CURRICULUM VITAE

GABRIEL MARTÍNEZ MOLINA

Callejón hidalgo #10
San Pablo Oztotepec
Milpa Alta D.F.
Cel. 5541277510



Información
Personal
• Estado civil: soltero
• Nacionalidad: mexicana
• Edad: 31 años
• Lugar de nacimiento: Milpa Alta D. F.
• Cartilla S. M. N. : C-8129331

Educación

1986-1991 ESC. PRIMARIA PLAN SEXENAL
MILPA ALTA D. F.
1991-1994 ESC. SECUNDARIA TECNICA Nº 18
MILPA ALTA D. F.
1997-2000 CENTRO DE EDUCACIÒN Y CAPACITACIÒN
FORESTAL Nº 1
“DR. MANUEL MARTINEZ SOLORSANO”
URUAPAN, MICH.
2000-2005 UNIVERSIDAD MICHOACANA DE SAN
NICOLAS DE HIDALGO
FACULTAD DE AGROBIOLOGIA
“PRESIDENTE JUAREZ”
2008- a la fecha COLEGIO DE POSTGRADUADOS
MONTECILLOS. TEXCOCO.

Titulación
INGENIERO AGRÓNOMO ESPECIALIDAD EN BOSQUES

La cual tuvo celebración el día 9 de diciembre del 2006 Con la tesis “EVALUACION DE UNA PLANTACION DE Pinus greggii Engelm, CON DOS ESPACIAMIENTOS EN LA SIERRA PURÈPECHA, MICHOACAN”.





EXPERIENCIA LABORAL


PERMISIONARIOS FORESTALES URUAPAN MICHOACAN. De Enero a marzo del 2001 Realice Actividades de inventario para el manejo de los recursos forestales en la Sierra Purepecha

UNIÓN DE EJIDOS DE LA SIERRA NORTE DE PUEBLA .Como Auxiliar Técnico de Agosto a Septiembre del 2003. Temporada vacacional

INVENTARIOS FORESTALES. En diferentes lugares de la republica: Michoacán, Guerrero, Edo. de México, Morelos y Querétaro. Por temporadas Vacacionales del 2000 al 2005.

COMISIÓN FORESTAL DEL ESTADO DE MICHOACÁN (COFOM). Como Auxiliar Técnico de la subdirección de restauración y protección forestal. A partir del 2005 al 2007. Realizando las siguientes actividades:


abajos
Voluntarios
Siendo estudiante del Centro de Educación y Capacitación forestal Nº 1
Participe en las siguientes actividades:

Durante el periodo de septiembre de 1997 a junio del 2000, participe como personal voluntario dentro de los programas de prevención y combate de incendios forestales así como en actividades de reforestación y plantaciones forestales.



Referencias
Para cualquier referencia sobre mi persona se puede comunicar a la delegación regional forestal I Lerma-Chapala de la COFOM. Con el Delegado regional, C. Ing. Marco Antonio Lázaro Morales
Tel y Fax (355) 55 3 38 16
E_mail: mlazaro@cofom.michoacan.gob.mx


De igual manera con el C. Ing. H. Jesús Muñoz Flores
Investigador de Plantaciones Forestales del instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. (INIFAP)
Tels. 01 (452) 52 3 73 92 y 52 4 04 22
Oficina Ext. 106 Plantaciones
E_mail: jesusmuflores@yahoo.com.mx


Actividades
Independientes

En la próxima publicación de la Revista Ciencia Forestal en México, se estará publicando el articulo científico el cual ya esta aceptado y se encuentra en corrección. Con el titulo:





Servicio social Comunidad indígena de nuevo san Juan Parangaricutiro. Apoyando en la elaboración de un calendario fenològico del Pinus pseudostrobus




Actividades
Extracurriculares

Por su participación en la reunión regional “Centro-Sur de Zonas de Montaña de México” celebrado en la ciudad de Puebla los días 30 y 31 de agosto del 2000

Curso- taller “plantaciones Comerciales para Árboles de Navidad” en Uruapan, Michoacan. Realizado el 14 de junio del 2002 con una duración de 8 horas.

Por la participación en el IV congreso forestal Mexicano celebrado en la ciudad de Morelia, Mich., del 8 al 10 de agosto del 2002

Primer simposio Nacional de “Parasicología Forestal” celebrado en la ciudad de Guadalajara Jalisco, México del 3 al 6 de noviembre del 2003

Curso “Prevención, Control y Combate de Incendios Forestales” (36 horas teórico-practico) Uruapan Mich., noviembre del 2004.

Curso “Establecimiento, Manejo, Producción de Árboles de Navidad” impartido los días 12 y 13 de diciembre del 2005 en las instalaciones de la Comision forestal del Estado, con duración de 14 horas.

Curso manejo intensivo del Venado Cola Blanca” realizado en Tangancicuaro, Mich, los días 18 y 19 de octubre del 2006

Curso de capacitación “Establecimiento, Manejo y Aprovechamiento de Plantaciones Forestales Comerciales”.realizado del 18 al 20 de septiembre de 2006 en las instalaciones de la COFOM, con apoyo al programa de Desarrollo institucional Ambiental (PDIA) 2006

“Taller de intercambio de experiencias en producción de planta forestal en Michoacan” impartido en la ciudad de Morelia, Michoacan los días 12 y 13 de abril 2007

BIBLIOGRAFÍA

Infante G. S. y G. P. Zárate L. 2008. Métodos estadísticos Un enfoque interdisciplinario. Segunda edición. Editorial TRILLAS. México, D.F. pp. 401-462.

http://www.galeon.com/colposfesz/est501/dca/dca.htm

DISEÑO COMPLETAMENTE AL AZAR

Estos diseños determinan los tratamientos, o combinaciones de niveles de los factores, a las unidades experimentales ( o viceversa ) completamente al azar. Esto hace que cada unidad experimental tenga la misma posibilidad de recibir cualquier tratamiento o, dicho de otra forma, que todas las combinaciones de unidades experimentales asignadas a los tratamientos diferentes sean igualmente viables.

Un diseño completamente al azar, es especialmente útil cuando todas la unidades experimentales son muy homogéneas y el grado de precisión requerido no es muy elevado. Muestra la ventaja de que es muy manejable ajustandose a cualquier número de tratamientos y permite tamaños muestrales bajo los diferentes tratamientos. Su principal inconveniente es, cuando las unidades experimentales son heterogéneas, por lo que no es tan eficiente como otros diseños estadísticos.


Aleatorizado

Para ejemplificar el proceso de aleatorización irrestricta de los tratamientos a las unidades experimentales, considérese la prueba de cuatro tratamientos, cada uno de ellos con cinco repeticiones. El proceso mencionado podría realizarse formando cuatro grupos de tarjetas, representando cada uno de ellos a un tratamiento en particular, digamos T1, repetido cinco veces, y así T2, T3 y T4. Posteriormente mézclense las tarjetas en una urna y extraiga una tarjeta al azar, asignando el tratamiento correspondiente a un animal, terreno, maceta, jaula o grupo de animales en que consista cada unidad experimental. Repítase el procedimiento sin reemplazo hasta terminar su asignación.

Modelo estadístico asociado al diseño:



donde:
Yij= Variable respuesta en la j-ésima repetición del i-ésimo tratamiento
µ = Media general
Ti= Efecto del tratamiento i. -esimo tratamiento.
Єi = Error aleatorio, donde Єi ~


Análisis de la Varianza para el modelo
Ho:

Ha: al menos un efecto de un tratamiento es diferente de los demás.

Ejemplo:
Se realizó un experimento para probar el efecto de cinco fuentes de energía utilizadas en dietas para engorda de toretes (T1. Testigo, T2. Melaza, T3. Cebo, T4.Maíz, T5. Sorgo) en las cuales se midió la ganancia de peso (GP) durante el período de engorda. Se consideraron 5 repeticiones por tratamientos (25 animales) y se planteó la hipótesis de igualdad de medias de tratamientos.

En primer lugar se calculará el factor de corrección:

= 40525956

S.C. TRAT = - F.C. = 41134300 – 40525956 = 608344

S.C. TOTAL = - F.C. = 41265900 – 40525956 = 739944

S.C.TOTAL = S.C. TRAT + S.C. ERROR

Al despejar de la ecuación anterior S.C. ERROR queda como:

S.C. ERROR = S.C.TOTAL – S.C. TRAT = 739944 – 608344 = 131600
C.M TRAT = = (608344 / 4) = 152086

C.M. ERROR = = ( 131600 / 20) = 6580

Fo= = (152086 / 6580) = 23.11

Para probar que Ho: en oposición a Ha: al menos un tratamiento diferente de los emas con un a=0.05 , obtenemos = 2.866 de la tabla correspondiente y puesto que Fo>2.866 se rechaza Ho con un a=0.05 y se concluye que al menos un tratamiento es diferente.

ANALISIS DE LA VARIANZA EN EL MODELO Yi=µ + Єi

Como su nombre lo sugiere, el análisis de la varianza descansa fundamentalmente en el estudio de la variabilidad de las observaciones. Para mostrar el método y la lógica en que se sustenta, nos referimos al modelo lineal más simple Yi=µ + Єi En este modelo es claro que:

Єi = Yi - µ; i = 1,2,…,n ___________________________________( 1 )

Es decir que un error es la diferencia entre una observación y el valor verdadero del parámetro. En seguida partimos ese error en dos componentes mediante la igualdad trivial:

Yi - µ = ( Yi - Ȳ ) + ( Ȳ - µ ) _______________________________( 2 )

La igualdad ( 2 ), a pesar de su sencillez, es de extraordinaria importancia en nuestro desarrollo. Una forma de interpretarla seria diciendo que un error esta compuesto por la desviación de una observación con respecto a la media muestral, sumada con la distancia entre la media muestral y la media poblacional. De ( 2 ) se sigue además que:

( Yi - µ )2 - [( Yi - Ȳ ) + ( Ȳ - µ )]2__________________________( 3 )

Puesto que (3) es cierta parte para todas y cada una de las observaciones Yi (i= 1,2,…n), podemos escribir:
_____( 4 )



y mediante la aplicación de reglas ya conocidas obtenemos partiendo de (4):

ya que:

Este último resultado requiere atención especial y se anota en seguida para referencia posterior.

___(5)

Si observamos (2) y (5), notamos que la partición del error Єi en dos componentes nos ha llevado a una expresión similar que nos involucra sumas de cuadrados de las desviaciones originalmente consideradas en (2). Por esta razón a las 3 componentes de la ecuación (5) se les llama sumas de cuadrados. Bajo la suposición de que Y1,…,Yn es una muestra aleatoria de N(µ, σ2), dichas sumas de cuadrados tienen distribuciones probabilísticas muy sencillas de derivar, y pueden usarse para generar un procedimiento para probar hipótesis sobre µ. Con objeto de derivar las distribuciones de las sumas de cuadrados dividimos todos los términos en (5) por σ2, obteniendo:

De (6) es fácil obtener las distribuciones correspondientes. En efecto, puesto que cada
Yi ~ Ni (µ ,σ 2), es claro que:
Además, puesto que las Yi son independientes, y usando la propiedad aditiva de la distribución Ji- cuadrada, se obtiene:


__________(7)

El segundo resultado se obtiene todavía con mayor facilidad. Dadas nuestras suposiciones, la distribución de la media muestral es N (µ, σ2/n), y por lo tanto, la media estandarizada tienedistribución Normal estándar. Esto es:

y por lo tanto:

Por lo que toca a la distribución de la suma de cuadrados restante, el lector puede haber notado ya que es una antigua conocida. Si con la notación usual identificamos a la varianza muestral por S2, tenemos que:




y sabemos que su distribución es X2 (n-1). Es decir que:

__________(9)

Las ecuaciones anteriores nos permiten justificar informalmente el resultado sobre la distribución de (n-1) S2/δ2. Este resultado es sugerido fuertemente por la ecuación (10), haciendo uso de la propiedad aditiva de la distribución Ji- cuadrada. Reescribiendo (6) y añadiendo los resultados obtenidos posteriormente tenemos el siguiente esquema:

________( 10 )

Una vez obtenidas las distribuciones de A, B Y C en la ecuación (10), explicamos como puede usarse para probar hipótesis sobre µ. En primer lugar, asentamos que la partición de la variabilidad que hemos hecho sólo nos permite probar la hipótesis de dos colas sobre µ. Es decir, que en lo sucesivo nos referimos al juego de hipótesis:

Ho: µ = µ0 en oposición a Ha: µ ≠ µ0

Donde µ0 es el valor supuesto del parámetro desconocido. Que no sea posible probar hipótesis de una cola con esta técnica es una consecuencia de haber tomado los cuadros de las desviaciones, y sobre esto se dirá algo más posteriormente. Para derivar una estadística para probar hipótesis sobre µ es natural recurrir al componente C en (10), puesto que la variable aleatoria C involucra no sólo a Ȳ y a µ, sino además a la distancia Ȳ - µ. Sin embargo n( Ȳ - µ )2 / σ2 no es una estadística, dado que tanto µ como σ2 son parámetros desconocidos. Por lo que toca a µ el problema está resuelto, ya que µ debe tomar el valor µ0 para fijar el nivel de significancia. Con objeto de que la estadística no dependa de σ2 usaremos la componente B en (10). Dado que B y C son ambas variables aleatorias Ji- cuadradas ( además son independientes, hecho que asentamos sin probarlo) tenemos que:





de acuerdo con la definición de la distribución F, de aquí deducimos que, si la hipótesis nula µ = µ0 es cierta, la estadística:



y podemos usar F0 para probar el juego de la hipótesis propuesto. La regla de decisión que nos garantiza una prueba con nivel de significancia ∝ es: “Rechazar” Ho si F0 ≥ F1 n-1,∝ “. En realidad, y tal como lo hemos señalado varias veces, en este caso particular la técnica de Análisis de la Varianza ( que se abreviará A de V en lo sucedido ), para probar Ho: µ = µ0 en oposición a Ha: µ ≠ µ0 , la prueba usa la estadística:



rechazándose Ho si t0 ≥ α/2 (n-1) o si t0 ≤ - t α/2 (n-1). Ahora hemos concluido que también puede usarse la estadística:



Con la regla de decisión: “Rechazar Ho si F0 ≥ F1 n-1,∝ “. Una inspección cuidadosa de t0 y F0 nos muestra que están relacionados por la ecuación F0 = t20. En el caso del procedimiento basado en la distribución de F, la regla de decisión nos obliga a tomar una región de rechazo que es un intervalo en la cola derecha de la distribución de F, no obstante que la prueba es de dos colas. La razón es muy sencilla de entender; la estadística F0 depende de los cuadrados de las desviaciones, de manera que tanto una distancia negativa como positiva de Ȳ con respecto µ0 se reflejan en valores positivos de F0 y van en contra de Ho. Esto mismo explica que no puedan probarse mediante F0, hipótesis de una cola, ya que F0 no distingue entre valores positivos y negativos de Ȳ - µ0.
La correspondencia entre las distribuciones t y F existe únicamente para el caso en que la variable aleatoria F tiene un grado de libertad en el numerador. Si en la partición que se muestra en la ecuación Yi = µ + Єi ; i = 1,2,…10 la componente C tuviese dos o más grados de libertad, la distribución de F resultante no tendría correspondencia con la distribución t, y es por ello que la técnica de A de V es importante.

Para comparar las medidas de 3 o más poblaciones dependeremos completamente de la distribución de F a través del A de V, ya que la prueba de t nos limita a probar hipótesis sobre una media poblacional, o a comparar dos de ellas.

Todo el procedimiento para probar Ho: µ = µ0 en oposición a Ha: µ ≠ µ0 mediante la distribución de F se resume usualmente en una tabla conocida como Tabla de Análisis de la Varianza.

En la tabla de A de V, los tres componentes en la ecuación anterior aparecen sin el divisor σ2. Esto se debe a la estadística F0, al ser la razón de dos de ellas, no dependen de σ2. La hipótesis nula es Ho: µ = µ0, el valor de µ es sustituido µ0. La Suma de Cuadrados Total, es ∑ (Yi - µ0)2, la Suma de Cuadrados del Error es ∑ (Yi - Ȳ)2 y la Suma de Cuadrados debida a la Media es n(Ȳ - µ0). En lo sucesivo las identificaremos por las abreviaturas S.C TOTAL, S.C ERROR Y S.C MEDIA (µ).

TABLA DE ANALISIS DE LA VARIANZA PARA EL MODELO Yi = µ + Єi. Ho: µ = µ0 en oposición a Ha: µ ≠ µ0





La estadística F0, bajo la hipótesis nula, tiene una distribución F1 n-1, y por lo tanto la regla de decisión consiste en rechazar Ho si F0 ≥ F1 n-1,∝, de manera que una vez llenadas todas las celdas de la tabla de A de V, lo único que resta es obtener F1n-1,∝, y si F0 ≥ F1 n-1,∝, la decisión es rechazar Ho con un nivel de significancia α.

La tabla de Análisis de Varianza se desarrollo con objeto de probar el j uego de hipótesis Ho: µ = µ0 en oposición a Ha: µ ≠ µ0. Esta, se formula como si el propósito fuera probar Ho: µ = 0 en oposición a Ha: µ ≠ 0. Esta introducción aparentemente es más restringida que la anterior, y en realidad no lo es puesto que si tenemos observaciones Yi,…,Yn, que se supone son una muestra aleatoria de N(µ, σ2), y queremos probar la hipótesis nula Ho: µ = µ0 , siempre podemos definir variables aleatorias Xi=Yi - µ0 las cuales cuando la hipótesis nula es cierta, tiene distribución N(0,σ2), por lo que las variables Xi=Yi - µ0 pueden usarse para probar Ho: µ = 0, obteniéndose una prueba equivalente a la anterior.

TABLA DE ANALISIS DE LA VARIANZA PARA EL JUEGO DE HIPOTESIS: Ho: µ = 0 en oposición a Ha: µ ≠ 0.






Es indiscutible que esta tabla es una simplificación trivial de la tabla anterior. Si Ho es cierta, debemos esperar valores de X cercanos a cero,, de modo que si S.C (µ) es grande, esto se debe a que µ difiere el valor supuesto por una distancia grande. Razonando similarmente se justifican los nombres S.C ERROR Y S.C TOTAL.

ANALISI DE LA VARIANZA

Es la técnica de la estadística usada con mayor frecuencia, ya que permite probar ciertas hipótesis importantes mediante procedimientos relativamente fáciles. Esta diseñada para medir si existen diferencias entre los valores medios de una variable dependiente calculados para los distintos grupos que se pueden obtener con otra variable independiente y nominal.

La variable o variables independientes, reciben el nombre de Factor y deben ser variables de tipo nominal, y sus distintos valores de tratamientos, mientras que la variable dependiente debe ser métrica, puesto que sobre ella se debe calcular los valores medios objeto del análisis de la varianza.

La hipótesis nula a contrastar es que se consideran iguales las medias en todos los grupos, o lo que es lo mismo, no existen diferencias entre las medias obtenidas para cada uno de los grupos formados por la variable independiente o factor.