s
j=1
p
j
= 1. Como uma medida de diversidade de uma populao, desejvel encontrar
uma funo de p
j
, H
(p
1
, . . . , p
s
), que satisfaa as seguintes condies:
1. Para um dado s a funo assume seu maior valor quando p
j
=
1
s
, j. Denota-se este
valor mximo por L(S). Ento,
L(S) = H
_
1
s
, . . . ,
1
s
_
.
2. A diversidade da populao desconhecida se for postulada a existncia de (s +1)-
sima, (s +2)-sima, . . . , classes para as quais nenhum indivduo pertence; isto
H
(p
1
, . . . , p
s
, 0, . . . , 0) = H
(p
1
, . . . , p
s
).
2.1 Diversidade ecolgica e suas medidas 13
3. Supondo que a populao esteja sujeita a um processo de separao e classicao
da populao em t classes, B
1
, . . . , B
t
. Cada indivduo pertence a exatamente uma
das B classes e a probabilidade que este venha a pertencer a classe B
k
q
k
, em
que
t
k=1
q
k
= 1. Ento a dupla classicao apresenta st classes diferentes, A
j
B
k
,
( j = 1, . . . , s; k = 1, . . . , t; ) e a probabilidade de que um indivduo escolhido aleatoria-
mente pertena a classe A
j
B
k
pode ser descrita como
jk
. Claramente, se a clas-
sicao A e a classicao B so independentes,
jk
= p
j
q
k
, mas se os atributos
cujas classicaes so mutuamente dependentes ento
jk
= p
j
q
jk
, em que, q
jk
a probabilidade condicional de um indivduo pertencer a B
k
dado que ele pertence a
A
j
. Para a diversidade da populao duplamente classicada possvel escrever
H
(AB) = H
(
11
,
12
, . . . ,
st
).
Em seguida, suponha H
j
(B) = H
_
q
j1
, . . . , q
jt
_
para a diversidade sobre a classi-
cao B dentro da classe A
j
e denote
H
A
(B) =
s
j=1
p
j
H
j
(B),
como a diversidade mdia sobre a classicao B dentro de todas as classes A.
Ento, a condio 3 diz que deve haver
H
(AB) = H
(A) +H
A
(B). (2.1)
Se as classicaes so independentes, isto , q
jk
= q
k
j, tem-se
H
(AB) = H
(A) +H
(B). (2.2)
Tendo especicado as trs condies satisfatrias para H
(p
1
, . . . , p
s
) =
s
j=1
p
j
log(p
j
), (2.3)
em que uma constante positiva.
Antes disso, porm, desejvel mostrar como tais condies so interpretadas em um
contexto ecolgico.
2.1 Diversidade ecolgica e suas medidas 14
A condio 1 garante que para uma populao com um dado nmero de espcies a
medida de diversidade ser mxima quando todas as espcies estiverem presentes em
iguais propores (ou com equidade
1
mxima).
A condio 2 assegura que dadas duas populaes em que as espcies so re-
presentadas uniformemente, a populao com um grande nmero de espcies ter alta
diversidade.
Para entender as implicaes da condio 3 imagine uma oresta contendo s distin-
tas espcies de rvores e suponha que tais rvores so tambm classicadas de acordo
com uma classe de alturas. A classicao A se refere a classicao das espcies e a
B se refere a classicao das alturas. Deste modo possvel medir separadamente a
diversidade de espcie das rvores, H
(B).
Tambm possvel calcular sua diversidade espcie-altura, H
(AB) = H
(A) +H
B
(A) = H
A
(B) = 0 e a condio 3 agora requer que
H
(AB) = H
(A) = H
_
1
s
, . . . ,
1
s
, 0
_
L(s) H
_
1
s +1
, . . . ,
1
s +1
_
L(s) L(s +1),
mostrando que L(s) uma funo no decrescente de s.
A seguir, considera-se m classicaes da populao, S
1
, . . . , S
m
, sendo estas mutua-
mente independentes, sobre cada uma das quais os indivduos esto distribudos emiguais
propores para r classes diferentes. Ento, sobre a k-sima classicao, S
k
, por exem-
plo, a diversidade H
(S
k
) = L(r). Tal relao a mesma k. Desde que as classicaes
sejam independentes, a diversidade da populao sobre a classicao mltipla dada
por
H
(S
1
. . . S
m
) = H
(S
1
) +. . . +H
(S
m
)
H
(S
1
. . . S
m
) = mL(r)
Isto segue da condio 3, mas desde que a populao tenha sido subdividida dentro de r
classes iguais para cada m classicaes sucessivas, a classicao mltipla resulta nas
r
m
ltimas classes, cada uma contendo a mesma proporo de indivduos. Portanto,
H
(S
1
. . . S
m
) = L(r
m
)
2.1 Diversidade ecolgica e suas medidas 16
assim, nota-se que mL(r) = L(r
m
).
Igualmente, para algum outro par de inteiros positivos, n e s, tem-se
nL(s) = L(s
n
).
Agora para valores arbitrrios de r, s e n seja m escolhido de tal modo que r
m
s
n
r
m+1
ou mlog(r) nlog(s) (m+1)log(r).
Ento,
m
n
log(s)
log(r)
m
n
+
1
n
. (2.4)
Relembrando que L(s) uma funo no decrescente de s, como j foi mostrado, segue
ento, que
L(r
m
) L(s
n
) L(r
m+1
)
ou
mL(r)) nL(s) (m+1)L(r),
em que
m
n
L(s)
L(r)
m
n
+
1
n
. (2.5)
De (2.4) e (2.5) segue agora que
L(s)
L(r)
log(s)
log(r)
1
n
.
Portanto, desde que n possa ser to grande quanto desejado
L(s)
L(r)
=
log(s)
log(r)
ou L(s) log(s)
Ento, ao escrever como uma constante de proporcionalidade tm-se
H
(
1
s
, . . . ,
1
s
) = L(s) = log(s) =
n
s=1
(
1
s
)log(
1
s
),
como sendo a diversidade de uma espcie s da populao em que todas as espcies so
igualmente representadas.
Agora considera-se o caso geral em que os p
j
s no so todos iguais. Como descrito
anteriormente, deseja-se denir a diversidade de uma populao classicada dentro de s
classes, A
1
, . . . , A
s
com uma proporo p
j
de indivduos na classe A
j
. Seja p
j
=
g
j
g
em
que g
j
e g so inteiros. Em seguida, realiza-se uma segunda classicao dependente
2.1 Diversidade ecolgica e suas medidas 17
da populao, a classicao B, como segue: B tem g classes, todas de mesmo tamanho
e classicao B
1
, . . . B
j
. Estas classes so divididas em s grupos, com g
j
classes no j-
simo grupo. Se um indivduo est na classe A
j
sobre a classicao A denido como
pertencente ao j-simo grupo da classe B sobre a classicao B, j que B A. A proba-
bilidade que ele pertena a alguma classicao dada nesse grupo a mesma para todas
as classes do grupo sendo igual a
1
g
dada nesse grupo.
Agora nota-se que dentro da classe A
j
a diversidade sobre a classicao B
H
j
(B) = L(g
j
) = log(g
j
).
Segue que H
A
(B), a diversidade mdia sobre a classicao B dentro das classes A,
H
A
(B) =
s
j=1
p
j
H
j
(B) =
s
j=1
p
j
log(g
j
).
H
A
(B) =
s
j=1
p
j
log(p
j
) + log(g
j
).
desde que g
j
= gp
j
.
Agora considera-se a populao duplamente classicada A
j
B
k
para j = 1, . . . , s e k =
1, . . . , g. O nmero total de classes com dupla classicao
s
j=1
g
j
= g e estas classes
so de igual tamanho. A diversidade de uma populao sobre a dupla classicao ento
H
(A) = H
(AB) H
A
(B)
H
(A) = log(g)
_
j=1
p
j
log(p
j
) + log(g)
_
H
(A) =
s
j=1
p
j
log(p
j
).
Sendo assim, ca provado que
s
j=1
p
j
log(p
j
) est expressa apenas em funo
dos p
j
s que atendem as condies dadas anteriormente. Esta armao verdadeira
para valores racionais ou reais de p
j
. A prova pode ser encontrada em Khinchin (1957).
Est frmula foi proposta por Shannon (SHANNON & WEAVER, 1949) como uma me-
dida de informao. No contexto ecolgico H
r=1
1
s r +1
(2.6)
em que i = 1, . . . , s.
Segundo Baczkowski (1997), no modelo de broken-stick a abundncia semelhante
entre as espcies, ou seja, a equidade grande. Quando tal abundncia for igual para
todas as espcies tem-se que o modelo equiprovvel, ou seja, a probabilidade de sele-
cionar a i-sima espcie em uma dada amostra denida por p
i
=
1
s
, para i = 1, . . . , s.
2.2.1 ndices de diversidade mais comumente utilizados
Nmeros ndices, que podem servir como medidas de diversidade, tm sido propostos.
Os mais conhecidos so Shannon-Wiener e Simpson.
2
Nicho o conjunto de limites para todos os fatores ambientais importantes, dentro do qual a espcie
consegue sobreviver e se reproduzir.
2.2 ndices de diversidade 20
ndice de Shannon-Wiener (H
)
Figura 2.2: Claude Elwood Shannon.
O engenheiro eltrico e tambm matemtico
Claude Elwood Shannon (1916-2001), conside-
rado o fundador da teoria da informao, publi-
cou, no ano de 1948, o importante artigo cient-
co intitulado A Mathematical Theory of Commu-
nication enfocando o problema de qual seria a mel-
hor forma de codicar a informao que um emis-
sor queira transmitir para um receptor. Neste artigo,
ele trabalhou inclusive com as ferramentas teri-
cas utilizadas por Norbert Wiener, Claude Shannon
props com sucesso uma medida de informao
prpria para medir incerteza sobre espaos desor-
denados (mais tarde complementada por Ronald
Fisher).
Em 1949, Shannon, em co-autoria com o tambm matemtico Warren Weaver (1894-
1978), publicou o livro The Mathematical Theory of Communication, contendo reimpresses
do seu artigo cientco de 1948 de forma acessvel tambm a no-especialistas, popula-
rizando assim seus conceitos.
O ndice de Shannon, tambm chamado de ndice de Shannon-Weaver ou ndice de
Shannon-Wiener, um dos vrios ndices de diversidade usados para medir a diversidade
em dados categricos. Trata-se da informao entrpica da distribuio, tratando espcies
como smbolos e o tamanho da respectiva populao como uma probabilidade. A van-
tagem desta medida de heterogeneidade que ela leva em considerao o nmero das
espcies e sua equitabilidade.
Seguindo a idia de Simpson(1949), de que a medida de diversidade deve ser inde-
pendente do modelo de distribuio de abundncia e do tamanho da amostra, Margalef
(1957, 1958) sugeriu o uso da teoria da informao (SHANNON & WEAVER, 1949) para
estimar a diversidade de comunidades. Nessa teoria, a informao seria uma funo do
nmero de escolhas possveis entre estados igualmente provveis de certo nvel organi-
zacional, necessrio para entend-lo completamente: quanto maior o nmero de escolhas
necessrias para entender a organizao numcerto nvel, maior o contedo de informao.
2.2 ndices de diversidade 21
Usando o ndice de Shannon, H
=
s
j=1
p
j
log(p
j
), (2.7)
em que p
j
a abundncia relativa de cada espcie, calculada atravs da razo entre o total
de indivduos de uma dada espcie j, n
j
, e o nmero total de indivduos na comunidade,
N, ou seja: p
j
=
n
j
N
. Vale ressaltar que N =
s
j=1
n
j
.
O ndice derivado a partir da informao terica. Dependendo da base logartmica,
H
, H
max
= log(s), desde que todas as espcies estejam presentes em igual
nmero. A prova de tal armao ser apresentada a seguir.
Inicialmente, recomenda-se expandir o ndice dado em (2.7). Assim sendo,
H
=
s
j=1
_
n
j
N
_
log
_
n
j
N
_
NH
=
s
j=1
n
j
_
log(n
j
) log(N)
=
s
j=1
n
j
log(n
j
) +log(N)
s
j=1
n
j
NH
Nlog(N) =
s
j=1
n
j
log(n
j
)
em seguida, desde que N seja uma constante positiva de um determinado tamanho popu-
lacional, e Nlog(N) seja uma constante, possvel denir
H
s
=
s
j=1
n
j
log(n
j
), (2.8)
em que a maximizao de H
s
equivale a maximizao de H
.
Em suma, inicialmente particiona-se, arbitrariamente, uma populao de um determi-
nado tamanho em dois grupos, em que cada grupo recebe um nmero arbitrrio de indi-
vduos e de espcies. Agora, dentro de cada grupo, cada espcie tem o mesmo nmero
de indivduos, mas o nmero dos indivduos por espcies no primeiro grupo pode ser dife-
rente do nmero de indivduos por espcies no segundo grupo. Como foi provado que H
s
maximizada quando o nmero de indivduos por espcies no primeiro grupo corresponde
ao nmero de indivduos por espcies no segundo grupo, est provado tambm que a
populao tem um ndice mximo somente quando cada espcie na populao repre-
sentada uniformente, sendo assim satisfeitas as regras da induo matemtica, H
s
no
depende da populao total. Assim H
s
pode ser facilmente construdo ao somar os ndices
das duas subpopulaes.
ndice de Simpson (D ou D
)
O ndice derivado do ndice de concentrao de Simpson (SIMPSON, 1949), o qual
supe que dois indivduos so independentemente retirados, ao acaso e sem reposio, de
uma comunidade de s espcies contendo N indivduos, em que N
j
indivduos pertencem a
j-sima espcie ( j =1, ..., s;
s
j=1
N
j
=N). Se a probabilidade de que ambos os indivduos
pertenam mesma espcie for alta, possvel dizer que a comunidade apresenta um alto
grau de concentrao e tal probabilidade utilizada como um ndice de concentrao, dito
. Assim sendo, a probabilidade dada por
=
s
j=1
N
j
_
N
j
1
_
N(N1)
. (2.9)
2.2 ndices de diversidade 23
Para uma comunidade indenidamente grande, o ndice de Simpson expresso como
D
=log
s
j=1
p
2
j
log
_
_
. (2.10)
Para uma comunidade nita
D =log
_
s
j=1
N
j
_
N
j
1
_
N(N1)
_
log(). (2.11)
Dada uma comunidade inteiramente recenseada, rigorosamente determinvel sem
erro amostral. Agora considera-se uma comunidade que de to grande se torna innita, di-
cultando assim sua representao e a estimao dos parmetros atravs de uma amostra.
Assume-se que uma amostra aleatria de comunidades individuais avaliada embora, de-
vido renovao das espcies nas comunidades naturais, tal amostra possa ser difcil de
ser obtida. Assume-se tambm que todas as espcies da comunidade so representadas
na amostra, isto , que s
= s. Seja p
j
a proporo, na comunidade original, de indiv-
duos da j-sima espcie ( j = 1, ..., s). O valor real de p
j
desconhecido; seu estimador
de mxima verossimilhana ser p
j
= N
j
/N. O valor real de =
s
j=1
p
2
j
sendo sua
estimao o objetivo principal em questo. Um estimador no tendencioso dado por:
=
s
j=1
N
j
_
N
j
1
_
N(N1)
, (2.12)
como ser apresentado a seguir (GOOD, 1953; HERDAN, 1958).
Ao denotar n
r
o nmero de espcies representadas em uma amostra com r indivduos;
isto , n
r
uma freqncia da freqncia e
r
rn
r
= N. Em seguida, prope-se M =
r
r
2
n
r
; isto , nota-se que M =
r
N
2
j
. Assim, resta provar que (MN)/[N(N 1)] um
estimador no viesado de
s
j=1
p
2
j
= . Inicialmente nota-se que
MN
N(N1)
=
1
N(N1)
_
r
r
2
n
r
r
rn
r
_
,
MN
N(N1)
=
1
N(N1)
r
r (r 1)n
r
,
cujo valor esperado dado por
E
_
MN
N(N1)
_
=
1
N(N1)
r
r (r 1)E (n
r
). (2.13)
Agora, a cada momento um indivduo retirado da populao. A probabilidade de que este
2.2 ndices de diversidade 24
venha a pertencer a j-sima espcie p
j
. Nesse caso, a probabilidade de que em uma
amostra de tamanho N existam r representantes da j-sima espcie ser
P(r) =
_
N
r
_
p
r
j
_
1p
j
_
Nr
Ao obter todas as s espcies estimadas na amostra, o valor esperado ser represen-
tado por exatamente r indivduos, isto
E (n
r
) =
s
j=1
_
N
r
_
p
r
j
_
1p
j
_
Nr
.
Ento, de (2.13),
E
_
MN
N(N1)
_
=
s
j=1
R
r=1
r (r 1)
N(N1)
N!
r! (Nr)!
p
r
j
_
1p
j
_
Nr
,
ou
E
_
MN
N(N1)
_
=
s
j=1
p
2
j
R
r=1
_
N2
r 2
_
p
r2
j
_
1p
j
_
Nr
.
A nova soma da direita ser 1 para todos as valores de j. Ento,
E
_
MN
N(N1)
_
= E
_
1
N(N1)
s
j=1
N
j
_
N
j
1
_
_
=
s
j=1
p
2
j
(2.14)
Foi mostrado, ento, que (2.12) provm de um estimador no viesado de , formal-
mente idntico a (2.9), a frmula do ndice de concentrao de toda uma comunidade.
Vale recordar que mede a concentrao, ou dominncia, em uma comunidade e que
adota-se esta medida como um ndice de diversidade em que a melhor funo de para
esta proposta log() = D. A razo de usar D antes de qualquer outra funo de que
se intensique com o seu decrescimento que ambos D e a funo de Shannon, H
, so
casos especiais de uma funo mais geral (PIELOU, 1975).
Na teoria da comunicao matemtica, uma funo geral (RENYI, 1961), H
, chamada
entropia de ordem de um cdigo composto de s diferentes tipos de smbolos e com os
smbolos do j-simo tipo formando uma proporo p
j
de todos os smbolos denida por
H
=
log
_
s
j=1
p
j
_
1
.
2.3 A construo e interpretao dos ndices de diversidade de Shannon e Simpson via encontros inter-especcos25
Adotando = 1 e 2 encontra-se, respectivamente, que
H
1
=
s
j=1
p
j
log(p
j
) = H
o ndice de Shannon-Wiener e
H
2
=log
_
s
j=1
p
2
j
_
= D
, provavelmente,
mais ecologicamente usado do que D. Porm, desde que a equidade se mostrou uma
propriedade omissa e evasiva das comunidades talvez haja uma razo para que ambos
H
1
=
s
i=1
i
(1
i
) =
s
i=1
i
R(
i
), tambm possvel interpret-lo como a escassez
mdia de espcies em uma comunidade, tendo a compreenso de que a escassez de es-
pcies medida por R(
i
) = 1
i
.
3
Taxionomia parte da botnica que classica organismos vivos.
2.3 A construo e interpretao dos ndices de diversidade de Shannon e Simpson via encontros inter-especcos26
Figura 2.3: Alfred Russel Wallace.
Wallace (1875) foi um dos primeiros a reconhecer
a importncia da diversidade na caracterizao das
comunidades e o primeiro a descobrir um membro da
chamada i-sima espcie. Ele encontrou emsua con-
tnua jornada outros organismos, as vezes da mesma
espcie e as vezes no. O provvel evento mais raro
entre os indivduos da i-sima espcie so os encon-
tros interespeccos. R(
i
) = 1
i
precisamente
a probabilidade que um dado encontro interespec-
co. Patil & Taillie(1982) apresentam trs diferentes
cenrios como sendo a explorao do conceito de en-
contro interespecco versus intraespecco.
Tempo de espera para um encontro intraespecco: Com base nas descobertas de
Wallace em suas viagens em busca da i-sima espcie adota-se Y +1 igual ao nmero de
encontros at e inclusive o primeiro encontro intraespecco. Sendo assim,
E[Y|
i
] = (1
i
)/
i
,
E[Y +1|
i
] = 1/
i
,
E[1/(Y +1)|
i
] =
i
log(
i
)/(1
i
) ,
quando
P(Y = y|
i
) =
i
(1
i
)
y
, y = 0, 1, ...
Uma vez que Y seja grande, Y e Y/(Y +1) esto associadas a espcies raras sendo
assim, medidas razoveis de escasss. Tais medidas so varives aleatrias e deveriam
ser substitudas por quantidades proporcionais. Existem vrios caminhos para intepretar a
proporo da razo; cada um implementando um ndice diferente.
1. ndice de Simpson:
R(
i
) = E[Y|
i
]/E[Y +1|
i
] = 1
i
,
s
i=1
i
R(
i
) =
s
i=1
i
(1
i
). (2.15)
2.3 A construo e interpretao dos ndices de diversidade de Shannon e Simpson via encontros inter-especcos27
2. ndice de Shannon:
R(
i
) = E[1/(Y +1)|
i
] E[Y|
i
] =log(
i
) ,
s
i=1
i
R(
i
) =
s
i=1
i
log(
i
). (2.16)
3. ndice no familiar:
R(
i
) = E[Y/(Y +1)|
i
] = 1+
i
log(
i
)/(1
i
) ,
s
i=1
i
R(
i
) = 1+
s
i=1
2
i
log(
i
)/(1
i
). (2.17)
Tempo de espera para um encontro interespecco: Agora, ainda com base nos con-
ceitos apresentados por Wallace em meio a suas viagens quando em busca de uma nova
espcie, dene-se Z +1 como sendo o nmero de encontros at e inclusive o primeiro
encontro interespecco. Assim sendo,
E[Z|
i
] =
i
/(1
i
) ,
E[Z +1|
i
] = 1/(1
i
) ,
E[1/(Z +1)|
i
] =(1
i
)log(
i
)/(1
i
) .
Poucos Z
s
i=1
i
= 1.
Ao considerar n repeties independentes do experimento possvel representar o
resultado dessas n provas por meio de um vetor aleatrio s-dimensional (X
1
, . . . , X
s
), em
que a varivel aleatria X
i
corresponde ao nmero de vezes que o evento A
i
ocorre nas n
repeties de , sendo X
i
variveis aleatrias no independentes j que
s
i=1
X
i
= n. Em
consequncia, logo que quaisquer (s 1) dessas variveis aleatrias sejam conhecidas, o
valor da outra car determinado, obtendo assim a seguinte denio:
Denio 1. Se X
1
, . . . , X
s
, forem denidas como acima, sua funo de probabilidade
dada por
P(X
1
= n
1
, . . . , X
s
= n
s
) =
n!
n
1
! . . . n
s
!
n
1
1
. . .
n
s
s
(2.18)
em que
s
i=1
n
i
= n.
2.5 Assimetria e curtose 29
Propriedades: Supondo que (X
1
, . . . , X
s
) tenha uma distribuio multinomial, dada pela
equao (2.18). Nesse caso
E(X
i
) = n
i
Var(X
i
) = n
i
(1
i
) e
Cov(X
i
, X
j
) =n
i
j
Em termos ecolgicos, considera-se um experimento que pode resultar em somente
um nmero nito s de distintas possveis espcies identicadas em uma determinada rea
em uma dada seleo.
2.5 Assimetria e curtose
As medidas de assimetria e curtose so frequentemente usadas para descrever o
padro caracterstico de uma distribuio (JOANES & GILL, 1998), dentre outras coisas. A
famlia de distribuies de Pearson (PEARSON & MERRINGTON, 1951) foi caracterizada
pelos quatro primeiros momentos, sendo a assimetria e a curtose medidas apropriada-
mente usadas para selecionar uma amostra signicativa dessa famlia.
2.5.1 Assimetria
Na teoria da probabilidade e Estatstica, assimetria o grau de desvio, ou afastamento
da simetria, da distribuio de probabilidade de uma varivel aleatria. Se a cauda es-
querda apresentar mais informaes que a cauda direita, dito que a funo assimtrica
esquerda, ou negativa. Do mesmo modo, quando a cauda direita estiver mais pesada
ser chamada de assimtrica a direita ou positiva.
A assimetria pode ser denida atravs do terceiro momento padronizado, ou seja,
3
=
3
/
3
(2.19)
em que
3
o terceiro momento sobre a mdia e o desvio padro. Ou equivalen-
temente, pode ser denida como a razo da terceira parte da raz quadrada do segundo
cumulante, ou seja,
_
1
=
k
3
k
3/2
. (2.20)
2.6 A Distribuio Beta Tipo I 30
2.5.2 Curtose
uma medida de disperso que caracteriza o achatamento de uma curva da dis-
tribuio de probabilidade de uma varivel aleatria. denida como uma forma normali-
zada do quarto momento central
4
de uma distribuio. O quarto momento padronizado
denido como
4
=
4
/
4
(2.21)
em que
4
o quarto momento sobre a mdia e o desvio padro. Em trabalhos mais
antigos ainda possvel ver a curtose denida como em (2.21), no entanto, atualmente
mais comum den-la em funo de cumulantes. Neste caso, a curtose corresponde ao
quociente entre o quarto e o quadrado do segundo cumulante, ou seja,
2
=
k
4
k
2
2
=
4
4
3. (2.22)
que conhecida como curtose de excesso. A constante que aparece ao trmino da
equao (2.22) explicada, frequentemente, como uma correo igualando a zero a cur-
tose da distribuio normal.
Vale salientar que os cumulantes de uma distribuio so obtidos ao aplicar o logaritmo
funo geratriz de momentos da varivel aleatria de interesse expandindo-a em t, ou
seja, K = logM
X
(t).
2.6 A Distribuio Beta Tipo I
A famlia de distribuies de Pearson (PEARSON & MERRINGTON, 1951) caracteri-
zada pelos quatro primeiros momentos. Os coecientes de assimetria e curtose podem ser
usados para selecionar um membro apropriado para est famlia de distribuies como o
modelo de distribuies de H(, , ).
A distribuio beta do tipo I tem funo densidade de probabilidade dada como segue
f (x) =
x
p1
(1x)
q1
B(p, q)
, 0 x 1; p, q > 0
2.7 A Funo Geratriz de Momentos 31
em que B(p, q) a funo beta usual. possvel estimar h de uma distribuio do tipo
I, com classe (a
1
, a
2
), transformando-a em uma distribuio beta do tipo I usando a relao
x =
a
1
+h
a
1
+a
2
,
em que a
2
(p1) = a
1
(q1), sendo possvel escrever c = a
1
+a
2
.
2.7 A Funo Geratriz de Momentos
Seja r = 1, 2, . . ., o momento de ordem r de uma varivel aleatria X dado por E(X
r
),
desde que o valor esperado exista. Se E(X) = < possvel denir o momento de
ordem central r por E[(X )
r
], sempre que essa quantidade exista.
Uma funo que representa todos os momentos da varivel aleatria X conhecida
como funo geratriz de momentos e sua denio dada a seguir:
Denio 2. Seja X uma varivel aleatria cujo valor esperado e varincia so conhecidos.
Sendo assim, possvel denir a funo geratriz de momentos M
X
(t) atravs da equao
M
X
(t) = E(e
tX
) (2.23)
desde que a esperana seja nita para um t real em algum intervalo t
0
< t < t
0
em que
t
0
> 0. Na verdade, caso a fgm exista t
0
< t < t
0
, t
0
> 0 possvel armar que E(X
r
)
existe para r = 1, 2, . . ., ou seja,
E(X
r
) =
n
t
n
M
X
(t)|
t=0
(2.24)
Denio 3. Sejam X
i
, X
j
variveis aleatrias denidas em um mesmo espao de proba-
bilidade e t
i
, t
j
. A funo geratriz de momentos bivariada, ou bidimensional, de tais
variveis dada por
M
X
i
X
j
(t
i
, t
j
) = E(e
t
i
X
i
+t
j
X
j
) (2.25)
desde que a esperana seja nita para os t
j
e u
so denidas
por P(Y y
) =(u
) = 1.
As duas expanses assintticas de Cornish-Fisher relacionam os quantis y
e u
,
sendo uma a expanso normalizadora que expressa u
como funo de y
e a outra sua
expanso inversa dando y
em termos de u
em
funo de y
at O(n
1
) como segue
u
= p(y
) = y
n
(y
2
1) +
2
3
36 n
(4y
2
7y
)
4
24 n
(y
3
3y
). (2.27)
O polinmio (2.27) de Cornish-Fisher representa a transformao normalizadora p(Y)
da varivel Y at O(n
1
), isto , p(Y) N(0, 1) + (O
3/2
p
), usado comumente para nor-
malizar qualquer distribuio de probabilidade fazendo algum dos seus parmetros ten-
der para innito, ou seja, substituindo-se n no resultado assinttico de grandes amostras
(n ) por algum parmetro da distribuio de interesse que cresce indenidemente.
O objetivo da expanso inversa de Cornish-Fisher na inferncia expressar os quantis
y
em termos do quantil u
da normal reduzida
feita atravs da frmula geral de inverso de Lagrange (CORDEIRO,1999). Ento, y
=
u
+g(y
como
y
= g(u
) +
Dg
2
(u
)
2!
+
D
2
g
3
(u
)
3!
+. . . (2.28)
Identicando o polinmio g(y
) = y
p(y
em funo de u
at O(n
1
)
como
y
= u
+
3
n
(y
2
1)
3
2
36 n
(2u
3
5u
) +
4
24 n
(u
3
3u
) (2.29)
33
3 MATERIAL E MTODO
Os dados utilizados nesta dissertao foram tirados de artigos publicados em revistas
brasileiras. A primeira base de dados foi coletada no Parque Estadual Mata dos Godoy
(PEMG) localizado no municpio de Londrina, PR, sul do Brasil, ver Bianchini et al. (2003).
Utilizou-se o mtodo de parcelas em que o critrio mnimo de incluso dos indivduos
amostrados foi de 15cm de permetro do tronco altura do peito (PAP). Os indivduos
amostrados foram identicados com plaquetas metlicas numeradas, sendo registrados
a altura total, estimada visualmente por comparao com a extenso telescpica de uma
tesoura de poda alta de 7,5m, e o permetro (PAP), medido com auxlio de ta mtrica.
A segunda base de dados compe um estudo desenvolvido em ambiente de terra
rme, no parque fenolgico do Campo Experimental da Embrapa Amaznia Ocidental, lo-
calizado na BR-174, Km 54, no Distrito Agropecurio da Suframa - DAS, Manaus-AM, o
qual possui aproximadamente 400 ha. Os indivduos foram avaliados segundo sua dis-
tribuio diamtrica, utilizando-se o intervalo de classe de 10cm como mostra Silva et al.
(2008).
3.1 A distribuio de um ndice de diversidade genera-
lizado por Good
Good (1953, 1982) props um ndice de diversidade generalizado que inclui como
casos especiais tanto o ndice de Shannon quanto o de Simpson.
Supondo que uma populao consiste de s espcies com abundncias relativas =
(
1
, . . . ,
s
) Good (1953, 1982) sugeriu medir a diversidade usando um ndice na forma
H(, ) =
s
i=1
(
i
)
{log(
i
)}
, (3.1)
denida para valores inteiros no negativos de e , vale ressaltar que em termos nota-
3.1 A distribuio de um ndice de diversidade generalizado por Good 34
cionais log =ln.
A equao (3.1) objetiva apresentar uma medida de diversidade mais geral que inclua,
como casos especiais, tanto o ndice de Shannon (1948) ou entropia, H(1, 1), quanto o
ndice de Simpson (1949), H(2, 0), abrangendo ainda a classe de ndices relatados por Hill
(1973), quando = 0, que podem ser chamados de momentos constantes da populao.
Em outras palavras, H(1, n) o momento sobre zero.
Em termos prticos, uma amostra de tamanho n avaliada, em que n
i
corresponde ao
nmero de ndivduos pertencentes a espcie i. A abundncia relativa da i-sima espcie,
i
, pode ser estimada atravs da estimativa de mxima verossimilhana, p
i
= n
i
/n, e o
ndice de diversidade generalizado ser estimado por
h(, ) =
s
i=1
(p
i
)
{log(p
i
)}
. (3.2)
Baczkowski et al. (1997,1998) implementaram a generalizao do ndice de Good tal
que (, ) podem assumir valores no plano real
2
. Eles determinaram uma srie de valo-
res (, ) para cada H(, ) que satiszessem duas propriedades chave propostas por
Pielou (1975), so elas,
P
1
: para s xado, o ndice aumenta a medida que as abundncias relativas tornam-se
mais uniformes;
P
2
: se as abundncias relativas so uniformes ento o ndice uma funo crescente de s.
A regio de valores vlidos, ou apenas regio aceitvel, para (, ) apresentada
em Baczkowski et al. (1997,1998), em que H(, ) est contido na regio (0, 1] com
variando entre zero e um limite superior. Para uma inversa de H(, ) a regio dita
aceitvel se satiszer 1 e 0, salientando-se que o caso em que (, ) for igual a
(0, 1) no considerado.
Na prtica, ter conhecimento sobre as mudanas que ocorrem no ndice de diversidade
ao mover-se de um habitat para outro, mais importante do que ter conhecimento prvio
da diversidade de uma particular comunidade, em um tempo especco. Em Baczkowski
et al. (1997,1998) foi sugerido que escolher diferentes valores para e acarreta parti-
culares variaes perceptveis na diversidade. Tal variao pode ocorrer na riqueza
1
ou na
abundncia relativa de espcies.
1
Deni-se riqueza de espcies como a abundncia numrica em uma determinada comunidade.
3.2 Mtodo para derivao dos momentos 35
Segundo Baczkowski et al. (2000), para testar se uma variao observada no ndice de
diversidade amostrado signicativa, faz-se necessrio obter informaes sobre a mdia
e varincia de h(, ). O objetivo principal desse artigo foi avaliar a mdia = E[h(, )]
e os momentos centrais
r
(h) = E[h(, ) ]
r
para r = 2,3,4, sendo esses usados para
determinar a assimetria e curtose de h(, ).
3.2 Mtodo para derivao dos momentos
Os momentos de h(, ) podem ser usados como uma ferramenta que sugestiona sa-
tisfatrias distribuies aproximadas para ndice de diversidade, como mostramBaczkowski
et al. (2000).
Ao derivar momentos, inicialmente, faz-se necessrio descrever a funo com a qual
se trabalha, neste caso, g(; , ) =
{log()}
u=1
(p)
u
g
(u)
(; , )/u! (3.3)
em que g
(u)
(; , ) denota a u-sima derivada de g(; , ) com respeito a .
Agora escreve-se
i
= p
i
i
, segundo Bowman et al.(1971), os momentos de
i
so determinados ao notar que (n
1
, . . . , n
s
) modelam uma distribuio multinomial com
parmetros n e
1
, . . . ,
s
.
Dene-se b = h(, ) H(, ), tal que E[b] o vis de h(, ). Segue que tanto
quanto
r
(h) podem ento ser escritos em termos de E[b
r
], desde que
b =
s
i=1
u=1
u
i
g
(u)
(
i
; , )/u!. (3.4)
Assim sendo,
3.2 Mtodo para derivao dos momentos 36
E(b) = E
_
s
i=1
u=1
u
i
g
(u)
(
i
; , )/u!
_
. (3.5)
Como
i
= p
i
i
e p
i
=
n
i
n
ento
i
=
1
n
(n
i
n
i
). Portanto,
E(b) =
s
i=1
u=1
1
n
u
E (n
i
n
i
)
u
g
(u)
(
i
; , )
u!
. (3.6)
Para obter os momentos no centrais de ordem r do vis, faz-se necessrio avaliar
termos de at O(n
2
), obtendo, consequentemente, a varincia, assimetria e curtose de
h(, ). Feito isso possvel selecionar um membro apropriado para compor a famlia
de distribuies de Pearson e apresentar uma distribuio para o ndice de diversidade
generalizado, como mostra a prxima seo, resultados.
37
4 RESULTADOS
Ao aplicar os mtodos apresentados na seo anterior possvel apresentar, com base
na generalizao feita por Baczkowski et al. (2000), uma nova generalizao que, alm de
ter os ndices de Shannon e Simpson como casos especiais, engloba ndices mais gerais
como o no familiar apresentado em Patil e Taillie (1982).
Desta forma, seguindo a idia de Good (1953,1982), como mostrada na equao 3.1,
apresenta-se, nesta dissertao, uma forma generalizada para tal expresso resultando
na equao
H(, , ) =
s
i=1
(
i
)
{log(
i
)}
(1
i
)
(4.1)
em que
i
refere-se a abundncia relativa das espcies na comunidade. Consequente-
mente, a estimativa deste ndice dada por
h(, , ) =
s
i=1
(p
i
)
{log(p
i
)}
(1p
i
)
(4.2)
em que p
i
refere-se a abundncia relativa das espcies na amostra.
Para obter os momentos centrais, ou seja, E (n
i
n
i
)
u
para u =2, 3, 4, faz-se necessrio,
inicialmente expandir a equao (3.3) em srie de Taylor, sobre , sendo, neste caso,
g(; , ) =
{log()}
/(1)
u=1
(p)
u
g
(u)
(; , , )/u! (4.3)
em que g
(u)
(; , , ) denota a u-sima derivada de g(; , , ) com respeito a .
4 RESULTADOS 38
Ao escrever
i
= p
i
i
possvel determinar os momentos de
i
sabendo-se que
(n
1
, . . . , n
s
) modelam uma distribuio multinomial com parmetros n e
1
, . . . ,
s
, desde
que b = h(, , ) H(, , ) possa ser escrito como
b =
s
i=1
u=1
u
i
g
(u)
(
i
; , , )/u!. (4.4)
O vis de h(, , ), representado por E[b], permite que tanto quanto
r
(h) possam
ser escritos em termos de E[b
r
], assim sendo,
E(b) =
s
i=1
u=1
1
n
u
E (n
i
n
i
)
u
g
(u)
(
i
; , , )
u!
. (4.5)
em que
E (n
i
n
i
)
2
= n
i
(1
i
)
E (n
i
n
i
)
3
= n
i
(2
2
i
3
i
+1)
E (n
i
n
i
)
4
= n
i
7n
2
i
+3n
2
2
i
+12n
3
i
6n
2
3
i
6n
4
i
+3n
2
4
i
.
Aps a obteno dos momentos centrais para r =2, 3, 4, possvel expandir a equao
(4.5), sendo essa dada por
E(b) =
s
i=1
1
n
2
[
i
(1
i
)]
g
(2)
(
i
; , , )
2!
+
s
i=1
1
n
3
_
i
(2
2
i
3
i
+1)
g
(3)
(
i
; , , )
3!
+
s
i=1
1
n
4
_
n
i
7n
2
i
+3n
2
2
i
+12n
3
i
6n
2
3
i
6n
4
i
+3n
2
4
i
g
(4)
(
i
; , , )
4!
. (4.6)
Ao ignorar os termos superiores a O(n
2
), a equao nal do vis representada por
E(b) =
s
i=1
i
(1
i
)
g
(2)
(
i
; , , )
2n
+
s
i=1
i
(2
2
i
3
i
+1)
g
(3)
(
i
; , , )
6n
2
+
s
i=1
i
(
2
i
2
i
+1)
g
(4)
(
i
; , , )
8n
2
. (4.7)
em que g
(2)
(; , , ), g
(3)
(; , , ) e g
(4)
(; , , ) denotam a segunda, terceira e
quarta derivadas em funo de
i
, respectivamente.
4.1 Momentos no centrais para distribuio de abundncia geral 39
4.1 Momentos no centrais para distribuio de abundn-
cia geral
Tendo conhecimento sobre a expresso do vis, dada por (4.7), possvel obter os
momentos no centrais para r =1, 2, 3, 4, para o caso emque as abundcias entre espcies
diferem. Assim,
E(b) =
1
2
{( 1)[H(, , ) H( 1, , )] +( 1)[H(, 2, ) H( 1, 2, )]
(2 1) [H(, 1, ) H( 1, 1, )] 2 [H( +1, 1, +1) H(, 1, +1)]
+2 [H( +1, , +1) H(, , +1)] + ( +1)[H( +2, , +2) H( +1, , +2)]}n
1
+{( 1)( 2)( 3)H( 2, 4, )/8+ ( 1)( 2)(76)H( 2, 3, )/12
+( 1)(6
2
14 +7)H( 2, 2, )/8 (6
3
21
2
+21 5)H( 2, 1, )/12
+( 1)( 2)(3 5)H( 2, , )/24 ( 1)( 2)( 3)H( 1, 4, )/4
( 1)( 2)H( 1, 3, +1)/4+ ( 1)( 1)( 2)H( 1, 3, )
+(3 4)( 1)H( 1, 2, +1)/2+ ( 1)(6
2
+12 5)H( 1, 2, )/4
(9
2
21 +10)H( 1, 1, +1)/6+ ( 1)(2
2
4 +1)H( 1, 1, )/2
+( 1)
2
H( 1, , +1)/2 ( 1)
2
( 2)H( 1, , )/4
+( 1)( 2)( 3)H(, 4, )/8+ ( 1)( 2)H(, 3, +1)
+( 1)( 2)(56)H(, 3, )/12+ 3( 1)( +1)H(, 2, +2)/4
3(2 +1)( 1)H(, 2, +1)/2+ ( 1)(6
2
10 +3)H(, 2, )/8
+( +1)H(, 1, +2)/4+ (3
2
+12 7)H(, 1, +1)/6
+(6
3
+15
2
9 +1)H(, 1, )/12+ (3 1)( +1)H(, , +2)/4
( 1)(2 1)H(, , +2)/2+ ( 1)( 2)(3 1)H(, , )/24
3( 1)( +1)H( +1, 2, +2)/2+ ( 1)(9 4)H( +1, 2, +1)/8
( +2)( +1)H( +1, 1, +3)/2+ 3( +1)H( +1, 1, +2)/2
(3 2)H( +1, 1, +1)/2+ (3 +1)( +2)( +1)H( +1, , +3)/6
3( +1)( +1)H( +1, , +2)/4+
2
( 1)H( +1, , +1)/2
+3( 1)( +1)H( +2, 2, +2)/4+ ( +2)( +1)H( +2, 1, +3)
( +1)(6 +1)H( +2, 1, +2)/4+ ( +3)( +2)( +1)H( +2, , +4)/8
( +2)( +1)(2 +1)H( +2, , +3)/2+ ( +1)(3 +1)H( +2, , +2)/4
( +2)( +1)H( +3, 1, +3)/2 ( +3)( +2)( +1)H( +3, , +4)/4
+( +2)( +1)(3 +2)H( +3, , +3)/6+ ( +3)( +2)( +1)H( +4, , +4)/8}n
2
4.1 Momentos no centrais para distribuio de abundncia geral 40
E(b
2
) =4( +(4+9))H(2, 2, 2 +2) + 4(14 +(4+9))H(2, 2 2, 2 +2)
4( +2((4+9)))H(2, 2 1, 2 +2) 16
2
(2 1)H(2, 2, 2 +1)
+8(4
2
5 +1)H(2, 2 3, 2 +1) 4(14 +2(12 5))H(2, 2 2, 2 +1)
+32(3 1)H(2, 2 1, 2 +1) + 6( 1)
2
2
H(2 2, 2, 2)
+2
2
(3
2
8 +5)H(2 2, 2 4, 2) 4( 1)(3 +(6 2))H(2 2, 2 3, 2)
+2((618) +3 +2(9 4))H(2 2, 2 2, 2) 12(2
2
3 +1)H(2 2, 2 1, 2)
+4(2 1)(3 1)H(2 1, 2, 2 +1) 8(3
2
4 +1)H(2 1, 2 3, 2 +1)
+4(25 +2(9 4))H(2 1, 2 2, 2 +1) 4(18
2
10 +1)H(2 1, 2 1, 2 +1)
4
2
( 1)(2 1)H(2 1, 2, 2) 4
2
( 1)(2 3)H(2 1, 2 4, 2)
+4( 1)(8 2 3)H(2 1, 2 3, 2) 4(3 5
2
+ 9 +12
2
)H(2 1, 2 2, 2)
+4(8
2
9 +2)H(2 1, 2 1, 2) + 4( +1)( +2 +6)H(2 +1, 2, 2 +3)
8(3
2
+4 +1)H(2 +1, 2 1, 2 +3) 4( +(12 +5))H(2 +1, 2, 2 +2)
4(25 +(12 +5))H(2 +1, 2 2, 2 +2) + 4( +2(12 +5))H(2 +1, 2 1, 2 +2)
+2
2
(3
2
+8 +5)H(2 +2, 2, 2 +4) 8( +1)( + +4)H(2 +2, 2, 2 +3)
+8(4
2
+5 +1)H(2 +2, 2 1, 2 +3) 4
2
(2
2
+5 +3)H(2 +3, 2, 2 +4)
+
2
( 1)
2
H
2
( 1, 2, ) (2 1)
2
( 1)H( 1, 1, )H( 1, 2, )
+( 1)( 1)H( 1, , )H( 1, 2, ) (2 1)
2
( 1)H( 1, 2, )H( 1, 1, )
+( 2)
2
H
2
( 1, 1, ) ( 1)( 2)H( 1, , )H( 1, 1, )
+( 1)( 1)H( 1, 2, )H( 1, , ) + ( 1)( 2)H( 1, , )H( 1, 1, )
2
( 1)
2
H
2
( 1, , ) 2
2
( 1)H(, 1, )H( 1, 2, +1)
+2( 1)H(, , +1)H( 1, 2, ) + (4 1)
2
H(, 1, +1)H( 1, 1, )
2(2 1)H(, , +1)H( 1, 1, ) 2( 1)H(, 1, +1)H( 1, , )
+2
2
( 1)H(, , +1)H( 1, , ) 4
2
( 1)( 2)H(, 1, )H( 1, 3, )
+4( 1)( 2)H(, , )H( 1, 3, ) ( 1)
2
2
H
2
( 1, 2, )
+(14 9)( 1)
2
H(, 1, )H( 1, 2, ) (13 9)( 1)H(, , )H( 1, 2, )
+(2 1)( 1)
2
H(, 2, )H( 1, 1, ) (16220 +5)
2
H(, 1, )H( 1, 1, )
+(14
2
19 +5)H(, , )H( 1, 1, ) ( 1)( 1)H(, 2, )H( 1, , )
+(6
2
11 +5)H(, 1, )H( 1, , ) 5
2
( 1)
2
H(, , )H( 1, , )
+( 1)( +1)H( +1, , +2)H( 1, 2, ) (2 1)( +1)H( +1, , +2)H( 1, 1, )
+( 1)( +1)H( +1, , +2)H( 1, , ) + 4( 1)( 2)H( +1, , +1)H( 1, 3, )
+2
2
( 1)H( +1, 1, +1)H( 1, 2, ) 2(7 4)( 1)H( +1, , +1)H( 1, 2, )
2(2 1)
2
H( +1, 1, +1)H( 1, 1, ) + 2(8
2
9 +2)H( +1, , +1)H( 1, 1, )
+2( 1)H( +1, 1, +1)H( 1, , ) 2(3
2
5 +2)H( +1, , +1)H( 1, , )
( 1)( +1)H( +2, , +2)H( 1, 2, ) + (2 1)( +1)H( +2, , +2)H( 1, 1, )
( 1)( +1)H( +2, , +2)H( 1, , ) 2
2
( 1)H( 1, 2, )H(, 1, +1)
+2(2 1)
2
H( 1, 1, )H(, 1, +1) ( 1)H( 1, , )H(, 1, +1)
+2( 1)H( 1, 2, )H(, , +1) 2(2 1)H( 1, 1, )H(, , +1)
+2
2
( 1)H( 1, , )H(, , +1) + 4
2
2
H
2
(, 1, +1) 4
2
H(, , +1)H(, 1, +1)
4
2
H(, 1, +1)H(, , +1) + 4
2
2
H
2
(, , +1) + 12
2
( 1)H(, 1, )H(, 2, +1)
12( 1)
2
H(, , )H(, 2, +1) + 2
2
( 1)H(, 2, )H(, 1, +1)
4.1 Momentos no centrais para distribuio de abundncia geral 41
2(14 3)
2
H(, 1, )H(, 1, +1) + 2(13 3)H(, , )H(, 1, +1)
2( 1)H(, 2, )H(, , +1) + 2(8 3)H(, 1, )H(, , +1)
2
2
(7 3)H(, , )H(, , +1) 2
2
( +1)H( +1, , +2)H(, 1, +1)
+2
2
( +1)H( +1, , +2)H(, , +1) 12( 1)
2
( +1)H( +1, , +1)H(, 2, +1)
4
2
2
H( +1, 1, +1)H(, 1, +1) 4
2
H( +1, , +1)H(, 1, +1)
+28
2
H( +1, , +1)H(, 1, +1) + 4
2
H( +1, 1, +1)H(, , +1)
4(4 1)delta
2
H( +1, , +1)H(, , +1) + 2
2
( +1)H( +2, , +2)H(, 1, +1)
2
2
( +1)H( +2, , +2)H(, , +1) ( 1)
2
2
H( 1, 2, )H(, 2, )
+(2 1)( 1)
2
H( 1, 1, )H(, 2, ) ( 1)( 1)H( 1, , )H(, 1, )
+(2 1)( 1)
2
H( 1, 2, )H(, 1, ) ( 2)
2
H( 1, 1, )H(, 1, )
+(2
2
3 +1)H( 1, , )H(, 1, ) ( 1)( 1)H( 1, 2, )H(, , )
+(2
2
3 +1)H( 1, 1, )H(, , )
2
( 1)
2
H( 1, , )H(, , )
+2
2
( 1)H(, 1, +1)H(, 2, ) 2( 1)H(, , +1)H(, 2, )
2(2 1)
2
H(, 1, +1)H(, 1, ) + 2(2 1)H(, , +1)H(, 1, )
+2( 1)H(, 1, +1)H(, , ) 2
2
( 1)H(, , +1)H(, , )
+4
2
( 1)( 2)H(, 1, )H(, 3, ) 4( 1)( 2)H(, , )H(, 3, )
+3
2
( 1)
2
H
2
(, 2, ) (24 10)
2
( 1)H(, 1, )H(, 2, )
+(18 10)( 1)H(, , )H(, 2, ) (24
2
20 +3)
2
H
2
(, 1, )
(28
2
30 +6)H(, , )H(, 1, ) +
2
(7
2
10 +3)H
2
(, , )
( 1)( +1)H( +1, , +2)H(, , ) + (2 1)( +1)H( +1, , +2)H(, 1, )
( 1)( +1)H( +1, , +2)H(, , ) 4( 1)( 2)H( +1, , +1)H(, 3, )
6
2
( 1)H( +1, 1, +1)H(, 2, ) + 4(9 2)( 1)H( +1, , +1)H(, 2, )
+6(2 1)
2
H( +1, 1, +1)H(, 1, +1) 2(12 7)H( +1, , +1)H(, 1, )
6( 1)H( +1, 1, +1)H(, , ) + 10
2
( 1)H( +1, , +1)H(, , )
+3( 1)( +1)H( +2, , +2)H(, 2, ) 3(2 1)( +1)H( +2, 1, +2)H(, 1, )
+3( 1)( +1)H( +2, , +2)H(, , ) + ( 1)( +1)H( 1, 2, )H( +1, , +2)
(2 1)( +1)H( 1, 1, )H( +1, , +2) + ( 1)( +1)H( 1, , )H( +1, , +2)
2
2
( +1)H(, 1, +1)H( +1, , +2) + 2
2
( +1)H(, , +1)H( +1, , +2)
12
2
( +1)H(, 1, )H( +1, 1, +2) + 12( 1)H(, , )H( +1, 1, +2)
( 1)( +1)H(, 2, )H( +1, , +2) + (14 +3)( +1)H(, 1, )H( +1, , +2)
(13 +3)( +1)H(, , )H( +1, , +2) +
2
( +1)
2
H
2
( +1, , +2)
+12
2
( +1)H( +1, 1, +1)H( +1, , +2) 2(7 +2)
2
( +1)H( +1, , +1)H( +1, , +2)
2
2
( 1)H( 1, 2, )H( +1, 1, +1) 2(2 1)
2
H( 1, 1, )H( +1, 1, +1)
+2( 1)H( 1, , )H( +1, 1, +1) 2( 1)H( 1, 2, )H( +1, , +1)
+2(2 1)H( 1, 1, )H( +1, , +1) 2
2
( 1)H( 1, , )H( +1, , +1)
4
2
2
H(, 1, +1)H( +1, 1, +1) + 8
2
H(, 1, +1)H( +1, 1, +1)
4
2
2
H(, , +1)H( +1, , +1) 12
2
( 1)H(, 1, )H( +1, 2, +1)
+12( 1)H(, , )H( +1, 2, +1) 6
2
( 1)H(, 2, )H( +1, 1, +1)
+2(18 1)
2
H(, 1, )H( +1, 1, +1) 2(15 1)H(, , )H( +1, 1, +1)
+6( 1)H(, 2, )H( +1, , +1) 2(12 1)H(, 1, )H( +1, , +1)
+2
2
(9 1)H(, , )H( +1, , +1) + 2
2
( +1)H( +1, , +2)H( +1, 1, +1)
4.1 Momentos no centrais para distribuio de abundncia geral 42
2
2
( +1)H( +1, , +2)H( +1, , +1) + 12( 1)
2
H( +1, , +1)H( +1, 2, +1)
+12
2
2
H
2
( +1, 1, +1) 4(9 1)
2
H( +1, , +1)H( +1, 1, +1)
12
2
H( +1, 1, +1)H( +1, , +1) + 4(6 +1)
2
H
2
( +1, , +1)
6
2
( +1)H( +2, , +2)H( +1, 1, +1) + 6
2
( +1)H( +2, , +2)H( +1, , +1)
+4( +1)( +2)H(, 1, )H( +2, , +3) 4( +1)( +2)H(, , )H( +2, , +3)
4
2
( +1)( +2)H( +1, , +1)H( +2, , +3) ( 1)( +1)H( 1, 2, )H( +2, , +2)
+(2 1)( +1)H( 1, 1, )H( +2, , +2) ( 1)( +1)H( 1, , )H( +2, , +2)
+2
2
( +1)H(, 1, +1)H( +2, , +2) 2
2
( +1)H(, , +1)H( +2, , +2)
+12
2
( +1)H(, 1, )H( +2, 1, +2) 12( +1)H(, , )H( +2, 1, +2)
+3( 1)( +1)H(, 2, )H( +2, , +2) (18 +5)( +1)H(, 1, )H( +2, , +2)
+5(3 +1)( +1)H(, , )H( +2, , +2)
2
( +1)
2
H( +1, , +2)H( +2, , +2)
12
2
( +1)H( +1, , +1)H( +2, 1, +2) 6
2
( +1)H( +1, 1, +1)H( +2, , +2)
+2(9 +4)
2
( +1)H( +1, , +1)H( +2, , +2) + 3
2
( +1)
2
H
2
( +2, , +2)
4( +1)( +2)H(, 1, )H( +3, , +3) + 4( +1)( +2)H(, , )H( +3, , +3)
+4
2
( +1)( +2)H( +1, , +1)H( +3, , +3)
E(b
3
) =3( +3(6 +1))H(3, 3, 3 +2) + 9( +6)H(3, 3 2, 3 +2)
3( +6(1+6))H(3, 3 1, 3 +2) + 30
2
(2 1)H(3, 1, 3 +1)
12
2
(5 1)H(3, 3, 3 +1) 6(2 +5(6 1))H(3, 3 2, 3 +1)
+12(15 2)H(3, 3 1, 3 +1)
2
(7 +18(2 1))H(3 2, 1, 3)
+
3
(9 7)H(3 2, 3, 3) +
3
(9 9)H(3 2, 3 4, 3)
+3(7 +3(6 1))H(3 2, 3 2, 3) 3
2
(12 7)H(3 2, 3 1, 3)
18
2
(2 1)H(3 1, 3 3, 3 +1) + 12
2
(3 1)H(3 1, 3, 3 +1)
+6(2 +3(6 1))H(3 1, 3 2, 3 +1) 12(9 2)H(3 1, 3 1, 3 +1)
+3
2
(3 +10(1+2))H(3 1, 3 3, 3) 3
3
(3+5)H(3 1, 3, 3)
3
(15 15)H(3 1, 3 4, 3) 3(9 +5(1+6))H(3 1, 3 2, 3)
+3
2
(9+20)H(3 1, 3 1, 3) 3( +5(1+6))H(3 +1, 3, 3 +2)
15( +6)H(3 +1, 3 2, 3 +2) + 3( +10(1+6))H(3 +1, 3 1, 3 +2)
+2
2
( +9(2 +1))H(3 +1, 3, 3 +3) 18
2
(2 +1)H(3 +1, 3 1, 3 +3)
+9
3
( +1)H(3 +2, 3, 3 +4) 6
2
( +5(2 +1))H(3 +2, 3, 3 +3)
+30
2
(2 +1)H(3 +2, 3 1, 3 +3) 15
3
(1+)H(3 +3, 3, 3 +4)
4
3
H( +2, 1, )H
2
( 1, 1, ) + 4
2
H( +2, , )H
2
( 1, 1, )
+4
2
H( +2, 1, )H( 1, , )H( 1, 1, ) 4
2
H( +2, , )H( 1, , )H( 1, 1, )
+4
2
H( +2, 1, )H( 1, 1, )H( 1, , ) 4
2
H( +2, , )H( 1, 1, )H( 1, , )
4
2
H( +2, 1, )H
2
( 1, , ) + 4
3
H( +2, , )H
2
( 1, , )
+4
2
H( +3, , +1)H
2
( 1, 1, ) 4H( +3, , +1)H( 1, , )H( 1, 1, )
4H( +3, , +1)H( 1, 1, )H( 1, , ) + 4
2
H( +3, , +1)H( 1, , )H( 1, , )
4.1 Momentos no centrais para distribuio de abundncia geral 43
+4
2
H( +2, 1, )H(, , +1)H( 1, 1, ) 4H(, , )H(, , +1)H( 1, 1, )
4H( +2, 1, )H(, , +1)H( 1, , ) + 4
2
H( +2, , )H(, , +1)H( 1, , )
4
2
H( +3, , +1)H(, , +1)H( 1, 1, ) + 4
2
H( +3, , +1)H(, , +1)H( 1, , )
3(1+)
3
H
2
(, 1, )H( 1, 1, ) 3(1+)
2
H(, , )H(, 1, )H( 1, 2, )
+3(1+)
2
H(, 1, )H(, , )H( 1, 2, ) 3
2
(1+)H
2
(, , )H( 1, 2, )
+3(1+2)
3
H
2
(, 1, )H( 1, 1, ) 3(1+2)
2
H(, , )H(, 1, )H( 1, 1, )
3(1+2)
2
H(, 1, )H(, , )H( 1, 1, ) + 3
2
(1+2)H
2
(, , )H( 1, 1, )
3(1+)
2
H
2
(, 1, )H( 1, , ) + 3(1+)
2
H(, , )H(, 1, )H( 1, , )
+3(1+)
2
H(, 1, )H(, , )H( 1, , ) 3(1+)
3
H
2
(, , )H( 1, , )
+3(1+)
2
H( +1, , +1)H(, 1, )H( 1, 2, ) 3(1+)H( +1, , +1)H(, , )H( 1, 2, )
3(1+2)
2
H( +1, , +1)H(, 1, )H(1, 1, ) + 3(1+2)H( +1, , +1)H(, , )H( 1, 1, )
+3(1+)H( +1, , +1)H(, 1, )H( 1, , ) 3(1+)
2
H( +1, , +1)H(, , )H( 1, , )
+3(1+)
2
H(, 1, )H( +1, , +1)H( 1, 1, ) 3(1+)H(, , )H( +1, , )H(, 2, )
3(1+2)
2
H(, 1, )H( +1, , +1)H( 1, 1, ) + 3(1+2)H(, , )H( +1, , +1)H( 1, 1, )
+3(1+)H(, 1, )H( +1, , +1)H( 1, , ) 3(1+)
2
H(, , )H( +1, , +1)H( 1, , )
3(1+)
2
H
2
( +1, , +1)H( 1, 2, ) + 3(1+2)
2
H
2
( +1, , +1)H( 1, 1, )
3(1+)
2
H
2
( +1, , +1)H( 1, , ) + 4
2
H( +2, 1, )H( 1, 1, )H(, , +1)
4H( +2, , )H( 1, 1, )H(, , +1) 4H( +2, 1, )H( 1, , )H(, , )
+4
2
H( +2, , )H( 1, , )H(, , +1) 4
2
H( +3, , +1)H( 1, 1, +1)H(, , +1)
+4
2
H( +3, , +1)H( 1, , )H(, , +1) 4
2
H( +2, 1, )H(, , +1)H(, , +1)
+4
2
H( +2, , )H(, , +1)H(, , +1) + 4
3
H( +3, , )H(, , +1)H(, , +1)
+6
3
H
2
(, 1, )H(, 1, +1) 6
2
H(, , )H(, 1, )H(, 1, +1)
6
2
H(, 1, )H(, , )H(, 1, +1) + 6
2
H
2
(, , )H(, 1, +1)
6
2
H
2
(, 1, )H(, , +1) + 6
2
H(, , )H(, 1, )H(, , +1)
+6
2
H(, 1, )H(, , )H(, , +1) 6
3
H
2
(, , )H(, , +1)
6
2
2
H( +1, , +1)H(, 1, )H(, 1, +1) + 6
2
H( +1, , +1)H(, , )H(, 1, +1)
+6
2
H( +1, , )H(, 1, )H(, , +1) 6
2
2
H( +1, , +1)H(, , )H(, , +1)
6
2
2
H(, 1, )H( +1, , +1)H(, 1, +1) + 6
2
H(, , )H( +1, , +1)H(, 1, +1)
+6
2
H(, 1, )H( +1, , +1)H(, , +1) 6
2
2
H(, , )H( +1, , +1)H(, , +1)
+6
3
H
2
( +1, , +1)H(, 1, +1) 6
3
H
2
( +1, , +1)H(, , +1)
9
3
H
2
(, 1, )H(, 2, ) + 9
4
H
2
(, 1, )H(, 2, )
9(1+)
2
H(, , )H(, 1, )H(, 2, ) 9(1+)
2
H(, 1, )H(, , )H(, 2, )
+9
2
(1+)H
2
(, , )H(, 2, ) 9(1+2)
3
H
3
(, 1, )
+9(1+2)
2
H(, , )H
2
(, 1, ) + 9(1+2)
2
H
2
(, 1, )H(, , )
9
2
(1+2)H
2
(, , )H(, 1, ) + 9(1+)
2
H
2
(, 1, )H(, )
9(1+)
2
H
2
(, , )H(, 1, ) 9(1+)
2
H(, 1, )H
2
(, , )
+9(1+)
3
H
3
(, , ) 9(1+)
2
H( +1, , )H(, 1, )H(, 2, )
+9(1+)H( +1, , +1)H(, , )H(, 2, ) + 9(1+2)
2
H( +1, , +1)H
2
(, 1, )
9(1+2)H( +1, , +1)H(, , )H(, 1, ) 9(1+)H( +1, , +1)H(, 1, )H(, , )
+9(1+)
2
H( +1, , +1)H
2
(, , ) 9(1+)
2
H(, 1, )H( +1, , +1)H(, 2, )
+9(1+)H(, , )H( +1, , +1)H(, 2, ) + 9(1+2)
2
H(, 1, )H( +1, , +1)H(, 1, )
4.1 Momentos no centrais para distribuio de abundncia geral 44
9(1+2)H(, , )H( +1, , +1)H(, 1, ) 9(1+)H(, 1, )H( +1, , +1)H(, , )
+9(1+)
2
H
2
(, , )H( +1, , +1) + 9(1+)
2
H
2
( +1, , +1)H(, 2, )
9(1+2)
2
H
2
( +1, , +1)H(, 1, ) + 9(1+)
2
H
2
( +1, , +1)H(, , )
3
2
(1+)H
2
(, 1, )H( +1, , +2) + 3(1+)H(, , )H(, 1, )H( +1, , +2)
+3(1+)H(, 1, )H(, , )H( +1, , +2) 3
2
(1+)H
2
(, , )H( +1, , +2)
+3
2
(1+)H( +1, , +1)H(, 1, )H( +1, , +2) 3
2
(1+)H( +1, , +1)H(, , )H( +1, , +2)
+3
2
(1+)H(, 1, )H( +1, , +1)H( +1, , +2) 3
2
(1+)H(, , )H( +1, , +1)H( +1, , +2)
3
3
(1+)H
2
( +1, , +1)H( +1, , +2) 18
3
H
2
(, 1, )H( +1, 1, +1)
+18
2
H(, , )H(, 1, )H( +1, 1, +1) + 18
2
H(, 1, )H(, , )H( +1, 1, +1)
18
2
H
2
(, , )H( +1, 1, +1) + 18
2
H
2
(, 1, )H( +1, , +1)
18
2
H(, , )H(, 1, )H( +1, , +1) 18
2
H(, 1, )H(, )H( +1, , +1)
+18
3
H
2
(, , delta)H( +1, , +1) + 18
2
2
H( +1, , +1)H(, 1, )H( +1, 1, +1)
18
2
H( +1, , +1)H(, , )H( +1, 1, +1) 18
2
H( +1, , +1)H(, 1, )H( +1, , +1)
+18
2
2
H( +1, , +1)H(, , )H( +1, , +1) + 18
2
2
H(, 1, )H( +1, , +1)H( +1, 1, +1)
18
2
H(, , )H( +1, , +1)H( +1, 1, +1) 18
2
H(, 1, )H
2
( +1, , +1)
+18
2
2
H(, , )H( +1, , +1)H( +1, , +1) 18
3
H
2
( +1, , +1)H( +1, 1, +1)
+18
3
H
3
( +1, , +1) + 9
2
(1+)H
2
(, 1, )H( +2, , +2)
9(1+)H(, , +2)H(, 1, )H( +2, , +2) 9(1+)H(, 1, )H(, , )H( +2, , +2)
+9
2
(1+)H
2
(, , )H( +2, , +2) 9
2
(1+)H( +1, , +1)H(, 1, )H( +2, , +2)
+9
2
(1+)H( +1, , +1)H(, , )H( +2, , +1) 9
2
(1+)H(, 1, )H( +1, , +1)
+9
2
(1+)H(, , )H( +1, , +1)H( +2, , +2) + 9
3
(1+)H( +1, , +1)H( +1, , +1)
4.1 Momentos no centrais para distribuio de abundncia geral 45
E(b
4
) =3
2
H
2
(, 1, )H(, , )H( +1, , +1) 3
2
H
2
(, , )H(, 1, )H( +1, , +1)
+3
2
H
2
(, 1, )H( +1, , +1)H(, , ) 3
2
H
2
(, , )H(, 1, )H( +1, , +1)
3
2
H(, 1, )H
2
(, , )H( +1, , +1) + 3
3
H
3
(, , )H( +1, , +1)
+3
2
2
H(, , +1)H
2
(, 1, )H( +1, , +1) 3
2
H
2
( +1, , +1)H(, , )H(, 1, )
3
2
H
2
( +1, , +1)H(, 1, )H(, , ) + 3
2
2
H
2
( +1, , +1)H
2
(, , )
+3
2
2
H
2
(, 1, )H
2
( +1, , +1) 3
2
H(, , )H
2
( +1, , +1)H(, 1, )
3
2
H(, 1, )H
2
( +1, , +1)H(, , ) + 3
2
2
H
2
(, , )H
2
( +1, , +1)
3
3
H
3
( +1, , +1)H(, 1, ) + 3
3
H
3
( +1, , +1)H(, , )
3
3
H
3
(, 1, )H( +1, , +1) + 3
2
H(, , )H
2
(, 1, )H( +1, , +1)
+3
2
H
2
(, 1, )H(, , )H( +1, , +1) 3
2
H
3
(, , )H(, 1, )
+3
2
H
2
(, 1, )H(, , )H( +1, , +1) 3
2
H
2
(, , )H(, 1, )H( +1, , +1)
3
2
H(, 1, )H
2
(, , )H( +1, , +1) + 3
3
H
3
(, , )H( +1, , +1)
+3
2
2
H
2
( +1, , +1)H
2
(, 1, ) 3
2
H
2
( +1, , +1)H(, , )H(, 1, )
3
2
H
2
( +1, , +1)H(, 1, )H(, , ) + 3
2
2
H
2
( +1, , +1)H
2
(, , )
+3
2
2
H
2
(, 1, )H
2
( +1, , +1) 3
2
H(, , )H
2
( +1, , +1)H(, 1, )
3
2
H(, 1, )H
2
( +1, , +1)H(, , ) + 3
2
2
H
2
(, , )H
2
( +1, , +1)
3
3
H
3
( +1, , +1)H(, 1, ) + 3
3
H
3
( +1, , +1)H(, , )
+3
2
2
H
2
(, 1, )H
2
( +1, , +1) 3
2
H(, , )H(, 1, )H
2
( +1, , +1)
3
2
H(, 1, )H(, , )H
2
( +1, , +1) + 3
2
2
H
2
(, , )H
2
( +1, , +1)
3
3
H
3
( +1, , +1)H(, 1, ) + 3
3
H
3
( +1, , +1)H(, , )
3
3
H(, 1, )H
3
( +1, , +1) + 3
3
H(, , )H
3
( +1, , +1) + 3
4
H
4
( +1, , +1)
+3
2
H( +1, , +1)H
2
(, 1, )H(, , ) 3
2
H( +1, , +1)H
2
(, , )H(, 1, )
+3
2
H(, +1, +1)H(, 1, )H
2
(, , ) 3
2
H( +1, , +1)H
2
(, , )H(, 1, )
3
2
H( +1, , +1)H(, 1, )H
2
(, , ) + 3
3
H( +1, , +1)H
3
(, , )
3
3
H(, 1, +1)H( +1, , )H
2
(, 1, ) + 3
2
H(, , )H( +1, , +1)H
2
(, 1, )
+3
2
H
2
(, 1, )H( +1, , +1)H(, , ) 3
2
H
2
(, , )H( +1, , +1)H(, 1, )
+3
2
H
2
(, 1, )H( +1, , +1)H(, , ) 3
2
H
2
(, , )H( +1, , +1)H(, 1, )
3
2
H(, 1, )H( +1, , +1)H
2
(, , ) + 3
3
H
3
(, , )H( +1, , +1)
+3
2
2
H
2
( +1, , +1)H
2
(, 1, ) 3
2
H
2
( +1, , +1)H(, , )H(, 1, )
3
2
H
2
( +1, , +1)H(, 1, )H(, , ) + 3
2
2
H
2
( +1, , +1)H
2
(, , )
3
3
H
3
(, 1, )H( +1, , +1) + 3
2
H(, , )H
2
(, 1, )H( +1, , +1)
+3
2
H
2
(, 1, )H(, , )H( +1, , +1) 3
2
H
2
(, , )H(, 1, )H( +1, , +1)
+3
2
H
2
(, 1, )H( +1, , +1)H(, , ) 3
2
H
2
(, , )H(, 1, )H( +1, , +1)
3
2
H(, 1, )H
2
(, , )H( +1, , +1) + 3
3
H
3
(, , )H( +1, , +1)
+3
2
2
H(, , +1)H
2
(, 1, )H( +1, , +1) 3
2
H
2
( +1, , +1)H(, , )H(, 1, )
3
2
H
2
( +1, , +1)H(, 1, )H(, , ) + 3
2
2
H
2
( +1, , +1)H
2
(, , )
+3
2
2
H
2
(, 1, )H
2
( +1, , +1) 3
2
H(, , )H
2
( +1, , +1)H(, 1, )
3
2
H(, 1, )H
2
( +1, , +1)H(, , ) +3
2
2
H
2
(, , )H
2
( +1, , +1)
4.2 Assimetria e curtose de h(, , ) 46
A partir das expresses de E(b), E(b
2
), E(b
3
) e E(b
4
) possvel obter o valor esper-
ado a varincia, assimetria e curtose de h(, , ), respectivamente, como segue:
E [h(, , )] = E(b) +H(, , ) (4.8)
Var [h(, , )] =E{[h(, , ) E(h(, , ))]
2
}
Var [h(, , )] =E(b
2
) E
2
(b) (4.9)
A[h(, , )] =E{[h(, , ) E(h(, , ))]
3
}
A[h(, , )] =
E(b
3
) 3E(b)E(b
2
) +2E
3
(b)
Var [h(, , )]
3/2
(4.10)
K[h(, , )] =E{[h(, , ) E(h(, , ))]
4
}
K[h(, , )] =
E(b
4
) 4E(b)E(b
3
) +6E
2
(b) 3E
4
(b)
Var [h(, , )]
2
(4.11)
em que as medidas de assimetria e curtose so controladas pelos parmetros , , .
4.2 Assimetria e curtose de h(, , )
As tabelas 1 e 2 apresentam os momentos para h(, , ) para uma srie de diferentes
valores de , e variando na regio de aceitao como dado emBaczkowski et al.(1997,
1998), obtidos ao utilizar as frmulas apresentadas na seo anterior, no caso em que
s = 10 e n = 1000 para o modelo de brocken-stick de MacArthur(1957), adotado como
um modelo representativo com diferentes abundncias relativas e o modelo equiprovvel,
respectivamente.
De uma forma geral, ao aplicar o modelo de broken-stick para quanticar a abundn-
cia entre espcies, nota-se que a medida que os parmetros e crescem o ndice de
diversidade, H(, , ), tambm cresce, ou seja, tais parmetros apresentam um relao
diretamente proporcional com o ndice. O mesmo no acontece ao observar o parmetro
que apresenta uma relao inversamente proporcional ao ndice j que o mesmo decresce
quando cresce.
4.2 Assimetria e curtose de h(, , ) 47
Ainda nessa tabela, possvel caracterizar a distribuio do ndice de diversidade a
partir dos momentos de h(, , ) em que, a aproximao normal no vista como a mais
aconselhvel j que alm de apresentar um comportamento assimtrico, a curtose, para
os valores atribudos a , , , evidenciam que a distribuio dos dados possui caudas
pesadas.
Tabela 1. Valores de H(, , ) e momentos de h(, , ) com s = 10, n = 1000 para o
modelo broken-stick.
H(, , ) E(h) Var(h) 10
6
A(h) 10
8
K(h) 10
10
0,5 0,0 1,0 3,3808 3,3775 32,3630 -0,0008 0,1160
0,5 0,5 2,0 5,7280 5,7219 165,1248 -0,0007 0,1107
1,0 -2,0 2,0 0,6099 0,6180 258,2401 -0,0008 0,6181
1,0 -1,5 0,5 0,5039 0,5070 22,7916 -0,0009 0,5130
1,0 -1,0 0,5 0,6383 0,6410 13,0031 -0,0009 0,4407
1,0 -0,5 1,0 0,9244 0,9272 15,6271 -0,0009 0,3634
1,0 0,5 0,5 1,5114 1,5102 3,3522 -0,0009 0,0262
1,0 1,0 0,0 1,9723 1,9678 18,5119 -0,0004 0,0769
1,0 1,5 2,0 3,9055 3,8987 83,8917 -0,0006 0,0681
1,5 -2,0 1,0 0,2192 0,2224 31,7728 -0,0010 0,7352
1,5 -1,5 1,0 0,2626 0,2656 23,1275 -0,0010 0,6894
1,5 -1,0 2,0 0,4183 0,4230 59,1860 -0,0010 0,7138
1,5 -0,5 1,5 0,4483 0,4515 4429,4797 -0,0012 0,0537
1,5 0,0 1,0 0,4975 0,4995 4,9593 -0,0010 0,3642
2,0 -2,0 0,5 0,0926 0,0942 7,4460 -0,0012 0,8739
2,0 -1,5 1,5 0,1465 0,1490 19,9053 -0,0011 0,8380
2,0 -1,0 1,5 0,1732 0,1755 14,8536 -0,0011 0,8042
2,0 -0,5 0,5 0,1575 0,1587 2,4741 -0,0012 0,6173
2,0 0,0 0,0 0,1701 0,1710 0,5170 -0,0011 0,3519
Assim como descrito na tabela 1, nota-se que os parmetros e apresentam um relao di-
retamente proporcional, enquanto o parmetro apresenta uma relao inversamente proporcional
ao ndice quando se aplica o modelo equiprovvel para obter a abundncia entre espcies.
4.2 Assimetria e curtose de h(, , ) 48
Nota-se que independente de obter a abundncia entre espcies atravs doo modelo de broken-
stick ou do modelo equiprovvel a aproximao normal no vista como a mais aconselhvel para
caracterizar a distribuio do ndice de diversidade a partir dos momentos de h(, , ), j que alm
de apresentar um comportamento assimtrico os valores da curtose evidenciam que a distribuio
dos dados possui caudas pesadas, para os valores atribudos a , , .
Tabela 2. Valores de H(, , ) e momentos de h(, , ) com s = 10, n = 1000 para o
modelo equiprovvel.
H(, , ) E(h) Var(h) 10
6
A(h) 10
8
K(h) 10
10
0,5 0,0 1,0 3,5140 0,3512 1,5039 -20,7133 0,1329
0,5 0,5 2,0 5,9240 0,5921 6,2335 -14,3620 0,0656
1,0 -2,0 2,0 0,2330 0,0236 0,7461 -24,9508 0,8375
1,0 -1,5 0,5 0,3020 0,0304 0,3376 -61,3611 0,8921
1,0 -1,0 0,5 0,4580 0,0460 0,3310 -110,5478 0,8301
1,0 -0,5 1,0 0,7320 0,0734 0,4771 -148,4061 0,6404
1,0 0,5 0,5 0,1600 0,1598 0,3401 -12,9635 0,2693
1,0 1,0 0,0 2,3026 0,2298 1,6735 33,2862 0,8138
1,0 1,5 2,0 4,3136 0,3486 6,6339 9,6725 0,2811
1,5 -2,0 1,0 0,0663 0,0068 0,1035 -22,3470 1,0302
1,5 -1,5 1,0 0,1006 0,0102 0,1460 -29,3620 1,0298
1,5 -1,0 2,0 0,1696 0,0172 0,3485 -31,2036 0,9836
1,5 -0,5 1,5 0,2441 0,0246 3,8597 -16,5380 0,9412
1,5 0,0 1,0 0,3514 0,0353 0,2197 -120,0551 0,9532
2,0 -2,0 0,5 0,0199 0,0020 0,0184 -17,1348 1,1119
2,0 -1,5 1,5 0,0335 0,0034 0,0454 -17,9861 1,0873
2,0 -1,0 1,5 0,0509 0,0052 0,0686 -22,2146 1,0914
2,0 -0,5 0,5 0,0695 0,0070 0,0550 -38,2523 1,1536
2,0 0,0 0,0 0,1000 0,0101 0,0450 -77,9739 1,2744
49
5 APLICAES
Para os dados coletados no Parque Estadual Mata dos Godoy, comprovou-se a existncia de
uma relao diretamente proporcional entre os parmetros e e o ndice de diversidade. Nota-se
ainda que a aproximao normal no vista como a distribuio mais adequada aos dados devido
as caudas pesadas, caracterizada pela curtose.
Tabela 3. Valores de H(, , ) e momentos de h(, , ) com s = 65, n = 970 para o modelo
equiprovvel.
H(, , ) E(h) Var(h) 10
6
A(h) 10
8
K(h) 10
10
0,5 0,0 1,0 0,1260 -0,001001 6,6493 -0,1137 0,0097
0,5 0,5 2,0 0,2615 -0,002134 37,6217 -0,0417 0,0075
1,0 -2,0 2,0 0,0009 0,000028 0,0053 -1,0249 0,0098
1,0 -1,5 0,5 0,0018 0,000036 0,0083 -1,3213 0,0107
1,0 -1,0 0,5 0,0037 0,000046 0,0134 -1,6676 0,0109
1,0 -0,5 1,0 0,0077 0,000050 0,0215 -2,1404 0,0078
1,0 0,5 0,5 0,0317 -0,000127 0,2770 -0,6869 0,0036
1,0 1,0 0,0 0,0643 -0,000513 2,7841 -0,1385 0,0061
1,0 1,5 2,0 0,1354 -0,001248 21,1986 -0,0383 0,0046
1,5 -2,0 1,0 0,0001 0,000008 0,0004 -1,7859 0,0112
1,5 -1,5 1,0 0,0002 0,000013 0,0011 -1,2928 0,0113
1,5 -1,0 2,0 0,0005 0,000023 0,0032 -0,8773 0,0110
1,5 -0,5 1,5 0,0013 0,000046 0,0144 -0,5292 0,0099
1,5 0,0 1,0 0,0019 0,000051 0,0163 -0,7144 0,0111
2,0 -2,0 0,5 0,0000 0,000002 0,0000 -4,5397 0,0115
2,0 -1,5 1,5 0,0000 0,000003 0,0001 -2,7438 0,0115
2,0 -1,0 1,5 0,0001 0,000006 0,0002 -1,8064 0,0115
2,0 -0,5 0,5 0,0001 0,000009 0,0005 -1,3253 0,0117
2,0 0,0 0,0 0,0002 0,000016 0,0015 -0,9808 0,0118
5 APLICAES 50
Inicialmente comprova-se a relao diretamente proporcional entre os parmetros e e o
ndice de diversidade, assim como ocorrido nas tabelas 1, 2 e 3. Ainda nessa tabela, ao caracte-
rizar a distribuio do ndice de diversidade com base nos dados que compe um estudo desen-
volvido no parque fenolgico do Campo Experimental da Embrapa Amaznia Ocidental nota-se que
a aproximao normal no vista como a distribuio mais adequada aos dados devido as caudas
pesadas e comportamento assimtrico.
Tabela 4. Valores de H(, , ) e momentos de h(, , ) com s = 99, n = 240 para o modelo
equiprovvel.
H(, , ) E(h) Var(h) 10
6
A(h) 10
8
K(h) 10
10
0,5 0,0 1,0 0,1260 -0,005892 6,6493 -0,1137 0,0097
0,5 0,5 2,0 0,2615 -0,013358 37,6217 -0,0417 0,0075
1,0 -2,0 2,0 0,0009 0,000079 0,0053 -1,0249 0,0098
1,0 -1,5 0,5 0,0018 0,000111 0,0083 -1,3213 0,0107
1,0 -1,0 0,5 0,0037 0,000150 0,0134 -1,6676 0,0109
1,0 -0,5 1,0 0,0077 0,000167 0,0215 -2,1404 0,0078
1,0 0,5 0,5 0,0317 -0,000523 0,2770 -0,6869 0,0036
1,0 1,0 0,0 0,0643 -0,002206 2,7841 -0,1385 0,0061
1,0 1,5 2,0 0,1354 -0,005987 21,1986 -0,0383 0,0046
1,5 -2,0 1,0 0,0001 0,000020 0,0004 -1,7859 0,0112
1,5 -1,5 1,0 0,0002 0,000035 0,0011 -1,2928 0,0113
1,5 -1,0 2,0 0,0005 0,000063 0,0032 -0,8773 0,0110
1,5 -0,5 1,5 0,0010 0,000127 0,0144 -0,4286 0,0099
1,5 0,0 1,0 0,0019 0,000165 0,0163 -0,7144 0,0111
2,0 -2,0 0,5 0,0000 0,000004 0,0000 -4,5397 0,0115
2,0 -1,5 1,5 0,0000 0,000007 0,0001 -2,7438 0,0115
2,0 -1,0 1,5 0,0001 0,000013 0,0002 -1,8064 0,0115
2,0 -0,5 0,5 0,0001 0,000024 0,0005 -1,3253 0,0117
2,0 0,0 0,0 0,0002 0,000042 0,0015 -0,9808 0,0118
51
6 CONSIDERAES FINAIS
Os momentos de h(, , ) apresentados nessa dissertao extende os resultados apresen-
tados em Baczkowski et al. (2000) e Bowman et al. (1971) para uma classe de ndices de di-
versidade mais geral. Tais resultados so to consistentes quanto os trabalhos que lidam com
populaes reais como em Heip & Engels (1974), que examina o habitat aqutico, principalmente
quando aborda-se o ndice de Shannon.
Ao caracterizar a distribuio do ndice proposto atravs de momentos, nota-se que a aproxi-
mao normal no a mais adequada, j que ao quanticar a abundncia de espcies, tanto pelo
modelo de broken-stick quanto pelo modelo equiprovvel, possvel observar a ocorrncia de as-
simetria e de caudas pesadas, isto ao estudar encontros intra-especcos para a amostra de valores
apresentados nas tabelas 1 e 2, respectivamente.
O mesmo acontece ao tratar dados reais, sejam os dados referentes a estrutura de espcies
arbreas em uma rea alagvel do Municpio de Londrina, sejam os dados referentes a associ-
ao orstica e tossociologia de espcies arbreas do Parque Fenolgico da Embrapa Amaznia
Ocidental, como mostram as tabelas 3 e 4.
Em Baczkowski et al. (2000) a distribuio de h(1, 1, 0) pode ser aproximada por uma dis-
tribuio Gaussiana, caso haja diferena entre abundncia de espcies, no entanto, ao atribuir
valores mais gerais para os parmetros (, , ), sugere-se a distribuio beta tipo I como sendo a
mais apropriada para caracterizar a distribuio do ndice proposto. Nesta dissertao, tambm
possvel usar a aproximao Gaussiana como um modelo para a distribuio do ndice, no entanto
no aconselhvel que se faa isto pelos motivos j citados.
Muito ainda pode ser feito ao aplicar ferramentas estatstica em ecologia, a princpio sugere-se
estudar os limites de tomando como base Baczkowski et al. (1998). Recomenda-se ainda um
estudo mais aprofundado sobre as inter-relaes entre espcies, enfatizando o cenrio interespec-
co, j que este corresponde a provveis eventos raros. Ainda, para trabalhos futuros, sugere-se a
criao de um ndice de diversidade que abranja no somente o nmero de espcies mas tambm
o nmero de ndivduos por espcies, atribuindo, com isso, pesos a cada espcie objetivando min-
imizar o erro de estimao j que ao ponderar a dominncia entre indivduos a estimativa de sua
quanticao em uma dada comunidade convergir para o real valor da diversidade.
52
REFERNCIAS BIBLIOGRFICAS
BACZKOWISKI, A.J.; JOANES, D.N.; SHAMIA, G. The distribution of a generalized diversity index
due to Good. Environmental and Ecological Statistics 7: 329-342, 2000
BACZKOWSKI, A.J. Moments of a generalized diversity index due to Good. Unpublished Inter-
nal Report STAT 96/18, December 1996. Department of Statistics, University of Leeds, 1996.
BACZKOWISKI, A.J. (1998) Applications of Goods generalized diversity index. Unpublished In-
ternal Report STAT 98/11, September 1998, Department of Statistics, University of Leeds, 1998.
BACZKOWISKI, A.J.; JOANES, D.N.; SHAMIA, G. Properties of a generalized diversity index. Jour-
nal of Theoretical Biology 188: 207-213, 1997.
BACZKOWISKI, A.J.; JOANES, D.N.; SHAMIA, G.M. Range of validity of a and b for a general-
ized diversity index H(, ) due to Good. Mathematical Biosciences 148: 115-128, 1998.
BASHARIN, G.P. On a statistical estimate for the entropy of a sequence of independent random
variables. In Theory of Probability and its Applications, v.IV, (Translation of Teoriya Veroyatnosteii
ee Pvimeneniya), N. Artin (ed), Society for Industrial and Applied Mathematics: 333-336, 1959.
BERGER, W.H.; PARKER, F.L. Diversity of planktonic forminifera in deep-sea sediments. Science
168: 1345-1347, 1970.
BHARGAVA, T.N.; UPPULURI, V.R.R. Population disagreement and Ginis index of diversity. Gen-
eral Systems 21: 101-103, 1976.
BIANCHINI, E.; POPOLO, R.S.; DIAS, M.C; PIMENTA, J.A. Diversidade e estrutura de espcies
arbreas em rea alagvel do municpio de Londrina, Sul do Brasil. Acta. bot. bras. 17 (3): 405-
419, 2003.
REFERNCIAS BIBLIOGRFICAS 53
BOWMAN, K.O. et al. Comments on the distribution of indices of diversity. International Sym-
posium of Statistical Ecology 3: 315-359, 1971.
CORDEIRO, G.M. Introduo a teoria assinttica. Rio de Janeiro: 22
o
Colquio Brasileiro de
Matemtica, 1999.
FISHER, R.A. et al. The relation between the number of species and the number of individuals
in a sample de an animal population. Journal Anim Ecol.12: 42-58, 1943.
GOOD, I.J. The population frequencies of species and the estimation of population parameters.
Biometrika 40: 237-64, 1953.
GOOD, I.J. Comment on the paper by G.P. Patil and C. Taillie. Journal of the American Sta-
tistical Association 77: 561-563, 1982.
GREENBERG, S.H. The measurement of linguistic diversity. Language 32: 109-115, 1956.
HAIRSTON, N.G. Species abundance and community organization. Ecology 40: 404-416, 1959.
HEIP, C.; ENGELS, P. Comparing species diversity and evenness indices. Journal of the Ma-
rine Biological Association of the UK 54: 559-563, 1974.
HERDAN, G. The mathematical relation between Greenbergs index of linguistic diversity and Yules
characteristic. Biometrika 45: 268-270, 1958.
HILL, M.O. Diversity and evenness: a unifying notation and its consequences. Ecology 54: 427-
432, 1973.
HULBERT, S. H. The nonconcept of species diversity: a critique and alternative parameters. Eco-
logy 52: 577-586, 1971.
HUTCHESON, K. A test for comparing diversities based on the Shannon formula. Journal of The-
oretical Biology 29: 151-154, 1970.
REFERNCIAS BIBLIOGRFICAS 54
JOANES, D.N.; GILL, C.A. Interval estimation of a measure of diversity. Journal of Applied Statis-
tics 19: 323-327, 1992.
JOANES, D.N.; GILL, C.A. Comparing measures of sample skewness and kurtosis. The Statis-
tician 47: 183-189, 1998.
JOHNSON, N. L.; KOTZ, S. Encyclopedia of statistical science, v.2. New York: John Wiley,
1988.
KHINCHIN, A. I. Mathematical Foundations of Information Theory. Dover, New York, 1957.
KOLASA, J.; STRAYER, D. Patterns of the abundance of species: a comparison of two hierar-
chical models. Oikos 53: 235-241, 1988.
MACARTHUR, R.H. On the relative abundance of bird species. Proceedings of the National
Academy of Sciences, USA 43: 293-295, 1957.
MAGURRAN, A.E. Ecological diversity and its measurements. Princeton: University Press,
1988.
MARGALEF, R. La teora de la informacin en ecologa. Memrias de la Real Academia de
Ciencias y Artes de Barcelona 32: 373-449, 1957.
MARGALEF, R. Information theory in ecology. General Systems 3: 36-71, 1958.
MARTINS, F. R.; SANTOS, F. A. M. Tcnicas usuais de estimativas da biodiversidade. Holos 1:
236-267, 1999.
MOOD, A. M.; GRAYBILL, F. A.; BOES, D. C. Introduction to the theory od statistics. McGraw-
Hill ,1974.
PATIL, G.P.; TAILLIE, C. Diversity as a concept and its measurement. Journal of the American
Statistical Association 77 (379): 548-561, 1982.
REFERNCIAS BIBLIOGRFICAS 55
PEARSON, E.S.; HARTLEY, H.O. Biometrika Tables for Statisticians, Volume I, Cambridge: Uni-
versity Press, 1954.
PEARSON, E.S.; MERRINGTON, M. Tables of the 5% and 0.5% point of Pearson curves (with
argument b1 and b2) expressed in standard measure. Biometrika 38: 4-10, 1951.
PIELOU, E.C. Ecological Diversity. New York: John Wiley & Sons, 1975.
PIELOU, E.C. Mathematical Ecology. New York: John Wiley & Sons, 1977.
PINTO-COELHO, R. M. Fundamentos em Ecologia. Porto Alegre: Artmed, 2006.
PRESTON, F.W. The commoness and rarity of species. Ecology 29: 254-283, 1948.
RENYI, A. On measures of entropy and information: In Proceedings of the Fourth Berkeley Sym-
posium on Mathematical Statistics and Probability (Neyman, J., ed) Volume 1, 436-450. Berkeley:
University of California, 1961.
SIMPSON, E.H. Measurement of diversity. Nature 163: 688, 1949.
SHANNON, C.E. A mathematical theory of communication. The Bell System Technical Journal
27: 379-423, 1948.
SHANNON, C.E.; WEAVER, W. The mathematical theory of communication. Urbana: University
of Illinois Press, 1949.
SILVA, K. E. da; MATOS, F. D. de; FERREIRA, M. M. Composio orstica e tossociologia de
espcies arbreas do Parque Fenolgico da Embrapa Amaznia Ocidental. Acta amazonica 38:
213-222, 2008.
SUGIHARA, G. Minimal community structure: an explanation of species abundance patterns. The
American Naturalist 116: 770-787, 1980.
WALLACE, A.F. Tropical Nature and outher Essays. London: MacMillan, 1875.
REFERNCIAS BIBLIOGRFICAS 56
WEBB, D.J. The statistics of relative abundance and diversity. Journal of Theoretical
Biology 43: 277-292, 1974.
WIKIPEDIA. Diversidade. Informaes disponveis no site <http://pt.wikipedia.org/wiki/Diver-
sidade>. Acesso em: 30 set. 2008.
WILLIAMS, C.B. Patterns in the balance of nature. London: Academic Press, 1964.
WHITTAKER, R.H. Dominance and diversity in land plant communities. Science 147: 250-
260, 1967.
WHITTAKER, R.H. Evolution and measurement of species diversity. Taxon 21: 17-34,
1972.