Universidade Federal de Minas Gerais

Campus Regional Montes Claros

DISCIPLINA: REGRESSÃO

REGRESSÃO LINEAR E NÃO LINEAR UTILIZANDO O SOFTWARE EXCEL E

RSTUDIO

Silvio Henrique Menezes Gomes

Profa. Dra. Adriana Leandra de Assis
Prof. Dr. Christian Dias Cabacinha

Montes Claros – MG
2016
 INTRODUÇÃO

Dentre os desafios constantes na sociedade moderna, podemos destacar as

necessidades do amplo conhecimento do comportamento natural e suas tendências. Ao
longo dos séculos, o homem teve como seu maior dispêndio de tempo as questões
empíricas quanto aos eventos da natureza. Nesse sentido, uma forma de evidenciar tais
eventos, com dados palpáveis e concisos, surgiu a estatística.
Estatística é a ciência que utiliza-se das teorias probabilísticas para explicar a
frequência da ocorrência de eventos, tanto em estudos observacionais quanto
em experimentos para modelar a aleatoriedade e a incerteza de forma a estimar ou
possibilitar a previsão de fenômenos futuros, conforme o caso (SAMPAIO e DANELON,
2016). Para explicar certos fenômenos da natureza, com o passar dos anos, a ciência vem
sendo aprimorada com o surgimento de novas técnicas e conceitos matemáticos modernos
para atribuir melhores estimativas. No entanto, atualmente, ainda são utilizados métodos
mais simplificados como é o caso da Análise de variância, Regressão linear e não linear,
sendo as duas últimas mais utilizadas no ramo florestal.
No ramo florestal a principal variável utilizada para estimativa de outras variáveis
de difícil aquisição (Altura, volume, etc) é o diâmetro das árvores (DAP – Diâmetro a
altura do peito). Esta medida, no Brasil, foi estabelecida a 1,3m de altura e sua
padronização foi adotada devido a questões ergonômicas baseadas na estatura média dos
brasileiros. Esta é a principal variável utilizada para ajustar equações hipsométricas e
volumétricas que podem ser encontradas na literatura florestal e que se baseiam nos
princípios de regressão.
A regressão linear é chamada "linear" porque considera que a relação da resposta
às variáveis é uma função linear de alguns parâmetros (SAMPAIO, 2016). Ou seja, ao
inserir dados de uma variável independente (x), espera-se que a variável esperada (y) seja
explicada por tal(is) variável(is) “x”. Plantios clonais de espécies exóticas geralmente
possuem um comportamento próximo da normalidade estatística devido a
homogeneidade atribuída aos aspectos genéticos da espécie.
Já a regressão não linear pode ser entendida como uma forma de análise
observacional em que os dados são modelados por uma função que é uma combinação
não-linear de parâmetros do modelo e depende de uma ou mais variáveis independentes.

2
Os dados são ajustados geralmente pelo Método dos mínimos quadrados ou por algum
método de aproximações sucessivas (MAZUCHELI e ACHCAR, 2002). São geralmente
utilizadas em experimentos biológicos onde o comportamento dos dados não podem ser
explicados com maior acurácia de forma linear. Um exemplo evidente é o comportamento
típico de florestas nativas que, por apresentar heterogeneidade bastante aguçada, podem
mostrar anormalidade nos dados.
Atualmente, com o advento da tecnologia na confecção de sistemas
computacionais, alguns pacotes estatísticos (ou softwares) vem sendo difundidos para
obtenção dessas estimativas. Apesar da gama de opções, muitos desses softwares são
onerosos o que popularizou o uso dos open source (Softwares de código aberto1 e
gratuitos). O Excel, mesmo não sendo um programa com finalidade estatística e nem
gratuito, contém atributos extras que conseguem realizar algumas rotinas estatísticas
básicas como regressões e outras análises. Ele não é um programa open source, mas é
uma alternativa para resultados rápidos. Entretanto, é um programa menos intuitivo do
que os pacotes elaborados exclusivamente para atividades estatísticas, como o Sisvar e
Statgraphics.
Atualmente existem alguns programas gratuitos e open source, tanto nacionais
quanto internacionais. Dentre eles, o que vem ganhando notoriedade é o “R” e atualmente,
por ser de código aberto, possui uma gama de pacotes estatísticos com finalidades
distintas a depender da complexidade da análise.
Portanto, o objetivo principal da aula prática será demonstrar a utilização da
ferramenta “Análise de dados” e a linguagem R através do programa RStudio, para
estimativas de volume.

1
Código aberto, ou open source em inglês, é um modelo de desenvolvimento que promove
um licenciamento livre para o design ou esquematização de um produto, e a redistribuição universal desse
design ou esquema, dando a possibilidade para que qualquer um consulte, examine ou modifique o produto
(OPENSOURCE.COM, 2016). Existem diversas adaptações para a interface R que se assemelham aos
pacotes estatísticos convencionais e que se baseiam na estrutura do Windows, diferente da principal
interface do R que necessita da utilização de comandos para execução das rotinas.

3
 METAS

O aluno deverá aprender conceitos sobre Regressão Linear e Não Linear, suas
diferenças e aplicações na Engenharia Florestal, de forma teórica e prática. Aprenderá
também a planejar base de dados essenciais para o cálculo das variáveis propostas, além
do domínio dos comandos principais do Excel e “R” para execução das tarefas de rotina
dos dois Softwares, dentre as quais:

 Instalação de suplementos para as análises estatísticas no Excel;

 Organização e elaboração das planilhas (no formato aceito pelo software,
quando se tratar do R);
 Principais comandos para entrada de dados;
 Aquisição e acesso aos pacotes aceitos pelo programa RStudio para
execução das etapas;
 Utilização do pacote “minpack.lm” e “stats” e seus recursos de análise;
 Análise e interpretação dos dados apresentados.

4
 PROCEDIMENTOS INICIAIS

1. Instalando suplementos no Excel2

O Excel, como alguns programas da Microsoft, possui dentro das opções

alternativas do programa, funções extras que permitem dinamizar as atividades a
depender do nível do usuário. O programa contém, além das já consagradas operações
matemáticas que facilitam e muito a vida do usuário, suplementos que podem ser
instalados a qualquer momento.
Alguns desses suplementos encontram-se ocultos na biblioteca do programa ou,
quando solicitado, podem ser adquiridos via CD de instalação ou pela internet (sendo o
segundo caso mais comum). A Figura 1 mostra a tela inicial e o primeiro passo para a
instalação dos suplementos no Excel.

Figura 1. Interface inicial do Excel após gerada uma nova planilha.

Na aba “Arquivo”, além das opções básicas de abertura e salvamento de

documentos, a versão 2013 do Excel tem uma área de gerenciamento que mostra os

2
A versão do Excel utilizada nessa apostila é 2013. No entanto, os passos aqui apresentados
também podem ser utilizados para outras versões do programa, com as devidas adaptações quando
necessário.

5
arquivos utilizados recentemente pelo usuário. Entretanto, a área de interesse para
instalação dos suplementos encontra-se na aba “Opções”, conforme mostra a Figura 2.

Figura 2. A seta em vermelho mostra a aba opções.

Após realizada a etapa anterior, uma nova janela surgirá na tela. Nela conterá a
seção para instalação dos suplementos (Figura 3).

Figura 3. Clicar na aba "suplementos", conforme opção destacada em verde

claro.

6
 Ainda na Figura 3, para instalação do pacote estatístico no Excel, selecione a
opção destacada em cinza “ferramentas de análise” e depois aperte OK. Repita o mesmo
procedimento para instalação da ferramenta “Solver”. A ferramenta “solver” será
designada para ajuste de equações não lineares. Após realizado isto, o dois pacotes
deverão aparecer na aba “DADOS”, conforme Figura 4.

Figura 4. A figura mostra como ficará a interface do Excel após a instalação, com ênfase
na aba "DADOS".

Com estes passos, o Excel estará pronto para realização das principais atividades
estatísticas para a aula prática. Vale ressaltar que este é o processo mais rápido para
realização dos cálculos no ajuste de equações. Caso seja de interesse do pesquisador, ele
poderá realizar os cálculos através da inserção manual das fórmulas, o que isenta a
utilização da “ferramenta de análise”.

7
 AULA PRÁTICA UTILIZANDO O EXCEL
Modelos Lineares e não lineares

Para aula prática será utilizada uma base de dados didática contendo as principais
variáveis estudadas (DAP, HT, HC, VTcc, VCcc). O nome do arquivo é “Aula prática 1
– Regressão linear e não linear.xls” (Figura 5) e os dados encontram-se no Anexo.

Figura 5. Base de dados que será utilizada para ajustar as equações lineares e não lineares.

As Tabelas 1, 2 e 3 descrevem algumas equações utilizadas na literatura florestal.

Inicialmente deverão ser ajustadas as equações lineares simples e múltiplas. O aluno
deverá identificar a diferença entre elas, como também as não lineares.

Tabela 1. Modelos para estimativa de volume.

Autor3 Modelo
Kopezky-Gehrhardt 𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝² + 𝜀
Dissescu-Meyer 𝑉 = 𝛽1 𝑑𝑎𝑝 + 𝛽2 𝑑𝑎𝑝² + 𝜀
Hohenadl-Krenm 𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝 + 𝛽2 𝑑𝑎𝑝² + 𝜀
Berkhout 𝑉 = 𝛽0 𝑑𝑎𝑝𝛽1 + 𝜀
Husch 𝐿𝑛𝑉 = 𝛽0 + 𝛽1 𝐿𝑛𝑑𝑎𝑝 + 𝜀

3
COLPINI et al. (2009); MIGUEL et al. (2010)

8
 1
Brenac 𝐿𝑛𝑉 = 𝛽0 + 𝛽1 𝐿𝑛𝑑𝑎𝑝 + 𝛽2 𝑑𝑎𝑝 + 𝜀

Onde: 𝑉= volume; 𝑑𝑎𝑝 =diâmetro 1,30 m do solo; ℎ𝑡 =altura total; 𝛽′𝑆 = parâmetros a
serem estimados; 𝐿𝑛 =logaritmo neperiano; 𝜀 = erro de estimativa

Tabela 2. Modelos para estimativa de volume.

Autor Modelo
Schumacher-Hall(log) 𝐿𝑛𝑉 = 𝛽0 + 𝛽1 𝐿𝑛𝑑𝑎𝑝 + 𝛽2 𝐿𝑛ℎ𝑡 + 𝜀
Spurr 𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝²ℎ𝑡 + 𝜀
Schumacher-Hall 𝑉 = 𝛽0 ∗ 𝑑𝑎𝑝𝛽1 ∗ ℎ𝑡𝛽2 + 𝜀
Honner 𝑑𝑎𝑝²
𝑉= 1 +𝜀
𝛽0 +𝛽1
ℎ𝑡

Ogaya 𝑉 = 𝑑𝑎𝑝²(𝛽0 + 𝛽1 ℎ𝑡) + 𝜀

Stoate 𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝² + 𝛽2 𝑑𝑎𝑝²ℎ𝑡 + 𝛽3 ℎ𝑡 + 𝜀
Naslund 𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝² + 𝛽2 𝑑𝑎𝑝²ℎ𝑡 + 𝛽3 𝑑𝑎𝑝ℎ𝑡²
+ 𝛽4 ℎ𝑡² + 𝜀
Takata 𝑑𝑎𝑝2 ℎ𝑡
𝑉= +𝜀
𝛽0 + 𝛽1 𝑑𝑎𝑝
Spurr(log) 𝐿𝑛𝑉 = 𝛽0 + 𝛽1 𝐿𝑛(𝑑𝑎𝑝²) + 𝜀
Meyer 𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝 + 𝛽2 𝑑𝑎𝑝² + 𝛽3 𝑑𝑎𝑝ℎ𝑡 + 𝛽4 𝑑𝑎𝑝²ℎ𝑡
+ 𝛽5 ℎ𝑡 + 𝜀
Scolforo e Silva 1993 𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝²ℎ𝑡𝛽2 + 𝜀
modificado
Rezende et al 2006 modificado 𝑉 = 𝛽1 𝑑𝑎𝑝2 ∗ ℎ𝑡 + 𝜀
Onde: 𝑉= volume; 𝑑𝑎𝑝 =diâmetro 1,30 m do solo; ℎ𝑡 =altura total; 𝛽′𝑆 = parâmetros a
serem estimados; 𝐿𝑛 =logaritmo neperiano; 𝜀 = erro de estimativa.

Tabela 3. Modelos hipsométricos para cálculo da altura total (HT)

Autor4 Modelo
Linha Reta ℎ = 𝛽0 + 𝛽1 𝑑𝑎𝑝 + 𝜀
Parabólico ℎ = 𝛽0 + 𝛽1 𝑑𝑎𝑝 + 𝛽1 𝑑𝑎𝑝2 + 𝜀
Stofel 𝐿𝑛ℎ = 𝛽0 + 𝛽1 𝐿𝑛𝑑𝑎𝑝 + 𝜀

4
AZEVEDO et al. (2010)

9
 Curtis 1
𝐿𝑛ℎ = 𝛽0 + 𝛽1 +𝜀
𝑑𝑎𝑝
Prodan 𝑑𝑎𝑝2
ℎ= +𝜀
𝛽0 + 𝛽1 𝑑𝑎𝑝 + 𝛽2 𝑑𝑎𝑝2
Petterson 1
ℎ= +𝜀
𝛽0 + 𝛽1 𝑑𝑎𝑝 + 𝛽2 𝑑𝑎𝑝2
Onde: ℎ = altura total; 𝑑𝑎𝑝 = diâmetro 1,30 m do solo; 𝛽′𝑆 = parâmetros a serem
estimados; 𝐿𝑛 =logaritmo neperiano; 𝜀 = erro de estimativa.

Inicialmente o aluno deverá ajustar o modelo de Kopezky-Gehrhardt (Tabela 1) e

de Schumacher & Hall(log) (Tabela 2).

𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝² + 𝜀
𝐿𝑛𝑉 = 𝛽0 + 𝛽1 𝐿𝑛𝑑𝑎𝑝 + 𝛽2 𝐿𝑛ℎ𝑡 + 𝜀

Roteiro:
- Analisar quais variáveis o modelo necessita;
- Avaliar se os modelos foram ou não alterados em sua forma original;
- Questionar porque algumas variáveis são modificadas com base nas teorias
discutidas em sala;

Conforme mencionado anteriormente, o Excel é menos intuitivo se comparado a

outros programas estatísticos. Isto porque para cada variável inserida no modelo,
devemos acrescentar novas colunas a depender da modificação realizada na variável. Um
exemplo claro é a variável DAP. Conforme foi observado nas tabelas dos modelos, muitos
deles apresentam esta variável elevada a potência, associada a variável altura ou em sua
forma logarítmica (Figura 6).

Figura 6. Colunas em laranja mostram as alterações nas variáveis propostas e que devem
ser inseridas para reconhecimento da “ferramenta de análise”.

10
 O próximo passo a ser executado será a análise dos dados apresentados. Para isso,
deve-se acessar a aba “DADOS” e no canto superior direito clicar na opção “Ferramentas
de análise” e aparecerá uma nova janela. Nessa janela é possível selecionar diversas
categorias de análise a depender do objetivo proposto. Para nosso caso, como
trabalharemos com regressão, a opção desejada é “Regressão”.
Após selecionada a opção de regressão, aparecerá uma nova janela que servirá
para seleção dos dados de entrada. O que devemos ter em mente é: qual será a variável
que queremos explicar através de outra variável? Para isto devemos reconhecer a
diferença entre variável dependente (y) e independente (x). No nosso caso, a nossa
variável dependente é o volume e as independentes o DAP, HT ou as variações das duas5,
conforme cada modelo adotado. A Figura 7 mostra as alas onde serão selecionadas as
colunas para cada variável, além de outras opções como o nível de confiabilidade (por
padrão é utilizado 95%), gráficos de resíduo, etc. A nível de exemplo será ajustado o
modelo de Kopezky-Gehrhardt, apenas. Após configuração, aperte “OK”.

Figura 7. Área de gerenciamento para análise de regressão. Círculos em azul mostram o

local que habilita a seleção das colunas para cada intervalo de entrada.

5
Estas variações são designadas pelos modelos adotados. No caso do modelo de Kopezky-
Gehrhardt a variável independente é DAP².

11
 Será gerado em uma nova planilha o “Resumo dos resultados” apresentando os
parâmetros estatísticos suficientes para uma análise da precisão do modelo gerado. Nesse
caso, os principais parâmetros ou medidas de precisão avaliadas são o Coeficiente de
Determinação (R² e R² ajustado), o erro padrão da estimativa (Sxy%), análise gráfica dos
resíduos e a tabela de Análise de variância (Figura 8). Apesar do Excel plotar o gráfico
de resíduos e inclusive calcular os volumes estimados, ele apresenta uma relação do
resíduo e a variável alterada (DAP²). Geralmente são comparados diversos modelos
volumétricos para a escolha do melhor e a título de comparação do comportamento dos
gráficos, a variável deve ser associada em sua forma original.

Figura 8. Resumo dos resultados do modelo de Kopezky-Gehrhardt.

Roteiro:
- Utilizar os parâmetros do modelo ajustado e calcular os volumes
estimados;
- Realizar os cálculos dos resíduos e plotar dois gráficos: um
relacionando os resíduos (em porcentagem) com a variável DAP e
outro gráfico com o volume real e o estimado;
- Executar a correlação entre o volume estimado e o volume real,
utilizando a “ferramenta de análise”;
- Realizar o mesmo procedimento com o modelo Schumacher & Hall
(log) e demais modelos LINEARES apresentados (volumétricos e
hipsométricos);
- Interpretar cada parâmetro apresentado e a tabela da ANOVA.

12
 2. Modelos não lineares pelo Excel

As equações não lineares necessitam de outros protocolos para sua execução,

principalmente na inserção de parâmetros iniciais. As estimativas iniciais do(s)
parâmetro(s), podem ou devem ser especificadas tendo em consideração a experiência do
investigador, eventuais análises preliminares ou simplesmente com base na “tentativa e
erro”. O conhecimento do (significado dos parâmetros do) modelo que se pretende ajustar
facilita a escolha dos valores iniciais do(s) respectivo(s) parâmetros (ESTEVES, 2008).
A aplicação por “tentativa e erro”, além de um maior dispêndio de tempo, pode
acarretar em erros na operação já que cada base de dados possui um comportamento
único. Uma solução encontrada é utilizar parâmetros já divulgados na literatura com
modelos ajustados, isso, quando há essas informações. Para algumas espécies tradicionais
dos gêneros Eucalyptus e Pinus esses parâmetros são mais facilmente encontrados.
Para análise dos dados não lineares no Excel, é utilizada a ferramenta “Solver”.
Esta ferramenta foi criada para resolver problemas matemáticos complexos,
principalmente na área de computação, onde vários entraves com logaritmos são
evidenciados nas rotinas de programação e, portanto, de difícil resolução para estes
usuários.
Nesta apostila não iremos abordar o uso da ferramenta “solver” para cálculos de
regressões não lineares, dando maior ênfase ao uso do programa Rstudio.

3. Conhecendo o ambiente R e o RStudio

a. O que é o Rstudio?

O RStudio é um software livre voltado à linguagem estatística que pode ser

baixado e distribuído gratuitamente de acordo com a licença GNU. À primeira vista sua
interface pode assustar usuários inexperientes devido ao uso de linhas ou frases de
comandos e funções, o que o diferencia dos demais pacotes estatísticos disponíveis que
utilizam interfaces mais intuitivas em “click and play” e que contém diversos menus e
submenus. Para muitos esta é a principal desvantagem e principal motivo para a não
popularização do R. No entanto é um software que vem ganhando notoriedade em nichos
específicos (como o meio acadêmico) devido a problemática com licenciamento de
softwares pagos e a exigência de algumas revistas científicas.

b. O ambiente Rstudio

13
 A interface do ambiente Rstudio não diferencia dos outros programas baseados no
sistema Windows. Como todo programa gerado nesta plataforma, possui menus e
submenus além de janelas auxiliares para cada operação. No R é possível gerar relatórios,
operações matemáticas simples e complexas, além de gráficos. Outrossim, a janela
“console” é o principal ambiente utilizado e onde serão inseridos todos os comandos para
execução das tarefas (Figura 9). Para que ele possa rodar na máquina, é necessário que o
usuário possua o R (standalone) já instalado, preferencialmente em versões mais recentes
do programa. Isto é importante salientar devido a exigência de alguns pacotes estatísticos
que foram elaborados em versões atualizadas do R, especialmente quando estes somente
podem serem executados a partir deste critério.

Figura 9. Ambiente principal do RStudio. A janela "console" configura-se como a

principal área de trabalho.

4. Aquisição e Organização da base de dados

Toda e qualquer análise de dados perpassa antecipadamente pelo planejamento

adequado. Primeiramente deve-se ter em mente qual variável de interesse será coletada
para estimativa nas relações alométricas. Nos modelos de regressão linear simples são
utilizadas como variável independente o DAP, tanto para estimar a variável altura (Ht)
quanto para volume (comercial ou total). Em regressões lineares múltiplas mais de uma
variável independente é utilizada, que podem ser uma variação do DAP (ex: DAP²,
LnDAP, etc) ou a associação com a variável altura (Ht) para modelos volumétricos (Ex.:

14
DAP*Ht). Estes conceitos podem ser utilizados também em grande parte dos modelos
não lineares que, em alguns casos, podem ser linearizados para facilitação no ajuste do
modelo. Entretanto, esta adaptação acarreta discrepâncias no resultado e devem ser
corrigidas utilizando-se fatores de correção como o Fator de correção de Meyer e o índice
de Furnival, o que recomenda-se a utilização dos modelos em sua forma não linear.
A Figura 10 mostra a estrutura básica de organização da base de dados que pode
ser utilizada tanto para equações de volume, quanto para estimativas de altura. A figura
ilustra a estruturação através do software Excel (*.xls), formato também concebido para
entrada de dados no R. Porém é mais comum a utilização de bases de dados no formato
“*.txt” (arquivo em bloco de notas). O Excel (ou OpenOffice) será utilizado aqui apenas
como suporte para organização dos pares de dados.

Figura 10. Exemplo ilustrativo de pares de dados com todas as variáveis de

interesse.
Informações prévias
 O software R é sensível a qualquer erro de digitação. A vantagem do
RStudio é que ele comunica quando isso ocorre. O erro mais recorrente
se dá na digitação da nomenclatura das variáveis dentro dos modelos
utilizados, principalmente quanto ao uso de maiúsculas ou minúsculas.
Ou seja, ele apenas reconhecerá as variáveis quando o termo
coincidir exatamente com os termos dos dados de entrada.
 O R reconhece os dados no formato em ASCII ou formato “*.txt” do
bloco de notas. Nesse caso, os dados devem ser transferidos do Excel
para o bloco de notas.
 No Brasil, as casas decimais são separadas por “vírgulas” o que difere do
modelo adotado internacionalmente (que utiliza o “ponto” como
separação). Como o software adere a esse tipo de formato, faz-se
necessário a utilização do “ponto”.

15
  Mas e se minha base de dados já encontra-se com “vírgulas”, o que
fazer? O próprio bloco de notas (e qualquer programa do Windows)
possui a ferramenta de busca e substituição (Figura 11). A tecla de atalho
para tal função é Ctrl+H.

Figura 11. Base de dados transferida para o bloco de notas e substituição das vírgulas
por pontos.

Após ter preparado a base da dados para utilização no programa, o usuário estará
apto a ajustar as equações pelo RStudio.

5. Introdução ao RStudio

a. Comandos iniciais

Crie um novo projeto chamado “aula1”, o que surgirá uma pasta com mesmo
nome na pasta “Meus documentos” do Windows. Todos os comandos a seguir deverão
ser inseridos na janela “console”. Os pacotes que serão utilizados nessa aula prática são
o “minpack.lm” e “stats”. Então, utilize os seguintes comandos:
 Para procura-lo no banco de pacotes do R: search
(“minpack.lm”);
 Para carregar o pacote: library (“minpack.lm”) ou require
(“minpack.lm”);
 Para instalar, caso não contenha no banco de dados:
install.packages (“minpack.lm”);
 Para conhecer todos os pacotes instalados no R: library ();

16
 b. Inserindo e particionando a base de dados

Mesmo que o RStudio habilite o usuário a digitar os próprios dados dentro do

programa (o que não será discutido aqui), o mais recorrente é a importação dos dados
através de um arquivo externo. Primeiramente crie um novo projeto através do menu
“File/New Project...”. Atribua o nome do projeto como “aula1” o que criará uma pasta de
mesmo nome na pasta “Meus documentos” do Windows. Esta etapa já foi executada na
seção anterior.
Com a base de dados no formato “.txt” (que está disponível no Anexo desta
apostila), vamos então inserir o arquivo no programa partindo do pressuposto que a etapa
anterior foi executada. Inicialmente salvaremos o arquivo “.txt” como “aula1.txt” na pasta
“c:\meus documentos\aula1”6. Digitar então o comando:

> dados = read.table (file= "aula1.txt", sep="", header=T)

Vamos então interpretar o comando acima:

 A palavra “dados” seria o objeto criado e sua devida nomenclatura. Outro nome
qualquer poderia ser designado ao objeto e fica a critério do usuário;
 O comando “read.table” lê dados de uma tabela;
 “sep” – designa o separador adotado (pode ser vírgula, ponto e vírgula, etc). Em
nosso caso foi designado que nosso separador é o “espaço vazio”, ou seja, nenhum
caractere separa nossas colunas.
 “header=T” – significa que a primeira linha é o cabeçalho ou onde constam as
nomenclaturas das variáveis. Caso não haja um cabeçalho, adotar “header=F”
Obs.: “T=true” ou verdadeiro; “F=false” ou falso.

Feito isto, seus dados foram inseridos no R. No entanto, para habilitá-lo às ações
que serão executadas, o programa precisa reconhecer que seu arquivo são os dados que
serão avaliados. Para tal, utiliza-se o comando “attach”, que na tradução livre, significa
“anexar”, “atribuir”. Para visualizar os dados anexados, utiliza-se o comando “view()”.

> attach (dados)

6
Quando o arquivo estiver em outro domínio que não a pasta do projeto criado, o usuário deverá
informar ao R em qual pasta o arquivo se encontra através das funções “getwd()” e “setwd(dir)”. Maiores
informações acesse: https://www.rdocumentation.org/packages/base/versions/3.4.3/topics/getwd

17
> view (dados)

As vezes o usuário necessita que a base de dados seja desmembrada em duas

partes e os que os dados sejam escolhidos de forma aleatória, sem preferência tendenciosa
na seleção de quais valores farão parte de cada data-frame. Nesse sentido, há a
possibilidade de utilizar quaisquer percentual dos dados para ajuste do modelo e, após,
utilizar o restante dos dados para validá-lo com dados que não foram inseridos no
momento de ajuste (que aqui chamaremos de teste). Este processo, apesar de pouco
comum, pode ser optado em casos mais rigorosos na conferência da precisão de algumas
técnicas. Portanto, vamos particionar os dados na proporção 80/20% (ou seja, 80% para
ajuste do modelo e 20% serão os dados desconhecidos)7. Para tal, utiliza-se a seguinte
linha de comando:

> dados_amostra = sample(1:nrow(dados),

round(0.80*nrow(dados))) #cria um objeto que determina que
aleatoriamente 80% dos dados serão designados para uma nova
tabela de dados.
> dados_ajuste = dados[dados_amostra,] #este comando
chama o objeto criado e cria uma nova tabela com 80% dos
dados que serão utilizados para ajuste do modelo de
regressão.
> dados_teste = dados[-dados_amostra,] #cria uma nova
tabela com o restante dos dados (ou os 20%).

A forma de ajuste será para este caso particular será abordada no tópico “i”. Após
realizadas estas etapas, vamos começar a análise de regressão.

c. Análise de regressão linear utilizando o pacote stats

O próprio R comporta diversos pacotes já instalados na lista de pacotes e o

“stats” é um deles. Já o pacote “minpack.lm” não encontra-se na lista e necessita que o

7
Há a possibilidade de separar os dados com base em informações semelhantes em uma coluna
(Ex.: espécie, classe de diâmetro, talhão, clone, etc) através da função “subset()”. Ler mais em:
https://www.rdocumentation.org/packages/base/versions/3.4.3/topics/subset

18
usuário o solicite. Para baixar e carregar o pacote, digite a seguinte sequência de
comandos:

> install.packages(minpack.lm)
> library(minpack.lm)

Geralmente o pacote “stats” é carregado ao iniciar o programa. Caso isto não

tenha ocorrido, proceda a mesma etapa anterior substituindo o termo “minpack.lm” por
“stats”. Com os dois pacotes carregados, vamos para as análises estatísticas.
Escolha o modelo de simples entrada de Hohenadl-Krenm da Tabela 1 (página
8). Este é um modelo que utiliza apenas a variável DAP como entrada, com a variação da
própria:
𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝 + 𝛽2 𝑑𝑎𝑝² + 𝜀

Roteiro:
 Fazer uma breve análise do modelo e suas variáveis, associando aos
conhecimentos teóricos dados em sala;
 Identificar as variáveis dependentes (y) e independentes (x) e porque elas
são assim denominadas;
 Ajustar o modelo de regressão;
 Avaliar cada parâmetro gerado na tabela de análise de variância;
 Calcular os valores estimados pela equação;
 Gerar coluna com os resíduos (em porcentagem);
 Plotar gráfico relacionando DAP e os resíduos (em porcentagem);
 Plotar gráfico relacionando o volume observado com o volume estimado;

Após a análise do modelo, realizaremos os primeiros procedimentos para seu

ajuste.
O RStudio tem a seguinte vantagem em comparação ao R (standalone) por
possuir ferramentas intuitivas que facilitam a vida do usuário. Ao digitar algum atributo
conhecido no pacote, o programa abre uma janela auxiliar com a listagem de comandos
possíveis para aquela operação (Figura 12).

19
 Figura 12. O Rstudio tem a capacidade de apresentar uma lista de
possibilidades quando o usuário insere as primeiras letras do comando. A
figura mostra a função "nls" referente a operações não lineares em regressão.
Uma outra janela em amarelo surgirá dando novas diretrizes de como utilizar
o comando a depender da complexidade da análise.

Perceba que o modelo de Hohenadl-Krenm tem a variação da variável DAP e

que não consta na base de dados. Infelizmente o comando para modelo linear não
transforma os valores originais dentro do modelo. O ideal seria que o programa
entendesse da seguinte maneira:

> modelo.hk.vt = lm(VTcc ~ DAP + DAP^2)

Há duas maneiras para solucionar este entrave de nomenclatura ou

reconhecimento da função. Assim, a primeira forma é mais trabalhosa e exige que criemos
objetos distintos para cada transformação das variáveis, como mostra a seção “d”. O
passo-a-passo simplificado encontra-se na seção “e”.

d. Criando objetos para cada variável

20
 Como o pacote não reconhece a variável (DAP^2) na forma descrita
anteriormente, exige que criemos um objeto com a transformação dos valores8 e chama-
lo no comando. Para obter a raiz quadrada dos valores do DAP, designaremos um nome
para o nosso objeto que será “DAP.sqrt” e aparecerá na aba “enviroment/values”:

> DAP.sqrt=DAP^2

Agora, com a obtenção dos valores transformados, podemos ajustar o modelo

para volume total com casca (VTcc) pelo seguinte comando no console:

> modelo.hk.vt = lm(VTcc ~ DAP + DAP.sqrt)

O modelo designado de nome “modelo.hk.vt” foi então ajustado e aparecerá na

aba “enviroment” em “values”. Perceba que foi convocado o modelo linear (lm – linear
model) e então descrita a equação. O símbolo “~” mostra a associação entre as variáveis
e significa “em função de”. Ou seja, temos o volume comercial em função do DAP. Como
estamos trabalhando com um modelo linear que compõe duas variáveis9, o intercepto (β0)
será determinado automaticamente. Alguns modelos não utilizam este coeficiente, o que
será discutido posteriormente na seção “f”.

e. Ajustando o modelo na forma direta

Conforme mencionado, esta etapa visa simplificar a forma adotada anteriormente

o que isenta a obrigatoriedade da criação de cada objeto separadamente para cada variável
transformada no modelo. Observe que, para a variável DAP² do modelo, ou seja, a
transformação da variável DAP, fora chamada a função “I()” com a transformação da
variável inserida no parênteses:

8
Para calcular a raiz quadrada no R, o comando “sqrt()” é utilizado. Contudo, ao utilizar este
comando, o programa tem mostrado resultados incoerentes. A solução encontrada foi transformar os dados
na forma convencional (DAP^2). Para saber mais sobre os comandos para as possíveis operações
matemáticas, ver http://ecologia.ib.usp.br/bie5782/doku.php?id=bie5782:03_apostila:03-funcoes
9
Mesmo que consideremos a nível de modelo a adaptação da variável DAP como uma outra
variável, o modelo continua sendo de simples entrada já que apenas contempla uma variável.

21
> Modelo.hk.vt = lm(VTcc~DAP+I(DAP^2))

f. Análise de regressão não linear utilizando o minpack.lm

Para análise de modelos não lineares utilizaremos o pacote “minpack.lm”.

Supondo que ele já foi carregado através das ações da etapa anterior, algumas
considerações devem ser feitas. Estes modelos funcionam através de iterações e são
melhor ajustáveis quando a base de dados tem um comportamento não linear dos dados.
Este comportamento não linear é melhor observado através do gráfico e a curva de
tendência (Figura 13). Alguns modelos não lineares tem a possibilidade de serem
transformados para sua forma linear, os chamados modelos logaritmos ou linearizados.
Como foi abordado anteriormente, essa adaptação acarreta em discrepâncias nos valores
originais e estimados, necessitando que os resultados sejam recalculados para amenizar
essa discrepância.

Figura 13. Exemplo de curvas para comportamento linear e não linear dos
dados. Fonte: Sciencezoneja (2016)

Como foi discutido anteriormente, os modelos não lineares (ou biológicos)

possuem uma forma diferenciada para ajustá-los. A principal delas é na necessidade de
introdução de valores iniciais para os coeficientes da equação e geralmente se dá por
“tentativa e erro”. A aplicação por “tentativa e erro”, além de um maior dispêndio de
tempo, pode acarretar em erros na operação já que cada base de dados possui um
comportamento único. Uma solução encontrada é utilizar parâmetros já divulgados na
literatura com modelos ajustados, isso, quando há essas informações. Para algumas

22
espécies tradicionais dos gêneros Eucalyptus e Pinus esses parâmetros são mais
facilmente encontrados.

Vamos então utilizar o modelo não linear de Scolforo e Silva modificado (1993)
da Tabela 2. Faça uma análise do modelo e observe por que ele não é linear.

𝑉 = 𝛽0 + 𝛽1 𝑑𝑎𝑝²ℎ𝑡𝛽2 + 𝜀

No pacote “minpack.lm”, o comando para operações não lineares é o “nls()”.

Supondo que a base de dados já foi carregada e anexada, vamos então calcular o modelo
supracitado para volume total com casca, através da função:

> modelo.ssilva.nl=nls(VTcc~b0+b1*DAP.sqrt*HT^b2,
start=list(b0=0.000231653,b1=2.04604,b2=0.357994))

Após rodar o modelo, com o comando “summary()”, que será abordado no tópico
“h”, você encontra as principais informações dos parâmetros da estatística. Nota-se que
há uma diferença entre o método linear no que tange a alguns parâmetros, principalmente
no coeficiente de determinação (R²). Como este procedimento utiliza o método iterativo,
o valor do R² não é tão confiável quanto nas equações lineares e, portanto, é mais comum
utilizar o coeficiente de correlação (ryy’). Este é o principal motivo para que o valor do
R² não apareça nas estatísticas.

g. Casos particulares de modelos lineares que não utilizam o intercepto

(β0)

Analisando na literatura florestal em periódicos referentes a volumetria, você

observou aquele modelo linear que não tinha o intercepto (que no R está como intercept)
ou β0. Em alguns casos pode ser erro de digitação. Mas, podemos afirmar que existem
sim modelos em que considera-se o β0 igual a zero.
Vamos então ajustar o modelo de Rezende et al. (2006):

𝑉 = 𝛽1 𝑑𝑎𝑝2 ∗ ℎ𝑡 + 𝜀

23
 Antes devemos criar um objeto para a variável do modelo “DAP²*HT” ou chamar
a função “I()”, conforme mencionado no tópico “e”. Isto porque a função “lm()” entende
como se fossem duas variáveis e suas interações. Como nós já criamos um objeto para o
“DAP²” (denominado DAP.sqrt) para ajustar o modelo linear de Hohenald e Krenm,
utilizaremos para gerar o outro objeto. Para criar o novo objeto:

> DAP².HT=DAP.sqrt*HT #gera um objeto multiplicando o

DAP² com a HT.

Com o objeto criado, utilize o comando a seguir para ajustar o modelo linear sem o
β0 :
> modelo.semintercept=lm(VTcc~0+DAP².HT) #gera modelo
linear sem o intercepto. O “zero” representa a nulidade do
coeficiente.

h. Principais medidas de precisão utilizadas para análise dos modelos

Na estatística experimental a tabela de análise de variância (ANOVA) é a principal

fonte de informação para avaliação dos dados amostrais apresentados, seja para observar
algum evento através das variáveis utilizadas ou avaliar modelos de regressão. Contudo,
no ramo florestal, como os modelos são ajustados pelo método matricial, este
procedimento está incluso nas rotinas de grande parte dos programas estatísticos.
As principais medidas de precisão para análise da qualidade do modelo são: O
erro padrão da estimativa (Standard error) e o ajustado (geralmente configurado pela
sigla Sxy ou em percentual Sxy%); o coeficiente de determinação e o ajustado (R-squared
ou R²); valores de F (opcional). Outros parâmetros como a Raiz do erro quadrado médio
(ou RMSE, Root Mean Squared Error10), o coeficiente de correlação (ryy’), o Akaike

10
Não há um comando para obter o RMSE no “stats” ou “minpack.lm”. Uma alternativa é a
aplicação da fórmula diretamente no console ou baixar o pacote “hydroGOF” e acionar a função “rmse”.
http://stackoverflow.com/questions/17703037/how-to-perform-rmse-in-r

24
information criterion (AIC) e o Bayesian information criterion (BIC)11 são utilizados
quando há necessidade de uma análise mais apurada.
Algo muito comum em artigos florestais é a análise de gráficos de dispersão,
relacionando as principais variáveis de forma a contribuir na escolha do melhor modelo.
As relações mais comuns são os valores residuais em função do DAP e os valores
observados em função dos estimados da variável dependente (no nosso caso é o volume).
Em alguns casos singulares são utilizados também histogramas de frequência do erro.
Vamos então inicialmente convocar os parâmetros estatísticos de ajuste do modelo
através de três comandos: “summary()”, “coefficients()” e “anova()”. O primeiro mostra,
além do valor do coeficiente da intercessão (β0), também os valores de cada coeficiente
associado a cada variável (no caso do modelo, o β1 e β2). O segundo apenas os
coeficientes (β0, β1 e β2) e o terceiro o quadro da análise de variância (ANOVA):

> summary(modelo.hk.vt) #sumário dos principais

parâmetros estatísticos para análise da qualidade do modelo.
> coefficients(modelo.hk.vt) #mostra os coeficientes
(β0, β1 e β2) do modelo.
> anova(modelo.hk.vt) #mostra o quadro de análise de
variância (ANOVA).

Com o modelo devidamente ajustado, obtenha os valores dos β0, β1 e β2 (que

são os coeficientes), do coeficiente de determinação (R²), o valor de F e o erro padrão da
estimativa (Sxy). Todos estes valores são encontrados quando o comando “summary()” é
utilizado. Porém, como alternativa, semelhante ao comando “coefficients()”, alguns
valores podem ser obtidos individualmente. Para obter o coeficiente de determinação (R²
e o ajustado), por exemplo, utiliza-se os seguintes comandos:

> summary(modelo.hk.vt)$r.squared #mostra o valor do

coeficiente de determinação individualmente.

11
Maiores informações sobre o AIC e o BIC pelo site:
http://www.ime.unicamp.br/sinape/sites/default/files/Paulo%20C%C3%A9sar%20Emiliano.pdf

25
 > summary(modelo.hk.vt)$adj.r.squared #mostra o valor
do coeficiente de determinação (ajustado) individualmente.

Infelizmente o valor individual do erro padrão da estimativa (Sxy) não é possível

no pacote “stats” e nem no “minpack.lm”. A literatura sugere, caso seja de interesse do
usuário, baixar o pacote chamado “plotrix” e acionar o seguinte comando:
summary(modelo.hk.vt)$std.error

Para obter o AIC e o BIC, proceda da seguinte maneira:

> AIC(modelo.hk.vt) #determina o valor do teste Akaike.

> BIC(modelo.hk.vt) #determina o valor do teste Bayesian.

Outro aspecto é verificar a correlação entre os valores observados e os estimados,

avaliando a correlação entre eles. Isto reforça se o modelo está ou não conseguindo fazer
boas estimativas, que, nesse caso, estamos trabalhando com o Volume Total. Podemos
fazer também atestar a força entre a variável DAP e o VTcc, o DAP e HT, etc. Nesse caso
faremos duas: a relação entre o VTobservado e o VTestimado. Antes vamos obter, apenas
a título de informação, os valores estimados pelo modelo e seus resíduos, através das
seguintes funções:

> fitted.values(modelo.hk.vt) #mostra na tela valores

estimados pelo modelo.
> residuals(modelo.hk.vt) #mostra na tela valores
residuais das estimativas do modelo.

Vamos agora obter a correlação entre o DAP e o VTcc (observado) e a correlação

entre o volume observado e o estimado, pela função “cor(x,y)”:

> cor(DAP,VTcc) #correlação entre o DAP e o Volume

total observado.
> cor(VTcc,fitted.values(modelo.hk.vt)) #correlação
entre o Volume total observado e o estimado.

26
 i. Ajustando modelos com dados particionados

Conforme mencionado anteriormente, a depender da escolha de quem faz a

análise, os dados podem ser divididos em partes distintas com proporções pré-definidas.
No nosso caso, optamos em selecionar 80% dos dados para ajuste do modelo e 20% para
teste.
Vejamos então como ficará a linha de comando para o ajuste do principal modelo
adotado nessa apostila, o de Hohenadl-Krenm:

> modelo.hk.ajuste = lm(VTcc ~ DAP + DAP^2, data =

dados_ajuste) #ajusta o modelo utilizando a base de dados
contendo apenas 80%
Observe que não há grandes alterações na forma de ajuste. Note que apenas fora
adicionada a informação de qual base de dados será utilizada através da função “data”.
Esta função é necessária quando há mais de uma base de dados no mesmo projeto, ou
seja, como particionamos o data-frame “dados”, teremos então duas bases distintas:
uma com 80% e outra com 20% dos dados. Assim, isenta a necessidade de convocar o
comando “attach()” para tornar aquela base de dados como de uso atual.
Para obter os valores preditos pela equação gerada o processo é distinto. Ao
invés de utilizar o comando “fitted.values”, conforme dito no decorrer da apostila,
utilizaremos a função “predict()” e assim testar o modelo com os 20% dos dados. Então:

> modelo.hk.teste = predict(modelo.hk.ajuste, data =

dados_teste) #gera os valores da equação ajustada utilizando
os dados com 20%

27
 Feitas as principais avaliações estatísticas, vamos então plotar os gráficos. A
principal função utilizada no Rstudio para plotagem dos gráficos é “plot(x,y)” e o “x,y”
referenciado na fórmula significa os eixos do gráfico. Vamos elaborar um gráfico
relacionando o DAP e os valores residuais das estimativas (Figura 14):

Figura 14. Gráfico gerado pelo comando "plot(x,y)" utilizando a variável DAP e os
valores dos resíduos.

> plot(DAP,residuals(modelo.hk.vt)) #elabora um

gráfico relacionando o DAP e os valores residuais das
estimativas do modelo.

Vamos então plotar um gráfico relacionando o volume observado e o estimado (Figura

15):

28
Figura 15. Gráfico relacionando o volume real (observado) e o volume estimado pelo
modelo ajustado, na aba “plots”.

> plot(VTcc,fitted.values(modelo.hk.vt)) #elabora um

gráfico relacionando o volume real (observado) e o volume
estimado pelo modelo ajustado.

Podemos observar que apesar da funcionalidade do programa em construir

gráficos, eles não atendem 100% às nossas expectativas. Primeiro, porque os eixos
herdam os nomes ditados pela função. Outro aspecto também, é que nem sempre os eixos
possuem a mesma escala. Assim, o programa nos possibilita a edição dos rótulos,
tamanho e tipo de fonte, além das amplitudes para cada eixo. Contudo, este procedimento
não é tão simples mas existem funções para cada atributo a ser editado.
Vamos então editar primeiramente os rótulos do último gráfico gerado (Figura
16), alterar a escala de cada eixo e acrescentar também a linha de tendência. Para alterar
os rótulos, utilize o seguinte comando:

29
> plot(VTcc,fitted.values(modelo.hk.vt), xlab = "volume
observado (m³)", ylab = "volume estimado (m³)") #onde a
função plot gera o gráfico e o xlab e ylab são as funções
que habilitam os nomes para cada eixo.

Figura 16. Gráfico relacionando volume observado pelo estimado e com rótulos dos
eixos x e y alterados.

Para alterar as escalas de cada eixo, basta acrescentar à linha de comando as

funções “xlim” e “ylim” e, para cada eixo, incluir o intervalo desejado. O intervalo é
atribuído pela função “c()”, comumente utilizada para criação de conjunto de dados.

> plot(VTcc,fitted.values(modelo.hk.vt), xlab = "volume

observado (m³)", ylab = "volume estimado (m³)", xlim =
c(0.0,4.0), ylim = c(0.0,4.0)) #em que a função plot gera o
gráfico e o xlim e ylim são as funções que habilitam as
escalas diferenciadas ou não para cada eixo.

30
 Para incluir a linha de tendência no gráfico o procedimento não é tão simples.
Primeiro devemos gerar um novo modelo, semelhante ao que fizemos com o modelo de
regressão. Depois utilizar a função “abline ()”:

> modelo.linha=lm(VTcc~fitted.values(modelo.hk.vt))
> abline(modelo.linha)

j. Exportando os dados do Rstudio para formatos aceitos por outros

programas

Após ter feito todas as análises estatísticas, você constatou que quer manipular os
dados gerados pelas estimativas no Rstudio (resíduos, estimados, etc) em outro programa,
como o Excel ou a ferramenta Calc do OpenOffice. Isto porque, apesar da ampla opção
que o Rstudio possui, alguns procedimentos demandam mais tempo e se o processo for
repetitivo, necessita de outros comandos para execução da rotina. Ou, então, você
necessita apresentar os dados a alguém que não tenha o R instalado na máquina.
Para executar esta tarefa, dois pacotes podem ser utilizados: o “WriteXLS” e o
“xlsx”. Ambos são funcionais quanto a esta operação e exportam os dados para uma
planilha do Excel, por exemplo. O pacote “xlsx”, ao qual utilizaremos, necessita da
instalação de outro pacote que é o “rJava”. Portanto, ambos devem ser requisitados:

> install.packages("rJava")
> install.packages("xlsx")

Vamos então exportar apenas os valores das estimativas gerados pelo modelo de
Hohenald & Krenm:

> xlsx::write.xlsx(fitted.values(modelo.hk.vt),file =
"estimativas_hohenald.xlsx") #cria um arquivo com os dados
das estimativas, em formato aceito pelo Excel ou demais
programas que habilitem a extensão “.xlsx”.

Perceba que na função “File”, colocamos apenas o nome do arquivo que será
gerado. Este arquivo será salvo na pasta raiz do projeto que é “C:\meus

31
documentos\aula1”. Caso o usuário prefira outro endereço, deverá escrever o caminho
completo da pasta a qual será designada.
Com o arquivo gerado, percebe-se que ele apenas gera um cálculo por vez o que
obriga o usuário a criar diversos arquivos para cada operação. Por exemplo, geralmente
os principais dados trabalhados após o ajuste dos modelos são os valores estimados e os
resíduos. O mais interessante é ter todos estes dados em uma única planilha, isentando do
aplicador o dispêndio maior de tempo em ter que copiar e colar cada dado em uma coluna
e unir todos os dados em uma única planilha.
Como não há limites para esta poderosa ferramenta chamada R, ela possibilita sim
a inserção de uma nova coluna com os novos valores calculados. Este procedimento pode
ser adaptado à qualquer situação. Em outro momento utilizamos o símbolo “$” em
algumas funções, na seção das medidas de precisão. Este símbolo é invocado quando
deseja obter funções ocultas de outras funções ou procedimentos ocultos de determinada
operação. A explicação ficou um pouco confusa e ficará mais evidente quando obtermos
a nossa desejada coluna com os valores estimados e os resíduos (Figura 17). Para tanto,
escreva a seguinte função:

> dados$VTest=c(fitted.values(modelo.hk.vt)) #cria

uma coluna com os valores calculados dos resíduos no data
frame dos dados originais inseridos.
> dados$VTresid=c(residuals(modelo.hk.vt)*100) #cria
uma coluna com os valores calculados dos resíduos no data
frame dos dados originais inseridos.

Figura 17. Colunas referente aos valores das estimativas e os resíduos inseridas na
planilha dos dados.

32
 Caso você não tenha gostado do resultado e queira eliminar quaisquer das colunas
inseridas (inclusive as originais) basta escrever: > dados$Nome_da_Coluna=NULL
#elimina colunas de interesse dentro do data frame

Agora você pode exportar seus dados com todas as colunas que deseja utilizando
os princípios do pacote “xlsx” mostrados anteriormente:

> xlsx::write.xlsx(dados, file = "Dadosfinal.xlsx",

row.names = FALSE)

k. Criando scripts

Até o momento foram abordadas diversas funções para cada finalidade, umas
mais ou menos complexas que as outras. Para usuários mais experientes cada comando
vem à mente de forma rápida e, com um maior entendimento da linguagem R, as funções
seguem uma lógica própria (claro, com uma ótima base em inglês, o entendimento fica
mais rápido e prático). Seria pouco feliz a obrigação em ter que memorizar todos os
comandos e repeti-los a todo momento, principalmente quando temos a mesma rotina
para cada novo dado que queiramos trabalhar. Para tal, a solução encontrada é a criação
de scripts que auxiliam na execução de todas as tarefas em apenas poucos cliques.
O scripts são uma série de instruções designadas para execução de uma tarefa.
O termo abrange diversas áreas do conhecimento e na linguagem computacional nada
mais é do que comandos para execução de processos em rotinas de programação. Este
procedimento, claro, visa tornar as tarefas mais rápidas e evitar dispêndio de tempo do
usuário ou programador. No R este conceito não foge à regra e tem o mesmo significado.
Para criar um novo script, vá no menu “File/New file/R script”. Note que a partir
do momento em que se cria o arquivo, ele aparece instantaneamente na subjanela onde
encontram-se seus dados, na aba ao lado. Inicialmente ele surgirá com o nome “untitled”.
Isto porque o mesmo não foi salvo. Para salvá-lo, basta clicar na figura do disquete em
sua própria janela e escrever o nome de sua preferência. Neste caso utilizei o nome
“Comandos” (Figura 18).
Com o arquivo do script devidamente gerado, o usuário poderá então incluir
através do comando “copiar e colar” (ou pelo atalho Ctrl+C e Ctrl+V) todos os comandos

33
utilizados nesta apostila, com a sequência que desejar. Uma forma prática e que isenta o
usuário em realizar a massiva repetição de copiar e colar os comandos, é utilizar os
comandos já inseridos durante o trabalho desta apostila. Todos os comandos que foram
digitados ficam guardados em um histórico e são salvos, inclusive, quando o arquivo é
encerrado, e estarão lá quando o usuário abri-lo novamente.

Figura 18. Aba com o script desenvolvido com os comandos inseridos.

Para realizar esta operação, vá na aba “History” que fica ao lado da aba
“Enviroment”. Note que há dois ícones: um chamado “to console”, que envia à aba
“console” e outro “to source”, que é do nosso interesse. Clicando em “to source”, o
comando selecionado é transferido automaticamente para seu script ou para aba em que
estiver ativa. No nosso caso a aba ativa é “Comandos”. Faça esta operação para cada
comando que deseja inserir e assim elaborar sua rotina de operações dentro do programa.
Após feito isso, você deve estar se perguntando como estes comandos serão
executados em apenas um clique. Este procedimento é simples mas poderá acarretar
algumas falhas corriqueiras, principalmente quanto a escolha das nomenclaturas. É
preciso ficar atento às especificidades de cada processo, como o nome do arquivo que foi
introduzido, nome das variáveis, etc. O R é bastante sensível e, quando não detecta algo,
retorna uma mensagem de erro com a possível solução para o problema. Em muitos casos,

34
esta solução pode não ser apresentada por ele e exige uma certa experiência do usuário
para sua resolução.
Há duas possibilidades a serem consideradas para execução das tarefas inseridas
no script. A primeira é que o usuário poderá executar as tarefas individualmente, linha
por linha ou as alternando, caso seja de interesse. Em alguns casos este procedimento é
útil por que nem sempre é necessário que execute todas as tarefas para se obter o resultado
desejado. Isso fica a cargo do pesquisador e do caráter da amostra. A segunda seria a
execução de todas as tarefas em uma única vez com apenas um clique do mouse (Figura
19). Esta talvez seja a parte mais interessante na elaboração de scripts.

Figura 19. A seta em vermelho indica o ícone "run", que na tradução livre significa
"executar".

6. Considerações finais

Com o conteúdo desta apostila o aluno estará apto a realizar quaisquer ajuste dos
mais variados modelos de regressão encontrados na literatura florestal. Apesar do caráter
menos intuitivo do programa Rstudio, nota-se que há uma gama de possibilidades a serem
exploradas e que não foram contempladas neste material devido a simplicidade das
análises. Em experimentos mais complexos, a exemplo das análises multivariadas e
treinamento de redes neurais, alguns pacotes estatísticos no mercado não suprem as
expectativas para cada especificidade. Isto torna o R um programa vantajoso quando se
tem um conhecimento intermediário em linguagem computacional. Toda e qualquer
linguagem alia conhecimento e prática, sendo então um processo prolongado de
aprendizagem.
Atualmente está ocorrendo uma maior vigilância dos periódicos quanto a
utilização de softwares licenciados e pagos, na apresentação do número do registro de
compra destes programas. Algumas revistas científicas com maior rigor tem rejeitado

35
artigos devido ao uso de programas pirateados, o que alimenta o campo para entrada dos
programas open source, como o Rstudio.
Outro atributo vantajoso é que apesar de funcionar pela plataforma Windows, o
programa exige um menor consumo de processamento e memória da máquina. Este
aspecto pode não aparentar essencialidade quando o volume de dados é menor.
Entretanto, quando há um grande volume, alguns programas “mais pesados” em
processamento, devido a sua interface mais rebuscada, tendem a falhar ou “travar”,
acarretando na perda de todo trabalho executado pelo usuário. Além disso, o Rstudio
também possibilita que o usuário crie sua própria rotina de tarefas em scripts gerados pelo
programa em um só click, evitando que o usuário tenha que repetir a inserção dos
comandos toda vez que necessite realizar o mesmo procedimento para novos dados.
Assim, o R tem sido uma ferramenta bastante popularizada ao redor do mundo,
principalmente no Brasil e, mesmo com sua complexidade, quem o experimenta não mais
desejará voltar aos antigos programas estatísticos.

7. Referências

AZEVEDO, G. B. de; SOUSA, G. T. de O.; SILVA, H. F.; BARRETO, P. A. B.;

NOVAES, A. B. de. Seleção de modelos hipsométricos para quatro espécies florestais
nativas em plantio misto no Planalto da Conquista na Bahia. Enciclopédia Biosfera,
Goiânia, v. 7, n. 12, p. 1-13, 2011.

COLPINI, C.; TRAVAGIN, D. P.; SOARES, T. S.; SILVA, V. S. M. Determinação do

volume, do fator de forma e da porcentagem de casca de árvores individuais em uma
Floresta Ombrófila Aberta na região noroeste de Mato Grosso. Acta Amazonica, v. 39,
n. 1, p. 97-104, 2009.

ESTEVES, E. Regressão não-linear utilizando a ferramenta Solver® do Microsoft

Excel®. Tecnovisão, série eletrônica, v. 18, p. 1-13, 2008.

MAZUCHELI, J.; ACHCAR, J. A. Algumas considerações em regressão não linear. Acta

Scientiarum, Maringá, v. 24, n. 6, p. 1761-1770, 2002.

MIGUEL, E. P.; CANZI, L. F.; RUFINO, R. F.; SANTOS, G. A. do. Ajuste de modelo
volumétrico e desenvolvimento de fator de forma para plantios de Eucalyptus grandis
localizados no município de Rio Verde – GO. Enciclopédia Biosfera, Centro Científico
Conhecer – Goiânia-GO, v. 6, n. 11, p. 1-13, 2010.

OPENSOURCE.COM. What is open source? Disponível em:

<https://opensource.com/resources/what-open-source>. Acesso em 30 de maio de 2016.

36
REZENDE, A. V. et al. Comparação de modelos matemáticos para estimativa do volume,
biomassa e estoque de carbono da vegetação lenhosa de um cerrado sensu stricto em
Brasília, DF. Scientia Forestalis, n.71, p.65-73, 2006.

RStudio Team (2016). RStudio: Integrated Development for R. RStudio, Inc., Boston, MA URL
http://www.rstudio.com/.

SAMPAIO, N. A. de S. Aplicações da correlação e regressão linear. Disponível em:

<http://www.aedb.br/wp-content/uploads/2015/05/52.pdf>. Acesso em 30 de maio de
2016.

SAMPAIO, N. A. de S; DANELON, M. C. T. de M. Aplicação da Estatística nas

Ciências. Disponível em: <http://www.aedb.br/wp-content/uploads/2015/05/64.pdf>.
Acesso em 30 de maio de 2016.

SCIENCEZONEJA. Linear Vs. Non-Linear Scale. Disponível em:

<https://sciencezoneja.wordpress.com/2014/01/19/linear-vs-non-linear-scale/>. Acesso
em 30 de maio de 2016.

SCOLFORO, J.R.; SILVA, S.T. O conceito de floresta balanceada de Meyer como opção
para intervenção em cerrado senso stricto. In: I Congresso Florestal Pan-americano e VII
Congresso Florestal Brasileiro, Anais... Curitiba, S.B.S/S.B.E.F., 11: 378-381, 1997.

37
ANEXOS

38
 Base de dados fictícia

N° Espécie DAP HT HC VTcc VCcc

1 sp2 5.4 7.8 6.4 0.719463547 0.680393476
2 sp1 5.4 7.3 6.5 0.78923543 0.699865432
3 Sp1 5.5 7.5 6.5 1.023928375 0.702803067
4 Sp2 5.5 7.3 6.2 0.803229762 0.803192108
5 Sp2 5.5 7.2 5.8 0.875453 0.85655426
6 sp2 5.6 7.3 6.3 0.693536445 0.668374565
7 Sp1 5.7 8.1 6.1 0.89467365 0.88442915
8 sp1 5.8 7.6 6.7 0.726578395 0.675342531
9 sp2 5.9 8.6 7.6 0.839564756 0.818456534
10 Sp1 6.1 8.8 7.4 0.924351433 0.904328459
11 Sp1 6.2 9.3 8.2 0.911356845 0.911333871
12 sp1 6.4 10.2 9.1 1.089736373 1.080394893
13 sp2 6.5 10.5 9.5 1.083746474 1.075393893
14 Sp2 6.6 10.2 9 1.094786718 1.074763744
15 Sp1 6.6 10.4 9.2 1.087565635 1.06542661
16 Sp2 6.8 11 9.5 1.123433212 1.10563542
17 sp1 6.9 10.8 9.8 1.113754633 1.100644535
18 Sp2 7 10.2 9.1 1.119857657 1.10351975
19 sp1 7 9.7 8.8 1.429485793 1.419287478
20 Sp2 7.2 11.2 10.3 1.425673747 1.41954432
21 Sp1 7.2 10.4 8.8 1.456478594 1.4345562
22 Sp2 7.2 11.7 10.7 1.465896585 1.433610758
23 sp2 7.4 11.2 10 1.590394758 1.581289383
24 sp2 7.6 11.5 10.5 1.639484575 1.61984738
25 Sp1 7.7 11.8 10.1 1.64049584 1.600472866
26 Sp2 7.7 12.6 11.7 1.629585769 1.6161902
27 Sp1 7.9 11.2 9.9 1.735890294 1.6995712
28 sp2 7.9 10.8 9.9 1.72890239 1.712938466
29 sp1 8 11.7 10.5 1.55485894 1.707546739
30 Sp1 8.2 11.4 10.4 1.56746374 1.74627918
31 Sp1 8.5 11.5 10.2 1.6345327 2.21555005
32 Sp2 8.5 14.2 12.6 1.675647382 2.1161543
33 Sp2 8.7 12.7 11.8 1.623543729 2.22357749
34 Sp2 8.9 13.6 12.3 1.546383847 2.21305713
35 Sp1 9.6 13.3 12.5 1.807362743 1.700351681
36 Sp2 9.7 13.9 12.3 1.87564553 1.700410756
37 Sp2 9.7 12.4 11.9 1.8453425 1.702631812
38 Sp1 10.1 12.2 10.8 1.88463673 1.773379294
39 Sp2 10.7 14.1 12.7 1.843572928 1.865887031
40 Sp2 11.2 14.8 13.4 2.02392302 1.915112827
41 Sp1 11.7 14.5 13.7 2.0898208 1.95235503
42 Sp1 12.1 13.8 12.8 2.26372632 2.052514511
43 Sp1 12.6 14.7 13.7 2.302929874 2.09006735
44 Sp2 12.8 16.2 14.8 2.359929287 2.210322286
45 Sp1 13 15.3 14.3 2.372983028 2.13912613
46 Sp1 14.2 13.8 12.7 2.504309293 2.14122895
47 Sp2 14.4 13.1 12.1 2.574903029 2.18190271

39
 48 Sp2 15 14.2 12.9 2.654729274 2.6814943
49 Sp2 15.5 13.8 12.3 2.70204983 2.7082009
50 Sp1 16.2 16.8 15.6 2.891045229 2.891022255
51 Sp2 16.6 16.1 14.9 2.944341399 2.720439991
52 Sp1 17.2 14.1 12.4 3.00471324 2.883173924
53 Sp2 18.1 16.2 14.5 3.209128984 2.86489
54 Sp1 18.9 16.6 15.9 3.29454325 3.290524585
55 Sp1 19 17.7 16.8 3.35078132 3.30064346
56 Sp2 20 17.9 16.6 3.51645374 3.551941563
57 Sp2 20.8 17.5 16.2 3.6258465 3.596473065
58 sp2 21.6 15.7 14.8 3.78238893 3.829384579
59 Sp2 22.1 16.2 14.7 3.842536458 3.70513484
60 sp1 22.5 14.4 13.2 3.86356473 3.823984938
61 Sp1 23.1 13.8 12.6 3.99129342 3.77106368
62 Sp1 23.4 14.1 12.9 4.022533645 3.8303905
63 sp1 23.7 15.4 14.2 4.189879928 3.817483765
64 Sp2 23.9 15.2 13.9 4.196492835 3.851954345
65 sp2 24.1 14.5 13.5 4.201928392 3.98039892
66 sp1 25.1 18.1 17 4.4077384 3.998274654
67 Sp2 25.7 19.7 18.8 4.487464 4.140003650
68 Sp2 25.9 19 17.2 4.4973214 4.160734253
69 sp2 5.1 7.7 6.6 0.97382378 0.733393476
70 sp1 5.1 7.2 6.7 0.894875873 0.752865432
71 Sp1 5.2 7.4 6.7 1.023949386 0.755803067
72 Sp2 5.2 7.2 6.4 1.023439855 0.856192108
73 Sp2 5.2 7.1 6 1.037439828 0.90955426
74 sp2 5.3 7.2 6.5 0.746536445 0.721374565
75 Sp1 5.4 8 6.3 0.94767365 0.93742915
76 sp1 5.5 7.5 6.9 0.779578395 0.728342531
77 sp2 5.6 8.5 7.8 0.892564756 0.871456534
78 Sp1 5.8 8.7 7.6 0.977351433 0.957328459
79 Sp1 5.9 9.2 8.4 0.964356845 0.964333871
80 sp1 6.1 10.1 9.3 1.142736373 1.133394893
81 sp2 6.2 10.4 9.7 1.136746474 1.128393893
82 Sp2 6.3 10.1 9.2 1.147786718 1.127763744
83 Sp1 6.3 10.3 9.4 1.140565635 1.11842661
84 Sp2 6.5 10.9 9.7 1.176433212 1.15863542
85 sp1 6.6 10.7 10 1.166754633 1.153644535
86 Sp2 6.7 10.1 9.3 1.172857657 1.15651975
87 sp1 6.7 9.6 9 1.182485793 1.172287478
88 Sp2 6.9 11.1 10.5 1.178673747 1.17254432
89 Sp1 6.9 10.3 9 1.209478594 1.1875562
90 Sp2 6.9 11.6 10.9 1.218896585 1.186610758
91 sp2 7.1 11.1 10.2 1.343394758 1.334289383
92 sp2 7.3 11.4 10.7 1.392484575 1.37284738
93 Sp1 7.4 11.7 10.3 1.39349584 1.353472866
94 Sp2 7.4 12.5 11.9 1.382585769 1.3691902
95 Sp1 7.6 11.1 10.1 1.488890294 1.4525712
96 sp2 7.6 10.7 10.1 1.48190239 1.465938466
97 sp1 7.7 11.6 10.7 1.48978795 1.460546739

40
 98 Sp1 7.9 11.3 10.6 1.542585766 1.49927918
99 Sp1 8.2 11.4 10.4 1.58838948 1.96855005
100 Sp2 8.2 14.1 12.8 1.694845 1.8691543
101 Sp2 8.4 12.6 12 1.532343049 1.97657749
102 Sp2 8.6 13.5 12.5 1.744849486 1.96605713
103 Sp1 9.3 13.2 12.7 1.698574835 2.053351681
104 Sp2 9.4 13.8 12.5 1.563682664 2.053410756
105 Sp2 9.4 12.3 12.1 1.635437893 2.055631812
106 Sp1 9.8 12.1 11 1.887364392 2.126379294
107 Sp2 10.4 14 12.9 1.898273638 2.218887031
108 Sp2 10.9 14.7 13.6 1.876362836 2.268112827
109 Sp1 11.4 14.4 13.9 2.02930293 2.30535503
110 Sp1 11.8 13.7 13 1.923288372 2.405514511
111 Sp1 12.3 14.6 13.9 2.242938744 2.44306735
112 Sp2 12.5 16.1 15 2.232929389 2.563322286
113 Sp1 12.7 15.2 14.5 2.353920873 2.49212613
114 Sp1 13.2 13.7 12.9 2.392019123 2.49422895
115 Sp2 14.1 13 12.3 2.490193802 2.53490271
116 Sp2 14.7 14.1 13.1 2.590390294 2.7344943
117 Sp2 15.2 13.7 12.5 2.6604983 2.7612009
118 Sp1 15.9 16.7 15.8 2.724522895 2.944022255
119 Sp2 16.3 16 15.1 2.885543414 2.773439991
120 Sp1 16.9 14 12.6 3.047354713 2.936173924
121 Sp2 17.8 16.1 14.7 3.04665463 2.91789
122 Sp1 18.6 16.5 16.1 3.28454325 3.343524585
123 Sp1 18.7 17.6 17 3.278132 3.35364346
124 Sp2 19.4 17.8 16.8 3.4045374 3.604941563
125 Sp2 20.5 17.4 16.4 3.5588465 3.649473065
126 sp2 21.3 15.6 15 3.7238893 3.882384579
127 Sp2 21.8 16.1 14.9 3.79536458 3.75813484
128 sp1 22.2 14.3 13.4 3.8456473 3.876984938
129 Sp1 22.8 13.7 12.8 3.947862572 3.82406368
130 Sp1 23.1 14 13.1 4.002533645 3.8833905
131 sp1 23.4 15.3 14.4 4.04957443 3.870483765
132 Sp2 23.6 15.1 14.1 4.037773578 3.904954345
133 sp2 23.8 14.4 13.7 4.191928392 4.03339892
134 sp1 24.8 18 17.2 4.277384 4.051274654
135 Sp2 25.4 19.6 19 4.412345 4.193003650
136 Sp2 25.6 18.9 17.4 4.46387743 4.213734253
137 sp2 5.1 7.3 6.2 0.884756438 0.686693476
138 sp1 5.1 6.8 6.3 0.764735483 0.706165432
139 Sp1 5.2 7 6.3 1.042537822 0.709103067
140 Sp2 5.2 6.8 6 1.054342778 0.809492108
141 Sp2 5.2 6.7 5.6 0.998288773 0.86285426
142 sp2 5.3 6.8 6.1 0.699836445 0.674674565
143 Sp1 5.4 7.6 5.9 0.90097365 0.89072915
144 sp1 5.5 7.1 6.5 0.732878395 0.681642531
145 sp2 5.6 8.1 7.4 0.845864756 0.824756534
146 Sp1 5.8 8.3 7.2 0.930651433 0.910628459
147 Sp1 5.9 8.8 8 0.917656845 0.917633871

41
148 sp1 6.1 9.7 8.9 1.096036373 1.086694893
149 sp2 6.2 10 9.3 1.090046474 1.081693893
150 Sp2 6.3 9.7 8.8 1.101086718 1.081063744
151 Sp1 6.3 9.9 9 1.093865635 1.07172661
152 Sp2 6.5 10.5 9.3 1.129733212 1.11193542
153 sp1 6.6 10.3 9.6 1.120054633 1.106944535
154 Sp2 6.7 9.7 8.9 1.126157657 1.10981975
155 sp1 6.7 9.2 8.6 1.135785793 1.125587478
156 Sp2 6.9 10.7 10.1 1.131973747 1.12584432
157 Sp1 6.9 9.9 8.6 1.162778594 1.1408562
158 Sp2 6.9 11.2 10.5 1.172196585 1.139910758
159 sp2 7.1 10.7 9.8 1.46947584 1.287589383
160 sp2 7.3 11 10.3 1.345784575 1.32614738
161 Sp1 7.4 11.3 9.9 1.34679584 1.306772866
162 Sp2 7.4 12.1 11.5 1.335885769 1.3224902
163 Sp1 7.6 10.7 9.7 1.442190294 1.4058712
164 sp2 7.6 10.3 9.7 1.43520239 1.419238466
165 sp1 7.7 11.2 10.3 1.44308795 1.413846739
166 Sp1 7.9 10.9 10.2 1.495885766 1.45257918
167 Sp1 8.2 11 10 1.62634663 1.92185005
168 Sp2 8.2 13.7 12.4 1.58747584 1.8224543
169 Sp2 8.4 12.2 11.6 1.756474673 1.92987749
170 Sp2 8.6 13.1 12.1 1.45363943 1.91935713
171 Sp1 9.3 12.8 12.3 1.72354628 2.006651681
172 Sp2 9.4 13.4 12.1 1.78465673 2.006710756
173 Sp2 9.4 11.9 11.7 1.723929382 2.008931812
174 Sp1 9.8 11.7 10.6 1.780238082 2.079679294
175 Sp2 10.4 13.6 12.5 1.823729837 2.172187031
176 Sp2 10.9 14.3 13.2 1.876638367 2.221412827
177 Sp1 11.4 14 13.5 2.032102903 2.25865503
178 Sp1 11.8 13.3 12.6 2.09302993 2.358814511
179 Sp1 12.3 14.2 13.5 2.21425372 2.39636735
180 Sp2 12.5 15.7 14.6 2.246275363 2.516622286
181 Sp1 12.7 14.8 14.1 2.508614235 2.44542613
182 Sp1 13.2 13.3 12.5 2.390429973 2.44752895
183 Sp2 14.1 12.6 11.9 2.50039032 2.48820271
184 Sp2 14.7 13.7 12.7 2.600026535 2.6877943
185 Sp2 15.2 13.3 12.1 2.672635473 2.7145009
186 Sp1 15.9 16.3 15.4 2.734522895 2.897322255
187 Sp2 16.3 15.6 14.7 2.884341399 2.726739991
188 Sp1 16.9 13.6 12.2 2.980954329 2.889473924
189 Sp2 17.8 15.7 14.3 3.100192019 2.87119
190 Sp1 18.6 16.1 15.7 3.27754325 3.296824585
191 Sp1 18.7 17.2 16.6 3.34708132 3.30694346
192 Sp2 19.4 17.4 16.4 3.4175374 3.558241563
193 Sp2 20.5 17 16 3.5321465 3.602773065
194 sp2 21.3 15.2 14.6 3.6938893 3.835684579
195 Sp2 21.8 15.7 14.5 3.8036458 3.71143484
196 sp1 22.2 13.9 13 3.8386473 3.830284938
197 Sp1 22.8 13.3 12.4 3.89429342 3.77736368

42
 198 Sp1 23.1 13.6 12.7 3.990553365 3.8366905
199 sp1 23.4 14.9 14 4.00287443 3.823783765
200 Sp2 23.6 14.7 13.7 4.029300129 3.858254345
201 sp2 23.8 14 13.3 4.203192839 3.98669892
202 sp1 24.8 17.6 16.8 4.30577384 4.004574654
203 Sp2 25.4 19.2 18.6 4.429887454 4.146303650
204 Sp2 25.6 18.5 17 4.483897493 4.167034253
205 sp2 5.1 7.1 6 0.984758494 0.645893476
206 sp1 5.1 6.6 6.1 0.827353893 0.665365432
207 Sp1 5.2 6.8 6.1 1.067398273 0.668303067
208 Sp2 5.2 6.6 5.8 1.076654422 0.768692108
209 Sp2 5.2 6.5 5.4 1.039485594 0.82205426
210 sp2 5.3 6.6 5.9 0.659036445 0.633874565
211 Sp1 5.4 7.4 5.7 0.86017365 0.84992915
212 sp1 5.5 6.9 6.3 0.692078395 0.640842531
213 sp2 5.6 7.9 7.2 0.805064756 0.783956534
214 Sp1 5.8 8.1 7 0.889851433 0.869828459
215 Sp1 5.9 8.6 7.8 0.876856845 0.876833871
216 sp1 6.1 9.5 8.7 1.055236373 1.045894893
217 sp2 6.2 9.8 9.1 1.049246474 1.040893893
218 Sp2 6.3 9.5 8.6 1.060286718 1.040263744
219 Sp1 6.3 9.7 8.8 1.053065635 1.03092661
220 Sp2 6.5 10.3 9.1 1.088933212 1.07113542
221 sp1 6.6 10.1 9.4 1.079254633 1.066144535
222 Sp2 6.7 9.5 8.7 1.085357657 1.06901975
223 sp1 6.7 9 8.4 1.094985793 1.084787478
224 Sp2 6.9 10.5 9.9 1.091173747 1.08504432
225 Sp1 6.9 9.7 8.4 1.121978594 1.1000562
226 Sp2 6.9 11 10.3 1.131396585 1.099110758
227 sp2 7.1 10.5 9.6 1.408947584 1.246789383
228 sp2 7.3 10.8 10.1 1.304984575 1.28534738
229 Sp1 7.4 11.1 9.7 1.30599584 1.265972866
230 Sp2 7.4 11.9 11.3 1.295085769 1.2816902
231 Sp1 7.6 10.5 9.5 1.401390294 1.3650712
232 sp2 7.6 10.1 9.5 1.39440239 1.378438466
233 sp1 7.7 11 10.1 1.40228795 1.373046739
234 Sp1 7.9 10.7 10 1.455085766 1.41177918
235 Sp1 8.2 10.8 9.8 1.6547645 1.88105005
236 Sp2 8.2 13.5 12.2 1.465646736 1.7816543
237 Sp2 8.4 12 11.4 1.65646633 1.88907749
238 Sp2 8.6 12.9 11.9 1.654630384 1.87855713
239 Sp1 9.3 12.6 12.1 1.743526894 1.965851681
240 Sp2 9.4 13.2 11.9 1.73499504 1.965910756
241 Sp2 9.4 11.7 11.5 1.745362392 1.968131812
242 Sp1 9.8 11.5 10.4 1.773726354 2.038879294
243 Sp2 10.4 13.4 12.3 1.83974793 2.131387031
244 Sp2 10.9 14.1 13 1.865648238 2.180612827
245 Sp1 11.4 13.8 13.3 2.040203021 2.21785503
246 Sp1 11.8 13.1 12.4 2.09300293 2.318014511
247 Sp1 12.3 14 13.3 2.287376682 2.35556735

43
248 Sp2 12.5 15.5 14.4 2.230129939 2.475822286
249 Sp1 12.7 14.6 13.9 2.322029932 2.40462613
250 Sp1 13.2 13.1 12.3 2.40352635 2.40672895
251 Sp2 14.1 12.4 11.7 2.502938402 2.44740271
252 Sp2 14.7 13.5 12.5 2.610102098 2.6469943
253 Sp2 15.2 13.1 11.9 2.643572237 2.6737009
254 Sp1 15.9 16.1 15.2 2.76522895 2.856522255
255 Sp2 16.3 15.4 14.5 2.93413991 2.685939991
256 Sp1 16.9 13.4 12 2.995471324 2.848673924
257 Sp2 17.8 15.5 14.1 3.151918265 2.83039
258 Sp1 18.6 15.9 15.5 3.291954325 3.256024585
259 Sp1 18.7 17 16.4 3.30628132 3.26614346
260 Sp2 19.4 17.2 16.2 3.4295374 3.517441563
261 Sp2 20.5 16.8 15.8 3.553465 3.561973065
262 sp2 21.3 15 14.4 3.7138893 3.794884579
263 Sp2 21.8 15.5 14.3 3.8236458 3.67063484
264 sp1 22.2 13.7 12.8 3.8306473 3.789484938
265 Sp1 22.8 13.1 12.2 3.92629342 3.73656368
266 Sp1 23.1 13.4 12.5 3.949753365 3.7958905
267 sp1 23.4 14.7 13.8 4.012985643 3.782983765
268 Sp2 23.6 14.5 13.5 4.030291876 3.817454345
269 sp2 23.8 13.8 13.1 4.181928392 3.94589892
270 sp1 24.8 17.4 16.6 4.3377384 3.963774654
271 Sp2 25.4 19 18.4 4.418843214 4.105503650
272 Sp2 25.6 18.3 16.8 4.450927422 4.126234253
273 sp2 5.1 6.7 5.6 0.78723782 0.599193476
274 sp1 5.1 6.2 5.7 0.792663547 0.618665432
275 Sp1 5.2 6.4 5.7 1.0354839 0.621603067
276 Sp2 5.2 6.2 5.4 0.722029762 0.721992108
277 Sp2 5.2 6.1 5 0.794253 0.77535426
278 sp2 5.3 6.2 5.5 0.612336445 0.587174565
279 Sp1 5.4 7 5.3 0.81347365 0.80322915
280 sp1 5.5 6.5 5.9 0.645378395 0.594142531
281 sp2 5.6 7.5 6.8 0.758364756 0.737256534
282 Sp1 5.8 7.7 6.6 0.843151433 0.823128459
283 Sp1 5.9 8.2 7.4 0.830156845 0.830133871
284 sp1 6.1 9.1 8.3 1.008536373 0.999194893
285 sp2 6.2 9.4 8.7 1.002546474 0.994193893
286 Sp2 6.3 9.1 8.2 1.013586718 0.993563744
287 Sp1 6.3 9.3 8.4 1.006365635 0.98422661
288 Sp2 6.5 9.9 8.7 1.042233212 1.02443542
289 sp1 6.6 9.7 9 1.032554633 1.019444535
290 Sp2 6.7 9.1 8.3 1.038657657 1.02231975
291 sp1 6.7 8.6 8 1.048285793 1.038087478
292 Sp2 6.9 10.1 9.5 1.044473747 1.03834432
293 Sp1 6.9 9.3 8 1.075278594 1.0533562
294 Sp2 6.9 10.6 9.9 1.084696585 1.052410758
295 sp2 7.1 10.1 9.2 1.209194758 1.200089383
296 sp2 7.3 10.4 9.7 1.258284575 1.23864738
297 Sp1 7.4 10.7 9.3 1.25929584 1.219272866

44
 298 Sp2 7.4 11.5 10.9 1.248385769 1.2349902
299 Sp1 7.6 10.1 9.1 1.354690294 1.3183712
300 sp2 7.6 9.7 9.1 1.34770239 1.331738466
301 sp1 7.7 10.6 9.7 1.35558795 1.326346739
302 Sp1 7.9 10.3 9.6 1.408385766 1.36507918
303 Sp1 8.2 10.4 9.4 1.6546354 1.83435005
304 Sp2 8.2 13.1 11.8 1.55343356 1.7349543
305 Sp2 8.4 11.6 11 1.54463564 1.84237749
306 Sp2 8.6 12.5 11.5 1.743837478 1.83185713
307 Sp1 9.3 12.2 11.7 1.709437659 1.919151681
308 Sp2 9.4 12.8 11.5 1.78463672 1.919210756
309 Sp2 9.4 11.3 11.1 1.98636473 1.921431812
310 Sp1 9.8 11.1 10 1.798383765 1.992179294
311 Sp2 10.4 13 11.9 1.824362773 2.084687031
312 Sp2 10.9 13.7 12.6 1.846352735 2.133912827
313 Sp1 11.4 13.4 12.9 2.03425623 2.17115503
314 Sp1 11.8 12.7 12 2.039293892 2.271314511
315 Sp1 12.3 13.6 12.9 2.272636253 2.30886735
316 Sp2 12.5 15.1 14 2.261728732 2.429122286
317 Sp1 12.7 14.2 13.5 2.323209283 2.35792613
318 Sp1 13.2 12.7 11.9 2.390293526 2.36002895
319 Sp2 14.1 12 11.3 2.531019383 2.40070271
320 Sp2 14.7 13.1 12.1 2.62189128 2.6002943
321 Sp2 15.2 12.7 11.5 2.66004983 2.6270009
322 Sp1 15.9 15.7 14.8 2.809845229 2.809822255
323 Sp2 16.3 15 14.1 2.883413991 2.639239991
324 Sp1 16.9 13 11.6 2.96471324 2.801973924
325 Sp2 17.8 15.1 13.7 3.142726537 2.78369
326 Sp1 18.6 15.5 15.1 3.245254325 3.209324585
327 Sp1 18.7 16.6 16 3.358132 3.21944346
328 Sp2 19.4 16.8 15.8 3.40525374 3.470741563
329 Sp2 20.5 16.4 15.4 3.5246465 3.515273065
330 sp2 21.3 14.6 14 3.708893 3.748184579
331 Sp2 21.8 15.1 13.9 3.7936458 3.62393484
332 sp1 22.2 13.3 12.4 3.8136473 3.742784938
333 Sp1 22.8 12.7 11.8 3.9729342 3.68986368
334 Sp1 23.1 13 12.1 3.990533645 3.7491905
335 sp1 23.4 14.3 13.4 3.9937443 3.736283765
336 Sp2 23.6 14.1 13.1 4.042098276 3.770754345
337 sp2 23.8 13.4 12.7 4.178200398 3.89919892
338 sp1 24.8 17 16.2 4.2957384 3.917074654
339 Sp2 25.4 18.6 18 4.4092345 4.058803650
340 Sp2 25.6 17.9 16.4 4.467372543 4.079534253
341 sp2 5.1 7.5 6.4 0.809928737 0.780393476
342 sp1 5.1 7 6.5 0.789902839 0.799865432
343 Sp1 5.2 7.2 6.5 0.802826041 0.802803067
344 Sp2 5.2 7 6.2 0.903229762 0.903192108
345 Sp2 5.2 6.9 5.8 0.975453 0.95655426
346 sp2 5.3 7 6.3 0.793536445 0.768374565
347 Sp1 5.4 7.8 6.1 0.99467365 0.98442915

45
348 sp1 5.5 7.3 6.7 0.826578395 0.775342531
349 sp2 5.6 8.3 7.6 0.939564756 0.918456534
350 Sp1 5.8 8.5 7.4 1.024351433 1.004328459
351 Sp1 5.9 9 8.2 1.011356845 1.011333871
352 sp1 6.1 9.9 9.1 1.189736373 1.180394893
353 sp2 6.2 10.2 9.5 1.183746474 1.175393893
354 Sp2 6.3 9.9 9 1.194786718 1.174763744
355 Sp1 6.3 10.1 9.2 1.187565635 1.16542661
356 Sp2 6.5 10.7 9.5 1.223433212 1.20563542
357 sp1 6.6 10.5 9.8 1.213754633 1.200644535
358 Sp2 6.7 9.9 9.1 1.219857657 1.20351975
359 sp1 6.7 9.4 8.8 1.229485793 1.219287478
360 Sp2 6.9 10.9 10.3 1.225673747 1.21954432
361 Sp1 6.9 10.1 8.8 1.256478594 1.2345562
362 Sp2 6.9 11.4 10.7 1.265896585 1.233610758
363 sp2 7.1 10.9 10 1.390394758 1.381289383
364 sp2 7.3 11.2 10.5 1.439484575 1.41984738
365 Sp1 7.4 11.5 10.1 1.44049584 1.400472866
366 Sp2 7.4 12.3 11.7 1.429585769 1.4161902
367 Sp1 7.6 10.9 9.9 1.535890294 1.4995712
368 sp2 7.6 10.5 9.9 1.52890239 1.512938466
369 sp1 7.7 11.4 10.5 1.53678795 1.507546739
370 Sp1 7.9 11.1 10.4 1.589585766 1.54627918
371 Sp1 8.2 11.2 10.2 1.60948783 2.01555005
372 Sp2 8.2 13.9 12.6 1.57645364 1.9161543
373 Sp2 8.4 12.4 11.8 1.5453654 2.02357749
374 Sp2 8.6 13.3 12.3 1.743465464 2.01305713
375 Sp1 9.3 13 12.5 1.687746355 2.100351681
376 Sp2 9.4 13.6 12.3 1.998273874 2.100410756
377 Sp2 9.4 12.1 11.9 1.785647364 2.102631812
378 Sp1 9.8 11.9 10.8 1.808382277 2.173379294
379 Sp2 10.4 13.8 12.7 1.843672623 2.265887031
380 Sp2 10.9 14.5 13.4 1.856487287 2.315112827
381 Sp1 11.4 14.2 13.7 2.029392836 2.35235503
382 Sp1 11.8 13.5 12.8 2.03672632 2.452514511
383 Sp1 12.3 14.4 13.7 2.25362723 2.49006735
384 Sp2 12.5 15.9 14.8 2.272837483 2.610322286
385 Sp1 12.7 15 14.3 2.330299478 2.53912613
386 Sp1 13.5 13.5 12.7 2.439435264 2.54122895
387 Sp2 14.1 12.8 12.1 2.490910294 2.58190271
388 Sp2 14.7 13.9 12.9 2.602525373 2.7814943
389 Sp2 15.2 13.5 12.3 2.67204983 2.8082009
390 Sp1 15.9 16.5 15.6 2.804522895 2.991022255
391 Sp2 16.3 15.8 14.9 2.893413991 2.820439991
392 Sp1 16.9 13.8 12.4 2.987532136 2.983173924
393 Sp2 17.8 15.9 14.5 3.176763628 2.96489
394 Sp1 18.6 16.3 15.9 3.30454325 3.390524585
395 Sp1 18.7 17.4 16.8 3.3178132 3.40064346
396 Sp2 19.4 17.6 16.6 3.38645374 3.651941563
397 Sp2 20.5 17.2 16.2 3.5358465 3.696473065

46
398 sp2 21.3 15.4 14.8 3.59238893 3.929384579
399 Sp2 21.8 15.9 14.7 3.80536458 3.80513484
400 sp1 22.2 14.1 13.2 3.8456473 3.923984938
401 Sp1 22.8 13.5 12.6 3.951823283 3.87106368
402 Sp1 23.1 13.8 12.9 4.084253365 3.9303905
403 sp1 23.4 15.1 14.2 4.09657443 3.917483765
404 Sp2 23.6 14.9 13.9 4.035364928 3.951954345
405 sp2 23.8 14.2 13.5 4.150192839 4.08039892
406 sp1 24.8 17.8 17 4.3177384 4.098274654
407 Sp2 25.5 19.4 18.8 4.420998764 4.240003650
408 Sp2 25.6 18.7 17.2 4.45309373 4.260734253
409 sp2 5.1 7.7 6.6 0.723094857 0.833393476
410 sp1 5.1 7.2 6.7 0.690493803 0.852865432
411 Sp1 5.2 7.4 6.7 0.855826041 0.855803067
412 Sp2 5.2 7.2 6.4 0.956229762 0.956192108
413 Sp2 5.2 7.1 6 1.028453 1.00955426
414 sp2 5.3 7.2 6.5 0.846536445 0.821374565
415 Sp1 5.4 8 6.3 1.04767365 1.03742915
416 sp1 5.5 7.5 6.9 0.879578395 0.828342531
417 sp2 5.6 8.5 7.8 0.992564756 0.971456534
418 Sp1 5.8 8.7 7.6 1.077351433 1.057328459
419 Sp1 5.9 9.2 8.4 1.064356845 1.064333871
420 sp1 6.1 10.1 9.3 1.242736373 1.233394893
421 sp2 6.2 10.4 9.7 1.236746474 1.228393893
422 Sp2 6.3 10.1 9.2 1.247786718 1.227763744
423 Sp1 6.3 10.3 9.4 1.240565635 1.21842661
424 Sp2 6.5 10.9 9.7 1.276433212 1.25863542
425 sp1 6.6 10.7 10 1.266754633 1.253644535
426 Sp2 6.7 10.1 9.3 1.272857657 1.25651975
427 sp1 6.7 9.6 9 1.282485793 1.272287478
428 Sp2 6.9 11.1 10.5 1.278673747 1.27254432
429 Sp1 6.9 10.3 9 1.309478594 1.2875562
430 Sp2 6.9 11.6 10.9 1.318896585 1.286610758
431 sp2 7.1 11.1 10.2 1.443394758 1.434289383
432 sp2 7.3 11.4 10.7 1.492484575 1.47284738
433 Sp1 7.4 11.7 10.3 1.49349584 1.453472866
434 Sp2 7.4 12.5 11.9 1.482585769 1.4691902
435 Sp1 7.6 11.1 10.1 1.588890294 1.5525712
436 sp2 7.6 10.7 10.1 1.58190239 1.565938466
437 sp1 7.7 11.6 10.7 1.58978795 1.560546739
438 Sp1 7.9 11.3 10.6 1.642585766 1.59927918
439 Sp1 8.2 11.4 10.4 1.54635464 2.06855005
440 Sp2 8.2 14.1 12.8 1.46546347 1.9691543
441 Sp2 8.4 12.6 12 1.47657483 2.07657749
442 Sp2 8.6 13.5 12.5 1.777463546 2.06605713
443 Sp1 9.3 13.2 12.7 1.645368648 2.153351681
444 Sp2 9.4 13.8 12.5 1.776657635 2.153410756
445 Sp2 9.4 12.3 12.1 1.723657485 2.155631812
446 Sp1 9.8 12.1 11 1.823287365 2.226379294
447 Sp2 10.4 14 12.9 1.803922838 2.318887031

47
448 Sp2 10.9 14.7 13.6 1.876483864 2.368112827
449 Sp1 11.4 14.4 13.9 2.043727362 2.40535503
450 Sp1 11.8 13.7 13 2.046372393 2.505514511
451 Sp1 12.3 14.6 13.9 2.263527254 2.54306735
452 Sp2 12.5 16.1 15 2.287263828 2.663322286
453 Sp1 12.7 15.2 14.5 2.368383793 2.59212613
454 Sp1 13.5 13.7 12.9 2.459830283 2.59422895
455 Sp2 14.1 13 12.3 2.510292837 2.63490271
456 Sp2 14.7 14.1 13.1 2.620939486 2.8344943
457 Sp2 15.2 13.7 12.5 2.64204983 2.8612009
458 Sp1 15.9 16.7 15.8 2.814522895 3.044022255
459 Sp2 16.3 16 15.1 2.873413991 2.873439991
460 Sp1 16.9 14 12.6 2.999354713 3.036173924
461 Sp2 17.8 16.1 14.7 3.14665463 3.01789
462 Sp1 18.6 16.5 16.1 3.290125735 3.443524585
463 Sp1 18.7 17.6 17 3.3078132 3.45364346
464 Sp2 19.4 17.8 16.8 3.3945374 3.704941563
465 Sp2 20.5 17.4 16.4 3.558768847 3.749473065
466 sp2 21.3 15.6 15 3.68238893 3.982384579
467 Sp2 21.8 16.1 14.9 3.79536458 3.85813484
468 sp1 22.2 14.3 13.4 3.84656473 3.976984938
469 Sp1 22.8 13.7 12.8 3.967625372 3.92406368
470 Sp1 23.1 14 13.1 4.002533645 3.9833905
471 sp1 23.4 15.3 14.4 4.0457443 3.970483765
472 Sp2 23.6 15.1 14.1 4.088364928 4.004954345
473 sp2 23.8 14.4 13.7 4.161928392 4.13339892
474 sp1 24.8 18 17.2 4.277384 4.151274654
475 Sp2 25.5 19.6 19 4.4332345 4.293003650
476 Sp2 25.6 18.9 17.4 4.45402164 4.313734253
477 sp2 5.1 7.3 6.2 0.998493849 0.786693476
478 sp1 5.1 6.8 6.3 0.654839374 0.806165432
479 Sp1 5.2 7 6.3 0.809126041 0.809103067
480 Sp2 5.2 6.8 6 0.909529762 0.909492108
481 Sp2 5.2 6.7 5.6 0.981753 0.96285426
482 sp2 5.3 6.8 6.1 0.799836445 0.774674565
483 Sp1 5.4 7.6 5.9 1.00097365 0.99072915
484 sp1 5.5 7.1 6.5 0.832878395 0.781642531
485 sp2 5.6 8.1 7.4 0.945864756 0.924756534
486 Sp1 5.8 8.3 7.2 1.030651433 1.010628459
487 Sp1 5.9 8.8 8 1.017656845 1.017633871
488 sp1 6.1 9.7 8.9 1.196036373 1.186694893
489 sp2 6.2 10 9.3 1.190046474 1.181693893
490 Sp2 6.3 9.7 8.8 1.201086718 1.181063744
491 Sp1 6.3 9.9 9 1.193865635 1.17172661
492 Sp2 6.5 10.5 9.3 1.229733212 1.21193542
493 sp1 6.6 10.3 9.6 1.220054633 1.206944535
494 Sp2 6.7 9.7 8.9 1.226157657 1.20981975
495 sp1 6.7 9.2 8.6 1.235785793 1.225587478
496 Sp2 6.9 10.7 10.1 1.231973747 1.22584432
497 Sp1 6.9 9.9 8.6 1.262778594 1.2408562

48
498 Sp2 6.9 11.2 10.5 1.272196585 1.239910758
499 sp2 7.1 10.7 9.8 1.396694758 1.387589383
500 sp2 7.3 11 10.3 1.445784575 1.42614738
501 Sp1 7.4 11.3 9.9 1.44679584 1.406772866
502 Sp2 7.4 12.1 11.5 1.435885769 1.4224902
503 Sp1 7.6 10.7 9.7 1.542190294 1.5058712
504 sp2 7.6 10.3 9.7 1.53520239 1.519238466
505 sp1 7.7 11.2 10.3 1.54308795 1.513846739
506 Sp1 7.9 10.9 10.2 1.595885766 1.55257918
507 Sp1 8.2 11 10 1.6564765 2.02185005
508 Sp2 8.2 13.7 12.4 1.55363546 1.9224543
509 Sp2 8.4 12.2 11.6 1.656463764 2.02987749
510 Sp2 8.6 13.1 12.1 1.8474384 2.01935713
511 Sp1 9.3 12.8 12.3 1.6454329 2.106651681
512 Sp2 9.4 13.4 12.1 1.784637648 2.106710756
513 Sp2 9.4 11.9 11.7 1.745353649 2.108931812
514 Sp1 9.8 11.7 10.6 1.830293203 2.179679294
515 Sp2 10.4 13.6 12.5 1.854537255 2.272187031
516 Sp2 10.9 14.3 13.2 1.876553523 2.321412827
517 Sp1 11.4 14 13.5 2.05352733 2.35865503
518 Sp1 11.8 13.3 12.6 2.022093826 2.458814511
519 Sp1 12.3 14.2 13.5 2.223928172 2.49636735
520 Sp2 12.5 15.7 14.6 2.264526 2.616622286
521 Sp1 12.7 14.8 14.1 2.310929108 2.54542613
522 Sp1 13.5 13.3 12.5 2.420192948 2.54752895
523 Sp2 14.1 12.6 11.9 2.550351325 2.58820271
524 Sp2 14.7 13.7 12.7 2.583937437 2.7877943
525 Sp2 15.2 13.3 12.1 2.672504983 2.8145009
526 Sp1 15.9 16.3 15.4 2.824522895 2.997322255
527 Sp2 16.3 15.6 14.7 2.883413991 2.826739991
528 Sp1 16.9 13.6 12.2 2.987643215 2.989473924
529 Sp2 17.8 15.7 14.3 3.182818723 2.97119
530 Sp1 18.6 16.1 15.7 3.3016243 3.396824585
531 Sp1 18.7 17.2 16.6 3.3208132 3.40694346
532 Sp2 19.4 17.4 16.4 3.4075374 3.658241563
533 Sp2 20.5 17 16 3.5821465 3.702773065
534 sp2 21.3 15.2 14.6 3.70538893 3.935684579
535 Sp2 21.8 15.7 14.5 3.80836458 3.81143484
536 sp1 22.2 13.9 13 3.85986473 3.930284938
537 Sp1 22.8 13.3 12.4 3.974920882 3.87736368
538 Sp1 23.1 13.6 12.7 4.090553365 3.9366905
539 sp1 23.4 14.9 14 4.07287443 3.923783765
540 Sp2 23.6 14.7 13.7 4.041664928 3.958254345
541 sp2 23.8 14 13.3 4.181928392 4.08669892
542 sp1 24.8 17.6 16.8 4.307384 4.104574654
543 Sp2 25.5 19.2 18.6 4.428345243 4.246303650
544 Sp2 25.6 18.5 17 4.44097785 4.267034253
545 sp2 5.1 7.1 6 0.783736438 0.745893476
546 sp1 5.1 6.6 6.1 0.992782738 0.765365432
547 Sp1 5.2 6.8 6.1 0.768326041 0.768303067

49
548 Sp2 5.2 6.6 5.8 0.868729762 0.868692108
549 Sp2 5.2 6.5 5.4 0.940953 0.92205426
550 sp2 5.3 6.6 5.9 0.759036445 0.733874565
551 Sp1 5.4 7.4 5.7 1.043927363 0.94992915
552 sp1 5.5 6.9 6.3 0.792078395 0.740842531
553 sp2 5.6 7.9 7.2 0.905064756 0.883956534
554 Sp1 5.8 8.1 7 0.989851433 0.969828459
555 Sp1 5.9 8.6 7.8 0.976856845 0.976833871
556 sp1 6.1 9.5 8.7 1.155236373 1.145894893
557 sp2 6.2 9.8 9.1 1.149246474 1.140893893
558 Sp2 6.3 9.5 8.6 1.160286718 1.140263744
559 Sp1 6.3 9.7 8.8 1.153065635 1.13092661
560 Sp2 6.5 10.3 9.1 1.188933212 1.17113542
561 sp1 6.6 10.1 9.4 1.179254633 1.166144535
562 Sp2 6.7 9.5 8.7 1.185357657 1.16901975
563 sp1 6.7 9 8.4 1.194985793 1.184787478
564 Sp2 6.9 10.5 9.9 1.191173747 1.18504432
565 Sp1 6.9 9.7 8.4 1.221978594 1.2000562
566 Sp2 6.9 11 10.3 1.231396585 1.199110758
567 sp2 7.1 10.5 9.6 1.355894758 1.346789383
568 sp2 7.3 10.8 10.1 1.404984575 1.38534738
569 Sp1 7.4 11.1 9.7 1.40599584 1.365972866
570 Sp2 7.4 11.9 11.3 1.395085769 1.3816902
571 Sp1 7.6 10.5 9.5 1.501390294 1.4650712
572 sp2 7.6 10.1 9.5 1.49440239 1.478438466
573 sp1 7.7 11 10.1 1.50228795 1.473046739
574 Sp1 7.9 10.7 10 1.555085766 1.51177918
575 Sp1 8.2 10.8 9.8 1.746453 1.98105005
576 Sp2 8.2 13.5 12.2 1.5654536 1.8816543
577 Sp2 8.4 12 11.4 1.56473843 1.98907749
578 Sp2 8.6 12.9 11.9 1.803849393 1.97855713
579 Sp1 9.3 12.6 12.1 1.654039588 2.065851681
580 Sp2 9.4 13.2 11.9 1.7858493 2.065910756
581 Sp2 9.4 11.7 11.5 1.7453634 2.068131812
582 Sp1 9.8 11.5 10.4 1.788392824 2.138879294
583 Sp2 10.4 13.4 12.3 1.825372736 2.231387031
584 Sp2 10.9 14.1 13 1.85326384 2.280612827
585 Sp1 11.4 13.8 13.3 2.032019834 2.31785503
586 Sp1 11.8 13.1 12.4 2.10028289 2.418014511
587 Sp1 12.3 14 13.3 2.230293874 2.45556735
588 Sp2 12.5 15.5 14.4 2.279109808 2.575822286
589 Sp1 12.7 14.6 13.9 2.310298841 2.50462613
590 Sp1 13.9 13.1 12.3 2.463923935 2.50672895
591 Sp2 14.1 12.4 11.7 2.540923839 2.54740271
592 Sp2 14.7 13.5 12.5 2.603282735 2.7469943
593 Sp2 15.2 13.1 11.9 2.661704983 2.7737009
594 Sp1 15.9 16.1 15.2 2.80522895 2.956522255
595 Sp2 16.3 15.4 14.5 2.898043414 2.785939991
596 Sp1 16.9 13.4 12 2.996553321 2.948673924
597 Sp2 17.8 15.5 14.1 3.172918828 2.93039

50
598 Sp1 18.6 15.9 15.5 3.321029845 3.356024585
599 Sp1 18.7 17 16.4 3.31628132 3.36614346
600 Sp2 19.7 17.2 16.2 3.43195374 3.617441563
601 Sp2 20.5 16.8 15.8 3.5913465 3.661973065
602 sp2 21.3 15 14.4 3.71738893 3.894884579
603 Sp2 21.8 15.5 14.3 3.79036458 3.77063484
604 sp1 22.2 13.7 12.8 3.8306473 3.889484938
605 Sp1 22.8 13.1 12.2 3.9210923 3.83656368
606 Sp1 23.1 13.4 12.5 4.049753365 3.8958905
607 sp1 23.4 14.7 13.8 4.06207443 3.882983765
608 Sp2 23.6 14.5 13.5 4.116492835 3.917454345
609 sp2 23.8 13.8 13.1 4.171928392 4.04589892
610 sp1 24.8 17.4 16.6 4.29527384 4.063774654
611 Sp2 25.5 19 18.4 4.430297467 4.205503650
612 Sp2 25.6 18.3 16.8 4.480098653 4.226234253
613 sp2 5.1 6.7 5.6 0.987362674 0.699193476
614 sp1 5.1 6.2 5.7 0.974875844 0.718665432
615 Sp1 5.2 6.4 5.7 0.721626041 0.721603067
616 Sp2 5.2 6.2 5.4 0.822029762 0.821992108
617 Sp2 5.2 6.1 5 0.894253 0.87535426
618 sp2 5.3 6.2 5.5 0.712336445 0.687174565
619 Sp1 5.4 7 5.3 1.078493749 0.90322915
620 sp1 5.5 6.5 5.9 0.745378395 0.694142531
621 sp2 5.6 7.5 6.8 0.858364756 0.837256534
622 Sp1 5.8 7.7 6.6 0.943151433 0.923128459
623 Sp1 5.9 8.2 7.4 0.930156845 0.930133871
624 sp1 6.1 9.1 8.3 1.108536373 1.099194893
625 sp2 6.2 9.4 8.7 1.102546474 1.094193893
626 Sp2 6.3 9.1 8.2 1.113586718 1.093563744
627 Sp1 6.3 9.3 8.4 1.106365635 1.08422661
628 Sp2 6.5 9.9 8.7 1.142233212 1.12443542
629 sp1 6.6 9.7 9 1.132554633 1.119444535
630 Sp2 6.7 9.1 8.3 1.138657657 1.12231975
631 sp1 6.7 8.6 8 1.148285793 1.138087478
632 Sp2 6.9 10.1 9.5 1.144473747 1.13834432
633 Sp1 6.9 9.3 8 1.175278594 1.1533562
634 Sp2 6.9 10.6 9.9 1.184696585 1.152410758
635 sp2 7.1 10.1 9.2 1.309194758 1.300089383
636 sp2 7.3 10.4 9.7 1.358284575 1.33864738
637 Sp1 7.4 10.7 9.3 1.35929584 1.319272866
638 Sp2 7.4 11.5 10.9 1.348385769 1.3349902
639 Sp1 7.6 10.1 9.1 1.454690294 1.4183712
640 sp2 7.6 9.7 9.1 1.44770239 1.431738466
641 sp1 7.7 10.6 9.7 1.45558795 1.426346739
642 Sp1 7.9 10.3 9.6 1.508385766 1.46507918
643 Sp1 8.2 10.4 9.4 1.46453654 1.93435005
644 Sp2 8.2 13.1 11.8 1.4536848 1.8349543
645 Sp2 8.4 11.6 11 1.675647309 1.94237749
646 Sp2 8.6 12.5 11.5 1.75644775 1.93185713
647 Sp1 9.3 12.2 11.7 1.598476473 2.019151681

51
648 Sp2 9.4 12.8 11.5 1.564489349 2.019210756
649 Sp2 9.4 11.3 11.1 1.65748476 2.021431812
650 Sp1 9.8 11.1 10 1.778382977 2.092179294
651 Sp2 10.4 13 11.9 1.835255473 2.184687031
652 Sp2 10.9 13.7 12.6 1.832437294 2.233912827
653 Sp1 11.4 13.4 12.9 2.023929382 2.27115503
654 Sp1 11.8 12.7 12 2.12892823 2.371314511
655 Sp1 12.3 13.6 12.9 2.227623563 2.40886735
656 Sp2 12.5 15.1 14 2.242909879 2.529122286
657 Sp1 12.7 14.2 13.5 2.33201928 2.45792613
658 Sp1 13.9 12.7 11.9 2.475847389 2.46002895
659 Sp2 14.1 12 11.3 2.562903028 2.50070271
660 Sp2 14.7 13.1 12.1 2.612535215 2.7002943
661 Sp2 15.2 12.7 11.5 2.67004983 2.7270009
662 Sp1 15.9 15.7 14.8 2.834522895 2.909822255
663 Sp2 16.3 15 14.1 2.93413991 2.739239991
664 Sp1 16.9 13 11.6 2.976411246 2.901973924
665 Sp2 17.8 15.1 13.7 3.162815345 2.88369
666 Sp1 18.6 15.5 15.1 3.30254325 3.309324585
667 Sp1 18.7 16.6 16 3.30958132 3.31944346
668 Sp2 19.7 16.8 15.8 3.4525374 3.570741563
669 Sp2 20.5 16.4 15.4 3.5946465 3.615273065
670 sp2 21.5 14.6 14 3.738893 3.848184579
671 Sp2 21.8 15.1 13.9 3.81336458 3.72393484
672 sp1 22.2 13.3 12.4 3.8436473 3.842784938
673 Sp1 22.8 12.7 11.8 3.93547302 3.78986368
674 Sp1 23.1 13 12.1 4.003053365 3.8491905
675 sp1 23.4 14.3 13.4 4.01537443 3.836283765
676 Sp2 23.6 14.1 13.1 4.104928345 3.870754345
677 sp2 23.8 13.4 12.7 4.191928392 3.99919892
678 sp1 24.8 17 16.2 4.3257384 4.017074654
679 Sp2 25.5 18.6 18 4.443828745 4.158803650
680 Sp2 25.6 17.9 16.4 4.464132537 4.179534253
681 Sp2 8.2 10.6 9.6 1.50564747 1.92025005
682 Sp1 8.2 13.3 12 1.45363624 1.8208543
683 Sp2 8.4 11.8 11.2 1.613243629 1.92827749
684 Sp2 8.6 12.7 11.7 1.7466574 1.91775713
685 Sp2 9.3 12.4 11.9 1.6215361 2.005051681
686 Sp2 9.4 13 11.7 1.726374939 2.005110756
687 Sp1 9.4 11.5 11.3 1.795874793 2.007331812
688 Sp2 9.8 11.3 10.2 1.790992939 2.078079294
689 Sp1 10.4 13.2 12.1 1.864582837 2.170587031
690 Sp2 10.9 13.9 12.8 1.823398493 2.219812827
691 Sp2 11.4 13.6 13.1 2.032928737 2.25705503
692 Sp2 11.8 12.9 12.2 2.103425327 2.357214511
693 Sp2 12.3 13.8 13.1 2.240291029 2.39476735
694 Sp1 12.5 15.3 14.2 2.283029083 2.515022286
695 Sp2 12.7 14.4 13.7 2.348382024 2.44382613
696 Sp1 13.9 12.9 12.1 2.487392739 2.44592895
697 Sp2 14.1 12.2 11.5 2.49209293 2.48660271

52
 698 Sp2 14.7 13.3 12.3 2.632816265 2.6861943
699 Sp2 15.2 12.9 11.7 2.6504983 2.7129009
700 Sp2 15.9 15.9 15 2.854522895 2.895722255
701 Sp1 16.3 15.2 14.3 2.903413991 2.725139991
702 Sp2 16.9 13.2 11.8 2.999054713 2.887873924
703 Sp1 17.8 15.3 13.9 3.178271927 2.86959
704 Sp2 18.6 15.7 15.3 3.28154325 3.295224585
705 Sp2 18.7 16.8 16.2 3.29548132 3.30534346
706 Sp2 19.7 17 16 3.43115374 3.556641563
707 Sp2 20.5 16.6 15.6 3.5805465 3.601173065
708 Sp1 21.5 14.8 14.2 3.75938893 3.834084579
709 Sp2 21.8 15.3 14.1 3.847236458 3.70983484
710 Sp1 22.2 13.5 12.6 3.86826473 3.828684938
711 Sp2 22.8 12.9 12 3.910920193 3.77576368
712 Sp2 23.1 13.2 12.3 3.999533645 3.8350905
713 Sp2 23.4 14.5 13.6 4.00127443 3.822183765
714 Sp2 23.6 14.3 13.3 4.129387949 3.856654345
715 Sp1 23.8 13.6 12.9 4.171928392 3.98509892
716 Sp2 24.8 17.2 16.4 4.3147384 4.002974654
717 Sp1 25.5 18.8 18.2 4.249345 4.144703650
718 Sp2 25.6 18.1 16.6 4.450399476 4.165434253
719 Sp2 14.1 12.3 11.6 2.520192928 2.73637271
720 Sp2 14.7 13.4 12.4 2.603939287 2.9359643
721 Sp2 15.2 13 11.8 2.674983 2.9626709
722 Sp1 15.9 16 15.1 2.855515229 3.145492255
723 Sp2 16.3 15.3 14.4 2.901341399 2.974909991
724 Sp1 16.9 13.3 11.9 2.987654214 3.137643924
725 Sp2 17.8 15.4 14 3.189928274 3.11936
726 Sp1 18.6 15.8 15.4 3.2924325 3.544994585
727 Sp1 18.7 16.9 16.3 3.2525132 3.55511346
728 Sp2 19.7 17.1 16.1 3.45092374 3.806411563
729 Sp2 20.5 16.7 15.7 3.5903165 3.850943065
730 sp2 21.5 14.9 14.3 3.7508893 4.083854579
731 Sp2 21.8 15.4 14.2 3.819254574 3.95960484
732 sp1 22.2 13.6 12.7 3.852082436 4.078454938
733 Sp1 22.8 13 12.1 3.920192984 4.02553368
734 Sp1 23.1 13.3 12.4 4.017233645 4.0848605
735 sp1 23.4 14.6 13.7 4.00104443 4.071953765
736 Sp2 23.6 14.4 13.4 4.144928345 4.106424345
737 sp2 23.8 13.7 13 4.198928392 4.23486892
738 sp1 24.8 17.3 16.5 4.2924384 4.252744654
739 Sp2 25.5 18.9 18.3 4.4547045 4.394473650
740 Sp2 25.6 18.2 16.7 4.472164 4.415204253
741 Sp2 11.4 13.6 13.1 2.043298364 1.95705503
742 Sp2 11.8 12.9 12.2 2.137237485 2.057214511
743 Sp2 12.3 13.8 13.1 2.223029382 2.09476735
744 Sp1 12.5 15.3 14.2 2.21504526 2.215022286
745 Sp2 12.7 14.4 13.7 2.357473649 2.14382613
746 Sp1 13.9 12.9 12.1 2.450493084 2.14592895
747 Sp2 14.1 12.2 11.5 2.509288393 2.18660271

53
 748 Sp2 14.7 13.3 12.3 2.590922543 2.3861943
749 Sp2 15.2 12.9 11.7 2.490904983 2.4129009
750 Sp2 15.9 15.9 15 2.834522895 2.595722255

54