Este estudo foi conduzido com objetivo de avaliar o emprego de equações hipsométricas em cerrado sensu stricto, focalizando o método de amostragem dos dados de relação hipsométrica. Para isso utilizou-se cinco amostras de 1000 m² (20x50m), em uma área de cerrado sensu stricto localizado no sul do Tocantins. Foram avaliados quarenta modelos hipsométricos e cinco métodos de amostragem com área relativa a área total. Nessa avaliação, além da análise de distribuição dos resíduos, erro padrão residual e coeficiente de determinação, foram adotados os critérios estatísticos: delineamento inteiramente casualizado no esquema de parcelas subdivididas, teste Dunnett, desvio médio absoluto, desvio padrão das diferenças, soma dos quadrados dos resíduos relativos, resíduo percentual, raiz quadrada do erro médio, desvio padrão das diferenças absolutas e correlação linear múltipla. Concluiu-se que a relação funcional Ln (h)=f[Ln(N/d);Ln(dq/d);1/d; Ln(G)] foi a melhor opção para se caracterizar a relação hipsométrica em inventários florestais de cerrado sensu stricto e que deve ser ajustada com dados obtidos em uma área com 40 % da área total da parcela. / This study aimed to avaliate the hypsometric equations utilization in cerrado sensu stricto, focusing on the sampling method of hypsometric relationship data. To this end, five samples of 1000m² (20x50m) were used, in a cerrado sensu stricto area situated in south Tocantins. Forty hypsometric models and five sampling methods were used with relative area to total area. In this avaliation, besides the waste distribution analysis, standart error of waste and coefficient of determination, this statistc criteria were also adopted: completely randomized design in a split plot scheme, Dunett test, absolute mean deviation, standart deviation of differences, squares sum of relative residues, percentage residue, medium error square root, standart deviation of absolutes differences and multiple linear correlation. It was concluded that the funcional relation Ln (h)=f[Ln(N/d);Ln(dq/d);1/d; Ln(G)] was the best option to characterize the hyposometric relationship in forest inventory of cerrado sensu stricto and it must be ajusted with the obtained data in a 40% area of the plot total area.

Neste trabalho está sendo proposto uma abordagem bayesiana para resolver o problema de inferência com restrição nos parâmetros para os modelos de Petterson, Prodan, Stofel e Curtis, utilizados para representar a relação hipsométrica em clones de Eucalyptus sp. Consideramos quatro diferentes densidades de probabilidade a priori, entre as quais, a densidade a priori não informativa de Jeffreys, a densidade a priori vaga normal flat, uma densidade a priori construída empiricamente e a densidade a priori potência. As estimativas bayesianas foram calculadas com a técnica de simulação de Monte Carlo em Cadeia de Markov (MCMC). Os métodos propostos foram aplicados em vários conjuntos de dados reais e os resultados foram comparados aos obtidos com os estimadores de máxima verossimilhança. Os resultados obtidos com as densidades a priori não informativa e vaga foram semelhantes aos resultados encontrados com os estimadores de máxima verossimilhança, porém, para vários conjuntos de dados, as estimativas não apresentaram coerência biológica. Por sua vez, as densidades a priori informativas empírica e a priori potência sempre produziram resultados coerentes biologicamente, independentemente do comportamento dos dados na parcela, destacando a superioridade desta abordagem / In this work we propose a Bayesian approach to solve the inference problem with restriction on parameters for the models of Petterson, Prodan, Stofel and Curtis used to represent the hypsometric relationship in clones of Eucalyptus sp. We consider four different prior probability densities, the non informative Jeffreys prior, a vague prior with flat normal probability density, a prior constructed empirically and a power prior density. The Bayesian estimates were calculated using the Monte Carlo Markov Chain (MCMC) simulation technique. The proposed methods were applied to several real data sets and the results were compared to those obtained with the maximum likelihood estimators. The results obtained with a non informative prior and prior vague showed similar results to those found with the maximum likelihood estimators, but, for various data sets, the estimates did not show biological coherence. In turn, the methods a prior empirical informative and a prior power, always produce biologically consistent results, regardless of the behavior of the data in the plot, highlighting the superiority of this approach

Neste trabalho está sendo proposto uma abordagem bayesiana para resolver o problema de inferência com restrição nos parâmetros para os modelos de Petterson, Prodan, Stofel e Curtis, utilizados para representar a relação hipsométrica em clones de Eucalyptus sp. Consideramos quatro diferentes densidades de probabilidade a priori, entre as quais, a densidade a priori não informativa de Jeffreys, a densidade a priori vaga normal flat, uma densidade a priori construída empiricamente e a densidade a priori potência. As estimativas bayesianas foram calculadas com a técnica de simulação de Monte Carlo em Cadeia de Markov (MCMC). Os métodos propostos foram aplicados em vários conjuntos de dados reais e os resultados foram comparados aos obtidos com os estimadores de máxima verossimilhança. Os resultados obtidos com as densidades a priori não informativa e vaga foram semelhantes aos resultados encontrados com os estimadores de máxima verossimilhança, porém, para vários conjuntos de dados, as estimativas não apresentaram coerência biológica. Por sua vez, as densidades a priori informativas empírica e a priori potência sempre produziram resultados coerentes biologicamente, independentemente do comportamento dos dados na parcela, destacando a superioridade desta abordagem / In this work we propose a Bayesian approach to solve the inference problem with restriction on parameters for the models of Petterson, Prodan, Stofel and Curtis used to represent the hypsometric relationship in clones of Eucalyptus sp. We consider four different prior probability densities, the non informative Jeffreys prior, a vague prior with flat normal probability density, a prior constructed empirically and a power prior density. The Bayesian estimates were calculated using the Monte Carlo Markov Chain (MCMC) simulation technique. The proposed methods were applied to several real data sets and the results were compared to those obtained with the maximum likelihood estimators. The results obtained with a non informative prior and prior vague showed similar results to those found with the maximum likelihood estimators, but, for various data sets, the estimates did not show biological coherence. In turn, the methods a prior empirical informative and a prior power, always produce biologically consistent results, regardless of the behavior of the data in the plot, highlighting the superiority of this approach