1znD8%208HVjvLu/lR71HMt+noKXyhYsLI4uBkz9Fg1tJT8FK/kTSsUCHTo1xMbTvyMXhchlAVNFSm8XnkDF%20FF9PHQl3coCQ9tX5yf4VsCPWe4HxEIuUUcNJsb1Y85mNnP+a3xDGUv8Y+Nbk48hxD2kq8k2gTXVL%20cDajB66+xNazgRjBduuoEAFJCXCOEJyzxKccJrJjonF/2hRkx8dDh12n4+QCPW9v6Li586kBqVQ2%20gQIkRIWxNKzpyE2LwI2bV3A9IB1tnYocXF7ePYOzT8LQKSkTyMhBQq4GRs9ehUZmLGJbagAmDh6N%20lYZGmNzF4/VA8nFpx1IEsTRgG+b3x/2tUzBn2Sb4LpsASaVTycUc60qtQcsQ2GkE/px/ADY9B6KN%20t/k7pAUfbj9W9jxQ+yUiEMYdsYYm8RkfFD1QcNQ/JxC8ZTP0qlblMzuQkCvRUpLZiznflmGtnfE8%20PBk7LwTDk/1ipnR2MjudUt9xFRbiy7pbT+Y0cYE/lo1nx7HK+/bwJwBmzZrDYegw8oz9zCzmJCch%204fZt3k6R8z7mCxc7hv03J4g1bW0/uJvzNo6/fQu5SYnsun8zf7B72H2advZ8HMF3i5DtlhYosZ1T%20Wze0ylDF7Ys3mJhrCuQn4dy9RLTp1AQahfnsXFUEFRUR2GksX5S0HDFucAOM2LIFQ7osgBH/rgCN%20RvyKFhrMhKkwF3HJ6ew4Vsh3GRKetkok5riuqOm6YdSUXEwa+xUWvcx6Z8yFUNGuhxW758ONbOak%20/iHysQ7eD0pAdGIWOGNwVRXFTm+jZmoG6y5dYdu3Pzk8yORqlrzTxiwTxCgWrmTKX3f441YnZjtq%20rEsPNcmJ0p2fIsAFLLbp2ZNlouiITJZijMs6kXD3DpIeP0by02fIZyKFwpx8ev1EMhOYx/PnAuxU%20iUX8fi3m2D/ZyYpF27aovnjZB9EHuDRudydN4E8XlYSvv+c4LcfybOt6VUXt9Rs/dFQpLEBGnjbq%20tfBC+KMbSEBTqD47jxeZavB2toE/C0nzprwTa9fcyh3qubeQzP5YJOaUoMYJudwYrF84AxuP+2Hw%20gm+hIaGQ42qUWMxx2R5+HtIZSw8Gf0iYBVFN4XLMUpFJAlefxYJLc+Sr4Ees3ORxybe5FxXFJFCb%20heXp08ge6074868pPb0oO4RiLoUKGbWyqio0HRz4l3mbtshNSeHb/ZiNLmeDF7Z/LzRYBhrzlq3B%20BS9X1GJYuy5/csKFi+L+91ovoSA3D1qM5cfCSGmxcDHuk39g1+S+3c1jtxbk5bFMPiYQqn38h1te%20VgasvZsi338FTj2JhcPjFzCwqwfbKD88y/14toTc3Gzks127D7ZGRMboP2kx6vv8gWFzZsB36wb4%20GEkmyyS7iyOVG4Y7l1+h0ZgV+GN8m//sDAqUNWFBsRJl8nMVlZAJv7BkPmCqq9WnPHBkcmjUaSIg%20EYH+Te2Z2QGXHSKc5W7VRbd6NhLVQzcRgZIS+JyjFedMEcpyxnIOWhpW1uxHZ1mmbS9pTyv3ei6l%20IvcqSVE1MuKDQJe4FLAcvrqO6NzEDqs3bkGEfiJqfFUDGRtXoeBfD1clAUQqb2t+/PAaxM7ueJu1%20OxfP7lxDoUVNuJtqwLVxU5guOAH/pPxKEHMqVvCuXwVxLjXg5OhYYh50g3QSuMliy0UzI86Ota0g%20/MD3Wjr7TL0iAuVJQJ15so5q74aQmFvYwHK3urLsEBSupDyJU93FIWBUtx5qrl6DnJRkaLuQg05x%20mEl+TSEy01JQkJ2DjLRkJGUIUbVNS4TNbIZ7vkswzlQV+xKTkKaey5ooQHJsFPye+MEoiSXGenUH%20S/ZHY8C8We8chRbi0fHf8duz01g7ox/u71+OZIdGaGojuRez5Dtz7Gza1sYIa6eOhqFoDGzeUaFC%20NRu06daUvS85Orqz4gn8m4tVxOwHqivgEWuK33OkBrxgQT1bQFnMfMqpEIHXBFwstTGslTPm7XqI%20VYef8eFKdNTfeegRKSJQwQQ4g3n96tUruFVFbU4FNVp1RaGTPXKUukLLVAAlg+ospelYxLk25kWa%20Q92OaClmu/ZaumjRtCbuH16Dx9yxLTtcHcA8WztWfdcrWQU9p/4B5RVzsWbNGijpuGP1igkwLsUj%20RXIxl/MCW1YexSsWT27WN0Pfm+EauJR8E/VJzMnUyudSd3EhSbi0Rk7mihUomMu1+HDmDGRGRUHf%2015el62I+5VSIwDsE2tW0xGPm5b3vSgj+ZAGFJ3R2Jz5EgAgoBAFVtB40rmikdb3ejHjgpEVv/tu3%20y2j4vv7XuPnLv0xFoIluE+aj25evLNYVkos5oTW++WUeGqQVQEtLHYKCPKSnZ7Jgh0IWJNke9rSx%20UawJkKaLHrE0RrFM0LWubgHuaElRSlZ0NB4vmMcH9XQaPgKqBkX+RlSIwLsEBMy4+msWrsSfhSvZ%20ezmEP27lPitUiAARIAKVTUDyb2yhKXpMmgLOfDD06VOkqWjCw9EayGZvSH7sW9k8FLr9q09joMoC%20BddiHnyKUvLSitJ0Jd6/C5tefWA/eOhbzyZFgUDjLDYBQ20xs59zxdRNd7HmmB/sWLYIFwudYt9P%20FxIBIkAEyoOA5GKO9SYp4AJ+njgRS/++Bxh648iBxfhz6FTUX7UBE1vSEUR5TFh51ck5PXC5WG1M%20NOHOdhwUoXBBI58tX4ro82dh1qoNnEeNISGnCBNfyjHWcDbEkBaOWHboGVYdeY55g3ygpUY2JaXE%20SrcTASJQCgKSi7nCDGyYNRJLz2ejR8dmuBGaC7FQCypagZj8v+Xo1WQtzOn5VoqpqdhbH7Ij1pex%20aRjc3BFqCnLEmnD3LiL+Psxs5GrAdcJECNUlTaRSsXNFrVU+gZ4NbPGchfA5djscW88FYWRb8ias%20/FmhHhABxSUguZjLfYFzR8LQYd5F7B6rjXath0PHxxeLpvXCse4PEMSSQpCYk52FdedFPEQscra3%20g4HsdLqUPeUSWrtN+BZG9epD1ci4lLXR7YpEQMg+KyPbuSA4Og27LgSxo1ZtNK1KTjOKtAZorERA%20mghILuaEVqhaWxe//DYV8yKt4R8YgrU/zsOrv9dArekEuNImhzTN82f7Ep+SjZv+sXBiX0ieLB+r%20ohQ1M3NmJ9dbUYZL4yxjAmb66hjN2c/9dRe//f0c9qZasGVmClSIABEgAhVNQHIxJ9DHN7MW4Haf%20EZi2IJ3vd8CiaVC1bILf146CoWKn9KzoeSxVew+CExCTnI2GnqbQJNufUrGkmxWLAJfuqx/LELGW%20OUOsPPIMP/f3hoaq5I9VxaJHoyUCRKCsCJTqqWNVqx/+ed4Ue/dfAJ+KtVCA+t1YsuBSBL4rq4FR%20PcUncO15LJu7QtRzp6PG4lOjK4lAEYG+je0R8ioVJ+5GYuOpFxjbwY3QEAEiQAQqlECpxByQhZvX%20H8LQzOxNbtZH/xzEHSUTNGxdB3qlrL1CSShoYzFJWeCcH+zNtMBFuZfXwoUgeXXuDPS8qkHDhnJr%20yus8V8a41FSUMZoJON5+7mIwH6qkpY95ZXSF2iQCREBBCUgutwqzceSXb9D5+00sXcX7pRbLAHEd%209eVXG8jNcnnMEogHRaViUHMHaMtreiK26+j/+2oEbd6EKtNnkJiTm9UrPQMx1VPD2I5u+HHzPd5+%20zsZYg/04UowQP9IzC9QTIqC4BCQXc9nP8PvPm2BduyO61rb/j6BT0fJCKfLFKu5sVMLIr7MjVs7G%20p7qj/HqxhuzeiZf798Owbl0YN2hYCZSpSUUgUMvFCF+x/K1LDzzmY9AtGOwDHQ2yOVGEuacxEoHK%20JiC5mBPpw9LRHjq9vsfiCXUrexzUvgQEElJzcCcgHtZGGqhqry9BDdJ/S8ylSwhYtxZqpqZwn/gd%201Mzp+Ev6Z012e9ijgQ38I5Jx6HoY1h73w/+6eUKJpQGjQgSIABEoTwKSizlla0ycPQStxn6NYcEt%20oSV4201uZ27MtCGworRe5Tl3pa77bmA8Yljmhx71beUyF2uy33M8W7aE58QFBdZ2dS01M6qACHyO%20AJe/lQtXEhabjgNXX7JQJVrgAgxTIQJEgAiUJwHJxVxBPP7etR+RoU+xYcXT9/pYCx2+IzFXnhNX%202roLWQW3/eOQV1CI2q7y6cUa9NdGpAUHwv3byTBp1Li0yOh+IlAsAvpaYkzq6oHJG27jjxP+fPw5%20Xyf5NWMoFhS6iAgQgXIlILmYyw3FmYMv0GLUAgxv5gROHPxbhGJzeFDQ4HKduNJWHpucxR+xujLP%20O2c59WLlBJy+tw+su/UoLS66nwiUiIArc36Y0Nkds7bdZzZ0T7BwaHVYGmqUqA66mAgQASJQXAKS%20izmxGzr2q4/L1t7o0rVlcduj66SEwBPmxcodBfVpYgddOTXSNm/dVkpoUzcUkQCX3is0Jp33bl1x%20+BlmD/CGWETR1BVxLdCYiUB5E5BczOVGIvCJP3b82Rt++53wbkVqBo3x+76FcFMr7+5T/ZISuPo0%20BqosPlZtZyNJq6D7iAAR+AKB/iw7BBd/7vitcPxh9AJjOpDdJi0aIkAEyp6A5GKuIAWhQTFQyk3D%203Zs3/9szLQOk8ikhqEgjgfjUbDwMSYKFoTo8bPWksYvUJyIgFwREygKM7+SGyLh0bL8QBCvmOd6p%20tpVcjI0GQQSIgPQQkFzMqXjgtxtPsFwohpqaGIKCPKSmZkCkLkZ+tgBkHiI9k/x+T+4xW7mXMWl8%20GiJNOckjmZeehvSXYdB2coKSUPJlLb2zRj2TVQIGzCHiOxaiZPLG2/jt6DNYGKgxhwhDWR0O9ZsI%20EAEpJCD5t56SCoytrJEacBHzZmxBgoEjvp30FUJOP4R3n6agqCRSONusSwUsGwIXKJjbMeCCnMpD%20KcjLw7OlSxB94TxqrVkHLQdHeRgWjUGOCLha6WBcR3f8vP0+Fu9nDhFDfGHNskRQIQJEgAiUBQHJ%20xRxr/d7eGejUZzbCuCNVPS90aOGBKf06w/TJNpyY0wvFMfUNvPk3jl4Pgo13K3Rq4PLBmBL8L2Pr%20ibvQt62JPh1rv66zAFePbcPtgET4tOyH+q5Fbv9xfhex+5/7yIMqGvUcjKqmFH39faDxKdm4/SIe%20ThbacLfRLYs1VOl1hOzYhvAjh2FYqzbEhvIhUCsdKnWgzAk09zZjTkdp+O2YH5YcfMI7RGipicq8%20HaqQCBABxSMguZjLD8fvc1YD7abg7EBTfL9kP9St6+J/37fCkJWb8HhqL1T9QniSiMvb8NPGm+jQ%20ri7Ob1yAiLwpGNXE+c0sZL04g2nzd8CrdRsEHluLmZl5mN2rPm7tWojll3LQs6Ep/lgwA1mzl6Jh%20zjmM7DcXbt+Mh3PsSYwe+xQrVy6CNwm6/6zqu4EJiEvJQnOWCFwejlhj2G5c0J8boGlrC/dJ30FF%20h/JhKt5jTHZGPKCZI0KZF/nRm+FYzbxcJ7PjV4GAMkTIzgxST4mAdBKQXMwxB4jYqFw4dW+CJi11%20obt6L3LV9WFnrAxN5fz/5Gr9+NDTsW/7Nji1XoJe3VxRUzUYIzfvRL8mM1D0dVyAk3s2otC1L0b2%20aoe8Kvno9NNuBLUwx76Dl9Bl6hF0q6IMtdBh2LrtKHy7GKP3jCXo1tGX3dsJwb164sC1QHh3cZNO%208pXUqxvsiJVLL1THVfZ3sFIDAvB81Qqwb0O4jJsADSboqBABaSYgVFbC2A5uiE7MZBkiQmGur46B%20zRykucvUNyJABGSAgORiTuSCnsNqou+PrWHzuxEiY+LxoKYt4iNDUfe7P78cNDg/FmExGvCwLjIE%20NrdwgnLcZUSyI1sdvleZCHlZCLNG1vzfhcY20M+5BP8AfyTlWMDapOgQ18HKEXGnQqHq0gXd/j2l%20TXwMv6wMtLWTfcFSlmvoFfsCeRSSAEdzLbjIeKDg/MxMZif3K9JCQuA+YRKM69UvS1RUFxEoNwIG%202swhorsnpvx5B+tZhggzfTW08KacweUGnComAgpAQHIxx6zX+sw9AE3NSeg3awvzaFVDSlw0ukxa%20hwVT+uKL1mrZmUjIKUSBqCipq7JQgLzCdGRksH9oc+9kIzkzF7kqr7soUEahKBNpr1KQVChgHotF%20s8OcaZGdy+5j/63KvZERiHEjxyLBcxi6VCOPsXfX8GMWjiSExbwa0tKJHbHKuK0Oc+RQVlOHba/e%20sGEvKkRAlgg4sBRf33bxwI9b7mH5oacw1lVFVTt9WRoC9ZUIEAEpIiC5mGPC6+bJkyis9TWehi+A%20Gm/2oQQDg2I+kNS0YKKazzbg2IuVnOwcCJW0oKP1Lx01GGopIzoju+iNvBwUZqtC394QBkzo5ecU%20vZ2Vngc1VV1e/2WF3cTEsV/jse0oHPp5EChm8X9X2rVnMbzBta+j7ItcZXV1eM+dD4GY/Kal6HlC%20XSkBgVrM1GF0e1f8su8JfmWv+YN8YMni0FEhAkSACJSUgORiLi8aS4d1x6Wq8xD+d82Stst0nzHc%20HJRw72kgUN8Iz57ehcDBGpZvbIHV4OGhi2vPH7O6qyHR/wHi9TThaeeJq7qxePgiGfVNdXCb/d2y%20+kgIs0Ix9bsxSK83E5f+16Xk/ZHzOzgbnbuB8bAx0UIVO/kIFExCTs4XrQIMr2Nta0Sxz+aGf15g%200b7HvIerjpym11OA6aQhEoFKIyC5mFNSg5WjDWIubMO4WQUweacmFQ0X9B/VHWafPWtVQZevJuLS%20rGX46ZULwkNyMfb7/uyoNAtXT5+ByLE+GvacgH+mzsL4n4KQHRSO3qO+h7GGMQYM7o3vfhuDuDOG%20CEmthsl9G+HhnjHYeDUXX1UNxPy5PyM3Xw9tBw2Crw1/Zqvw5aZ/HKKTstC2hiXUWBovKkSACFQ+%20AeaLhCEtnBCbnIWD115i2cGn+L5HFT7VHhUiQASIQHEJSC7m8sLwgHlj5bLjzpUzp7/XXg3UGfol%20MQdoOjbAL/P1cMc/BhZf1YCLBXfGmoO4qAjkKEejRhNXzJw/D1fuB0O7nzt8nE35dmwaDsBSIyf4%20R2VhWI1GYPb8SG4xCSfdByEtNQ15BYXsKjWY6XzRcq+4nGT6Oi5Q8K0XcXwIhBrOsn/EKtOTQZ0n%20Au8REDO7Yc7DNY7FgORClhjqqGJUO1fmdU6oiAARIALFIyC5mBM54Lv1G9EHImbLlo6s3AKoqGlC%20lYUlySwwg0sxDdZ0LD3R1PKdzuZmQFlTBZY2RfkLRfp2aNzU7oPRWLrVhuU7UUd0TO3hw15UPiQQ%20GZ+BuwEJ8LLVhTMLFiyLJezgASQ9eADnMWMhNigKEk2FCMgLAV32zJvMPFyn/nUH288FwYgJup4N%20bOVleDQOIkAEypmA5GJO2QAtBgxBavAz5DFVpcecIzOjniMw1wqe1qUw4lXWQrPW3SFk3rFUyobA%20HSbk4tgxTpc6VlAXSz7lZdObktcSd/MG/JYvg4gLCFxQUPIK6A4iIAMELAzU+SPWaZvu4vejz6Gv%20pYLm1ShkiQxMHXWRCFQ6gVJ9sz84/DO6jPgD326/jdFNTHBq/RwMXXUJP237B2Obu0o2OBaCRJXt%208FEpOwKXHr+ClroInPecrJXMV6/gt3I5CvLz4DpuPMRGsjcGWWNO/a08Au7Wuvi2qwfL4foASw48%20gYGWGN4OtBNdeTNCLRMB2SAguZjLY8a6/1sG1+FrMaKxMT/a9lM24pe4ehg9ch7aP9kMOzJZq/RV%20EBCZimdhyfzxqqulbKW6KsjJxos1vyHFzw8OQ7+CSdNmlc6TOkAEyptAfQ8TTOjsjgV7HmH+rkeY%20N7g6H+ibChEgAkTgUwRKIeaiERlWAD12LCp8bakrEKrAypTlVg0JQxRzjCAxV/kL705AHF4lZaJv%20Y3sIlYsCNMtCKWTHqaG7dyHi+FEY128A+wGDZKHb1EciUCYEOK/zpPQcrDj0DPN3P+QFnQkLLEyF%20CBABIvAxApKLObEbGncwwNSf+gOv+sGESyhQEIvdq3bAsNNPcFcn4JVNIDevANefx7Hgy2L4OsnW%20UU1uairCDh2EuqUVf7wq1CiFHWZlTwS1TwQkINC7kR0S07Kx6XQgFu19hB/7VIUuxaCTgCTdQgTk%20n4DkYk5JE8N+XIGnoaOw9XeW7Px1Ma/eCytmjoCu7GwCye0sh8Sk4WFwAh8kWNaOaYSamnAeNQZq%20JibQsP3Qm1luJ40GRgReExCwE4/hrV2QkpmHfZdC+Owt3zOPVzUZdGKiSSUCRKB8CUgu5li/jDzb%20Yct1f4y6fJPlVeU6KkD1BvVAm3LlO2nFrf3Kkxhk5uajlosRlAWypa4FysowbdK0uEOl64iAXBIQ%20sZzV41gMuuS0HPx9M4z3Rp/EcroKlSkInVxOOA2KCEhIoFRiDnkJOLr/IJJy3+bH9Fv7AHlCW3Qd%202BbGMp7LXUKmUnFbNhNxXKBgLVUR6sqgF6tUQKROEAEpIKChKsT/unkiPSsPe9gOnQYTdCPbu4Db%20uaNCBIgAEeAIlELM5WLvvGHo8dOBj5CsAc8eJOYqc4lxHqxPXybxu3IWhrRXWplzQW0TgdISMNAW%2044eeVfDj5nvYcjYAGmpCDG7uWNpq6X4iQATkhIDkYi43ELv/OAyzWl0wvlsddsD6tog0nOBIMX8r%20dYnc8Ivjf8nXZrtysuDFmh0bi7TQEOhVrQaBiLZ0K3XxUONSSYALKjydOUFwWSLWHfeHiHmn92tC%20WW+kcrKoU0SggglILuaU1aCubYGe4+fi+z7v5NWq4AFQcx8SSGMi7jKzl7NkO3Lczpy0l/ysTDxZ%20tIDFk3uO6kuWQcvRSdq7TP0jApVCwN5UE9N6e/FBhdcc82POEMroWtemUvpCjRIBIiA9BCQXcwIz%20tO1WA0tWrMathjNg885mipJADD0DHRZ/TnoGqkg9uR+YgLDYNDStagYzfenfIg3avBnR58/CrGVr%20qJlR+iJFWqs01pITqGKrhynsyHXmtvtYdvAps50ToDNL1UeFCBABxSUguZjLfo4jW0/jRnAyalr+%20hndtcTVMuuDci33wpaxclbKyrj6NRlZOPppUNa2U9kvSaPSFcwjZtgXaLq5wGTOO4smVBB5dq7AE%20fBwN2JGrF2bveIjlh55ArCJAm+oWCsuDBk4EFJ2A5GJOpAZTBzd4aacjLycPfGSS10XNwAKqshUJ%20Q27WQTTL9nDrRTyczLXhaaMn1eNKDwmG/+pVEKiI4DJ2HNuVM5Pq/lLniIA0EajpbMTizlXBnJ0P%20sHjfEwgESmjlTTvb0jRH1BciUFEEJBJzhYVMuik54pdT1/BLRfWU2ikWAe6INZQFCx7Q1AF6mtKb%20HDc/MxN+v61GakAAXCdMgmGtOsUaH11EBIjAWwL1PYwxmQm6RSyP6y97HwPs2dzKh3boaI0QAUUj%20IIGYi8Lsjt2x8VEElFgg2o+ZxakbtsKO87+jCkXEqPD1dOHRK3BxqWq7SbfjA5d7VVkshnW37rDt%2007fCOVGDREBeCDRl5hRK7GxkwZ7HWHLgKYtDJwIn8qgQASKgOAQkEHMFSE2IxatXrz5JSSM/ATkF%20igNRWkYa/CoVj0KS4GimBS9mJC3Nhcu16jntR3bEqsL/KKBCBIiA5ASaMGen7NwClsP1Mebvfogp%20vaqgvruJ5BXSnUSACMgUAQnEnBl+PnELU1kS908VJYEKtCgveoUvhGvPYxGVmIEeDWwhFilXePsl%20bVBZVbWkt9D1RIAIfIJAa18L5LEd78X7n2DerkeY2hNsh44EHS0YIqAIBCQQcwKoaelA+gNeKML0%20vR1jFkvfxYk5Ay2xTMSWU6zZodESgYoh0L6mFWc2h6XsuHXebk7QKdGRa8Wgp1aIQKUSkEDMVWp/%20qfFPEHgRkcKOWBPhy0IWOLBjVipEgAgoJoEOtZigY1Z0yw48wWzm6fpdVw+0IC9XxVwMNGqFIUBi%20Tk6m+uKjaOSw2HLcsYpQWfqiNcffvIGI48fgOHQY1K0owKmcLDsahpQS6FjLEiosajvnEMHZ0XGh%20o1qSoJPS2aJuEYHSEyAxV3qGlV5DUnoObvrHwVhXDXVYLlZpKxlhL/Hk10XIjIiADfNeBYk5aZsi%206o8cEmjNgghz+VsX7uXCljxCfn4B2vhayuFIaUhEgAiQmJODNXA3MB5+4UnoVs8WJnrSZc2Yl56O%2058uXIT00BM4jRkHH3UMOiNMQiIBsEGhWzYwFEwYTc0+wkIUuyWIer13qWMtG56mXRIAIFJsAibli%20o5LeCy+xI1YV5r1a31P6PNeC/voT0RfP83lX7QYMAP/NQoUIEIEKI9DEywxioTILWfKIOUY8Yan+%208tCnkX2FtU8NEQEiUP4ESMyVP+NybeFlbDp/xOpsoYNq9tIVWy7q5AmE7NoBHVc3uLK8qwKR9Gak%20KNdJosqJQCUTqOtujFn9q2HurodYdeQ5Mpl97ZAWTh8N+l7JXaXmiQARkIAAiTkJoEnTLZefRCM+%20JRvd69tATUV6prMgJwchO3dCSSiE6/hJUDU1lSZs1BcioHAEfJin+8x+1VgMuodYc9QPGZl5GN7W%20hTlK0G65wi0GGrDcEZCeb3+5Q1v+A+J+XV97FgtNNZa+R8qivXOZHez6DYBArAL96tXLHwa1QASI%20wBcJVGGZYWYP8MacnQ+x+WwgkjNzMa6jG7TYM4QKESACskuAxJzszh2ehyfjflAC6rEjFFsTTakb%20iWmzZlLXJ+oQEVB0Ao7m2viZCbqFex7hwNVQpGfl4X/dPKGnSWYQir42aPyyS4DEnOzOHS49jkY+%20S9/TgDk+iOioRIZnkrpOBCqWgLWRxhtBd/JuBNLYDt3k7lVgaahesR2h1ogAESgTAiTmygRjxVeS%20lJbDjlhjYGGggdpSGFuu4olQi0SACJSEAJf678feVaGtLsLh62GYtvkOpvWqypyptEtSDV1LBIiA%20FBAgMScFkyBJF648jUZIdBp6NbTj87FWdsnPyEBGRDg0bGzB2ctRIQJEQPoJaDEhx+3I6WmoYOvZ%20IPzw5x1838OT8jtL/9RRD4nAfwiQmJPBBZHLIrlffBLDYssJ0KiKFHiJFhTC77dVCD9yGDVWrIRe%20VW8ZpEpdJgKKSYDzZh3dwQ367EfhmmN+mLntPiZ29kBLH3PFBEKjJgIySIDEnAxO2ouIFNxiseV8%20HAzhYa1b6SMIP3wQYfv3QbeKF9TMKV1QpU8IdYAISECgT2N7GGqrYsnBJ3z4kuikTPRlwYWVpTDX%20swTDo1uIgFwTIDEng9N76m4kMrPz2K6cCb87V5kl8f59+K/9HWJDQ7hOZPHkjKQvN2xl8qG2iYAs%20EWjBduO02ZHrEpYpYvWRZ4hKyMSodq4s/BF9VcjSPFJfFY8AfUJlbM7jU7Nwwz8W5vrqqOtmXKm9%20z4qOYXlXlyI3LRVVpv3IZ3qgQgSIgGwTqOViiHmDfPDrvsfYdTEYMWyHblIXD5gbkKerbM8s9V6e%20CZCYk7HZvfE8Di8iUjGwmQOMdVUrrfeFhcxObvUKJD68D8dhw2Heum2l9YUaJgJEoGwJOJhpYS4T%20dMsPPcPRW2GITcnC+E4ezLRDv2wbotqIABEoEwIk5soEY8VUksccH07di2LHICI+tlylFibmCvPy%20YNG2PewHDanUrlDjRIAIlD0BziHih55VYKQjxs6LIZi++S7GtHdF2xpkF1v2tKlGIlA6AiTmSsev%20Qu/2C0/Bw+AEeLGUPFxansosSgIBPKfPgIDlXqVQJJU5E9Q2ESg/AmoqyhjDPF25IMOr/36O+bsf%20IjIhAwOaOkAsUi6/hqlmIkAESkSAxFyJcFXuxWfuRyGNpd5p5m0OZYFS5XaGtS5UJxuaSp8E6gAR%20qAACHWtbw1RPjT92XXfcHy9j0pnIc2WmHmoV0Do1QQSIwJcIkJj7EiEp+TsXJuAyCxTM/ULmDJSp%20EAEiQAQqkkBNFyPMG6yGZQef4tjtcETGZ2BSVw+4S0F4pIrkQG0RAWkkQGJOGmflI3269iyWz/gw%20qJkjs2GpHMeHgtxcCEQiGSFG3SQCRKCsCdgYa/I5Xdf/4489l0LwPcsY8U1bF7QjO7qyRk31EYES%20ESAxVyJclXNxdm4+TtyJgL6mGFwcqMooobt3IuHuXbh/+z+IKZZcZUwBtUkEpIKAlpqIzxDhYKqN%20tcf9mB3dI4SyH5oDmIc99zcqRIAIVDwBEnMVz7zELd5k2R6ehCaisZdZpSTBjrl4Ef6rV0HVhHnQ%20KlW+rV6JAdINRIAIlDmBjrWtYMXMPlax4MJ/ngqAP8tMM4p5uzpbaJd5W1QhESACnydAYk7KV0g+%20y3t66l4kCgqA1tUtKry3KQEv8GzFUiipqLAMD9/ymR6oEAEiQAQ4At4s7tzCIdWx7oQ/jtwI401B%20hrV2QvuaVgSICBCBCiRAYq4CYUvSVEBkCjh7uWrsock9OCuy5CQm4vniX5AZEQ63id/BqE7dimye%202iICREAGCBgyG96pvbz4HbkN/7zgj12fhSVjSHNHcH+jQgSIQPkTIDFX/oxL1cI/dyKRlpmL5lXN%20oC6uuOkqyM6G/6oViL91Cza9+8K6e49SjYNuJgJEQL4JdK9vCwczbfzG4tHtvBCMpy+TMJodu/o6%200W6+fM88jU4aCFScOpCG0cpYH6KTsvhwJFZGmmjkZVqhvc9JSkL0lcswqlcfTsNHgAsSTIUIEAEi%208DkC3OnB/ME+2HjqBQ7fCMe0TffQv6k9ejawpSDDtHSIQDkSqHQxl/zyAS7cC4WVZz12jGjwwVDz%20EgJx4vJj6FhVQwNvmzd/D3l0EQ+Ck1GlXmvYG7zjQVWQhshXiTAys4JIxm31Lz2JRlBUKoa3cQGX%20WqciC2cbV/2XJVAzM4NImwyaK5I9tUUEZJkAd7T6v25V4GGjhz+YLd1KFmiYO3YdwZ5jNsYasjw0%206jsRkFoClSrmkp+exZQlO2Dt6oAjB06i3aQf0dnrbc7RwlcPMXPOCuRZuiJ972E8GvIdRjVxw4vz%20f+GnLbfh46yN/SduY+yMqfA15cROIU6vmog5T6zw95oZkGUn+YzsPJxggTm5mHKNK3hXjlutSsrK%200K1SRWoXLnWMCBAB6SXAOb1zsec4O7rfjj7HmfuR8AtPxvDWLmhVvXLCK0kvLeoZESg9gUoUc9nY%20t3E5NOr8iB++8sWjndPxw9qtaLn6WxQliSrE2d0rEK7fHH/90BtpNzeg+/IN6Oz7LbZt3IXGI/dg%20eB1N7JjVF7/vOIcNE5vhwl/zMWH5P9CsPwFCGd+Vu/oshv8129rXglz9S7/OqQYiQAQqgYCTuTYW%20DK6OXReDseVsEGbveIB7QfH4qqVTpQU/rwQM1CQRKHcClSfmCmPgHyqEWxdbfpCOzl7AthsIZyE4%20nHnzrCz4PU+DXV03/u+atu4wSL2Pp0FPEJNmiub2mvz7VR09seNiEHLQDLpuzfHzd+nYezWH/RuQ%20VT+qzJx8/H0zHEKWf7VTLetyXwTUABEgAkSgvAiIRcoYyDLXVGHHrlwIk/1XQtkP1SQMbOqIZtXM%20yqtZqpcIKBSByhNzmWmIzVaCs2qRYb1IRYS8whSkprF/8CZamYhPz0eumkrRhAhFLNZZJhJDEhAP%20FSi/PkMVqwuQkZmAVHaoWrVWXahFnsDWPKYIZbjcD0zAzedxzOnBBG5WOuU+kvysLARv3QI1UxNY%20tO9Y7u1RA0SACCgeAW9HAywc6ott54P4nbqZ2+7jFguIPpBljjA3KDqPoUIEiIBkBCpPzKmqw4Dp%20NKWcIuGVx1JWCZW0oPHGPlYMPXUh4pntGF/y88GUHbQtdaGvlI/C12/nZgFqYm2ovR5/Vm6BTCcp%20KGTjOHorDEJlJXSoxZw4hOXsRVpYiIA/1iFgwzpYde5KYk6yzxHdRQSIQDEIaKuLMJLlcuV26f48%20/QJ72S7d/aAE3uO1ja8llNlpBBUiQARKTqDyxJzACLZmWQgJiQHqGCLs5XMUmBjCQvnfQWjA3k6E%20RyHB7I0qyIkKQLyqMlwdmGenaiSCI3NR11gEv9Dn0LPtKLNHqu9P2f3AeFx9Ggsve33UqID4TCG7%20diJk53boV/eFw1dfl3wF0R1EgAgQgRISqO9hzJ86bD0XhMPXX/KBhrldugHs6NXRXKuEtdHlRIAI%20VJ6YY24O3QcOxvilv2BDTn3cPReCXsOnQ4tZuz27/wBCC0+06Dkch6avxq8bEhF/7Rzq9xkNG10b%209OzaBDOXT0ZeA0uceaGHwT+2xL/7V/k5mUhPFzD3CdkrbJOMebBGgrOZ61LHutx35aJOncSLtWug%20amoK9//9AA0rSsEje6uGekwEZJOAgbYY4zu5obarITafYSGobkfgQVAi+jWxR3t2KqGm8uaXvWwO%20kHpNBCqQQCWKOcC4RnfMmaiG8w9focvYH9G8OhdHLgfP795ETqIOnJrUx9wfC3H4sj8c+kxCl2bM%20SYKVqt0mYorWbjwKy8KEH7+Gj22RMwRX7BsPxU/Oyq89YiuQZBk05R+RjLMPo1DFTpc94IzKoMZP%20VxF38waeLVsCZWar6D7pO+i4upZre1Q5ESACROBjBGq5GMHdWhf7r4Ziz8UQ/Lr/MUthGIMBzJbu%20Y7FHiSIRIAIfEqhUMcd1x6FGO/Z6p2N5mRBqq8GA7RZxxdClAYay13+LEDVb9kXNj8yojqUH6ljK%205lQfY3HlUjJy0drHAhqq5Ts1r86cQl5yMjymTOOzPFAhAkSACFQWAS01EQYxj9faTNhxu3TnHrzC%20k5fJzG7YkmWPsIOxrqzGJqgsotSuohEoX8UgCU0lVdRp0BJqRoqVdeBlTDrboYyGi6U2mnuXf1BN%20+/4DYdm+EwUGlmSN0j1EgAiUCwEXSx3M7F8Ndd0jsZ3Z0/11KoDZ0sWjVyNbtKhmXu6mJ+UyKKqU%20CFQAAekTc8piGJrI6NZaKSbsyM0wRMZnYHDzKuA8vsq7qFtZQ51M5MobM9VPBIhACQmIlAV89ojq%20LJTJ7kvBzEEiDHN2POR36/o0soMPe58KESAC/yUgfWJOAWeIy7967FY4y2Woi6ZVKYimAi4BGjIR%20IALvETDVU8O4ju6o726CPZdCcP7xK9xj3v6tqlugd0M7WBlRnldaNETgXwIk5qRgLey5HIK4lGw+%20xY2OxusgyWXcr8ICFn9PUM4x68q4z1QdESACRIDbiavKQjWdfRDFizrudfVJDLo3sEX7mpbl9swk%208kRAlgiQmKvk2XrO8q9yDyku5lJ52MoV5GTDf83vyGHODp7fT4FApXzEYiVjpOaJABGQYwJcMOEW%20zJa4jpsRjt4Ix57LoVh+6ClO3ovkd+m4tGAq5R1gXY750tBknwCJuUqew0MsYGZiWg6+YVHRy9xW%20ju3G+f22GsFbNsGobn0UcoHsqBABIkAEZJSApqqIOUPYoYGnCQtl8hJHboTh5+33cfJuBLrWs+FD%20OnE2d1SIgKIRIDFXiTPuH57C78p5sBhLZb0rxx2rvmBpukJ37oC+jy882K6cslhciaOlpokAESAC%20ZUOAy+U6poMrmniZsjyvIbjw6BVuv4hn9nXG6FLXBjVdDMumIaqFCMgIARJzlThRB9iuXFJ6LiZ2%20sQMXZ6msSkFuLgL/2oigPzdAy9kZntN+hLql4nkIlxVPqocIEAHpJMA5jc3sV5UFGTbjj17PP4rG%20DZYWrEkVU3Sua40qtnrS2XHqFREoYwIk5soYaHGru8eSS/9zJwK+Tgb8r8uyLMHbtsL/99+g5+GJ%20Kj/NgqatbVlWT3URASJABKSGgIDZ09XzMIGvsyEv5vYyhzIuAPt5tlvH2dJ1qm3NRwqgQgTkmQCJ%20uUqY3dz8Aj4gZnZuPnoxjyyxqGxzEBbm58OYZXVwHT8BWg6OlTBCapIIEAEiULEEuOdoKx9zNPAw%20xun7Ufib2dMdYjHqLj6O5n8wt69pRaKuYqeEWqtAAiTmKhD2v02dZQ+aS+wB05z9amzgWba7clwb%209gMHAewlEJXd0W0lYKImiQARIAIlJqAuFqJjLSs0ZketnC0dJ+gOsLyvp+9FoVEVE3RkO3VVbHWh%20pKRU4rrpBiIgrQRIzFXwzCSn52D7hSDec7VPY3v2QCn7DpCIK3umVCMRIAKyRYB7xnZgoq4JC8R+%207mEUDl0Lw1EWnJ07iq3HHCXa+FqgFvN+LYdHsGyBot7KBQEScxU8jQeuvcTT0CQMYEmlyY6jguFT%20c0SACCgcAU1VITqwI1Zup+7y4xj8fSuMD2VygWWU4FKGcbt4NZi9HbejR4UIyCoBWr0VOHOhMenY%20zzyurI000Z3FRCptyYqJQdiBfTCsVQd61aqVtjq6nwgQASIgtwS4iAFtaliwnTpTXH8ey8eou/0i%20jnnCxqKavR5a+1rygq/M433KLVEamDQRIDFXgbOx/XwQohIz8V1XD3BxkkpTMiIj8WTBPLw6exru%20YlUSc6WBSfcSASKgMARUVZTRmDlE1GOOErf84vgsEpdZerC7gQ/5VGEtWaaJRuzv1pT7VWHWhDwM%20lMRcBc3ilacxOHEnHN6O+mjPtvVLU5KfPsXTXxYi6ckj2PbuC6vOXUpTHd1LBIgAEVA4AlymiLrM%20do57cWkVj7NQUZzDxIrDz3iHCe79Fsw71tVSl0UcoKwSCrdAZGzAJOYqYMJSMnKw8eQLKBUqYTCz%20ldNgNhySlrgbN/D014XIiIiA3YCBcPr6GyirqkpaHd1HBIgAEVB4Aq4sNzb36lHflmXliWQ2dZHY%20eyWUd5ioZq+PlkzU1XA2gqE2ZdFR+MUipQAkVxVSOiBp7NbOC8F4GJyIng1t+V97kpbEe/fw4Mep%20KMjJ4WPI2fbsjXJxh5W0g3QfESACRECGCVgaqmMg+8HNxaS7yY5gT7DdursB8eBOVpwstFm6MBM0%20Zd6xThZaEJRHKAIZZkddr1wCJObe4Z+XlsYLJRV9/TKblYfBCSzNTAgczbXYQ8KhVPUWFuRDx9UN%20Fh06waxFi1LVRTcTASJABIjAxwnoa4mZQ4QFmvuY4bZ/PH/8euVZDDafCcQ+tmNXi+V+beBpgtou%20RtDVVCGMRKDSCZCYe2cKAjasR+LDB/BZ+AvEhqVP1MxleNh4MgBpWfmY0NkBJrpqpZpw/eq+0PWq%20SsGAS0WRbiYCRIAIFI+AUCBAbRaLjntFxmfwKcK4XbrzD1/x/805SdRnpy0NmResq6UOREKyrSse%20WbqqrAmQmHuHqBLL8Zf89DFir12BJdv9Km3Zf/UlrrJfc62qW/A2F2VRKCBwWVCkOogAESACJSPA%20RSDoywK9d6ljjUchSTj3KIr3ht3CUjPuZSGnONs6X2cD1Gd5Yi0NNaDMvk+oEIGKIkBi7h3Sxo0a%20I3TfHsRdvQqLNu2gJJQcz5OXSdhyNhCmemoY3NwRnOdUcUtBXh5Snj2Fpp09hJqaxb2NriMCRIAI%20EIFyJqDGggvXZMes3OsVCzXFxam79jwGd17E4wYTd9vOBcPbQZ8XdZzAM9Mv3YlMOQ+HqpcTApKr%20FTkB8O4wtJycoevphYT795AeEgJNR8mS1Kdk5OL3v58jISUL3/fwgoOZVrFppb8MxYs/1iLu2lV4%20Tp4C05atin0vXUgEiAARIAIVR4D7sd6lrjXL92qFwKgUXGLx6q4zcccdxXIesXammvCy1Wdx60zg%20ZqVL3rAVNzUK1xKJuXemXKimBkPfGoi/eQOJjx5ILOY2nwngf6FxH3AuN2BxS9TJfxDw5wakBQTA%20uEFDaLt7FPdWuo4IEAEiQAQqiQB3pOpsocO/+rGj2PtBCbgdEIcrT2JxgqUOO3Y7DDbGmsxxwogd%20xRryO3ZcmjEqRKCsCNBqeo+kQY2aEGppIfbyZRaMt2uJQ39wXk9cFHEXZgz7dWtnCJW/bDeRGRWJ%20wD//RMSxoyxmnBjO34yCbZ++UFYvXZaIslokVA8RIAJEgAgUjwCXYeJfp4n+TRzwgAm7q2y37lFI%20IrgsQAdZfm4LFgKlhpMh84Y1hDP7ruC8Z6kQgdIQIDH3Hj1tV1cY160Hgbjk7uZhsen4/ZgflJmA%20G93elbeX+1LJTU3Fw1k/Ie76dRjUqgWnr76GQc1aX7qN/k4EiAARIAJSTkBXQwWNmKcr94pNzsLT%20l8lv7Ov2sywTXAxSZ0tteFjrwpeJu6p2ejDQVqXwoVI+r9LYPRJz782KkrIyvGb+jMLCghLtymXl%205OM3ZicXEJGKb9q5oI6bUbHmm/NO1avqDQPfmrDp0RMiHZ1i3UcXEQEiQASIgOwQMNJRZaKOe5kg%20MS2bBSNO4J0m7rNYpAdY5INjLNuEHtuh87LV449incy1+VdxTndkhwL1tLwIkJj7CFlO0ClBudjM%20CwuBP0744/T9SD46eL8m9sW+l0vF5TxyVLGvpwuJABEgAkRAtgnoaYrRrJoZ/+J27AKjUpmddSyf%20KYjzjOXSiBmzuKQOzIHCje3a1WDizs5EE5wgpEIEPkaAxFwZrAsuIvgOtl3uYaOHiV08oMZsJt4v%20Kf5+yI6LYztwNSBQKfkRbhl0k6ogAkSACBABKSPACTTuxdnZcYHmH4cm4XlYMh6GJDB7u0R+5477%20fjFjZjuc44SHjS4foNiRdu2kbCYrtzsk5krJ/8rTaKw59hyG7MP4v+6eH8QUSn7ymHdseHXuLNjZ%20LWqu/h2a9qVL61XKLtPtRIAIEAEiIIUExCJlVHc04F+98m0RnZSFR0zM3WOizi88mXnFhvMOFMa6%20qrxNNifsajobsZ07A3D3UlFcAiTmvjD3+VlZ/I6auqXlB1e+YPZxi/c/RV5+ISZ0cuONWLnCOTXE%20Xr7EMklcRezVK8jPyICGvT2sOnaCmlnZZIJQ3CVLIycCRIAIyD8BIQs0b8GyTnCv1r6WvJ2dX3gK%20uID0nIds0Ks0+EeEYj87GVr+TS1eAFJRXAIk5r4w96/OnMazZUtg2rQpTJs0g7qVFdTNzPAisRCz%20dj9m+frSMb6TB28r928JWL8OIdu2sjAjqtCtWg3mLVvCpElTiLTJuUFxP2o0ciJABIiA5AQ4O7t/%20Q57k5hUghtnacTZ2KRk5fAw7KopNgMTcF+Zfi2WB0LSzQ/iRw4g4cgRaNtbQMjNBWGoBVPMc0Lt7%20J/RqaPufWgyq+0LA4sUZ+PiyjBJVINTQUOxVRqMnAkSACBCBMiMgEr7dtSuzSqkimSZAYu4L06ft%204orqvy5F3I3rSH/8AFFPWPiRh/4QZyRjQFd31GrriPfzKRs3bATuRYUIEAEiQASIABEgAuVNgMRc%20MQiLtLVh1qIlYuo0wcoNl/FC7RU61TDDoG61oPrlBA/FaIEuIQJEgAgQASJABIiAZARIzBWTW0h0%20Ghbue4LbL7PRsVE19O7sBkqtV0x4dBkRIAJEgAgQASJQbgRIzBUDLZc0+Ze9j/EiMgXd69lgfEdn%20EnLF4EaXEAEiQASIABEgAuVPgMTcFxiffRCFpQeeIi41C0NbOGJoK2eoMONTKkSACBABIkAEiAAR%20kAYCJOY+MQsFBYXYdSkE61maLq58yzI7dK9vKw1zRn0gAkSACBABIkAEiMAbAiTmPrIYuFx56477%2048jNMJiw/HhcQOAm78SRo/VDBIgAESACRIAIEAFpIUBi7r2ZuPYsBmuP+ePxy0Q+QOOYDm58Hjwq%20RIAIEAEiQASIABGQRgIk5t6ZlT2XQ7Hy8FMoKSlhSAsnDGrGAgarESJpXLjUJyJABIgAESACRKCI%20ACmVd1ZCHDtedTTTwtCWTqjvYUJrhAgQASJABIgAESACUk+AxNw7U/RNWxeMaOMMwfspHaR+GqmD%20RIAIEAEiQASIgKISIDH3zsyz01X+iJUKESACRIAIEAEiQARkhQCJOVmZKeonESACRIAIEAEiQAQ+%20QoDEHC0LIkAEiAARIAJEgAjIMAG5EnOZ8S8R9CodVs5u0BbJ8KxQ14kAESACRIAIEAEiUEwCciPm%204p6exvRlO6DNVFyK0BP/mzIKDjqUdquY64AuIwJEgAgQASJABGSUgHyIuYI4/LlsGazarcK0TrZY%20N6U3lux0x6oRTUHuDDK6MqnbRIAIEAEiQASIQLEIyIeYSw6EX5QG+vrY8oNu4OWFI2ceI4uJObXP%20YCgsLISysnKxQNFFRIAIVDwBgaBod11FRaXiG6cWiQARIAIyQkA+xFxiEmLy1aGiWkRdTUOMjMwk%20pHH//ZmJ4IRcTEwMHj9+zGLL0ZGsjKxZ6qaCEOA+k2lp3KcYePr0KbKzs1FQUKAgo6dhEgH5IsB9%20dtXV1WFnZ0chwMphauVDzKmKoSUoREF+EaGCXCWoCNXwpd/ympqaqFKlCjIyMmhxlcPioiqJgKQE%20uHiPnJjLzy/6UHNCLisr682/Ja2X7iMCRKByCHBijttA4U7EKJ5r2c+BfIg5PTMYiqMRE88e/KbK%20CIsOgYaJD9S/wIv7snB3dy97qlQjESACZULg3+NVb29v/hc9FSJABIgAEfiQgHyIOTUndG1dDavX%20LYZxVxdsv5mKLuNag6KT0JInArJNYM2aNUhOToaJCeVKlu2ZpN4TASJQngTkQ8xBgEbDpiB+/Uqc%20OXsbrb/+EV18TMuTG9VNBIhABRDw8fGpgFaoCSJABIiAbBOQEzHHJkFJG12/noausj0f1HsiQASI%20ABEgAkSACJSIgPyIuRINmy4mAkSACBABIkAEiIB8ECAxJx/zSKMgAkSACBABIkAEFJQAiTkFnXga%20NhEgAkSACBABIiAfBEjMycc80iiIABEgAkSACBABBSVAYk5BJ56GTQSIABEgAkSACMgHAYUWczmp%20sYhOzoW5pTnkOUNrQX4eBMr/TnUBUuNjkZSRw69gdV1jGGiJ5WI1Z6ewwNHJeTC2tIBY6e2QkmMi%20kJqvBkszfbkY57uDKGRzm1cogEhYlI4uOzUBcUnp4JJeCdV1YWagJSdjLsCrsAgUqOvD3EDjzZhy%2002LxKikXZuwzLBcPs7xMREXHIY/PWiaAhpYmxCpiaKiroiAnDTFxScjNLwREajA1NoRITrIQRkeE%20IV/M5tbw7dwiPx3hkQnQMbGC1pfS+cjEKmef1QJlCAVvH05J7NmUxlJRWprpvRlBdhr7DCcWfYaV%20X3+G33mcycRIuU4WFuSiUCBiq7ioFGYnIzwmBao6xjDSfvudk5sWxz7DOfLzGa6kGZKL558k7GKf%20ncH0pdugKsyDyK49vh/fE0Zy8cD4L42T6ybitKAVFg1rzf8h4dFxTBr7B7Sq2rAPmQDeXUdjcCNH%20SRBK1T2B57di7prd0DIxRqFOLXz73Vew0Rbg6bF1mLXzJgxyc+HQfRzGdasuP8Gkc0Lw/cABsPl6%20D0Y3Y3EVs15gzoApiLCxACfhDHw7YvqAZm8eplI1YSXpTHo4Nqz8FZfCC5EbF4fGA6bj63ZuiHt+%20FtOXbIWYfYaFtu3ww4Resv8ZTgjExt82ICaNpT5SKcDtk2fg0HsJ/pzSHDunTsaB+EKYa7MHlVlV%20TB47FBbvaJ+SIJWaa7NisXvpdOzwV4VBTjJ8Bk/CqBZeKEwIwqJFv+JlpgC5heYYM20ivEw+l2lb%20akb08Y5kBOGHH+egwder0c6VG0cBnvzNnk177sAgOxdOvcZjXBdvCLMDMJd9hsOszKHNFJxe9Y74%20cWAzmdtsCD//G2adz8KvMyZBh6m5aPZ9O+v7XyGwc0bYy3B0/HYxvqpvizi/c5ixZAv7Mco+w1Zt%208P3EPjCWj72FCl+QiinmciOxbvFyOHX/Hd+1NsDP3/TC6r9dMbOrV4VPQLk1yH7Fn965ECNn/YXq%2049u9acbvwRPo956MJd/ULbemK7zinAhs37QP3kPWYWwrU6ye0BV//FMHsxunYtGfZzF8+Q4003qM%20vsN+wnHPP9HRRafCu1geDd7dsQy/H7iCn4cX7Sun+j9CuENL/Ll4eHk0V0l1FuLWnuU4m+iCbatG%20An4H8NX8PWjbeDi2L10B+86rMLmtEeaM7IVVR1wxq1vVSupnGTVr7Ilpc5fylWX4H0TPK6Ho0bce%20kBmIG1mGmPnHz/CQo6f2w4NLseR0DvaeXAuTiBPo9e0SeHmuRN7e+fDXaocNCzrj5PLRmPvbTmyb%20NUQmd1/TXz3B4u+HYtXpfNQfXpSXKP3lGSz86wJGrd6BxuL76D1iDk777ELz3GcIs2/OPsMjymhB%20VXQ1ufA/twtfjZyN2GpjIea35bJxcfch6DSdhPkTWiDs5FL0m7sSjXb/D4eXLYdVh+WY0t4M80b3%20wkr2GZ7d3buiOy0X7cnRY6H485Ef/QT+MToYU9OCv6l5FRcsvXIPhUzMyeJ29kdHnhmLqHwrdGvV%20FJm52a8vycejp5cQmJCMRQsvQc+9Eb7uULv44KT1SpEJ/sd25VTFIuQkhiEuoxCamiqIf3IL2Rqe%208DXnZtUFdXTVcfVOMBNz1aR1JMXuV1bYdey9FY7GDZtDJSeLv+/5o6t4GRaD5QsTkW1gh6GDe8JQ%205j/hCbhwIxVetcyxcdFCJJi4YN6a6TBKPo/HUZoYXcuSH3szLxcsZp/hAibm5OPkMQt/LP8dLoN/%20QlsbLSQ/uIugiGvYt3Ax/lZRQesB36CqqewnLHz2IAQ2zQbCkvs9Yt0APtqbcPX2PQgepaJWn6Jn%20U7169bBi9l28ZP9tX+xPiPRcmBD6Erp1OqDjqwcoyMtlHRMi6v5t5Gp7wYfPUueGWlqquP08CrYF%20dxAWFsg+w0nI0i/6DBvJ1DRnITgmB626tsfjcAGTcYAqVNB5yhL0UCl6GFm5ecBANQjJ0f7wf6WF%20QbVsXn+G3bDo8n3kMzEnz2ZP5bUyZf5RLwmYvIQkxLGMEWLVoru1tNSQlpaEDPbfsn5q8YaHjh0G%20DBmOAyEXcSw3//Xb6cxuwQyOVs7wqqqPvzctwM8J32P6oDqy/QWoJGRCjp0yhlzFjNlLcCPRAiur%202yPpTCJS1fRfH6sy+yNNZcSzuZf5UpiDPX9tgEmdr6CT+ztyCoo+xpnZmrDR04VH1ap4cHozvp2W%20gdULBkNTpn+hFCAm5gGO7lHBL2PbIuHUJsyIUMIv3UVIFOhA5T+f4URkyslnOPn+ARx+po0FPxft%20oGfkFLIjZGe4+npC4H8KP06Yjvm/zYWHvmw/wu0cjZHKUjDmguXSZmYDDx6HoGHbdHa8qgJ9zSIV%20o6aujoKCVCSkMDGnLXufXqtabTCOCZZH+26wI+Oi/ifHpSNNzfz1s0kJmlpChCWEI0VZg32GnfnP%208MMzW9hnOA2rFw6Flsx8hrXQqtdQuGhFYNKmHBQNVwmi10IOBYmYOWsBtBr9AC9BDiILmE3oO5/h%209Nffw/Ji6VuRq1W2nwQSklJiv2w5q4VC3siYWS/ks8UmVJHJLfwvIchmltRKb2wBtTFi8bo3t1Qr%208EfPdYcwbGAd8JtXMl5UbWtjzpo/cWD+OPy4YAN+rK8DzcJC3pCYzTYK85ShoiJTP3M/OiMR5zdh%202wMVLBvois0HEiGMYw4emYZoOHQmexXd0txHEx16LsWliP5oYynLH3Ml5Culw6dNP7RtXQttq4jQ%20fug2XK3XEXpCpbef4TzuMyyWm8/w+eMnoV+zM3wNiubTrEZfbNzVt+gfrWrj1pne2HMlGB4dnGT6%20U1uz7w/o4v8dhkyaAmdxPtKFhtAUKUOsLIAS5+jBPZ8LCtlOjZgJAhkeakYGew4pvTn5EbHnkCob%2017/PpgK2fnPTC1Fz2P9Qs+frz3B1LXTosRgXwweinZVsfYbTs/KYhnuvz6mBmDNpGHZlNMY/I1pC%20FH0cYvZ8fvM9zH+G5fN7uCJWrmytkDIiIjI0gq5SJBLZLz1oApGxkdA28mSPCzkv+cm4e+MRLKvX%20541MRcxLrjA/F//u28ns6DNe4dyNp3Cv1xQmKlpoXssL6zZGotDMASrpj/jdGk322IxIToC5qZHM%20DvPfjidlZLFjihysWTwPVx4EQyXrD/i6T4e7IAR5pjXgas5+6rJvPmWlAuS8/kKU3UFrwkqPzZno%20tQjnxsV2JpXYe3qCqKLPMPsZX/QZdmcHOvJQUuHnnwTvtt5vvvzjAu8gOMsENTy4Y2UhxCIl5OSw%20L0wZLylJKajWZSIaMhMIFZVMpMWvg66dPXPySEZCbBobnSES4iORr64Bs9c7ODI+ZL77+uY6UEoN%20448hNdizKTIlCXbWBnj58AoyDH3YZ5htN4jE/Gc4N+/1dp4sDzw1HJOHdcJ9s5G48cdo8Bus2gZv%20P8PMjDkyLhJaRk7sWJaKJAQUUswpsQ9Lq5rG2LRhK/RbG2Hv4yx0+K6JJPyk/p7s9FSk5RWFIQHy%20cHTpVDy2HIBpQzyxdes/aNBlGsxkflcuG4dWz8C2G4kY19YYGzafQtVmP6JaDVs4qh3Db9suoq3m%20UzxUccLMxg5SP2df6qBHu7HYxvu0xGFyh3vQ/XomOvqa4e+FP2LRqV1YvGQ4Hu9dDtUabdHQUtZ3%20IlXRpUc3jPtjJY55T0Tq6b8gcqyNup41kFXdBFvWb4FhWxPsfZSBDt82lg+b1/RgPHkpRvuq1m+W%20QmroZXw34ShG//ErDP334LbQDfMb231pqUj937PCrmHmxJ0YsW4FDG6cxktde0zzdER8q/qYfGA9%207th0xck91+HT5RsYS/1oPtPBwjykJqcgO7doL868dnu4bp+O1TsvoZXKIzxRc8PShnYIXLMIM/7e%20zj7DI/B03zKIq7PPsJXsfYbzszOQkiosOmYtzMSf0wdiT6QPNkxuicinjxHGTCQcXauidR1z9hn+%20C8YdzbH3QRraT2wiH5/hSlirCinmOJPMHuOmI3bFMmzZxU4t2JdhT6/X5xmVMAnl2aRns64QKbsU%20NaFsgB/W/IHfl6zCli3PYdJ8DMb3ry37R1PqNvh17Xr8tux3Ni5l2LSfhDF96vD2KJO+H4MFv+/H%20rjw9Zn8yC57a8mRaK0bDLgOhZl+0p9z+f6uQqzofu7YwV3+Dulg8/WvoycFwbVqOwqyC9fhr9xYI%209byxaMEYaDEvh05jpiKS/wwXosWwmehVVfZ3XYt+c2mgQcdWcDd5u0dh13Q8lvwswuY9W9hujQp+%20/GUBqhrI3pf8+88645qDsHhOHtZsWgd1TQ/8MmcwdNiPS5124zAs7lfs2LIDFjUHY1Jv5tEry0Vk%20jk4DesPNpGjOBOqO+N8Po9mz6SB2F+jhf1N/hJWqCFbjlmGSYEHRZ1i/Nn6dNhyyaBZp5NYYvboJ%20eHMmFOZC1a4Wuqoq48zeP5DDdho1DH0x2rUXuo7/ETHLlmDLjodoOuRH9K4m05K9Uleogoo5xlzT%20CqOmLq5U+BXRePUOQ1D9nYZEBi4Yx9zC5a0IDVwxbvbyD4al6VAfc36tL2/DfT0eLWY/Nu7t2ASa%206DJ+LrrI4WirtR6GZUWhEt8WDUuMnPKr/I1WxwHDxn+4g1y98yhU7yx/w3Vt9hWWNXt/XCK0HjSF%20uUXISVGxRr+x3/xnMFqODTB3cYP/DpB9hjuPmwNZn2azau3wdbXXQxNoo8+E+ejzsalUNcc3P8jh%20Z7gSlq3iirlKgE1NEgEiQASIABEgAkSgrAmQmCtrolQfESACRIAIEAEiQAQqkACJuQqETU0RASJA%20BIgAESACRKCsCZCYK2uiVB8RIAJEgAgQASJABCqQAIm5CoRNTREBIkAEiAARIAJEoKwJkJgra6JU%20HxEgAkSACBABIkAEKpAAibkKhE1NEQEiQASIABEgAkSgrAmQmCtrolQfESACRIAIEAEiQAQqkACJ%20uQqETU0RAfknUIigm+dw+dlLZGVlF6XzYUXZzB192jWAxjsZKTKjHuPAheeo1qgN3M00vogm5eVd%20HLr6EnVbtIGDgRgJ/pdxmqW96ty8xtucrLnJOHviOLJMaqNtTWtcO7YdgWre6N/E44v1/3tB9LMr%20uBSujm4t3uZGLfbNdCERIAJEoBIIkJirBOjUJBGQXwKFOLVyGr7Zeh0aunpQeZ33V7XeULRr9V8x%20l/P8IPr1mYs5x54wMWf/RSTJt7dgYJ+tWHvdn4m5LMwbMxqPvb9HFybm3hRRHH4e3QcxLTejkaUT%20dhy6jDpfvRdl/wstZYRewpiBW6B09Ta6OfIJiagQASJABKSaAIk5qZ4e6hwRkEECBfkwcW6D637H%20YPtB9zNx4q9FOP9MBCejGGgbmUJdVPQYenZuPTadeAGhmgW6fMXS0FlpAflJOLh+Ka4Fa8FBOxVi%20I2Noamkj4+EGbHqejEXzOvI5eIOv7cTGI/dgaGXLrjGEroYQYh1DeFrawlxXh6//6r5fcehmLMT6%20rhg0YiAcdJWREnwdazccQny+EI16jkQbb3PYNeqOeqbL8dvqY+i6tBsl/pbBJUhdJgKKRoDEnKLN%20OI2XCJQzAYFQhJz0OFw8dRHsFJQvxjaecLXRx4XlI9FxwiaYu1SFZtYrZKSoQ9tAFzHX/kDX9uOh%207OGFNL87+OtRCgL2TcP5eQPRbcYR2Ln4QJQWirxMS2hpZOD6tlMoyNKHp5smsp4eQJ/OffBQ4ABX%20IxH8/ZLQoJ0GCnLDsHTGFNSzawOt28vRfchiWHh7IPD+YpyJ18TFuT6Y2KE3jqbrwVL8Egs37sW+%20s3fR1cMODZ2ssOrKKbzK6wYzekqW84qh6okAESgtAXpMlZYg3U8EiMB/CKhoaCMx4h8Mad3kzfs9%20Zh7Gzum1sW7NYVi3nYMXR6fhxeYJ8By+G1k56RBoO2Digs3QEz/HymUBuBYYjqTE51i19hy8B/6G%2025tG4uayQag19RaQlYzg8HiIDWrCjZnandu3BTcSfXAp8Q7qZ19BTa+WSM/KBZSE0GY9UFPOgZap%20N+au2wpBxAUsDn+A0GeByClwQ1RYNDQ8vNG129fop5wOEw3Oyk8Zrt76iH36BBFJgJkhTTARIAJE%20QLoJkJiT7vmh3hEBmSOQlZoII/smOHJlP1xfm5yparCjzpwniM4Qwc7WmT+6dPb1hqrmESjnFSI6%20+CY2/LETVm4eyM4DVHXEUMpORXyWOhztnHgGXrWqQVnzPpCdi1TmXAFVXWiy95OT0yDScoUd50Oh%204QYXe334c5VwRUkJKvn5CHh2Bkv+ugl3WyvksdZFynkQij2xePcKzN14HMe3r0UcdKDt1RP1bG3Y%20Ua4YyqI0FP7rwSFzs0AdJgJEQJEIkJhTpNmmsRKBiiDAFFB+Xi4yM9KRXlDUYGpmLkxNLdHURQe/%20XDiI+0HeeMzEW2pCNjQLk3Bo2x+4mV4F6xfNw5bBx3EzPgtCUwc0cRDirzMH8WygLc6u24t89j7U%20NWBmoAOl1FBEcSLP2wvKizfhwMVnaJJ9GuduhMOpvgr7SyEKmWpUTgzAxk1bEKU7BEcWD8LEJntx%20Q6CG7Lh7WPLHBTQaPhe1xFfRrckwbNxzAV81HYi4yGRoqOhBm1OLVIgAESACUk6AxJyUTxB1jwjI%20GgEVdW0kvDzNhJjFm66LXHrg/v3dGP7rAhzq2BfeDkfg6mLEnB1UkC3QRcuuvbH4wEJ41/BDMy8n%20GCeGIjjFACOXz8HhLl/B3WEH3F20oKShiWwYwMfXAbm7juPxK6BFx5GY2OM4xjZyh4mtG9udU4FS%20QdGWWj77/xxNa/Tu2RmHf1iBqk0voJaRG9TCApGi9zXqWcVhVCt35KmqQq9Ke/wyhDsazsb9u4nQ%201WkAc3JmlbXlR/0lAgpJgMScQk47DZoIlBcBATr9+DvujEhGPjve/PeUUklVHzbM7VTDqyv+uXwX%20/pF5sLQ2REICO5K1MYNJ3Vm45twFSUJjVHXQRcjjEOizzTWj2kNw/lp1BMUow8paB7HxqbC0VIau%20oDl0lI/i3r0wtGjjgHmbzqPr/4KhaWgF1YIEZIvNIdIUYfudO1Cz94K1TnXcajoShfo2zElCCQH+%20sdBW1sbgpYdQe8BDpLCjXh1bT7gYqwNpj3EjNhHuA1uB+dNSIQJEgAhIPQESc1I/RdRBIiBbBPSt%20HKFv9ek+61q6o6Zl0d/NTc1fXyiEc1XfNze5+Hq9+W9DWy8Y2hb908z09dv2bTGl3TocvXIR+W36%20QVnNCL41jF7/0extPT4+b+r38n0bj86j+r/XiuHq806cOnZ15L3LSNGsgblD68sWeOotESACCkuA%20xJzCTj0NnAjIMgERhizZjjYphRCU8TAMvHti76GBMNUt44qpOiJABIhAOREgMVdOYKlaIkAEypeA%20kopOuYQNEWvqw5QcH8p38qh2IkAEypQAibkyxUmVEQEiQASIABEgAkSgYgmQmKtY3tQaESACRIAI%20EAEiQATKlACJuTLFSZURASJABIgAESACRKBiCZCYq1je1BoRIAJEgAgQASJABMqUAIm5MsVJlREB%20IkAEiAARIAJEoGIJkJirWN7UGhEgAkSACBABIkAEypSAMDubJaxmRSwWl2nFVBkRIAJEgAgQASJA%20BIhA+RMQBgQEQElJCe7u7uXfGrVABIgAESACRIAIEAEiUKYEhAUFBRAIyjqGepn2kSojAkSACBAB%20IkAEiAAR+AQBob29PcEhAkSACBABIkAEiAARkFEC/wcvBNsclnc1UwAAAABJRU5ErkJggg==" height="404" width="627" overflow="visible"> </image>
          </svg>
        </div>
      </div>
      <div class="fig"><span class="labelfig">FIGURA 3.&nbsp; </span><span class="textfig">Comportamiento de las tasas ICD e IMD para el clon CT-3.</span></div>
      <div id="f4" class="fig">
        <div class="zoom">
          <svg xml:space="preserve" enable-background="new 0 0 500 412.628" viewBox="0 0 500 412.628" height="412.628px" width="500px" y="0px" x="0px"  version="1.1">
            <image transform="matrix(0.6378 0 0 0.6378 0 0)" xlink:href="data:image/jpeg;base64,/9j/4AAQSkZJRgABAQEAeAB4AAD/2wBDAAoHBwkHBgoJCAkLCwoMDxkQDw4ODx4WFxIZJCAmJSMg%20IyIoLTkwKCo2KyIjMkQyNjs9QEBAJjBGS0U+Sjk/QD3/2wBDAQsLCw8NDx0QEB09KSMpPT09PT09%20PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT09PT3/wAARCAKHAxADASIA%20AhEBAxEB/8QAHwAAAQUBAQEBAQEAAAAAAAAAAAECAwQFBgcICQoL/8QAtRAAAgEDAwIEAwUFBAQA%20AAF9AQIDAAQRBRIhMUEGE1FhByJxFDKBkaEII0KxwRVS0fAkM2JyggkKFhcYGRolJicoKSo0NTY3%20ODk6Q0RFRkdISUpTVFVWV1hZWmNkZWZnaGlqc3R1dnd4eXqDhIWGh4iJipKTlJWWl5iZmqKjpKWm%20p6ipqrKztLW2t7i5usLDxMXGx8jJytLT1NXW19jZ2uHi4+Tl5ufo6erx8vP09fb3+Pn6/8QAHwEA%20AwEBAQEBAQEBAQAAAAAAAAECAwQFBgcICQoL/8QAtREAAgECBAQDBAcFBAQAAQJ3AAECAxEEBSEx%20BhJBUQdhcRMiMoEIFEKRobHBCSMzUvAVYnLRChYkNOEl8RcYGRomJygpKjU2Nzg5OkNERUZHSElK%20U1RVVldYWVpjZGVmZ2hpanN0dXZ3eHl6goOEhYaHiImKkpOUlZaXmJmaoqOkpaanqKmqsrO0tba3%20uLm6wsPExcbHyMnK0tPU1dbX2Nna4uPk5ebn6Onq8vP09fb3+Pn6/9oADAMBAAIRAxEAPwD2aiii%20gAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAorgZfFd5b+OrOeV/8Ain71nsIj%20ngTLyG+hPA/Gut1nXLPQbVbi/dkiZwm5VzyTgUAaNFc/p/jXSNS1n+y4pJkuWXfF5sRRZh6oT1pi%20eOtJlunt4hdSSR3QtJAkBOxyOCfQe9AHR0Vzt1440qzdzJ9pa1jfy5LxISYI2zggv7Gn6l4xsNM1%20WysJIbyWW+ANu0MO9JPo2ew5PtQBv0Vlvr9tHq82nyRXCNDD58kzR4iVP978D+VVrfxfp8+pwWTp%20dW73Ofs0k8JSOfjPyN345oA3abuUMF3Dce2eawtR8Z6ZpkkwlFzJDbvsuJ4Yi8cB9HbtWDrN9b23%20xR0S73s0MmnTONmW39MYHrzQB3tFYVn4x0m80i81HznghsmKXKzoUeJh2YU7TPFljqd+bIQ3dtcm%20LzkjuYTGZE/vL6igDborl5fiFo0dlcXS/a5IraUxTmOAnyyOpPt71Z/4TTSf7QtLXfMVvMCC48o+%20S7EZC7vWgDd3ru27huxnGeadWALnR5PHXk7JP7Zjsyd2Dt8rcPw64oufGemWk6LMLkWzSCIXnlH7%20PvJxjf8AXigDforDuvF+m2uq3Gmn7RJeQQicxRxFiyk4G31NZWvePre38Eya5pMU8+5vKX93jynz%20j5wemDQB2NFY0nia1t9Ot7m5gu4ZbhikVq8OJ5GHYJ+tSaP4jsdblngtzLFdWxHnW06bJI89MigD%20VooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKAC%20iiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKK%20KKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACud8aeIV0LRyqGQXN0fKiKRs2%20zPBc4H8IOa6KigDzfxN4PEfgR/8AioL94LaMTW6mJNvmDleFTdyT+tVtZ8TjxB8K1uJoJheQTWy3%20MDxlTu8xemeucV6jXP8AjDw/eeJdMSytdQjsk8xZHYw+YSVIZccjHIoAxNRmh8U+J/Dz6WsjJpkz%20T3MxiZRGu3GzJAySewqHwJfQXmreK4ojIr3d600LPEyh0K43Aketd3ZpcR2ka3kqSzhcO6JsVj6g%20ZOPzqagDzLRr0ab4FuvC2qWc51WNZYFg8kkXO4na6npg5zya1tT8L3ifDrT7eN86rpEcc8Lr13oM%20lQfcZFdvRQBx8+nX+u+BNQmaEw6nqduH8onlBj5Y8/n/AN9Vi+HLfQ9WlsY10jVF1SzZWeO7lmKW%207L1bLNj6Yr0qigDzvQtU/wCEfbUvD+s6Zczzy3UssJSDzI7pHORz0z2OadqGoQ2/xT0IzqYxDYyQ%20yeXExSN2+6uQMV6FRQB5SmviKLxnPp1obySa5SWKOW2Yq6bQrOARzjBOKu6dcQJ470y/RtRuIJrC%20QNdTxMASDnpjC8dsCvSaKAPK7HWbR/B/i5AZg81xM0amBwXDjCkcc5xUWsazav4F8KQwmczW93bP%20KqwPmNUBDk8ds16zRQB57JqEFx8XT5byBZNKNssvlNtEhYMBnGOnNYujaZpTaf8A8I9rmj6pJqkb%20MnlGWYwTfMSrjDbQOh9q9cooA87tdTtLL4s3ryl0hXTEt94icqHVslc47CsKaUar8O/EltZRTPMN%20Qe5EZhZSYzICGGRzwK9hooA4DWL1xr/h7xRFb3MmlxRyQTfujuiDjiQr1xV3S4RrPxBk1+wDrYR2%20ItjIyFRPJuzkA84AwM12VFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQ%20AUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFAB%20RRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFF%20FFABRRRQAUUUUAFFFFABURuoVultjIondDIqdyoIBP6j86lrn7n/AJKDYH/qHTj/AMiR0AdBRRRQ%20AUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFAB%20RRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFF%20FFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUU%20UAFFFFABRRRQAUUUUAFFFFABWBd/8j5pv/XjP/6Elb9YF3/yPmm/9eM//oSUAb9FFFABRRRQAUUU%20UAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQ%20AUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFAB%20RRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFF%20FFABRRRQAUUUUAFYF9/yO+l/9es381rfrAvv+R30v/r1m/mtAG/RRRQAUUUUAFFFFABRRRQAUUUU%20AFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQA%20UUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABR%20RRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFF%20FABWBqP/ACOWkHv5M39K36wNS/5HHSP+uU39KAN+iiigAooooAKKKKACiiigAooooAKKKKACiiig%20AooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKAC%20iiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKK%20KKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACsDVOPFuj%20EdSso/DFb9YGq/8AI2aL9Jf/AEGgDfooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiii%20gAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKA%20CiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAK%20KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigArA1jjxRoZHUtKPw21v%201g6z/wAjNof+/J/6AaAN6iiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAoo%20ooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiii%20gAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKA%20CiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACsHW/l8R6C3rNIv/AJDNb1YOuf8A%20Iw6B/wBd5P8A0W1AG9RRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUA%20FFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAU%20UUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRR%20RQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABWBr3y6/wCHz63Lr/5Cb/Ct+sDxB/yH%20PDv/AF9v/wCinoA36KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAo%20oooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACii%20igAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKK%20ACiiigAoqjqWt6do/lf2lew23mttTzGxuNT3F7b2lm91cTRx26LuaRmwoHrmgCeisv8A4SXR/wCy%20v7T/ALRtvsRO3zt4259PrVyyvrbUbRLmynjngkGVkQ5BoAsUUUUAFFFFABRRRQAUUUUAFFFFABWB%204hONb8On1vWH/kF/8K365/xH/wAhnw5/1/t/6JkoA6CiiigAooooAKKKKACiiigAooooAKKKKACi%20iigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKK%20KACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAoooo%20AKKKKACiiigAooooAKKKKACiiigAooooA838dSW9n4omn1Rc20+kTQWxZdwMxPCj/aNN1iU/8K90%206xnffc2P2WW+g6skW4Elh6Yr0d4o5ceYivg5G4ZwagTTrdL6e72ZmmQIxPTaO1C0/r5g9Ty06rpG%20nWuravNapc2kmp7tLQgrG8m3Bb/dHc12vw/t7W38Nj7Lew3ZlmeWV4f9WHY5KqPQV0RtoGRUaGMo%20vRSowKdHFHCu2NFRfRRgUA9Rl1ObeHzAueQMVU1jVv7JigcwtL5sqxYU9M96l1P/AI8z/vL/ADqz%20JswPM24zxu9aTKi0nqrj6KKKZIUUUUAFFFFABRRRQAVgeI/+Qv4dPYX5/wDRMgrfrA8R/wDIT8P/%20APX/AP8AtN6AN+iiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKK%20ACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooA%20KKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAo%20oooAKKKKACiiigCnqf8Ax5n/AHl/nWR42YrpVsQSP9Kj6H3rX1P/AI8z/vL/ADqxNBFcIFmjV1BB%20AYZ5pSV1YulPkmpdh46CloopkBRRRQAUUUUAFFFFABWB4k41LQD2F/z/AN+3rfrB8S/8fmh/9f4/%209AagDeooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAK%20KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAoo%20ooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKa7rGu52C%20r6k4p1cR45jivvEWg6fqDEabN5zSqXKqzKvy5I/GkxpHbZ4z2pEdZBlGVh0yDmvOotSvU+C8syzP%209oWF1R93z+WH25/LvTfDtgRqWs6Tot7JaWZtLeXzIm8zY7L823J4JpvqI9GMqBC5ddo6tninAhgC%20pBB6EV44CzfDvQrTc9y8upMgt5JSq3OGOQ79h3rt/hrIW8JqjOxaK4ljKFtwiwx+QN3A7Gn3DsdD%20qf8Ax5n/AHl/nWX41lkh0INE7I3nxjKnB61qan/x5n/eX+dS3dnBfQ+TdRLLHkNtb1HSpkrqxdKS%20hNSfQljOY1J64FOpAMDA6UtMgKKKKACiiigAooooAKwfE3/H5oh7fb1/9Aat6sDxR/rNI/6/k/ka%20AN+iiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAoooo%20AKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigA%20ooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAqjqujafrdsLf%20U7SO5iDbgrjofWr1FAGR/wAI3ZDUo7kRIsUdqbVYQvy7CehH4VY0vQ9N0SB4dMs4raOQ7mVB1NX6%20KAMqTwxo82ljTZNPgayDFxCRwGznIq5Yafa6XZpa2MCQW8YwsaDAFWaKAKep/wDHmf8AeX+dUPF1%20zNaeH5ZbeRo5Ay4ZevWr+p/8eZ/3l/nT7+wg1O0a2ulLRMQSAcdKUldF05KM03sS27F7aJmOSUBJ%20/CpKaihEVV4CjAp1MhhRRRQAUUUUAFFFFABWB4o/1mkf9fyfyNb9YHiv/V6b/wBf0f8AWgDfoooo%20AKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigA%20ooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACi%20iigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAp6n%20/wAeZ/3l/nVXxPeT6f4eurm2fZKigq2OnNWtT/48z/vL/Onanp8WqafNZzlhHKNrFetJ7aF02lNO%20WxJZyNLZQSOcs8asT7kVNUcMSwQRxJnbGoUZ9AMVJTJe4UUUUCCiiigAooooAKwPFf8Aq9N/6/o/%2061v1geLf+PSxPcXsX/oVAG/RRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQA%20UUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABR%20RRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFF%20FABRRRQAVxfjUNf+IND0iaeaGyufOeXypChYqvyjI+ua7Ss3WtA0/wAQWyQalB5io25CGKsp9iOa%20TGjj4tb1BPg5LfiZzdRxNGsxOWID7Q2fpTNBgvrfUdX0bSdQkjjFpBOk07GUxM4+bGT1PWupHha0%20F7GVRVsY7Q2v2YE7GUnuOn9easaL4c03w/DLFp1v5YlOXJYszegyecCm9b/1/XcX9f1+R5pHe6lJ%204F0GxhlluZL2/khlLzlDKASQC/UAkdq7rwFcrceGlQeeHt5pIXWaXzCrK2CA3celW28I6O+ijSja%20D7GHMiqGIKsTnIPUHNX9M0u00ewjs7CERQR9FBz9ST3NO+4dhNT/AOPM/wC8v86j128l0/RLu6t9%20vmxJuXd0zUmp/wDHmf8AeX+dO1KyXUtOntHYosyFSw7VL20Kg0pLm2F06drrTred8bpI1Y49SKs1%20BZWws7KG3ViwiQLk98VPTQpWu7BRRRQIKKKKACiiigArA8W/8edj/wBfsP8A6FW/WB4w4021YdRe%20wY/77FAG/RRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRR%20QAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFA%20BRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAF%20FFFABRRRQBT1P/jzP+8v86dqd01jplxcooZooywB703U/wDjzP8AvL/On6jam+0+4tg20yoV3ema%20T2KjbmV9hmlXjahpVtdOoVpUDEDoKuVU0qyOnaXb2jOHMKBSwHWrdC21CduZ22CiiimSFFFFABRR%20RQAVgeMP+QXbf9fsH/oYrfrA8ZcaNCw6reW+P+/iigDfooooAKKKKACiiigAooooAKKKKACiiigA%20ooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACi%20iigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKK%20KACiiigAooooAKKKKACiiszXdYOi2Hnx2VzeyswWOC3XLMf6UAadFcJ/wknjhpPNXwzYpbn5tkl4%20BIF9Dz1rpPD2uya3au9xp11p88Zw8Nwv6g9CKANeiiuT8XahqB1fStG0y7Nk975jvcKgZlCDOADx%20yTQB1lFcVH4tvB8L5NbYI19HGyE4+UuG27sfrUGj6vr9vcanpQmTVL2G3huIJJgIwN45Bx2FDA7y%20iuC0jxdfR+AIby6kW51e5lkhgXAAeTJA/AVueBNRu9V8IWV3fyiW5kU+Ywx1yaANXU/+PM/7y/zq%20a7n+y2k0+3d5aFseuKh1P/jzP+8v86mu4TcWc0IIBdCoz7ihjVr6kGkah/amlwXmzZ5q525zirtZ%202g2EumaNb2k7K0kYwSvTrWjSV7alVLcz5dgooopkBRRRQAUUUUAFYHjP/kCR/wDX5b/+jVrfrn/G%20pxoCt/du7b/0cg/rQB0FFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRR%20QAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFA%20BRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAVBeCU2%20U4tz++MbbPrjip65jxyt5Hp1vd6fbXtzcW8uQlrKEO0jndnqKT2Gtzyy98LSWlvb3F1Y63cXV7Fg%20BWb5LoN8wYf3T2Ne52SNHYwI6BGWNQVHY46V4EJNeFiNSKeKxZFgfNN8NuM49Ole+WO77Bb7t27y%20lzuOT07mq6EvcsVieIvDUev/AGaVbuezu7ZiYriHG5QRgjnjmtuikM5YeEdsCaOsjnRPsbQyRsRl%20pCc789c9TVvw94Wj0JrmV7y4vbm4VUaebG7YowqjHpW9RQBy8Xw/0dtFt9NvVku47eR5I3dirKWP%20PTHrWh4X8M2nhTSF0+yaR0DFmeQ5LE1sUUAU9T/48z/vL/OrUjiONnPRQTVXU/8AjzP+8v8AOrMq%2074nUdWUigEVNI1SPWNOS7hRkRyRtbrwcVerH8MadPpejLbXQAkV2OAc8E8VsUo3tqXUUVNqOwUUU%20UyAooooAKKKKACuf8bf8i7/2923/AKPSugrA8ajPhxva5tz+UyUAb9FFFABRRRQAUUUUAFFFFABR%20RRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFF%20FABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUU%20AFFFFABRRRQAUUUUAFFFFABRRRQAVma9frp+mPJJZ3N1C3ySLbruZVPU4/wrTqC8leGynliXc6Rs%20yj1IHFJ7DW55BaWljdeXpMvjW9ttIdto066tjE+zOQu89q9it0jit4khx5aqAmDnjHFeFajqWsT2%20azav4oxFeW4mhgNqrCRt2GhBxwRXuGnqF022ChlAiXAbqOB1quhL3LNFFFIYUUUUAFFFFAFPU/8A%20jzP+8v8AOrlU9T/48z/vL/OrlAFPTdTg1SKWS3LbYpGibIxyOtXKwvC9jcWEd+lxGUD3bume4Pet%202lFtrU0qxjGbUdgooopmYUUUUAFFFFABWD40/wCRbf8A6+IP/RqVvVg+NBnw3J7TwH8pVoA3qKQH%20IB9aWgAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooA%20KKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAo%20oooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAK5vxxqlzpGiLPZ6nZ6dJ5gXz%20bpCyEemAOtdJVPVLeC4sJftFrHdLGpcRuuQSBxSew1uePN4ovZzGJfFHhZwj7kBs2O1ieSPl617P%20aOZLOF2dXZkUl1GA3HUV4h5yjTR4h/tnSftW7P8AY32dcfex5e3ru969vtH8yzhfy/L3Rqdn93jp%20VdCepNXN+Kdev9Pu7DTdHhgkv70uUM5IRVUZOcc10lc54o8P32p3dhqOkXEEN/ZFwn2hSY2Vhgg4%205qWUiOPxkp8BN4heDDpGS0IP8YO3GfTNU9L8Yakiahb6tYLNf2sccyR2WW8xZB8o56EdzUa+F7pd%20GHhUsrWUlm7S3QUhhMWyD6YyentWh4Z8N3+nXl5qGr3NvNe3ESQD7OpCKiDA685Pem+oijp/inXd%20Y8KWd7p+nQG+uZmjfe5EVuoJ+Zu56dq2PCGuzeINF+03MSRzRyvC5jOUcqcblPoawJvBmuxeCotD%200/ULSKQzO9xId4Dxkk7QQMjPeun8OWV5p2kRWt8llG8XyolmCIwvbrzmn3DsWdT/AOPM/wC8v86u%20VT1P/jzP+8v86uUgK1tqFvd3FxBDJukt2CyDHQ1Zrn9GtprfxLrDPEyxSsjK5HDcdq6ClF3RpUio%20ysvL8gooopmYUUUUAFFFFABWF4z/AORam/66xf8Aoxa3awvGQ/4pqf2kiP8A5EWgDbT7i/SnU1Dm%20NSO4FOoAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKK%20ACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooA%20KKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACormYW9tLMwLCNCxA6nAzUt%20Q3cy21nNMy7ljRmI9cCk9hrc84kuNJ/4RxPGQ0nRmvTJ5rLn5tmcYH/TT+tek28wuLaKZQQJEDAH%20qMjNeAGxnk1N9YXQdIhBiF8qvcNt8snghM4JHpXvlk5lsYHLBi0aksBgHj0qugnuT0UUUgCiiigA%20ooooAp6n/wAeZ/3l/nVyqep/8eZ/3l/nVygCEXcDXbWwlUzqu4pnkD1qaud8t4/H+4I2ySz+9jjI%20NdFSTuaVIKNrdUFFFFMzCiiigAooooAKw/GP/Is3P1T/ANDWtysTxj/yLF17FD/4+KANiH/Up/ui%20n0yE5gjI/uj+VPoAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAo%20oooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACii%20igAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACorqRIrWWSRSyKh%20LKBnIx0qWq98zLYXBUkMI2IIGSOPSk9hrc8jeG41+2spYfAHnWELmS0Y3W0hS2eeentXr9tuNtFv%20jEbbBlB/CcdK8G00+H1tIvt9z4wiuyS0qwKVj3E8kDsK93stn2GDyy5Ty12l/vYx396roT1J6KKK%20QwornPEnjCPQLqO2jsbi+nMTXEqQ4/dRL1c5/lVrUfE9nYeHU1gB5oZVXyUQfNIzfdUe5Jo8wNmi%20uVTx9Yx6Fd6hqEE9nNaSGGW1cbpBJjIUY65Fbmi6mms6Pa6hHG0aXEYkCN1GaAHan/x5n/eX+dXK%20p6n/AMeZ/wB5f51coAY00aSLGzqHf7qk8mn1zevjZ4m0KbB4kdfzFdJSTu2aThyxi+4UUUUzMKKK%20KACiiigArF8X/wDIr3n+6v8A6EK2qxfF/wDyK97/ALo/9CFAGrbf8e0X+4P5VLUVt/x6xf7g/lUt%20ABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUA%20FFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAU%20UUUAFFZC+JbJ7CK6jEz+c5jiiVPndh1AH4UyTxTaxWksstvdpJFIkbQNF+8yx+XjODn60AbVFZtl%20rcN5eG0eC4tbnZ5ixzoFLL0yME5qG/8AE1pp11LDLDdMkO3zpkizHFu6ZP8AhmgDYorJl8RWsd2I%20RHcSRmQRGeNN0auexPX9K1qACiiigAooooAKKKKACiiigAooooAKzNf0yDVNLkSdrhfK/eI0EhRw%20w6YP+NadQXnlfYp/PJWLy23kdhjmk9hrc8VPjTxBY2ovNKj1qS0VsAX0ayoxzjlgAcV6p4U8TL4k%20093e2ltbu3YR3EEq4KNjP5GuBuNFkttCRJvHES+FnxsUqPMZM52A9T6etd54X0Q6YLy7e7N09/IJ%20VfGMRhQEH5AVSJZv0UUUhnD+L9I1Ya4+o6VZC9F3YSWDp5gUxFjw/PUVWvtLvZtAi8O2tuXutIS3%20uFcsNs5U5Kj0PHevQaaEUMWCgM3UgcmhAcXpGhahLpXiC8vrJYLzVHaSK2LBjH8m0c9Mmt7wnZT6%20d4V060u08ueGBVdc5wa2KKP6+4Cnqf8Ax5n/AHl/nVyqep/8eZ/3l/nVygBjiPKtIEyD8pbsfan1%20zvjbKaLFKpIMdzG3B7ZroI23xq3qAaV9bFuFoKXe46iiimQFFFFABRRRQAVjeLuPCuof9cv61s01%200WRSrqGU9QRkGgCOz/48oP8Armv8qmpAMDA4ApaACiiigAooooAKKKKACiiigAooooAKKKKACiii%20gAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKA%20CiiigAooooAKKKKACiiigAooooAKKKKAMK80/XpbuR7bVIooSfkQxZwKg/szxJ/0GIf+/NdJRWiq%20tdF9xHs13f3nN/2Z4k/6DEP/AH5qxYWGuQ3iPealFNAPvIIsE/jW5RQ6jatZfcCppd/vOI0yzutO%20ttL1CW2mKWzzJLEFyyq7HDAd/wDCrGt31zqlhJLFYTLaQ3MLI5Q75MMCx29cCuvorMs5yN21rxLZ%20XlvFKltZxvukkQpvZhjaAeeOtVddvjqGrNpd1HcwadGVaV0iZjcnrtBA4X1rraKAOEj0qWzuJIbe%20K4XUnvTNFKC3l+UTn6Yxxg813dFFHQAooooAKKKKACiiigAooooAKKKKACuc8b6reaToqS2FzZW0%20ryhDJeKTHg+uOldHVXU1hbTbj7TAk8SxszRuuQwA6YpPYa3PFrPwtq8OtHWI7zws+471jZ8xITyW%20Vc4Br2DRNbstYtz9iuorloQEleHlA2OQDXh1wdNnkhurXQ9LzFCb29j8w+WELYWMDs2O3rXvGkwW%20tvplutlbR20DIGWJFChcjPSq6EvcuUUUUhhRRRQAUUUUAU9T/wCPM/7y/wA6uVT1P/jzP+8v86uU%20ARzQRXMRjmjWRD1VhkU8AAADoKq6ojSaVdKhKsYmwR16VS8KXLXXhuzd2LME2sSeSRSvrYvlfJze%20ZsUUUUyAooooAKKKKACiiigAqlf6zpulFBqN/bWpf7vnShN30zV2uL+LUMUnw/vmkjRmVoypIyR8%2046UAdLYa5pmqOyafqFrcuvJWGVWI/I1frzbWLafX/EOgSaDpN3ZzWcoee9ltzCojxyvON2a3NO8S%206vdzeILOS1sVvNLx5ZV38uTK7ueMjigDraK4dfHt43hXQtWXT4nfU51haMSEBCSQMH8K0rHxBqb+%20I7rRr6yt4p/s32m2kSQspXOMP759KAOmorzvwp4p1G18NatrWuNbSW8d3KoEO7zGkDBQoB4x0ArW%20n8Vapo11p7a7YW8djqEixJLbuWaB2+6JAfyyKAOuqjqms2OjRxPf3CwiVxGmeSzHoMCpr+9h02wn%20vLltsMEZkc+gAzXnfizVNY1Tw7YXdxp9tDp9ze27R4kJmjG8FSw6c+3rQB6XS1yXiDxomm6nLptr%20cadFcwRiSQ30xRTnooxznHPpWn4T8Rx+KdCi1COIwsWKSRk52sDg4PcUAXX1a0j1iLS2kIvJYmmR%20Np5UHBOelXa56XX5Y/HcOh/ZYyklm9ws+75uCBjH41ix+N9ZutD1TUbXSrYrpl1JFKrzH50TGdv+%201yevFAHaXd5BY2z3FzII4k6sf0H1rHtPG2i3mox6fHcyJeSPsWCWF0fOM9COOK5r4hahf3uh6Dc2%20Qtltbq9tXCylt+8sCoOONvr3q1r63H/CX+D2vVgF0ZpfMMOdudh6E8/nQB3VFcTrvxAWyu76Gxm0%203dYHbLHdTlHlYDJVAO/bnvTdS8cajDo2m67Y2Nu+j3Oz7Q8pbzLYE8kgDkD2oA7dmCqWPQDJqppe%20q2us2KXljIZIHLKGKleQcHg+4rM0nVtUv47+7ltrX7CuTZPG7bp1HRjnoCKzdP8AHHneDrDVGslW%206v52t7e1jbhn3so59OMmgDqoLy3unlS3nilaFtkgRgSjeh9DU9cdpeqTeHtdt9D1LT7W3OoF5be4%20tXZkkk6srbud3NQr4z1m607V7mz0u2P9lzyJIHmIDIgycf7WPwoA7eiqmlX6arpVrfRqVS4iWQKe%20oyM1boAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKA%20CiiigAooooAKKKKAMW68XaPZXMlvPdbZYzhhsY4P5Vo2GoW2p2q3FnJ5kTHAbBFSNbwsxLQxknqS%20op6Isa7UUKPQDFJXvqaScLe6nf1/4BlX3inStNumtrq52Sr1XYTj8hVvTdVtNXt2msZfMjB2k4Iw%20fxqw1vC7bnijYnuVBpyRpGMRoqj0UYpag3Dl0Tv6/wDAODHiPVF/sOY3AaOSaX7Su376BsD6Yq7J%20r19J4j1dIpgLKCxZoBt/5aKeWzWhH4QgSGCM3MjLCkycqOfM6/lS2vhOG1hCfapXIs2tCzAZbJyW%20PvTe2hmihHc3+maXpmqPfzXK3DxpPFLggh+6+hFaviFbhYftA1P7BaQozSMq/MzduT29u9RWvhqV%20UtIb3Unura0KtHF5SoCV+6SR1xU2taDLq17azrfGFLfJEJiWRGbsxB7jtTfkC0OcGv6rexLDJ9ph%20nt7VZ5XhQDBJOGYHtgA7RzXa2M32iwt5vMWTzI1beowGyOorLuPD807mVdQeOeWIQ3DrEv71fp2P%20J5Fa1rbR2drFbwjEcSBFHsBimIlooopDCiiigAooooAKKKKACiiigAqO4kSG3kkl/wBWilm+gHNS%20Vk+JddsvDujy3morI1v90hELZz2NJ7DW55rb3Mdpaz6tF4Jt18OXEyzSSmXMrKDw+3ptzzivXIJU%20mgjli/1bqGX6EcV4T9v8LS2qyw32vvbsRINEG7yS2c7N2MYzXulowezhZYzECikIf4eOn4VXQnqT%20Vj+IfEtt4ejg82Ge5nuGKxW9um53wMkgegFbFch4xtb6DWtI1qysZr5bPzUkgg+/h1wCB9RUspG3%20H4i0+Tw7/bfnYsfKMpYjkAdRj1zxWVb+P9Nl0u7vJoLq2e127reWPEjb/uYHfd2rAXS7weBT4Ua3%20kXUri1e5GfuA792zPryKp3Gh6xrCXur/ANl3Fs8f2Ty7SUgPL5Jy2B79qfUXQ6s+P9PGki7+zXn2%20g3H2X7F5X77zeu3b9Oa2ND1q21/TEvbQOqFijJIuGRgcFSPUGvOb/RNYvrK61JtLvI47zVFuXt4i%20BdRxquAV9Gz+ldj4AsLzTvDCQ30DQN5rsiSf6zYWyN/+1600DNrU/wDjzP8AvL/OrlU9T/48z/vL%20/OrlIBGUMpVhkEYIqK1tILGAQ20axxrkhR0qauf0O6mPiDWLSeVnCSK8YY/dUjtSbs0XGLlF2ex0%20FFFFMgKKKKACiiigAooooAK5L4i6bq2ueHZNL0ixSdrgqWleZUEeGB6HrnFdbRQBS0mW8m02FtQt%20Ba3IGHiEgkAx3yPWuZGia1Y+Kdbms7e3mstVjUiZ5MGFgm3BXuPpXZ0UAeYt4X8R23g/w7pcWnQT%20z6dcLPKRcqowpJ289Sc9a3ktdck+IMOqPpKJY/ZBbM/2lSykncWx6DpXYUUAee2fgnVJfDWseH7v%20yYYZbmS4tbpX3FmLhlyvYDHNX5NK1zxFbadY63ZQ2kNpMk08yTB/PKdNoHK5OCc12dFAFDXdLXWt%20DvdOZzGLmFo94/hyOtcbeaN4ov8Awjb6NNY2ouLOeArceeNkyowOdvUHA6V6DRQBxuo6RruneJpd%20Z0e2tL1b6KNLq2mfYVZRgMrHtjtXT6bFcx2oN4U89zuZY/up7D6VbooA4290/Wj8SYNXh0xJLGCz%20a23/AGhQzEndux25GKytM0bxJZ+GPEGnvo0Zm1G4mliIvEwokGMH6Y/GvR6KAPOdY0jxLqHhrQrC%20PRohNYTQyyk3iYPl9h9f0rQ1+z1/UPEHh/UbfR0KWJaSZGu0BBYY2j1x1zXbUUAcUNI8QaF4gvp9%20JtLK+sNSm891mfY9vIfvc/xCtC+sdUvZ7XTLi1SfS5FJvZhKF3kj7oTrtzXS0UAcR4esvEehxajp%20h04TaWgc6eWul3qO0Z9vT0rN07wbrZ8D2FjLFFZ6rpV2bm2Yyh0l+Ytg46fexXpNFAHJ/wBm6pru%20tadqWq2CWS6WHkihWcSNLKwxnI4A/wAayNM0rxHZ6T4ktpNGj36nJLJDi8Tjeu3B+nWvQ6KAMXwj%20b31n4ZsrTU7Zbe5t4xEVWQOGAGNwI9fStqiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAK%20KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAoo%20ooAKKKKACiiigAooooAKKKKACq2pKrabc71jYCNjiQZXp3qzUN06x2kzunmKqElMZ3DHSk9hrc8Q%200a18N3NhBPeeOJ7S6Y5eCMhFjOeijHSvb7Tb9jh2SGVdi4kJ5YY6/jXjEXiCPybq9m07w2E8lbi3%20thGu8DftKN3347V7PaOJLOF1j8sMikJ/d46VXQnqTUUUUhjPJj87zdi+Zjbvxzj0zT6KKACiiigC%20nqf/AB5n/eX+dXKp6n/x5n/eX+dXKACq0en28V/LeJHieVQrtnqBVmsHxHe3Gn3emTRSFYGn8uVe%20xB9aTdtTSnFyfKnub1FFFMzCiiigAooooAKKKKACiiigAooooAKKKKACiiigAoqrqV01jplzdKoZ%20oYmcA98DNOsLg3dhBcMApljDEDtkUAWKKKKACiiigAooooAKKQnHJqtPqVlbAma6hTHq4ppN7Cbs%20WqKxZPF2jR9L1X/3ATUP/Ca6V/CZ2+kRq/ZT7E+0h3Ogornx410nOGeZT/tRGrEXivR5SAL6NSez%20ZFDpTXQPaR7mxRUEN7bXABhuInz/AHXBqes7WLCiiigAooooAKKKKACiiigAooooAKKKKACiiigA%20ooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACi%20iigAooooAKKKKACiiigAooooAKiuJfItpZdhfYhbaOpwOlS1XvtwsLjZv3eW2Ngyc47e9J7DW55J%20Z2eqapdprdl4P0EGV/MR5JfnHPdc4z+FevwGRreMzALIVG4L0BxzivBbCx0hbeL+0PC/i57snMsk%20e4IzZ5OO1e72QUWMARXRRGuFf7wGOh96roT1J6KKoavren6Fai51O6jt4i20Fu59hSGX6KrpfWz2%20IvVnjNqU8zzd3y7fXNULTxXot7pk+oW+oQvaW5IlkzgJ9aANeishfFWjNop1ZdQhNiDtMue/pjrn%202q9p+o2uq2Ud3YzpPbyDKuh4NADNT/48z/vL/OrlU9T/AOPM/wC8v86uUAFVNR0231S3EF0pZAwc%20YOCCOlW6RgSpAOCRwaNxptO6ADAAHQUtYXhbULi8trqC9cvc2s7RsT1x2rdpJ3VypwcJOLCiiimQ%20FFFFABRRRQAUUUUAFFFFABRRRQAUUUUAZniQlfDOpEdRbSf+gmp9JULpFmB0EK/yqv4nOPC+p5/5%209ZP/AEE1Z0vjSrT/AK4r/KgC3RRTXdUUs7BVHUk4AoAdSEgDJOAKwLrxXE0xttJge/uOn7sfIv1N%20RDQ9U1ch9ZvTFEf+Xa3OB+JrRU7ay0I576R1Lt/4o02xfy/NM83aOEbjVMajr+p/8eVjHZxHpJcH%20J/Ktew0ex01AtpbRxnu2Mk/jV2nzQj8K+8XLJ7v7jmx4Xurs7tU1e5lz1SI7Fq3B4S0eDB+yLIw/%20ikJY1s0UnVm+o1Tj2K0enWcIxHawqB6IKlEMQ6RoP+AipKKi7KsiMwRN1iQ/VRUEulWM4xLaQN9U%20FW6KE2gsmYc/g/SJTujga3b+9C5Wq/8Awj+qWPOm6xIQP+WdwNw/Oukoq1Vn1dyfZxOb/tvV9N/5%20CmmGSMdZrY7v0rS0/X9O1Pi3uF3943+Vh+BrSrL1Dw7p2pfNNbhZe0kfysPxFPmhLdW9BWktnc1K%20K5n7Drui82VwNQth/wAsZuHA9jVzT/E9neS/Z5w1pdDgxTDac+x70nTdrx1Q1NbPQ2qKKKzLCiii%20gAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKA%20CiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKiuDILaUwAGUIdgPc44qWobzzPsc/k583%20Y2zHXOOKT2GtzxCLxDqcV7d2xv8AW31y4jUeSYjiOcP90Dps2969wtjKbaLz8ebsG/HTdjmvONJ8%20R+NrGyhgvPC7Xc6Ha1w8wDPz3969Igd5II3kTY7KCy/3T3FV0J6klcR45li0/wAQ6FqeoITpsHnL%20K2zeFZl+XI/Ou3pGUMMMAR6EVLKR5jGJT8KX0UbxqUtq9xHbbTv8rzM9PpWTdbdUTUdU02F20uI2%20QmCxEBvLI38d8d69dNjAb9bwrmdYzGpJ6KTk4/KpgiqpUKAD2Aqr63F0seNX0bXiz6vbSzWuiyaw%20JRPHD9xNmPMC+ma9A+H808/hhXnGV86TypDHsMqbvlcj1Irpdi7du0bfTHFKAAMAYA7UgepU1P8A%2048z/ALy/zq5VPU/+PM/7y/zq5QAUUUUAVLbTLe0vbm6hUiW5IMnPBI9qt1k+JTeJo0s2nyFJoSJM%20D+IDqKt6ZfR6lp0F1EfllQH6HuKSavY0lGTjzt+RbooopmYUUUUAFFFFABRRRQAUUUUAFFFFABRR%20RQBkeLP+RS1b/r0k/wDQTV+w/wCQfbf9cl/kKxvHGp2th4T1NbiVVeS2kVEzyxKntVO0g1jxBaQL%20KW07TxGo2r/rJBj9KuML6vREylbRas0tR8TW9rN9ls0a9vDwIoucfU9qqLoWoa0wl125KQ9RaQnA%20/E962dN0mz0qHy7SEJnqx5Zvqau1XOo/B95PI5fEQWllb2EIitYUiQdlGKnoorJu+5pawUUUUAFF%20FFABRRRQAUUUUAFFFFABRRRQAVS1HSLLVYtl3Ar+jdGH0NXaKabTuhNJ6M5j7HrPh/5rGQ6hZD/l%20jIf3ij2PetPSvEFnqvyIxiuF+9DJwwrUrL1Xw/Z6rh5FMc6/dmj4YGtOeMvj+8jlcfhNSiuXGo6r%204dITVEN7ZDgXMY+ZR/tCugs7631C3E1rKskZ7qelTKDjr0KjNPTqWKKKKgoKKKKACiiigAooooAK%20KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAoo%20ooAKKKKACiiigAooooAKiuVke1lWFtsrIQjehxxUtQXztFYXDq4RljYhj0Bx1pPYa3PKHuNZfw8n%20hr/hGdQGqJLuF95n7sS7s+bu/WvWbZZEtolmbdKEAdvU45NeIaXP4XvrKK41XxrrMV87EzRrOyqG%20zzgY6V7dZ7PsUHlOZI/LXa7HJYY4NV0J6k1FFFIYUUUUAFFFFAFPU/8AjzP+8v8AOrlU9T/48z/v%20L/OrlABRRRQAjKGUqwyCMEVXsrG3023EFqgjj3Ehc9zVmszXtNl1LTilvK0VxGfMiZTj5h2NJ9y4%20avlbsjTorK8P6q+qWJ+0RNFdQt5cykY+YelatCd1cUouLcWFFFFMkKKKKACiiigAooooAKKKy9W1%20+00kBHJluG+5BHyzH+lOMXJ2Qm0ldmlJIkSF5GCqoySTgCucuPENzqkzWvh+HzCOHunH7tPp60yP%20SNQ8QOJtbcwWvVbOM9f9410dvbQ2kKxW8axxr0VRgVp7sPN/gR70/JHIa94bhsvCWs3d3I13etZy%20kyyc4+U9B2rrrT/jzh/65r/Ksvxl/wAidqw9bVwfyrVteLSH/cX+VRKTk7suMVFWRLRRRUjCiiig%20AooooAKKKzNR8Q6bpUvlXdyqykZ8sAlvypNpblRjKTtFXNOis/StZt9YikktkmVUOMyRlc/SoNWl%201sXCx6Vb2zRlctJMx4P0ovpcapvm5Xp6mvSEgDJIA96ztIh1WISHVbiGUsRsWNMbf8abq2gQaxLG%209xPcIqDGyOTap+tF3YfLFSs3p5GissbkhHViOoBziqmpa1Y6QE+2ziMv90YyTUel6DYaMztZxFWk%20GGYsST+dXpbeGcqZoo5CvTcoOKNbC9xS6tfd/mZ2meI7HV7loLQysyruJaMgY+tTatqM2nQo8FlN%20ds7Y2x/w+5q6iLGMIqqPQDFOos7A3HmuloY2marqd5eBLnSXtoCpPmM46/SrmqPfpaZ0uKGSfcOJ%20WwMVdootpuDmua6Rh2D+I2vIzfR2SW/8YjYk/hWlqC3b2bjT5I47j+FpBkCrVFCWgSnd3sjn7ay8%20SC4jN3qNnJBn95GIMZHcZrlfF0F1o/jbQovD85s3vmcSoD+7cj1FelVwHjT/AJKN4Q/66yfypxvF%20WTFOXO02lp5EtprGv/2oLTUb+3s5A3CywDEg9mrtpfMMD+QVEhX5S3TNQ6hptrqduYbuJZF7E9R9%20DWAY9V8MHMW/UNNHVD/rIx7etaKEZfDoyJ1ZXvJK3kvzJQvixSCX09xnkYIroQX8kEgGTb0HTNVd%20M1e01aDzbSUN/eU8Mv1FXaz5XF2ZpKop2aS+Rzj6n4kjLZ0iBxnjbLW/A8jwRtMnlyFQWXOcH0qS%20iklbqOc1LZJHOzeK5beZ0l0a/CqSN4XIPvW3Z3QvbSO4VHQSDO1xgj6ip6KEn3CUotaRsY83ivSL%20e6kt5rsRyRttYMpHNaVrdwXtus9tIskTdGXpSS2VrOSZreFyepZAafDBFbxiOGNY0HRVGBQr9Qk4%20W91O4pmjDFTIm4dRuGacCCMg5FY9/wCFNL1G6e5mhcTv1dHINXdM0yLSrXyIHldM5zI240K9wahy%203T19C5RWLqWlancXhnsdVa3XAHlFAVq3pMGowQOup3Udw+75WRNuB70X12BwSjdS+RforI1W/wBW%20tLlRY6at1CRywkwwP0qXSNRur8SC70+W0ZD/ABnIb6UcyvYHTfLzdPU0qKzdU1+y0eWOO8Z1MgyC%20EJH4mn6drdhqxYWNykrIMsB1FF1ewvZz5ea2hfoprSImN7quemTilBBGQcj2pkC0UUUAFFFFABRR%20RQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAVkeJLPVr7TfK0O9is7ksMySR7%20wV7jFa9FAHmg8D+LtwJ1XRuuT/xLk/wr0e3R47aJJCC6oAxUYBOOwqSigAqOWaK3jLzSJGg/idgB%20+ZqSuG8dpb3XiLQbPVSv9lyec0qyPtRnC/Lk/nSY0dwGBXcCMYzmo0uYJYmljmjeNc5dWBAx15rz%20qLULlfgvKUnb7SIH2Hf8/lbyM+uMd6wrsW9kmpWelOq6O/2H7R5UhKDcRv5zxkdaq2thdLnskcsc%200YkidXQ9GU5B/GljkSVA8bq6noVORXkn9sJolhrem6bI8Wnz35ggnhDSLbpsy5XGfw966z4WXcNz%204EskhdnMO5GLAjnPv1oWoPQ6XU/+PM/7y/zq5VPU/wDjzP8AvL/OrlIAooooAKKKKAG4CgkLz147%201m6X4gtdUmlgAaG5iYhoZeG+o9a1KzNT0Cy1SWOaVWjnjIKyxHa30zSd+hpDk1UzToqveXS2FlJc%20OsjrGuSEGWP4VU07xFpmp4FvdJ5h/wCWb/KwP0NF1sSoSa5ktDTooopkhRRRQAVHPPFbQtLPIsca%208lmOAKydU8SW9lL9ltUa7vW+7DHzj6ntVSHw/d6tMtz4gl3AHKWkZ+Rfr61oqel5aIhz1tHUbLrN%20/rshg0JDHb5w95IOP+AjvWlpPh610smXme6bl55OWJ/pWlHEkMaxxIqIowFUYAp9EqmnLHRAoa3l%20qwoorLu/Emk2LMs99ErKcFQckflWTaW5rGMpO0Vch8Y/8ifqv/Xs/wDKtW2/49Yf9wfyrD8S3kN/%204Ivri3bdE8JKnGKSXUtdL+RYaUnlqAFmlk4bjrihuw403J229dDoqazqgyzBR6k4qvp/2w2af2gI%20hcfxeVnbWbeeFLTUL2S4u7i7kDn/AFXmkIPwobfQIxje0n+psxypKu6N1dfVTkVjaj4mSyvHtIbG%207uZ06iNPl/OtOw0+20y1FvZxiOIHOAasUatDTgpaq6+4p6Xd3N7aebd2jWrk8IxycetUdT0bUNQv%20CyatLb2xAAjjXn35rbootdWYlUcZc0Vb+vMoaTpSaTbtEk885ZtxaZ9xzVl7O2km814ImkxjeyAn%2086mooshOTbu2IAAMAYFLRRTJCiiigAooooAKKKKACiiigAooooAK4Dxp/wAlG8If9dZP5V39cB40%20/wCSjeEP+usn8qAO/ooooAwtT8NRzz/bNNkNnejo6cK3+8KhtPEktncLZ6/D9mmPCzD/AFcn49q6%20OoLuzt7+BobqJZY26hhWiqXVp6mbhZ3iTKwdQykFT0I70tcu2nan4cYyaWzXll1a2kPzKP8AZNa2%20la7Z6upELlJl+/C/DqfpRKnZXjqhqetnozSooorMsKKKKACiiigAooooAKKKKAGPGkgxIisPRhmm%20RWlvbuzQwRRs3UogGamooHdmfquh2esiP7YjMY87SrEEVDpfh230m5aaC4umDLt2SS7lH4VrUUuV%20XuUqs1HlvoZ+rW1/cwoNNu1tpFOSWTcGHpVbTI9eiuwuoy2stvg5ZAQ2a2aKLa3GqjUeWy+4pare%203FjaiW2s3um3YKIcED1qhp/iQ3l4ltNpt5bu/d0+UfjW5RQ077gpRUbOOoUUUUzMKKKKACiiigAo%20oooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAqnqWk2OsW32fUbWK5hzu2SLkZq5RQ%20Bl/8I/Z/2nHeeWgEdsbZYgvy7Cen6U628PaTZ6fNY22n28drNkyRBPlfPXNaVFAFSx0uy02zW0sr%20WKG3XOI0XipLOyt9Ptkt7OFIYU+6iDAFT0UAU9T/AOPM/wC8v86uVT1P/jzP+8v86uUAFFFFABRR%20RQAUUUUAFUJtE064uUuJLSIzIdyuBg5q/RRa41Jx2ZBeQyz2kkdvMYJWGFkAztNYkFj4kt5k3ajb%20Txbhu3x4OO9b09xFbRNLPIsca9WY4Fc9J4hu9VkaDQLfevRrqUYRfp601Sc9Rqt7NW0fyNbV9Vh0%20qxkmkkjWTafLVj949hXLG88Va9ZjybZLWFurZ2sw9s1uaf4YhhnF3qMrXt4ed8nKr9BW30qpKK+F%206k05uz5ooztN0a20i1K2kSiYj5nc5Zj7ms3Z4skJBl0+MZ4IUmukoqJXk7tl05KmrJIjiEggQSsD%20JtG4qOM96wJfCs9zI7XOt3zqxJ2qQuB6cV0dFJxT3CFSUPhIbS2W0tY4EZ3WNdoZzkn6mq6aLp0c%20zSrZQCRjlm2Akmr1FFkLmlrqYfi8BPCV+igAGPaABwMmtiDiCMf7I/lWP4x/5Fa8/wB0fzFbMP8A%20qY/90UyR9FFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABXAeNP+SjeEP+us%20n8q7+uA8af8AJRvCH/XWT+VAHf0UUUAFFFFABWRqvh211NhMu63u1+7PFww+vrWvRTjJxd0JxUlZ%20nMJrOo6E4i1yIzW/RbuIZ/76FdDbXcF7Cs1tKskbdGU5qR0WRCrqGU9QRkGufufDMlpMbrQZzazH%20loTzG/4dq0vGe+j/AAI96O2qOiorn7TxP5UwtdagNlcdAx/1b/Q1vqyuoZSCp6EHrUSg47lRkpbC%200UUVJQUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAF%20FFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQBT1P/jzP+8v86uVT1P/AI8z/vL/ADq5QAUU%20UUAFFFFABRUc08VtGZJ5FjQdWY4FYM3ik3Uhg0S0kvZenmYxGv41UYSlsTKSjudBJIkSF5GVVHUs%20cAVgXPinz5jbaJbNezdC44jX6mmJ4bu9TcS69eNKOot4jtQfX1retrWCzhEVtEkaDoFGKv3I+b/A%20n3peRgweGZ7+VbnX7k3DjkQJxGv+NdDFFHBGI4kVEXgKowBT6KiU3LcqMVHYKKKKkoKKKKACiiig%20AooooAw/GX/Is3I7EqD/AN9CtmLiJP8AdFYvjL/kW5/95P8A0IVtx/6pPoKAHUUUUAFFFFABRRRQ%20AUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFcB40/5KN4Q/66yfyrv64Dxp/yUbwh/wBdZP5U%20Ad/RRRQAUUUUAFFFFABRRRQBBd2VvfwGG6hSVD2YVgNompaKxk0O4MsHU2k5yP8AgJrpqKuM3HTo%20TKCZhaf4ptriUW18jWV2ODHLwCfY1uAgjIORVW/0u01OIx3kCyDsSOR9DWIdI1bRTu0i6+0wD/l2%20uD/I1VoS20ZN5R31OmorBs/Fds8ot9RjksLnptmGAT7GtxXV1DIwZT0INRKDjuVGSlsOoooqSgoo%20ooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiii%20gAooooAK47xlLdXmu6NosN5cWcF55ryyW7bXOxcgA/jXY1k6/wCG7LxHBEl55qPC26OWFyjpng4I%209RSY0cxH4k1BPhHLqnmFr2ONoxMRySH2hvyrEudT1PRVvtGh1K7mSU2hW5lfdJF5pw+G7e3pXbDw%20lbrNHbLkaSlm1sbUuSr5OckevXn3plr4D0e20q7sCs8y3RBklllLSfL93Ddtvaq63F0scxC139g1%20jTrvX7q20/Sb0CS6ZiZpIiudgfrnNdT4FOonw1G2qNMzM7GE3H+t8rPyb/fFV7j4c6PcaRHpzvdi%20NZ/tDSCY75JP7zN3xW5o2kpo1j9mjuLm4XcW33Ehdufc0IGP1P8A48z/ALy/zq5VPU/+PM/7y/zq%20S6v7WxQvdTxxKP7zYpJX2C9ixRXOyeLY53Mek2dxeyf3lXan5mmfYdf1X/j8u0sIT/yzg5b8619k%2018Whn7RP4dTXv9ZsNMXN1coh7LnLH8KyDr2qaqdujWDJGePtFxwPwFXrDwxptg3mCHzpu8sx3N+t%20awAAwBgCi8I7K/qFpPd2Oeg8Ki4kE+tXcl7L12E4jH0Fb0MEVvGI4Y1jQdFUYFSUVEpyluVGKjsF%20FFFSUFFFFABRRRQAUUUUAFFFFABRRRQBheMv+Ref/rtF/wChittPuL9Kw/GR/wCJAR/enhX83Fbq%208KPpQAtFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABXAeNP+SjeEP+usn8%20q7+uA8af8lG8If8AXWT+VAHf0UUUAFFFFABRRRQAUUUUAFFFFABRRRQBXu7G2v4jHdQJKp7MKw38%20OXmmsZNDvniXr9nm+ZD9PSukoq4zlHREygmc2niiewcRa5YSW5/57RjchrbtNQtb+MPa3Ecqn+61%20TuiyKVdQynqCMisW78J2E0hmtfMs5/78Dbf0qrwlvoTaa8zcormtviPSvumLU4R2PyyYqa38X2Rc%20R30c1jL0ImXA/Ol7J/Z1H7RddDfoqKG4huUDwSpIp7q2alrMsKKKKACiiigAooooAKKKKACiiigA%20ooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigCnqf/AB5n/eX+%20dR3OhafeXou7m2WWUDALkkD8Kk1P/jzP+8v86uU02thNJ7jI4o4UCxIqKOyjAp9FFIYUUUUAFFFF%20ABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFAGD4y/5AS/8AXzB/6MWt0dBWD4y/5AsQ7G8twf8Av6tb%209ABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAVwHjT/ko3hD/AK6yfyrv%2064Dxp/yUbwh/11k/lQB39FFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAVFPawXSFLiFJF%20PZlzUtFGwGBN4Pst5ksJJ7KT1hc4/KozD4k07/VTQahGOzja9dHRWntZddfUj2a6aHOL4tNsduqa%20bdWp7sF3L+YrSs9f0y+/497yIn+6Wwf1rQZVcYYAj0IrNu/Dml3uTNZxbv7yjaR+VO9N7qwrTXW5%20pAhhkEEeopa5w+Emtzu03VLu2I6AtvH60CLxPZkBZrS8TP8AENrUckXtIOdrdHR0U1clRuADY5Ap%201ZGgUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFY%20PjHWbnRdGV7HYLq4njt4mcZVC5xuI74qHwhq99fHUrHVJI5rvTrjyWmjTaJARkHHahagzY1P/jzP%20+8v86uVT1UhbFmY4AYEn05p/9o2f/PzF/wB9CgCzRVb+0bP/AJ+Yv++hR/aNn/z8xf8AfQoAs0VW%20/tGz/wCfmL/voUf2jZ/8/MX/AH0KALNFVv7Rs/8An5i/76FH9o2f/PzF/wB9CgCzRVb+0bP/AJ+Y%20v++hR/aNn/z8xf8AfQoAs0VW/tGz/wCfmL/voUf2jZ/8/MX/AH0KALNFVv7Rs/8An5i/76FH9o2f%20/PzF/wB9CgCzRVb+0bP/AJ+Yv++hR/aNn/z8xf8AfQoAs0VW/tGz/wCfmL/voUf2jZ/8/MX/AH0K%20ALNFVv7Rs/8An5i/76FH9o2f/PzF/wB9CgDJ8Zf8geD3vbb/ANGrW/XPeJXj1GwtorWaF3S9t5WB%20kAwqyKzH8ga2P7Rs/wDn5i/76FAFmiq39o2f/PzF/wB9Cj+0bP8A5+Yv++hQBZoqt/aNn/z8xf8A%20fQo/tGz/AOfmL/voUAWaKrf2jZ/8/MX/AH0KP7Rs/wDn5i/76FAFmiq39o2f/PzF/wB9Cj+0bP8A%205+Yv++hQBZoqt/aNn/z8xf8AfQo/tGz/AOfmL/voUAWaKrf2jZ/8/MX/AH0KP7Rs/wDn5i/76FAF%20miq39o2f/PzF/wB9Cj+0bP8A5+Yv++hQBZoqt/aNn/z8xf8AfQo/tGz/AOfmL/voUAWaKrf2jZ/8%20/MX/AH0KP7Rs/wDn5i/76FAFmiq39o2f/PzF/wB9Cj+0bP8A5+Yv++hQBZrgPGn/ACUbwh/11k/l%20Xbf2jZ/8/MX/AH0K4Pxld27/ABD8JOs0ZVZHyQ3A4oA9Foqt/aNn/wA/MX/fQo/tGz/5+Yv++hQB%20Zoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/%20MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5%20+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt%20/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/f%20Qo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv+%20+hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqt/aNn/wA/MX/fQo/tGz/5+Yv++hQBZoqGK8t5%2032xTRu3orZqagAooooAKKKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigAooooAyvEehp4g0%20prRpmgkV1lilUZKOpypx35qLw34fbQoLlri6a7vLuUzXE5ULubpwB0GK2qKFoAhGeDSbF/ur+Vcf%204xvL+417TtGsb6WxSaCa5eaEDedgyF57Z61r+DdVn1rwpYXt1gzyR/OQMZIOM/pQtUD0NnYv91fy%20o2L/AHV/KnUUAN2L/dX8qNi/3V/KnUUAN2L/AHV/KjYv91fyp1FADdi/3V/KjYv91fyp1cXruo63%20beOtDg82KHS55mQIhy8uFyS3oPajrYDsti/3V/KjYv8AdX8q82i1m/8A+E5km1SbVrbTnvfs9qU2%20/Z3OOFYdeTmvS6FtcHo7Ddi/3V/KjYv91fyp1FADdi/3V/KjYv8AdX8qdRQA3Yv91fyo2L/dX8qd%20RQA3Yv8AdX8qNi/3V/KuX8dw6m2lPcaXf3ML20bSfZ7UL5kp7cnsO9ctfeIdW1SMy2mrNCNP0lL8%20tCg23EncNntwRigdj1HYv91fyo2L/dX8qraXdtfaVaXTjDTRK5HuRmrdNqzsSndXG7F/ur+VGxf7%20q/lTqKQxuxf7q/lRsX+6v5U6igBuxf7q/lRsX+6v5U6szxBrUWhaVJdyYLkhIkJxvc8KPzoYGjsX%20+6v5UbF/ur+VeVw674hu/BBRJri51SXVGhkNoy70QHJC546cCu08EX0d9oAK3N7PJFK8cv23Hmo4%20PKnHHFAPQ6DYv91fyo2L/dX8qdRQA3Yv91fyo2L/AHV/KnUUAN2L/dX8qNi/3V/KnUUAN2L/AHV/%20KjYv91fyqvqV0bLTLq5UZMMTOB9BmvLdL8X6pa6Zf311dX32qfTzdQw3Ua+Wxz96Mjooz0NA7HrW%20xf7q/lRsX+6v5Vxng+81C38QXWkX1/Nfp9kiu0llA3KX6rx29K7Wm1YQ3Yv91fyo2L/dX8qdRSAb%20sX+6v5Vm3/h3T9S1Sx1C5iJuLEloSGIAJ65HetSigBuxf7q/lRsX+6v5U6igBuxf7q/lRsX+6v5V%20wWq2eonx7ZWWn67qH7wm6uYiR5cUIPCjjueKp6TrN+3jXzNYm1a2trm8eKzX5fs0gHAU9+xNC1B6%20HpOxf7q/lRsX+6v5U6igBuxf7q/lRsX+6v5U6igBuxf7q/lRsX+6v5U6igBuxf7q/lRsX+6v5U6v%20PPH+sahYayqG/utPsY7RpoZLePd504PCMcdMUm7Dseg7F/ur+VGxf7q/lXld74n1nUre51KG+ks/%207LsYLnyEUbZnc/Nuz24r1CzmNzZQTEYMkauR6ZGaqwiTYv8AdX8qNi/3V/KnUUgG7F/ur+VGxf7q%20/lTqKAG7F/ur+VGxf7q/lTqKAG7F/ur+VGxf7q/lXG3Wpa3F8SNOtbiWOLTZo5THDGcl9o+8x/pW%20LoviLVvt+narc30s0GqT3ETWZUbIggO3b3zxzQgPTNi/3V/KjYv91fyrzrwJql/Jrqxa7Pq0d5dR%20vLDDcbTA6Z6rjkYGOtej0AN2L/dX8qNi/wB1fyp1FADdi/3V/KjYv91fyp1FADdi/wB1fyo2L/dX%208qdXG/EPUda06yt5dNlit7UTRiaXP7xssBtA7D3oA7EKo5CgfhS1wPjSXWbS/juLPWJI5pGjTT9P%20gQEzN/GZPb37Vn3XiDWF1a51T7dIkVpqcWnmyUDy2VgNxPfOTQtf6/ruDPTqKKKACiiigAooooAK%20KKKACiiigAooooAKKKKACiiigAooooAKKKKACiiigDE8ReF7bxF5DyT3FrcQZCT27bXCsMMv0IrR%2003T7fSdOgsbRNkECBEHtVqigAooooAKKKKACiiigArN1HQ7fU9S069meRZLCRpIwp4JIxzWlRQBz%20KeBNOTW/7Q8+6MYm+0raGT9ysv8AfA9a6aiijyDzCiiigAooooAKKKKAMLxD4TtfEMkE0lxdWtxC%20rIJrZ9rFG+8p9jVK++HmlXiWscUlzaxwQi3ZYXwJos52v6jNdVRQAyKJIIkijXaiKFUDsBT6KKAC%20iiigAooooAKparo9hrdqLfUrZLiENuCP0z61dooA5CL4aaNa6c9rZNcWrm4Nyk8T4kjb0Bx0A4re%200PRLbQNOFpamRwWLvJI2XkY8lifU1o0UAFFFFABRRRQAUUUUAMliSaJ4pFDI4KsD3BrmLH4e6VZt%20ceZJc3UcsDW8cc77lgiPJVPQV1VFAGF4d8KWvh15pIp7m5nmCoZbh9zBF+6o9hW7RRQAUUUUAFFF%20FABRRRQBmwaHb2+v3WrB5GuLmJYmDH5VVfSsuz8CadZ60t+s906RytNDavJmKKRurKK6aijYAooo%20oAKKKKACiiigArC1/wAKw6/NHJJfXtttUxusEu1ZUPVWH9etbtFAHMan4B0vUrmGXfcW8aRpFJDC%20+EmRTlVYd8V0qIsaKijCqMAegp1FABRRRQAUUUUAFFFFAGbdaHb3eu2WqyPIJ7NHRFBG0huuay7L%20wFpllqr3ivcSR/OY7Z3zFEX+8VHvXTUUAc3oXgix0LUBdx3F3cPGhit1nk3LAhOSq/8A166SiigA%20ooooAKKKKACs3XdEt/EGnizunkSMSJJmM4OVORWlRQByup+BY9R8QHWE1bUbW58sRqIWXCqOwyDj%20PepJPAunS64upNNc48xZnt9/7qSVRgORjrXTUUbAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFF%20ABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUA%20FFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFAFV9TsY2KveWysDggyqCP1qwjrIgdGDKRkEHINeE%20w6Bdapq2sTw+ExrCC+kXz2vfKx/s49q7qW51Q65pfhjSJ00hILEXEuU80g9AgJ6j1NC1Sf8AW1we%20jf8AXkd3HNHMCYpEcA4O05wfSn147oesXumeGJYIb1or+71eWMmCHzXkx12KeB+NXrXxvr0XhG9W%205ZRqcWpLp6SyoPk3HqwHGRQtfw/T/MHp/Xr/AJHqPnR+b5XmJ5mM7Nwzj1xQJUMhjDqXAyVzyB9K%20860i11Cy+LiQanfi+kXTTtlCbCRu7gHHWq0XiCfT7Hxf4ijAa7F4LSHfyqBcKPwySaP6/Gw7f18r%20npktzDCcSyxodpbDMAcDqaS0u4L62S4tZVlhcZV0OQfpXleoW2qW/jDSRq+oJqG/TbiRT5ezB2ZI%20IB5FPj8TarN4Z8P2unXbxXtxatKYbS2VmIBIHUhVWj+vz/yEer0x5UjZVd1UucKCcZPtXlsnjDxJ%20eeC9IvollTfLJHfXFtCJJE25wQme+OaXU9afUvhymrf2gt5e6Zeo6yrGYnUhgNrL2ODzTA9UoqOG%20TzYI5P76hvzqSkAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRR%20RQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFF%20ABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUA%20FFFFABRRRQAUUUUAcPdfCjR7q9uLr7ZqMTzyGR1iuCoyevFaVz4E0+5h09RcXsM9hH5MdzFMVlZD%201Vm70UUdLAVk+Gujw6dDaW8t5CYLg3EM6TYkRj1w1Tw/D3R4dIvtOP2iSC9lEzmSQllkH8QPY96K%20KAJNH8EWOja1/aqXN7c3hi8lpLibeWWqeneFQt74j06+t1k0rUZBOh3DOWHzDHUYIzmiigB9n8Ot%20NtL6K8a7v7ieKFoFaefdhGGMD6Clb4daV5FhHDPewNZRGBZIZtrPGTkqx7iiigB6fD7TINJtrC2u%20L2AWkrSwTRTESIW6jPcfWqOs+C0i0CHRtLiaRLy8SW9nlkBdgDlmJ7k4xxRRQB2qKERVXoowKdRR%20QAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFABRRRQAUUUUAFFFFA%20BRRRQAUUUUAFFFFABRRRQB//2Q==" height="647" width="784" overflow="visible"> </image>
          </svg>
        </div>
      </div>
      <div class="fig"><span class="labelfig">FIGURA 4.&nbsp; </span><span class="textfig">Comportamiento de las tasas ICD e IMD para el clon CT-26.</span></div>
      <p>Para
        el rendimiento de materia seca de ambos clones se observó tasas de 
        incremento antes (aceleración) y después (desaceleración) del punto de 
        inflexión diferentes, lo que coincide con lo planteado por <span class="tooltip"><a href="#B2">Barker et al. 2010</a><span class="tooltip-content">Barker,
        D. J., Ferraro, F. P., La Guardia, N. R., Sulc, R. M., López, F., &amp;
        Albrecht, K. (2010). Analysis of herbage mass and herbage accumulation 
        rate using Gompertz equations. <i>Agronomy journal, 102</i>(3), 849-857, ISSN: 1435-0645. recuperado de: <a href="https://www.researchgate.net/publication/273931479_Analysis_of_Herbage_Mass_and_Herbage_Accumulation_Rate_Using_Gompertz_Equations/link/556c976708aec2268305444a/download" target="xrefwindow">https://www.researchgate.net/publication/273931479_Analysis_of_Herbage_Mass_and_Herbage_Accumulation_Rate_Using_Gompertz_Equations/link/556c976708aec2268305444a/download</a> </span></span> y <span class="tooltip"><a href="#B7">Díaz (2007)</a><span class="tooltip-content">Díaz, D. (2007). <i>Evaluación agronómica de nuevas variedades Pennisetum purpureum en condiciones de sequía el Valle del Cauto</i> [Tesis en opción al título de Máster en Pastos y Forrajes]. Universidad de Matanzas "Camilo Cienfuegos”, Matanzas, Cuba.</span></span>, que guarda una relación lógica con el proceso de acumulación de biomasa de gramíneas tropicales (<span class="tooltip"><a href="#B23">Rodríguez, 2015</a><span class="tooltip-content">Rodríguez, L. (2015). <i>Modelación
        y simulación de la producción de biomasa de Cenchrus Purpureus Schum 
        vc. King grass y su aplicación en la alimentación animal</i> [Tesis en opción al grado científico de Doctor en Ciencias Veterinarias]. Instituto de Ciencia Animal, Mayabeque, Cuba.</span></span>).</p>
      <p>Los
        clones CT-3 y CT-26 alcanzaron los valores mayores del incremento medio
        diario (IMD) a los 56 y 69 días respectivamente, momento que según <span class="tooltip"><a href="#B18">Kiviste et al. (2002)</a><span class="tooltip-content">Kiviste, A., Álvarez, G. A., Rojo, A. A., &amp; Ruiz, G. A. D. (2002). <i>Funciones de crecimiento de aplicación en el ámbito forestal</i>.
        INIA, Ministerio de Ciencia y Tecnología, Instituto de Investigaciones y
        Tecnología Agraria y Alimentaría. Madrid, España, ISBN: 84-7498-484-X.</span></span> es cuando existe un mejor aprovechamiento de la planta. En sus investigaciones <span class="tooltip"><a href="#B9">Fernández et al. (2009)</a><span class="tooltip-content">Fernández,
        D., Valdés, L., Fonseca, E., &amp; Pérez, Y. (2009). Frecuencia de 
        cortes en caña de azúcar (Saccharum officinarum) y King grass 
        (Pennisetum purpureum). <i>Ciencia y tecnología ganadera</i>, <i>3</i>, 21. ISSN: 1998-3050.</span></span> recomiendan que la variedad king grass se debe cortar a no más de 75 días. Otros autores como <span class="tooltip"><a href="#B5">Chacón &amp; Vargas (2009)</a><span class="tooltip-content">Chacón,
        H. P. A., &amp; Vargas, R. C. F. (2009). Digestibilidad y calidad del 
        Pennisetum purpureum cv. King grass a tres edades de rebrote. <i>Agronomía mesoamericana, 20</i>, 399-408, ISSN: 2215-3608.</span></span> con la misma variedad sugieren realizar el corte en el intervalo de 60 a
        75 días. En ambos casos se informan edades de corte cercanas a las 
        obtenidas para los clones CT-3 y CT-26. Un aspecto a destacar es que 
        estos autores llegan a sus conclusiones cuando realizan investigaciones 
        experimentales con la variedad king grass y no mediante la modelación 
        matemática del RMS. </p>
      <p>En ese sentido <span class="tooltip"><a href="#B25">Rodríguez et al. (2011)</a><span class="tooltip-content">Rodríguez,
        L., Torres, V., Martínez, R. O., Jay, O., Noda, A. C., &amp; Herrera, 
        M. (2011). Modelos para estimar la dinámica de crecimiento de Pennisetum
        purpureum vc. Cuba CT-169. <i>Revista cubana de ciencia agrícola</i>, <i>45</i>(4), 349-354.</span></span> proponen para la variedad CT-169 que se realice el corte a los 70 días. <span class="tooltip"><a href="#B23">Rodríguez (2015)</a><span class="tooltip-content">Rodríguez, L. (2015). <i>Modelación
        y simulación de la producción de biomasa de Cenchrus Purpureus Schum 
        vc. King grass y su aplicación en la alimentación animal</i> [Tesis en opción al grado científico de Doctor en Ciencias Veterinarias]. Instituto de Ciencia Animal, Mayabeque, Cuba.</span></span> y <span class="tooltip"><a href="#B24">Rodríguez et al. (2013)</a><span class="tooltip-content">Rodríguez,
        L., Larduet, R., Martínez, O. R., Torres, V., Herrera, M., Medina, Y., 
        &amp; Noda, A. C. (2013). Modelación de la dinámica de acumulación de 
        biomasa en Pennisetum purpureum vc. King grass en el occidente de Cuba. <i>Revista Cubana de Ciencia Agrícola</i>, <i>47</i>(2), 119-124, ISSN: 2079-3472.</span></span> recomiendan que la variedad king grass se debe cortar entre los 88 y 90 días para la época lluviosa. <span class="tooltip"><a href="#B10">Fortes (2012)</a><span class="tooltip-content">Fortes, D. (2012). <i>Comportamiento morfofisiológico de Cenchrus purpureum vc. Cuba CT-115 utilizado como banco de biomasa</i> [Tesis en opción al grado científico de Doctor en Ciencias Agrícolas]. Instituto de Ciencia Animal, Mayabeque, Cuba.</span></span> recomienda utilizar el CT-115 como banco de biomasa a no más de 112 días después del rebrote. </p>
      <p>Los resultados de <span class="tooltip"><a href="#B28">Valenciaga et al. (2009)</a><span class="tooltip-content">Valenciaga,
        D., Chongo, B., Herrera, R., Torres, V., Oramas, A., Cairo, J., &amp; 
        Herrera, M. (2009). Efecto de la edad de rebrote en la composición 
        química de Pennisetum purpureum vc. Cuba CT-115. <i>Revista Cubana de Ciencia Agrícola</i>, <i>43</i>(1), 73-79, ISSN: 2079-3472.</span></span> refieren que a partir de este momento para esta variedad ocurre un 
        drástico incremento en la composición monomérica de la lignina y en su 
        contenido, lo que reduce la digestibilidad de este pasto. <span class="tooltip"><a href="#B7">Díaz (2007)</a><span class="tooltip-content">Díaz, D. (2007). <i>Evaluación agronómica de nuevas variedades Pennisetum purpureum en condiciones de sequía el Valle del Cauto</i> [Tesis en opción al título de Máster en Pastos y Forrajes]. Universidad de Matanzas "Camilo Cienfuegos”, Matanzas, Cuba.</span></span> plantea que cuando se utiliza el argumento de aprovechar la acumulación de biomasa<i>,</i> mientras se mantengan niveles favorables de crecimiento en estas 
        plantas de ciclo vegetativo largo, puede alargarse el intervalo en 
        lluvia.</p>
    </article>
    <article class="section"><a id="id0x5aabc00"><!-- named anchor --></a>
      <h3>CONCLUSIONES</h3>
      &nbsp;<a href="#content" class="boton_1">⌅</a>
      <p>Se
        concluye que el modelo que mejor describe el comportamiento del 
        rendimiento de materia seca con respecto a la edad de la planta para el 
        clon CT-3 fue el Gompertz, mientras que para el CT-26 fue el Logístico 
        con coeficientes de determinación de 82 y 86% respectivamente. El 
        momento óptimo de aprovechamiento de estos clones se alcanzó a los 56 
        días para el CT-3 y a los 69 días para el CT-26. La utilización de estos
        modelos brindó información importante para la toma de decisiones por 
        parte de investigadores y productores.</p>
    </article>
  </section>
</div>
<div class="box2" id="article-back">
  <section>
    <article><a id="ref"></a>
      <h3>REFERENCIAS BIBLIOGRÁFICAS</h3>
      &nbsp;<a href="#content" class="boton_1">⌅</a>
      <p id="B1">Academia de Ciencias de Cuba. (1989). <i>Atlas Nacional de Cuba</i>.
        Instituto de Geografía de la Academia de Ciencias de Cuba e Instituto 
        Cubano de Geodesia y Cartografía, Impreso por el Instituto Geográfico 
        Nacional de España.</p>
      <p id="B2">Barker, D. J., Ferraro, F. P., La 
        Guardia, N. R., Sulc, R. M., López, F., &amp; Albrecht, K. (2010). 
        Analysis of herbage mass and herbage accumulation rate using Gompertz 
        equations. <i>Agronomy journal, 102</i>(3), 849-857, ISSN: 1435-0645. recuperado de: <a href="https://www.researchgate.net/publication/273931479_Analysis_of_Herbage_Mass_and_Herbage_Accumulation_Rate_Using_Gompertz_Equations/link/556c976708aec2268305444a/download" target="xrefwindow">https://www.researchgate.net/publication/273931479_Analysis_of_Herbage_Mass_and_Herbage_Accumulation_Rate_Using_Gompertz_Equations/link/556c976708aec2268305444a/download</a> </p>
      <p id="B3">Beltrán, L. S., Hernández, G. A., García, M. E., 
        Pérez, P. J., Kohashi, S. J., Herrera, H. J. G., Quero, C. A. R., &amp; 
        González, M. S. S. (2005). Efecto de la altura y frecuencia de corte en 
        el crecimiento y rendimiento del pasto Buffel (Cenchrus ciliaris L.) en 
        un invernadero. <i>Agrociencia, 39</i>(2), 137-147, ISSN: 2521-9766.</p>
      <p id="B4">Casas,
        G. A., Rodríguez, D., &amp; Téllez, G. A. (2010). Propiedades 
        matemáticas del modelo de Gompertz y su aplicación al crecimiento de los
        cerdos. <i>Revista Colombiana de Ciencias Pecuarias, 23</i>(3), 349-358, ISSN: 2256-2958.</p>
      <p id="B5">Chacón,
        H. P. A., &amp; Vargas, R. C. F. (2009). Digestibilidad y calidad del 
        Pennisetum purpureum cv. King grass a tres edades de rebrote. <i>Agronomía mesoamericana, 20</i>, 399-408, ISSN: 2215-3608.</p>
      <p id="B6">Di Rienzo, J., Balzarini, M., Casanoves, F., González, L., Tablado, M., Guzmán, W., &amp; Robledo, C. (2012). <i>Software estadístico infostat. Estadística y Biometría</i>. Universidad Nacional de Córdoba, Facultad de Ciencias Agropecuarias, Las Brujas Córdoba, Argentina.</p>
      <p id="B7">Díaz, D. (2007). <i>Evaluación agronómica de nuevas variedades Pennisetum purpureum en condiciones de sequía el Valle del Cauto</i> [Tesis en opción al título de Máster en Pastos y Forrajes]. Universidad de Matanzas "Camilo Cienfuegos”, Matanzas, Cuba.</p>
      <p id="B8">Domínguez,
        V. J., Rodríguez, A. F. A., Núñez, D. R., Ramírez, V. R., Ortega, G. J.
        Á., &amp; Ruiz González, A. (2013). Adjustment of nonlinear models and 
        estimation of growth parameters in tropicarne cattle. <i>Agrociencia</i>, <i>47</i>(1), 25-34. ISSN: 1405-3195.</p>
      <p id="B9">Fernández,
        D., Valdés, L., Fonseca, E., &amp; Pérez, Y. (2009). Frecuencia de 
        cortes en caña de azúcar (Saccharum officinarum) y King grass 
        (Pennisetum purpureum). <i>Ciencia y tecnología ganadera</i>, <i>3</i>, 21. ISSN: 1998-3050.</p>
      <p id="B10">Fortes, D. (2012). <i>Comportamiento morfofisiológico de Cenchrus purpureum vc. Cuba CT-115 utilizado como banco de biomasa</i> [Tesis en opción al grado científico de Doctor en Ciencias Agrícolas]. Instituto de Ciencia Animal, Mayabeque, Cuba.</p>
      <p id="B11">Fortes, D., Herrera, R. S., García, M., &amp; Cruz, A. M. (2018). <i>Evaluación de nuevos clones de Cenchrus purpureus para pastoreo</i>. Congreso de Producción Animal Tropical, 2018, La Habana, Cuba.</p>
      <p id="B12">García,
        C. C. R., Martínez, R., Tuero, R., Cruz, A. M., Romero, A., Estanquero,
        L., Noda, A., &amp; Torres, V. (2009). Evaluación de Panicum maximum 
        vc. Mombaza y modelación de indicadores agronómicos durante tres años en
        un suelo ferralítico rojo típico de la provincia La Habana. <i>Revista Cubana de Ciencia Agrícola</i>, <i>43</i>(3), 297-306. ISSN: 0034-7485.</p>
      <p id="B13">Guerra,
        C. W., Cabrera, A., &amp; Fernández, L. (2003). Criterios para la 
        selección de modelos estadísticos en la investigación científica. <i>Revista Cubana de Ciencia Agrícola</i>, <i>37</i>(1), 3-10. ISSN: 0034-7485.</p>
      <p id="B14">Hernández, J. A., Pérez, J., Bosch, I., &amp; Castro, S. (2015). <i>Clasificación de los suelos de Cuba</i>. Ediciones INCA, Mayabeque, Cuba, ISBN: 978-959-7023-77-7.</p>
      <p id="B15">Hernández,
        J. A., Pérez, J. J. M., Bosch, I. D., &amp; Castro, S. N. (2019). La 
        clasificación de suelos de Cuba: Énfasis en la versión de 2015. <i>Cultivos Tropicales</i>, <i>40</i>(1, ISSN: 0258-5936).</p>
      <p id="B16">Herrera, G. R. S., Febles, P. G., &amp; Rodríguez, G. I. D. (2006). <i>Fisiología, producción de biomasa y sistemas silvopascicolas en pastos tropicales. Abono orgánico y biogás.</i> Instituto de Ciencia Animal, La Habana, Cuba, con la colaboración de la Universidad de Santa Catarina, Brasil, 361pp.</p>
      <p id="B17">Jones,
        J. W., Hoogenboom, G., Porter, C. H., Boote, K. J., Batchelor, W., 
        Hunt, L., Wilkens, P., Hoffstede, U., Gijsman, A. J., &amp; Ritchie, J. 
        (2003). The DSSAT cropping system model. <i>European journal of agronomy</i>, <i>18</i>(3-4), 235-265, ISSN: 1161-0301.</p>
      <p id="B18">Kiviste, A., Álvarez, G. A., Rojo, A. A., &amp; Ruiz, G. A. D. (2002). <i>Funciones de crecimiento de aplicación en el ámbito forestal</i>.
        INIA, Ministerio de Ciencia y Tecnología, Instituto de Investigaciones y
        Tecnología Agraria y Alimentaría. Madrid, España, ISBN: 84-7498-484-X.</p>
      <p id="B19">Machado, R., Lamela, L., &amp; Gerardo, J. (1979). Hierba elefante (Pennisetum purpureum Schumach). <i>Pastos y forrajes</i>, <i>2</i>(2, ISSN: 0864-0394), 157.</p>
      <p id="B20">Martínez,
        R. O., Tuero, R., Torres, V., &amp; Herrera, S. R. (2010). Models of 
        biomass accumulation and quality in varieties of elephant grass, Cuba 
        CT-169, OM-22, and king grass during the rainy season in the western 
        part of Cuba. <i>Cuban Journal of Agricultural Science</i>, <i>44</i>(2), 187, ISSN: 2079-3480.</p>
      <p id="B21">Murillo,
        R. L., Chacón, E., De la Ribera, J. R., Álvarez, P. G., Álvarez, P., 
        Plúa, K., &amp; Murillo, A. Á. (2015). Rendimiento y calidad de dos 
        especies del género Pennisetum en Ecuador. <i>REDVET. Revista Electrónica de Veterinaria</i>, <i>16</i>(8), 1-10, ISSN:1695-7504.</p>
      <p id="B22">Richards, J., &amp; Briske, D. (1993). <i>Physiology of plants recovering from defoliation</i>. 95.</p>
      <p id="B23">Rodríguez, L. (2015). <i>Modelación
        y simulación de la producción de biomasa de Cenchrus Purpureus Schum 
        vc. King grass y su aplicación en la alimentación animal</i> [Tesis en opción al grado científico de Doctor en Ciencias Veterinarias]. Instituto de Ciencia Animal, Mayabeque, Cuba.</p>
      <p id="B24">Rodríguez,
        L., Larduet, R., Martínez, O. R., Torres, V., Herrera, M., Medina, Y., 
        &amp; Noda, A. C. (2013). Modelación de la dinámica de acumulación de 
        biomasa en Pennisetum purpureum vc. King grass en el occidente de Cuba. <i>Revista Cubana de Ciencia Agrícola</i>, <i>47</i>(2), 119-124, ISSN: 2079-3472.</p>
      <p id="B25">Rodríguez,
        L., Torres, V., Martínez, R. O., Jay, O., Noda, A. C., &amp; Herrera, 
        M. (2011). Modelos para estimar la dinámica de crecimiento de Pennisetum
        purpureum vc. Cuba CT-169. <i>Revista cubana de ciencia agrícola</i>, <i>45</i>(4), 349-354.</p>
      <p id="B26">Thornley, J. H. M., &amp; France, J. (2007). <i>Mathematical models in agriculture: Quantitative methods for the plant, animal and ecological sciences</i>. Cabi, 2nd ed. Cromwell Press, Trowbridge, ISBN: 0-85199-010-X.</p>
      <p id="B27">Torres,
        V., Barbosa, I., Meyer, R., Noda, A. C., &amp; Sarduy, L. (2012). 
        Criterios de bondad de ajuste en la selección de modelos no lineales en 
        la descripción de comportamientos biológicos. <i>Revista Cubana de Ciencia Agrícola</i>, <i>46</i>(4), 345-350, ISSN: 2079-3472.</p>
      <p id="B28">Valenciaga,
        D., Chongo, B., Herrera, R., Torres, V., Oramas, A., Cairo, J., &amp; 
        Herrera, M. (2009). Efecto de la edad de rebrote en la composición 
        química de Pennisetum purpureum vc. Cuba CT-115. <i>Revista Cubana de Ciencia Agrícola</i>, <i>43</i>(1), 73-79, ISSN: 2079-3472.</p>
      <p id="B29">Vílchez,
        J., Martínez, L., &amp; Albany, N. (2015). Comparación del crecimiento 
        en vivero entre plántulas y vitroplantas de guayabo cultivar enana roja 
        cubana Eea-1840. <i>Interciencia</i>, <i>40</i>(4), 270-274, ISSN: 0378-1844.</p>
      <p id="B30">Villanueva, A. J. (2008). <i>Effect
        of defoliation patterns and developmental morphology on forage 
        productivity and carbohydrate reserves in WW-B. Dahl Grass [Bothriochloa
        bladhii (Retz) ST Blake]</i> [Tesis en opción al grado de Doctor en Agronomía]. Texas Tech University, USA.</p>
    </article>
  </section>
</div>
<div id="article-footer"></div>
</body>
</html>