DISTRIBUCIN LOG-NORMAL

1. INTRODUCCIN
Se trata de la densidad de probabilidad de una variable log x distribuida segn
una funcin normal:
Y = eX

X = N(,)
Con este cambio de variable quedar:

Funcin de distribucin: G(y) = P(Yy) = P(eX y) = P(Xlog y) = F(log y)

Funcin de densidad : g(y) = G(y) = F(log y) * (1/y)

Tambin es conocida como Ley de Galton-Mac. Aliester o ley del efecto

proporcional, segn Calot (1988).
Los parmetros principales que la caracterizan son:
Parmetros

Soporte

pdf

cdf

Media

Mediana

Moda

Varianza

Asimetra

Curtose

Entropa

A continuacin se muestran unos grficos de la funcin de distribucin y de

la funcin de densidad:
Funcin de densidad

Funcin de distribucin

Puede comprobarse que la mediana est comprendida entre la moda1 y la

media y ms cerca de la media que la moda, en particular, puede comprobarse
que la mediana2 est casi dos veces ms cerca de la media que de la moda.
La distribucin lognormal es una probabilidad frecuentemente utilizada
para expresar el comportamiento de observaciones con asimetra positiva, en
donde la mayora de los valores ocurren en las proximidades de un valor mnimo.
Segn Cabrera (1998), una condicin para la validez de que una variable se
distribuya Lognormal es que x sea la resultante de un nmero elevado de causas
independientes con efectos positivos, que se componen de manera multiplicativa
y cada una de estas causas tiene un efecto despreciable frente al global.
Esta distribucin es caracterstica en conjuntos de datos donde existe mayor
frecuencia de valores pequeos, por lo cual la media se desplaza hacia la derecha
y esto hace que el mejor estadgrafo de posicin sea la moda y no la media
aritmtica (Conferencia UNACH, 1995). Esta consideracin se valora, pero no se
comparte en lo referente a la valoracin del centro de los datos por considerarse
que el mismo puede hallarse con ms exactitud en el valor de la mediana, la cual
se conoce no es influida por valores extremos, lo cual no ocurre con la moda.
Tambin se considera que otra medida de posicin vlida para esta distribucin
es la media geomtrica (Pea, 1994).

NDICE DE EVENTOS QUE PRESENTAN UNA DISTRIBUCIN

LOG-NORMAL
1.
2.
3.
4.

Patrones de abundancia de especies.

Distribucin log-normal de las concentraciones ambientales.
Modelo log-normal del precio de las acciones.
Anlisis de la comunidad de una laguna costera en la costa sur
occidental de Mxico.
5. Cuantificacin de la vitamina B2.
6. Distribucin del peso molecular de los polmeros.
7. Prediccin de sismos una ojeada al futuro.
8. Factores que afectan las tasas de captura de langostino amarillo en la
zona norte de chile.
9. Comportamiento de las precipitaciones en el sector del lago Titicaca
(Bolivia) durante el fenmeno El Nio.
10. Produccin de nanopartculas de Cobre.

1
2

Es el valor para el cual le distribucin toma su mximo absoluto.

F(xmed)=P(Xx)=P(Xx)=0.5

1. Patrones de abundancia de especies

El desarrollo de Fisher y colaboradores llam la atencin de Frank Preston,
un ingeniero ingls. Motivado por los trabajos de Fisher, Preston public en 1948
un trabajo sobre la abundancia y la rareza de las especies biolgicas que marc el
desarrollo de la teora ecolgica por varias dcadas. El trabajo de Preston
demostr que, aunque el modelo de Fisher era esencialmente correcto, el
supuesto que la abundancia media es una caracterstica fija en cada especie, era
innecesariamente restrictivo. En efecto, el supuesto de Fisher implica que la
cantidad de recursos que conquista inicialmente una especie en una comunidad
permanece constante a lo largo del tiempo evolutivo, aunque nuevos
competidores le disputen su nicho ecolgico. En contraposicin, Preston parti de
un supuesto mucho menos restrictivo, basado en un razonamiento estrictamente
demogrfico, que puede demostrarse fcilmente mediante el clculo. As
logaritmo de la abundancia de una especie en una comunidad depende del
logaritmo de la abundancia inicial y de las variaciones en su tasa real de
crecimiento a lo largo del tiempo. Preston infiri correctamente que si una
especie se encuentra en equilibrio con su medio, las tasas reales de crecimiento
oscilarn aleatoriamente, a veces incrementando la poblacin cuando ocurren
periodos favorables y a veces disminuyndola cuando ocurren periodos
desfavorables. De acuerdo con el Teorema del Lmite central (Teorema que
demuestra que todas las variables estadsticas aditivas tienen una
distribucin normal de Gauss), el logaritmo del nmero de individuos tendr
una variacin Gaussiana a lo largo del tiempo. El corolario que sac Preston
de esta demostracin fue que, si la distribucin del logaritmo de las
abundancias de una especie vara de forma Gaussiana a lo largo del tiempo,
entonces, en un tiempo dado, la distribucin del logaritmo de las
abundancias de varias especies en un slo tiempo y lugar tambin debe
variar normalmente. Es decir, que en un instante dado habr algunas
especies que se presenten en grandes abundancias y otras que lo hagan en
cantidades mucho ms bajas, pero el logaritmo de sus abundancias tendr
una distribucin normal.
En resumen, el modelo de Preston, conocido como modelo de lognormal predice que la cantidad de especies presenten en una comunidad
tendr una relacin Gaussiana o normal en el logaritmo de sus abundancias.
Es probable que las distribuciones de las abundancias de las especies sean
log-normales. A nivel de comunidad es de esperar que los factores que gobiernan
la distribucin y la abundancia de las especies sean independientes entre s y que
afecten de manera multiplicativa a las variables que de ellos dependen. En
resumen, la distribucin log-normal, es predecible cuando un conjunto de datos
depende del producto de variables aleatorias. Los factores que definen la
abundancia de las especies tienden a actuar de esta manera.
Una de las consecuencias ms importante del modelo de Preston es que, al
igual que el de Fisher, es capaz de describir la cantidad de especies a hallar en un
rea como una funcin de la cantidad de individuos en el total de la muestra. Pero
a diferencia del modelo de Fisher, que predice un rango muy amplio de curvas, el
modelo de Preston predice una relacin del tipo: numero de especies igual a k por
A elevado a z, donde A y z son coeficientes derivados del modelo. Para el caso
4

de comunidades con distribucin de abundancias de tipo log-normal, Preston

demostr que el valor del exponente z debera estar cerca de 0,23 en muestras
relativamente grandes y un valor algo mayor en muestras pequeas (May, 1975),
pero la ecuacin anterior puede linealizarse sacando logaritmos, de forma que:
log(s)= log(k) + zlog(A)
Es decir, que la relacin entre el logaritmo del rea y el logaritmo del
nmero de especies para muestras de distintos tamaos debera dar una recta con
pendiente aproximada de 0,23 y una pendiente algo mayor en datos de
comunidades muy pobres en especies. Si as no ocurriera, deberamos rechazar el
modelo de log-normal de Preston como modelo subyacente en los patrones de
abundancia y rareza de las especies biolgicas.
www.geocities.com/CollegePark/ Classroom/7370/pagina5b.htm

2. La distribucin log-normal de las concentraciones

ambientales
La valoracin higinica clsica de un puesto de trabajo se efecta
comparando la exposicin a contaminantes que sufre el trabajador que lo ocupa
con las correspondientes "exposiciones mximas permisibles" contempladas en el
criterio de valoracin elegido. En general es la concentracin media ponderada en
el tiempo el parmetro bsico a travs del cual se cuantiza la exposicin y su
medicin se realiza mediante un procedimiento de toma de muestras/anlisis. Un
puesto de trabajo queda caracterizado cuando se ha determinado su ciclo de
trabajo, es decir, el mnimo conjunto ordenado de tareas que se repite idntica y
sucesivamente; entre dos ciclos cualesquiera no deben existir diferencias
macroscpicamente observables. A efectos de valoracin higinica la exposicin
a contaminantes quedar caracterizada por la duracin del ciclo de trabajo y las
concentraciones medias existentes durante el mismo; en consecuencia las
mediciones que se efecten para determinar dichas concentraciones debern
cubrir uno o varios (pero siempre un nmero entero) de ciclos de trabajo.
Se ha demostrado experimentalmente que la concentracin medida
durante un determinado ciclo de trabajo es una variable aleatoria que sigue
una distribucin de probabilidad lognormal (es decir, que los logaritmos de
dicha variable siguen una ley normal). Ello significa que las concentraciones
pueden variar tericamente entre cero e infinito, y que la probabilidad de que la
concentracin medida est ms o menos alejada de la concentracin media real
depende de la mayor o menor desviacin tpica (dispersin) de la distribucin o,
lo que es lo mismo, de la mayor o menor variabilidad de los factores aleatorios
que influyen sobre la concentracin.
La variabilidad de las concentraciones medidas suele ser, en la prctica,
considerable. Como parmetro indicador de la misma acostumbra a emplearse la
llamada desviacin standard geomtrica (GSD) de las concentraciones; la GSD es
el antilogaritmo de la desviacin standard de la distribucin de los logaritmos de
las concentraciones. La desviacin standard geomtrica puede variar
5

tericamente desde 1 (concentracin constante) hasta cualquier valor positivo

superior a la unidad, aunque en la prctica los valores encontrados suelen hallarse
en el intervalo de 1,25 a 2,5. (Figura 1).

Fig. 1: Distribuciones lognormales de igual media aritmtica (10 ppm) y distintos G.S.D.

Distribuciones lognormales de igual media aritmtica (10 ppm) y distintos

G.S.D.
En la tabla que se inserta a continuacin se indica, en el supuesto de que la
concentracin media real fuese 10 ppm, la amplitud del intervalo en el que se
encontraran el 50% de las muestras obtenidas para distintos valores de GSD; ello
implica por tanto que el 50% restante se encontraran fuera de dicho intervalo.

Conociendo el tipo de distribucin que siguen las concentraciones

ambientales es posible tratar los resultados obtenidos en una serie de muestras
para llegar a una estimacin de la concentracin media real. Dicha estimacin
puede expresarse, a travs de lmites de confianza, en la forma: "la concentracin
media est comprendida entre A y B, con un % de probabilidad."
www.mtas.es/insht/ntp/ntp_140.htm

3. Modelo log-normal del precio de las acciones

Abstract
El modelo de Black-Schooles se basa en el supuesto de que los precios
de las acciones siguen lo que se conoce como distribucin log-normal.
Mientras que una variable con distribucin normal puede tomar valor positivo o
negativo, una variable distribuida lognormalmente slo puede ser positiva, con
media, moda y mediana todas diferentes.
En las siguientes pginas trataremos de demostrar la hiptesis de lognormalidad de los precios de las acciones.

Introduccin
Es razonable pensar que los precios de un activo subyacente se distribuyen
de manera normal? Ms all de la exacta distribucin de los precios en el mundo
real, el supuesto de la distribucin normal tiene serios defectos. Una curva de
distribucin normal es simtrica, por lo cual, bajo el supuesto de la normalidad,
para todo posible incremento abrupto de precios en el activo subyacente existe la
posibilidad de una cada en los mismos de igual magnitud. Es decir que, si por
ejemplo permitimos la posibilidad de que cuando el activo subyacente vale $50
ste pueda incrementarse en $75 a $125, tambin tendramos que permitir la
posibilidad de que los precios cayeran en igual magnitud a - $25. Como todos
sabemos es imposible que un activo adquiera un valor negativo, por lo que
suponer que los mismos se distribuyen normalmente es una grave falencia1.
Qu podramos hacer entonces al respecto? Si definimos volatilidad como
el porcentaje de cambio en los precios de un activo subyacente, tasa de inters y
volatilidad pueden considerarse similares en trminos de que ambos representan
tasas de retorno. La primera diferencia entre la tasa de inters y la volatilidad es
que el inters generalmente acumula una tasa positiva mientras que la volatilidad
representa una combinacin de retornos positivos y negativos. Si invertimos una
suma de dinero a una tasa fija, el valor del principal siempre se incrementar,
pero si invertimos en un activo subyacente con una volatilidad distinta de cero, el
precio del instrumento puede subir o bajar. La volatilidad, definida como desvo
estndar, no nos dice nada acerca de la direccin que tomarn los movimientos de
precios. De la misma manera que el inters, la volatilidad puede calcularse a
diferentes intervalos. Con el propsito de valuar tericamente las opciones, se
asume que la volatilidad se calcula de manera continua (de la misma manera en
que se dan los cambios en el precio del activo subyacente).
Cuando se asume que los cambios en los precios se distribuyen
normalmente, el clculo continuo de estos cambios causan que los precios al
vencimiento se distribuyan log -normalmente. Tal distribucin es simtrica a la
derecha, debido a que los incrementos de precios resultan de tasas de retornos
positivas cada vez ms grandes.

La log-normalidad en el precio de las acciones

Una variable tiene distribucin lognormal si el logaritmo natural de la
variable se distribuye normalmente.
Los parmetros claves que describen el comportamiento del precio de las
acciones cuando se hace una hiptesis lognormal son:
1. el rendimiento esperado de las acciones
2. la volatilidad del precio de las acciones
La rentabilidad esperada es la rentabilidad media anual obtenida por los
inversores en un perodo de tiempo corto. Llamaremos a sta . La volatilidad es
la medida de nuestra incertidumbre sobre los movimientos futuros del precio de
las acciones, es decir, es la medida de nuestra incertidumbre sobre los cambios
proporcionales del precio de las acciones.
Llamaremos a la volatilidad .
La hiptesis lognormal para los precios de las acciones implica, por lo tanto, que
lnST es normal, donde ST es el precio de las acciones en un tiempo futuro T.
Puede demostrarse que la media y la desviacin estndar de ln ST son:

(1)

La ecuacin (1) muestra que LnST est normalmente distribuido, por lo

cual ST tiene distribucin lognormal.
Una variable que tiene una distribucin lognormal puede tomar cualquier valor
entre cero e infinito. De la ecuacin (1) y de las propiedades de la distribucin
lognormal puede obtenerse que el valor esperado de ST, E(ST) viene dado por:

Esto corresponde con la definicin de como la tasa de rentabilidad

esperada. La varianza de ST, var(ST), puede demostrarse que viene dada por:

A partir de la ecuacin (1) puede demostrarse que:

La expresin ln(ST/S) es la rentabilidad compuesta continua proporcionada

por las acciones en un tiempo T. La ecuacin precedente muestra que est
normalmente distribuida.

Conclusin

El modelo de Black - Scholes es un modelo de tiempo continuo. Asume que

la volatilidad de un determinado instrumento subyacente es constante durante
toda la vida de la opcin, pero esta volatilidad se calcula continuamente. Estos
dos supuestos implican que los posibles precios del subyacente al vencimiento de
la opcin se distribuyen log - normalmente. El supuesto de log normalidad
incluido en el modelo de Black - Scholes supera el problema inicialmente
presentado. Una distribucin log normal permite incremento de precios
ilimitados (el logaritmo de + es +) mientras que permite cadas pero slo
hasta cero (el logaritmo de - es 0). sta es una representacin ms realista de
cmo se distribuyen los precios en el mundo real.
Podemos resumir los supuestos ms importantes que gobiernan los
movimientos de precios en el modelo de Black - Scholes:
Los cambios en los precios de un instrumento subyacente son aleatorios y
no pueden ser manipulados artificialmente, no es posible predecir de
antemano la direccin en la que se movern los mismos.
El porcentaje de cambio en el precio de un instrumento subyacente est
distribuido normalmente.
Debido a que se asume que el porcentaje de cambio en el precio del
subyacente se calcul de manera continua, los precios del subyacente al
vencimiento se distribuirn log normalmente.
El punto ms importante a tener en cuenta es que el modelo de BS supone que
los cambios en los precios son aleatorios y que la direccin de dichos cambios
no puede ser prevista. Este supuesto puede crear cierta resistencia en los
operadores de opciones.

www.bcr.com.ar/.../images/pdf/
Modelo%20de%20valuacin%20de%20opciones%20sobre%20acciones%202005_DIC.pdf

4. Anlisis de la comunidad de una laguna costera en

la costa sur occidental de Mxico.

ABUNDANCIA RELATIVA DE LAS ESPECIES Y MODELOS DE

AJUSTE
La comunidad analizada est compuesta por 97 especies de las cuales 72
son peces, 24 son invertebrados (15 crustceos, seis moluscos, dos medusas y un
poliqueto) y adems se registr una tortuga marina. Las especies ms abundantes
resultaron ser el camarn caf (Penaeus californiensis), el camarn blanco (P.
vannamei), una sardina (Lile stolifera), anchovetas (Anchoa spp) y varias
especies de mojarras (Gerreidae).
La abundancia relativa de las especies se describi mediante la
distribucin log-normal.
Con el inters de lograr entender mejor los mecanismos que determinan la
estructura de la comunidad, el estudio se ha enfocado, desde hace algn tiempo,
hacia el conocimiento de la abundancia relativa de las especies analizado desde
un punto de vista estadstico, pretendiendo con ello tomar en cuenta no slo la
manera en la que los recursos se distribuyen entre los distintos elementos que la
constituyen sino tambin los posibles mecanismos de interaccin de unas
especies con otras y con su medio ambiente, que por otra parte, se traduzcan en
situaciones tangibles que determinen el grado de dominancia, estabilidad,
madurez y sucesin de una comunidad. Como resultado de tal inters se han
propuesto varios modelos, los que desafortunadamente tienen ms valor
heurstico que analtico, pues simplemente describen con mayor o menor
precisin la abundancia relativa de las especies que componen la comunidad,
pero dicen muy poco con respecto a su estructura. Los modelos mejor conocidos
y ampliamente discutidos en la literatura son la serie logartmica, propuesta por
Fisher y el modelo de la llamada distribucin log normal de Preston (1948)3. Los
datos recopilados en el presente estudio se utilizaron con la intencin de hacer el
ajuste de los mismos al modelo ms adecuado; por lo tanto, en las lneas que
siguen a continuacin se hace una breve exposicin de los postulados en que se
basa cada uno y los resultados del ajuste: 4
La serie log normal. Esta distribucin se basa en la hiptesis segn la cual
el nicho de cada especie se considera dependiente de una multitud de factores
distintos que determinan la amplitud del tal nicho y consecuentemente los
recursos de que la comunidad dispone se deben repartir entre las especies de sta
de una manera equivalente a una curva normal, de modo que tanto las especies
abundantes como las raras se dispondrn hacia los extremos de la distribucin,
3

Ver el primer documento.

Yo slo he recogido los resultados de la distribucin log-normal, los resultados de la serie
logartmica los he omitido, ya que no son objeto de este trabajo.
4

10

mientras que la mayor parte del inventario, que est representado por especies de
frecuencia intermedia, ocupar la parte central de la curva. Este modelo tiene la
peculiaridad de que los intervalos de la distribucin son sus logaritmos de base
dos5 y de acuerdo con lo antes indicado, su valor modal se localiza en el intervalo
que corresponde al mayor nmero de individuos. Adems, debido a que suele
haber muchas especies raras que no aparecen representadas en la muestra la
distribucin log normal suele aparecer truncada hacia la izquierda y en una
comunidad no alterada el valor modal generalmente se localiza en el primer
intervalo. En un trabajo posterior a aquel en el que se postul por primera vez
este modelo, Williams, (1964) hace un anlisis bastante ambicioso sobre la
aplicacin de esta serie, as como de la logartmica a distintos grupos de
colecciones faunsticas. La funcin que describe la serie log normal es la
siguiente:
S = Soe-

(a R)

donde:

S = Es el nmero de especies en el R-simo intervalo a la izquierda y derecha del valor modal.

So = Es el nmero de especies en el intervalo modal.
a = Parmetro estimado a partir de los datos

Fig. 11. Nmero y abundancia relativa de las especies de la comunidad y las distribuciones tericas
esperadas de acuerdo con el modelo de MacArtur y con la log normal.
5

Aunque en la introduccin se ha definido la distribucin log-normal con logaritmos neperianos, la

base no tiene demasiada importancia.

11

Como resultado de la aplicacin de los datos a esta serie se encontr un

ajuste ms aceptable que en los dos primeros casos, segn puede observarse en
las figuras 11 y 12.
En atencin a los patrones que determinan la abundancia y diversidad de las
especies, May (1975) hace una revisin analtica del tema, con nfasis en la
intencin de separar de los modelos de distribucin a los aspectos que reflejen
algn detalle de la estructura de las comunidades los que tengan un significado
simplemente estadstico gobernado por leyes de grandes nmeros. Una de las
caractersticas por l sealadas y que vale la pena hacer notar, se refiere al hecho
de que en los modelos que describen la abundancia de las especies, la
distribucin log normal refleja el teorema del lmite central, mientras que en
aquellos casos donde es posible hacer el ajuste de los modelos tales como el de la
barra fragmentada, o la serie logartmica, est implcito algn aspecto de la
biologa de la comunidad.

Fig. 12. Relacin que describe la abundancia relativa de las especies y su ajuste a la serie log-normal.

May (1975), menciona que las distribuciones de abundancia del tipo log
normal en comunidades con organismos "oportunistas", como posiblemente sea
el caso de las que son objeto del presente estudio, reflejan poco detalle sobre la
estructura de la comunidad y que las especies dominantes son simplemente
aquellas que recientemente han disfrutado de un valor grande de r, o sea su
potencial bitico y por lo mismo, en momentos distintos habr diferentes
dominantes. Por lo que respecta a la peculiaridad observada en la serie log
12

normal de que el valor de a usualmente vale 0.2 y el de y 29 1, es decir, la

relacin existente entre el intervalo donde el nmero de especies es mximo,
dividido por el intervalo donde se localiza la especie ms abundante, May sugiere
que en su opinin estas caractersticas no tienen mayor significado que el de ser
propiedades matemticas de la distribucin log normal. Al respecto de los
modelos de la barra fragmentada y la serie logartmica o geomtrica, l opina que
son distribuciones caractersticas de comunidades relativamente simples cuya
dinmica est dominada por algn factor individual, pues en un extremo est el
citado en primer trmino, que es una expresin estadstica realista de una
distribucin intrnsecamente uniformes; y en el otro est la serie logartmica que
con frecuencia expresa estadsticamente el proceso desigual del "niche
preemption", o sea, el derecho de ocupar un nicho disponible antes de que otra
especie lo haga, del cual la forma ideal es la serie geomtrica. Por otra parte, la
serie log normal, que probablemente es la ms importante, se puede considerar en
muchos aspectos como intermedia entre las otras dos.
http://biblioweb.dgsca.unam.mx/cienciasdelmar/centro/19792/articulo68.html

5. Cuantificacin de la vitamina B2

Los valores de referencia para la cuantificacin de riboflavina (vitamina

B2) srica fueron establecidos en el presente trabajo a partir de una muestra del
personal que recibe asistencia en los servicios del Instituto Superior de Medicina
Militar "Dr. Luis Daz Soto". Se estudiaron 88 sujetos de uno y otro sexos, con
edades entre 17 y 50 a. Todos cumplan la condicin de supuestamente sanos
segn criterios aplicados. La vitamina B2 fue cuantificada por un proceder
analtico de tipo fluorimtrico desarrollado por Natelson y otros.
Mediante el control de calidad de esta tcnica se pudieron obtener
resultados aceptables en la precisin con coeficientes de variacin de 5,27 y 3,74
% para la reproducibilidad y repetibilidad respectivamente, y en la exactitud con
coeficiente de correlacin de 0,99 y un ndice de recuperacin de 96,96 %. Segn
el anlisis estadstico de los datos de la muestra se estableci que la variable
vitamina B2 tena una distribucin logartmica normal. No se encontraron
diferencias significativas segn el sexo. El recorrido de valores de referencia
cuantificados se enmarc en un lmite mnimo de 5,01 g/100 mL y mximo de
9,57 g/100 mL, con una media de 7,29 mg/100 mL, expresado como X 2DE6.
Estos valores se insertan razonablemente en el entorno de los recorridos
informados por otros autores, obtenidos por iguales o diferentes mtodos.

www.bvs.sld.cu/revistas/mil/vol29_3_00/mil05300.pdf

Desviacin estndar

13

6. Distribucin del peso molecular de los polmeros

El comportamiento de cualquier polmero depende de la distribucin de

masas en este polmero. Esta distribucin de masas afectar tanto a las
propiedades termomecnicas (capacidad de elongacin, punto de rotura...) como
fsico-qumicas (solubilidad, estabilidad...). No se comportar igual un polietileno
de cadenas cortas que otro de cadenas largas, el segundo tendr propiedades
mecnicas ms fuertes pero sin embargo costar ms de trabajar ya que para su
procesado se requerirn temperaturas ms altas.
Afortunadamente los polmeros presentan una distribucin de pesos
moleculares que sigue una ley fija: la distribucin log-normal dada por la
ecuacin:

donde W(M) corresponde a la fraccin msica de una cadena de peso "M", M0

corresponde a la masa para la cual el producto M.W(M) es mxima y "c" es un
parmetro que mide la polidispersidad de la mezcla (la anchura de su
distribucin).

Conviene adems definir un par de pesos moleculares: Mn y Mw. Su

definicin es la siguiente:
14

Obsrvese que a partir de estas tres definiciones (Mn, Mw y W(M)) y

teniendo en cuenta las correspondientes a H()7 y y admitiendo una
distribucin log-normal para una mezcla de polmeros, es posible, obtener una
funcin tipo:
G'(+G''() = f(,c,M0)
Por tanto, en principio slo habra que probar diferentes valores de c y M0
hasta hacer que los resultados de la funcin f(,c,M0) coincidieran con los
experimentales G'(+G''(
Desgraciadamente esto no es totalmente posible, ya que analizando
f(,c,M0) puede demostrarse que esta funcin es independiente del parmetro
M0. De modo que a partir de los ensayos oscilatorios slo es posible obtener uno
de los parmetros de la mezcla. El segundo parmetro (M0), deber hallarse por
mtodos distintos...
www.angel.qui.ub.es/~curco/Reologia/viscoel.html

7. Prediccin de Sismos: Una ojeada al futuro9

El caso de los sismos caractersticos

Veamos ahora el caso de la posible existencia de "sismos caractersticos",
definidos en la siguiente forma: "Un evento caracterstico es un sismo que rompe
repetidamente el mismo segmento de falla y cuyas dimensiones definen tal
segmento" (Nishenko y Buland, 1987). En la tabla 1 del trabajo citado
encontramos 14 segmentos definidos de esta manera, entre ellos, por cierto, el de
Parkfield. Estos segmentos estn definidos con base en 62 temblores
"caractersticos", o sea 48 intervalos entre temblores, lo que hace un promedio de
3.43 intervalos para cada segmento. No es una muestra gigantesca. Un ejemplo
tpico es el siguiente:

8
9

Este documento no es demasiado preciso y probablemente parte de su contenido podra haberse

omitido de este trabajo.

15

Regin: san Marcos

Eventos
1907-1845
1957-1907

Intervalo T
62
50

Promedio T ave
56.0

Esto nos dice que el segmento de San Marcos (cerca de Acapulco) est
definido por tres sismos "caractersticos", en 1845, 1907 y en 1957 (que fue
llamado "Sismo del ngel"). Los intervalos respectivos fueron de 62 y 50 aos, y
el intervalo promedio fue de 56.0 aos.
Ahora bien, en el mismo nmero del Bulletin of the Seismological Society
of America aparece otro artculo (Nishenko y Singh, 1987) que casualmente
habla del segmento de San Marcos. Dice lo siguiente: "Los sismos de 1937 y de
1950 y 1957 representan cada uno una ruptura parcial de la zona de 1907... Por lo
tanto, los intervalos observados de recurrencia para la regin de AcapulcoOmetepec durante el presente siglo varan entre ms de 30 a 50 aos (o sea, 1937
a 1907 y 1957 a 1907)". Ntese que el primer autor de ambos artculos es la
misma persona.
Resulta que uno de los sismos mencionados en el primer artculo, el de
1907, no era definitorio solamente del segmento de San Marcos, sino tambin de
un segmento ms grande que lo incluye y que ahora se llama la "regin" de
Acapulco-Ometepec. Esta "regin" se rompi parcialmente en el sismo de San
Marcos de 1957, y tambin parcialmente en otros sismos (1937, 1950) que no se
mencionan en el primer artculo. Todos ellos, sin embargo siguen siendo sismos
"caractersticos".
No que los sismos caractersticos "definen" los segmentos en que ocurren?
Cmo puede decirse entonces que tanto el sismo de 1907 como el de 1957
"define" el segmento de San Marcos, y que al mismo tiempo el de 1907 "define"
el segmento de Ometepec, y adems la regin de Acapulco-Ometepec, que no es
la misma?.
En cuanto al intervalo promedio, ya no sabemos si es 56.0 aos como
afirma el primer artculo, o menos de 50 como dice el segundo. Quin sabe a qu
sismos "caractersticos" se refiere cada uno de los artculos. Si los sismos
"caractersticos" rompen repetidamente el mismo segmento de falla no debera
admitirse traslapes ni rupturas parciales. Una de dos: o bien algunos sismos
citados no son eventos caractersticos (lo que arrojara dudas sobre el autor
comn de ambos trabajos), o bien los datos de la Tabla 1 eran incompletos.
Aceptaremos esta ltima hiptesis, porque es la ms compleja y por lo tanto
probablemente ms real; por lo dems, el co-autor del segundo trabajo es el ms
distinguido conocedor de la sismicidad de Mxico, especialista en la zona de
Guerrero y Oaxaca.
Ahora bien, si la muestra de San Marcos era incompleta, ello debera
modificar el promedio Tave cuyo papel en el primer trabajo es muy interesante.
En efecto, Nishenko y Buland (1987) normalizaron los intervalos T mediante
subdivisin por Tave (digamos, dividen 62 y 50 por 56), y hacen lo propio con
todas las 14 regiones. Luego juntan todos los datos y los grafican en un mismo
16

histograma, al que calzan una distribucin logartmico-normal. Reproduzco la

conclusin de este procedimiento que suena a brujera: "Por lo tanto, la
distribucin de los intervalos de recurrencia para cada segmento de falla
tambin es logartmico-normal y In(T) obedece a una distribucin normal"
(Nishenko y Buland, 1987).
Sobra decir que la distribucin de muestras combinadas de 14 procesos
logartmicos-normales no tiene por qu ser tambin logartmico-normal. Pero eso
no es todo. La normalizacin de las muestras no se justifica por nada. Los
promedios Tave an en el caso de que las muestras fueran completas, tienen una
enorme varianza ya que el tamao de las muestras es apenas de 3 a 4. No existe
razn alguna para que la muestra combinada siguiera alguna distribucin en
particular. Por lo dems, los autores nunca efectan una prueba de normalidad de
log(T).
Podra argumentarse que la distribucin logartmico-normal posee unas
propiedades interesantes y que yo mismo he especulado con ella en mi libro
(1974) por ser apta para representar la distribucin de magnitudes de los
temblores. Este resultado se basa en la idea de autosimilitud de las fracturas
en la Tierra, cuyo mecanismo fuera discutido por primera vez por
Kolmogorov (1941) y que ahora se ha hecho famoso con el nombre de
fractalidad.
En tal caso, sin embargo, cmo explicar el hecho de que los intervalos
medios, en dos "segmentos" tan cercanos como Parkfield y Pallett Creek, ambos
en la falla de San Andrs, sean tan diferentes? El intervalo promedio de Parkfield
(ya lo mencionamos) es de 21.8 aos. El de Pallett Creek, de 194.3 aos. Ambos
supuestamente definidos con base en sismos "caractersticos". Ambos sobre la
misma falla. El corrimiento anual de la falla es el mismo en ambos lugares. Si
hay auto-similitud el mecanismo de fractura debe ser homogneo (Kolmogorov,
1941). Pero no lo es, puesto que hay diferencias tan enormes en el intervalo
promedio de temblores.
Sin embargo, los autores explcitamente declaran que todos los sismos
caractersticos son generados por un solo proceso comn. Esto significa que
debera poder predecirse un sismo de Pallett Creek mediante observaciones
hechas en Parkfield, lo que es absurdo, puesto que los intervalos son
completamente diversos. En conclusin, los sismos "caractersticos" no
caracterizan nada, a no ser un gran deseo de predecir fenmenos que an no
entendemos suficientemente bien.

www.ssn.unam.mx/SSN/Doc/Prediccion/cinna.htm

17

8. Factores que afectan las tasas de captura de

langostino amarillo (Cervimunida johni) en la zona norte
de Chile

Se analizan factores que afectan las tasas de captura de langostino

amarillo (Cervimunida johni) en la zona norte de Chile (2603'-3210'S),
utilizando las bitcoras de pesca comercial entre los aos 1993 y 2003. Se
utilizaron los factores ao, mes, estratos de profundidad, regiones de pesca y
caractersticas operacionales de la flota como predictores lineales de un modelo
lineal generalizado (MLG) que da cuenta de la variabilidad en las tasas de
captura. A diferencia de otras pesqueras, en este recurso las caractersticas
tcnicas de la flota y su especializacin explican escasamente la varianza en las
tasas de captura y por el contrario, los factores temporales y su interaccin son
altamente significativos. Los resultados de esta investigacin, en conjunto con la
historia de vida, permiten suponer que las tasas de captura estandarizadas son un
adecuado ndice de abundancia relativa para este recurso.
Los datos utilizados en este trabajo son obtenidos desde el Programa de
Seguimiento de las Principales Pesqueras Nacionales de Crustceos (PSPC)
desarrollado por el Instituto de Fomento Pesquero (IFOP). Los registros de pesca
utilizados corresponden a los de la flota arrastrera que oper en la zona norte de
Chile en el perodo 1993-2003.

Las tasas de captura de langostino amarillo son predichas mediante una

combinacin lineal de diferentes variables explicatorias utilizando un MLG. Las
variables categricas incluidas en el anlisis son ao, mes, zona, profundidad y
estrato de embarcacin. El modelo a utilizar es el siguiente:

donde, Y es la tasa de captura observada, con distribucin de probabilidad

perteneciente a la familia exponencial, g() es la funcin de enlace, es el
predictor lineal; es la media global de las tasas de captura; a es el ndice de
abundancia en el ao i-simo; es el ndice de abundancia en el mes j-simo; es
el ndice de abundancia en la zona de pesca k-sima; es la abundancia para el
estrato de profundidad l-simo y es el estrato de embarcacin m-simo.
Durante el ajuste se utilizaron las distribuciones de probabilidad
gamma y log-normal para describir la variable respuesta (Y), con funcin de
enlace logartmica e identidad, respectivamente. La seleccin de estas
distribuciones se bas en la bondad de ajuste de diferentes modelos que
relacionan la media y la varianza de las tasas de captura mensuales (McCullagh
18

& Nelder, 1989). Segn Punt et al., (2000) las distribuciones gamma y lognormal son candidatas adecuadas para describir la distribucin de la variable
respuesta, siempre que la varianza de las tasas de captura sea proporcional al
cuadrado de la media. En el caso de las tasas de captura mensuales de langostino
amarillo para la zona norte, la relacin potencial no es significativamente
diferente de la cuadrtica (P < 0,05; r2 = 0,85) (Fig. 3).

Figura 3. Relacin entre la varianza y la media de las tasas de

captura mensuales (kgh.a.-1) en las Regiones III y IV en el
perodo 1993-2003.
Los percentiles10 de la distribucin normal terica de los residuales de los
MLG indican que el modelo log-normal describe de mejor forma la distribucin
de las tasas de captura, en comparacin con la distribucin gamma.

www.scielo.cl/pdf/imar/v33n1/art03.pdf

10

Se llaman percentil Pn (1<n<100) a los valores xi de una distribucin de frecuencias tales

que el n% de los valores de la misma estn por debajo de xi .

19

9. Comportamiento de las precipitaciones

en el sector del Lago Titicaca (Bolivia)
durante "El Fenmeno El Nio"

El fenmeno "El Nio" afecta significativamente a todo el Territorio

Boliviano, con sequas en diferentes regiones del Altiplano del que no
escapa el Sector del lago Titicaca, an teniendo en cuenta el comportamiento
termorregulador del gran volumen de agua del Lago.
Para el anlisis de el NIO se utilizaron datos del periodo hmedo de octubre
a marzo porque en este periodo es donde se presenta dicho fenmeno con mayor
intensidad.
El mtodo empleado, considera la variacin espacial de la precipitacin, esto
se hizo con el afn de hallar las probabilidades de precipitacin en forma local.
Para el ajuste de los datos a una funcin de distribucin adecuada se hizo el
test de Kolmogorov y Smirnov el cual nos da el nivel de significacin para el
ajuste a una determinada funcin de distribucin.
Las funciones de distribucin que mejor se ajustaron fueron GAMMA,
LOGNORMAL Y NORMAL en todos los casos.
Nios que se tomaron para el anlisis
Para el anlisis del fenmeno se utilizaron datos pluviomtricos en los que
ocurrieron los ENOS 1972/73, 1976/77, 1982/83, 1986/87 y 1991/92; de los
cuales el ms intenso fue el de 1982/83.

Anlisis local (considera la variacin espacial de la

precipitacin en el lago)
Para esta anlisis se tom la precipitacin acumulada del periodo hmedo
(octubre a marzo) de cada estacin considerando la variacin espacial de la
precipitacin en el lago.
Se hizo el ajuste a unA funcin de distribucin, siendo estas la NORMAL,
LOGNORMAL Y GAMA.
Las precipitaciones de COPACABANA se ajustaron a la funcin NORMAL
por tener esta el mayor nivel de significacin; en donde la probabilidad al 35% de
la precipitacin acumulada de octubre a marzo no sobrepasara los 528.1 mm., al
50% no superara los 596.2 mm, al 65% no seria mayor a los 664.3 mm y al 80%
la precipitacin acumulada no estara por encima de los 754 mm.
20

EL BELN se ajust a la funcin LOG NORMAL por tener esta el mayor

nivel de significacin; la probabilidad al 50% la precipitacin acumulada de
octubre a marzo no sobrepasara los 357.1 mm.
HUARINA se ajust a la funcin LOG NORMAL; haciendo la probabilidad
al 50% la precipitacin no superara los 390 mm

Precipitaciones medias de la poca hmeda

ESTACION

OCT

NOV

DIC

ENE

FEB

MAR

TOTAL

COPACABANA

44,4

67,6

116,2

191,0

133,2

113,8

666,3

EL BELEN

33,9

41,7

82,1

96,1

74,4

61,2

389,4

HUARINA

40,5

55,7

83,2

120,9

89,6

97,9

487,9

PUERTO ACOSTA

52,7

50,1

115,8

146,7

133,3

82,9

581,5

DESAGUADERO

32,1

60,2

96,1

178,7

138,5

129,1

634,7

GUAQUI

31,9

53,8

71,7

142,3

79,3

87,4

466,4

www.unesco.org.uy/phi/libros/enso/maldonado.html

10. Produccin de Nanopartculas de Cobre

a) Nanopartculas.
Dentro de las diversas reas cientfica-tecnolgicas, cada da estn tomando
ms fuerza las que dicen relacin con el estudio y desarrollo de nuevos
materiales.
Las nanopartculas son materiales con un tamao de grano del orden de los
nanometros, cuyo confinamiento espacial es menor a los 100[nm]
Estos tipos de materiales exhiben propiedades mecnicas y qumicas muy
distintas en comparacin con materiales de tamao de grano micromtrico y de la
misma composicin. Por ejemplo, micropartculas de metales muestran hasta
cinco veces ms dureza que los materiales normales.

21

Existen diversas formas de producir Nanopartculas, las ms tpicas son:

condensacin desde el vapor, reaccin qumica y deformacin mecnica, cada
una con sus ventajas y desventajas dependiendo de las propiedades que se
buscan. Agregados de tomos (clusters) son generalmente sintetizados va
condensacin desde el vapor, que es esencialmente evaporacin de un slido
metlico seguido por una condensacin rpida para formar agregados de tomos
de tamao del orden de nanmetros.
Desde las primeras investigaciones (Ref 1) sobre agregados de tomos
formados por condensacin por gas inerte, se ha definido la importancia de los
parmetros experimentales para controlar el tamao de los agregados que se
forman. Los primeros trabajos mostraron que una gran variedad de partculas
ultra finas podan ser fabricadas a bajas presiones de Ar y que el tamao de estas
poda ser controlado variando la presin del gas, dentro del rango de 0,13-4 kPa.
Un material precursor, que puede ser un compuesto o un elemento, es
evaporado en presencia de un gas inerte a baja presin (generalmente muy por
debajo de la presin atmosfrica). El tomo o la molcula evaporada pierde
energa por medio de las colisiones con los tomos del gas inerte
(macroscpicamente el gas se enfra) y sufre una condensacin homognea para
formar los agregados de tomos (clusters) en las cercanas de la fuente de
precursor (regin sobresaturada).

Una vez alcanzada la nucleacin, comienza el estado de crecimiento, el cual

se cree que ocurre en una zona por sobre la superficie del metal caliente
dependiendo de las caractersticas del metal y de la presin de gas inerte.
Para poder mantener el pequeo tamao de los agregados, es necesario evitar la
coalescencia entre ellos, por lo que estos una vez nucleados, deben ser removidos
rpidamente de la regin de alta saturacin.

Existe una dependencia de las variables de operacin sobre el tamao

promedio de las partculas. En particular se ha demostrado que existe una
relacin directa entre el tamao de las partculas con la presin de vapor del
metal. Tambin, al aumentar el peso molecular del gas inerte y la presin de este
se aumenta el dimetro de las partculas.

22

Se sabe de la termodinmica que el dimetro crtico Xcrit para la formacin

espontnea de partculas embrionarias est dado por la siguiente relacin:

donde pv y p0 son la presin de vapor real y de equilibrio respectivamente, es la

densidad, y es la energa libre superficial especfica del material; R la constante
universal y T la temperatura absoluta. Luego al aumentar la presin de gas, se
logra un mejor enfriamiento, por lo que el Xcrit disminuye, con lo que el aumento
de la probabilidad de coalescencia tambin aumenta.
Una forma de entender el efecto de la presin y de la temperatura es a travs de
la siguiente expresin, obtenida de la fsica estadstica, suponiendo interaccin
del tipo Lennard-Jones:

donde es el parmetro de colisin de Lennard-Jonbes; es la integral de

colisin; P es la presin absoluta del sistema; T temperatura absoluta; M peso
molecular. Es decir, a medida que aumenta la presin, la velocidad de
transferencia de masa disminuye, lo que se traduce en un aumento en el tamao
de las partculas.
Por otro lado, en este tipo de sistemas se recolectan las partculas en un medio
fro (enfriado con agua o nitrgeno lquido) para evitar que se aglomeren los
nanopolvos. Lo anterior genera un gradiente de temperatura, que a su vez genera
un flujo de masa inverso al del tipo difusivo, que viene dado por la siguiente
relacin:

donde J denota el flujo msico del sistema, T la temperatura en escala absoluta y

DAB coeficiente de difusin del sistema.
En resumen, al aumentar la presin de gas inerte existe un mejor
confinamiento de las partculas a la zona de sobresaturacin y se baja el tamao
crtico de crecimiento, producto de un mayor enfriamiento por contacto por lo
que la probabilidad de coalescencia aumenta con el aumento de gas. Adems,
existe una mayor probabilidad de reingreso a la zona de sobresaturacin al
aumentar la presin.
Como se puede deducir de lo comentado anteriormente, en la prctica existe
una distribucin de dimetros de partculas, por lo que se hace necesario tener un
metodologa para tener una funcin distribucin de tamao de partculas.
El modelo a desarrollar supone que slo existe crecimiento por coalescencia.
Adems, se supone una distribucin inicial de tamaos, F0(v), que representa la
proporcin de partculas con un volumen menor que v. Estas partculas estn
sujetas a una secuencia de procesos de coalescencia independientes. Si se
considera la coalescencia de slo 2 partculas a la vez, se tiene que la funcin
distribucin para el proceso j-simo est dada por
23

donde u es el volumen de una partcula que se combina con otra para dar v y G es
una funcin que no se necesita explicitar.
Otro supuesto es que el cambio en el volumen de cada evento de coalescencia
es una fraccin aleatoria del volumen despus de la coalescencia, luego:

donde {j} es un grupo de variables aleatorias. Por lo que se redefine la funcin

G:
Luego la ecuacin para la distribucin se transforma en:

Aplicando Teorema del Lmite Central, tenemos la funcin de

distribucin log-normal para el tamao de partculas:

expresin que es valida para un volumen de la forma

constantes y dependientes de la forma de las partculas.

, con a y b

En el presente trabajo se mostrarn los resultados de la produccin de

nanopolvos de cobre mediante el mtodo de evaporacin en gas inerte. En
particular, para este estudio se emplear N2 y He.

cabierta.uchile.cl/revista/21/articulos/pdf/edu1.pdf

24