Ana J. Paredes ChacínDocumento creado por {applicationname}, versión: {version}Colossus User302014-08-02T23:48:00Z2014-11-01T01:10:00Z2014-11-01T01:23:00Z10338718631Luffi155432197511.0000Cómo citar el artículo (Normas APA):Villanueva, M. Ronzón, J. y Luna, J. (2014). Factores de elección de licenciaturas en la División Académica de Informática y Sistemas (DAIS) aplicando minería de datos. Enl@ce Revista Venezolana de Información, Tecnología y Conocimiento. 11 (1), 41-49HYPERLINK "mailto:Enl@ce:"Enl@ce: Revista Venezolana de Información, Cómo citar el artículo (Normas APA):Tecnología y Conocimiento Moreno, D. (2013). Globalización y periferia: margen y centra- ISSN: 1690-7515 lidad en el pensamiento epistémico latinoamericano. Depósito legal pp 200402ZU1624 HYPERLINK "mailto:Enl@ce"Enl@ce Revista Venezolana de Información, Tecno- Año 11: No. 1, Enero-Abril 2014, pp. 41-49 logía y Conocimiento, 10 (1), 73-84Factores de elección de licenciaturas en la División Académica de Informática y Sistemas (DAIS) aplicando minería de datosManuel Villanueva1José Ronzón2 Joel Luna3ResumenEl objetivo de la investigación permite identificar los factores que influyen en los estudiantes, al momento de seleccionar una de las cuatro Licenciaturas que ofrece la División Académica de Informática y Sistemas (DAIS) de la Universidad Juárez Autónoma de Tabasco, México. Su desarrollo se realizó en seis Subsistemas de Instituciones de Educación Media Superior de carácter público estatal y federal del estado de Tabasco. El enfoque metodológico se fundamento mediante la aplicación del proceso de KDD “Knowledge Discovery in Databases” conocido como Descubrimiento de Conocimiento en Bases de Datos, el cual es interpretado como “El proceso no trivial de identificar patrones válidos, nuevos, potencialmente útiles y en última instancia comprensible en los datos”, utilizando la técnica de Predicción de Regresión Lineal de la Herramienta Weka. Para la obtención de información y respectivo análisis, se diseñó un cuestionario aplicado a los seis Subsistemas, cuyos resultados informacionales fueron almacenados en una base de datos y se depuró para aplicarle la técnica de minería de datos. Los resultados obtenidos por la Herramienta Weka, muestran los motivos y factores que influyen en la toma de decisiones de los alumnos al momento de la selección de una carrera. Se prevé que los resultados han de ser considerados por las autoridades académicas para la toma de decisiones y definición de estrategias que les permitan promocionar sus licenciaturas.Palabras clave: factores de elección, minería de datos, técnica de predicción, regresión lineal, weka.Recibido: 22/03/14 Devuelto para revisión 02/04/14 Aceptado: 30/04/14 1 Licenciado en Física. Especialistas Ciencias de la Computación. Magister en Cómputo Estadístico. Magister en Ciencias de la Computación. Magister en Ingeniería de Sistemas. Actualmente cursa el Doctorado en Sistemas Computacionales en la Universidad del Sur. Correo electrónico: manueHYPERLINK "mailto:villanueva@ujat.mx"l.villanueva@ujat.mx2 Licenciado en Economía. Magister en ciencias en Planificación de Empresas y Desarrollo Regional. Profesor Investigador de la División Académica de Informática y Sistemas de la Universidad Juárez Autónoma de Tabasco. Actualmente es el responsable del grupo de investigación: Modernización de Sistemas de Software en la Calidad Organizacional y la Línea de Generación y Aplicación del Conocimiento. Correo electrónico: jronson@hotmail.com, jose.ronson@ujat.mx 3 Licenciado en Sistemas Computacionales de la Universidad Juárez Autónoma de Tabasco.Correo electrónico: leoj-alm@hotmail.com PAGE 42 PAGE 41Choice Factors of Academic Degrees in Computer Science and Systems Division of Applying Data MiningAbstractThe objective of the research makes it possible to identify the factors that influence the students, at the time of selecting one of the four undergraduate degrees offered by the Division of Academic Computing and Systems (DAIS) of the University of Juarez Autonomous Tabasco, Mexico. Its development was carried out in six subsystems of Secondary Education Institutions of a public nature of the state and federal state of Tabasco. The methodological approach basis through the implementation of the KDD process "Knowledge Discovery in Databases" known as Knowledge Discovery in databases, which is interpreted as "the non-trivial process of identifying valid patterns, new, potentially useful, and ultimately understandable in the data", using the technique of linear regression prediction tool "WEKA". For the obtaining of information and analysis, design a questionnaire administered to the six subsystems, informational whose results were stored in a database and debugged to apply the technique of data mining. The results obtained by the "WEKA" tool, show the reasons and factors that influence the decision-making of the students at the time of the selection of a career. It is anticipated that the results have to be considered by the academic authorities for the decision-making and definition of strategies that will enable them to promote their undergraduate degrees.Factores de elección de Licenciaturas en la División Académica de Informática y Sistemas aplicando minería de datosManuel Villanueva, José Ronzón y Joel LunaDuglas MorenoHYPERLINK "mailto:Enl@ce:"Enl@ce: Revista Venezolana de Información, Tecnología y ConocimientoAño 11: No. 1, Enero-Abril 2014, pp. 41-49Key words: Factors of choice, Data mining, Predictive Technical, Linear regression, "WEKAIntroducciónLa técnica de minería de datos en la actualidad se posiciona de forma estratégica y a su vez promueve ventajas en el proceso de la toma de decisiones en determinadas empresas e instituciones.Asimismo, es una técnica considerada en el ámbito mundial, sobre todo se resalta su importancia en el área educativa, al considerar que a través de esta, se generan y almacenan altos volúmenes de datos, que permiten soportar y determinar en las Instituciones Edu-cativas, cuáles son las demandas de la sociedad actual Calleja (2010). De igual forma, se desea conocer los factores que influyen en la elección de una licenciatura por parte del estudiante, así como también determinar si este domina el conocimiento sobre el contexto a enfrentar o cuáles son los aspectos influyentes de este, en momentos cruciales, en caso de requerir llevar a efecto una toma de decisión. En tal sentido, si se considera, que los lapso de tiempo para poder decidir son relativamente cortos, aunado con los diversos cambios durante la transición de la adolescencia, y madurez intelectual, se prevé la efectividad de toma de decisiones asertivas, al considerar que esta define el rumbo que tomará su vida y conforma el estilo de la misma, González y Álvarez (2008).De manera muy concreta, en el estado de Tabasco y de acuerdo con el objeto de estudio la División Académica de Informática y Sistemas (DAIS), de la Universidad Juárez Autónoma de Tabasco (UJAT), se publicó el primer estudio formal relacionado con algunas de las razones principales de la elección de la Licenciatura en Informática Administrativa, cuyos datos estadísticos muestran el decreciente número de estudiantes que han ingresado a las carreras de la DAIS, que ofrece la UJAT, según (Villanueva, Zapata, Arceo, y Ronzón, 2004, p. 36)Tabla 1Serie histórica de nuevo ingresoP.E.2007200820092010201120122013LIA13217821515712610274LSC127205248257214197138LT038493622621LTI023342282121Tot.259444546472370326254Fuente: Gil, (2010), Gil, (2011); Gil, (2012), Piña, (2013) y Piña, (2014)Los resultados presentados evidencian la evolución de una problemática iniciada desde el año 2009 y en la actualidad prevalece, situación que promovió la conformación de 11 comisiones para responder al incremento de la matrícula en la DAIS. Una de estas comisiones, específicamente la de Investigación Educativa, logró integrar dos Proyectos de Investigación Institucionales denominados: estudio sobre factores de elección de las licenciaturas que ofrece la División Académica de Informática y Sistemas y, estudio de demanda potencial en el ámbito educativo medio superior de Tabasco, en el área de tecnologías de la información.Sin embargo, en la actualidad no se dispone de un estudio integral que determine cuáles son los factores que influyen en la toma de decisiones y selección de los estudiantes correspondientes a la educación media superior, y que a su vez apoye a las autoridades de la DAIS para lograr incrementar el número de alumnos a las carreras ofertadas. Es por ello, que la presente investigación aplicada, titulada “Estudio sobre factores de elección de las licenciaturas que ofrece la DAIS. Aplicando Minería de datos. Caso: Método de Regresión, mediante la Técnica de Regresión Lineal”, busca detectar estos factores, con el fin de contribuir con la superación de la situación expuesta. ObjetivoEl objetivo se fundamenta en la necesidad de identificar los factores que influyen en los alumnos para la elección del nivel medio de educación superior mediante la minería de datos, específicamente hacia las licenciaturas que ofrece la División Académica de Informática y Sistemas (DAIS) de la Universidad Juárez Autónoma de Tabasco, México.Su desarrollo, se llevó a efecto mediante el análisis de los datos a través de la aplicación del método de regresión, específicamente la técnica de regresión lineal, mediante la Herramienta WEKA.MetodologíaPara el análisis y recolección de datos, se utilizó el enfoque cuantitativo, el cual permite mediante el uso de las técnicas de recolección y el análisis de datos, así como de métodos estadísticos, determinar estudios de casos concretos para llegar a una descripción general o com-probar las hipótesis establecidas previamente, es decir busca la mayor claridad entre los elementos que conforman el problema, buscando que tenga definición, los limita y con exactitud saber dónde inicia el problema según Hernández, Fernández y Baptista, (2007).Población y muestra Con base de lo expuesto, para lograr la recopilación de la información relacionada con las preferencias de la elección de una Licenciatura en el Áreade Tecnologías de la In-formación y Comunicaciones, fue considerada como muestra del estudio los alumnos del Centro de Bachillerato Tecnológico Agropecuario (CBTA), Educación Media Superior a Distancia (COBATAB EMSAD), Colegio de Bachilleres de Tabasco (COBATAB), Instituto de Difusión Técnica (IDIFTEC), Colegio Nacional de Educación Profesional Técnica (CONALEP), Centro de Bachillerato Tecnológico Industrial y de Servicios (CBTIS) / Centro de Estudios Tecnológicos Industrial y de Servicios (CETIS) y Centro de Estudios Científicos y Tecnológicos del Estado de Tabasco (CECYTE). Muestra cuyos resultados permiten que las autoridades de la DAIS conozcan los principales factores de incidencia y se les facilite el definición o dominio de estrategias que soporten sus decisiones de forma adecuada y a su vez se proyecte el incremento de la matrícula estudiantil. Asimismo, la investigación está basada en un proceso que se denomina “fases del proceso de extracción del conocimiento”, el Knowledge Discovery in Database (KDD). Es un proceso interactivo e iterativo. Iterativo porque al regresar y avanzar para obtener información de calidad del proceso se interaccionan con estos, es decir que las fases correspondientes pueden ser en cualquier momento interrumpidas para volver a alguno de sus pasos anteriores, siendo este proceso de iteración muchas veces necesario para poder lograr un descubrimiento de calidad, a su vez es interactivo por que interviene el usuario con la validación de la información extraída. De acuerdo Hernández, Ramírez y Ferri (2004) (citado por Brito, Rosete y Acosta, 2008, p.2) el proceso de KDD, se organiza en torno a cinco pasos, que se describen:fase de Integración y recopilación de datos.fase de selección, limpieza y trans-formación de datos.fase de la Minería de datos. Fase de evaluación e interpreta-ción.Fase de difusión.Desde la perspectiva teórica esta investigación considera como base el proceso de descubrimiento de conocimiento las fases descritas por Hernández, Ramírez, y Ferri, (2004), las cuales se fundamentan desde una repetición interactiva de los pasos que se especifican: limpieza de datos: eliminar los datos ruidosos o irrelevantes.integración de datos: combinar los datos desde múltiples fuentes.selección de datos: recuperar desde la base de datos los datos relevantes para la tarea como objeto de análisis.transformación de los datos: transformar los datos o llevarlos a formas apropiadas para extraer el conocimiento.Minería de datos: aplicar métodos inteligentes para extraer los patrones de los datos.Evaluación de patrones: identificar los patrones verdaderamente interesantes representando conocimiento basado en medidas de interés.Representación del conocimiento: utilizar técnicas de representación y visualización para mostrar al usuario el conocimiento extraído.Presentación de los conocimientos.Como herramienta de soporte ha sido aplicada la técnica de regresión lineal. Concebida de esta forma cuando la función es lineal, es decir, requiere la determinación de dos parámetros: la pendiente y la ordenada en el origen de la recta de regresión, y = a x + b.La regresión permite además, determinar el grado de dependencia de las series de valores X e Y, prediciendo el valor estimado que se puede obtener para un valor x que no esté en la distribución. Gráfica 1Regresión linealiVBORw0KGgoAAAANSUhEUgAABGUAAAOgCAMAAACjtjvlAAADAFBMVEUAAAD////9/f36+vr39/f2 9vb19fX4+Pj7+/vy8vLl5eXY2NjPz8/MzMzR0dHc3Nzq6urm5ubNzc2zs7OhoaGcnJympqa7u7vV 1dXu7u75+fna2tq0tLSNjY1ycnJra2t5eXmZmZnBwcHT09Nubm5LS0tCQkJVVVV+fn6xsbHi4uL+ /v6VlZVZWVkvLy8lJSU7OztsbGypqanj4+OSkpJPT08iIiIWFhYuLi5kZGSnp6fn5+fU1NSRkZFO Tk4gICAUFBQsLCxjY2OoqKjo6Oj8/PyOjo4jIyMYGBhiYmKioqLf39+4uLiBgYFKSkokJCQbGxtc XFyUlJTJycnv7+/z8/Ph4eHAwMCWlpY/Pz8hISEZGRkpKSlNTU2lpaXLy8vIyMiurq6Tk5NtbW0T ExMeHh44ODhYWFh6enqfn5+3t7fw8PCtra2Hh4dAQEAODg4LCwsSEhI0NDRwcHDd3d2YmJhmZmYa GhoGBgYFBQUHBwcNDQ0VFRVJSUl3d3fX19fGxsaMjIxRUVFlZWXW1tbQ0NDS0tLOzs709PRHR0dd XV2enp7Z2dnb29vDw8OsrKyampqbm5ugoKCdnZ2kpKS6urpGRkYQEBDp6eleXl5nZ2dpaWnr6+th YWFqampoaGhgYGBfX192dna8vLyEhIRbW1s+Pj4xMTEzMzM1NTU2NjYyMjJUVFR8fHyrq6t4eHhD Q0MXFxcCAgKLi4u2traIiIgwMDAdHR0RERF1dXU5OTkEBAS9vb3e3t7t7e3k5OQoKCgKCgqAgIDs 7OzCwsKJiYlBQUF0dHQBAQF/f39SUlIqKirKysq1tbUJCQmFhYWvr6/g4OCysrIMDAzExMSqqqpx cXG/v78rKyu+vr4mJiaGhoYPDw99fX1FRUWXl5cfHx89PT3x8fFWVlY3Nze5ubk6OjonJyfHx8da WlpQUFCPj4+CgoIICAhvb29zc3NMTEwDAwNISEiDg4NXV1ctLS17e3uKioqwsLCjo6McHBzFxcU8 PDyQkJBERERTU1PvfytrAAAAAWJLR0QAiAUdSAAAAAlwSFlzAAJFUwACRVMBeae4aQAAIABJREFU eJzs3XlcTG/Dx/FpmZpWpVCTtbKVtUgUoUYUWVospUVZQ5bsS6ENla0IhWxlJ0u2CtmFspeQLAkh 4Ue2Z2aa5ud+fmToXGem5vv+53663M51vJ5Xn/us12HIAACQxBD3DvyGrJw8U4GpyJIV944AwF+S 8MrIKimrqKqp19BgintPAOAvSXhl5DRramnXql1HR1fcewIAf0nCK8PWq1uvfoOGjfQ1xb0nAPCX JL0yBtqGjZs0bdbcSNx7AgB/ScIrY6zeomWr1m3ampiKe08A4C9JeGVkDNq1N+tg3rGThbh3BAD+ kqRXxrJzF6uu3bpb24h7RwDgL0l4ZThqPbrY9mzVy85e3HsCAH9JgisjK8dUUu7dx6Fvv1b9Bzg6 OcuzjMW9SwDw5yS4MnJOLgYDBzUYPMTVbWhDdw8VTWeOuHcJAP6cBFdGwcXTa5h3F/OePsNHjBw1 eoy6jZy4dwkA/pwEV8bXYOy4juPN+/lNmDhkUuPJA+r4s8W9SwDw5yS4Mk6OU6a2mTZxwvQZM2fN Npsz1yRAlGMZY44cW1GRLcfF/09O2cUcWRb3J/4wW1FeUY6Dty8B6CLBlXEOnDffiiEw03yBdpAo f0tR11QlWFXdUkfHUl01WMVUl38AxFGyqBESGmzAHQ0JDtWx1whDZgBoIsGVUfQct3BieWUYQxYt Dhflb/lGRC5ZOmjZaG3t0csGLV0SGaHEG2Wbqmktb9FoxXLt5bWmDIqKDsE1HgC6SHBl2J7jVq4S Vsaqv2iVifF07zN1dfc1a9eu6b56ah93x1jeKFOn+TzD/nFT165b33FD/MZBm/wVye48AJST4Mo4 Ddy8sKuwMrZbGqmzRPhbptE9em1NSNy2ffu2xIStvXrU4b/NHeaxeLJDwo5J27Zvm7Rj285du3Ww YA0ATSS0Mhx5Z92gJXv27iuPTFLfpvujjZzC2L+7nmJ04ODIQ8n7fFat8tmXfGjkwTHKvFFnzynr Bw937Xp41cQO/Vo7HKkdokDDvwIAZCS1MsYKNnpqzet1P9qhvDLHhiysP+V4cErq78500o63m7rV 1mcGgzHDx3br1HbH+e9ZhqlpHxl6wvUkN1d+yYdanvIKwrEMAE0kszKy6ZbRy/t0XOgmvC5zrGfi /Lb1rE/7K/3mr2qo7T7T/WzfCQzGhL5nu5/ZrZbKG2WqHBhwzsHc5zxjRr/tTS+sGGiP6zIANJHQ yqTpL9t4sc2lnieFZ0x+ww+Nj+/TKTT1N39VyT7jcosGTZKvXElu0rbFAQ/7MN6onEXIJveG8938 pndN7H8187RKrCjXeACAApJZGZmsa33mn9i36uSx8sqcn37dx3VbfOfI2N/8TTmlmKwbLeJbze6Q 0GuKp2m6Mz8nskxdTZWbR84mT7Qd2qeuv7KuPJ6XAaCJhFbGZfetEdcZ/5/rnM23RVlmXLN5/aP9 kreOquP7P8PqnS+23nen/1IdMvsMAD8loZVJu9mg238iw7g++MJAZxH+NjO7YZtpyU2u1vzfYeXF LXM6dIuLSiOyywDwcxJaGeWb6+78tzITtopWGfnbDdu4Ju+9q/q/wxbL+ZVxx/cQAOgkoZWJiFpv nvSfyuQO3tU7RoS/7Zx9r4lt3/t9Iv/3JW6VByO75U2aWhvfQwCgk+RVRpYd5mQROWyD+cz/VMbn 4S131fR85u8WzXPSP/OozeOho7wifJ3ly5a+klVwMn1yd+TTbQ5HlmTR8K8AgHKSVxk5XfvggSvm ti+48p/KTEzsf9XkmU6a0m9uEDllLJ67YeeW+sO0PA1Myx7yzY8IrNvuVuHzkd4vovHVFQA6SV5l mFnPlrSb3PRo8n+PZfxaN4kfVeuyqs1vHnZxDo9ePG9P27Ybz9RqXrPsARvT48s2r4vf4P3yQWbo 726GAwCVJK8ySgZj7/YanzBk1bH/VKZods5jB8Nh0Sm/WTRPMSbgWZ0VzRaMXPSqxxj+HSVW6OLX Ld/sbNsjM1LdVJQLyABAFQmsTMbS9W1cfWZN/+/V3+Ki3Nlmb+da6/zm9QAO0ynGJXr/ooeP57y2 TuEtlGdxuWRkk/Hvmo3VsUgNw9IyAHSSvMown73YafWfwAjNeN99mar87zfDUR22M6fn+7jl/jLy GlmeU7yHnm289kHG716DAgCqSV5lOI7zGvv8ujIMq5Yt1ER5oVqlxdCeM/MKR/vLaQRHL/+wYec7 73+0cHsJgHaSWZmJFVZmgEiVCedWpshstV2EU9DHznM3bFm/a2lzVSfiuw8A/4/kVcZ34LjG+yqo TM7qKaqiLNsQ1OhdwbQda6OCVaL3d3wzp3+fTh4qNvjWCgDtJKsyLKZvrM7NUStdfx2ZY+8XjA4S 5VO2AZ/a3j/a+Nzo6AMtuh/N2bZokKOSPJZ7AKCfRFXGOMwiwDPzn+5tKjiWKdrRoLa/CNvi+Nc9 0yB+6r1hy+oZDt53pWCRnSh/CwAoJ1mVSbfsvaLZhpVuh39dmSuTvE1cRNgWx8Jj7JT9JSV9zq1e acVgmMVbKxPffwD4CcmqTNrpRufajzjx7xJ5PzmWSWzgXkOUbeW7BN+4vPiuYfttObkMxqX1S1AZ ALGQqMrIZNU99byga+6V4rKiFM+YPnP6saSksv88zx+bad7rgaMvmyX7m2szxnJhujEqWgf7H5p9 eML0iWcbamFZGQCxkKzKGGXWP/rvEnkzZw/Jycmbff1krqtZQc7wVfyHgWcUXGxmEupvoSTKE7xO +uO6lBZf6Wq1vXvn21hWBkAsJKsyml7erf49OZpovvJ5l/GXenYdvoP7fwzuy39Juzh564YLdk9U TUV5Zob9uWRlV0buiSZx+8eqphPffQD4CcmqjLJX238rc75vl1undnVskjPcvIvhqWZTx/fkj/oU fJl/6+s1S9/fb05G8fSFJrOL8u63HXZAzQUvSQKIhWRVRq/TugThq9g+W28tHRtV0jShoM2Crzdv 9tjQqohXmSs+wwvuey97Jsoy4/l1RjUp7ZAQ125ghGY+nsgDEAuJqYws2zlVc+CADYfKFq86dr1r YlyLgZaRS7uPeH9/4001da2S+Tld/Yp414Jn2l7cry/KywIalzc2MTM7u6e56e8vFwMAGRJTGblU /5rZjeZ2cSurzCrbx/EHx/g7BbmvbdPq7b0xRukhnT4839569nTen/p9KxkYJsJGNZufa5Lj1vjq aXxJEkBsJKYyTJfPJl8bfH+czM9IktX4uB6ZBr6yNdzXH32/cFdvDZbFM/cLi8b35T9KU3T2pb4I qz/IKDd/3aTg0tCDz/CNNwCxkZjKOFsu2bzhi/nwXP6zMoePdnyRbRkjJ6OyOG7bpbNHrtnIKBiF et3tn+jH++OTTfoczxdho7xjmYJLb+7ewDUZALGRnMrUXLr+6ezcoiTugcyMCd1Gjuut7Ms9z1Ef VHgo54u3SZqMrIKupfuth7n8M6azDTNT5Nms3x2i8M+YTsx5mY3FqwDERmIqo6jW+VHZEnlJq4a/ /35vdzh/WO1r0/e2I9Z/4i8/pRu9azz/ob1VT9cM2xTgks78zRVdzWtH9uYUvL0QnUp8/wHgFySm MsahPbp05VfmZN/BhS+jHPn3kIwzenzvZvZ4gbY97yf26VODeXezGbO6dTF8MfZ0eOpvDmbKKrOw WW98tgBAbCSmMrI1e3QpW4iz59YFZz56uvDfIOA4/r/KjC+7+luasDK+j/YN098sGIPKAIifxFTG 6fS4N7P5by8lxNcbE6FZ9qQu27HHTm5lppZVJkx/85yyB4AndLDaMbLkWg1OxRu1qbvxG86YAMRL IirDYvrGhNycu/cw4/xJn9YX+zSPYHPKrrgwPV/wrsussUvh/eR7o/PqSbP9+Pe6i1e1eWUd8ZsN p/ZueL8AV38BxEoiKqNgEfDZ+mr/hCKGn+3j5x/cgxXK/ySsvDL8he7yQ2tf6N+mQPCFgzsL3H+3 /F1Y9r23briTDSBWElGZVMveS48UtillnM9r0qukU+C/azQIK8NfuErB/3Sneuvf5szgVyanu/vv PnyiqH9hjhueygMQK4mojObppZPvJ1jlMnIfd6+npery78sDwsrwz43Y6f6hm1o0GM+/fsM40ctO 7zcb9o0exT1jctg8UOE3/0UAIEYiKuOi1WxOv1y/6xPuvDt4wN+J+e+Rh0J5Zfg9kWU766Zld47b cYV3NNN6y4BAXXk5zi+emeGwFZQCotY9zbPa+vpmDSWmHI5nAMRCMipjve49gzFzX8HzDzeD/ucS yv9Whsc45drVke+tDhczSh0+uHvUsFD6xd1sZkxEzcw+z08cnnjn3V0t1Rqxorz4BACUk4jKGNkt SmYwcls9v/DJ8X9XtPtvZWScg3ff3fLNzY/ht2PknlpjQpV/vmiecarOk8W7mib4JBXP3j7ylN0m FXxXEkAsJKIyKStaJjOSWl+8kOnp8r93g35SGVnN0MsvDFfmMY6Vbpuz7sW1oJ+/NmmsHLn09VDz ntO5B0n9Ds3fMzrQhui/AQB+QRIqwwpu0fLExLyVe3araDr/71WWn1RGRiHG/3iLqSP8pue6Dnm4 dsqzn6/na5zV+2BhYunEK8eOnfRJ3r6h3iZTkv8GAPgVcVeG5azhEl73auGX7QsNR4co/v8rtD+r jIwsyzT6ny3vO/hNT9r39kLvnx+jGNsfuPoo0dZsiJXVEDPbbf33R6MyAGIh7srIp4VG7673asvO +NctBv73qOSnlZGRkQtYUvIocdp5BuNQ27E//86SsentAeuG7l3o8OaNw8q97V9NicSXUgDEQtyV UQrJ7NGwY+Hqyfvt6uj9927RLyojE6s2dtyWxOu8R/M6/fx7tsYawR/b3dtzr09JSZ9dc5u10DLA u0wAYiHuyuh+fuD9fWH7tS8OhEb85KsEv6qMvLLlmHGPcoqumE+1/sVXs53TQvQva42JrlPnyYFr ByItNfFkHoBYiLsy6QN7xH8bvPPDknCnsJ88+PKryhgr5qd83OVw58S3cx9/cb2FpeBkk5amaWFj Y6GZphzjxPzNKhEAQIa4K5MaOWB9+/brWnj+/Jtsv6oMFzvE7tzIi1PnHccdagCJJu7K+KpaX538 et61lJ//cQWVkbE5veLuqXo3a4ry+TcAEBtxV0bBPjDTzv1A8C9SUVFlmP6fD1x7kpElyoeZAEBs xF0Zlq+ynqVOSuwvFoCpqDKy+Zr2/lkW+XJk9xAAKkfclTGWZbEVf/3Jk4oqw+0Mh8Xh4Mu0AJJN 3JX5jYorAwBVACoDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioD AGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGSh MgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBA FioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioD AGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGSh MgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBA FioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioD AGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGSh MgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBA FioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioDAGShMgBAFioD AGShMgBAFioDAGShMlAdGcuyWHIsjqyxuHcEZFAZqJZkFdKNIsL9lZ3Y4t4TkEFloFpiaejcbj72 cqC/krj3BGRQGaiWFP03LS2594+7o4a49wRkUBmolpjqURvftY+7e8BI3HsCMqgMVEthju22PH7f xNDaX9x7AjKoDFRLzpHjHMx6toofHS7uPQEZVAaqJWf9kvv9Dp8orKUi7j0BGVQGqqWwyLtv87p2 W7QYxzKSAJWBakjRc177gtLEjlEp4t4TkEFloHpSbdf0vdnTdbuVxb0jIIPKQPWkM6XloZyHr5qn i3tHQAaVgeoJlZEkqAxUQ+yMr03N+z5da50l7j0BGVQGqgtZRefUGGWBiGsXGp/IS1w07HP5iKaG k4Ic3tAWD1QGqgd2qn/NgWMEMnssaGPl6uZwZEX5yJPPBqZKsuLeSSmFykD1oGB/w7rzKYEPHRde 2jcxedJ3w/KRq420VGNY4t5JKYXKQPWQH2zSJ/6twP0RJ/bNOrkq2Xxr+Uj7tl+f2MuJeyelFCoD 1UPqjXbxkzoIzD58feax4hlX/HzKR/K+1a8dhDWtxAOVgepBI/rUt4mMX+tb+EBVXtw7KaVQGage bOoe2VZBZBgTh77wQGXEA5WB6sGm7kZURkKhMlA9cM+Y7vtUUJnWW6aoKop7J6UUKgPVA67+Si5U BqqHfPWbL+McBFYedes56+Sq4a0Gl4/M9+4cjTvZYoLKQPWgYP/55rCXAvcWvOU9lbdt5+TykXHL 6gbHcMS9k1IKlYHqgZ2aoqrfW+Dji6lfhri6OcxdXD5SJ9AyzRlvGIgHKgPVgyw7TFfDQsBf60Jj N6tJiwYElo/YxPoyWXhbUjxQGaiGsPKDREFloDrSmdIyAatYSQpUBqojwVp5H1EZSYDKQHWE1cUl CSoD1ZDis/1dckoTu+NLKRIBlYFqCF99kyioDFRDvC/Ylh52wxdsJQMqA9WQc+S4xrY9W21YjmMZ SYDKQDUU5thuy+P3TQyt/cW9JyCDykC1xAxxn9tyfq9xY4zEvScgg8pAtaTov2lpyb1/3B01xL0n IIPKQLXE0tAZeC1zjGeKkrj3BGRQGaiWZJnppjUiUjR9sW6VJEBloDoylmWx5FgcWbyFLQlQGQAg C5UBALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UB ALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UB2smyFfJ988PwFRNpgcoA7RTT/dXV VFVskBkpgcoA7Zz1blsvttNSdRL3jgA9UBmgXaqj3alXr/dfSxH3jgA9UBmgXUydM/2/rez14nSq rDE+/igFUBmgnea1Pd/6mm1tsNjDKNZZTtx7A8ShMkA7zY+vj/pMsHXYODpbPS1M3HsDxKEyQDuL axvb5DIOd2tsOEzLIFXcewPEoTJAO43ezfb6MKZ3KDjbdsoNG3HvDRCHygDt8vXPdHFlMI6dTB66 uQ6dleE9DpiazqWrxJSTpXFiKYfKAO3kPIY9SmZwzWwzqnc6jRMrptsH37jNFWjg4oTLzrRBZYB+ wQ9a5vEqw9i+54kvjfMq1bhxs90/XA+8PF0UaJxYyqEyQDuO2oB3w3mRSXo8dwydxzKxHp1OLbrI 1fHuWAM68yblUBmghbEsRyjm+Jn5pfwzphH1l9TgD8nK0vF4nubxHosSzLieLhj0jM68STlUBujA VorJCg8QeKZ97ltPXmUmTOo4YBNvRM9Ig47H84y07n1bxZt42tC72THk54MyqAzQQcml5pObUQJT PrSc5MP7ZT/p1qX+V97IkuPqaTRcJ8nyOveYfz1owvh7TyzIzwdlUBmgg0Zo5ouN3gId57cxu84/ Y+o3qXE8b2TUgLoGuuT3Imts/W38ylwZvAuVoQ8qA3Qw2vR1wd5tAgknkg9P5/2yF89ybd2KN7Kw 7ZRIGh6cMfo49+kx3sS5305twhkTbVAZoEONJXPP7pspMH3GsaTz/GOKpOIZ03kjyQ59LpuS3wub A/ea8A+iOjQedxqr29AGlQE6BGh3LGBUIOHVbnvye+GbvXnhYd50pfN7OMqTnw/KoDJAB51a/Usr qkzOmtr+5PdC4fQ4h4m86ZK/dw7lkJ8PyqAyQIeg0RvMKqpMt7YmNKyc55t99W1ZZS72yFAkPx+U QWWADnomt47O+nVkfJp8uGZEZGJjWQ5Lrpx/5qi9/DOmaY1LotN4I2xFeXmmohwHS/aRhMoAHbLG HCzcViDQN3n2df6tnqSTE/uZ8UaexnW+rUliXmN5J03/IB2B44PWH/XjTbxv/OTRkbwRS3VVtdAg l1RcpCEJlQE62DjWLlm/SODRyh3JE3i/7NP3dRt/kTfS4MwSVSLLWXF0I55pudsJfK3f/g5/4sMJ TRsO4I2MrvVg2APrgeG6OJghCJUBOvjW+Jy5YpDA/lvzD/FPXK7kLFy/mTeyXCsjy5nEvHKmn6Ou eq8VWDQnsXQmb+IJVo+7bOCNTO21unDDh9GflVEZglAZoIN8qlFQzQyBOg+8x+/j/bLPStwwrzlv RFUlzYnIN+DY4R83Fz5NFHjf19WvmDfxjNx+Oa34QzsOtWqz+kxve6xpRRAqA3SQZSkyw5wFXA5s Hsq/r5378LVJEG8kjMlmETmakFdfvCbx+rFyxYKnARnnk4r5A0V+s/uZNy2p64/KEITKAO0UHTs3 5a8vc3jvhehYolMxPTp/71nRLXTGYbOHC3rUcUFlCEJlgH6qLUbm8X/D75cMJHI5RojpOa+xX0WR OWZ7tuNBaw8LXJchCJUB2nHUhj0qq8y3PsfJvk7EzHgxv0NFlRk+51ajMRn2+agMQagM0E4h8MVO /hnTrMEfDpBdgEFedVl38xm/jozr3nPaGS4xSkQuPYMAKgO0czo97zv/GwbTR5zLdCE6laLKkgsX Ey4J5AyfPYF/j+nYrA5WBbyRla8WZ2ABYNJQGaBd6sB5F8venUx4tZvs60tyRqdHX5gaJ/DoW6tp /IVtTiYnvh3JG9mzVJ/IM8fwI1QGaPdDZQwJV4aTHqC/ZNkUgXENGrud5M27yvz5rf28EeuBEfhQ N3GoDNAu/faZ5/14v+wTvmzMJLusjCwz3SVItabAga8LHvPvOHXY2rZRHd6IjosTVoAgDpUB2mnU 2TxnH+N80aq+F+/2JrxEniyLzVQIE1DZveds2TcMHE4dsOeNMNl4UIY8VAZoZ3Pgw/jDjCv9Wr05 svgZncvv6h7fXLa+TOn8ep74tiRtUBmgnWbzc0dzk2ZPerdrdB0VOpffxVp54oHKAO00P75u02GV 28VTu5+p2DBpnDj/9tW3Zev+XnyBtfLog8oA7Szq7ppz587CI9Y6sfnyvzukMGaxFRUpepcypveF vfwV+3q+ORiJx2Rog8oA7TSye3Qf+rzBlAxR3mGSTzXSU4lIy6diYtPme77wn5dZdb/PcQ0qtgii QGWAdro1Tc6MatYiWqTbS07hp5vvvnbDnorPaGeNfV3+bUl8wZZGqAzQLszes+7uzOwAkV7H1owc vXlUyeLPVHzglluZ7fzKnERl6ITKAO3knNL0glSyUlmi/Jftr71cNPTRnk4qFDzY4nLtw3j+tyX3 OWw+ji/Y0gaVAdoZc+QUFdlyomVDz73t4BOHLpYcyEpXUqxkaZTr7B95qR9X4oZhn8kunwU/QGVA sqks797q8OxJG3o8qemfWskFGjQc7Ro2fcvV/5R1ML6TTRtUBiRbuHb3bjNnJG/dcLB2ZEoln9fN D8+2O3OKq0enSHu8JUkbVAYkm3+nBjtmMmZZbWt5ykS9kvez5TUiPI735hoYWunjIhAdKgOSzfTj xi8TGMUTfBJ7PfBUqty2OPJK6RbKXDapzpW9xgOiQ2VAsqVHn/rGX61hWvt5gXS+jgCUQWVAsjkP vPuWv1qD39sznnjDsUpCZUCy/VuZhWeeifSEDUgaVAYkW1rdZntzeZXxebv5eKq49wb+BioDksZY LkzXxtRIwHOFYZuyVTT3zrUO5o1oVv7xPKAVKgOSRjbfJVj/spbA4l2PzCfwKtP1cfxVd97IcbUa 6VS8Owl0QWVA0rA0PTJb9NklYPjoi1UR/7pMQZNFr3kjvEfqcLOpKkFlQNKwa1yuN9Xhm8CXVkMm HuNVpmh238TBvJFFL03UK/ngDNAKlQFJoxiibfjQ9bBA7vWiGed5lUmacWXWKt5IwoZ2lKwDAXRB ZUDSMD3avcv79aetGYcX9tmULu6dhD+AyoCkYT77x8Gvgsowjs4dg+U0qxJUBiQN03N/41UVROb8 0z29UZmqBJUBSSOvNqDQtoLKdGi8ORtnTFUJKgOSRtHS/dx9s34CPX1mzUzixaW4yK+rK2/k6NRB nliCqipBZUDSsFOetDP8PlTg2/bWXWfwKnOlp9vThbyRBQfHWuJOdlWCyoCkYdmoXl7xz12BuYvO 2vKfysu99LbjLt7IAy9PIzyVV5WgMiBpZJ2VAzIGZgt02tw/gf/dgQ5tFtTL5I0EGrg44Q2DqgSV AZEZc9jMsDAmm5KvyVYwDYuplKoRIxBqd+sL/53sfm93eQXwRtJ9FUT8/gFIBlQGRCbrrBkeoh5g KtLX2qhic+DCN/597eHz593A5ZgqCZUBkbFsVMd0cv/4LI3OSZ1vX114mFeZvKbDahI+igIyUBkQ mVyNA533nHv5qWYlP1jyR5SyN5dXpp0aTpSqJFQGRKYYon2r/cp3zTLtaZw09kmf+/wzptLn8wLp zBtQBpUBkSmqDeu/wzZxS73jaRpKijSdvSjXbbaXX5nZDndv41XsKgmVAZEpZvS4aDahZ5s1X+uo pejStNK30bV7Zev++u09FY3Xl6okVAZEpujx9Xve+Stme+PqmXia0vQW8edkAAAgAElEQVRtRl5l +G9oTxjf7EkMPXMCtVAZEJmc6oP+rRlJq8wS48ddU5GnZ1KX5h+a8Cvjs7CkDo5lqiRUBkQmZ7Bi wfvzjOIruU8bLFel6UqsvdfGL9cZ56dPuFT44jRexa6SUBkQGUvHrsGOYt5xhW3hAMcweib1tzac VMQ4Oe3S0I12angVu0pCZUBkrKBP3on8yrhe/PqMpieA9ewWvJ9e3HPb9w/LNunRVDagFioDIuME RQkqM+17Z7oqozK61/tZud2anrqpr2OjSM+cQC1UBkRmrOLuPYn/1ZIhLQd50HT1N/zT2qNWBXMa 7g5KS1Xg0DMnUAuVAdGlmEzexl9Ryi1uRQhNT+WljP3wvUlj7xXBTFljvMZUNaEyILo0r9eP+ZV5 P/VTOF1zZg/a03bjsON4VKbqQmVAdJqZ5wSVWRNVg6Y5Uw16Ry12j1bBJZmqC5UB0flbvyo7Y+rW a3EITe9HK1iohHqoRqTjbKnqQmWgIrLsMKdYG4G008PizPmVyXn0z5OU8mENXWc2ueRwFMPyfZUU aHprCkhAZaAicqn+NbPrCjR/8PpNX/49puF7G3xdUj68yVFPg6YbTlAloTJQEab9aff9owT2TB2a 2JP/baSu79/GnSsfPjj6uF6+uHcUJBgqAxVRCjF5ueibwN6jd5L9zvPfj3Z12362fHhkQzsPvGAE v4bKQEV8M2oZ7i0QyLFyXVXEr8x0v315rcuHH3YcFon7zPBrqAxUBJWBykNloCJKITdLVq8UuP+0 W/kZ0zS3x3vLh1uO+oQzJqgAKgMVwdVfqDxUBioil5oSOvCAgNaUc+V3sr95d/YqH872iIjFk7nw a6gMVET8T+VB1YfKgOjE8YYBVH2oDIjO4t+3Jd3pelsSqj5UBkQnjpUfoOpDZUB0/54xdV9sgJek QUSoDIjMWCWq7SR+Ze5sWFoTL0iCiFAZEBnvSymJ/Mpcip/ige8JgIhQGRAZKgN/BZUBkbF0tNeV ffXNbfUDVAZEhcqAyFiWo9e850WG0bewBV3floSqD5UBkbFCavUq4FcmuWk7T5q++gZVHyoDImOp L40341em58UXdH1bEqo+VAZExjuWyREcy3TGsQyICpUBkbGCory3XznGZd5rqRquy4CIUBkQGadG 85Kd5pe4hjY0sWSKe3egqkBlQGSctBva9zYs4trTKDsFS8qAiFAZEJlsqor+zUEDuGpvsoyRE/fu QFWByoDIjJnpWZYeGVwGKTFhWF8GRITKgOhk5eQVlHjC5OU4eCcbRITKAABZqAwAkIXKAABZqAwA kIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXK AABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAJ2M2c6pNpo2qWFy 4t4ToA8qA3SS9c1Sjbx9Q91ICZ/Zlh6oDNCJo+y4e1CPB15qMbLi3hWgDSoDdGLpXRu3dnWD/Qey UBnpgcoAneRCRq+7P2LhK3cVjrh3BWiDygCd2GrtHnVLbtV/igEqIz1QGaCTomO9oUMm9t05TB2V kR6oDNCJza9Ma1RGqqAyQCdWzXbfT7jeKZxiKe49AfqgMkArgymFrax2xI2OEPeOAH1QGaBVxOgN k1o/nupuJO4dAfqgMkCrFO24bTkj1ltrintHgD6oDNAqoNbqxNaPF3xKEfeOAH1QmarFmMNmhoUp KLKqzqOz/F1WEkiPrNfUfEjClmGOTuVDYfJyHLzUVK2hMlULK185PEQ9wEWXLe49ERnH2aZGSIbA Z7uNCwtK3d58sH4mGPEw8I8Jw23tag2VqVoU0zy03KO8bvg7i3tPRMa2UH/i3mJAmc5z300q7Tp8 ROGHYYKRQbXrGMRgHYhqDZWpWsKCPs6be2Szu1qquPdEZAp6vQdsXL2ozJbG24dMnOVjO2Jof8HI hj1TNqXIi3sngSRUpmrJd3yw/s2c1QfrWIh7T0SmFKp9661bQZmcvH1+M2cU5fa0yhGM3Gm8sbaB grh3EkhCZaoW3dubh753O/s6k8rnTWQV8zVMU7jsldOpX8TO90aP72aMX8spHJBRdc7/4C+gMlVL avSowaX7dqw3yaJwoyxdf7U6mVzNB6qbOlN9v0f3eJ+zJyuoTO7bgzfyKZ4TJAoqU7WkPtnTZp+P +YJOVFZG0TTQev9crlEDmqtqUH2PPLVOszbFFVSmqMnV06hMtYbKVC26dT4MLu2ZuPamC4UbVVDJ vLv6LNfKde2OG1FdGe5J3v1VFVSm65v9n5UonhMkCipTtTjr91nY1+rp5I9UPqHvHLpi3YiuXP0W NhwbQfWzK77PhvV/f2WmwPRjSefPny8+Nr184HpCXCM1XJep1lCZqoXleXDopZzxG8foUrhRJc+v 76z4xxWH1n8KoLoyzurWHx6NeFxmezcrnwlFE2YPMd8uGGnT8tTYICbFc4JEQWWqmJrznnc7sXfU pjAKt5kfuP95B35lCuJG61BdGWbK7dElht5l1r0bnDM7t4Nbk8IGgpFXV+0iXRQpnhMkCipTxXjs b9/tRJOG0VReycgPnDd/H78yJ3otp7wycrEqN7RqC9hdjWtjtc9s64J/ogQj1pcD9VJZFM8JEgWV qVqcsl86uLXeesuLyudlwjI6vxvOr0yr9VHhFG6YT5aZmuYfIBAy9t4bt+Ru819esywf8lfWla86 737CX0BlJB5LQVczy18gNOrWeFur7b0e3CgfsU9Ld67kk3Qs9SmrW/Mic2z7q91U3iIvY2wsyynH zBjW8pBtYnwjdbZwTNYYr2RXb6iMxGNa6ETW3S2w/NS7HaWul94cmVI+8jE7uNKfg1VZ3N2NV5mZ bY5cI/zqAtbKk0KojMTzVXmyrOSIgPe7NmY+h0snPV9TPnJvQPNgjUpWJmL5gkv8B+S+bKyrQc1e /0r5WnnKZKcBSYLKSDwNzxWvn38RGPE+b+LJK7n93LaXj7xd2/m4S+Wua3BClsaVHcscrT+Wysf9 fiJ8cTzvWCaK+hMzkFiojMRTrnP1ec4sgesnZx5LSiqefmVC+Ui/bxuX6P1xZWTl5MPyfQVMs/e/ 41+XmTlpai2PVO5IvjNTjswVWYNG/Xf03dZ9tBT/P1T6oDISz+Xj6+0zKnhC/0Sv5ZZ/XAS2rotO xmeBOrXqv+XfY5pxaeepTqe5I44hKelEnpSTCx20JcF2UlwtHdxWkh6ojMTL2r3OrYLIMKa9Wxry x7+yzimBXo16CIy79X0S/6m8Y3kPFzWsxx0ZZD0w3InEP4Zds0UhtzIbllliEU7pgcpIvKyx3u8r qszwwlp/XpnUUJO7a94JfL+/w2oWb1NJPq2POjzijvS6p/3MgsT9ZVRGGqEyEs+07qjxE38dmemJ 69wD/rgyNrd7xD82E7Dq1/U6/5zs/Ey/DslDuCMJOzdftidSGbUBI82tElYvNUBlpAcqI/Fs9L/G jxAGwfXwyRkzinL3DS8fabXzZV3/P66M6bU94ytYjqEosW2ncCKV8ej8/cS0bi0fhKAy0gOVkXip qjc3T20q0H7wHVe/67NznjYuH4nfNfqz8h8HIWt3g4pPwxYt1iFSGcd6Xcx8WjcdoI7KSA9URuI5 2wd6LS2/UHt13Ry3fbNtB8c1Kx9pYX07XPfPK2OyvuJLyoW1LElURtFx3lCrw7bfhwWjMtIDlZF4 bF0XS8dIgQOdux/NK2316OrY8pFAdX8N5h8HwcVr8rakCipT0N0uiNAZ0063ad0KccYkTVAZiScr J+/sqyuQcm3U/Rzbp+s+GZSPOCkx2X/+G6vcu6S92YRyV2YeK0tO0oyZJ3kDpXvnetUgUpngWlMH 72jSwI7yxbJAcqEyVYti4LihdwrObrwcW7ntaATWet2+/CWFo4dsO1zhR2bWtIJE3sictcOyTUlU Ri4882X3kQvuaqXgqTzpgcpUMaH1ytbKq+R30nyDxiw99VrAe0uTS/x75cWuCY3jbnFHdrVrHhxL ojIc089RPe6+6ORpgcpID1SmilGjZq08poVlpFb54hGfDnYcPI1XmRmt50zubMIdaZ4dbEpkxW9Z pxqOm8Zs8kjJx5oy0gOVqVr4Z0w54yt9xsRSSFW2jxAI9rrwnP/1x+mtVr+IDueOpJjGVnZprJ8z VvS1Mcoyislnk9g6SCZUpmrJH7i58aXWg+t/pHJ9FqWMAYsKeJWZ+di7tgouywLFUJmqRZfEur8y Kos78lexomGtPJBCqEzVQqYyeuVr5bXZqEV4rTyQQqhM1aKb3WfOib4PJ4+ltDI6tXrxnwSefrR+ ZhqVGwaQQWWqGt1NF+7b5h31XkLlwpmKqlM2nOC/k53Y1roGhRsG4EFlqpbU6A+DS3vuWG9C5bq5 YWqD4vlXfxl3Fmj/+SoSABVDZaqW1Cd72uzzMV/QicrKKHmUVyaHwBdsQeqhMlVLavSorf32JVB7 LKPk0WJ1WWUudaT+C7Yg9VCZqkX39uah793Ovs6k8uqvkmO7wr6815hOPn3VKRyVAYqhMlVLvueg NY0XLhpXh8rHWnw/7784nJF0vafbu811U1AZoBgqU7WE6WTuP/K6JMojncKN6g4smbOPcSVvxM5m 2oGauPoLFENlqhbFNA8t9yivG/5UvsuYuqnZ3g7HOoyIv7r7tJ4TXmMEiqEyVQsrP01FPVgnS5fK tw1Tj596O6RDt0d3tSyz0uVRGaAYKlO1GHPYzLAwBUUWlec1uqfnFT7dPrThEj0FRUIfrgVphsqA TL7a8rnx8edqeYSJe0+gWkJlQCZML3pxjxfLb5uKe0egekJlQIatERB4/LZjjUquvwfwc6gMyHCY TjbKmhpKLHHvCFRPqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZ qAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwA kIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXK AABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZ qAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAwAkIXKAABZqAxUhBWWruziopyq wBH3nkDVhcpAReSV1QceGKNvaaEo7j2BqguVgYrk62g9GHdwaW+VMHHvCVRdqAxUJP1Gi1ctC+vX cvQV955A1YXKQEVsxlx4vm37znHH08W9J1B1oTJQEeXMyV+S88Y3vKwh7j2BqguVgYqkLVk3qevs Ea+vxYh7T6DqQmWgImljG2zvsO/pES0cy8BfQ2WgIjbNb30Znnf2Q29dce8JVF2oDFTEqfeeva1z Fva5jTvZ8NdQGaiI/O17b90uvRn3Gc/+wl9DZaAi7IHNuJUZevCZsbj3BKouVAYqotu74f2CEw4l OGOCv4fKkGfMknd2SufxDVOk9MyDI+/sq+vrLM+idKNsBd/UdAEd97Zbbfs2OXIzvHwkVsPGQjPG KUwORzcgIlSGPI6SsoqHPlekao0YJoW/nMYKFiqhGTUDlJ2p/I2Xj00JDtQX8BrXMjF5+Pb4/dfK RwYejx5zYKBqlhOu1ICIUBny2Bahl2v9w9UjalNQKpWViVU/YLdUu66qDZW/8U7hAzsN+0fgXtz4 vrNnF3zreKp85MzVU7s+9DB5ZsqmcE6o1lAZ8pgRBzq3vcj1aG6t02my1G1Y1qjOsCNrX78Y40/l KZNNoPaHRfMF5hxtPfv69X0n2jQuH3k+dM7Khd0PXlORp3BOqNZQGfLC1O1efzPjOnGxzzV/Cg87 OHrWR9qfHTr5k6UcdRuVcbl8tan5cIF+s/2KZswoyu1QWj6SZ2Vme+nN3E4GTArnhGoNlSFPKWPA ogIG1/TH3rVVqKyM5bINk8wSClvUpPLsJaLTq20zGb+WNKtnQZc91qgMiAqVIS8/cN7FnvxfULfu y3WorIz6gKY5PmZd6jlSWRmV0XFmFUSGwcjNGbx+3uVwnDGBiFAZ8vID9z/vwP/9LIgbTWllgod9 73vYaug8RyrXywxYEZ9XUWSKCxp7t/DyUMbVXxARKkOes+OLpqX8X9D3U+0CKLzHxAkZ9M5tX878 FxlU/sbrRa01r6gyQ9p/+BRoaZqPO9kgIlSGPHbooP62vN/P85O8Tfwp3DDHoFH/VsO7PWqnRmVl 7D/em5PnJzDr5MxjSUnHZp6cVT4y5G3DTuq6SvIsPJUHIkJlaBC0otcJ/tXfo68/KlO4XY7lsvhE s0Mtqb36qzlwyqsu4wWevk8+fPLkRCvzNuUjF49oqylROB1Uf6gMDSKWL7jEq0zRl411qVwNin+P yZbqe0ypBgcavWwo4L3zsdXEiWZf3r0qH7mrfYPKUoIUQGVoELCiuxuvMjOfnvuoSeF2yVQmTNky 8nKmwOJRz82n9Ut410y7fKS3Y4ozhbOBFEBliDCW5bDkyqUGdt6Sw6/M9gafLOV5QyyOLBWXNVQW 99rWd8eWB8EUPlAsw1LQtTDKEsiotabNELOthtqh5SOmGs647gt/BJUhguWs4RKuI5BhsqvLEP51 GfMt++sacEdU7G3yqTj88LfruL114upaQRRs6+cstDbuzSlYeOEJvpQCfw2VIUIhLXjTbjuBpadW t3HlVeaY7f21Z5ZzR6zHeGTlUzBNWqc1I3K2xS2vQcG2fk7+djOslQeVhMoQ4WRwrd3ctQLdvz/M WcV/nm3f+28t13BHXu/fXTOGglMm5U7reZXRpvL2+P9SxFp5UGmoDBExNx60XZkokOA23KeI/7zM hA5D7vBGzvbqUceFgt9bvdHdt/XdsaiRQeU39QtKdUbdzymYs1kf7xPAX0NliEg7cMGh9Fi54qTz 5/mPzZ5PKi7mDcx++Hp3xB9XhqPorKth8wNl/XrvWlm9v3gw2qh8KNZXgdJF7DTqvh5sNWTvvWgn CjcKUgaVIcJl7KvEip7S7xunHfTHMZCP9Q89vekH0bXqL8yZ1reJ4YPe5UOBBka+VC42o+zlPcJ1 2peNdWMp3ChIGVSGCHuTNScqqoxry1qWf1yZfD392l83/6DEcP6OfhNdWw1d10cwcvWBV4Ypla9O pi1Zl4gv2ELloDJEuCxpe6jCNw7jR+v8cWViHT/t6t/4R4PNS3NP+vXr9tBBMDB0zZnmQVR+biBt rOBYBl+whb+GyhCRVnfX/dm/jozfiFcmen9cGeU6/4w0d/3R7NyTM4pnXMntWj7Q7+H6ZR5U3CMv Z1F3z9s73d70icYZE/w1VIYIG/1hU7deEjhh5po7nX/x98rE0r68kaNbzvTO+uPKZHkdeXqloiMk rmlDz5ym8kKtxsB6Hd8MXdPiM67+wl9DZYjQDR673zBeoLDxY1s/XgKKu7ptfb6aO7K2pHaGzR9X JsV6rdtvIsOYvvXCJl0K/yFOqtZn5s6d5xWC17Dhr6EyRIS5eFy2myLwteHIEft4CTg25Gz3PoO4 I6M/Bvr7/vFG/TutPfG7ysx4SG1lFLKeaVlbX/YwwvMy8NdQGSLkfDUjQmoKRNrNbZzHP9DoNvKq lwd3JFjFVPfP7wRljX39ePpvKrOv8UF9Kk9u5HzT9HR0IjTzKf18JUgXVIYIY46cvEKYgI1+j5at eQmYuW39aNV87oiCPJv1569Rpz0Z9/2Ez49WXZ95rPjYzAm55QOzH3ec4kjl1V9jDlueyZSX4+AN A/hrqAwNdGr1Eqwv8zoz7e83o+GpvefRyh/cf3ppmt/JWa5uI74JRhb2uuqlQ+WdbIDKQ2VoQNFa eb4qm5Yf3PWDD+vftHI93LPbnI6jBCPNvpoEuuASCkgWVIYGAYu7Xyo7ljnXvBJr5cnHhDvWufwD rUGG31q72o5f1/lj+dDAUHtdXEIByYLKkCen3mgD/+ZQ8TbDm/Z/vx2OfH6sZtoPXI7/88g8r9vz q2NSyodsUp3ZVC6cB1B5qAx5CjUHxfO/YMswX/NJhcrLqAErCKzICUAxVIY8Z4/yyhT0ovTbksK1 8sitYgVQeagMeUoeLVaXVeYExZVRLqsMwbXyACoPlSFPKWNYf/7zMsWJ66ICqKxMil33bbY7Fi0L oHCbAFRDZcjLD+zR1IrBKFqV/OZeZg0qKxOwrL956Z1HA1TxzBxIMFSGPKfTd9+4Mqb3fP9t8qDb phReqJUNafGoYHbf9i8yqPzqGwDFUBnyUo9f+NaBscr84rlaYwzSKawMJ3jYd9vDVm/mOVK5PB4A xVAZ8lI3Xbhf6mfbeNSnQB3NMApPbjghLd657cuZj2MZkGioDHmpA8d9P+R21ls7NNaXSeWDuZyg 0VO/3Dm6oZEqKgMSDJUhz9dxivfF52s6R6ZSvGHZGpkX+ndpOepmgBzFWwagECpDnrNO86/3mn3V ovypFlnlyNGbR71cdtsFry6BBENlyJNPq/lkbGYdA8qXzjV2Co+8trv5wAAqLykDUA2VIY+lZOGv Em4fS/nFE2P5VCO9gHCXdCaelwEJhsqQZyzLYrP/ZnG832+ZI8fdMhayA8mGygAAWagMAJCFygAA WagMAJCFygAAWagMAJCFygAAWagMAJCFygAAWagMAJCFygAAWagMAJCFygAAWagMAJCFygAAWagM AJCFygAAWaiMkJxSrLKpZjqT/EwAUgWVEXLOqpkdfVtVGd8DAKAUKiMUq7ZkwP52u1WVyE8FIE1Q GSHT3vPWbule0tye/FQA0gSVEfK/eW7OpDarv+prKCiy8FUAAKqgMkJ6n9ZM6ln6pcHSGwFp+fgk LABVUBkhPbuO768Umb31HnQtw1SB/HwAUgKVEfKvvS5hJuPwpSZr9n/UySc/H4CUQGWEjDKPtJnA mH649MvapRmUf9MaQGqhMkIavS/szWUwGEl5F+sF4nY2AFVQGSFn/XFzDnMrw/BbePCZIvn5AKQE KvPvXJFnGvMrM+H+OE/cYwKgCiojlF5n81t+ZXJXbj6Nq78AVJHqyhhz2Ar5TroCBtZHxvOuyzB8 9o76GM4byWfinSaASpPqysiG2dQIDvws4PVP3LZZ/Mo8XdOuLm8ktEY6MgNQWVJdGZaGQZ2odj0E mnVcmXOFf8Z0p/G6l7yR5U8CcK8JoLKkujJyWcenHClsKtD4y6V903mVuTLt/eAuvBHvztEuJOYF kCpSXRnFIJOGjd3MBIb3PHwliVeZYycnuubxRraueXBDg8WRxauTAJUg1ZWRD50Sf4Lxaz5f2jY6 rZfmhIdnACpBqivDdOzR3qeCyjD2jV9Tb2xkhBMOZgD+nnRXxnPeG7+KKnM+7+mWPp+eaaIyAH9P uiujNuxdckWVYazKG7Fh/xN7WRKzA0gJqa6MfMjytkd9JgicLJpefJ5/BFM8vegkb8TPp2eyedOX df1RGYC/J9WVYUdonYnb+0Vg+6Xhq47xKjN9otX7x7yRNkcfbxsfN+9JFioD8PekujIsZcfdLxoe EVhz8WheEa8y120fvlvHG6lvuHbBus3ujha4LgPw96S6Mhxf+5p1vHYLTNmz03wCrzITJxWeWsEb Maltt1j7Y2AN3GMCqASprowxW0nDNMVf4Maytm34b0vu23suKoM3EhEeoBPkr+mL52UAKkGqK/O/ jLTufeOv/NBv6N3sGN6IsbEsh8ORNcahDEAloDJCSgPvzpnIq0zyxRcebPLzAUgJVEYoTH+coDLf O9fkkJ8PQEqgMkJOxze/5Vem3/N6nkzy8wFICVRGyKZ3n5X86zKzHe7q65KYQZYd5qvrpCSP6zwg VVAZobTLF+6v4lXGb++FOjEkZpBLTwl29LBMw4ESSBVURsi0rqAyV7buemJBYgYFf33rZSvGOmqQ 2DiApEJlhIzqNvvGf15mVpNm0TYkZsiv6X6hQduX1jq4tgzSBJURcmk+6qwfg3E+afjzg7eJnDHp 6r+I33u28OoTTTyEA1IElRGyX/L66EnG9InDt65b6phKYob06D5zWg9/HDfgdIpNPp7IAWmBygjV qL0uYSZj4p296+s11yHy1bf03rvGd7gy/Kz3oN5qLvg6AkgLVEZIz67j+5NX+jpMbnRZjcxtoNTo C3u7MmblfOs4b0loDE6ZQEqgMkIRn9Zscx2+1XDFMz3NfCLfyfbVP/jGlXHs8JDH3V8cNyUxA4AE QmWEUnYfcdj2ML7z6Vgmm0PkQEM+o907KwajeObs+7u0jEjMACCBUBkh0+gebVdPvauVRW4Kg2Xx rfnrCSfe+qhJbhoAiYLKCMXWHNti3oAlwc7kplBZ3quAX5n3r5oTuVcOIIFQGSFnF1X946fVLQg+ MmdQa0MOvzKtDDOVyU0DIFFQGSE553QLTRtdeeq3bMxhybG5Yk+/eGfLi0zSobWfDBR5QyzcaYJq D5UhT5aZahphyeUZ1dBhOP8rCe/7z6trwB0JcEnF03lQ3aEy5MnFBkR+1F6+fPmDXf1H7ONXpu/C BmdGc0esN+kQecoYQIKgMuTJZw0c3afB2rVru8//0pr/PuaxfeYrW67njhxpNyYCr05CNYfKkBdm abLr+7aEhIRWOaWHZ/Kvy0zoMOQSdyBh/IJ22UQWmQCQHKgMeUoeLeK7zSwuLk5KSjpf9v3t8+eT krgDxRNHrB902lQjXxFfr4TqC5Uhz/fGQYeJjJ/z2br+6xjPiHQibzQASARUhjxf/ZdNZv6iMox+ bbZsXq6fQuD+OYCEQGXI8428+zb3V5U5OTxxS58llmHi3kkAYlAZ8pQyhvV3K/5pY84Xreo55P5k 7VCCrzUAiBkqQ16YQaeG7Vt169btkplr7nT+PaaTXZNzuvHduUeKvTQAABlqSURBVPO+8ZEoVVQG qi9Uhjz5lONLP3SPi4vb0vixmR//eZkOd85+38Adie8/cufFtfO0AhTEvZMAxKAy5Mlp6NzeXWvp 0qXt9ozc3oH/7K/ZtzWbuQNLG7XoXO+fRh890hTFvZMAxKAy5MkqxGYFqHJFam98m8yrTJF5/3+a h3JHQtUcA294BCjn4wFgqL5QGfKMZVlseaaCgoLN7XmP+O9kn3zsHRUSxh1RCHNWyndWILQ2H4BE QGVoZKy+dDV/fZkJX+ZqYa08kBaoDJ2CFm/gr5U3Yeuo3uni3hkAmqAydDKoFc8/ljn5Zc9lIt/I BZBAqAyN2DUf9OevLj79cX0vgouYA0gUVIZGzp4DtvTlP/N7qEGnavEvAhABKkMjpWcDCssq4zb1 UwBuK4GUQGVolP9smKAyl1AZkB6oDI3yAzu/M+Nfl9n+yiQclQEpgcrQyPf0/vnJjPNFh83a99FK QWVASqAyNNI9vvntPsZM11ZvXy+NVEZlQEqgMjRKf3JvfNfzPoea7lkcrZOKyoCUQGVolN77XpN+ q3KG3rP2VLHAWg8gLVAZGqVvuvr80J1vk6NC0vPlWeLeGwCaoDI0cgqc0vb79wYDAvPFvScANEJl aORs8PFrs1MDDtiLe0cA6ITK0EjetOaTzObZOr7i3hEAOqEyNGIpWaSE67ngE28gXVAZGhnLsuTk 5Fi4hQ3SBZUBALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UBALJQGQAgC5UBALJQ GQAgC5URkpVjhjk7K7A5eJsRgEqojJB8bIplcIiehbMs+bkApAgqI+QUkH1Tu/YYVRusyAtAJVRG yCKyVrPJG78eiFAkPxeAFEFlhLKaX3i3sstkbXV58nMBSBFURkjv09o2OYfefXXEl5IAqITKCKnU WnSna57DwRth5OcCkCKojFDA0sITh0sX3o1EZQCohMoIqaxY3a3DkMYHP6MyAFRCZYTCR3dPTC54 Pi8Q12UAqITKCOlpT31s1m1nD09UBoBKqIyQnt2aEbbvm75AZQAohcoIoTIARKAyQv5R64/amj/q 7IFnfwGohMoImZo0eNq31cgWweSnApAmqIyQhpfhl5xDWxoFkZ8KQJqgMkLpma8e5iT0X6ZCfioA aYLKCJla44wJgACprYysHFPJKfVHHg82TBpyqf3V6DTuD7pKiljMCoASUlsZtq6RpWPkjzrtan+n n9lZ70Z1uD88MzB1pnpKAOkktZUJs3/m1Wjej/a0PJrn49qqveE47g/DbgamUT0lgHSS2so4qe6+ uuD7jxZuM5s4Ibe01dnn3B8W7YpSU6J6TgCpJLWV0dBvFzfC6kf9us6aeWz6hImuedwf7rS/tySA yeLg4gxAZUltZTQv39s7kfFrfS+e2h3sb+OMpcYBKklqK5PmNflQBZFhHLvzfc/yMaFpWAQYoJKk tjKmSwzfV1QZRu6d+94vtIJwpwmgkqS2MsrX5j6dWVFlZu5r7fB6uYcv1RMDSBuprYzNpoPfC2b9 aELRjOKkpGMzT17n/uA3sUO/vMFrl3o6UT0xgLSR2sqkOmpv/L71R9tOuPpdmTDbNuEL76cvT0ds b3/ETg3HMgCVJLWVUVKps6LkyI86OrSatmp2wdktk7k/vJ7cdk33c8MOBOC6DEAlSW1l5G0CPh8Y +6MBhitzeuY9jTvYifvDEpPadotN6qhrYkkrgEqS2spwmE42Rik/yq5XmDC8wOGelw7vpxp6KkF6 RrFhHKonBpA2UluZ/xKu+8vk/2hsLCsra2xMfl6Aag6VEcJaeQBEoDJC6ZmvvmCtPADKoTJCmjfb PrU1HzkohPxUANIElRFK+bQgMfnExRcecuTnApAiqIxQ+IrV3TpYNT6D72QDUAqVEQpYWlhwuHTh 3cgw8nMBSBFURkilFv9Y5uBnVAaASqiMUETUui8nElp2dsQZEwCVUBmhrGt9Ct/Or2+njoWrAKiE yghZ3Fjc5/WoYb1rsMnPBSBFUBkh33D9se4mT9RtsNQvAJVQGSH59KyAEB1/mzB8twCASqiMkCxL kamgIC+Ht7BBCsgq5msoG5kqa1poKpsaKcf+8MlmWXaYU6wNl4VmmpGRZrozu5IvDaMyANKInR4e OGZs87pjeo+p+9FrjGdEuvCZd3ZqimpkNNeTA9cyvaI9/J0q+b+8qAyANFJIuT366rk99069PLVr z5G72qfthfdWw+xv3By2mavkwqgjG//pFJhWyZduUBkAaaRkYNKs5fi9K+c4zFm5t8mWPksshU+j +gablMS94XJY+O3s/biD1/QqedsVlQGQRr41F3vvNcsrnTatNM/2xJxzUarCJa7Tb7Tr9bi03zRX 137DrS69aWgdVMl1aVEZAGmUH6p9662VzwwGgzGr9P3OezcNhMcyMZtK3kwr+yrZLNdL8+/tDkBl AOCPOQd8PLNgxPBibkpWmb/Zs/S4v/C6jE3vXWdPllVmYreFhu2epOCMCQD+mLyp59hhHbd24KbE tktD9+M6McJLvLzKFJV9YLXbxY3L6oZW9kFVVAZAGrHyTXU+N1p3tMME18GGyzPCLcKED8VoRDf7 NotfmYKmJUvUwjWdK/mgKioDII2MOYoKus8edBzcanvTC16WWan/nhXpHj91fxWDcey67fxTzcOd mWwOnsoDgL+jWade25Hf43YtH6hq+u9SBM63mzXJZVwpPdR+V6cQJgXToDIAUksx4PKyq5PXNLg3 aLdHunBUIXvUw9zifY9bnrL2jKFiGlQGQHrFBgV6zfPeUri2ZImK8DUC3TFHvnSY2O1RSWaoCyVL uqEyANKLnR9rYPJh5Mo5cfufpMmzjGVkjOWY4bUNz5547zBqSbiuAiULFKAyAFLNKfLr1DdNungP OB6krGDMyTeyvDxvwZtv318tDqXimgwPKgMg3fSWXF33vcvIV1+9PGwUmS43TPYbrt6y/tSDbE2q ZkBlAKRbrEdmoz3xz+cv2LxEJ1VD7VOzuJ1b6n/9eFuPsmX2URkA6SavGeBp1/DRN4eOnW+H69Qd t/rtnO77D4S76FK2nhsqAyDlWPK6jlPWNv7W9EPUpifL6j//Nv9IpyC2HHUr06IyAJB24O7UpiMN z0wZ9HLto3cNOuvrUrl1VAYAwoJNesxdt+7Vudfea9vuGnZNhdIPeaAyAMDRVM2OutugZfvn/W/N 261vGUvp1lEZAJBh+2qEar9amZDYpeHuoFilSi70+/+gMgDA43Sg/uOepXtP3aD846qoDADw6ddv NSH3S0kw5RtGZQCAj1eZVQ9RGQAgJP3yraPTht/vc6OSa4n/FyoDADKKuhYeo18tTHz8/cJHvfR8 Ju5kAwClWGkeT0aXNNjy/d2CDw+0bqibOv/+74gOlQEA55ruZ+qvX1d/z4eGcz+Mm5IZSukDM6gM AJjWLel18d2r/bVq/XNr9SLvF9GmVG4dlQGQasYsNtMpo9Haxt8e3et0+8mg9U22L3y9257KKVAZ AKkm52SkomZyasuc9muG6Ud4LF10qWe3DXZZVE6BygBINQX7wGvaVxsUFhoezAzQNZjyvV9R3sjl OGMCAKo4hXY6WH9DYfeGta6FxrAtBzyfVmQ1crkRlVOgMgBSLX1gvV5vBw81bPRMz4ZpbNDinZtr t/5Lg6icApUBkGq6vRt+62s2fmPzGDZHRiZodIOV2wev3v/E3kIJK3ICABWUDhgmzPLbNvc4/3Ff /+ZnDPs3XX2u87XTNbC6OABQIexAg27TixI2ZvPX+bVxHLvsquHq/utfLjtNyddreVAZAKmmq2U4 aWLXpx+y+S9JKrmEOGb+M7X9nMK5tYOoWl8clQGQXrJsZo2b9e+/33HxoD7/1SWWgm+qpfWenXvn 9Opx3IIpZ0zFLKgMgPTKd9HJbnSkf9P4ucs98ssHnT63MHz3vP+o0TcC0sKomAWVAZBaLHv93YNO nTt3qt2n7Ih/g5Iy5sGFBgvaXlia+UyZimlQGQCp5fRsRbMGHQ2vRmU7hmv8u3iVk87t3fPqx8V7 b44KlqdgGlQGQOoYG8vKcjgcRUv31+0Hf9tw5nJAVozzvwtXMS30HLX3XNw6vumujymyssaVvTiD ygBIG3a+jX2ApaVl8O5dc/r2bO0waollVmyY8CE84zAb/4wV3g/zet75Pm5MDWVd+UpmBpUBkDZK KY517ZYtWzZlTxezJEaRef9/DmT4pwqPZdgaKoFjm120LWYUXRq52eu0SnolnwJGZQCkjUaGyd0G GzZsWLSyoIjBYMwe0f9g7c8uwusyYTWylze7mDCL+0d+5vPvrRjoUsmPwKEyANImbVPnqXsnTZqU 2LprEjclE6y2x9/9GCR8ocBJtXazR61Kp3P/aEbPVoUlmeGV/A4cKgMgbYwOHBy5w9bW1mx4z4mz Zq3qkFzgcCQqWLigeOqzRg3O2pZ2zb3u5+Oa03iPtU4lv52CygBIG9M6L3oNPsSVkDhp+/bt2yZt m9+wk7rweZlUx1q3HBInbeP9yY7Hj06NVUFlAOCPxDjWfjm1kGt1rzUN2q5b0yv+3IDeeszyP863 zJxnGN99PfePpsb12rM0OwvXZQDgj+TXCMxc0YKr0QrtKPco7VqNakeHWAgvvjBN1S7bNVphx/2j 5bWWmWTrxOIeEwD8EUWntHD1mjVrhqqGWAYFBFmGBOvYa/z7vAxLyaKGZXDI/7V353E93w8Ax7/d 3y63qcxMhGQ5Qm05Mn0Xc9Xkpjnmt98c8aNIci45lnOZPJbMj+SIDUNuzb1cLX4lUthYqMzRHOH3 KYQxj+/11nePz+v5px6f9/v9j9fj+znfdkV/KjM1vFuMmY4vZ1MZQG5cjFUmDkVMlEqVSqU0MTFR qlye/7Oy6F+e/smYZ38BGDYqA0AsKgNALCoDQCwqA0AsKgNALCoDQCwqA0AsKgNALCoDQCwqA0As KgNALCoDQCwqA0AsKgNALCoDQCwqA0AsKgNALCoDQCwqA0AsKgNALCoDQCwqA0AsKgNALCoDQCwq A0AsKgNALCoDQCwqA0AsKgNALCoDyJWLg2VMeStvfwvB81AZQK6M/YOOLPvNsWa04HmoDCBXqt0n 725c3uJEcwex81AZQK6Us+4s/zBnyUfLYsTOQ2UAuVKGv5Xfsnbfd+ZPvWBmauGgdBE0D5UB5Eo5 sc2ERz/M+O5mm5NHKtg0T9kl6MyJygBypQz6sVotv4S42IJqA4IrByyz8xczD5UB5MrYu8Kdyvvz P8z5OSFnUbu8FoODjIXMQ2UAuXLpahX+aYfg/95qeNt1c/z5Lz+ZXU7IPFQGkC2VhbllvR0P3r80 qG1iUuKlgV908ZRE+5vp9zcNlQFkTRU55/CU1r6hCoX7N1u/7iDpblPPXK9TUBlA3mJ+r1QwZaSX QqHIuN7omuRq4y7eep2BygDyZpbS78SZ70amKhSJfQo7SeLqNo4w1ecMVAaQN+Ou0UEdqvm5po5N WhjWe4zvPdeLZ47utJDo6zk9KgPInkvKj8P8Vm5Z+IeiyPCR7a4OnioJ77bLRB/DUxkApnb9/2wX 2Gx7cWUUvgdGD6ss+WBH+BB9jE5lABhFTzvaJDYw7HFlUjMCb30p2Vp/QYo+BqcyAIzMoss6Zo1e lVpcmQ0Lt/TZLHlYPXjSLj0MTmUAGBmpHKx2TI6LP5t7qKgzf4QmSQbN2BowzUoS7W+my3VgKgOg iHFZ5zPfbbvsdUjx1PY+P2d+PFjSfaqbLre2qQyAYv42J1os6ZScVFIZhdfKhLy6ko8aH9HlQ1dU BkAxh/IRaT3yHvo+q0yur2vPG5KZP60L1+HbM1QGwGOmQ8o71h/962fbn1bmUO5C9zGS+M83dWhv LjE10eY9SioDoES9Dn8u+rXXZ2MVL0hc/X6TDhUkzVN2KTUflMoAKGFWs//+D88lJ75YGcWWh7Gb 5kranLa21HxQKgPgGW+bH+uPGu+z4cXKjLscWGexZGuPKvU0H9PAK2N65MHF2z7blkSVLe2VALJg sbf97HmNeq5/sTLbEwf1cZXMqDXviOYvHRh4ZVxsPvnctfOl6m20CCgAbdj/nrVkRfb6Jw/oPbkO vD0kVNJq/IQPbOpJPO01eE7PwCtjZFcjbnODwlpDRe+xCeCpvftqvNO3Ycaze00lQtMT6laqKDlt s1v93bUNvTKR8/ziM86POrG3tBcCyIfbyYDMpeezQ1+qjMJ9VZ28tZKr62zt1R7O0CtTpsd7rg0a Njq1u7QXAsiHZYrt3bVX9hx7uTLHfD3On5PM7Dg0Uu3n9N5sZVyKvpnur4HyVc5cSe41cnGwrSZH AdDOEMvp5tPtPVPsnIfdav2KymzIXRjWVrImZ3+HIEszB5U6/+/fbGVUlrvDu6SdVt/g+tV7NhuT 3PfduxocBEBLaWlp3R0d981O+7ig6Z7clyvzVOLqxZOdbat6m6tzDfjNVsbB6tM7WcuvqS9z9Pj0 9f/ZMvJRngYHAdDB8mGTHzxYu+h8dsjfV0YxpqFfwdeDI2LUeePgzVbGtOrRarFNr6tvfGF673FJ idmbD2hwEAAdtJxSJyeuaeFlr5fvMT2TlD2yb35wmps6p0xvtjLmNT+Y0Pd2H/VdbrV+eGjIscQx PhocBEAHybc3r1zl4eM+YsNrKrPhrK/rreMVgwywMhEBB8f36aw+n3teqSFjc8+uz9bgIAA6aLAn 3cO1T7ZX0msrM65t+qNrzgZYGTPrO8eX1l6hvsJ4n7ARx4b33rNKg4MA6CDwhxlO12uvafVk45RX C22bfGBJiwXdDK8yFvXuB+w/+D/1DXwvMMNrYW+PG4s1OAiADvInrP2pY17Cat/XXf31im868EF/ 22jDu/qrtA86sqD/HPUFDFu8bVDbjG8GDtDgIABaGzq0/52KRysGH3TKeM2d7KTWdTLnn57azdLw 7mS7OHTd61lPA5HOh532ZK+Ju+qoyVEAtOO226p8ebedVSNOHL+Y/oqn8hTbc0eMk1xumbmujLe9 uVp7Txr4GwYmtk1ueXTe9m3AztJeCSAflm4Rp64lJL+iMiFePq6rJC23fmyj9vesDLwyRtZz/eIz CvNO6PIFdQAaKTf17Y2xD5u94m3JxNY3llaXHP5qtrfawxl6ZSbOjdssVaZ/udJeCCAb5hXe6hh3 7rb72Jcis6GzU/6AKInzpJ1mao9n6JUpU7/4nezGvJMNvCEOzaMm9G3d61VP5a1f0WjePjtJWasL 6u9mYOCVcfi0xcXi6zJBpb0SQBaMp8dENH7XqVno2D+ei8yG1LB7vSSX2j3o7qmUqDTZMcXAK8PX xYE3yj7yZFTmo/S/XJJJyl71zRXJ6P3OszTfMZvKAChhMuu3rPyfV7r/9Uzp0szvN0mCf5mq/ify SlAZACWiu9eP/SG591+ex0vyyBm2Lk3Sb6K3FjvZUhkAj6lMh9jO/1/tLakln3zYnps6XJJxPXNo 8xiJfVdttsumMgCKKfcG2UYVtGz2bIOUkLDO8dskTfMrTeuq/cBUBkCxrhOrzJ9QJ374szOls+kz lg6U1K3c3UqHgakMgGJuVQbkzVgz5rnvPfS6MarJWxLnk2Wn6zAwlQFQxL5f8JKevonP3cMOK4yd 62gtCSp/Qa3NCv4GlQFgZDLEc1pU/oEn22Mf89rSTPLr0mo7rFRFNH9G5nlUBoCR/cR9lb53GvQ4 MrnZI28kSL7cdCdSl98wT1EZAMqyHbJGOSU/OVsK2xb37mRJjV9sduljdCoDINrxk9gDl70e38MO Sf/8ZmNHSb+Jnhb6GJ3KADJnYRk9aV7s+fUjRiQljUgdftbHqeBUzV0S/+naPIP3MioDyJuDZ/O0 rFqB7grF8GyPbdsuXbo+6qsuQ/Q5A5UB5M3fZujGxQfuSadKgwJnFu1hcHheWj29zkBlAHlr//Ym v5Gtjkk/ZQq/vXpKUvF+WbU/6asWKgPIlouxSrn39xrVe2a7jzgU4rG4ybKqkp3lLyj1Og2VAeTK xSwmxXpSVN2cfzVo0NnH49am37q5FNH3PFQGkCvjGLsd64LrLrl141ynllMW3ZwTrpcb1y+hMoBc qVKWZRV86+f3/sB/dzz+Z/0TFQRtFUJlALlSWq8reO/GjZlr5x2tkubYL9zTVMw8VAaQK6VdwDt9 e46vnnXfqtzeomfw9H5F5jEqA8iVMnJOZs6VRcvfFrzdGZUB5ErVbUdw5tabURXU3yZSK1QGkCvj veGnhzb+pZ+bJlu4aYHKAHLlYrrLbVbkTm9dvrapDioDyJaLsbFKZSzomu8zVAaAWFQGgFhUBoBY VAaAWFQGgFhUBoBYVAaAWFQGgFhUBoBYVAaAWFQGgFhUBoBYVAaAWFQGgFhUBoBYVAaAWFQGgFhU BoBYVAaAWFQGgFgGX5mPEtJ7rR5dicoA/1SGXplJG69k3FvT7ovI0l4JAC0ZeGWm39/UqVVY+szK 1qW9EgBaMvTKzD4zwzfxcs7ciaW9EgBaMvTK3N/k1Mu99SJ+ywD/WAZeGfMjTXJW9llRPWBWaa8E gJYMvDKmEXcPPnLyu1mxW2mvBICWDLwyDkELemROWF7pvndprwSAlgy8MsromsvmtLkzu+qQ0l4J AC0ZeGWMzcu1tw6v6mZvUdorAaAlA6+MkZFLsdJeBQCtGXxlAPzDURkAYlEZAGJRGQBi/R88PLKW JpR0fwAAAABJRU5ErkJggk== Fuente: Morates (1997) También se hizo uso de la Herramienta Weka (Waikato Environment for Knowledge Analysis). Utilizada para la operatividad de la técnica de “Regresión Lineal Automa-tizada” concebida como una plataforma de Software para aprendizaje automático y minería de datos escritos en Java y desarrollado en la Universidad de Waikato. Weka, es un software libre distribuido bajo licencia GNU-GPL (Licencia Pública General del Sistema operativo GNU), donde GNU es un sistema Operativo desarrollado bajo UNIX que es considerado un software libre. Weka, como software programado en Java está orientado a la extracción de conocimientos desde bases de datos con grandes cantidades de información. (Alonso, 2013). Existen otras herramientas similares como Oracle Data Minero Clementine, pero el hecho de que Weka sea desarrollado bajo licencia GPL, lo hace una alternativa muy interesante.ResultadosLos resultados determinan el análisis de los subsistemas según se mencionan, asimismo permiten el análisis y la interrelación de las variables obtenidas en la investigación y la base de datos que se encuentra en el proyecto "Factores de elección de las carrera de la DAIS", con el fin de modelar la información obtenida.Análisis del subsistema CBTASe determinó que los motivos que influyen en la selección de las carreras en los alumnos de este subsistema inciden con: aspectos vocacionales y habilidades personales. De igual forma, se considera en la escala de Muy importante el grado de interés que le dan a los factores que influyen en su elección.Factores: la conveniencia de esa carrera para las personas de género masculino.la posibilidad de conseguir empleo.el ser accesible, para efectos de costosAnálisis del subsistema 2. CETIS/CBTIS Los resultados en este subsistema son coincidentes con los obtenidos del subsistema 1 CBTA. Sin embargo, el grado de importancia que le dan a los factores que influyen en su elección es: Importante.Factores:el ser accesible por su costoel poseer conocimientos o estudios previos.las calificaciones obtenidas en las materias afines a la carreraAnálisis del subsistema 3. CECYTESe encontró que los motivos que conllevan a la elección de la carrera en los alumnos de este subsistema se basan en el consejo de familiares y amigos. También se detectó el grado de importancia que le ptorgan a los factores que influyen en su elección es: Muy importante Factor:la influencia de amigosla conveniencia de esa carrera para las personas del mismo género.la posibilidad de conseguir empleoAnálisis del subsistema 4. COBATABPlanteles presenciales.Se identificó que los motivos que inducen a la elección de carrera en los alumnos de este Subsistema son: por tener vocación y habilidades personales. Y el grado de importancia que le dan a los factores que influyen en su elección es: Muy importanteFactor:la aceptación de mis padresel hecho de ser accesible por su costola conveniencia de esa carrera para las personas de sexo masculinoPlanteles a distancia.Con respecto a este subsistema, se encontró que los motivos que impulsan a la elección de carrera en los alumnos de este plantel son diversas y a su vez el grado de relevancia que le dan a los factores que influyen en su elección es: Muy importanteFactor:la conveniencia de esa carrera para las personas del mismo sexo.la aceptación de mis padresel hecho de tener conocimientos o estudios previosAnálisis del subsistema 5. CONALEPPrevalece en este subsistema, la selección de la carrera en función de la vocación, así como del dominio de habilidades personales, y la escala en su elección es: Muy importanteFactor:la obtención de buenos ingresosel ser accesible por su costola influencia de mis amigosAnálisis del subsistema 6. IDIFTECLa vocación y el dominio de habilidades personales, aspectos claves de la elección de carrera, y como grado de importancia que le dan a los factores que influyen en su elección es: Importante Factor:la posibilidad de conseguir empleo.el reconocimiento social que tienen los profesionistas de esta carrerala obtención de buenos ingresosConclusiones y recomendacionesLa aplicación de la herramienta de KDD y el análisis de las pruebas realizadas mediante el algoritmo de clasificación Regresión Lineal de la la aplicación de la herramienta de KDD y el análisis de las pruebas realizadas mediante el algoritmo de clasificación Regresión Lineal de la herramienta Weka, se concluye satisfacto-riamente, luego de aplicar cada una de las fases o etapas de KDD en donde fue necesario limpiar y dividir la base de datos única para su mejor análisis. Por lo cual, se determina a continuación los tres principales motivos influyentes en los alumnos de nivel medio superior de carácter público, para elegir una de las cuatro licenciaturas que ofrece la DAIS:a).-“A los egresados de la carrera les pagan bien” con un 57%, “consejo de familiares y amigos” con un 29 % y “por tener vocación y habilidades personales” con un 14%.b).-Se determina también, que el grado de importancia que le dan los alumnos a los factores que ellos mismos eligieron para su elección de la carrera son: “Muy importantes” con el 57% e “Importante” con un 43%.c).- Como conclusión general en este proyecto es que se alcanzaron los objetivos propuestos, ya que se obtuvieron satisfactoriamente los 10 factores de elección que influyen en los alumnos de nivel medio superior al momento de elegir una carrera los cuales son: “La conveniencia de esa carrera para las personas de género afín” con un 21%, “el ser accesible por su costo” con un 17 %, “el poseer conocimientos o estudios previos” con un 13%, “La posibilidad de conseguir empleo” con un 13%, “La influencia de mis amigos” con un 13%, “El campo de trabajo es amplio y con futuro” con un 8%, “La obtención de buenos ingresos” con un 8%, “la aceptación de mis padres” con un 8%, "las calificaciones obtenidas en las materias afines a la carrera” con un 4%, y, “el reconocimiento social que tienen los profesionistas de esta carrera” con un 4%.d).- Conocer los motivos y los factores que impulsan a los alumnos del nivel medio superior a la toma de decisión sobre que licenciatura van a elegir, es de gran utilidad para las autoridades universitarias, con el fin afianzar la toma de decisiones correspondientes, así como definir estrategias que permitan dar a conocer a profundidad las licenciaturas que ofrece la DAIS.Las dificultades encontradas para llegar a estos resultados, se conciben como no relevantes ya que algunos de estas fueron errores de captura de datos y caracteres inválidos encontrados en la base de datos. Con respecto a lo anterior, para el uso de la base de datos se usó una hoja de cálculo de Open Office que al ser de licencia de código abierto, facilitó su utilidad al ser utilizado sobre cualquier sistema operativo, facilitando así la conversión del archivo a formato de .csv antes de realizar el análisis con el software de Weka.Bibliografía Alonso C. (2013). Obtenido de Waitako Environment for Knowledge Analysis. Introducción Básica. Departamento de Informática de la universidad de Va- lladolid. Recuperado de http://www.infor.uva.es/~calonso/IAII/Aprendizaje/weka/IntroduccionWeka.pdf Recuperado el 22/03/2013.Brito, R., Rosete, A. y Acosta, R. (2008) Desarrollo de un proceso de KDD en el ámbito docente: Preparación de los datos. 14 Convención científica de ingeniería y arquitectura.Calleja, A. (2010). Minería de Datos con Weka para la predicción del Precio de Automóviles de Segunda Mano. Recuperado de HYPERLINK "https://riunet.upv.es/mineria-de-datos- con-weka/PFC_DSIC80_ AgustínCalle ja_2.pdf"https://riunet.upv.es/mineria-de-datos- con-weka/PFC_DSIC80_ AgustínCalle ja_2.pdf Recuperado el 25/02/2013.Gil, C. (2011). Segundo informe de Actividades 2009. UJAT. Primera Edición 2010, Villahermosa, Tabasco, México.Gil, C. (2011). Tercer Informe de Actividades 2010. UJAT. Primera Edición 2011, Villahermosa, Tabasco, México.Gil, C. (2012). Cuarto Informe de Actividades 2011. UJAT. Primera Edición 2012, Villahermosa, Tabasco, México.González, R. y Álvarez, I. (2008). La orientación vocacional en los alumnos de nuevo ingreso. Universidad Nacional Autónoma de México. México, Distrito Federal.Hernández, J., Ramírez, Q. y Ferri R. (2004). Introducción a la Minería de Datos. Madrid: Pearson Prentice Hall.Hernández, R.; Fernández, C. y Baptista, P. (2007). Metodología de la Investigación. México. McGraw-Hill.Morates, D. (1997). Técnicas de regresión lineal mediante WEKA., San Francisco. Morgan Robbison.Piña, J. (2013). Primer Informe de Actividades 2012. UJAT. Primera Edición 2013, Villahermosa, Tabasco, México.Piña, J. (2014). Segundo Informe de Actividades 2013. UJAT. Primera Edición 2014, Villahermosa, Tabasco, México.Villanueva, M., Javier, A., Arceo, G., Zapata, T. y Ronzón, J. (2004). Estudio de Egresados de la Licenciatura en Informática Administrativa COHORTE 1997. Universidad Juárez Autónoma de Tabasco. División Académica de Informática y Sistemas. Cunduacán, Tabasco: UJAT.Globalización y periferia: margen y centralidad en el pensamiento epistémico latinoamericanoDuglas MorenoHYPERLINK "mailto:Enl@ce:"Enl@ce: Revista Venezolana de Información, Tecnología y ConocimientoAño 10: No. 1, Enero-Abril 2013, pp. pp. 73-84