TEORIA SOBRE DIST DIAMcm PDF

3.
4 Teora sobre Distribuciones diamtricas
En el sentido estricto de la palabra una distribucin diamtrica es una relacin entre los
dimetros y su frecuencia respectiva, referida a un rea determinada en un bosque o rodal.
Generalmente se acude al agrupamiento por clases diamtricas, aunque la computacin
actual permite buenas aproximaciones con los datos crudos. En forma simple, una
distribucin diamtrica es un histograma con los diversos niveles encontrados para los
dimetros de un rodal con escogencias subjetivas para el ancho de las clases y los puntos
de partida. Por ejemplo, para los datos de las Tablas 3.1 y 3.2 podran ser unos como estos:
Las distribuciones diamtricas se conciben como herramientas importantes para el manejo y

la silvicultura, por ejemplo cuando, cuanto y que aclarear, con que probabilidades hacer los
clculos para el crecimiento y, desde el punto de vista dasomtrico su mayor importancia
sera en el campo de las predicciones tanto en tiempo como en espacio.
Pero no bastan estas grficas solamente, un aspecto importante son los parmetros que las
gobiernan, forma, escala y localizacin pues como parte de la estructura horizontal de la
organizacin del bosque, se emplean diversas ecuaciones para modelar las frecuencias
como funcin de los dimetros de los rboles o especies que parecen agregarse. Los
enunciados al respecto llevan ms de un siglo de propuestas tericas (Loetsch et al, 1962;
UNESCO, 1980 y Uribe, 1984), entre otros, reportan trabajos de autores como Liocourt, en
1899, para comparar las frecuencias de rboles en clases diamtricas sucesivas con lo cual
pretendi encontrar una relacin constante que despus se conoci como el cociente de
Liocourt.
(Huffel, 1919, 1926, Schaeffer et al, 1930, Goodman, 1930 y Hough, 1932), fueron los
primeros en ajustar una funcin exponencial negativa a las distribuciones. (Meyer, 1933-
1952) introduce el concepto del bosque balanceado y le define un modelo exponencial
negativo que se extendi debido a su facilidad a otros estudios como el clculo de
incrementos en volumen (Meyer, 1952), regulacin y control de cortes (Chagas et al., 1983,
Francois, 1938 citados por (Prodan, 1949).
(Leak, 1964) al notar que el cociente de Liocourt no era constante, adopta el criterio de
bosque no balanceado y ajusta una curva que relaciona dicho cociente con el dimetro. As
mismo se reportan trabajos en este sentido por (Le Cacheux, 1965, Dawkins, 1958, Pierlot,
1966) citados por (Loetsch et al, 1967).
(Zohrer, 1970) introduce la funcin Beta, (Hervart, 1972) propone modelos hiperblicos y
(Bailey y Dell, 1973) implementan el uso de funciones tipo Weibull, (Moser Jr, 1976) propone
1
estructuras de densidad con base en la distribucin J invertida; (Goff y West, 1975) proponen
modelos polinomiales etc.).
En Colombia los primeros trabajos se dieron por (Gmez , 1983, Uribe, 1984, Arteaga, 1987,
Gmez y Ramrez, 1989) y luego otros.
No existe una satisfaccin plena en este tema altamente influenciado por decisiones
subjetivas o de logstica como la escogencia del dimetro mnimo, tamao y forma de
parcelas, pues cuanto mayor sea el nmero de datos ms sensibles las pruebas estadsticas
que pueden conducir a rechazar modelos propuestos; se necesitan mas conceptos
dinmicos que estticos, saber ms del crecimiento, mortalidad, regeneracin y manejo de
rodales, pues las distribuciones diamtricas son solo una de las caractersticas que reflejan
un estado del bosque.
3.4.1 Algunas consideraciones importantes. De acuerdo con un resultado grfico,

aportado por (UNESCO, 1980) en el bosque de Imataca en la Guyana venezolana, se
resalta la gran variabilidad del, nmero de rboles presentes por hectrea en cada clase
diamtrica, las formas adoptadas por las distribuciones de acuerdo con el nmero de
parcelas de 1 Ha muestreadas, el nmero de rboles/Ha y las clases adoptadas. Las
distribuciones van desde formas de L para marcas de clases amplias y bajo nmero de
rboles/Ha, hasta formas normales o cercanas a una campana de Gauss. Para la clase
10-19 cm aparecen curvas similares para regiones muy distantes entre s como
Venezuela, Gabon y Kampuchea, que permiten de pronto comparaciones o posibles
inferencias. Adems de lo anterior se denuncia la falta de estudios sistemticos que
presenten las influencias que tienen la pendiente, la altitud, la formacin ecolgica, el tipo
de bosque, quedando solo conclusiones personales al respecto. Se nota que las
diferentes formas de la distribucin reflejan distintos tipos de comportamiento entre
especies de luz y de sombra, as como irregularidades debidas a la historia del bosque, a
la geomorfologa y topografa y al comportamiento de algunas especies.
Por ejemplo en la regin amaznica, (Heindsdijk, 1957; citado por (UNESCO, 1980)
parece distinguir estructuras diferentes segn posicin topogrfica as: las pendientes
parecen ser ms ricas en rboles pequeos que las mesetas y ms pobres en rboles
grandes. (De Milde y Groot, 1970) en la Guyana parecen mostrar que los bosques de
ribera y terrazas laterticas muestran menor nmero de rboles/Ha especialmente entre
10 y 29 cm que los bosques de terreno quebrado y colinas elevadas. En Venezuela,
Sierra de Imataca, se muestra que laderas con pendientes mayores del 30% presentan
menos rboles que las de inclinacin suave o moderadas (Rollet, 1969). (Pierlot, citado
por UNESCO, 1980) no parece encontrar gradiente altitudinal bien definido respecto a las
distribuciones diamtricas; sin embargo, en el sudeste de Nigeria se reportan bosques de
poca altura y escaso dimetro solamente en crestas estrechas y elevadas, cuando por el
contrario (Waytt-Smith, 1960) en Malasia reporta mayor densidad en crestas que en la
parte alta o baja de las pendientes. (Veillon, 1965) ha realizado estudios sistemticos
alrededor de la variacin de la distribucin por alturas, en bosques inalterados con
muestreos entre los 70 y 2.250 msnm. Los siguientes resultados para d 20 cm
muestran el paso de sus frecuencias de 52 a 138 a los 1500 msnm, de 123 a 1940
msnm, con un mximo absoluto de 168 a 2960 msnm que se reduce a 71 rboles/Ha al
llegar a los 3250 msnm.
2
Se pretende que algunas formaciones y tipos de bosques pueden ser fcilmente
distinguibles por su estructura diamtrica ya que parece evidenciarse dentro de ellos
diferencias respecto a la estructura, por ello algunos autores como (Burges, 1972, citado por
UNESCO, 1980) relaciona la historia del bosque con la estructura diamtrica. Algunos
autores conceptan como (del Valle, 1981), que los bosques maduros cercanos al clmax
tienden a distribuirse como una J invertida cuando se da un flujo adecuado de la
regeneracin hacia los dimetros mayores. Otros proponen teoras como la hiptesis de
(Goff y West, 1975), sobre una curva trifsica de la distribucin diamtrica del bosque
tropical, adems de diferencias significativas entre dos tipos de bosques estudiados.
3.4.2 Eleccin del nmero de intervalos. Parece haber ventajas estadsticas al agrupar en
clases, ya que los datos generalmente son ms una situacin "familiar" que la probabilidad
de representar cabalmente al bosque completo, (Reynolds, 1988), aunque hay opiniones
contrarias. No existen reglas precisas en cuanto al numero de intervalos, es ms o menos
arbitrario, pues con uno demasiado grande no se simplifica el conjunto de datos originales,
pudiendo aparecer problemas de ajuste final, y s es pequeo pueden ocurrir distorsiones de
la informacin.
En trminos generales se tienen algunas indicaciones: (Snedecor y Cochran, 1971) hablan

de formar ms de 5; 12 como un nmero muy aceptable y 24 como el nmero ptimo, en
caso de grandes muestras. Sturges, citado por (Diaz y Gutirrez, 1985) propone que el
nmero de intervalos se obtenga como (3.38 a), otros autores para n>200 proponen 3.38 d.
R
(a) ni = 1+ 3.32log 10N ; (b) ni = 3 N ; (c) ni = entero + 1; d ni 40,2 0, 75 n 1 3.38
A
en la cual N = nmero de datos. (Gmez, 1982) habla de la frmula (b), (Loetsch et al.,
1964) proponen la frmula (c) en que: R = rango, A = amplitud de clase = R/n, redondeado
a las cifras decimales del parmetro a evaluar, n i = nmero de intervalos. La tabla siguiente
muestra el comportamiento de la formula d)
n k
20 6.8
40 7.86
60 8.54
80 9.05
100 9.47
120 9.82
140 10.13
160 10.41
180 10.66
200 10.89
220 11.1
240 11.29
260 11.47
280 11.65
300 11.81
320 11.96
340 12.11
Para n moderado, k debe restringirse a no sobrepasar n/5.
3
Adems de lo anterior, deben escogerse los lmites que contengan los valores mximos y
mnimos en cuestin, con base en un rango ampliado, cuya diferencia se reparte en ambos
extremos.
3.4.3 Error sistemtico debido al agrupamiento. (Loetsch et al, 1973) resaltan el efecto
de tomar la marca de clase como su dimetro representativo, lo que conduce a un error
sistemtico causado por no coincidir ni con la media ni con el dimetro del rbol de rea
basal medio.
Figura 3.21 Diferencia entre los diferentes elementos diamtricos de clase.
En la Figura 3.21, adaptada del mismo autor, se representan tres intervalos de clase, una
distribucin creciente, una rectangular y otra decreciente. Esta ltima, permite apreciar que el
dimetro promedio de la clase j es menor que el dimetro de rea basal media dg j y ambos
a su vez menores que la marca de clase d j . El rea basal de la clase se deriva
generalmente con base en el dimetro marca de clase:

Gj n j d 2j 3.39
4
con nj: rboles en la la clase j y dj: marca de clase. Este valor resulta errneo por cuanto la
verdadera rea basal de la clase se obtiene por:

nj nj
G j gij d 2
ij 3.40
n j d gj2
i 1 4 4i 1
en que g ij : rea basal del rbol i de la clase j, d ij : dimetro del rbol i de la clase j, d g j :
dimetro correspondiente al rea basal promedia de la clase j, obtenido como:
nj
d 2
ij
dg j i 1
3.41
nj
El error sistemtico debido al agrupamiento en clases es entonces:

Egj Gj G j n j d 2j d gj2 3.42
4
Esta diferencia d j dg j entre el dimetro del centro de la clase y el dimetro del rea basal
media puede estimarse en dos fases:
1) Determinacin de la diferencia entre dj y la media aritmtica de la clase:
j = d j - d j 3.43
4
2) Determinacin de la diferencia entre la media aritmtica de la marca de clase d j y el
dimetro del rea basal media de clase d g j . Estas diferencias se basan en las del clculo
para centros de gravedad, por integracin de dimetros cuadrados. Con respecto a 1), es
posible su obtencin as:
w* nj
ji = 3.44
6* n j
siendo el significado de n j el que se aprecia en Figura 3.21c, el cual es positivo por lo que
d j es menor que d j y j es positivo, w es el ancho de la clase y nj el nmero de rboles
de dicha clase. Cuando ambos dimetros sean idnticos entonces n j = 0, pero si la
distribucin es creciente j asume un valor negativo pues n j lo es y el dimetro medio
aritmtico tambin ser mayor que el de la marca de clase.
Si la distribucin puede ser matemticamente definida, tambin es posible derivar la

diferencia j funcionalmente. Por ejemplo para una decreciente lineal se podra obtener
como:
w2
j=d j d j cons tan te 3.45
12
Con respecto a la fase 2), el dimetro del rea basal media de la clase ser:
w2
d gj = d j2 + 3.46
12
3.4.4 Clculos para obtener los dimetros corregidos. El j se halla de la ecuacin
(3.44) y
d j=d j j 3.47 .
El n j , el decremento fraccional del nmero de rboles, se calcula con las expresiones:
( n j1 n j+1 )
nj = 3.48
4
para todas las clases, excepto para la primera y la ltima, donde:
n1 n2 nk
n1 ; y nk 3.49 ;
2 2
al considerar k clases diamtricas (k = 5, 9, 15, ...).
Estas relaciones para calcular los dimetros corregidos, se han resumido con las siguientes
expresiones:
5
w* ( n j-1 n j+1 )
d *j = d j
, para j = (2, k - 1)
24* n j
w( n 1 - n 2 )
d1* = d 1 , para la primera clase 3.50
12* n 1
w
d k* = d k , para la ultima clase
12

Obtenidos los dimetros corregidos ( d j ), las frmulas para la media y la varianza son:
2
k
d j n j

k

j 1
k
n j d gj
2
k
d n
*
j j
j 1
nj
d=
j=1
k
; 2 k
j 1
3.51
n j1
j n
j 1
j
para lo cual los dimetros de rea basal media se obtienen por (3.46).
3.4.5 Comparacin de distribuciones. Las distribuciones diamtricas se vuelven
indicadoras de gran utilidad para predecir o estimar aspectos estructurales del mismo
bosque o de varios entre s, (fundamentalmente su estado actual y su desarrollo) y con
buena experiencia, inferencias de manejo y situaciones silviculturales). A manera de ejemplo
se presentan los datos obtenidos en un rodal de eucalipto agrupados como muestran la
Tabla 3.1 y la Figura 3.22. Para efectos de comparacin de distribuciones se acostumbra el
uso de intervalos de clase, iguales y coincidentes pero dependiendo de los objetivos de la
investigacin se podra acudir a intervalos diferentes, para lo cual ser preciso hacer
transformaciones a clases iguales.
Figura 3.22. Distribuciones de frecuencia absoluta y acumulada de la tabla 27
El clculo de ajuste de distribuciones no censuradas se obtiene: variable: DIAM, 65 valores

agrupados entre 15,0 a 85,0, media = 48,24, desviacin estndar = 16,3083.
6
En R, el contraste de Shapiro Wilks
shapiro.test(Frdap)
Shapiro-Wilk normality test
data: Frdap
W = 0.90879, p-value = 0.3075
qqnorm(Frdap,pch=16)
qqline(Frdap,col=2)
plot(mdap,Frdap,"b",pch=16)
Normal Q-Q Plot
15
15
Sample Quantiles
10
10
Frdap
5
5
0
0
20 40 60 80 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
mdap Theoretical Quantiles
Prueba de bondad de ajuste de Kolmogorov-Smirnov

Normal
DPLUS 0,163136
DMINUS 0,100906
DN 0,163136
P-Value 0,062876
en las cuales, puesto que el p-value ms pequeo entre todos fue > 0,05, no se puede
rechazar la idea que la variable DIAM provenga de una Distribucin Normal con un 95% de
confianza. Figura 3.23.
Existen varios tipos de distribuciones desde las puras matemticas hasta las grficas,
simuladas, crecientes, decrecientes, bi o polinomiales, y muchas ms.
Figura 3.23. Ajuste diamtrico de datos de Eucalipto.
7
TABLA 3.1. Ejemplo de datos y ajustes de Eucalipto para distribuciones diamtricas
INT CL MARCL=M FRECAB=FA M*FA FA*DES^2 z prob(z) frecabacest faest para chi2
20 <30 25 7 175 3727.811 -1.223 0.111 7.195 7.195 0.005
30 <40 35 14 490 2394.083 -0.546 0.292 19.006 11.811 0.406
40 <50 45 17 765 160.947 0.130 0.552 35.864 16.858 0.001
50 <60 55 13 715 623.077 0.807 0.790 51.353 15.489 0.400
60 <70 65 7 455 2004.734 1.483 0.931 60.513 9.160 0.509
70 <80 75 7 525 5073.964 2.160 0.985 63.999 3.486 3.544
chi2
sumas 65 3125 13984.615 0.781 4.865
cal
media 48.077 var 218.510 des est 14.782 chi2 tab 9.348
Coinciden las pruebas con la 2 de bondad de ajuste al no rechazar la Ho de que es una

normal, ya que la chi calculada no supera la tabulada. En R:
euc
dap frab
1 25 7
2 35 14
3 45 17
4 55 13
5 65 7
6 75 7
su<-sum(frab)
su
[1] 65
medp<-dap%*%frab/su
medp
[,1]
[1,] 48.07692
varp<-sum(frab*(dap-medp)^2/(su-1))
varp
[1] 218.5096
desp<-sqrt(varp)
desp
[1] 14.78207
z<-(dap+5-medp)/desp#debe hacerse con el lmite superior de clase

z
[1] -1.2228952 -0.5464000 0.1300952 0.8065904 1.4830856 2.1595809
probz<-pnorm(z)
probz
[1] 0.1106846 0.2923955 0.5517545 0.7900488 0.9309742 0.9845974
faes<-probz*su
faes
[1] 7.194502 19.005708 35.864040 51.353169 60.513321 63.998833
faesx<-function(x){
n<- length(x)
fres<- numeric(n)
for (i in 1:n){
fres[i]<- x[i+1]-x[i]
}
result <- c(x[1],fres)
return(result)
}
fre<-faesx(faes)
fre
[1] 7.194502 11.811207 16.858331 15.489129 9.160152 3.485512 NA
pchi<-(f-fre)^2/fre
chi2c<-sum(pchi,na.rm=T)
chi2c
8
[1] 4.865185
qchisq(0.975,3)
[1] 9.348404
R
Resultado similar al obtenido en EXCELL.
Estimacin MLE. Clculo de parmetros y frecuencias estimadas MV.
El mtodo de MV se hizo para estimar los parmetros de la distribucin de probabilidad de

una variable aleatoria X a partir de una muestra aleatoria simple de ella misma. Si es el
vector de parmetros de la distribucin y f ( x | ) su funcin de densidad, el MLE dada la
n
muestra {x1,x2,,xn} es el valor que maximiza el log verosimilitud: log f ( xi | ) .
i 1
R posee procesos de optimizacin para funciones e implementadas varias de ellas, en la
librera MASS con lo cual para la MLE bastara con hacer log-L a partir de la funcin de
densidad, los datos, y optimizarla. Por ejemplo, si X sigue una distribucin dada con
parmetros a y b, se puede correr una funcin como la siguiente para calcular la
verosimilitud logartmica como:
logver=function(params,x) {
a=params[1]
b=params[2]
lv=sum(log(dfunction(x, a, b)))
return(lv)
}
La anterior puede maximizarse mediante la funcin optim(); con unos valores de partida de los
parmetros; (calculados por momentos o, algunas veces a partir de la aproximacin (a, b)=(1,1)
arbitraria, como se mostrar al estudiar la funcin Weibull.
Nota: El proceso requiere de los datos crudos o sea sin agrupamiento. Para el ejemplo del
eucalipto los construiremos en un dataframe que llamaremos dicru.
library(MASS)
dicru<-data.frame(d=c(rep(25,7),rep(35,14),rep(45,17),rep(55,13),rep(65,7),rep(75,4),rep(85,3))
)
str(dicru)
'data.frame': 65 obs. of 1 variable:
$ d: num 25 25 25 25 25 25 25 35 35 35 ...
euc.normv<-fitdistr(dicru$d,"normal")
euc.normv
mean sd
48.538462 15.633373
( 1.939081) ( 1.371138)
Valores observados y estimados.
hist(dicru$d,breaks=6,freq=F,main="Distribucion diametrica, Normal MVE", xlab="dap",

ylab="Frecuencias",col="gray")
lines(200:800/10,dnorm(200:800/10,mu,sd),col="red")#no se ve muy alejada de lo observado
9
Distribucion diametrica, Normal MVE
0.025
0.020
0.015
Frecuencias
0.010
0.005
0.000
20 30 40 50 60 70 80 90
dap
3.4.6 Distribuciones unimodales. Son caractersticas de poblaciones evaluadas bajo un

cierto parmetro homogneo, especialmente la edad. Un rodal coetneo tiende a la
unimodalidad. En trminos generales esta condicin es seal de una regeneracin en ciclos
y no en forma continua, aunque se dan situaciones cambiantes de la distribucin en la vida
del rodal hasta presentarse condiciones de equilibrio como sucede en etapas de cultivo en
las cuales los dimetros se agrupan ms aleatoriamente alrededor de la media, pero pronto
factores estimulantes positivos o negativos del crecimiento como suelo, micrositio,
enfermedades y plagas, disturban el balance y se dan renuevos de mejores dimetros con
ventajas aleatorias para alcanzar un incremento sistemtico y producir una curva sesgada a
la izquierda. Luego aparece la competencia y se acenta el sesgo hasta el grado mximo de
asimetra.
En rodales viejos, o por aclareos, el nmero de individuos desaparece por mortalidad hasta
otro mximo, al hacerlo tambin los suprimidos, dejando dimetros mayores, hasta que las
posibilidades de crecimiento tienden a igualarse y se reduce la asimetra. La forma de
distribuciones cambia entonces con el tipo e intensidad de los manejos, especialmente las
cortas lo que da lugar a diversas configuraciones unimodales (Loetsch et al., 1964) (Figura
3.24).
3.4.6.1 Caracterizacin de las distribuciones unimodales. Como patrn de comparacin

de las distribuciones unimodales se acude a la normal ya que esta queda inequvocamente
definida por la media, y la varianza. Media, mediana y moda coinciden en ella. Al romperse
esta coincidencia aparecen la asimetra y la kurtosis.
Figura 3.24. Comparacin de distribuciones unimodales con la normal, asimetra y

sesgos.
10
Asimetra de una distribucin. La asimetra refleja la forma geomtrica de la funcin de
densidad. Por convencin, cuando la mediana (M) se localiza a la izquierda de la media ()
se dice que la distribucin es sesgada a la izquierda, o que es asimtrica positiva, Figura
3.24. Asimetra negativa o sesgada a la derecha cuando M se coloca a la derecha de ,
otros autores lo expresan al contrario y es importante especificar el sentido. Como a veces
no resulta fcil apreciarlo se acude a la estadstica, con base en los momentos de orden
superior de la distribucin definidos por mk
N
X
k
i
mk =
i=1
3.53
N
m denota el momento central y k el orden. Se acostumbran dos tipos de estimaciones, el r1 y
el Coeficiente de Pearson definidas como:
3 X Me
r1=
m3
, CP = 3.54
3 s
en que Me y s son la mediana y la desviacin estndar. Si r1 = 0 la distribucin es simtrica;
si r1 < 0 negativa asimtrica y, si r1 > 0 positiva asimtrica. r1 vara as: -1 r1 +1. Para el
ejemplo de la Tabla 3.1: X = 48,231, s = 16,308, y Me = 42,2, r1 = 0,314 lo que no conduce
a grandes desviaciones con respecto a la normal. Con R obtuvimos:
mom3<-sum(f*(d-mu)^3)/65
> mom3
[1] 1201.784
> r1<-mom3/(sd^3)
> r1
sd
0.3145346
cp<-3*(mu-median(dicru$d))/sd
> cp
mean
0.6790207
El CP, tiene en cuenta que la mediana es insensible a los cambios de los valores de los
extremos, cuando la media es arrastrada fcilmente en la direccin de la asimetra. Este
coeficiente se interpreta como r1. Para efectos prcticos una curva con r1 entre 0,37 se
puede considerar simtrica, el CP es mucho ms estricto y oscila as: -1 simetra +1.
Kurtosis. Refleja el grado de empinamiento de la curva y evala el exceso o defecto por

encima de la media terica. Si la curva presenta un defecto, por aplanamiento con respecto
a un patrn normal llamado mesocrtico se llama platicrtica (plati = plano). Si la curva
resulta ms puntiaguda que la normal, se llama leptocrtica (leptos = aguja) la cual tiene
como patrn un valor estandarizado aproximado de 3. La curtosis se evala con:
m4
r2= 3 3.55
4
Tiene exceso positivo si r2 > 0 y negativo si r2 < 0 y vara asi: -1 r2 +1. Para el ejemplo r2
= -0,21 (platicrtica). Si las clases se escogen muy amplias y los datos se someten a fuerte
redondeo, los ndices de asimetra y curtosis pueden dar valores falsos por signo y magnitud,
en cuyo caso es bueno trabajar entre 15 y 20 clases (Loetsch et al, 1973). Con datos de R
MV
mom4<-sum(f*(d-mu)^4)/65
> mom4
11
[1] 189823.4
> r2<-(mom4/(sd^4))-3
> r2
sd
0.1778903
Sin mucho alejamiento de la estructura normal. Para probarlo se hace la prueba de bondad
de ajuste de la chi2
su<-sum(f)
su
[1] 65
pno<-pnorm(d,mu,sd)#probabilidades acumuladas
pno
[1] 0.01596396 0.06607793 0.19324578 0.41046840 0.66031280 0.85382358
[7] 0.95473717 0.99015724
faes<-su*pno#calculo de las frecuencias acumuladas esperadas bajo normalidad

faes
[1] 1.037657 4.295065 12.560976 26.680446 42.920332 55.498533 62.057916
[8] 64.360221
faesx<-function(x){
n<- length(x)
fres<- numeric(n)
for (i in 1:n){
}
return(result)
}
fres<-faesx(faes)
pchi<-(f-fres)^2/fres#numerador de la prueba chi2
chi2c
[1] 10.72039
qchisq(0.975,6) #chi tabulado con (k-p-1)
[1] 14.44938
Efectivamente se comportan los datos crudos como una normal.
3.4.7 Distribuciones multimodales. Ocurren tanto para rodales simples como para grandes
reas, pudiendo indicar presencia de poblaciones mezcladas, aunque estas no sean
necesariamente multimodales. Entre las causas reportadas por (Loetsch et al, 1974) estn:
la mezcla de especies de diferentes ritmos de crecimiento, diferencias de edad, competencia
entre individuos que permiten formar doseles primario y secundario, excesivas cortas en
ciertas clases diamtricas para satisfacer demandas especficas y condiciones de sitio
extremadamente diferentes. No hay mucha claridad en el criterio de la multimodalidad, pero
el manejo de las aparentes subpoblaciones puede eliminarse al separarlas en poblaciones
normales con su propia estructura, historia silvicultural y dinamismo.
3.5 Funciones de distribucin.
Tan importante como calcular los parmetros que las caracterizan, con respecto a la normal,
es conocer la funcin matemtica que describa la distribucin, pues es posible llegar a definir
por ecuaciones el desarrollo de las distribuciones diamtricas con el incremento de la edad
por medio de los modelos reales o simulados (Loetsch et al., 1964).
12
3.5.1 Distribucin Gamma .
La distribucin gamma toma su nombre de la funcin gamma de Euler, de forma:
= 0 x 1e x dx , para > 0; x 0 3.56

al integrarla por partes con

x 1 ; dv e X dx 3.57
se llega al resultado que permite evaluarla:
= 1 0 x 2e x dx = 1 1 3.58

de tal forma que:

n n 1 n 2 1 n 1! 3.59 ,
para n = entero positivo. Adems,
12 3.60
La distribucin gamma se considera especial para describir variables aleatorias limitadas
en un extremo o que varan en un intervalo dado. Su funcin de densidad est dada en
dos versiones a y b, por:
( 1) x
a ) x e , x 0; 0, 0;

x
1
f X ; , b) ( 1)
x e , x 0; 0, 0;

3.61

0 en otros casos.

Las grficas de las Figuras (3.24) muestran los cambios sufridos por la funcin al cambiar
los parmetros de forma y/o de escala, dejando constante el otro.
Figura 3.25 Diversas funciones gamma con cambios de forma a) y escala b).
Se obtiene una gran variedad de formas: en general si 1 la curva es singular,

decreciente, y cuando 1 con un punto de mxima en x n 1 . Al variar no
cambia la forma de la distribucin, pero si su escala, por eso se conoce a como
parmetro de forma y a como de escala.
13
Esta distribucin es apropiada para modelar el tiempo requerido para que un total de
exactamente eventos independientes tengan lugar si ellos ocurren a una rata
constante . Esto sugiere numerosas aplicaciones, por ejemplo si un conjunto de
elementos se ordenan en lotes de tamao y una demanda para las partes individuales
surge independientemente a una rata constante por semana. El tiempo entre los
agotamientos de los lotes se comporta como una variada gamma.
Igual podra adaptarse al comportamiento diamtrico de rboles ordenados en grupos de

tamao en que se cambia su frecuencia tan pronto se alcancen ciertos valores del DAP
y esto ocurriera a una rata constante . Muchos fenmenos como el anterior no pueden
justificarse tericamente como variadas gamma, pero si adaptarse o sustentarse
empricamente por este modelo, si se validan con pruebas de ajuste, manteniendo
constante la forma.
La gamma se usa frecuentemente en anlisis bayesiano, como un modelo previo para

descubrir la incertidumbre inicial concerniente a la rata de ocurrencia de algn proceso,
como el trnsito de un rbol de una a otra categora diamtrica.
3.5.1.1 Funcin de distribucin acumulada. Esta se da, para la versin a) por la

funcin:
x 1 t
F X x F X ; , 3.62
0
t e dt ; x0
conocida como funcin gamma incompleta, tabulada por ejemplo en (Harter, 1964) y
(Pearson, 1957), las cuales requieren los clculos de los valores:
x
y p 1 3.63

en los cuales es el transformado de x, que se introduce en I , p de las tablas o en
algn programa estadstico, como se ver luego, y arrojan la probabilidad de que un valor
aleatorio de una con parmetros y tome un valor de X x , o sea que constituye
la probabilidad acumulada F X ; , .
Por ejemplo, una lancha maderera cruza un ro tan pronto es cargada con 9 rastras de
madera. Durante cierto tiempo, el promedio de rastras, transportado por mulas, llegado por
hora al embarcadero es de 6. Calcular la probabilidad de que el tiempo entre dos embarques
consecutivos sea menor a una hora. De acuerdo con la definicin dada, entonces, el tiempo
entre las salidas de la lancha es una variada gamma, con 9 y = 6, entonces, con
6 1 9 = 6/3 = 2.0, y p 1= 8 , se trata de encontrar (3.62), o F X 1 , que
coincide con I(2.0, 8) = F(1, 9, 6)= 0.153, una baja probabilidad de que que el tiempo entre
dos embarques consecutivos sea menor a una hora. Esto mismo se puede facilitar en
paquetes estadsticos. Por ejemplo en Excel como usa la versin b) de la ecuacin (3.61 o
3.64) se acude a la F(1, 9, 1/6): Con la distribucin gamma acumulativa del EXCEL en
funcin gamma se llega al mismo resultado, pero tener la precaucin, de trabajar scale=1/B
constante, en este caso escala =1/6
14
X alfa beta escala proac
0 9 6 0.167 0
1 9 6 0.167 0.152
2 9 6 0.167 0.843
3.5.1.2 Parmetros y aproximacin a la normal de la distribucin gamma. Desde la

formulacin de la distribucin gamma como un modelo para el tiempo requerido para que
exactamente eventos sucedan asumiendo una rata constante , se puede usar el
teorema del lmite central para ver la aproximacin de la gamma a medida que se
incrementa. Con conceptos de esperanza se tienen para ambas versiones a) y b):

a) E X ; 2 X 2 ; b) E X X , 2 X 2 3.64

ser una variable estandarizada normal cuando sea grande, por ello
2
2
z

exp dz 3.65
1
F 1; ; 2 2

2 2

, es Z
x / ;

La estandarizada para grandes valores de en el
/
1 9 / 6
ejemplo: z 1 Pr 0.159 .
9/6
La versin b) es la usada en el EXCEL para los clculos de probabilidad. En R:
pgamma(q, shape, rate = 1, scale = 1/rate, lower.tail = TRUE, log.p = FALSE)#si se da

rate, no se da scale y viceversa
probz<-pnorm(z)
[1] 0.1527625
3.5.1.3 Estimacin de los parmetros. Frecuentemente uno o ambos parmetros deben

ser estimados para datos observados. La mejor estimacin es la de mxima verosimilitud,
pero para muchos de los problemas, como los abordados en la dasometra, es suficiente
el mtodo de los momentos:
n
x (n 1) x

xi

n
2 o tambin (n 1) i 1
2 3.66

s n x2 x
n n
( xi x ) 2
i i
i 1
i 1
i 1
El estimado de:
15
x 2 (n 1) x2
n
x 3.67
s2
(x x )
i 1
i
2
En muchas aplicaciones es conocido por experiencia y solo se precisa estimar . Para

la opcin b) trabajar con (364).
A menudo los valores exactos de todos los datos, ms all de un lmite, son
desconocidos, porque no se midieron o fueron removidos de la muestra. Tales muestras
se conocen como censuradas y tienen formas especiales de estimacin (Wilk, et. al,
1962). No deben confundirse con las funciones truncadas, las cuales terminaron en el
punto de truncamiento, y no existen muestras ms all de este. En las censuradas
existen, pero se desconocen.
Ejemplo ajustar con EXCEL la distribucin gamma a estos datos

.
mdap Frdap yxfr fr(y-m)^2 probgam Frdapac Frdapest parchi2
5 0 0 0 0 0 0
15 2 30 2208.57 0 0.18 0.18 18.36
25 5 125 2698.34 0.05 3.33 3.15 1.09
35 14 490 2450.75 0.22 14.07 10.74 0.99
45 17 765 177.44 0.46 30.19 16.13 0.05
55 13 715 595.69 0.69 45.15 14.95 0.26
65 7 455 1968.45 0.85 55.28 10.14 0.97
75 4 300 2866.37 0.94 60.81 5.52 0.42
85 3 255 4055.93 0.97 63.37 2.56 0.08
65 3135 17021.5 chi2 calc 22.21
media 48.23 chi2t 12.59
var 266 rechazo Ho
alfa 8.75
beta 5.51
3.5.1.4 Forma generalizada de la distribucin gamma. Una variada gamma se asume

que toma valores entre 0 e . Sin embargo es posible definirla tambin a partir de un
valor particular, por ejemplo entre a e , lo que posibilita la gamma triparamtrica:

( x a)( 1) e ( x a ) , x a; a 0; 0; 0;
f ( X ; , , a ) 3.68
0 en otros casos.

cuya funcin de distribucin acumulativa puede obtenerse haciendo x x a y
proceder como si fuera la gamma biparamtrica.
3.5.1.5 Casos especiales de la funcin gamma. En la definicin y frmula (3.56),

0 , y adems por la definicin del tiempo requerido para que eventos ocurran,
implica que esta debiera ser entero positivo. Cuando esto se asume, la funcin gamma
se conoce como la distribucin de ERLANG, muy til en la teora de colas.
La funcin 2 es un caso especial de la gamma, cuando = 1/2 y es mltiplo de 1/2
quedando entonces como nico parmetro el entero 2 , referido como sus grados de
16
libertad. La aplicacin de esta distribucin surge del escenario en que la suma de
cuadrados de observaciones de una distribucin normal estandarizada tiene una
distribucin 2 con grados de libertad, o o sea coincide con 2 Z12 Z 22 Zr2 .
Se va a usar como archivo de prueba la siguiente informacin salida de un bosque
tropical, recompuesto para evitar menos de 5 individuos por clase.
:
cladia frobs cladia frobs
35 2634 35 2634
45 1281 45 1281
55 518 55 518
65 240 65 240
75 93 75 93
85 50 85 50
95 25 95 25
105 12 105 12
115 7 115 11
125 4
Para nuestro caso, segn el mtodo de los momentos (3.67)
x 1
2 X 2 2 0.2923; x 43.18462*0.2923 12.63; scale
X
3.5.1.6 Clculo de parmetros y frecuencias estimadas. En R, una vez recompuesto los
datos y el uso de scale, segunda tabla anterior se ajusta por momentos as:
bona<-read.table("clipboard")
> attach(bona)
> names(bona)
[1] "dap" "lisup" "frob"
> su<-sum(frob)
> su
[1] 4864
> medp<-dap%*%frob/su
> medp
[,1]
[1,] 43.18462
> varp<-sum(frob*(dap-medp)^2/(su-1))
> varp
[1] 147.7422
> desp<-sqrt(varp)
> desp
[1] 12.15492
beta<-medp/varp
beta
[,1]
[1,] 0.2922972
escala<-1/beta
escala
[,1]
[1,] 3.421176
alfa<-beta*medp
alfa
[,1]
[1,] 12.62274
probg<-pgamma(dap+5, 12.62274,scale = 3.421176, lower.tail = TRUE, log.p =
FALSE)#calculo de probabilidades gamma
probg<-pgamma(dap+5, alfa, scale = escala, lower.tail = TRUE, log.p = FALSE)
17
> probg
[1] 0.4308713 0.7345026 0.9078093 0.9747670 0.9942869 0.9988895 0.9998094
[8] 0.9999705 0.9999958
faes<-probg*su
faesx<-function(x){
n<- length(x)
fres<- numeric(n)
for (i in 1:n){
}
return(result)
}
frest<-faesx(faes)
[1] 2095.76 1476.86 842.96 325.68 94.95 22.39 4.47 0.78 0.12
Como se ve en la tabla 3.2 el ajuste no sera bueno, por lo cual no se intenta siquiera la
prueba de chi^2.
Tabla 3.2. Ajuste de los datos presentados con la funcin gamma.
dap lisup frob frest parachi2

35.00 40.00 2634.00 2095.80 138
45.00 50.00 1281.00 1476.90 26
55.00 60.00 518.00 843.00 125
65.00 70.00 240.00 325.70 23
75.00 80.00 93.00 94.95 0
85.00 90.00 50.00 22.39 34
95.00 100.00 25.00 4.47 94
105.00 110.00 12.00 0.78 161
115.00 120.00 11.00 0.12 986
Estimados MLE
> attach(bona)
> names(bona)
[1] "d" "f"
bn.d<-data.frame(d=c(rep(35,2634),rep(45,1281),rep(55,518),rep(65,240),rep(75,93), rep(85,50),
rep(95,25), rep(105,12), rep(115,7),rep(125,4)) )
> gammv<-fitdistr(bn.d$d,"gamma")
> gammv
shape rate
16.207792700 0.375242689
( 0.325304002) ( 0.007649045)
hist(bn.d$d, breaks=11,freq=FALSE,main="Distribucion Gamma Diamtrica

MV",xlab="Dap",ylab="Densidad",col="gray")
lines(350:1250/10,dgamma(350:1250/10,ash,brat),col="red")
#350:1250 crea los nmeros de 35 a 125, al dividirlos por 10 aparecen nmeros de 35 a 125 a
intervalos de longitud 0.1
Prueba de bondad de ajuste de los estimados MLE del bona
ash<-gammv$estimate[1]
brat<-gammv$estimate[2]
prga
[1] 0.2315410 0.5982353 0.8632178 0.9675166 0.9942126 0.9991800 0.9999034
[8] 0.9999902 0.9999991 0.9999999
18
su<-sum(bona$f)
faes<-su*prga
> faes
[1] 1126.216 2909.817 4198.691 4706.001 4835.850 4860.011 4863.530 4863.952
[9] 4863.996 4864.000
faesx<-function(x){
+ n<- length(x)
+ fres<- numeric(n)
+ for (i in 1:n){
+ fres[i]<- x[i+1]-x[i]
+ }
+ result <- c(x[1],fres)
+ return(result)
+ }
> fre<-faesx(faes)
fre
[1] 1.126216e+03 1.783601e+03 1.288875e+03 5.073091e+02 1.298497e+02
[6] 2.416118e+01 3.518805e+00 4.221971e-01 4.329900e-02 3.900793e-03
pchi<-(f-fre)^2/fre
chi2c
[1] 8460.333
Distribucion Gamma Diamtrica MV
0.05
0.04
0.03
Densidad
0.02
0.01
0.00
40 60 80 100 120
Dap
3.5.2 Distribucin Beta, (). Otra distribucin importante es la de Euler que, por su
simpleza y la cantidad de formas que puede asumir, resulta muy adaptable a la mayora de
las distribuciones diamtricas as como para representar variables fsicas en intervalos de
longitud finita (Canavos, 1987).
Se dice que una variable aleatoria X posee una distribucin beta si su funcin de densidad
de probabilidades se da por la ecuacin:

x 1 x ,
1 1

f x, , 3.69
0 x 1; , 0;
0, para cualquier otro valor de x

Los valores y son parmetros de forma y sus cambios producen diversos perfiles:
- si < 1 y < 1 la funcin tiene forma de U,
- si < 1 y 1 se comporta como una J inversa,
- si 1 y < 1 el perfil es una J,
- cuando y >1 ambos, la funcin es unimodal con un punto de mxima en
19
1
x 3.70 .
2
- cuando = la distribucin es simtrica. El nombre proviene de su asociacin con la
funcin beta definida como:
1
f , x 1 1 x 3.71
1
dx
0
relacionada con la gamma por la expresin:

, = 3.72 .
+
3.5.2.1 Funcin de distribucin acumulativa. Se define por:
0 para x 0

x 1
P X x F x, , 1 t dt ;0 x 1; 3.73
1
t

0
1 para x 1

Conocida como funcin beta incompleta, tabulada entre otros por (Pearson, 1948) quien le
define criterios para su uso (est en muchos paquetes estadsticos), para condiciones
similares. Cuando la suma de y es relativamente grande, la ecuacin (3.73) se puede
aproximar de manera adecuada por la diferencia de dos funciones de distribucin
normalizadas con correcciones para continuidad, as:
F x, , Fn Z ; 0, 1 Fn Z ; 0, 1 3.74
en que:
0.5 11 x ; 11 x 0.5 3.75
Zu Z
1 x 1 x 1 x 1 x
y denota el entero ms grande que no exceda a , descritas por la funcin beta.
3.5.2.2 Clculos para la estimacin de los parmetros. Los estimadores mximo

verosmiles de la beta son ideales pero, para distribuciones diamtricas, basta el mtodo de
los momentos con una pequea prdida de precisin, basado en las siguientes ecuaciones:
1 x x 1 x s 2 ; x
3.76
s2 1 x
y, para mejorar su estimacin se recomienda agrupar los dimetros en clases y reajustar los
lmites a y b, primero y ltimo de la distribucin ajustada as:
w w
a = x1 - ; b = xk + 3.77 ,
2 2
x1 = marca de clase de la primera clase diamtrica; xk = marca de clase de la ltima clase
diamtrica, w = amplitud de clase. Como generalmente las ltimas clases resultan
subestimadas por las distribuciones , se recomienda una expansin del lmite superior para
b, as: b = b + (b-a)/4 como mximo.
3.5.2.2.1
3.5.2.2.2 Comparacin del modelo estimado con los datos observados.
20
Es posible una representacin grfica simultnea de la distribucin de frecuencias observadas
y las estimadas. El cdigo para la grfica observada es el siguiente:
hist(Datos$variable, breaks= k, freq=TRUE, main=Titulo", xlab=Eje X, ylab="Frecuencias")
Y se complementa con
lines(opciones segn modelo ajustado)
Estos mtodos se basan todas las observaciones crudas. Para verlo se usar el archivo de
bosque natural ya propuesto, luego de bajar la librera MASS.
bona
d f
1 35 2634
2 45 1281
3 55 518
4 65 240
5 75 93
6 85 50
7 95 25
8 105 12
9 115 7
10 125 4
Se crea el vector con todas las observaciones crudas, as
bn.d<-data.frame(d=c(rep(35,2634),rep(45,1281),rep(55,518),rep(65,240),rep(75,93),
rep(85,50), rep(95,25), rep(105,12), rep(115,7),rep(125,4)) )
str(bn.d)#verificar el tamao total

$ d: num 35 35 35 35 35 35 35 35 35 35 ...
library(MASS)
gammv<-fitdistr(bn.d$d,"gamma")
gammv
shape rate
16.207792700 0.375242689
( 0.325304002) ( 0.007649045)
a<-gammv$estimate[1]
>a
shape
16.20779
> b<-gammv$estimate[2]
>b
rate
0.3752427
hist(bn.d$d, breaks=11,freq=FALSE, main = "Distribucion Gamma Diamtrica MV",xlab="Dap",
ylab = "Densidad", col="gray")
21
lines(350:1250/10,dgamma(350:1250/10,a,b),col="red")
#350:1250 crea los nmeros de 35 a 125, al dividirlos por 10 aparecen nmeros de 35 a 125 a
intervalos de longitud 0.1
Distribucion Gamma Diamtrica MV
0.05
0.04
0.03
Densidad
0.02
0.01
0.00
40 60 80 100 120
Dap
3.5.2.3 Forma generalizada de la distribucin beta. Puede generalizarse una forma para
cubrir el intervalo (a, b) en vez del (0, 1) que define la ecuacin original, as:
1 x a
1
x a

f x , , , a , b a b b a 1 , a x b, , >0
b a 3.78

0, para cualquier otro valor de x
3.5.2.4 Probabilidades acumulativas. Las probabilidades acumulativas para la Beta

generalizada pueden obtenerse transformando una variable beta al intervalo (0, 1), haciendo:
x a 3.79
x
b a
y usando la forma biparamtrica en forma similar a lo visto con la gamma. En la Tabla 3.3,
Tomada de (Uribe, 1983), con base en datos de clases diamtricas y sus respectivas
frecuencias, se dan los pasos secuenciales para el ajuste de la beta con base en las
ecuaciones propuestas. Se deja constancia de la sensibilidad de estos ajustes, pues cualquier
cambio que se introduzca a la funcin dar resultados que difieren a veces notoriamente. Se
muestra el mejor de varios intentos. Para lograr las probabilidades beta acumuladas se trabaja
con los lmites superiores de clase. Los lmites de la distribucin quedaron definidos mediante
la ecuacin (371) y b con la correccin ya mencionada y sus estadsticos: media: 0,089,
varianza: 0,007, gamma: 10,02632, alfa: 0,97579.
Tabla 3.3. Elementos para el ajuste de la funcin beta con ayuda de programas.
li ls dap dapr ls frobs papr pavar probbe freac fres parchi2

30 40 35 0.033 0.067 2634 87.800 7.842 0.513 2495.081 2495.081 7.735
40 50 45 0.100 0.133 1281 128.100 0.188 0.773 3760.129 1265.049 0.201
50 60 55 0.167 0.200 518 86.333 3.214 0.900 4379.004 618.875 16.442
60 70 65 0.233 0.267 240 56.000 5.076 0.959 4665.381 286.377 7.511
70 80 75 0.300 0.333 93 27.900 4.184 0.985 4789.234 123.853 7.686
80 90 85 0.367 0.400 50 18.333 3.886 0.995 4838.594 49.360 0.008
90 100 95 0.433 0.467 25 10.833 2.983 0.998 4856.395 17.800 2.912
22
100 110 105 0.500 0.533 12 6.000 2.038 1.000 4862.061 5.667 7.078
110 120 115 0.567 0.600 11 6.233 2.521 1.000 4863.600 1.538 58.198
4864 427.533 31.932 107.771
media 0.0879 var 0.007 gamma 10.224 alfa 0.985
Se dan los pasos en EXCEL para su seguimiento
Distribucin beta pasa a paso Excel

cla dia cldiarel fre. Obs fixi fi(xi-xp)^2 lisucl prbeta frecac freest prbeta frecac freest
35 0,0336 2634 88,538 7,99 0,067 0,514 2498 2498 0,577 2808 2808
45 0,1008 1281 129,17 0,189 0,135 0,772 3757 1259 0,832 4047 1238
55 0,1681 518 87,059 3,264 0,202 0,900 4375 618 0,939 4566 520
65 0,2353 240 56,471 5,158 0,269 0,959 4663 287 0,980 4767 200
75 0,3025 93 28,134 4,252 0,336 0,984 4788 125 0,994 4836 69
85 0,3697 50 18,487 3,95 0,403 0,995 4838 50 0,999 4857 21
95 0,437 25 10,924 3,033 0,471 0,998 4856 18 1,000 4863 5
105 0,5042 12 6,05 2,072 0,538 1,000 4862 6 1,000 4864 1
115 0,5714 7 4 1,631 0,605 1,000 4864 2 1,000 4864 0
125 0,6387 4 2,555 1,21 0,672 1,000 4864 0 1,000 4864 0
sumas Sfixi = 431,4 S =32,749
clas dia = marca de clase, cldiarel = clase relativizada, fre. Obs = frecuencia observada, fixi = frec x clrel, S = suma
fi(xi-xp)^2 = desv pond al cuadrado, lisucl = limite sup de clase rel, prbeta = probabilidad beta, frecac = frec acum,
freest = frec estimada.
3.5.2.4.1 Ajuste, MV de la funcin beta R.

a<-30#limite inferior primera clase
> b<-130
> dre<-(d-a)/(b-a)#dimetros relativizados entre 0 y <1
> dre
[1] 0.05 0.15 0.25 0.35 0.45 0.55 0.65 0.75 0.85 0.95
inc<-(dre[1]+dre[2])/2
inc
[1] 0.1
bn1.d<-data.frame(d=c(rep(0.05,2634),rep(0.15,1281),rep(0.25,518),rep(0.35,240), rep(0.45,93),
rep(0.55,50),rep(0.65,25),rep(0.75,12),rep(0.85,7),rep(0.95,4)) )#datos crudos
str(bn1.d)#verificar el dataframe creado:

$ d: num 0.05 0.05 0.05 0.05 0.05 0.05 0.05 0.05 0.05 0.05 ...
Ajustar la beta diamtrica mximo verosmil:

betamv<-fitdistr(bn1.d$d,dbeta, start=list(shape1=1.03953, shape2=16.49235))
betamv
shape1 shape2
1.35505746 8.51005473
(0.02484974) (0.18193515)#errores estandar de estimacin.
> a<-betamv$estimate[1]
> b<-betamv$estimate[2]
a
shape1
1.355057
b
shape2
8.510055
23
Construccin del histograma,
hist(bn1.d$d, breaks=10,freq=FALSE,main="Distribucion Beta Diamtrica
MV",xlab="Dap",ylab="Densidad",col="gray")
lines(0.25:8.50/10,dbeta(0.25:8.5/10,1.355057,8.51005473),col="green")
Distribucion Beta Diamtrica MV
5
4
Densidad
3
2
1
0
0.0 0.2 0.4 0.6 0.8 1.0
Dap
3.5.2.5 Clculo de un smil eta por medio de la regresin lineal mltiple. Es posible
tambin un ajuste de una funcin similar a una por medio de la regresin lineal mltiple
linealizable como:
ln Y ln k ln x a ln b x 3.80
sometida a todas las pruebas ya estudiadas para evaluar los mejores estimados de sus
coeficientes y adems tiles, como valores de partida si se decide la bsqueda por la
regresin no lineal.
3.5.2.6 Casos especiales de la distribucin beta. Por su versatilidad, se presentan
algunos casos especiales para la distribucin beta. Figura 3.26.
3.5.2.6.1 La distribucin uniforme o rectangular. Surge cuando en la beta se hacen

1 , entonces:
1; 0 x 1;
f x; 1, 1 3.81
0, en otros casos
y al generalizarla en el intervalo (a, b):
1
1; a x b;
f x; a, b b a 3.82

0, en otros casos
La probabilidad que una variada uniformemente distribuida tome un valor en un intervalo (x 1,
x2) tal que x1 a; x2 b, es directamente proporcional a la longitud relativa del intervalo, o
sea:
1 x x
P x1 X x2 f x, a, b dx 3.83
x2 x2
x1 x1 ba
dx 2 1
ba
que, se constituye en un modelo apropiado para evaluar tiempos de ocurrencia de eventos
igualmente probables en cualquier tiempo durante un intervalo.
24
Figura 3.26. Algunos casos especiales de la distribucin beta.
Por ejemplo, en labores de aprovechamiento, al pie de un camino maderero es igualmente

probable que la madera sea recibida en cualquier momento x durante un perodo de 6 horas
(p. ej. entre las 10 am y las 4 pm) o sea entre las 10 y las 16 horas. Cul ser la
probabilidad de que llegue a las 11 am o durante la primera hora? Entonces:
f x; 10, 16 ; 10 x 16 f x; 0, 6
1 1 1 1

16 10 6 60 6
F 1; 0, 6
11
0 6
dx 0.166
3.5.2.6.2 La distribucin triangular recta y la distribucin parablica.
a) La distribucin triangular recta se obtiene cuando 2 y 1 = 1, Figura 3.26
(2) cuya
2 x; 0 x 1
f x; 2, 1 forma triangular 3.84
0
o haciendo 1 y 2 , Figura 3.26 (3) cuya:
2 1 x ; 0 x 1

f x; 1, 2 forma semitriangular 3.85

0
b) La distribucin parablica beta recta se obtiene cuando 2 y 2 , Figura 3.26 (4)
cuya:
6 x 1 x ; 0 x 1

f x; 2, 2 forma parablica 3.86

0
que puede usarse como una aproximacin simple a la normal. En la medida en que
conjuntamente 5 se asemeja cada vez ms a la normal, Figura 3.26 (5).
3.5.3 Distribucin binomial negativa. Surge de un escenario binomial cuando en una

secuencia de ensayos independientes con probabilidad de xito constante p, en lugar de
fijar el nmero de ensayos n en b(x; n, p) y encontrar el nmero de xitos x = k, se
continan los ensayos hasta lograr los k xitos, es decir, se busca la variable aleatoria que
representa un nmero de ensayos n para observar k xitos. El nmero de maneras distintas
en las que puedan observarse k 1 xitos en n 1 ensayos es:
25
n - 1
3.87 ;
k - 1
por lo que la probabilidad de tener k xitos en n ensayos cuando el ltimo sea un xito es:
n - 1 k
p(n; k, p) = p ( 1 - p)
(n - k)
3.88 ;
k - 1
conocida tambin como la distribucin de Pascal, (Canavos, 1987), en la cual al sustituir n
= X + K(R) en (3.88), se llega a la binomial negativa, en que x es el valor de una variable
aleatoria que representa el nmero de fracasos hasta que se llega de manera exacta a k
xitos, con R reemplazos para lograrlo. Es una distribucin discreta. Se llama binomial
negativa debido a que las probabilidades al hacer el reemplazo (R) anotado en (3.88)
corresponde a los trminos sucesivos de la expansin binomial de:
k
q p 3.89
Cuando k no es entero la funcin de probabilidad se puede escribir como:
(k + x) k x = 0, 1, 2....;
P X; k, p = x
p (1 - p ) 3.90
x! (k) k > 0; 0 p 1
La aplicacin primaria de esta distribucin no es ms que una alternativa para el modelo de
Poisson cuando la ocurrencia no es constante sobre el tiempo o el espacio, o se espera que
la frecuencia entre grupos no sea la misma. Por ejemplo en bosques disetneos, es ms
probable una alta frecuencia de dimetros menores que mayores, por lo cual no se toma la
binomial negativa en trminos del nmero de ensayos necesarios para alcanzar un
determinado nmero de xitos sino como el nmero de frecuencias por clase diamtrica
cuando las ocurrencias no son constantes. La literatura la presenta como un modelo
matemtico para el estudio de poblaciones de organismos regidos por leyes de contagio, en
las cuales las probabilidades de encontrar un individuo aumenta a medida que de antemano
se haya encontrado otro de ellos en un espacio dado. Puede expresarse de muy diversas
maneras, como la dada por (Robles y Carrillo, 1971) citado por (Gmez, 1984) para
interpretaciones biolgicas, as:
x k
(k + x) m k
3.91
(x + 1) (k) (k + m) (k + m)
P(X = x) =
en la cual P(X=x) es la posibilidad de obtener x organismos en una unidad de muestreo y

k la funcin gamma; m la media de los individuos por unidad de muestreo; k ndice de
agregacin que a medida que el contagio disminuye su valor aumenta llegando a una
Poisson. Adems si k > 8 se puede pensar en distribuciones al azar. La media y la varianza
de esta distribucin estn dadas por:
m + m > 2
E (X) = m; (X) =
2
E(X) 3.92
k
y su funcin generadora de momentos por:
k t
M x(t) = b ( 1 - ae )
-k
3.93 ,
m k
en la cual a y b .
km km
El mtodo de mxima verosimilitud para el valor de k es, segn (Gmez, 1984):
26
n + n +...+ n r n 2 + n 3 +...+ n r nr
N l n(k + x) - ln k = 1 2 + + ...+ 3.94
k k +1 k + r - 1
con ni, frecuencia observada con xi individuos (i = 1...r) y r = nmero mximo de individuos
encontrados en una unidad de muestreo, y:
r
1 r
n = ni ; X =
xi ni 3.95 ,
i 0 n i 0
n = nmero total de unidades observadas, X = media de individuos por unidad de
muestreo. El proceso, puede iniciarse con algn valor de k, obtenido antes, y se hacen
ajustes de comparacin aumentndolo o disminuyndolo, hasta que se satisfaga la
ecuacin anterior.
Ejemplo: Para estudiar la distribucin diamtrica de un rodal, luego de discretizar sus clases
se encontr el nmero de individuos por clase y por ha., primeras dos columnas Tabla 3.4
Encontrar el valor de k.
Tabla 3.4 Nmero de rboles por clase de un rodal y estimados
fi(Xri- para
Xrel rboles/ha fiXri prob Frest prob FresMV para chi
Xrp)^2 chi
0 70 0 92039 0,45 67,49 0,496 74366 0,093 0,256
1 38 38 0,817 0,26 39,03 0,252 37782 0,027 0,001
2 17 34 12379 0,14 20,96 0,128 19196 0,748 0,251
3 10 30 34348 0,07 10,97 0,065 9753 0,085 0,006
4 9 36 73274 0,04 5662 0,033 4955 1968 3302
5 3 15 44545 0,02 2,9 0,017 2517 0,003 0,093
6 2 12 47,11 0,01 1477 0,009 1279 0,185 0,406
7 1 7 34262 0,01 0,75 0,004 0,65 0,084 0,189
8 0 0 0 0 0,379 0,002 0,33 0,379 0,33
suma 150 172 338773 chi2 est 3572 4835
promedio 1147 k MV 1025
chi2
varianza 2274 q 1983 14067
tabla
k 1167 p 0,983
r 8
Con ellos se obtuvo: f i f i 150;
i 0 i 0
x 1.147; s 2 2.273 , con los cuales se
calcul con un valor de partida para k = 1.15, con lo cual:

38 + 17 + L + 0 17 + 10 L + 0 1 0
150 ln 1.15 + 1.147 - ln1.15 = + +L +
1.15 1.15 + 1 1.15 + 8 - 2 1.15 + 8 - 1
que no equilibra ambos lados. El valor que lo hace es aproximadamente 1.025.
(Prodan, 1968) presenta la binomial negativa como la expansin de (3.89), la cual puede ser
evaluada de acuerdo con el mtodo de los momentos as:
X
2
s = k.p.q = X * q = X * 1+ 3.96 ,
k
con lo cual:
X2 2
k= 2 ; q =
s
3.97
s -X X
27
y el clculo de las frecuencias surge la siguiente relacin general:
k + x - 1 x -(x + k) k + x - 1 ! X x
h x = p q = k
3.98
x! k - 1 ! q k + X
x
x
Haba sido ensayada con xito, propuesta por el autor, en condiciones de bosque
heterogneo con buen ajuste a (Giraldo y Ramrez), citados por (Duque y Builes, 1986), y
por ser una funcin discreta que solo responde a valores enteros, 0 a N, con
transformaciones de clases mediante:
M Ci - M Cnici
X ri = 3.99 ,
amplitud
en la cual M Ci = marca de clase i; M Cin ic = primera marca de clase, X ri = nueva marca de
clase relativa (i = 0...n), con los cuales se procede a la bsqueda de X r , sr2 y k r que son
los valores equivalentes en la nueva escala. Para el ejemplo analizado se encontraron los
valores de los relativizados as: X r = 0,8192, q = 1,8187, p = 0,81873, sr2 = 1,49 y kr =
1,0007, y con ellos las probabilidades de las X r obtenidas de la modificada propuesta por
(Prodan, 1968) as:
X r = 0 ; h(0) = q -k

X = 1; h( 1 ) = k.p.h(0)
r q
si 3.100

(k + x - 1 ) p.h(x - 1 )
X r = x ; h(x) =
x q
Para los datos de la Tabla 3.4 se estim la probabilidad con los valores de k dados por
(3.97) y la k mximo verosmil. Parece lograrse un buen ajuste, y adems se resalta que
se trata de una distribucin muy fcil de evaluar.
Estimacin mximo verosmil en R. Abrir la librera MASS.
> attach(bona)
> names(bona)
[1] "d" "f"
bn1.d<-data.frame(d=c(rep(35,2634), rep(45,1281), rep(55,518), rep(65,240), rep(75,93),
> binonegmv<-fitdistr(bn1.d$d, "negative binomial")
> binonegmv
size mu
23.1269368 43.1922969
( 0.6913315) ( 0.1595741)
a<-binonegmv$estimate[1]
> a
size
23.12694
mu<-binonegmv$estimate[2]
28
1 p a
El parmetro es la media = a ; p
p a
p<-a/(a+mu)
p
size
0.3487214
hist(bn1.d$d, breaks=11,freq=FALSE, main="Distribucion Binomial Negativa Diamtrica

MV", xlab="Dap", ylab="Densidad",col="gray")
lines(30:120,dnbinom(30:120,a,p),col="green")
Distribucion Binomial Negativa Diamtrica MV
0.05
0.04
0.03
Densidad
0.02
0.01
0.00
40 60 80 100 120
Dap
Prueba de bondad de ajuste. Existe un paquete (vcd) que tiene pruebas de bondad de
ajuste para algunas distribuciones, entre ellas la binomial negativa:
library(vcd)
bdajbinon <- goodfit(bn.d$d, type = "nbinomial",method="MinChisq")#bondad de

ajuste
summary(bdajbinon)
Goodness-of-fit test for nbinomial distribution
X^2 df P(> X^2)

Pearson 66425.86 123 0
Warning message:
In summary.goodfit(bdajbinon) : Chi-squared approximation may be incorrect
bdajbinon$par
$size
[1] 12.40789
$prob
[1] 0.2260371
plot(bdajbinon,main="Grfica de Bondad de ajuste de la BNMV")
29
Grfica de Bondad de ajuste de la BNMV
10
sqrt(Frequency)
-10
-20
-30
0123456781911
0
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
4950
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
100
99
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
Number of Occurrences
3.5.4 Distribucin Lognormal. Una variable X , se dice que es una lognormal si sus
logaritmos siguen una distribucin normal con parmetros l y l2 . Por tanto, la variable
ln x l
3.101
l
es un variable normal estandarizada de media 0 y desviacin estndar 1.
3.5.4.1 Propiedades. Entre otras, la distribucin lognormal tiene las siguientes propiedades:
Para valores de x < 0 asigna una probabilidad 0 o sea slo considera valores positivos.
Por depender de dos parmetros, es de gran versatilidad y se ajusta bien a un gran nmero
de situaciones empricas y por tanto til para parmetros que son a su vez producto de
numerosas cantidades aleatorias (como puede ser el caso de distribuciones diamtricas).
Distribucion Lognormal
1,5 Mean,Std. Dev.

3,45,10
1,2 3,45,1,5
3,45,1
3,45,0,5
Densidad
0,9
3,45,0,25
0,6
0,3
0
0 10 20 30 40 50 60
d
La figura anterior muestra la versatilidad que ofrecera esta distribucin para el caso de regeneracin de
bosque naturales.
Al poseer su media mayor a su mediana, da ms importancia a los valores grandes de X
que la distribucin normal con los mismos percentiles del 5% y 50% tendiendo, por tanto, a
interpretar mejores situaciones de bosques con rboles de gran tamao, a veces.
3.5.4.2 Funcin de densidad. S se hace: Y ln X entonces,

1 1 2
exp 2 ln x l ; x 0; l ; 3.102
g y 2 l x 2 l

0 en otros casos
30
Presenta su funcin de densidad de probabilidades como:
1 x a x a, 0,
2
3.103
f1 x exp ln ;
2 x a 2 0
Esta distribucin adopta muchas formas para variables no negativas, es sesgada a la

derecha y el sesgo crece al hacerlo . Se puede resaltar que el parmetro de localizacin
de la distribucin normal original se ha convertido ahora en un parmetro de escala
coincidente con la media. La dispersin a es tambin un parmetro de forma, o sea que en
esta distribucin y son ambos parmetros de forma.
Para valores medios y altos de , la distribucin lognormal es significativamente asimtrica,

pero a medida que a decrece la distribucin es ms simtrica. Si se acerca a la unidad, la
distribucin lognormal es equivalente aproximadamente a la distribucin exponencial
negativa. Tambin se puede observar que para valores de < 0.2 la distribucin lognormal
se aproxima a la distribucin normal. Para cubrir un rango diferente al que se inicia o, se
acude a uno de localizacin, el a mostrado en (3.106), con lo cual haciendo
ln 3.104
se llega a
1
2
x a, 0,
f1 x exp ln x a ; 3.105
2 x a 2 0
que no es mas que la log normal triparamtrica:

1 2
exp 2 ln x a ;
1
f1 x; , , a
2 x a 2
x a, 0, 3.106

0,
1
en que: y ; conocida como la distribucin familia S L de Johnson.

Los datos de la Tabla 3.5, de un muestreo de regeneracin natural en un bosque natural se
obtuvieron los valores: x 0.285; s 0.00826, con sus respectivos
m3 0.00045018 y m4 0.0002285 .
Tabla 3.5. Datos de dap y frecuencias para Pinus patula

di ds d f
1 0.075 0.1 0.0875 1
2 0.1 0.125 0.1125 2
3 0.125 0.15 0.1375 10
4 0.15 0.175 0.1625 23
5 0.175 0.2 0.1875 36
6 0.2 0.225 0.2125 42
7 0.225 0.25 0.2375 43
8 0.25 0.275 0.2625 55
9 0.275 0.3 0.2875 40
10 0.3 0.325 0.3125 43
11 0.325 0.35 0.3375 31
31
12 0.35 0.375 0.3625 22
13 0.375 0.4 0.3875 27
14 0.4 0.425 0.4125 18
15 0.425 0.45 0.4375 11
16 0.45 0.475 0.4625 3
17 0.475 0.5 0.4875 2
18 0.5 0.525 0.5125 4
19 0.525 0.55 0.5375 3
20 0.55 0.575 0.5625 0
21 0.575 0.6 0.5875 2
22 0.6 0.625 0.6125 1
dicru<- data.frame(d=c(rep(0.0875,1), rep(0.1125,2), rep(0.1375,10), rep(0.1625,23),

rep(0.1875,36), rep(0.2125,42), rep(0.2375,43), rep(0.2625,55), rep(0.2875,40), rep(0.3125,43),
rep(0.3375,31), rep(0.3625,22), rep(0.3875,27), rep(0.4125,18),rep(0.4375,11), rep(0.4625,3),
rep(0.4875,2), rep(0.5125,4), rep(0.5375,3), rep(0.5625,0), rep(0.5875,2), rep(0.6125,1)))
mean(dicru$d)
[1] 0.285531
> sd(dicru$d)
[1] 0.08880521
Al estimarla de acuerdo con (3.105) y (3.106), los ajustes no fueron satisfactorios pues se
supuso un a 0.012 , por ser el valor inferior de la primera clase. Su
2.6724 y su 4.288217 . Al evaluarla recomponiendo clases efectivamente el mejor
ajuste se logr por medio de la lognormal como lo muestra la Tabla 3.6 y la Figura 3.27,
usando como base de datos las marcas de clase repetidas tantas veces como su frecuencia.
Estimacin mximo verosmil.
Para que sea corrida como lognormal, se multiplican los valores por 100 (dicr100), para no
tener log negativos, en cuyo caso no corre la distribucin.
library(MASS)
dicr100<-data.frame(d=c(rep(0.0875*100,1),rep(0.1125*100,2),rep(0.1375*100,10),
rep(0.1625*100,23),rep(0.1875*100,36),rep(0.2125*100,42),rep(0.2375*100,43),rep(0.2625*100,55),
rep(0.2875*100,40),rep(0.3125*100,43),rep(0.3375*100,31),rep(0.3625*100,22),rep(0.3875*100,27),
rep(0.4125*100,18),rep(0.4375*100,11),rep(0.4625*100,3),rep(0.4875*100,2),rep(0.5125*100,4),rep
(0.5375*100,3),rep(0.5625*100,0),rep(0.5875*100,2),rep(0.6125*100,1)))
> str(dicr100)
$ d: num 8.75 11.25 11.25 13.75 13.75 ...
ajlogn<-fitdistr(dicr100$d,"lognormal")
ajlogn
meanlog sdlog
3.30331994 0.31498128
(0.01538784) (0.01088085)
mu<-ajlogn$estimate[1]
sdl<-ajlogn$estimate[2]
sdl
sdlog
0.3149813
lndicr<-log(dicr100)
frec <- cut(lndicr$d, breaks = 7,dig.lab = 4, right = FALSE)
> tab.fr <- table(frec)
> tab.fr
frec
[2.167,2.447) [2.447,2.725) [2.725,3.003) [3.003,3.281) [3.281,3.559)
3 10 59 140 114
32
[3.559,3.837) [3.837,4.117)
81 12
> tadefr<-as.data.frame(tab.fr)
> tadefr
frec Freq
1 [2.167,2.447) 3
2 [2.447,2.725) 10
3 [2.725,3.003) 59
4 [3.003,3.281) 140
5 [3.281,3.559) 114
6 [3.559,3.837) 81
7 [3.837,4.117) 12
ls<-c(2.447, 2.725, 3.003,3.281, 3.559, 3.837,4.117)#limites superiors de clase
> ls
[1] 2.447 2.725 3.003 3.281 3.559 3.837 4.117
> exls<-exp(ls)
> exls
[1] 11.55363 15.25641 20.14588 26.60236 35.12805 46.38611 61.37484
probln<-plnorm(exls,mu,sdl, lower.tail = TRUE, log.p = F)#probabilidades acumuladas lognormales

probln
[1] 0.00327757 0.03317547 0.17018023 0.47175413 0.79152699 0.95489805 0.99510649
hist(dicr100$d, breaks=7,freq=FALSE, main="Distribucion log normal Diamtrica MV", xlab="Dap",
ylab="Densidad",col="gray")
lines(7.25:68.75,dlnorm(7.25:68.75,mu,sdl),col="green")
Distribucion log normal Diamtrica MV

0.04
0.03
Densidad
0.02
0.01
0.00
0 10 20 30 40 50 60 70
Dap
Prueba de bondad de ajuste.

faes<-probln*su
faes
[1] 1.373302 13.900522 71.305515 197.664980 331.649809 400.102282 416.949620
faesx<-function(x){
n<- length(x)
fres<- numeric(n)
for (i in 1:n){
}
return(result)
}
fres<-faesx(faes)
> fres
33
[1] 1.373302 12.527220 57.404993 126.359465 133.984829 68.452473 16.847338
[8] NA
tadefr$Freq
[1] 3 10 59 140 114 81 12
> frob<- tadefr$Freq
> frob
[1] 3 10 59 140 114 81 12 pchi<-(frob-fres)^2/fres#numerador de la prueba chi2
Warning message:
In frob - fres :
longitud de objeto mayor no es mltiplo de la longitud de uno menor
> chi2c<-sum(pchi,na.rm=T)
> chi2c
[1] 10.62907
El resultado coincide con lo mostrado en la figura, los datos se comportan como una
lognormal.
La lognormal da lugar a la funcin de supervivencia que se puede escribir:

S t 1 F y 3.107
siendo F(y) la funcin de distribucin acumulativa de la normal estandarizada. Por lo tanto

un modo grfico de verificar esta distribucin es comparar la funcin de supervivencia
dibujada en papel lognormal con una recta.
Para el ajuste siguiente se hizo por medio de la chi cuadrada. Los datos se multiplicaron
por 100 para en un cambio de escala para cumplir las condiciones del EXCELL y, las
probabilidades ahora si de acuerdo con la normal. La distribucin e histograma se
presentan en la Figura 3.27. Se muestra solo por procedimiento
Tabla 3.6. Prueba de bondad de ajuste para el dap y prueba de 2
li ls d f f*lnd f*desv^2 lnls prln n*pr frest pchi2

1 8.697 16.250 12.474 13 32.807 8.872 2.788 0.036 14.925 14.925 0.248
2 16.250 23.750 20.000 101 302.569 12.657 3.168 0.279 117.006 102.082 0.011
3 23.750 31.250 27.500 138 457.358 0.174 3.442 0.617 258.328 141.322 0.078
4 31.250 38.750 35.000 96 341.313 4.058 3.657 0.838 351.229 92.900 0.103
5 38.750 46.250 42.500 56 209.972 8.949 3.834 0.940 393.901 42.672 4.163
6 46.250 53.750 50.000 9 35.208 2.845 3.984 0.979 410.301 16.400 3.339
7 53.750 61.300 57.525 6 24.313 2.961 4.116 0.993 416.093 5.792 0.007
419 1403.541 40.518 chi2c 7.951
media 3.3497 var 0.0969 des 0.311 chi2t 9.488
La lognormal puede derivarse como el modelo para procesos cuyos valores resultan de la
multiplicacin de muchos pequeos errores (mientras la normal lo hace para la adicin de
ellos). Es una distribucin popular por la facilidad para obtener sus percentiles puesto que
los valores acumulativos para Y ln X pueden salir de tablas de Z y sus
correspondientes valores surgir al tomar antilogaritmos.
34
Figura 3.27. Distribucin e histograma de frecuencias para los datos de laTabla 3.5,
ajustado por la lognormal.
3.5.5 Distribucin de Weibull. Desarrollada por Fisher en 1928 y Weibull en 1939, con
evidencias empricas, encontr modelos de esfuerzos a que se someten ciertos materiales
mediante ella. Se dice que una variable aleatoria X tiene una distribucin de Weibull si su
densidad de probabilidades es:
c c 1 x c c x c 1 x c
x exp exp ; x 0, c, b 0
f x; c, b bc b b b b 3.108

0 para otros valores
llamada forma biparamtrica (Bailey, 1973; Seth et al., 1975; Uribe, 1983; Canavos, 1987).
con media y varianza:
b 2 2 1 1
2
1
E X b 1 ; VAR X 2 ;
c c c c
3.109

2 1

2

2 X b 2 1 1
c c
La literatura reporta que esta distribucin presenta grandes posibilidades para las
estimaciones del porcentaje de los rboles para un dimetro especificado lo mismo que
para predicciones implcitas del crecimiento, cuyas constantes pueden ser relacionadas con
la forma y fisonoma de ellos y hasta recoger algunas caractersticas propias de un rodal
(Bailey, 1973; Seth et al., 1975; Uribe, 1983).
Se caracteriza por un parmetro de escala b que permite transformar un rea en otro

parmetro, por ejemplo el nmero de rboles; y un parmetro de forma c que depende de
los perfiles adoptados por la distribucin desde una J invertida hasta una normal. (Para
distribuciones decrecientes, por ejemplo c < 1).
Adems cuando se le introduce un tercer factor adicional al cambiar la variable aleatoria x,

por (x - a), que representa el umbral o valor mnimo de la distribucin, por ejemplo el
dimetro mnimo de un rodal, aparece la forma triparamtrica:
c x a c 1 x a c

f x b b
exp ; a x ;
b 3.110

35
El parmetro a es conocido como parmetro de localizacin, b de escala y c de forma. b y c
deben ser siempre positivos, a puede ser 0, positivo y hasta negativo, (Clutter, 1983).
3.5.5.1 Funcin de distribucin acumulada de Weibul F(x). Integrando f(x) por

sustitucin: u = (x/b)c aparece una funcin de forma: e udu til para determinar el
nmero de rboles situados por debajo de un determinado dimetro X.
x c
1 exp ; biparametrica, 0 para otros valores
b
F x 3.111
x a c
1 exp b ; a x ; triparametrica

Las constantes en el modelo estn ntimamente ligadas con la forma y localizacin de la

distribucin, por lo cual las variaciones en ellos son consistentes con las caractersticas del
rodal.
Obtencin de parmetros. Uno de los mtodos utilizados en Distribuciones diamtricas es
una extensin de la propuesta de (Dubey, 1967) reportado por (Seth et al., 1975), por medio
de percentiles. Sean X1, X2,..., Xn los puntos medios de n intervalos de clases, equidistantes
una cantidad h (por comodidad), con sus respectivas frecuencias f1, f2,..., fn. La proporcin
de observaciones que se encuentran hasta o por debajo de Xi + h/2 ser entonces:
f1 f 2 fi
3.112
f1 f 2 f n
h
lo cual podra notarse como F X i , probabilidad acumulada. Para la forma
2
biparamtrica:
h x h 2
c

F X i 1 exp i 3.113
2 b
es importante porque permite evaluar la distribucin acumulada absoluta por debajo de un
determinado valor X, en este caso el nmero de rboles con un dimetro menor que uno
fijado d i , as N x NF x , cuando se conoce el nmero total de rboles N. Acudiendo al
proceso de regresin simple se pueden determinar los parmetros b y c, en que por
simplicidad X i h 2 se reemplaza por x, lmite superior de las clases, as:
F(x) = 1 - e- b ; e- b = 1 - F(x) 3.114

c c
x x
Tomando logaritmos a ambos lados y multiplicando por -1, se tiene:

c c
x x
- = ln 1 - F x ; = - ln 1 - F x 3.115
b b
Tomando nuevamente logaritmos se llega a:
x
c ln = ln - ln 1 - F x c lnx - c ln b = ln - ln 1 - F x 3.116
b
Haciendo:
Y = ln - ln 1 - F x = - c lnb + c lnx; como Y = b0 + b1X 3.117
36
-b0 -b0
entonces ln b = = .
c b1
Como se puede apreciar, el intercepto b0 = -clnb, y la pendiente b1 = c.
Para el problema anterior entonces con los datos de la Tabla 3.3, se genera la Tabla 3.7.
De ello se obtuvo: b0 = -7.9833 b = 42, 2, b1 = 2,133 c = 2,133, con los que se
obtienen los estimados con EXCEL mostrados en la Tabla 3.7.
La forma triparamtrica se puede resolver a partir de la recuperacin de distribuciones

diamtricas de los atributos de los rodales con base en los dos primeros momentos de su
estructura, (Chang, 1987) que se obtienen as:
E(x) = X = a + b 1+ 1c , E x 2 = x 2 = a 2 2ab 1+ 1c b 2 1 + 2c X 2 12732.4 G N
1 2
1
( 1 + 2
c ) -
2
1 + c
=
s
Cv = 1
3.118
X -a 1
c
en las cuales: X = dimetro variable > a (en cm), a = parmetro de localizacin (> 0), b =
parmetro de escala, c = parmetro de forma. Dados unos valores especficos de a tanto
como los estimados de X y X 2 , el valor de c se puede obtener por mtodos numricos,
con lo cual:
X - a
b= 3.119
1 + c
TABLA 3.7. Pasos secuenciales en la solucin Weibull
1-
i xi+h/2=xi Fobs F ac F(hi+h/2) -1*LN(1-F(hi+h/)2) Y X=LN(xi+h/2) F(x) frec estWe
F(hi+h/2)
1 40 2634 2634 0,542 0,458 0,780 -0,249 3,689 0,590 2868,0
2 50 1281 3915 0,805 0,195 1,634 0,491 3,912 0,762 3704,2
3 60 518 4433 0,911 0,089 2,424 0,885 4,094 0,879 4277,2
4 70 240 4673 0,961 0,039 3,237 1,175 4,248 0,947 4606,4
5 80 93 4766 0,980 0,020 3,905 1,362 4,382 0,980 4766,2
6 90 50 4816 0,990 0,010 4,618 1,530 4,500 0,993 4831,9
7 100 25 4841 0,995 0,005 5,354 1,678 4,605 0,998 4855,0
8 110 12 4853 0,998 0,002 6,092 1,807 4,700 1,000 4861,8
9 120 7 4860 0,999 0,001 7,103 1,961 4,787 1,000 4863,5
10 130 4 4864 1,000 0,000 18,421 2,913 4,868 1,000 4863,9
4864
Coefic Err est c= 2,13 b1
Intercepcin -79,833 0,927813 ln b = 3,74

X=LN(xi+h/2) 21,328 0,211144 b= 42,2 b0
37
Una vez obtenidos a, b y c se genera un estimativo del rea basal G, de acuerdo con:

G 7, 854 E 05 N
i
X i2 fi , en que:N = nmero de rboles, Xi = marca de la isima clase,
fi = F(Xi + 0,5) - F(Xi -0,5) = proporcin de los rboles en la clase i. La distribucin

acumulativa de Weibull con parmetros a, b y c, es:

F x 1 exp x a / b
c
3.120
Si el rea basal obtenida a travs de los clculos anteriores no iguala la confrontada del
rodal (G*) se debe refinar el valor "a" hasta que se llegue a una aproximacin aceptable
previamente fijada tal que: G G .
Estimacin mximo verosmil (MLE)
Maximizando las derivadas parciales con respecto a b y c se llega a los estimados

maximoverosmiles de ellos.
1
1
n n
n c
di
c
d i ln d i ln d i
c n
i 1
i 1
; b i 1
n

2 n
d1
i 1

n nmero de observaciones de la muestra en una distribucin Weibull y di la variable (en
este caso el dimetro de cada rbol).
En R
> attach(bona)
> names(bona)
[1] "d" "f"
library(MASS)#abrirla
Como alternativa, acude a la mencionada funcin logartmica de verosimilitud y la funcin

de optimizar, para encontrar los parmetros, as:
logver=function(params,x) {
a=params[1]
b=params[2]
lv=sum(log(dweibull(x, a, b)))
return(lv)
}
optim(par=c(1,1),logver,x=bn.d$d,control=list(fnscale=-1))
$par
[1] 3.292208 47.727261
$value
38
[1] -19330.46
$counts
function gradient
119 NA
$convergence
[1] 0
$message
NULL
Tambien usando la incorporada:
weibmv=fitdistr(bn.d$d,"weibull")# funcin del MASS

weibmv
shape scale
3.29180167 47.72597392
( 0.03050916) ( 0.22149511)
confint(weibmv)#limites de confianza para los parmetros

2.5 % 97.5 %
shape 3.232005 3.351599
scale 47.291851 48.160096
Comparacion grafica
a<-weibmv$estimate[1]
> a
shape
3.291802
> b<-weibmv$estimate[2]
> b
scale
47.72597
hist(bn.d$d,breaks=10,freq=FALSE, main="Distribucion Weibull Diamtrica MV",

xlab="Dap", ylab="Densidad",col="gray")
lines(30:120,dweibull(30:120,a, b),col="green")
Distribucion Weibull Diamtrica MV
0.05
0.04
0.03
Densidad
0.02
0.01
0.00
40 60 80 100 120
Dap
3.5.5 Funcin exponencial negativa Meyer Tipo I.
La funcin exponencial negativa es un caso especial de los modelos Weibull y Gamma.

Sirve para modelar el lapso entre dos eventos consecutivos de Poisson que ocurran de
39
manera independiente y a una frecuencia constante, como es el caso de lo expuesto desde
1889 por el francs Liocourt dLisle. Si una variable aleatoria X tiene distribucin
exponencial, su funcin de densidad de probabilidad se da, en dos versiones, por:
a) exp x ; x 0 0;

1 x
f x b) exp ; x 0 0; 3.121


el parmetro , que representa un lapso de tiempo entre dos eventos Poisson por lo cual
recibe el nombre de tiempo promedio entre fallas o aparicin del fenmeno, no tiene sin
embargo un contexto claro en distribuciones diamtricas, pero se acude a este modelol
como posible modelador que equipara un fallo a un cambio de categora diamtrica. La
funcin de distribucin acumulada se puede obtener como:
a ) 1 exp x ; x 0 0;

x
F x P X x b) 1 exp ; x 0 0; 3.122

0 para cualquier otro valor

Segn (Canavos, 1987), y as es asumida por algunos paquetes estadsticos, las
expresiones para cuantiles, media y varianza se obtienen as para ambas versiones:
1 1 1
b) X q ln ; a)E X ; x 2 b)E X ; x 3.123
2 2 2
1 q
En las ciencias forestales, fue propuesta por Meyer en 1933, citado por (Loetsch et al.,
1974), para dar cuenta matemticamente de la ley de Liocourt (1898), el primero en expresar
para rodales coetneos que el cociente entre las frecuencias sucesivas de los dimetros en
bosques de seleccin, permanece constante, o dicha de otra forma: el cambio en nmero de
rboles Y debido a un cambio en el dimetro X , se puede considerar proporcional a
Y , o sea:
Y
bY 3.124
X
Estableciendo clases pequeas del dimetro de modo que X se vuelva una escala continua
se llega a:
Y dY ln Y bX c
lim bY bY 3.125
Y ke k exp bx
X 0 X bx
dx
Esta ley se utiliz durante mucho tiempo para expresar el concepto del bosque balanceado
en la cual Y : nmero de rboles, X : clase diamtrica, k, b : parmetros constantes.
3.5.7.1 Funcin de distribucin de probabilidades F(x)

La funcin de distribucin de probabilidades F x variar entonces entre 0 y 1 y se podr
expresar como el rea entre 0 y una clase diamtrica X con respecto a toda el rea de
distribucin as:
40
k exp bx dx
x
F x

a
1 exp bx , x 0, b 0 3.126
k exp bx dx
x

0
La funcin de densidad de probabilidades de X se define entonces como:
dF x
f x b exp bx 3.127
dx
3.5.7.2 Media y varianza de la distribucin de Meyer
La media se define como:
1
xf x dx xbebx dx 3.128
0 0 b
La varianza, como
1
2 x x f x dx x b exp bx dx 2 3.129
2 2
0 0 b
o sea 1 b x . Un estimador insesgado de la media puede obtenerse como:
nx 1 n 1 X n 1
b 3.130
n 1 b nx nb
El ajuste logrado con ella se muestra en la Tabla 3.8
Tabla 3.8 Ajuste por Meyer
.
i X xi+h/2=xi Fobs F ac ProbMe FacMe
1 35 40 2634 2634 0,555 2700,541
2 45 50 1281 3915 0,647 3147,588
3 55 60 518 4433 0,720 3502,259
4 65 70 240 4673 0,778 3783,643
5 75 80 93 4766 0,824 4006,883
6 85 90 50 4816 0,860 4183,993
7 95 100 25 4841 0,889 4324,507
8 105 110 12 4853 0,912 4435,985
9 115 120 7 4860 0,930 4524,428
10 125 130 4 4864 0,945 4594,596
sumas 4864
x 43,193
b 0,023
Estimacin MV de los parmetros. Nuevamente partimos del vector de los datos crudos:
library (MASS)
expdiam<-fitdistr(bn.d$d,"exponential")
expdiam
41
rate
0.0231519825
(0.0003319643)
Se crea el histograma de los datos crudos
hist(bn.d$d, breaks=11,freq=FALSE, main = "Distribucion Diamtrica Exponencial

MV",xlab="Dap", ylab = "Densidad", col="gray")
a<-expdiam$estimate[1]
a
rate
0.02315198
lines(3500:12500/100, dexp(3500:12500/100,a),col="blue")
Distribucion Diamtrica Exponencial MV
0.05
0.04
0.03
Densidad
0.02
0.01
0.00
40 60 80 100 120
Dap
Prueba de Bondad de ajuste. (con el archivo (bona)
probexp<-pexp(d+5,0.02315198, lower.tail = TRUE, log.p = FALSE)# con el li sup de clase
probexp
[1] 0.6038963 0.6857602 0.7507051 0.8022276 0.8431018 0.8755285 0.9012534
[8] 0.9216616 0.9378521 0.9506964
faes<-probexp*sum(f)
> faes
[1] 2937.352 3335.538 3651.430 3902.035 4100.847 4258.570 4383.696 4482.962
[9] 4561.712 4624.187
faesx<-function(x){
n<- length(x)
fres<- numeric(n)
for (i in 1:n){
}
return(result)
}
fre<-faesx(faes)
pchi<-(f-fre)^2/fre
qchisq(0.975,8)
[1] 17.53455
Por tanto, no da un buen ajuste.
42
3.5.7.3 Polinomial de grado r y curva simple exponencial
Una ecuacin de la forma:
Y 0 1 X 2 X 2 n X n 3.131
se presta a menudo, para distribuciones diamtricas dependiendo la bondad de su ajuste,
del nmero de trminos, encontrndose en general acertada para rodales coetneos.
Liocourt la present como una serie geomtrica decreciente de frecuencias n1 , n2 , , nn tal
que ni 1 ni , con una razn q 1 . Entonces:
n
n1 ; n2 n1q 1 ; n3 n2 q 1 ; ; ni 1 ni q 1; o i q 3.132
ni 1
siendo esta la ecuacin presentada por Meyer como
Y kebx 3.133
Si h define el intervalo de clase, entonces la frecuencia de la clase diamtrica d se obtiene
como:

Yd kebx dx e bd e b d h e bd 1 e bh
d h k k
d b b
d 2h 3.134

e 1 e e
d 2h k k bh
Yd 1 bx
ke dx e bx bd bh
d h b d h b
Si se hace
n ebd 1 ebh 3.135
k
b
se puede derivar la serie:
n, nebh , ne2bh , , ne kbh 3.136
en la cual puede hacerse
q ebh 3.137
que corresponde con la serie geomtrica presentada. (Prodan, 1961)
Cociente q.
Como en la distribucin presentada la frecuencia refleja el grado de probabilidad y viceversa,

es posible presentar una expresin para q de la funcin de distribucin acumulada as:
F x h F x
q ebh 3.138
F x F x h
siendo h : intervalo de clase comn.
43
Figura 3.18. Propuesta de modificacin de la funcin de densidad de la polinominal
de grado r .
Cuando se hacen intentos para obtener el valor de q , si los qi , qi 1 resultan muy diferentes,
se debe cambiar de expresin como lo proponen (Loetsch et. al., 1973), Figura 3.18,
modificando la funcin de densidad, dado que el nmero de rboles est representado por
un rectngulo de ancho h y altura h , que debe ser corregida pues a medida que se
incrementa la amplitud cambia sensiblemente h , la altura real de dicho rectngulo.
3.5.7.4 Determinacin de la funcin de densidad corregida
Por medio de mnimos cuadrados es posible linealizar la primera ecuacin mostrada en

(3.146). La funcin modificada de densidad estar dada por:
Yi hhi hk1 exp bdi 3.142
Yi : nmero de rboles en las clases i, con lo cual se llega a
ln Yi ln h ln k1 b di 3.142
debiendo notarse que la variable independiente se vuelve di con lo cual los parmetros de
la ecuacin sern:
b0 ln h ln k1 ; y b1 b 3.143
Por medio de la regresin lineal simple se despeja k1 de las ecuaciones anteriores, previa la
regresin lineal simple entre el logaritmo neperiano de las frecuencias contra el negativo de
las marcas de clase. Para el ejemplo anterior se hizo la regresin:
ln F0 b0 b1 d ; F0 frec. obs. 3.144
de la cual se obtuvieron los siguientes valores: b0 10.296, b1 0.0734 , entonces
ln k1 10.296156 ln10, k1 2961.856 , con los cuales se lleg a la distribucin ajustada:
Yi 29618.5641e0.07339835909*di ; y a los resultados de frecuencias estimadas de 2269.27,
1089.23, 522.83, 250.95, etc que complementaran la Tabla 3.8.
3.5.7.5 Distribucin de Meyer Tipo II
Aparte de la modificacin reportada a la funcin de Meyer, se dan otras como el caso

propuesto por (Loetsch, 1973; citado por Uribe, 1983), cuando las frecuencias logaritmizadas
contra dimetro no estn en una lnea recta, si no que se encuentran incrementos sucesivos
para el valor de q , que generan funciones de progresin geomtrica creciente; para lo cual
44
se propone en vez de usar el dimetro simple, introducir el dimetro al cuadrado, con lo cual:
Ni k exp bdi2 3.145
que se resuelve de acuerdo con la propuesta de (Loetsch et al., 1961) similar a la usada para
Meyer I. Adems de lo anterior, (Vsquez, 1987) propone que en vez del exponente 2 se
defina un modelo:
Ni ke ad 3.146
m
que se denominara por nomenclatura Meyer III, el cual es no lineal en sus parmetros por lo
cual se correra en regresin no lineal.
3.5. 1 Anlisis de Goff y West
Para el caso de los incrementos del dimetro medio, (Goff y West, 1975), en 49 pequeos
rodales de Wisconsin, ilustran el desarrollo de la estructura de rodales, y encuentran que las
funciones de densidad de distribuciones diamtricas en rodales viejos de estructura
uniforme, son de forma sigmoide rotada, ms que exponencial negativa, quedando esta para
caracterizar reas con parches localizados de rodales coetneos. En pequeos rodales
donde las interacciones entre sotobosque y dosel son importantes, la curva tpica de la
estructura de los rodales muestra una fase en el sotobosque de lento crecimiento y alta
mortalidad, una alta relativa vigorosa fase de dosel con baja mortalidad y una vieja fase de
copas de crecimientos reducidos y mortalidades crecientes, lo que obliga replantearse
modelos que no las consideren por lo menos en circunstancias similares, pues las
interacciones del sotobosque pueden ser causas adicionales de variacin en crecimiento y
mortalidad. La expresin ya analizada (3.146), reescrita como:
Ydx kebx dx 3.147
para frecuencia de rboles en pequeos intervalos diamtricos, hacen que k y b se presten
para caracterizar diversas estructuras. Meyer mostr que esta funcin podra utilizarse para
medir el desplazamiento del dimetro y predecir la cantidad de cosecha necesaria en cada
intervalo para mantener el bosque en funcin sostenida. La forma negativa de la exponencial
de una estructura poblacional implica un porcentaje constante de prdida en las clases del
rodal, lo que ha permitido a varios investigadores hipotetizar sobre tales estructuras.
3.5.8.1 Modelo potencial de Goff y West
Ms que una funcin de distribucin como equvocamente se le conoce es una constante

pesquisa con modelos desde el lineal simple, como uno de los casos analizados hasta
modelos potenciales de forma:
Y a bX cX 2 nX n 3.148
45
Figura 3.29. Equilibrio hipottico para las estructuras de rodales en tres fases. La
curva punteada se comporta como sigmoide rotada.
Como conclusin al trabajo de Goff y West est la evidencia, para ellos, que las curvas
formadas al graficar el logaritmo de la densidad contra el dimetro en rodales naturales de
mediano a maduros son sigmoides rotadas, ms razonables biolgicamente como
caractersticas de estructuras de equilibrio poblacional o de poblaciones de rodales viejos
uniformes, ms que la recta configurada por una exponencial negativa, cuando relativas
reas pequeas o reas estructuralmente uniformes son cubiertas en una muestra y, que por
otro lado, la distribucin exponencial negativa resulta apropiada para grandes regiones con
rodales locales coetneos de reas aproximadamente iguales.
3.5.8.2 Modelo polinomial de Goff y West
De la visin de estos autores parece sugerirse el modelo

log freci b0 bdi b2 di2 bm dim 3.149
debido a que las razones de crecimiento y mortalidad en poblaciones naturales de estructura
uniforme no resultan uniformemente distribuidas para los nmeros de rboles por clases
diamtricas. Para algunos autores, ente ellos (de Barros et al, 1978), el criterio utilizado para
seleccionar el grado apropiado de la ecuacin es la correlacin simple de las variables
independientes d , d 2 , d 3 , , etc. con la variable dependiente log frec , para lo cual se
esperaran valores de R 0.95 , validos en su poca, ahora se proponen procesos paso a
paso como lo muestran los valores obtenidos para el ejemplo de la Tabla 3.10.
Tabla 3.9 Anlisis de regresin de Goff y West para los datos de laTabla 3.10.
Variable dependiente LOG (frec)
Parmetro Estimado Error estndar T Valor p
Const 4.11663 0.0593242 69.3921 0.0000
D2 -0.0007709 6.5763E-05 -11.7224 0.0000
D3 6.6453E-06 1.077E-06 6.18795 0.0080
D4 -1.84E-08 4.71E-09 -3.89923 0.0080
ANAVA
Fuente SS.. G.L MS.. F Valor p
Modelo 8.42405 3 2.8082 4306.7000 0.0000
Residual 3.91E-03 6 0.000652
Total (Corr) 8.42796 9
R 2 99.95, Raj 99.93 . Error estndar de est = 0.0255345. Error promedio absoluto =
0.016409. Estadstico de Durbin-Watson = 3.11446. El valor de resulta menor que el

2
tabulado.
Tabla 3.10. Valores estimados por Goff y West.
Dimetro Frecuencia Frecuencia Chi cuadrada

observada estimada
35 2634 2694.26 1.35
45 1281 1223.20 2.73
55 518 531.24 0.33
65 240 230.01 0.43
75 93 102.42 0.87
46
85 50 47.90 0.09
95 25 23.78 0.06
105 12 12.55 0.02
115 7 6.97 0.00
125 4 3.99 0.00
Suma 5.89
3.6 Distribucin diamtrica para bosques no balanceados y disetneos
Un bosque disetneo es aquel en el cual se entremezclan rboles de diferentes edades y

tamaos bien sea individualmente o en pequeos grupos, y se caracterizan como ya se
mencion por una curva diamtrica de J invertida. Las distribuciones de Meyer se aplicaron
principalmente a bosques balanceados disetneos, aquellos que producen un rendimiento
sostenido mientras mantienen una estructura y volmenes esencialmente constantes o,
tambin asimilados como rodales en los cuales el nmero de rboles decrece en progresin
geomtrica constante.
El concepto de balanceado puede aplicarse tanto a bosques disetneos como a bosques

manejados de una clase de edad, cuando estas estn especialmente separadas, en
contraste a los bosques de seleccin. El trmino tambin se aplica a cualquier rea con
rboles comerciales de altas y bajas dimensiones comerciales en las cuales es posible
extraer el crecimiento anual sin perturbarlas drsticamente.
Para determinar si un bosque es balanceado o no Meyer sugiere grficos del nmero de

rboles versus d en papel semilogartmico. S siguen una buena recta se considera un
bosque balanceado (Leak, 1964). Este autor encontr incrementos en los cocientes q
(tambin se dan decrementos de ellos) contra las marcas de clase consecutivas y propuso
un mtodo que pudiera caracterizar a los bosques balanceados y desbalanceados por medio
de una transformacin del cociente q d en una relacin lineal en que su pendiente b y su
intercepto a representarn la distribucin diamtrica. Su metodologa consisti en generar
una ecuacin entre q i y las marcas de clase y dependiendo de la perfeccin de las lneas
rectas se podra dar un diagnstico del balance o no del rodal o bosque, ya que la magnitud
de b diferente de b 0 refleja la lejana de la condicin balanceada y a se aproxima al q
promedio de la condicin de balance. Despejando
a Y bX 3.150
en que Y iguala el cociente q y, X es el punto de clase promedia, entonces cuando
b1 0, b0 Y , o sea que movimientos hacia cero del b1 van hacia el balance y b0 se
aproxima al q que caracterizar la distribucin diamtrica.
En resumen, el autor muestra que esta expresin de distribucin diamtrica no especifica la

densidad del rodal, pero que: 1) la magnitud de b1 refleja el alejamiento de la condicin
balanceada y 2) que si un rodal o bosque se mueve hacia esa condicin el intercepto b0
tender hacia el valor promedio del q que caracterizara la distribucin balanceada. Para el
47
ejemplo analizado se presenta la Tabla 3.1:
Tabla 3.1. Ajuste por el modelo de Leak.
Parmetro entre marcas de clase
Marca de Clase N de rboles Q
35 2634 2.056 40
45 1281 2.473 50
55 518 2.158 60
65 240 2.581 70
75 93 1.860 80
85 50 2.000 90
95 25 2.080 100
105 12 1.714 110
115 7 1.750 120
125 4
De acuerdo con los datos: qi 2.60442 0.007063X i .

Para el bosque balanceado: b0 Y b1X , cuando b1 0 b0 2.0765 . En este caso
b1 0b , desde este punto de vista parece tenderse hacia un bosque balanceado, con una
q 2.0765 , Figura 3..
Cocientes q
Parmetros entre marcas de clase

Figura 3.30. Modelo de relacin de Leak entre cocientes de Liocourt y marcas de
clase.
Se encuentran algunas opiniones cuestionadoras acerca de las distribuciones como
elementos tcnicos de manejo. La mayora de trabajos que han sustentado la necesidad de
distribuciones diamtricas balanceadas para una mejor prediccin o manejo del bosque
pasaron por alto el efecto econmico de tal bsqueda. Usando un bosque disetneo de
maderas duras en Norteamrica se plante un estudio de la eficiencia de tal inversin o
costo adicional en obtener la informacin con distribuciones de Weibull y concluyen no ser
necesarias para una mayor sustentacin de la produccin sobre un ciclo fijo de corta, y
adems que los precios resultan demasiado sensitivos por precio de rbol y tamao, (Bruce
y Opalach, 1988). Ello implica investigar este aspecto para las condiciones especficas
nuestras.
48
3.7 Pruebas de bondad de ajuste
3.7.1 Criterios usuales
La mayora de investigadores del tema han recurrido para la evaluacin de la bondad

desajuste a varios criterios entre los cuales son muy populares: la 2 (Chi cuadrada), el
criterio de razn logartmica de verosimilitud (Criterio G de Sokal y Rohlf) y la prueba de
Kolmogoroff-Smirnoff.
3.7.1.1 Criterio de 2
La siguiente prueba es comnmente utilizada como medida de desviacin entre una

distribucin observada y una ajustada por alguna funcin:
f
k 2
f
2 c 1
3.151
f
en que f : frecuencia observada, f : frecuencia esperada, k : nmero de clases

diamtricas, k 1 : grados de libertad, (Zar, 1989), cuando la hiptesis nula es cierta y
establece la igualdad de tales distribuciones. Algunos autores se refieren a ella como una
prueba de pobreza de ajuste (Zar, 1984), puesto que una prueba es contundente cuando
rechaza la hiptesis nula, y no es este el deseo al aplicarla a distribuciones diamtricas, lo
que obligara a calcular pruebas de potencia que a menudo resultan complicadas. A pesar
de lo anterior es bastante usada incluso en paquetes sofisticados, pero presenta ciertos
inconvenientes como, estar penetrada por el tamao de la muestra, ser asinttica y que al
extrapolar datos a una hectrea, como en nuestro caso, se puede perder confianza. Por ello
se debe recurrir a otras propuestas en casos de duda.
3.7.1.2 Criterio G. Razn logartmica de verosimilitud
El criterio de la razn logartmica de verosimilitud se expresa como

k f
f c ln c

3.152
c 1 fc
y puede ser tambin escrito como
k k
f
c 1
c ln f c f c ln fc
c 1
3.153
con algunas desventajas como el desconocimiento de su distribucin terica, pero con la

ventaja de que su dupla conocida como
k f k fc
G 2 f c ln c 4.60517 f c log10 3.154

c 1 fc c 1 fc
se distribuye como una 2 y se maneja con sus mismos criterios, pero preferible a esta
49
cuando f c fc fc (0.1)
Al usar (3.150) y (3.151), no se debe trabajar nunca con frecuencias esperadas menores que
5 rboles por clase.
3.7.1.3 Criterio de Kolmogoroff Smirnoff
Fue originalmente calculado para datos continuos, pero tiene un gran uso con datos
discretos y nominales. Para cada X i se registran las frecuencias observadas f i y se
determinan sus frecuencias acumulativas Fi , con las cuales se calculan las frecuencias
relativas acumulativas as:
Fi
relFi 3.155
n
que son simplemente la proporcin de las muestras medidas X i . Para cada muestra X i
entonces se calcula la frecuencia relativa acumulada esperada, relFi y la prueba se conduce
de acuerdo con las siguientes diferencias:
Di relFi relFi 3.156
y
Di relFi 1 relFi 3.157
asumiendo que F0 0 , con lo cual D1 relFi . La prueba de decisin estadstica ser:

D max max Di , max Di
3.158
contrastados contra valores crticos de unas tablas generalmente expresadas como D , n , de
tal forma que si D D , n , se rechaza H 0 . Algunos autores lo presentan como
F
K max F x 3.159
N
en el cual F N : funcin emprica de distribucin de muestra xi i 1, 2, , N , F x :

funcin terica de la distribucin. Existe una modificacin a este, cuando se trata de datos
continuos, conocido como prueba de Watson para medidas angulares que escapa a este
texto. Es una prueba muy rigurosa.
3.7.1.4 Consideraciones generales
Estudios recientes, con base en simulaciones completas, sugieren que en muchas

situaciones el uso de los anteriores criterios puede resultar inapropiado, ya que en la mayora
de los casos el modelo de distribucin de probabilidades es ms bien una familia de
distribuciones indizadas por varios parmetros.
Un modelo construido de forma que los parmetros se relacionen con otras variables
agregadas del rodal, como edad, densidad, ndice de sitio, etc. se referir ms
50
concretamente a cada tipo de rodal que al bosque general, y las pruebas de bondad de
ajuste diseadas para probar la hiptesis de que la muestra pertenece a una distribucin
especfica podran no ser aptas para resolver el problema. Esto no ocurre tan drsticamente
en los primeros pasos de la modelacin, donde simplemente se desea ver si se da cierto
ajuste con los datos, pero en etapas posteriores, cuando las distribuciones se relacionan con
las variables agregadas, al usar informacin de muchas parcelas surgen grandes dificultades
y el problema del ajuste es complicado por las diversas formas de obtencin de los
parmetros,(Reynolds et al, 1988).
Cuando se considera una variable aleatoria X con una cierta funcin de distribucin
acumulativa F x , se plantea para la bondad de ajuste una hiptesis nula como:
H 0 : F x F0 x en que F0 x es completa o parcialmente especificada. En tal caso las
citadas pruebas mencionadas pueden ser usadas. Pero si 0 : en F X , 0 involucra
parmetros desconocidos, entonces las probabilidades del modelo dependern de ellos. De
acuerdo con ello la prueba de 2 de Pearson resultara buena para datos discretos o
continuos que puedan ser naturalmente agrupados en clases, y se puede aplicar usando los
criterios crticos estndar si los parmetros han sido propiamente estimados. La desventaja
es que para datos continuos no es tan poderosa como otras pruebas de bondad de ajuste, lo
que implicara usar la correccin sugerida por Yates para continuidad:
f
2
n k fij 0.5
c2 3.160
ij
i 1 j 1 fij
Cuando se trata de evaluar estadsticos derivados de funciones de distribuciones empricas
de muestras como
Nmero de X i x
F x 3.161
n
la prueba de K-S es un buen estadstico porque mide la distancia entre la funcin terica y la
observada.
3.7.1.5 Otros criterios
Es bueno para complementar el problema, reportar otros criterios ms complejos, segn el

mismo autor, como los basados en el estadstico de Cramr-von Mises:

CM n F x F0 x dF0 x 3.162
2

y en el estadstico de Anderson-Darling (AD):
F x F0 x
2

AD n dF0 x 3.163
F0 x 1 F0 x
en que la expresin dF0 x puede interpretarse como f 0 x dx , si F0 x tiene densidad
f 0 x . Cuando F0 x es completamente especificada, los estadsticos K-S, CM, AD son
distribuciones libres bajo la hiptesis nula.
Cuando aparecen las variables agregadas ya no son libres, y una de sus evaluaciones
acudiendo al uso de cantiles debe ser estimada para cada familia de distribuciones. Una
51
tcnica que no deja de usarse es el ajuste grfico, juzgado normalmente a ojo, incluso por
medio de patrones para su comparacin, papeles de probabilidades, etc. De todos modos
como problema final se expone el hecho de que a no ser que el tamao muestral sea lo
suficientemente grande, la potencia de las pruebas usuales no ser alta a menos que F x
este muy alejada de F0 x . Surgen otros problemas como los dimetros correlacionados y
otras situaciones que pueden agravar aun ms la situacin.
3.7.2 Uso de una propuesta de un ndice de error
Dadas las circunstancias anotadas, propone (Reynolds et al, 1988), un indicador de la

cercana del modelo a los datos, estimador- p , que consiste en una suma ponderada de
diferencias absolutas entre nmeros de dimetros predichos y observados en cada clase,
aconsejable de acuerdo con la naturaleza especfica del problema tratado, y de las
necesidades y criterio del usuario, ya que por ejemplo al usar una distribucin es ms notorio
un desajuste en rboles de 50 cm de d que en los de 5 para ciertos usos o viceversa.
Para desarrollar el ndice se dividen los datos en k clases de inters, dgase I 1, I 2 , , Ik .

Sea w x un ponderador asociado con cada dimetro x , podra ser el volumen total, el
precio alcanzado de acuerdo con un rango de utilizacin, el valor alcanzado por una
determinada especie en bosques mezclados, etc. Sea Fe x la funcin estimada de
distribucin acumulada de los dimetros en una parcela predicha por el modelo, y sea
F x la distribucin observada. El ndice propuesto de error es
k
e N w x dFe x w x dF x 3.164
Ij Ij
j 1
en que N : nmero de rboles por hectrea y la expresin:

w xi

Ij
w x dF x equivalente a x , eI j
n
3.165
donde x1, x 2 , , xn son los n dimetros en la parcela. Si por ejemplo w x corresponde

al volumen, entonces N w x dFe x , es el volumen predicho/ha para los rboles en la
Ij
j -sima clase. Se debe notar que e es una suma de errores absolutos tal que una sobre o
subprediccin en una clase no cancela lo contrario en otra, lo que significa que el ndice solo
ser pequeo cuando el modelo prediga bien para todas las clases diamtricas, por lo cual
ser de gran ayuda examinar las diferencias componentes individuales para tratar de
identificar los problemas del modelo. Otra posibilidad es la conversin de este ndice a
porcentaje o a una base proporcional dividiendo por
N w x dF x 3.166
en el cual el usuario contempla el porcentaje de error dispuesto a correr, sin que ello tenga
necesariamente algn significado usual.
El ndice de error puede ser aplicado a cualquier distribucin diamtrica, basadas o no en
52
probabilidades y que el modelador o usuario pueda seleccionar la funcin de ponderacin y
las clases que le convengan para un determinado propsito. Existen situaciones aun mas
complejas, como conocer nmero de rboles y rea basal, en cuyo caso puede resultar difcil
un modelo que prediga bien ambas caractersticas, por ello se acude a las distribuciones
calibradas diamtricas con informacin adicional (Kangas y Maltano, 2000) que escapan al
nivel de este texto.
3.8 Medidas de densidad promedia en rodales
Las medidas de densidad propician herramientas importantes para la toma de decisiones

en los manejos y aprovechamientos forestales. Se agrupan en dos categoras bsicas:
densidades promedias por grupos o, medidas puntuales, de acuerdo con la expresin del
grado de ocupacin de un rea determinada, o del nivel de competencia que se de entre
rboles aislados. De estas las ms importantes se refieren a rodales, como nmero de
rboles por hectrea, distribuciones diamtricas, rea basal, etc., ya que las individuales
son ms especficas. Para que tengan validez plena, se debe buscar que sean fcil y
objetivamente medibles e interpretables biolgicamente.
3.8.1 Nmero de rboles y rea basal por unidad de rea
En general para la mayora de situaciones silviculturales acompaadas de otras medidas de

caracterizacin, el nmero de rboles por hectrea resulta una buena medida de densidad,
pero especialmente en rodales coetneos de edad conocida. Esta variable jerarquiza
bastante bien en ecuaciones de crecimiento sobre todo de rodales manejados. La misma
situacin se presenta para el rea basal a la altura del pecho.
El rea basal por unidad de rea, se estudiar en el capitulo siguiente, pero es de las mas
usadas como medida de densidad.
3.8.2 ndices de densidad por unidad de rea o rodal.

Algunas medidas de la ocupacin promedia de rodales han sido propuestas, con referencia a
condiciones limitantes predeterminadas, entre nmero de rboles/ha y tamaos promedios
de estos.
Especialmente conocido es el ndice de Reyneke-Frothingham con base en el trabajo de

Frothingham (Reyneke, 1933), expuesto por (Clutter et al, 1983). el SDI (Stand Density
Index) en su sigla inglesa, se puede expresar as: en rodales coetneos plenamente
ocupados, las relaciones limitantes entre el nmero de rboles/ha N y el dimetro cuadrtico
medio Dq con corteza, se relaciona a menudo linealmente en coordenadas logartmicas.
Ello quiere decir que para un Dq dado, existe un lmite para el nmero esperado de
rboles/ha, a pesar de la edad o la calidad del sitio o dicho de otra forma, los rodales al limite
se asume que experimentan el mismo grado de ocupacin. En conferas y aun para
maderas duras Reyneke observ tal relacin en rodales coetneos de varias especies, con
una pendiente de la lnea limitante aproximadamente igual a -1.6, para sus datos. La
relacin limitante se presenta entonces de la forma:
N Dq 3.177
53
y parmetros de la relacin. El mismo autor expresa que el grado de ocupacin comn
en las circunstancias anotadas se alcanza cuando Dq 10 pulgadas (25.6 cm), con lo cual:
SDI 10 ; o SDI 25.6 3.178
despejando de (3.177) y llevndola a (3.178), el ndice citado queda como:

10
SDI N 3.179
D
q
lo que quiere decir que todos los rodales con la misma proporcin de nmero de rboles
limitantes/ha presentan el mismo SDI a pesar del dimetro promedio de los rodales. De
acuerdo con (3.79) para rodales de un determinado Dq el SDI se incrementa
proporcionalmente con el N y consecuentemente con el rea basal: G . Para el ajuste de
los modelos se requiere de rodales plenamente ocupados. El modelo obviamente es de la
forma:
ln N ln ln Dq 3.180
Por ejemplo, para rodales de plantaciones medidos en 40 rodales del norte de Antioquia en
P. patula en parcelas sin manejo de 17 aos se encontr un Dq 17 cm , y el modelo:
N 12820.36 Dq0.76425 con R 2 0.328 , o sea 12820.4 , 0.7643 , con lo cual el
SDI 12820.36*170.76425 1471 arb/ha .
Para un rodal dado con N 800 arb/ha y un Dq 25 cm , se espera un

0.76425
17
SDI 800 1074 arb/ha con una ocupacin plena 1095 rboles/ha como limite.
25
En la actualidad se trabajan otras propuestas como los diagramas de densidad para el
manejo forestal que complementan lo expuesto, especialmente las propuestas para
Balsam Fir de (Penner et. al., 2002) y los de White Spruce (Saunders y Puettman, 2000)
que se recomienda consultar.
3.8.3 ndices de densidad razn rbol-rea (RAA)

Otra propuesta, de Chisman y Schumacher, tambin citados por (Clutter, 1983) para estimar
la densidad contempla modelos entre el rea ocupada por un rbol, por la proyeccin
horizontal de su copa, rea de copa, contra su d :
A 0 1d 2 d 2 3.181
y, el rea total ocupada por n rboles/ha sera la sumatoria de las reas ocupadas por ellos:
n n n
A
j 1
j 0 n 1 d j 2 d 2j
j 1 j 1
3.182
Si se seleccionan N parcelas de inters de una hectrea, o convertidas a ella, aparecern
ni ni
en cada una de estas, los valores ni , dij para i 1, 2, , N, dij , dij2 con los que ser
j 1 j 1
posible obtener estimados de los parmetros de (3.181) por medio del ajuste
mnimocuadratico de
2
n n n
2
1 b0 ni b1 d j b2 d j
j 1
3.183
j 1 j 1
54
que podrn usarse para evaluar la ecuacin (3.182) para cualquier rodal dado con n
n n n
y d j , d 2j conocidos. El RAA resultante ser Aj , una medida de la densidad de
j 1 j 1 j 1
rodales relativa a la relacin promedia generada en la muestra original y con buen sentido si
la muestra original se restringe a rodales plenamente ocupados.
Ejemplo suponga que bo = 0,00006, b1 = 0,00002 y7 b2 = 0,0000045. El rea ocupada por un

rbol de 25 cm de dimetro sera de 0,0033725 has, al usar (3.191) y para un rodal
n n
hipottico con n = 400 rboles/ha, d j 9600, d 2j 100000 , se llegara a un RAA =
j 1 j 1
0.666, usando (3.183) con los estimados.
3.8.4 ndices de espaciamiento o espaciamiento relativo (IER).
Este ndice se conoce como ndice de Hart, pero evolucion por el trabajo de varios autores
al juzgar ocupaciones deseables de los rodales, estudiar las razones entre distancias de los
rboles y las alturas promedias de los rboles dominantes. Se define entonces como
distancia promedia entre rboles
IER 3.184
altura promedia de dominantes
por ejemplo, para rboles sembrados en cuadro, el ndice sera:
100
IER 3.185
NH d2
en que H d es la altura promedia de rboles dominantes en metros, y N el nmero
promedio de rboles/ha sembrados en cuadro. En general se puede escribir este ndice
como
K
IER 3.186
NH d2
K puede lograrse de varias formas, incluidos los mtodos PPS que sern abordados en el
prximo captulo.
El hecho ms notable de este ndice es que parece darse que a pesar de la edad inicial y de
la calidad del sitio, las especies parecen aproximarse asintticamente a un espaciamiento
mnimo relativo, a pesar del sitio y de la edad inicial, en ciertas circunstancias, a medida que
ellos envejecen, como se aprecia en la Figura 3.31, tomada de (Clutter et al, 1963) de ah
las mltiples utilidades que se le asigna en manejos silviculturales.
Para una curva de crecimiento de alturas de dominantes, dada, este lmite mnimo establece
un mximo numero de rboles por ha esperado a una edad dada, Tambin anota (Parker,
1978, citado por Clutter, 1983) que una combinacin de curvas de crecimiento de alturas y
una tendencia temporal del IER, implcitamente define una curva de supervivencia.
El IER se ha utilizado para controles de la densidad en rodales intensamente manejados,

incluso tablas de produccin en las cuales la altura promedia de dominantes reemplaza las
variables usuales como edad y calidad de sitio para la prediccin del crecimiento.
55
Figura 3.31 Tendencia con el tiempo del espaciamiento relativo en rodales con
diferentes densidades
Como un ejemplo del uso del IER, considrese un rodal coetneo con una altura media de
dominantes de 17 m y 600 rboles por hectrea, o sea separados aproximadamente 4.1 m
con lo cual el IER = 0.24. Considere dos cortas hasta dejar un espaciamiento relativo de 0.28
en el rodal remanente. La primera corta ser cuando la altura promedia de dominantes
alcance 18 m y la segunda cuando alcance 22. El numero de rboles/ha dejados despus de
la primera corta ser, acudiendo a la ecuacin (3.185)
10000
N 3.187
IER * H
2
d
Para la primera corta N1 = 393 rboles y la segunda, N2 = 264.
En planes de manejo los regmenes de cortas se disean, como ac, para obtener un IER
preespecificado, y los intervalos de corta se programan para coincidir con determinados
incrementos en las alturas promedias de dominantes.
56
BIBLIOGRAFIA
ARTEAGA, FRANCISCO. 1987. Modelos matemticos para la descripcin de la estructura
diamtrica de varios tipos de cativales. Medelln, Departamento de Ciencias Forestales,
Universidad Nacional de Colombia. 165 p.
BAYLLEY, R. Y DELL, T. 1973. Quantifying diameter distributions with the Weibull function.
For. Sci, 19 (2): 97-104.
BAYLEY, R.L. 1973. Weibull model for Pinus radiata diameter distributions. IUFRO.
Vancouver. 51-61.
CANAVOS, G.C. 1987. Probabilidad y Estadstica. Mxico. Mc Graw-Hill. 651 p.
CLUTTER, L. ET AL. 1983. Timber Management: A Cuantitative Aproach. John Wiley and
Sons. N.Y. 333 p.
CONTENTE ET AL. 1979. Comparaao de modelos descriptivos da distribuco diametrica en
una floresta tropical. Floresta (Sao Paulo). 10 (2): 19-33.
CHAGAS, C., RIBEIRO, J.C. AND L. COUTO. 1983. Emprego da distribuo diametrica
determinaao da intensidade de cote en matas naturais submetidas ao sistema de seleao.
Arvore, 7 (2): 110-122.
DE BARROS, ET. AL. 1978. Revista Floresta.
DEL VALLE J.I. Y A. LEMA. 1999. Crecimiento de cohortes de rboles coetneos en rodales
espacialmente dispersos: el caso de Campnosperma panamensis. Revista de la Academia
de Ciencias Exactas, Fisicas y Naturales. Santaf de Bogot. XXIII (87): 249-250.
DELL, T.R. 1973. Why not the Weibull for diameter distribution modeling. IUFRO.
Vancouver. 51-61.
DIAZ, A., Y A. GUTIRREZ. 1985. Curso: Estadstica General. Medelln U. de A. 199 p.
DUQUE, C. Y S., BUILES. 1986. Metodologa para tablas de volumen integral con base en
ecuaciones de conicidad para bosques heterogneos. Medelln. Depto de Ciencias
Forestales U.N. Tesis de grado. 139 p.
EMLEM, J.T. 1967. A rapid method for measuring arboreal canopy cover. Ecology, 48 (1):
158-160.
GADOW, VON, K. 1983. Fitting distributions in Pinus patula stands. Stellenbosch. Suid-
Afikaanse Bosboutydskrif.20-29
GOFF, F.G. Y D. WEST. 1975. Canopy - understory interaction effects on forest population
structure. 6For. Sci. 21 (2): 95-108.
GOMEZ, HERNN. 1982. Notas de clase. s.d.
HARTER, SD. 1964. Tables of the incomplete function, Biometrika, s.d.
KANGAS A Y M. MALTANO. 2000. Calibrating predicted diameter distribution with additional
information For Sci., 46 (3): 390-396.
LEAK, W. 1965. The J-shaped probability distribution. For Sci., 11 (4): 405-409.
--------. 1964. An expression of Diameter Distributions for Unbalanced, uneven-aged stands
and forests.For. Sci. 10 (1).
LEMA, A. 1995. Elementos de Geometra Fractal aplicados al clculo de errores en la
cubicain con forcpula de rboles apeados. Crnica Forestal y del Medio Ambiente, # 10 :
55-65.
LOETSCH, F., ZOHRER, F. AND K.E. HALLER. 1973. Forest inventory. BLV
Verlagsgesellchaft, Munich. 469 p.
MOSER, JR. JOHN. 1976. Specification of density for the inverse J-shaped diameter
distributions. For. Sci., 22:177-180.
PEARSON, L. E. 1957. Tables of the incomplete function, Biometrika.
PENNER, M., SWITT, R. GAGNON Y J. KNOX. 2002. A stand density management diagram for
Balsam Fir in New Branswick. Canadian Forest Service. 9p.
57
REYNOLDS, JR.M., BURK, T. AND W.C.HUANG. 1988. Goodness-of-fit tests and model
selection procedures for diameter distributions models. For. Sci., 34: 373-399
REINEKE, L. H. 1933. Perfecting a stand-density index for even-aged forest. Washington.
Journal of Agricultural Research: 46 (7): 627-638.
SANDRASEGARAN, K. 1971. Height-diameter-age multiple regression models for Rhizophora
apiculata Bl. In: Matang: manglares, taping, west Malaysia. Malayan Forester, 34 (4). 260-
275 .
SETH, S. SATYAMURTHI, K. & S., NEGI. 1985. A comparative study of some distribution
functions as applied to diameter at breast height in even- aged stands. Indian Forester. 20-
32.
SNEDECOR, G. Y W. COCHRAN. 1971. Mtodos estadsticos. Mxico. C.E.C.S.A. 703 p.
SAUNDERS, M. Y K.J PUETTMAN. 2000. A preliminary White Spruce density management
diagram for the Lake States. Minnesota. U. of Minnesota. Staff paper series N 145: 15 p.
UNESCO. 1980. Ecosistemas de los Bosques Tropicales. UNESCO, CIFCA. 771 p.
URIBE, ALBERTO. 1985. Comportamiento de las distribuciones diamtricas de frecuencia de
bosques disetneos. Medelln, Departamento de Ciencias Forestales, Universidad Nacional
de Colombia. Seminario, 90 p.
VANCLAN, J. K. 1994. Modeling forest grow and vreld. Applications to mixed tropical forest.
CAB/International, Wallingford. UK. 312 p.
WILK, M.B., R. GANADESIKAN Y J. HUYETT. 1962. Estimation of parameters of the gamma
distribution using order statistics. Biometrica: 49: 525.
ZAR, H JERROLD. 1984. Biostatistical analysis. 2 Ed. Prentice-Hall. New Jersey. 718 p.
ZARNOCH, S. Y T., DELL. 1985. An evaluation of percentile and maximun likelihood
estimators of Weibull parameters. For. Sci., 31 (1): 260-268.
of Weibull parameters. For. Sci., 31 (1): 260-268.
58

TEORIA SOBRE DIST DIAMcm PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TEORIA SOBRE DIST DIAMcm PDF

Transféré par

Droits d'auteur :

Formats disponibles

3.

4 Teora sobre Distribuciones diamtricas

Las distribuciones diamtricas se conciben como herramientas importantes para el manejo y

3.4.1 Algunas consideraciones importantes. De acuerdo con un resultado grfico,

En trminos generales se tienen algunas indicaciones: (Snedecor y Cochran, 1971) hablan

Figura 3.21 Diferencia entre los diferentes elementos diamtricos de clase.

Si la distribucin puede ser matemticamente definida, tambin es posible derivar la

Figura 3.22. Distribuciones de frecuencia absoluta y acumulada de la tabla 27

El clculo de ajuste de distribuciones no censuradas se obtiene: variable: DIAM, 65 valores

Shapiro-Wilk normality test

Normal Q-Q Plot

20 40 60 80 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

mdap Theoretical Quantiles

Prueba de bondad de ajuste de Kolmogorov-Smirnov

Figura 3.23. Ajuste diamtrico de datos de Eucalipto.

Coinciden las pruebas con la 2 de bondad de ajuste al no rechazar la Ho de que es una

z<-(dap+5-medp)/desp#debe hacerse con el lmite superior de clase

Estimacin MLE. Clculo de parmetros y frecuencias estimadas MV.

El mtodo de MV se hizo para estimar los parmetros de la distribucin de probabilidad de

Valores observados y estimados.

hist(dicru$d,breaks=6,freq=F,main="Distribucion diametrica, Normal MVE", xlab="dap",

3.4.6 Distribuciones unimodales. Son caractersticas de poblaciones evaluadas bajo un

3.4.6.1 Caracterizacin de las distribuciones unimodales. Como patrn de comparacin

Figura 3.24. Comparacin de distribuciones unimodales con la normal, asimetra y

Kurtosis. Refleja el grado de empinamiento de la curva y evala el exceso o defecto por

faes<-su*pno#calculo de las frecuencias acumuladas esperadas bajo normalidad

Efectivamente se comportan los datos crudos como una normal.

3.5 Funciones de distribucin.

al integrarla por partes con

de tal forma que:

Se obtiene una gran variedad de formas: en general si 1 la curva es singular,

Igual podra adaptarse al comportamiento diamtrico de rboles ordenados en grupos de

La gamma se usa frecuentemente en anlisis bayesiano, como un modelo previo para

3.5.1.1 Funcin de distribucin acumulada. Esta se da, para la versin a) por la

3.5.1.2 Parmetros y aproximacin a la normal de la distribucin gamma. Desde la

pgamma(q, shape, rate = 1, scale = 1/rate, lower.tail = TRUE, log.p = FALSE)#si se da

3.5.1.3 Estimacin de los parmetros. Frecuentemente uno o ambos parmetros deben

En muchas aplicaciones es conocido por experiencia y solo se precisa estimar . Para

Ejemplo ajustar con EXCEL la distribucin gamma a estos datos

3.5.1.4 Forma generalizada de la distribucin gamma. Una variada gamma se asume

3.5.1.5 Casos especiales de la funcin gamma. En la definicin y frmula (3.56),

dap lisup frob frest parachi2

hist(bn.d$d, breaks=11,freq=FALSE,main="Distribucion Gamma Diamtrica

Prueba de bondad de ajuste de los estimados MLE del bona

3.5.2.2 Clculos para la estimacin de los parmetros. Los estimadores mximo

3.5.2.2.2 Comparacin del modelo estimado con los datos observados.

hist(Datos$variable, breaks= k, freq=TRUE, main=Titulo", xlab=Eje X, ylab="Frecuencias")

Se crea el vector con todas las observaciones crudas, as

str(bn.d)#verificar el tamao total

3.5.2.4 Probabilidades acumulativas. Las probabilidades acumulativas para la Beta

li ls dap dapr ls frobs papr pavar probbe freac fres parchi2

Se dan los pasos en EXCEL para su seguimiento

Distribucin beta pasa a paso Excel

3.5.2.4.1 Ajuste, MV de la funcin beta R.

str(bn1.d)#verificar el dataframe creado:

'data.frame': 4864 obs. of 1 variable:

Ajustar la beta diamtrica mximo verosmil:

0.0 0.2 0.4 0.6 0.8 1.0

3.5.2.6.1 La distribucin uniforme o rectangular. Surge cuando en la beta se hacen

Por ejemplo, en labores de aprovechamiento, al pie de un camino maderero es igualmente

3.5.3 Distribucin binomial negativa. Surge de un escenario binomial cuando en una

en la cual P(X=x) es la posibilidad de obtener x organismos en una unidad de muestreo y

calcul con un valor de partida para k = 1.15, con lo cual:

li ls d f flnd fdesv^2 lnls prln n*pr frest pchi2