Search

Chacteviga wood (Caesalpinia platyloba S. Watson) is of great commercial value to the sawmill industry. Allometric relationships quantitatively describe the changes in the relative dimension of two variables of the same individual. The objective of this study was to adjust allometric relationships to predict variables of commercial interest such as normal diameter (d), total height (h), crown diameter (dc) and volume (v) as a function of stump diameter (dt) y d from chacteviga in the center and south of Quintana Roo. Dasometric data from 316 trees were adjusted using the maximum likelihood method with Proc Model in SAS® to 14 models that predict variables based on dt and d. For the selection of the models, the indicators of goodness of fit of the root of the mean square of the error and the adjusted coefficient of determination, the level of reliability of the estimators (p = 0.05), assumptions of normality, heterosedasticity and autocorrelation of the residuals were verified with the Shapiro test. Wilk, graphically in the distribution of residuals and the Durbin Watson indicator, respectively. The potential type and Schumacher models explained between 50.9 and 99.0% of the d, h, dc and v. The values in the biases and the added difference in percentage showed that the equations are reliable and can be used for the quantification and evaluation of illegal logging, effects in the event of natural disasters, support in forest inventories, preparation of forest management plans and evaluation of treatments., RESUMEN. La madera de chacteviga (Caesalpinia platyloba S. Watson) tiene gran valor comercial para la industria del aserrio. Las relaciones alométricas describen en forma cuantitativa los cambios de dimensión relativa de dos variables de un mismo individuo. El objetivo del estudio, fue ajustar relaciones alométricas para predecir variables de interés comercial como el diámetro normal (d), altura total (h), diámetro de copa (dc) y volumen (v) en función del diámetro del tocón (dt) y d de chacteviga en el centro y sur del estado de Quintana Roo. Los datos dasometricos de 316 árboles se ajustaron por el método de máxima verosimilitud con Proc Model en SAS® a 14 modelos que predicen variables en función del dt y d. Para selecciónar los modelos, se verificaron los indicadores de bondad de ajuste de la raíz del cuadrado medio del error y el coeficiente de determinación ajustado, nivel de confiabilidad de los estimadores (p = 0.05), supuestos de normalidad, heterosedasticidad y autocorrelación de los residuos con la prueba de Shapiro Wilk, de manera grafica en la distribución de residuales y el indicador de Durbin Watson, respectivamente. Los modelos de tipo potencial y Schumacher explicaron entre 50.9 y 99.0% del d, h, dc y v. Los valores en los sesgos y la diferencia agregada en porcentaje mostraron que las ecuaciones son confiables y pueden utilizarse para la cuantificación y evaluación de talas ilegales, afectaciones en caso de desastres naturales, apoyo en los inventarios forestales, elaboración de planes de manejo forestal y evaluación de tratamientos.

[Abstract] Physiological variables such as maximal oxygen uptake (VO2max), velocity at maximal oxygen uptake (vVO2max), running economy (RE) and changes in lactate levels are considered the main factors determining performance in long-distance races. The aim of this review was to present the mathematical models available in the literature to estimate performance in the 5000 m, 10,000 m, half-marathon and marathon events. Eighty-eight articles were identified, selections were made based on the inclusion criteria and the full text of the articles were obtained. The articles were reviewed and categorized according to demographic, anthropometric, exercise physiology and field test variables were also included by athletic specialty. A total of 58 studies were included, from 1983 to the present, distributed in the following categories: 12 in the 5000 m, 13 in the 10,000 m, 12 in the half-marathon and 21 in the marathon. A total of 136 independent variables associated with performance in long-distance races were considered, 43.4% of which pertained to variables derived from the evaluation of aerobic metabolism, 26.5% to variables associated with training load and 20.6% to anthropometric variables, body composition and somatotype components. The most closely associated variables in the prediction models for the half and full marathon specialties were the variables obtained from the laboratory tests (VO2max, vVO2max), training variables (training pace, training load) and anthropometric variables (fat mass, skinfolds). A large gap exists in predicting time in long-distance races, based on field tests. Physiological e_ort assessments are almost exclusive to shorter specialties (5000 m and 10,000 m). The predictor variables of the half-marathon are mainly anthropometric, but with moderate coe_cients of determination. The variables of note in the marathon category are fundamentally those associated with training and those derived from physiological evaluation and anthropometric

[Abstract]: This study compared the ability to predict performance in half-marathon races through physiological variables obtained in a laboratory test and performance variables obtained in the Cooper field test. Twenty-three participants (age: 41.6 7.6 years, weight: 70.4 8.1 kg, and height: 172.5 6.3 cm) underwent body composition assessment and performed a maximum incremental graded exercise laboratory test to evaluate maximum aerobic power and associated cardiorespiratory and metabolic variables. Cooper’s original protocol was performed on an athletic track and the variables recorded were covered distance, rating of perceived exertion, and maximum heart rate. The week following the Cooper test, all participants completed a half-marathon race at the maximum possible speed. The associations between the laboratory and field tests and the final time of the test were used to select the predictive variables included in a stepwise multiple regression analysis, which used the race time in the half marathon as the dependent variable and the laboratory variables or field tests as independent variables. Subsequently, a concordance analysis was carried out between the estimated and actual times through the Bland-Altman procedure. Significant correlations were found between the time in the half marathon and the distance in the Cooper test (r = -0.93; p < 0.001), body weight (r = 0.40; p < 0.04), velocity at ventilatory threshold 1, (r = -0.72; p < 0.0001), speed reached at maximum oxygen consumption (vVO2max), (r = -0.84; p < 0.0001), oxygen consumption at ventilatory threshold 2 (VO2VT2) (r = -0.79; p < 0.0001), and VO2max (r = -0.64; p < 0.05). The distance covered in the Cooper test was the best predictor of time in the half-marathon, and might predicted by the equation: Race time (min) = 201.26 – 0.03433 (Cooper test in m) (R2 = 0.873, SEE: 3.78 min). In the laboratory model, vVO2max, and body weight presented an R2 = 0.77, SEE 5.28 min. predicted by equation: Race time

ResumenEl estudio tuvo como objetivo evaluar las relaciones existentes entre el peso vivo y las medidas corporales de ovinos de la raza Corriedale, y obtener por medio de esas mediciones simples en el animal vivo, ecuaciones de predicción de peso. Fueron utilizados 100 animales, Se observó una alta correlación (r>0.60) del peso vivo con las medidas zoométricas, siendo el perímetro abdominal (PA) el que mostró mayor correlación. Se puede predecir el peso vivo utilizando la siguiente ecuación: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, obteniéndose un coeficiente de correlación de 0.76., This study aimed to evaluate the relationship between body weight and body measurements of Corriedale sheep and get through these simple measurements in live animal models to predict weight. It was used 100 animals. There was a high correlation (r> 0.60) of body weight with body measurements, and the abdominal perimeter (PA) which showed greater correlation. It can be predicted body weight using the following equation: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, resulting in a coefficient of determination of 0.76

ResumenEl estudio tuvo como objetivo evaluar las relaciones existentes entre el peso vivo y las medidas corporales de ovinos de la raza Corriedale, y obtener por medio de esas mediciones simples en el animal vivo, ecuaciones de predicción de peso. Fueron utilizados 100 animales, Se observó una alta correlación (r>0.60) del peso vivo con las medidas zoométricas, siendo el perímetro abdominal (PA) el que mostró mayor correlación. Se puede predecir el peso vivo utilizando la siguiente ecuación: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, obteniéndose un coeficiente de correlación de 0.76., This study aimed to evaluate the relationship between body weight and body measurements of Corriedale sheep and get through these simple measurements in live animal models to predict weight. It was used 100 animals. There was a high correlation (r> 0.60) of body weight with body measurements, and the abdominal perimeter (PA) which showed greater correlation. It can be predicted body weight using the following equation: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, resulting in a coefficient of determination of 0.76

ResumenEl estudio tuvo como objetivo evaluar las relaciones existentes entre el peso vivo y las medidas corporales de ovinos de la raza Corriedale, y obtener por medio de esas mediciones simples en el animal vivo, ecuaciones de predicción de peso. Fueron utilizados 100 animales, Se observó una alta correlación (r>0.60) del peso vivo con las medidas zoométricas, siendo el perímetro abdominal (PA) el que mostró mayor correlación. Se puede predecir el peso vivo utilizando la siguiente ecuación: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, obteniéndose un coeficiente de correlación de 0.76., This study aimed to evaluate the relationship between body weight and body measurements of Corriedale sheep and get through these simple measurements in live animal models to predict weight. It was used 100 animals. There was a high correlation (r> 0.60) of body weight with body measurements, and the abdominal perimeter (PA) which showed greater correlation. It can be predicted body weight using the following equation: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, resulting in a coefficient of determination of 0.76

This study aimed to evaluate the relationship between body weight and body measurements of Corriedale sheep and get through these simple measurements in live animal models to predict weight. It was used 100 animals. There was a high correlation (r> 0.60) of body weight with body measurements, and the abdominal perimeter (PA) which showed greater correlation. It can be predicted body weight using the following equation: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, resulting in a coefficient of determination of 0.76, ResumenEl estudio tuvo como objetivo evaluar las relaciones existentes entre el peso vivo y las medidas corporales de ovinos de la raza Corriedale, y obtener por medio de esas mediciones simples en el animal vivo, ecuaciones de predicción de peso. Fueron utilizados 100 animales, Se observó una alta correlación (r>0.60) del peso vivo con las medidas zoométricas, siendo el perímetro abdominal (PA) el que mostró mayor correlación. Se puede predecir el peso vivo utilizando la siguiente ecuación: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, obteniéndose un coeficiente de correlación de 0.76.

This study aimed to evaluate the relationship between body weight and body measurements of Corriedale sheep and get through these simple measurements in live animal models to predict weight. It was used 100 animals. There was a high correlation (r> 0.60) of body weight with body measurements, and the abdominal perimeter (PA) which showed greater correlation. It can be predicted body weight using the following equation: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, resulting in a coefficient of determination of 0.76, ResumenEl estudio tuvo como objetivo evaluar las relaciones existentes entre el peso vivo y las medidas corporales de ovinos de la raza Corriedale, y obtener por medio de esas mediciones simples en el animal vivo, ecuaciones de predicción de peso. Fueron utilizados 100 animales, Se observó una alta correlación (r>0.60) del peso vivo con las medidas zoométricas, siendo el perímetro abdominal (PA) el que mostró mayor correlación. Se puede predecir el peso vivo utilizando la siguiente ecuación: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, obteniéndose un coeficiente de correlación de 0.76.

This study aimed to evaluate the relationship between body weight and body measurements of Corriedale sheep and get through these simple measurements in live animal models to predict weight. It was used 100 animals. There was a high correlation (r> 0.60) of body weight with body measurements, and the abdominal perimeter (PA) which showed greater correlation. It can be predicted body weight using the following equation: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, resulting in a coefficient of determination of 0.76, ResumenEl estudio tuvo como objetivo evaluar las relaciones existentes entre el peso vivo y las medidas corporales de ovinos de la raza Corriedale, y obtener por medio de esas mediciones simples en el animal vivo, ecuaciones de predicción de peso. Fueron utilizados 100 animales, Se observó una alta correlación (r>0.60) del peso vivo con las medidas zoométricas, siendo el perímetro abdominal (PA) el que mostró mayor correlación. Se puede predecir el peso vivo utilizando la siguiente ecuación: PV= -62.057 + 0.452PA + 0.222LoC + 0.557AH + 0.658LC + 0.578AL, obteniéndose un coeficiente de correlación de 0.76.

 La significativa aplicabilidad de las pruebas para medir los volúmenes pulmonares impone la necesidad de manejarlas frecuentemente, lo cual implica comparar los valores registrados para los parámetros de función pulmonar con valores predichos o de referencia, que se obtienen mediante ecuaciones derivadas de estudios en población sana. Se determinó la Capacidad Vital Lenta (SVCl. Capacidad Inspiratoria (lCl. Capacidad Residual Funcional (FRC). Volumen Residual (RVJ. Capacidad Pulmonar Total (TLC) y las características físicas, en 50 hombres sanos, no fumadores, con edades entre 17 y 63 años, para deducir ecuaciones de predicción. Las pruebas funcionales se realizaron mediante la técnica de respiración múltiple y Dilución de Helio, utilizando un Analizador de Función Pulmonar Spinnaker TL. Las ecuaciones de predicción se determinaron por análisis de regresión múltiple escalonada, que permitió incluir las variables que agregan predicción con significación estadística (95% de certeza), obteniéndose para SVC: R=0.853. EEE=0.350 1ts; IC: R = 0.822, EEE = 0.2961ts: FRC: R= 0.843, EEE=0,326Its: RV: R= 0.891, EEE=0, 153 1ts y TLC: R=0.883, EEE=0,458 1ts. El análisis de varianza (ANOVA) para cada uno de los modelos de regresión de los parámetros estimados, resultó altamente significativo ( p < 0,00001). Se consideró el percentil 5% como el límite inferior del volumen establecido como valor normal. El cálculo del percentil 5%, determinó para la SVC=3,59 1ts; IC=2,47 1ts; FRC=2.14 1ts; RV=I, 26 1ts y TLC=4.88 1ts. Estos valores pueden representar los niveles por debajo de los cuales las pruebas se consideran disminuidas. Valores iguales o mayores se pueden considerar ";normal"; para cada uno de los parámetros estudiados. Las ecuaciones de predicción para la SVC, IC, FRC. RV, Y TLC pueden ser utilizadas con validez y alta confiabilidad para calcular volúmenes pulmonares estáticos de referencia en nuestra población (p < 0.00001).

Se han estudiado las relaciones entre los parámetros de color de la canal de 16 corderos lechales machos de raza Merina de Grazalema . Los parámetros físicos L*, a*, b*, C* y h* se midieron en el matadero, a las 24h post-mortem, sobre el músculo Rectus abdominis y sobre la grasa renal. Paralelamente se realizaron valoraciones del color de la carne y de la grasa mediante valoración subjetiva y medición del pH 24h. A las 72h, se volvieron a estimar los parámetros colorimétricos, esta vez sobre el músculo Longissimus dorsi, así como el contenido de pigmentos hemínicos y pH 72h. La mayores correlaciones observadas para el contenido de pigmentos hemínicos, han sido las obtenidas con las variables colorimétricas determinadas en el músculo Longissimus dorsi a las 72h. La mejor ecuación de predicción del contenido en pigmentos hemínicos (80% de la variabilidad explicada) ha sido aquélla en la que se han incluido la variable h* a las 72h sobre el músculo Longissimus dorsi y la valoración mediante patrones del color de la grasa a las 24h post-mortem

Se han estudiado las relaciones entre los parámetros de color de la canal de 16 corderos lechales machos de raza Merina de Grazalema . Los parámetros físicos L*, a*, b*, C* y h* se midieron en el matadero, a las 24h post-mortem, sobre el músculo Rectus abdominis y sobre la grasa renal. Paralelamente se realizaron valoraciones del color de la carne y de la grasa mediante valoración subjetiva y medición del pH 24h. A las 72h, se volvieron a estimar los parámetros colorimétricos, esta vez sobre el músculo Longissimus dorsi, así como el contenido de pigmentos hemínicos y pH 72h. La mayores correlaciones observadas para el contenido de pigmentos hemínicos, han sido las obtenidas con las variables colorimétricas determinadas en el músculo Longissimus dorsi a las 72h. La mejor ecuación de predicción del contenido en pigmentos hemínicos (80% de la variabilidad explicada) ha sido aquélla en la que se han incluido la variable h* a las 72h sobre el músculo Longissimus dorsi y la valoración mediante patrones del color de la grasa a las 24h post-mortem

Se han estudiado las relaciones entre los parámetros de color de la canal de 16 corderos lechales machos de raza Merina de Grazalema . Los parámetros físicos L*, a*, b*, C* y h* se midieron en el matadero, a las 24h post-mortem, sobre el músculo Rectus abdominis y sobre la grasa renal. Paralelamente se realizaron valoraciones del color de la carne y de la grasa mediante valoración subjetiva y medición del pH 24h. A las 72h, se volvieron a estimar los parámetros colorimétricos, esta vez sobre el músculo Longissimus dorsi, así como el contenido de pigmentos hemínicos y pH 72h. La mayores correlaciones observadas para el contenido de pigmentos hemínicos, han sido las obtenidas con las variables colorimétricas determinadas en el músculo Longissimus dorsi a las 72h. La mejor ecuación de predicción del contenido en pigmentos hemínicos (80% de la variabilidad explicada) ha sido aquélla en la que se han incluido la variable h* a las 72h sobre el músculo Longissimus dorsi y la valoración mediante patrones del color de la grasa a las 24h post-mortem

Se han estudiado las relaciones entre los parámetros de color de la canal de 16 corderos lechales machos de raza Merina de Grazalema . Los parámetros físicos L*, a*, b*, C* y h* se midieron en el matadero, a las 24h post-mortem, sobre el músculo Rectus abdominis y sobre la grasa renal. Paralelamente se realizaron valoraciones del color de la carne y de la grasa mediante valoración subjetiva y medición del pH 24h. A las 72h, se volvieron a estimar los parámetros colorimétricos, esta vez sobre el músculo Longissimus dorsi, así como el contenido de pigmentos hemínicos y pH 72h. La mayores correlaciones observadas para el contenido de pigmentos hemínicos, han sido las obtenidas con las variables colorimétricas determinadas en el músculo Longissimus dorsi a las 72h. La mejor ecuación de predicción del contenido en pigmentos hemínicos (80% de la variabilidad explicada) ha sido aquélla en la que se han incluido la variable h* a las 72h sobre el músculo Longissimus dorsi y la valoración mediante patrones del color de la grasa a las 24h post-mortem

Se han estudiado las relaciones entre los parámetros de color de la canal de 16 corderos lechales machos de raza Merina de Grazalema . Los parámetros físicos L*, a*, b*, C* y h* se midieron en el matadero, a las 24h post-mortem, sobre el músculo Rectus abdominis y sobre la grasa renal. Paralelamente se realizaron valoraciones del color de la carne y de la grasa mediante valoración subjetiva y medición del pH 24h. A las 72h, se volvieron a estimar los parámetros colorimétricos, esta vez sobre el músculo Longissimus dorsi, así como el contenido de pigmentos hemínicos y pH 72h. La mayores correlaciones observadas para el contenido de pigmentos hemínicos, han sido las obtenidas con las variables colorimétricas determinadas en el músculo Longissimus dorsi a las 72h. La mejor ecuación de predicción del contenido en pigmentos hemínicos (80% de la variabilidad explicada) ha sido aquélla en la que se han incluido la variable h* a las 72h sobre el músculo Longissimus dorsi y la valoración mediante patrones del color de la grasa a las 24h post-mortem