GUIA PRACTICA Y TEORICA PARA

EL DISEO DE UN INVENTARIO
FORESTAL DE RECONOCIMIENTO
Documento Tcnico 21/1995

Agosto 1995
 Guia Practica y Teorica para
el Diseo de un Inventario
Forestal de Reconocimiento

Proyecto BOLFOR
Calle Prolongacin Beni 149
Santa Cruz, Bolivia

USAID Contrato: 511-0621-C-00-3027

Erhard Duaber

Agosto, 1995

BOLFOR es un proyecto financiado por USAID y el Gobierno de Bolivia e implementado por

Chemonics International, con la asistencia tcnica de Conservation International,
Tropical Research and Development y el Wildlife Conservation Society
 TABLA DE CONTENIDO

Pgina

SECCION I INTRODUCCION I-1

SECCION II MUESTREO Y PARAMETROS ESTADISTICOS II-1

A. Media Aritmtica II-1

B. Valores de Dispersin II-1
C. Error Standard II-3
D. Lmites de Confianza y Error Admisible II-4
E. Interpretacin de los Lmites de Confianza II-5
F. Significado del Error Standard y Lmites de
Confianza II-5
G. Estimacin del Tamao de la Muestra II-6

SECCION III FORMA Y TAMAO DE LAS UNIDADES DE III-1

MUESTREO

A. Parcelas Fijas III-1

B. Muestreo Goniomtrico III-1

SECCION IV METODOS DE MUESTREO IV-1

A. Muestreo por Azar Simple y otros Mtodos

de Muestreo IV-1
B. Muestreo por Bloques IV-2
C. Muestreo a Varios Niveles
(Multi-stage sampling) IV-2
D. Muestreo con Probabilidades Distintas de
Seleccin IV-2
E. Muestreo Estratificado IV-2
F. Muestreo Sistemtico IV-3

SECCION V DISEO DE UN MUESTREO SISTEMATICO V-1

A. Problema de Optimizacin V-1

B. Consideraciones para una Solucin Pragmtica V-1
C. Valores Empricos para la Planificacin de
Inventarios V-3
D. Ejemplo de un Diseo Sistemtico V-4
 SECCION I
INTRODUCCION

El objetivo principal de un inventario forestal es obtener informacin sobre ciertos

parmetros forestales (N/ha, G/ha, V/ha) para fines de planificacin y manejo forestal. El manejo
intensivo en Europa requiere de datos detallados sobre volumen, incremento y superficies del
bosque y tambin sobre sitios, infraestructura y ecologa. En los pases tropicales ms que todo
nos interesa el volumen aprovechable y su distribucin por especies.

El manejo de rodales relativamente pequeos permite un levantamiento completo. En

superficies boscosas muy grandes (concesiones, reservas forestales etc.) no se puede realizar un
levantamiento completo, all necesariamente hay que hacer un muestreo.

En Europa ya se realizaron evaluaciones oculares del bosque en los Siglos XV y XVI.

En el Siglo XVIII se utilizaron muestras con clculos de los parmetros forestales menos el
clculo de errores estadsticos. En el Siglo XIX en Escandinavia se aplicaron los mtodos de
evaluacin por lneas.

El desarrollo de la fotografa area, la computacin y la estadstica matemtica han

favorecido bastante la aplicacin del muestreo forestal. La estadstica nos permite estimar la
precisin de los promedios y totales y de la intensidad necesaria para una precisin requerida.

I-1
 SECCION II
MUESTREO Y PARAMETROS ESTADISTICOS

Conocemos el principio del muestreo de las encuestas (ingreso promedio de los empleados
pblicos en EE.UU., porcentaje de analfabetismo de adultos en el altiplano, peso promedio de los
estudiantes masculinos de la UAGRM).

En todos estos casos sacaramos una muestra de una poblacin estadstica. La seleccin
puede ser por azar o sistemtica. Las poblaciones estadsticas en estos casos seran: los empleados
pblicos en EE.UU., los adultos en el altiplano y los estudiantes masculinos de la UAGRM
respectivamente. La muestra correspondera a las personas seleccionadas.

Para comprender mejor los parmetros estadsticos partimos de un ejemplo forestal o sea
del muestreo por azar de un rodal con 7 parcelas de 1 ha. Los elementos de la poblacin seran
todas las parcelas de 1 ha, que en su conjunto constituyen el bosque.

A. Media Aritmtica

Supongamos que la muestra de 7 parcelas nos da los siguientes volmenes por ha: 63, 75,
69, 70, 82, 76, 69 m3/ha.
_
Entonces podemos calcular la media aritmtica x de la muestra segn la frmula
siguiente:

_ Sx 63+75+69+70+82+76+69 504
x = -- = ------------------------------ = --- = 72 m3/ha
n 7 7

donde: x = valores de las unidades de muestreo

n = nmero de unidades de muestreo (tamao de la muestra)

La media de la muestra es una estimacin no viciada de la media poblacional.

Si suponemos una superficie total del bosque inventariado de 1000 ha, el valor total
sera de 72 x 1000 = 72000 m3.

B. Valores de Dispersin

La varianza es una medida importante de la dispersin. La varianza de la muestra s5 se

obtiene segn la frmula:

II-1
 (Sx) 2
2
_ Sx - -----
S(x-x) 2 n
2
s = ------ = ------------
n-1 n-1

s5 es una estimacin no viciada de la varianza poblacional. El denominador indica el

nmero de los grados de libertad (n-1).

Para nuestro ejemplo calculamos:

(63-72) 2+(75-72) 2+(69-72) 2+(70-72) 2+(82-72) 2+(76-72) 2+(69-72) 2

2
s = ------------------------------------------------------------------------------- =
6

(-9) 2 + 32 + (-3) 2+(-2) 2 + 102 +42 + (-3) 2

= ----------------------------------------------- =
6

81 + 9 + 9 + 4 + 100 + 16 + 9 228
= ------------------------------------- = --- = 38
6 6

o segn la segunda frmula:

5045
632+752+692+702+822+762+692- ----
7
s2 = ----------------------------------------------- =
6

3969+5625+4761+4900+6724+5776+4761-36288 228
= ------------------------------------------------------------- = --- = 38
6 6

La desviacin standard s de la muestra es la raz de la varianza y para nuestro ejemplo

sera:

s = v38 = 6.16

El coeficiente de variacin s% es la desviacin standard en porcentajes de la media:

s * 100 6.16 * 100

s% = ---------- = -------------- = 8.56
x 72

II-2
 C. Error standard

Lo que ms nos interesa en un muestreo aparte de la media es su exactitud.

Sabemos que cada media estimada en base a un muestreo tiene un error estadstico, el cual
tenemos que calcular tambin.

Tenemos que recordar que todas las frmulas estadsticas estn basadas en el concepto
de seleccin por azar. En nuestro ejemplo forestal ya hemos dicho que la poblacin
corresponde al conjunto de todas las parcelas de 1 ha que tericamente componen el bosque.

Para sacar una muestra podramos atribuir un nmero a cada parcela, poner estos
nmeros a una urna y sacar 7 nmeros por azar. Si antes de sacar un nuevo nmero cada vez
repondramos el nmero anteriormente sacado entonces tendramos una muestra con
reposicin.

Normalmente en el inventario no aplicamos el principio de reposicin, porque no

tendra sentido de inventariar la misma unidad de muestreo otra vez en caso de sacarla
nuevamente. Nuestra muestra entonces es una muestra sin reposicin. El error standard S
en este caso es:

s n s
S = -- v 1 - - = -- v1-i (sin reposicin)
vn N vn

donde:

s = estimacin de la desviacin standard poblacional

n = nmero de unidades de muestreo (tamao de la muestra)
N = nmero de elementos de la poblacin (tamao de la poblacin)
i = intensidad de muestreo
v = raiz cuadrada

Si la intensidad de muestreo es muy pequea (<1%) como normalmente ocurre en

nuestros inventarios la segunda parte de la frmula v1-i que tambin se llama el factor de
correccin para poblaciones finitas prcticamente es 1. En este caso obtenemos la frmula
sencilla conocida:

s
S = --
vn

Es la frmula para poblaciones infinitas o cuando se aplica el principio de reposicin.

Como hemos dicho en realidad no aplicamos el principio de reposicin. Pero el tamao de la
muestra en comparacin con el tamao de la poblacin normalmente es tan pequeo que se
puede considerar la poblacin como infinita.

II-3
 6.16
En nuestro ejemplo sera: S = ----- = 2.33
v7

Si queremos el error standard en porcentajes de la media, lo que normalmente es el

caso reemplazamos la desviacin standard por el coeficiente de variacin y obtenemos:

s%
S% = --
vn

8.56
Para nuestro ejemplo calcularamos: S% = ---- = 3.24
v7

D. Lmites de Confianza y Error Admisible

Para poder definir lmites de confianza todava tenemos que multiplicar el error
standard con el valor de t que depende del nivel requerido de confianza y de los grados de
libertad.

Para 6 grados de libertad (nuestro ejemplo) y un nivel de confianza de 95% de la tabla

de la distribucin de t podemos sacar t = 2.45.

Los lmites de confianza a ambos lados de la media entonces seran:

_
x tS = 72 2.45 x 2.33 = 72 5.71

Lmite inferior: 72 - 5.71 = 66.29

Lmite superior: 72 + 5.71 = 77.71

En porcentajes resulta:
_
x tS% = 72 2.45 x 3.24% = 72 7.93%

Este valor aparece en nuestros listados de computacin. Los valores tS y tS% tambin
se llaman error admisible o error admisible en porcentajes respectivamente y se denominan E y
E% lo que significa:

E = tS y E% = tS%

Nota: en los inventarios forestales normalmente se utiliza un nivel de confianza de

95%.

II-4
 El error admisible es diferente para cada parmetro forestal (N/ha, G/ha, V/ha) y
tambin difiere de especie a especie. Generalmente el error de una sola especie es muy alto.
Eso nos indica que la distribucin de una sola especie es muy heterognea. Para un grupo de
especies se reduce el error y ms todava si se trata del total de especies.

Si hablamos del error admisible del volumen por ha de una especie, de un grupo de
especies o del total de especies nos referimos a tres diferentes poblaciones estadsticas.
Normalmente nos interesa el volumen total, que queremos sacar con un error admisible # 10%
y un nivel de confianza de 95%.

E. Interpretacin de los Lmites de Confianza

Segn nuestros clculos podemos decir que con una probabilidad de 95% el valor real
de la poblacin no es menor a 66.29 m3 y no es mayor a 77.71 m3. Eso significa: Si sacaramos
una gran cantidad de muestras de 7 parcelas cada una, en un 95% de los casos las medias de
las muestras caeran dentro de los lmites de confianza. En el 5% de los casos caeran fuera de
los lmites. Tambin se dice que la probabilidad de sobrepasar los lmites es 5%.
Hay que tomar en cuenta que los 5% en este caso de dos lmites (inferior y superior)
estn distribuidos a ambos lados de la distribucin de t, o sea 2.5% a cada lado. En la tabla
(ver anexo) el valor de t por eso corresponde al 2.5% (0.025) de probabilidad de sobrepasar
los lmites de confianza.

Si solamente nos interesa un lado, por ejemplo el lmite inferior tendramos que
considerar solamente el lado izquierdo de la distribucin de t, buscando el lmite que
corresponde al 5% de probabilidad de sobrepasar este lmite. En este caso se habla de la
estimacin mnima confiable.

Ejemplo: Cul es el volumen mnimo por ha, que podemos esperar con un 95% de
probabilidad?
_
x - tS = 72 - 1.94 x 2.33 = 72 - 4.52 = 67.48

El valor de t ahora es 1.94 porque estamos considerando solamente un lado de la

distribucin de t con el 5% de probabilidad de sobrepasar este lmite al lado izquierdo de la
distribucin de t.

F. Significado del Error Standard y Lmites de Confianza

Si sacamos una muestra por azar (por ejemplo 7 parcelas) obtenemos una cierta
media. Si tericamente seguimos sacando muestras (cada vez 7 parcelas de una ha)
realizando todas las combinaciones posibles (de 7 parcelas) dentro de la poblacin entonces
obtenemos la distribucin de las medias de las muestras.

II-5
 La media de esta distribucin es igual a la media de la poblacin y su desviacin
standard corresponde al error standard que hemos estimado anteriormente con sus lmites
de
_
confianza x tS.

Segn los valores de t podemos elegir niveles de confianza de por ejemplo 90, 95 o
99%. Las probabilidades de sobrepasar los lmites de confianza en estos casos seran 10, 5 y
1%. Estas se distribuyen a ambos lados de la distribucin, si nos interesan los lmites a
ambos lados de la media o a un lado si solamente nos interesa un lmite como en el caso de
la estimacin mnima confiable.

G. Estimacin del Tamao de la Muestra

Antes de un inventario normalmente queremos saber cuntas unidades de muestreo

seran necesarios para alcanzar un cierto error admisible (10%) con cierto nivel de
confianza (95%). Con las anteriores frmulas del error standard y error admisible podemos
escribir:

s%
E% = t --
vn

y de ah en nmero requerido de unidades de muestreo es:

t5 s%2
n = -------
E%2

donde:

t = valor que define el nivel de confianza

s% = estimacin del coeficiente de variacin de la poblacin
E% = Error admisible

Anteriormente habamos calculado el coeficiente de variacin con 8.56% y un error

admisible de 7.93%. Si queremos alcanzar un error admisible de 5% a un nivel de confianza
de 95% (t.2) calcularamos:

4 x 8.562 4 x 73.27
n = ----------- = ------------ = 11.72
52 25

II-6
 Con 12 parcelas podramos alcanzar nuestra meta. Para un nivel de 95%
normalmente se asume un valor de t=2, lo que corresponde a la distribucin normal que
para muestras ms grandes (n>30) se aproxima bastante bien.

El problema normalmente es, que de antemano no conocemos el valor del

coeficiente de variacin s%. Este valor depende de la homogeneidad del bosque y del
tamao de las unidades de muestreo. Unidades ms pequeas normalmente corresponden a
un mayor coeficiente de variacin. La heterogeneidad del bosque y con sta el coeficiente
de variacin normalmente tambin aumentan con el tamao del bosque.

La estimacin del coeficiente de variacin puede basarse en valores de experiencia

en bosques semejantes anteriormente inventariados o se podra realizar un muestreo
preliminar de poca intensidad para su estimacin.

II-7
 SECCION III
FORMA Y TAMAO DE LAS UNIDADES DE MUESTREO

A. Parcelas Fijas

En nuestros ejemplos hasta ahora siempre hemos partido de parcelas fijas de 1 ha. Estas
parcelas normalmente son de 10 x 1000 o 20 x 500 m. Pero segn circunstancias el tamao de las
parcelas tambin puede ser definido diferentemente (por ejemplo 0.5, 0.25, 0.2 o 0.1 ha).
Importante es, que el tamao de las parcelas no debe variar en el mismo inventario.

En vez de parcelas rectngulos tericamente tambin se podran aplicar cuadrados o

crculos, pero no convienen en el bosque tropical por la mala visibilidad y la dificultad de definir
sus permetros.

La unidad de muestreo tambin podra ser compuesta de varios elementos, por ejemplo 4
parcelas de media ha en forma de una estrella. En este caso se habla de conglomerados. Entre s
los conglomerados deben ser idnticos en cuanto a forma, diseo y tamao.

Hay que tener presente que los tamaos de las unidades de muestreo siempre se refieren al
plano horizontal. En terrenos inclinados hay que hacer la correccin de pendiente de forma que la
proyeccin horizontal de la unidad otra vez corresponde al tamao originalmente definido.

Una parcela definida con un 1 km de largo, que sube en una pendiente debe ser ms largo
para que su proyeccin horizontal tenga el largo de 1 km exactamente.

B. Muestreo Goniomtrico

Un mtodo muy sencillo, prctico y eficiente es el muestreo goniomtrico de Bitterlich.

Utilizando el relascopio, incluso la correccin de pendiente se realiza en forma automtica.

En terrenos planos se puede utilizar tambin una placa de 2 cm de apertura, fijada en una
pita de 50 cm, lo que corresponde a una factor basimtrico de 4. Al factor basimtrico de 1
correspondera una apertura de 1 cm.

La aplicacin de este instrumento es muy fcil. Se da una vuelta de 360E tomando en

cuenta todos los rboles que en la altura del pecho aparezcan ms gruesas que la apertura. El
nmero de rboles contados en el caso del factor 1 nos da directamente el rea basal.

Como se ve este mtodo est basado en un ngulo fijo de medicin, que en el caso de la
placa est definido por su apertura y el largo de la pita.

III-1
 Fig 1. Mtodo goniomtrico de Bitterlich

Partiendo del factor basimtrico de 1 y cierto dimetro a la altura del pecho di (ver Fig. 1),
el crculo lmite est definido por la siguiente relacin:

1/50 = di/Ri

Su radio es de:

Ri = 50 di (cm) = 50 di/100 (m)

correspondiente a un rea de:

Ai = p Ri5 = p (50 di)5/10000 (m5)

El rea basal que corresponde a todos los rboles con el dimetro di es de:

zi p di5/4 (cm5)

y el rea basal por ha:

zi p di5/4
Gi/ha = --------------------- = zi
p (50 di)5/10000

Lo que se ha derivado para el dimetro di tambin vale para cualquier otro dimetro as
que:

G/ha = S Gi = S zi = z

III-2
 En el caso general de una apertura de b (cm) y una distancia ocular de l (cm), el radio del
crculo lmite que corresponde al dimetro di (cm) sera:

Ri = l di/b (cm) = l di/(100 b) (m)

y el rea basal por ha:

zi p di5/4
Gi/ha = ---------------------- = 2500 b5/l5 zi
p l5 di5/(10000 b5)

Para el total obtenemos:

G/ha = S Gi = 2500 b5/l5 S zi = 2500 b5/l5 z

La frmula muestra que el factor basimtrico es de 2500 b5/l5. Con eso se comprueba que
una distancia ocular de 50 cm y una apertura de 2 cm corresponde a un factor 4 y una apertura de
1 cm a un factor de 1.

Normalmente utilizamos un factor de 4 para reducir el tamao de la unidad de muestreo,

contrarrestando as la mala visibilidad en el bosque tropical.

En la prctica a veces es difcil de determinar ocularmente si un rbol entra o no a la

unidad de muestreo. En estos casos debemos calcular el radio lmite del rbol. Para el factor
basimtrico de 4 (l=50cm, b=2cm) obtenemos:

Ri = l di/(100 b) = 50 di/(100 2) = di/4

Un rbol de 40 cm de DAP tendra un radio lmite de 40/4 = 10m. Si el rbol se encuentra

a una distancia mayor de 10m, ya no debe tomarse en cuenta.

En casos de duda hay que medir el dimetro del rbol para poder decidir si ste debe ser
contado o no. Normalmente no sera necesario medir el DAP, en el caso que solamente se quiere
estimar el rea basal.

Pero generalmente aparte del rea basal queremos conocer tambin el nmero y volumen
de los rboles por ha y su distribucin por clases diamtricas. As la medicin del DAP es
imprescindible.

Para calcular el nmero de rboles por ha tenemos que recordar que cada rbol contado
corresponde a un rea basal por ha dado por el factor basimtrico (k). Si ste es de 4, cada rbol
contado corresponde a 4 m5/ha.

III-3
 Ya que la seccin transversal del rbol contado con un DAP de di(m) es di5p/4, el nmero
de rboles por ha que corresponde a este rbol es de k/(di5p/4) y para todos los rboles contados:

4k 1
N/ha = --- S ---
p di5

Para el clculo del volumen por ha nuevamente partimos de un rbol contado

correspondiente a un rea basal de k (m5/ha). Multiplicando por la altura comercial (hi) y el factor
de forma (fi) obtenemos el volumen por ha correspondiente a este rbol: Vi/ha = k fi hi

De ah se deriva el volumen total:

V/ha = k S fihi

Si la ubicacin de los rboles est basada en un solo factor de forma (f), se puede
simplificar esta frmula en:

V/ha = k f S hi

La aplicacin eficiente del muestreo goniomtrico de Bitterlich requiere de conglomerados

para tener unidades de muestreo suficientemente grandes. La distancia entre las unidades
goniomtricas por lo menos debe ser 50 m para evitar la inclusin de los mismos rboles en dos
unidades vecinas.

III-4
 SECCION IV
METODOS DE MUESTREO

En el cuadro 1 se enumeran los mtodos ms importantes, que en diferentes partes del

mundo han sido aplicados en inventarios forestales.

Cuadro 1. Mtodos de muestreo para inventarios forestales

Muestreo por azar

Muestreo por azar simple

Muestreo con restriccin del principio de azar

(Bloques)

Muestreo a varios niveles

(Multi-stage sampling)

Muestreo estratificado

Muestreo con probabilidades distintas de seleccin

(Muestreo por listas)

Muestreo sistemtico

A. Muestreo por Azar Simple y otros Mtodos de Muestreo

Hasta el momento solo hemos hablado del muestreo por azar simple, que es la base de
todos los mtodos de muestreo. Por eso el conocimiento de sus frmulas es de gran importancia.
Aparte de este mtodo solo el muestreo estratificado y el sistemtico es de mayor inters en este
contexto. De los otros mtodos solamente nos interesan los conceptos bsicos.

El objetivo de todos los mtodos ms complejos es mejorar la eficiencia del muestreo

mediante diseos apropiados y/o informaciones adicionales. Las ltimas muchas veces no existen
o no son disponibles lo que reduce la aplicabilidad de estos mtodos.

IV-1
B. Muestreo por Bloques

En el muestreo por bloques el bosque est dividido en bloques de igual tamao (por
ejemplo 20) y de cada bloque se saca la misma cantidad de unidades de muestreo por azar (por
ejemplo 5).

La restriccin del principio por azar es que cada bloque debe tener la misma cantidad de
unidades de muestreo lo que significa que la totalidad de unidades (100) no est distribuido
completamente al azar.

C. Muestreo a Varios Niveles (Multi-Stage Sampling)

Este mtodo corresponde al muestreo por bloques. La diferencia es que en este caso no
todos los bloques estn levantados. En el primer nivel de muestreo algunos estn seleccionados
por azar (unidades primarias). En el segundo nivel se distribuye por azar las unidades secundarias
dentro de los bloques elegidos en el primer nivel (submuestreo).

D. Muestreo con Probabilidades Distintas de Seleccin

En los mtodos anteriores cada elemento de la poblacin tiene la misma probabilidad de

ser elegido. Si ya existen muchas informaciones sobre el bosque como en los pases europeos el
muestreo por listas puede ser un mtodo eficiente.

Si la poblacin est formada por varios rodales y ya existen informaciones, por ejemplo la
superficie de los rodales, entonces la seleccin de los rodales puede ser con una probabilidad
proporcional a la superficie de los mismos.

Los elementos de muestreo en este caso son los rodales cuyos parmetros forestales deben
ser levantados. Ya que se utiliza una lista para la seleccin, este mtodo tambin se llama
muestreo por listas.

E. Muestreo Estratificado

La estratificacin es una zonificacin del bosque con el objetivo de conseguir estratos ms

homogneos, por ejemplo tres estratos de bajo, mediano y alto volumen por ha. La estratificacin
es eficiente si la variacin dentro de los estratos es pequea y entre los estratos grande.

En la prctica la estratificacin generalmente se realiza en base a una fotointerpretacin

estereoscpica, considerando la densidad del bosque, la altura de los rboles y el drenaje. Si hay
asentamientos humanos es aconsejable de usar imgenes recientes de satlite para determinar las
reas afectadas. El resultado de la interpretacin es un mapa forestal con los diferentes estratos
forestales y no forestales. Los primeros tambin se llaman tipos de bosque.

IV-2
 El nmero de unidades de muestreo en los estratos forestales puede ser proporcional a la
superficie de los mismos. La intensidad de muestreo en este caso es igual en cada estrato. Si
algunos estratos forestales son de menos inters forestal se puede reducir la intensidad de
muestreo en estos estratos.

Para calcular la media del muestreo estratificado hay que ponderar las medias individuales
de cada estrato con su superficie, multiplicndolas con el factor Pi, el cociente de cada superficie
individual y la superficie total:
_ _
x = S Pi xi

Para calcular el error standard del muestreo estratificado hay que ponderar los errores
standard individuales con el factor Pi5 correspondiente a cada estrato:

Sestr5 = S Pi5 Si5

Tericamente se puede calcular una intensidad de muestreo ptima para cada estrato. Esto
permite minimizar el error admisible o el costo del inventario. En la prctica estos mtodos son de
poco inters por falta de la informacin necesaria.

F. Muestreo Sistemtico

El muestreo sistemtico es el mtodo que ms nos interesa porque es el mtodo que

normalmente aplicamos en el muestreo forestal. La distribucin por azar en la prctica es difcil a
realizar por la dificultad de ubicar en el campo los sitios de cada unidad de muestreo. Adems el
costo por los trechos a caminar sera alto.

El muestreo sistemtico al contrario es muy simple. El diseo correspondiente es una

distribucin regular (cuadricular) con distancias iguales entre las unidades de muestreo.

Para evitar sesgos (bias) en el diseo sistemtico hay que tener cuidado que la red del
muestreo no sea paralelo a ciertos rasgos sistemticos del terreno por ejemplo a un ro o una
cadena de colinas.

Otra desventaja terica del muestreo sistemtico es que no hay frmulas exactas para el
error admisible. Las frmulas existentes son aproximatorias y adems complicadas.

Por esta razn normalmente se calcula el error admisible con la frmula del muestreo por
azar. El valor as calculado sobreestima el valor real del muestreo sistemtico. Pero eso tambin
puede considerarse como cierta ventaja porque implica un cierto margen de seguridad.

IV-3
 SECCION V
DISEO DE UN MUESTREO SISTEMATICO

El muestreo forestal por lo expuesto normalmente utiliza el diseo sistemtico. Las unidades de
muestreo estn distribuidas en forma de cuadrcula con distancias iguales entre los puntos centrales de
las unidades.

Para disear un muestreo la primera pregunta es cuntas unidades de muestreo y de que tamao
necesitamos para alcanzar un cierto error admisible. Generalmente tenemos en mente un error admisible
de 10% a un nivel de confianza de 95%, refirindonos al volumen total por ha.

A. Problema de Optimizacin

La pregunta sobre la cantidad de unidades de muestreo nos lleva a la pregunta del nmero y
tamao ptimo de las unidades de muestreo para el parmetro forestal considerado (volumen total por
ha). La solucin de este problema depende de factores estadsticos y econmicos.

Para discutir el problema, nuestra pregunta debe ser ms especfica an: Cuntas unidades y qu
tamao de unidades necesitamos para alcanzar cierto error admisible del volumen total (a cierto nivel de
confianza) con un mnimo de costos o cmo minimizamos el error admisible con un cierto monto de
dinero disponible.

Para contestar estas preguntas necesitaramos una funcin de costos y una funcin del
coeficiente de variacin. Las variables independientes en ambos casos seran el tamao y nmero de las
unidades de muestreo.

B. Consideraciones para una Solucin Pragmtica

Como en la prctica no conocemos estas funciones no podemos solucionar el problema de

optimizacin. Pero s tenemos que ser conscientes de las relaciones estadsticas y econmicas en general
para poder disear un muestreo racional y eficiente.

El tamao ptimo de la unidad de muestreo como ya hemos dicho depende de factores

estadsticos y econmicos. En el sentido estadstico, es mejor tener muchas unidades pequeas que
pocas grandes. Si por ejemplo la superficie muestreada sera 25 ha en total, estadsticamente es mejor
distribuir 100 unidades de 0.25 ha que 25 unidades de 1 ha.

Eso se puede explicar con la frmula del error admisible. Si aumentamos el nmero de unidades
(n) el error se reduce con la raz de n. Si al mismo tiempo reducimos el tamao de las unidades aumenta
el coeficiente de variacin, pero manteniendo la misma intensidad de muestreo la reduccin obtenido
por el denominador (%n) es ms fuerte que este otro efecto.

V-1
 Por los costos del inventario no podemos reducir demasiado el tamao de las unidades porque
en este caso las distancias inefectivas para llegar de una unidad de muestreo a la otra se aumentan
considerablemente. Para un muestreo sistemtico la distancia (d) entre las unidades es:

vA
d = --
vn

donde A = Superficie de la poblacin

n = nmero de unidades de muestreo

El trayecto total a caminar sera d n = %(An). Como vemos aumenta con la raz de n. Con el
trayecto recorrido tambin aumenta el tiempo y el costo total del trabajo, especialmente si el rea
inventariada no cuenta con mucha infraestructura como mayormente ocurre en los bosques tropicales.

Para equilibrar los dos efectos de la %n, que por un lado reduce el error admisible y por otro
lado aumenta el costo hay que buscar un compromiso pragmtico.

En reas muy grandes muchas veces se aplica el muestreo por conglomerados. La unidad de
muestreo en este caso es el conglomerado, por ejemplo 4 parcelas distribudas en forma de una estrella
alrededor de un punto central.

V-2
C. Valores Empricos para la Planificacin de Inventarios de Reconocimiento

Cuadro 2. Intensidades mnimas y otros parmetros de muestreo

en funcin de la superficie poblacional
Superficie total de los Intensidad Superficie Tamao de las unidades No de parcelas
estratos forestales mnima (%) muestreada de muestreo en el caso variables por
(ha) (ha) de parcelas fijas (ha) conglomerado en el
caso del muestreo
goniomtrico (FB=4)

100 8.0 8 0.08 1

500 2.0 10 0.1 1
1.000 1.5 15 0.15 2
2.000 1.2 25 0.25 3
5.000 0.8 40 0.4 4
10.000 0.5 50 0.5 5
15.000 0.35 50 0.5 5
20.000 0.28 55 0.55 6
25.000 0.24 60 0.6 6
30.000 0.22 65 0.65 7
50.000 0.2 100 1.0 10
100.000 0.15 150 1.5 15
200.000 0.1 200 2.0 20

Todas las consideraciones mencionadas, de carcter econmico, estadstico y prctico se

reflejan en el Cuadro 2, que puede servir como gua para el diseo de un inventario de reconocimiento.
Las mismas sugerencias forman parte de un manual de instrucciones para inventarios forestales de
reconocimiento, recientemente propuesto al CDF (ver apndice).

El Cuadro 2 se basa en 100 unidades de muestreo y una intensidad de muestreo, que est en
funcin del tamao de la poblacin.

De la experiencia sabemos que en reas de unos 50.000 ha la distribucin de 100 parcelas de

1 ha es un diseo de probada eficacia en la prctica. En este caso tenemos 100 ha muestreadas y un
0.2% de intensidad de muestreo.

En poblaciones ms pequeos por ejemplo de 10.000 ha podemos reducir la superficie

muestreada porque la heterogeneidad (coeficiente de variacin) se reduce con el tamao de la
poblacin.

Una superficie muestreada de 50 ha sera un valor razonable en este caso, lo que significa una
intensidad de 0.5%. La intensidad de muestreo en este caso ha aumentado. La razn es, que no
podemos reducir la superficie muestreada proporcionalmente a la superficie de la poblacin.

V-3
 Sabemos que el error admisible se reduce con la raz de n y que este efecto sobrepasa al efecto
de la reduccin de heterogeneidad de poblaciones ms pequeas. Por eso no se puede mantener la
intensidad de 0.2% correspondiente a 20 ha muestreadas en el caso de 10.000 ha.

Optamos por 50 ha muestreadas o sea 0.5% de intensidad en este caso. Por lo general podemos
decir que la intensidad de muestreo debe aumentar en forma progresiva si se reduce la superficie de la
poblacin (ver Cuadro 2).

Otro aspecto importante es el tamao de la unidad de muestreo. Sabemos que en el sentido

estadstico es mejor contar con muchas unidades pequeas que con pocas grandes. Por eso en el caso
de 10.000 ha es mejor de reducir las parcelas a 0.5 ha, manteniendo 100 unidades de muestreo en vez
de trabajar con 50 parcelas de 1 ha.

En la prctica se ha visto que 100 unidades de muestreo son un buen compromiso en cuanto a
los aspectos estadsticos y econmicos y hasta en reas muy grandes de 100.000 a 200.000 ha en el
sentido econmico todava son factibles.

Por eso en el manual anteriormente mencionado se recomienda siempre utilizar 100 unidades de
muestreo y variar el tamao de la unidad de muestreo en funcin del tamao de la poblacin.

En poblaciones muy grandes de 100.000 o 200.000 ha se recomienda utilizar conglomerados

compuestos de 3 o 4 parcelas de 0.5 ha respectivamente, las cuales pueden ser distribuidas en forma de
una estrella alrededor de un punto central.

En el caso del muestreo goniomtrico segn Bitterlich se ha fijado un tamao promedio de

0.1 ha por parcela variable para un factor basimtrico de 4, que es el factor a utilizarse en bosques
tropicales. El tamao de la unidad de muestreo en este caso vara con el nmero de parcelas variables a
levantarse por conglomerado.

D. Ejemplo de un Diseo Sistemtico

La superficie de los estratos forestales en este ejemplo aproximadamente cubre 50.000 ha.
Segn nuestra experiencia el muestreo en este caso puede basarse en 100 parcelas de 1 ha (ver cuadro
2).

Hay 4 estratos, que son de mayor inters forestal con una superficie aproximada de 38.000 ha y
2 estratos de menor inters que han sido inventariados con muy baja intensidad de muestreo
correspondiente a solamente 8 parcelas. Los 4 estratos mencionados por otro lado cuentan con 92
parcelas sistemticamente distribuidas.

La prxima pregunta sera a que distancia tenemos que repartir las parcelas. Del nmero de las
parcelas y de la superficie de los estratos de inters podemos calcular la distancia entre las unidades:

V-4
 %A %380
d = --- = ----- . 2 km

%n %92

La distancia entre las unidades de muestreo y tambin entre las lneas de levantamiento (picadas)
sera 2 km. El trecho total a caminar o el largo total de las picadas para los 4 estratos de inters
entonces sera 2 x 92 = 184 km.

Para ahorrar costos se puede aumentar la distancia entre las picadas con un factor entre 1 y 1.5
y reducir la distancia entre las unidades a lo largo de las picadas con el mismo factor. No se debe
utilizar factores mayores a 1.5 para no desviarse demasiado del sistema sistemtico puro.

En este caso podramos aumentar la distancia entre las picadas a 3 km multiplicando con el
factor 1.5 y reducir la distancia entre las parcelas a lo largo de las picadas con el mismo factor
(2/1.5 = 1.33 km).

Con este procedimiento reducimos el largo total de las picadas a un valor bien razonable de
122 km y al mismo tiempo utilizamos mejor las picadas reduciendo los trayectos sin inventariar.

Como demuestra el diseo del muestreo el patrn para la distancia entre las parcelas sobre las
picadas no es de 1.33 km, ms bien se ha reducido a 1 km de distancia.

La razn es, que a veces conviene aumentar la distancia entre dos parcelas vecinas sobre una
lnea de levantamiento para no acercarse demasiado al lmite del estrato colindante, o para no pasar este
lmite. Lo mismo pasa en el caso de obstculos.

De esta manera se aumenta la distancia promedio entre las parcelas sobre las lneas de
levantamiento a un valor mayor a 1km, acercndose al valor calculado de 1.33 km.

Como se puede ver, el valor calculado solamente es una ayuda para el diseo del muestreo, que
en su versin final es el resultado de un procedimiento emprico.

A continuacin se describen brevemente los pasos necesarios para llegar al diseo final:

C Confeccin del mapa forestal en base a una fotointerpretacin y otras fuentes.

C Calcular superficies de los estratos.

C Definir el tamao de las parcelas en base al nmero de unidades (normalmente cien) y la

intensidad de muestreo (ver Cuadro 2).

V-5
 C Definir las distancias entre picadas y entre los puntos cntricos de 2 parcelas vecinas sobre
una picada.

C Dibujar las lineas de levantamiento (normalmente en direccin Este-Oeste) a la distancia

definida.

C Distribuir las unidades de muestreo sobre las lneas de levantamiento con la distancia
definida.

Para la distribucin de las unidades es conveniente dibujar una lnea de referencia vertical y
distribuirlas en forma de una red cuadricular. Si hay que recorrer una unidad (para evitar que caiga en
dos estratos o para aumentar su distancia a un lmite de estrato) solamente se recorre esta unidad,
manteniendo la red cuadricular en general.

Como hemos dicho la distancia entre las picadas es de 3 km. Sobre las picadas la distancia entre
los puntos centrales de cada parcela es de 1 km. Si partimos de parcelas de 500 m x 20 m, la distancia
entre el final de una parcela y el comienzo de la prxima sera 500 m. Sobre la picada se inventariar
500 m, dejando otros 500 m sin inventariar etc.

El trecho no inventariado en el caso normal no debe ser ms corto que el trecho inventariado
como una regla prctica del diseo. En nuestro caso estamos cumpliendo esta regla y la distribucin de
las parcelas con las distancias indicadas nos lleva al diseo final.

V-6