1-INTRODUÇÃO

A previsão de eventos sempre foi interessante ao ser humano,

possibilitando o estabelecimento de prioridades e a definição de estratégias
atuais para obtenção de sucesso no futuro. Este fato torna-se marcante em
culturas que apresentam maiores ciclos de produção.
A madeira de Teca (Tectona grandis Linn) possui elevado valor e procura
no mercado internacional, devido à beleza, estabilidade, durabilidade e
resistência. Tendo uso especialmente na produção de peças e de usos nobres
e móveis finos, os demais usos menos nobres são na construção naval,
confecção de móveis, estruturas, pisos, chapas, painéis, postes e dormentes.
As técnicas de desbaste apresentam-se como uma ótima solução para a
produção de árvores de maiores diâmetros. Tal técnica consiste na remoção de
uma fração de árvores num povoamento florestal, a fim de se conseguir maior
espaço de crescimento para as árvores remanescentes (Nogueira, 2005;
Campos e Leite, 2006).
A fim de se estimar a produção futura de povoamentos florestais, o
planejador florestal possui diversas ferramentas que vão desde simples
inventários florestais contínuos e modelos de crescimento e produção a
modernas ferramentas de Inteligência artificial. Esta última ainda apresenta-se
em fase de adaptação e inclusão no setor florestal, sendo ainda raramente
utilizada.
 A utilização de inventários florestais contínuos (IFC) é rotina na maioria
das empresas florestais, e com as informações oriundas destes, os
povoamentos são avaliados aplicando-se os planos de manejo em curto prazo.
Modelos de crescimento e produção em nível de povoamento não
explicam diretamente a variação do tamanho das árvores dentro do
povoamento. Estes estimam a produção a partir de atributos facilmente
mensuráveis como idade, área basal e índice de local (Campos e Leite, 2006).
A modelagem de povoamentos desbastados geralmente é feita por
modelos em nível de povoamento (BUCKMAN, 1962; CLUTTER, 1963; DIAS,
2000) e em alguns casos por modelos de distribuição diamétrica. Segundo
BURKHART, et al. (1981), os modelos em nível de povoamento são inflexíveis
para simular desbastes, e não apresentam informações suficientes para a
simulação de multiprodutos.
Os modelos de distribuição diamétrica possibilitam maior flexibilidade na
simulação de desbastes bem como a avaliação de multiprodutos (LEITE, 1990;
NOGUEIRA, 2005; CAMPOS e LEITE, 2006). Tais modelos permitem a
estimação do número de árvores por hectare por classe de diâmetro nas
idades presente e futura e apresentam como característica principal a utilização
de uma função de densidade probabilidade (f.d.p.).
A escolha da f.d.p. utilizada no modelo de distribuição diamétrica
determina a precisão do modelo. A f.d.p. descreve a distribuição diamétrica
tanto na idade atual quanto em uma idade futura. Diversas funções são
utilizadas para a descrição da estrutura diamétrica de povoamentos florestais,
exemplos incluem a distribuição Gama (NELSON, 1964), Lognormal (BLISS e
REINKER, 1964), função Beta (CLUTTER e BENNETT, 1965), função Sb
Johnson (HAFLEY e SCHREUDER, 1977) e a função Weibull (BAILEY e DELL,
1973) e mais recentemente a função Hiperbólica (BINOTI, et al 2008).
Atualmente existe um consenso sobre a superioridade da função Weibull
sobre as demais para a descrição da estrutura diamétrica de florestas
eqüiâneas. A explicação se deve ao fato das florestas eqüiâneas tenderem a
apresentar distribuições assimétricas à direita, em razão das maiores árvores
terem maiores taxas de crescimento que as árvores suprimidas (que possuem
menores dimensões) (GUIMARÃES, 1994).
 Contudo, os estudos estatísticos têm proporcionado novas funções de
densidade probabilidade com diferentes características, flexibilidade e
capacidade de ajuste. Por isso, objetivou-se neste trabalho introduzir e avaliar
a eficiência de diversas funções densidade probabilidade para a descrição da
distribuição diamétrica de povoamentos de Teca submetidos a desbaste em
diferentes idades.
 2. REVISÃO BIBLIOGRÁFICA

2.1. Tectona grandis

A Teca (Tectona grandis Linn. f.) é uma espécie arbórea decídua de

floresta tropical. Esta espécie apresenta alto interesse comercial devido a sua
fácil usinagem. A madeira apresenta facilidade de secagem, com rachaduras e
empenos mínimos, devido ao baixo coeficiente de contração e excelente
estabilidade; possui alta resistência ao ataque de cupins; brocas marinhas e
outros insetos, resistência quando exposta a ação do ambiente (MOURA,
2007). Sua madeira apresenta alta procura internacional devido à beleza,
estabilidade, durabilidade e resistência. Possui como principais usos, a
construção naval, confecção de móveis, estruturas, pisos, chapas, painéis,
postes e dormentes, e especialmente, na produção de peças e de usos nobres
e móveis finos (MOURA et al, 2007; FIGUEIREDO et al, 2005).

Os desbastes constituem fonte renda mesmo que resultem em madeiras

de menores dimensões e de qualidade inferior, podem ser iniciados no quinto
ano, com madeira apta a ser utilizada como moirões, escoras, vigas de
construções e etc. O segundo desbaste, por volta dos 8 anos, permite que a
madeira seja serrada para a produção de sarrafos colados, lambris, painéis e
etc. Outros desbastes ocorrem nos anos de 10, 11, 14, 17, 20, 22 e 25, sendo
que a partir do terceiro desbaste, a madeira pode ser utilizada para a
fabricação de móveis finos (FIGUEIREDO et al, 2005; OLIVEIRA et al, 2007;
SILVA, 2008).

2.2. Modelos de Distribuição Diamétrica

A eficiência do planejamento está intimamente ligada à disposição e

confiabilidade das informações sobre a estrutura do povoamento. Os modelos
de distribuição diamétrica estimam o número de árvores por classe de diâmetro
nas idades presente e futura. Com a projeção da distribuição diamétrica futura
pode-se a partir do emprego de equações de volume, de taper ou de razão
volumétrica, estimar a produção volumétrica por hectare, por classe de
diâmetro (LEITE, 1990). Possibilitando a avaliação econômica de multiprodu-
tos, além de serem flexíveis para analisar simulações de desbaste (BUKHART,
et al., 1981).
O processo usual para o desenvolvimento de modelos dessa ordem
consiste em: obtenção de dados de inventário oriundos de parcelas
permanentes; seleção de uma função de densidade probabilidade, ajuste
dessa função para todas as parcelas em todas as idades; ajuste de regressões
para estimar os parâmetros da função e cálculo dos volumes por classe de
diâmetro (LEITE, 1990).
O ajuste da f.d.p. é uma das primeiras e principais fases nesse
desenvolvimento. Os diversos modelos de distribuição diamétrica diferem no
tocante à f.d.p. usada para descrever a distribuição diamétrica. Diversas
funções são utilizadas na área florestal, dentre elas destacam-se a função
Exponencial, Normal, Lognormal, Beta, Sb Johnson e Weibull (BAILEY, 1980).
Na área florestal, a função Weibull e intensivamente utilizada, em
conjunto com as funções beta e Sb Johnson. Contudo a função Weibull
apresenta superioridade sobre as demais funções devido a sua flexibilidade e
facilidade de ajuste (GUIMARÃES, 1994).
A função Weibull é atualmente a terceira função mais utilizada na área
estatística, sendo superada apenas pela função normal e gama (GUIMARÃES,
1994).
NOGUEIRA, et al 2005 propuseram um modelo de distribuição
diamétrica para plantios de Teca submetidos a desbaste. Este modelo utilizava
como f.d.p. a função Weibull de dois parâmetros. Também foi testado por
LEITE, et al 2006, mostrando-se compatível e consistente para a projeção da
distribuição diamétrica futura.
Escolhida a f.d.p., o passo seguinte é estimar os parâmetros dessa
função, a partir dos dados observados. Dentre os métodos de ajuste mais
utilizados destacam-se o método dos Percentis, dos Momentos e da Máxima
Verossimilhança, (GUIMARÃES, 1994). Este último destaca-se por apresentar
estimativas mais confiáveis.

2.3. Funções de Densidade Probabilidade

Uma função densidade probabilidade f ( x) pode ser usada para

descrever a distribuição de probabilidades de uma variável aleatória contínua x.

Se em um intervalo for provável de ocorrer um valor para x, então sua

probabilidade é grande e ela corresponde a um alto valor para f ( x) . A

probabilidade da variável x estar entre a e b é determinada pela integral de

f ( x) de a até b.

Uma função de densidade probabilidade proporciona uma descrição

simples das probabilidades associadas a uma variável aleatória. Contudo, f ( x)

 �

�f ( x)dx = 1
necessariamente deve ser positiva e -� . Sendo zero para valores de
x que não possam ocorrer e é considerada igual a zero onde ela não for
especificamente definida.
A aplicação de funções densidade de probabilidade na distribuição de
diâmetros faz mão da utilização de histogramas, sendo que a largura da barra
é igual a freqüência relativa das medidas do intervalo, ou seja, a largura da
barra corresponde a probabilidade de árvores terem o diâmetro delimitado pelo
intervalo de dap, o que denomina-se de classe de dap.
 3. Materiais e Métodos

3.1. Dados

Os dados utilizados neste estudo são provenientes de 10 parcelas

permanentes retangulares de 490 m2 de área, escolhidas aleatoriamente,
instaladas em povoamentos de Tectona grandis, no Estado do Mato Grosso.
Esses povoamentos foram implantados na região da depressão cuiabana,
entre as coordenadas geográficas 15º 02’ a 15º 11’ de latitude S e 56º 29’ a 56º
35’ de longitude W, com espaçamento inicial de 3,0 x 2,0 m. A precipitação
média anual da região é de 1.300 a 1.600 mm, com seis meses de período
seco, e a temperatura média anual é de 25,3 ºC.
 As parcelas foram medidas, aos 34, 43, 55, 68, 81, 92, 104, 120, 134 e
145 meses em média. Em cada parcela e ocasião foram medidos os diâmetros
a 1,30 m de altura (dap) de todas as árvores. O primeiro desbaste foi realizado
aos 81 meses (idade média) e o segundo aos 104 meses, com redução
sistemática de 36% das árvores, em média.

3.2. Funções de Densidade Probabilidade

Para cada parcela, em cada medição, ajustaram-se as seguintes 38

funções de densidade probabilidade, que são apresentados na Figura 1
(Evans, et al. 1993; Krishnamoorthy, 2006;
Função Domínio Função de Densidade Probabilidade Função de Distribuição Parâmetros
Acumulativa

( ))
g é o parâmetro de
(
-�< x < +�
Johnson Su � 1�
( )
2�
- g +d ln z + z 2 +1 �
d �
� 2�
� �
��
�� F ( x) = F g + d ln z + z 2 + 1
f ( x) = e �

l 2p z 2 + 1 forma
em que, d é o parâmetro de
x -x
z�
l forma
( d > 0)
t2
1 - l é o parâmetro de
F ( x) = �
e 2
dt
2p
escala
( l > 0)
x é o parâmetro de

locação
Rayleigh g �x<+ � � 1 �x -g �2�
� 1 �x -g � 2� s - Parâmetro de
x -g �-
� 2�
� �s
��
��
�-
� 2� ��
�
f ( x) = 2 e � �s �� escala ( s >0)
�
(2P)
s F ( x) = 1 - e
g - Parâmetro de
locação (se g =0,

caracteriza a
distribuição
Rayleigh de um
parâmetro)
Rayleigh g �x<+ � 2�
� 1 �x � 2�
� 1 �x � s - Parâmetro de
�- �� �- � ��
x � 2� s �� � 2 �s ��
escala ( s >0)
� �
f ( x) = e �
F ( x) = 1 - e � �
s2
Beta a≤x≤b 1 ( x - a)a1 -1 (b - x)a2 -1 F ( x ) = I z (a1 , a 2 ) a1 é o parâmetro
f ( x) =
B (a1 , a 2 ) (b - a )a1 +a2 -1
em que, a1 > 0 )
de forma (
em que, x-a
1 z� a 2 é o parâmetro
t a1 -1 ( 1 - t )
B(a1 , a 2 ) = �
a 2 -1
dt (a1,a 2 > 0) b-a
0 Bx ( a1 , a 2 ) a2 > 0 )
I x ( a1 , a 2 ) = de forma (
B ( a1 , a 2 )
a, b são os limites
da distribuição
(a<b)
Cauchy -�< x < +� -1
1 �x - m � s é o parâmetro de
� � �x - m ��� 2

ps �
f ( x) = � 1+ � �� F ( x) = arctan � �+ 0.5
� � �s � ��� p �s � escala ( s > 0 )
� � ��
m é o parâmetro de

locação
Qui- g < x < +� � ( x -g ) �
n n é o Graus de
G�x -g �� �
�n � �- �
� -1� � 2 �
Quadrado f ( x) =
( x -g ) �2 � �e �
� �� 2�
�� Liberdade (Integral
n
�n� F ( x) = � 2 �
(2P) 2 G� �
2
�n� Positiva)
�2 � G� �
�2 � g é o parâmetro de

locação.
Qui- g < x < +� n ��x�
n� n é o Graus de
Gx �
�
� -1� �- �
�2 � � 2 �
x e ��
Quadrado f ( x) = n �2 � Liberdade (Integral
�n�
22 G � �
F ( x) = 2
(1P) �n� Positiva)
�2 � G� �
�2 �
em que,
�
G(a ) = �
t a -1e - t dt ( a > 0)
0

�
Gx ( a ) = �
t a -1e - t dt ( a > 0)
0

Erlang (3P) g < x < +� ( ) - � ( x -g ) �

G�x -g �( m ) m é o parâmetro de
( x -g )
m -1
�
� �
b �
f ( x) = m e� �
� �
b G ( m) F ( x) = �b � forma
G ( m) b é o parâmetro de

escala ( b >0)
g é o parâmetro de

locação
Erlang (2P) g < x < +� ( m -1) �x�
G x ( m) m é o parâmetro de
x �- �
�b �
f ( x) = e
b mG ( m ) F ( x) = b
forma
G ( m)
b é o parâmetro de
 escala ( b >0)
�
G(a ) = �
t a -1e - t dt ( a > 0)
0

�
Gx ( a ) = �
t a -1e - t dt ( a > 0)
0

Erro -�< x < +�

f ( x) =
h ( -( hx ) 2 )
p
e F ( x) = F ( 2hx ) h é o inverso do
parâmetro de
escala
em que,

t2
1 -
F ( x) = �
e 2
dt
2p
g �x < +� l é o inverso do
F ( x ) = 1 - e(
- l ( x -g ) )
f ( x ) = l e(
Exponencial - l ( x -g ) )

(2P) parâmetro de forma

( l > 0)
g é o parâmetro de

locação

Exponencial g �x < +� f ( x ) = l e( - l x ) F ( x ) = 1 - e( - l x ) l é o inverso do

(1P) parâmetro de forma

( l > 0)
Birnbaum- g < x < +� ( x -g ) + b �1 � x - g � a é o parâmetro de
b �
b ( x -g ) �1 � ( x -g ) b �� F ( x) = F � � - �
�
Saunders f ( x) = f� � - �� �
�a�� b x -g �
�
�
� ( a > 0)
2a ( x - g ) �a � b ( x -g ) �� forma
(Fatigue Life �� ��
b é o parâmetro de
(3P))

escala ( b >0)
g é o parâmetro de

locação
Birnbaum- g < x < +� b a é o parâmetro de
x
+
�1 � x b��
Saunders b x �1 � x �
b� F ( x) = F � ��b - �
�
�
f ( x) = f� � - �
� �a x � ( a > 0)
2a x �a� x�
� � � �
� forma
(Fatigue Life � �b �
�
em que, b é o parâmetro de
(2P))
t2
1 -
F ( x) = �
e 2
dt escala ( b >0)
2p
- x2
e 2
f ( x) =
2p

Frechet (3P) g < x < +� a +1

�� b �
�
a�
��b � a� a é o parâmetro de
- �� �-� � �
a �b � �� x -
�� � �
g � � �x -g � �
f ( x) = � e F ( x) = e � �
b��x - g � ( a > 0)
forma
b é o parâmetro de
 escala ( b >0)
g é o parâmetro de

locação
Frechet (2P) g < x < +� a +1
a�
� �b � a �
� �b � a é o parâmetro de
a �b �
- ��
�
�� x
�� � �
� �-� � �
� �x � �
f ( x) = � � e F ( x) = e � �
b �x �
forma
( a > 0)
b é o parâmetro de

escala ( b >0)
Gama (3P) g < x < +� G ( x -g ) ( a ) a é o parâmetro de
( x -g )
a -1
� �x - g �
�
f ( x) = a e �- � �
�
b G(a ) ��b �
� F ( x) = b
( a > 0)
G(a ) forma
b é o parâmetro de

escala ( b >0)
g é o parâmetro de

locação
Gama (2P) g < x < +� x a -1
� �x �
� Gx (a) a é o parâmetro de
f ( x) = e�-� ��
b G(a )
a
� �b �
� F ( x) = b

G(a ) forma
( a > 0)
em que, b é o parâmetro de
�
G(a ) = �
t a -1e -t dt ( a > 0)
0
escala ( b >0)
 �
Gx ( a ) = �
t a -1e- t dt ( a > 0)
0

Generalizad
1+ k
( x - m) > 0 k �0 �1 � �
1
- �
-( 1+ kz ) k �
1
( 1+ kz ) -1- k �� �
1
- �
-( 1+ kz ) k �
k é o parâmetro de
� � � �
s � e� �
k �0 �e� �
k �0
a de Valores �s F ( x) = � forma
-�< x < +� k = 0 f ( x) = �
�( - e( - z ) )
Extremos �1 ( - z -e( - z ) ) �e k =0 s é o parâmetro de
� e k =0
�s
em que,
x-m escala
( s > 0)
z=
s m é o parâmetro de

locação
Logística ( x - m) > 0 � 1
� 1 k é o parâmetro de
� ( 1 + kz )
-1-
1+ k k �0 k k �0
s k �0 � 1
Generalizad ( )
-
�� 1 2 �
1 + 1 + kz k forma
-�< x < +� k =0 - � F ( x) = �
�s 1 + ( 1 + kz ) k �
a f ( x) = � �� � � 1 s é o parâmetro de
� k =0
� ( - z) 1 + e- z
�
� e k =0 ( s > 0) m éo
�s ( 1 + e - z ) 2 em que, escala
�
x-m parâmetro de
z=
s locação
Pareto m �x < +� k �0 � 1
� -
1 k é o parâmetro de
� ( x - m) �
-1-
s �1 �
1+ k
( x - m) � k
k �0 �
1 - 1+ k
k
k �0
Generalizad m �x < m - k<0 � � � � � forma
k �s s � F ( x) = � � s �
f ( x) = � �
a ( x-m ) � � � ( x-m ) � s é o parâmetro de
�1 �- �- �
�
�
� e s �
�
� �
1- e
�
� s �
�
k =0
�
k =0 �
�s
escala
( s > 0)
m é o parâmetro de
 locação
s é o parâmetro de
Gumbel -�< x < +� �1 ( - z -e )
f ( x) = � e
s
-z
{
F ( x) = e e- z

Máxima �
em que, escala
( s > 0)
x-m m é o parâmetro de
z�
s
locação
s é o parâmetro de
Gumbel -�< x < +� �1 ( z -e z )
f (x) = � e
s
{
F ( x) = 1 - e - e
z

Minima �
em que, escala
( s > 0)
x-m m é o parâmetro de
z�
s
locação
Gaussiana g < x < +� � l ( x -g - m ) 2 � � l �x - g � � � l �x - g � �2ml l é o desvio-
�- � F ( x) = F � - 1 + F - - 1 �e
l � 2 m 2 ( x -g ) � �
� x -g � m �
� � �
� � x -g � m
�
�
�
�
Inversa (3P) f ( x) = e � � � � � �
padrão da
2p ( x - g )
3

distribuição
( l > 0)
m é a média da

distribuição ( m >0)
Gaussiana g < x < +� � l ( x-m )
�
2 �
�
� l �x �
� � l �x � � 2l
m
l é o desvio-
l � -
2m2x � F ( x) = F �
� � - 1�
�+ F �
� �- � + 1�
�
�e
Inversa (2P) f ( x) = e � �
� x �m �
� � x �m � �
2p x3 padrão da
em que,
1 -
t2
distribuição
( l > 0)
F ( x) = �
e 2
dt
2p m é a média da
 distribuição( m >0)
Johnson Sb x �x �x + l �1� 2
��
�z � � �z � � g d são os
d
�- g +d ln � �
� 2�
���
g + d ln � �
F ( x) = F � e
f ( x) = e�
� 1- z �
� �� �
1- z �
� � �
l 2p z ( 1 - z ) parâmetros de
em que,
x -x forma
( d > 0)
z�
l
l é o parâmetro de
t2
1 -
F ( x) = �
e 2
dt ( l > 0)
2p escala
x é o parâmetro de

locação
Laplace -�< x < +� l -l x-m ) �1 ( - l ( m - x ) ) l é o inverso do
f ( x ) = e( e x �m
2 �
�2
F ( x) = � parâmetro de
1 -l( x-m ) )
�1 - e( x>m
� 2
escala
( l > 0)
m é o parâmetro de

locação
Log- g �x < +� a -1 a -2
a -1 a é o parâmetro de
a �x - g � � �x - g �� � �b � �
f ( x) = � 1+ �
� �� F ( x) = �
1+ � �
Logística b �b � � � � � b ��� � �x - g �
� � ( a > 0)
� � forma
(3P)
b é o parâmetro de

escala ( b >0)
Log- g �x < +� a -1 a -2
a -1 a é o parâmetro de
a �x � � �x �� � �b � �
Logística f ( x) = � � � 1 + � �� F ( x) = �
1 + � ��
b �b � � � �b ��
� � �x �� ( a > 0)
� � forma
(2P)
b é o parâmetro de

escala ( b >0)
g é o parâmetro de

locação
Logística -�< x < +� e -z 1 s é o parâmetro de
f ( x) = F ( x) =
s ( 1+ e 1 + e- z
)
-z 2
( s > 0)
em que, escala
x-m m é o parâmetro de
z�
s
locação
g < x < +� s é o
Lognormal �ln ( x - g ) - m � desvio-
2�
� 1 �ln ( x -g ) - m �
�
- � ��

e
� 2�
� �
s ��
�� F ( x) = F � �
(3P) s
f ( x) = � � ( s > 0)
( x -g ) s 2p padrão
m é a média da

distribuição
g é o parâmetro de

locação
Lognormal g < x < +� � 1 �ln x - m �
-
�
2�
�ln x - m � s é o desvio-
��
e
� 2�
� � s ��
� F ( x) = F � �
(2P) f ( x) = � s � ( s > 0)
xs 2p padrão
em que,
 t2 m é a média da
1 -
F ( x) = �
e dt 2

2p distribuição
Normal -�< x < +� �-
2�
� 1 �x - m �
�x - m � s é o parâmetro de
��
e
� 2�
� � s ��
� F ( x) = F � �
f ( x) = �s � ( s > 0)
s 2p escala
em que,
m é o parâmetro de
t2
1 -
F ( x) = �
e 2
dt locação
2p
Pareto b �x < +� ab a a a é o parâmetro de
f ( x) = �b �
xa +1 F ( x) = 1 - � �
�x �
forma
( a > 0)
b é o parâmetro de

escala
( b > 0)
m é o parâmetro de
Pert a �x �b 1 ( x - a) 1 ( b - x)
a -1 a 2 -1
F ( x ) = I z ( a1 , a 2 )
f ( x) =
B ( a1 , a 2 ) ( b - a) 1 2
a +a -1
( a �m �b )
em que, moda
4 m + b - 5a
a1 = a, b
b-a são os
5b - a - 4m parâmetros limites
a2 =
b-a
( a > b)
x-a
z�
b-a
 1
B ( a1 , a 2 ) = �
t a1 -1 ( 1 - t ) ( a1 , a 2 > 0 )
a 2 -1
dt
0

Bx ( a1 , a 2 )
I x ( a1,a 2 ) =
B ( a1 , a 2 )
Bi- g 1 �x < +� l1e 1 ( 1 )
�
�
- l x -g
g 1 �x �g 2 �
1- e
�
- l1 ( x -g 1 )
g 1 �x �g 2 l1 é o inverso do
f ( x ) = � - l x -g - l g -g F ( x) = � - l x -g -l g -g
2( 2) 1( 2 1)
Exponencial l2e 2 ( 2 ) 1 ( 2 1 ) g 2 < x < +� 1- e
� g 2 < x < +�
� parâmetro de

escala
( l1 > 0 )
g 1 é o parâmetro de

locação
l2 é o inverso do

parâmetro de

escala
( l2 > 0 )
g 2 é o parâmetro de

locação
( g 2 > g1 )
Bi-Weibull g 1 �x < +� � � a1 �
a1 -1 �-�x -g 1 � � � � �
a
�x -g �1 �
-� 1 � �
a1 é o parâmetro
�a1 �x - g 1 � e�
� �
b1 � �
� � �
g 1 �x �g 2 � �
1 - e�
b
� 1 �� �
g 1 �x �g 2
�b � b � �
�1 � 1 � F ( x) = �
f ( x) = �
� a2 �
a 2 -1 �-�x -g 1 � � � �
a2 �
� �x -g �
-� 1 � � de forma
( a1 > 0 )
� � � �b2 � �
a x - g
� 2 � 1 � e�
� �
� �b2 � �
�
�
1 - e� �
g 2 < x < +�
�
g 2 < x < +� �
�b b
�2 � 2 � b1 é o parâmetro de

escala
( b1 > 0 )
g 1 é o parâmetro de

locação
a 2 é o parâmetro

de forma
( a2 > 0)
b 2 é o parâmetro

de escala
( b2 > 0)
g 2 é o parâmetro de

( g > g1 )
locação 2
a �x �b a é o parâmetro de
Power a ( x - a)
a -1 a
�x - a �
f ( x) = F ( x) = � �
( b - a)
a
�b - a � ( a > 0)
forma
 a, b são os
parâmetro limites

( a > b)
t de Student -�< x < +� �( n + 1) � n graus de
�1 1 �1 n �
G� � n +1
�2 - 2 I z �2 , 2 � x < 0
1 � 2 �� n �2 � � � liberdade
f ( x) = F ( x) = �
pn G � n� � n + x2 �
� �
�� �1 + 1 I �1 , n � x �0
�2 � z� �
�
�2 2 �2 2 �
em que,
x2
z�
n + x2
�
G(a ) = �
t a -1e- t dt
0

Bx ( a1 , a 2 )
I x ( a1 , a 2 ) =
B ( a1 , a 2 )

( ) ( )
x �x < 0 se d �0 e g > 0, a g
Wakeby
x( F) = x + 1- ( 1- F ) - 1- ( 1 - F )
b -d
a g
x �x �x + - se d < 0 ou g = 0
b d b d
Weibull (3P) g �x < +� a -1
a�
� �x -g �
�
a�
� �x -g � a é o parâmetro de
- ��
a �x - g � �� b
�� � �
�
�-� � �
�� b ��
f ( x) = � e F ( x) = 1 - e � �
b��b � ( a > 0)
forma
b é o parâmetro de

escala
( b > 0)
 g é o parâmetro de

locação
Weibull (2P) g �x < +� a -1
a�
� �x �
�
a�
� �x � a é o parâmetro de
- ��
a �x � �� b
�� � �
�
�-� � �
� �b � �
f ( x) = � � e F ( x) = 1 - e � �
b �b �
forma
( a > 0)
b é o parâmetro de

escala
( b > 0)

Figura-1: Distribuições Estatísticas utilizadas

3.3. Ajuste das Funções

Os dados de dap observados em cada parcela foram agrupados em

classe com amplitude de 1,0 cm. O método de ajuste utilizado foi o da máxima
verossimilhança (Fisher 1922). Os ajustes foram feitos com o auxílio do
software Easyfit 3.0 (MathWare).

3.4. Avaliação dos ajustes

Para testar a aderência da função aos dados utilizou-se o teste

Kolmogorov-Smirnorv (Gibbons & Subhabrata, 1992; Sokal & Rohlf, 1981).
Este teste compara a freqüência acumulada estimada, com a observada, sendo
a classe de maior divergência a estatística do teste (dn):

dn=MAX [ F ( X )−S( X ) ]

em que S(X) é a freqüência acumulada observada, e F(X) é a freqüência

estimada pela função densidade.
Todos os ajustes obtidos em todas as idades foram comparados pela
análise gráfica dos valores observados e estimados e pela média dos valores
do teste K-S (P<0,01).
 4. Resultados e Discussões

4.1. Avaliação dos Ajustes

A avaliação dos ajustes foi feita com base nos valores do teste K-S,
sendo a função com menor média ponderada dos valores de K-S e o menor
número de ajustes não-significativos, considerada a melhor função. Os
resultados do teste K-S e o número de ajustes são apresentados na Tabela 1.
Na Figura 2 são apresentados o ajuste de todas as funções de três
parcelas escolhidas ao acaso em três idades (34, 81, 134 meses).
Tabela 1. Valores do teste K-S (dn), e número de ajustes de cada função

Função Número de Ajustes Soma(dn) Média(dn)

Johnson SU 13 2,15794 0,165995385
Johnson SB 77 13,09715 0,170092857
Log-Logistica (3P) 97 17,28443 0,17819
Cauchy 93 16,73941 0,179993656
Lognormal (3P) 97 17,78286 0,183328454
Weibull (3P) 97 17,86075 0,184131443
Fatigue Life (3P) 97 17,9753 0,185312371
Pert 96 17,92723 0,186741979
Normal 97 18,13258 0,186933814
Gama 97 18,20705 0,187701546
Inv. Gaussian (3P) 97 18,21971 0,187832062
Inv. Gaussian 97 18,43793 0,190081753
Gama (3P) 97 18,56925 0,191435567
Lognormal 97 18,57396 0,191484124
Fatigue Life 97 18,6875 0,192654639
Frechet (3P) 92 17,74651 0,192896848
Weibull 97 18,73415 0,193135567
Logistica 97 19,135 0,197268041
Erlang (3P) 97 19,16491 0,197576392
Erlang 97 20,02214 0,206413814
Beta 97 20,19092 0,208153814
Gumbel Max 97 20,54382 0,211791959
Gumbel Min 97 21,78786 0,224617113
Laplace 97 21,97965 0,22659433
Rayleigh (2P) 97 22,1061 0,227897938
Power Function 97 25,82985 0,266287113
Log-Logistica 96 29,44651 0,306734479
Qui-Quadrado (2P) 95 29,33758 0,308816632
Exponencial (2P) 97 32,31932 0,333188866
Frechet 92 33,32072 0,362181739
Rayleigh 97 35,2005 0,362891753
Qui-Quadrado 97 36,68376 0,378183093
Exponencial 97 49,93703 0,514814742
Gen. Extreme Value 13 7,412 0,570153846
Gen. Pareto 13 7,99094 0,614687692
Pareto 2 1,9007 0,95035
Student's t 86 85,07773 0,98927593
Função Erro 97 96,23543 0,992117835
 Idade (meses)
Funções
34 81 134

Johnson Su Sem ajuste Sem ajuste

Johnson Sb Sem ajuste

Log-Logística
(3P)

Cauchy

Lognormal (3P)

Weibull (3P)

Fatigue Life (3P)

 Pert

Normal

Gama

Gaussiana
Invertida (3P)

Gaussiana
Invertida (2P)

Gama (3P)

Lognormal (2P)

Fatigue Life (2P)

 Frechet (3P)

Weibull (2P)

Logística

Erlang (3P)

Erlang (2P)

Beta

Gumbel Máximo

Gumbel Mínimo
 Laplace

Rayleigh (2P)

Power

Log-Logística
(2P)

Qui-Quadrado
(2P)

Exponencial
Sem ajuste
(2P)

Frechet

Rayleigh Sem ajuste

 Qui-Quadrado

Exponencial Sem ajuste

t de student Sem Ajuste

Erro Sem Ajuste

Figura-2: Ajustes para cada parcela escolhida ao acaso nas idades de 34, 81 e
134 meses.
As distribuições Johnson Su e Johnson Sb, apresentaram os menores
valores para o teste K-S, contudo tais funções não se ajustaram a todos os
dados. Esse fato prejudica a construção de modelos de distribuição diamétrica,
pela redução do número de observações.
Ressalta-se que as funções foram ajustadas utilizando apenas o método
da Máxima Verossimilhança, outras formas de ajuste como o método dos
percentis, momentos e l-momentos devem ser testadas, a fim de determinar a
melhor forma de utilização de cada função.
 5. CONCLUSÕES

As funções Log-logística (3P), Cauchy, Lognormal (2P e 3P), Weibull (2P

e 3P), Fatigue Life (2P e 3P), Pert, Normal, Gama (2P e 3P), Gaussiana
Inversa (2P e 3P), Frechet (2P e 3P), Erlang (2P e 3P), Beta, Rayleigh (2P) e
Gumbel máxima e mínima podem ser usadas para a descrição da distribuição
diamétrica de povoamentos desbastados de Tectona grandis.

A utilização das funções Sb Johnson e Su Johnson, devem ser usadas

apenas quando a distribuição diamétrica observada se mostrar bem definida.
 6. REFERÊNCIAS BIBLIOGRÁFICAS

BAILEY, R. L., DELL, T. R.. Quantifying diameter distributions with the Weibull function.
Forest Science. 19(2), 97-104.1973.

BAILEY, R.L. Individual tree growth derived from diameter distribution models. Forest
Science v.26, n.4, p.626-632, 1980.

BINOTI, D. H. B.; LEITE, H. G.; SILVA, M. L. M.; ALCANTARA, A. E. M; OLIVEIRA

NETO, R. R. Eficiência das funções weibull e hiperbólica para modelagem da
distribuição de diâmetros em povoamentos de eucalipto submetidos a desbaste. Anais
do XVIII simpósio de Iniciação científica, Outubro 2008, UFV.

BLISS, C. L., REINKER, K. A.. A lognormal approach to diameter distributions in even-

aged stands. Forest Science 10, 350-360.1964.

BUCKMAN, R.E. Growth and yeld of red pine in Minnesota. Washington: U.S.
Department Agriculture, 1962, 50p. (Technical Bulletin, 1272).

BURKHART, H. E.; CAO. Q. V.; WARE, Z. d. A; A comparison of growth and yield

prediction models for loblolly pine. Blacksburg: Virginia Polytechnic Institute and State
University, Scholl of Forestr and Wildlife Resources, 1981. 59 p. (Publ., FWS-2).

CAMPOS, J. C. C.; LEITE, H. G. Mensuração florestal: perguntas e respostas. 2.

ed.rev. e ampl. Viçosa: UFV, 2006. 470 p.

CLUTTER, J.L. & BENNETT, F.A. - Diameter distributions in old - field slash pine
plantations. Georgia Forest Research Council Report, Maple (13): 1-9, 1965.

CLUTTER, J.L. Compatible growth and yield models for loblolly pine. Forest
Science, v.9, n.4, p.354-371, 1963.
DIAS, A. N. Modelagem e avaliação econômica de plantações de eucalipto
submetidas a desbastes. 2000. 82 f. Dissertação (Mestrado em Ciência Florestal) –
Universidade Federal de Viçosa, Viçosa, 2000.

FIGUEIREDO, E. O.; OLIVEIRA, L. C. de; BARBOSA, L. K. F. Teca (Tectona grandis

L.f.): principais perguntas do futuro empreendedor florestal. Rio Branco: Embrapa
Acre, 2005. 87 p. (Documentos, 97).

FISHER, R. A. On the mathematical foundations of theoretical statistics. Philosophical

Transactions of the Royal Society of London, Ser. A, 222, 309-368. 1922.

GIBBONS, J.D. & SUBHABRATA, C. Nonparametric statistical inference. 3th. ed. New
York: Marcel Dekker, 544p. (Statistics: textbook and monograph, v.31). 1992.

GUIMARÃES, D.P. Desenvolvimento de um modelo de distribuição diamétrica de

passo invariante para prognose e projeção da estrutura de povoamentos de eucalipto.
1994. 160f. Tese (Doutorado em Ciência Florestal) - Universidade Federal de Viçosa,
Viçosa, 1994.

HAFLEY, W. L., SCHREUDER, H. T., Statistical distributions for fitting diameter and
height data in ever-aged stands. Canadian Journal of Forest Research. 7 184-487.
1977.

KRISHNAMOORTHY, K. (Kalimuthu). Handbook of statistical distributions with

applications.(Statistics, a series of textbooks & monographs ; 188) Taylor & Francis
Group, LLC, 2006.

LEITE, H. G.; NOGUEIRA, G. S.; CAMPOS, J. C. C.; TAKIZAWA, F. H.; RODRIGUES,

F. L. Um modelo de distribuição diamétrica para povoamentos de Tectona grandis
submetidos a desbaste. Revista Árvore, Viçosa, Minas Gerais, v. 30, n. 1, p. 89-98,
2006

LEITE, H.G. Ajuste de um modelo de estimação de freqüência e produção por classe

de diâmetro, para povoamentos de Eucalyptus saligna Smith. Viçosa: UFV, 1990. 81p.
Dissertação (Mestrado em Ciência Florestal) – Universidade Federal de Viçosa, 1990.

MERRAN, E., NICHOLAS, H., and BRIAN, P..- Statistical distributions 2 ed. 186p.
JOHN WILEY & SONS, New York, 1993.

MOURA, R. G. Coleobrocas (Insecta: Coleóptera) associadas à madeira de Tectona

grandis Linn. f (Lamiaceae). 2007. 57 p. Dissertação (Mestrado) - Escola Superior de
Agricultura Luiz de Queiroz, Piracicaba.

NELSON, T. C. Diameter distribution and growth of loblolly pine. Forest Science.10 (1),
105-114.1964.
NOGUEIRA, G. S.;LEITE, H. G.;CAMPOS, J. C. C.;CARVALHO, A. F.;SOUZA, A. L.
de. Modelo de distribuição diamétrica para povoamentos de eucalyptus sp. submetidos
a desbaste. Revista. Árvore, Viçosa-MG, v.29, n.4, p.579-589, 2005.

OLIVEIRA, L. C. de; ANGELI, A.; STAPE, J. L. Teca é a nova opção na indústria

mundial. Revista da Madeira, Curitiba, ano 18, n. 106, p. 81-86, julho, 2007.

SILVA, Mayra Luiza Marques da... Estimação do diâmetro sem casca e

diâmetro do cerne para árvores de Tectona grandis Linn. utilizando redes
neurais artificiais. Monografia de Graduação Universidade Federal de
Viçosa, 49f junho de 2008.

SOKAL, R. R. & ROHLF, F. J. Biometry. San Francisco: Freeman, 859 p. 1981.